Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Frederico Caeiro
2009/10
Observao:
Estas folhas servem de apoio s aulas de Probabilidades e Estatstica. Para uma melhor compreenso dos assuntos abordados, aconselha-se a leitura de alguns dos livros indicados nas referncias
bibliogrficas.
Contedo
1 Introduo Teoria da Probabilidade
1.1 Espao de Resultados e Acontecimentos .
1.2 Probabilidade . . . . . . . . . . . . . . .
1.3 Clculo Combinatrio . . . . . . . . . . .
1.4 Probabilidade Condicional e Independncia
.
.
.
.
1
1
3
5
6
.
.
.
.
.
.
9
9
10
11
12
14
15
3 Vectores aleatrios
3.1 Par aleatrio discreto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2 Par aleatrio contnuo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.3 Momentos de vectores aleatrios . . . . . . . . . . . . . . . . . . . . . . . . . .
17
17
19
20
4 Principais Distribuies
4.1 Distribuies discretas . . . . . . . . . .
4.1.1 Distribuio Uniforme . . . . . .
4.1.2 Distribuio de Bernoulli . . . .
4.1.3 Distribuio Binomial . . . . . .
4.1.4 Distribuio Geomtrica . . . . .
4.1.5 Distribuio Hipergeomtrica . .
4.1.6 Distribuio de Poisson . . . . .
4.2 Distribuies Contnuas . . . . . . . . .
4.2.1 Distribuio Uniforme Contnua .
4.2.2 Distribuio Exponencial . . . .
4.2.3 Distribuio Gama . . . . . . . .
4.2.4 Distribuio Normal . . . . . . .
4.2.5 Distribuio do Qui Quadrado .
4.2.6 Distribuio t de Student . . . .
23
23
23
24
24
26
27
29
31
31
32
34
35
36
37
2 Variveis aleatrias
2.1 Variveis aleatrias . . . . . . . . .
2.2 Funo de distribuio . . . . . . . .
2.3 Classificao das variveis aleatrias
2.4 Momentos . . . . . . . . . . . . . .
2.5 Outros parmetros relevantes . . . .
2.6 Funes de uma varivel aleatria .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
39
i
6 Estimao Pontual
6.1 Alguns conceitos importantes . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.2 Propriedades dos estimadores . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.3 Mtodo dos Momentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.4 Mtodo da mxima verosimilhana . . . . . . . . . . . . . . . . . . . . . . . . .
6.5 Distribuies por Amostragem . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.5.1 Distribuio por amostragem da mdia amostral, X . . . . . . . . . . . .
6.5.2 Distribuio por amostragem da diferena de mdias amostrais, X 1 X 2
6.5.3 Distribuio por amostragem da varincia amostral, S 2 . . . . . . . . . .
6.5.4 Distribuio por amostragem da proporo, P . . . . . . . . . . . . . . .
41
41
42
44
46
47
47
49
49
49
51
52
52
55
56
56
8 Teste de Hipteses
8.1 Introduo . . . . . . . . . . . . . . . . . . . . . . . . . .
8.2 Teste de Hipteses para a mdia da populao . . . . . . .
8.2.1 Teste bilateral . . . . . . . . . . . . . . . . . . . .
8.2.2 Teste unilateral direito . . . . . . . . . . . . . . .
8.2.3 Teste unilateral esquerdo . . . . . . . . . . . . . .
8.3 Teste de Hipteses para a varincia, 2 , de uma populao
8.4 Teste de Hipteses para a proporo p de uma populao .
8.5 Teste das sequncias ascendentes e descendentes . . . . .
8.6 Teste de ajustamento do Qui Quadrado . . . . . . . . . .
63
63
65
66
67
68
69
70
71
72
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
Normal .
. . . . .
. . . . .
. . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
9 Regresso Linear
9.1 Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
9.2 Estimadores dos Mnimos Quadrados de 0 e 1 . . . . . . . . . . . . . . . . . .
9.3 Estimao de 2 e Qualidade do Ajuste . . . . . . . . . . . . . . . . . . . . . .
9.4 Propriedades dos estimadores dos mnimos quadrados . . . . . . . . . . . . . . .
9.4.1 Distribuio por amostragem de
2 . . . . . . . . . . . . . . . . . . . . .
9.4.2 Distribuio por amostragem de 0 e 1 . . . . . . . . . . . . . . . . . .
9.5 Inferncia sobre os parmetros do Modelo de Regresso . . . . . . . . . . . . . .
9.5.1 Intervalo de Confiana e Teste de Hipteses para 1 . . . . . . . . . . .
9.5.2 Intervalo de Confiana e Teste de Hipteses para 0 . . . . . . . . . . .
9.5.3 Intervalo de Confiana e Teste de Hipteses para 2 . . . . . . . . . . .
9.6 Estimao do valor esperado de Y para uma observao x0 da varivel controlada
9.7 Previso do valor da varivel resposta Y para um novo valor x0 da varivel controlada
58
60
77
77
78
79
79
79
80
81
81
82
83
84
84
10 Exerccios
10.1 Introduo Teoria da Probabilidade .
10.2 Variveis aleatrias . . . . . . . . . .
10.3 Vectores Aleatrios . . . . . . . . . .
10.4 Principais distribuies . . . . . . . .
10.5 Teorema Limite Central . . . . . . . .
10.6 Estimao Pontual . . . . . . . . . . .
10.7 Estimao por Intervalo de Confiana
10.8 Teste de Hipteses . . . . . . . . . .
10.9 Regresso Linear . . . . . . . . . . . .
11 Tabelas
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
85
85
89
93
96
101
102
104
106
109
111
Captulo 1
Definio 1.1 (Experincia aleatria). Uma experincia aleatria uma experincia cujo resultado desconhecido (antes da sua realizao), apesar de se conhecerem todos os possveis
resultados.
Definio 1.3 (Espao de resultados ou universo). Chamamos espao de resultados ou universo, e representamos por , ao conjunto de todos os possveis resultados de uma experincia
aleatria.
Observao: Diz-se que o espao de resultados, , discreto se tem um nmero finito ou infinito
numervel de elementos. Se contm um intervalo (finito ou infinito) de nmeros reais, ento
o espao de resultados contnuo.
Exemplo 1.4 (Espao de resultados). Considere novamente as experincias aleatrias do Exemplo 1.2. Temos:
E1 : = {Cara, Coroa};
E2 : = {1, 2, 3, 4, 5, 6};
E3 : = R+ .
Exemplo 1.5 (Espao de resultados). Na experincia aleatria que consiste em lanar um dado,
numerado de 1 a 6, e observar a face voltada para cima, = {1, 2, 3, 4, 5, 6}. Se forem lanados
dois dados, o espao de resultados ,
= {(1, 1), (1, 2), (1, 3), (1, 4), (1, 5), (1, 6), (2, 1), . . . , (6, 5), (6, 6)},
ou seja, = {(i, j) : i = 1, . . . , 6; j = 1, . . . , 6}.
Definio 1.6 (Acontecimento e Acontecimento elementar). Um acontecimento um subconjunto do espao de resultados, . Cada acontecimento formado por apenas um ponto amostral
designado por acontecimento elementar ou simples.
Observao: Podemos aplicar as operaes usuais sobre conjuntos de modo a obter outros
acontecimentos de interesse. As operaes mais usuais so:
A unio de dois acontecimentos A e B, e representa-se por A B;
A interseco de dois acontecimentos A e B, e representa-se por A B;
O complementar do acontecimento A e representa-se por A;
A diferena dos acontecimentos A e B e representa-se por A B (= A B);
1.2. PROBABILIDADE
1.2
Probabilidade
no de resultados favorveis a A
NA
=
.
N
no de resultados possveis
Exemplo 1.10. A probabilidade de sair face mpar, num lanamento de um dado equilibrado
P (Sair face mpar) =
3
6
= 21 .
Definio 1.11 (Definio Frequencista de Probabilidade). A probabilidade de um acontecimento A dada pelo limite da frequncia relativa com que se observou A, isto ,
nA
,
n n
P (A) = lim
i=1 Ai
i=1 P (Ai ).
= 1 P (A);
3. P (A)
4. P (A) [0, 1];
5. P (A B) = P (A B) = P (A) P (A B);
6. P (A B) = P (A) + P (B) P (A B).
Demonstrao.
1. Como e so acontecimentos disjuntos e P ( ) = P () = 1, resulta pelo 3o axioma
que P ( ) = P () + P (), ou seja, P () = 0.
2. Sejam A e B dois acontecimentos tais que A B. Ento B = B (A A) = (B A)
(B A) = A (B A). Como A e B A so acontecimentos disjuntos, podemos utilizar
o 3o axioma, resultando,
P (B) = P (A (B A)) = P (A) + P (B A).
Usando o 1o axioma, podemos garantir que P (BA) 0 e consequentemente P (B) P (A).
3. Como A e A so acontecimentos disjuntos, podemos utilizar o 3o axioma. Assim,
1 = P () = P (A A) = P (A) + P (A),
= 1 P (A).
ou seja, P (A)
4. Pelo 1o axioma, para qualquer acontecimento A, P (A) 0. Logo, basta apenas demonstrar
que P (A) 1. Como A , resulta que P (A) P () = 1.
5. Como A = (AB)(AB) = (AB)(AB), e (AB) e (AB) so acontecimentos
disjuntos, ento podemos utilizar o 3o axioma. Assim,
P (A) = P (A B) + P (A B)
P (A B) = P (A) P (A B).
6. Como A B = (A B) (B A) (A B) e (A B), (B A) e (A B) so
acontecimentos disjuntos dois a dois, podemos utilizar o resultado do 3o axioma, obtendo:
P (A B) = P (A B) + P (B A) + P (A B) =
= P (A) P (A B) + P (B) P (A B) + P (A B) =
= P (A) + P (B) P (A B).
Observao: O ltimo resultado da Proposio 1.13 pode ser generalizado para a unio de n
acontecimentos (n 2). Assim, dados os acontecimentos Ai , i = 1, . . . , n,
P (ni=1 Ai ) =
n
X
i=1
P (Ai )
X
i6=j
P (Ai Aj )+
X
i6=j6=k
1.3
Clculo Combinatrio
H
repetio?
Designao
Sim
No
Arranjos
Sim
No
Sim
No
No
Sim
nC
n!
kn
(nk)! ,
n A0 = nk
k
n
n!
k
=
k
(nk)!k! ,
n C 0 = (n+k1)!
k
(n1)!k!
Observaes:
! representa a funo factorial (por conveno 0! = 1);
No caso particular em que interessa a ordem, no h repetio e estamos a seleccionar todos
os elementos disponveis (k = n), mais usual designarmos Permutaes de n elementos,
Pn , em vez de n An . obvio que n An = Pn = n!.
1.4
Medicamento Experimental E
Medicamento Convencional (E)
Total
Melhorou (M )
69
58
127
No melhorou (M )
31
42
73
Total
100
100
200
100
200
= 12 .
69
200 .
69
127 .
P (EM )
P (M ) .
Definio 1.17 (Probabilidade Condicional). Sejam A e B dois acontecimentos. A probabilidade condicional de A dado B
P (A|B) =
P (A B)
,
P (B)
se P (B) > 0.
Definio 1.20 (Partio do espao de resultados). Dizemos que {E1 , . . . , En } uma partio
do espao de resultados quando
Ei Ej = (i 6= j) e
ni=1 Ei = .
Teorema 1.21 (Teorema da Probabilidade Total). Seja {E1 , . . . , En } uma partio do espao
de resultados , com P (Ei ) > 0, i. Dado um qualquer acontecimento A, tem-se,
P (A) = P (A |E1 ) P (E1 ) + . . . + P (A |En ) P (En ) .
Teorema 1.22 (Teorema de Bayes). Seja {E1 , . . . , En } uma partio do espao de resultados
, com P (Ei ) > 0, i. Dado um qualquer acontecimento A, com P (A) > 0, tem-se
P (A |Ei ) P (Ei )
.
P (Ei |A ) = P
n
P (A |Ei ) P (Ei )
i=1
P (Ei A)
P (A |Ei ) P (Ei )
= P
.
n
P (A)
P (A |Ei ) P (Ei )
i=1
Exemplo 1.23 (Teste de P.E. D - 2007/08). Diga, justificando, se a seguinte afirmao verdadeira ou falsa:
Trs mquinas A, B e C produzem botes, respectivamente, 15%, 25% e 60% da produo total.
As percentagens de botes defeituosos fabricados por estas mquinas so respectivamente 5%, 7%
e 4%. Se ao acaso, da produo total de botes, for encontrado um defeituoso, a probabilidade
de ele ter sido produzido pela mquina B de cerca de 36%.
Resoluo:
Sejam A, B, C e D os seguintes acontecimentos:
A - O Boto produzido pela mquina A;
B - O Boto produzido pela mquina B;
C - O Boto produzido pela mquina C;
D - O Boto tem defeito;
De acordo com o enunciado, temos as seguintes probabilidades: P (A) = 0.15, P (B) = 0.25,
P (C) = 0.6, P (D|A) = 0.05, P (D|B) = 0.07 e P (D|C) = 0.04.
P (D|B)P (B)
175
=
' 36%.
P (D|A)P (A) + P (D|B)P (B) + P (D|C)P (C)
490
Logo a afirmao est correcta, isto , a probabilidade de um boto defeituoso ter sido produzido
pela mquina B de cerca de 36%.
Captulo 2
Variveis aleatrias
2.1
Variveis aleatrias
Definio 2.1 (Varivel aleatria). Uma varivel aleatria (v.a.), X : R, uma funo real
e finita, tal que a imagem inversa de ] ; x] um acontecimento, isto , Ax = X 1 (; x] =
{ : X () x} com x R um acontecimento.
Observao: fcil de verificar que se X uma varivel aleatria e g : R R uma funo,
ento Y = g(X) tambm uma varivel aleatria.
Exemplo 2.2 (Varivel aleatria). Considere a experincia aleatria que consiste no lanamento
de 2 moedas equilibradas, e registo da face voltada para cima. O espao de resultados
= {(Ca, Ca), (Ca, Co), (Co, Ca), (Co, Co)}.
Podemos, por exemplo, atribuir a cada um dos acontecimentos elementares de , os seguinte
valores:
X()
(Ca,Ca)
2
(Ca,Co)
1
(Co,Ca)
1
(Co,Co)
0
Repare que
,
x<0
{(Co,
Co)}
0
x<1
Ax = X 1 ](; x]) =
{(Co, Co), (Ca, Co), (Co, Ca)} 1 x < 2
x2
Como todas as imagens inversas, X 1 (] ; x]), so acontecimentos de , ento de acordo com
a definio 2.1, X uma varivel aleatria.
Observao: Relativamente ao Exemplo 2.2, X a aplicao que atribui a cada acontecimento
de o nmero de caras.
9
10
2.2
Funo de distribuio
x R.
Exemplo 2.4. Considere novamente o Exemplo 2.2. A funo de distribuio desta v.a. :
0,
x<0
1, 0 x < 1
4
FX (x) = P (X x) =
3
4, 1 x < 2
1,
x2
Observao: Como FX (x) = P (X x), conclui-se que a funo de distribuio existe sempre. Quando no existir mais do que uma v.a., pode-se representar a funo de distribuio
simplesmente por F .
lim F (x) = 0 e
lim F (x) = 1;
x+
x R,
11
2.3
(2.1)
Definio 2.8 (Varivel aleatria discreta). Uma v.a. X diz-se do tipo discreto ou simplesmente discreta se o conjunto D quanto muito numervel, e se P (X D) = 1.
Definio 2.9 (Funo de probabilidade). Seja X uma v.a. discreta. Chama-se funo de
probabilidade (f.p.), ou funo massa de probabilidade, de X funo definida pelo conjunto dos
valores de D e pelas respectivas probabilidades, isto , por (xi , pi ) onde xi D e pi = P (X = xi ).
Uma representao usual para a funo de probabilidade da v.a. X, :
(
X=
x1
x2
...
xi
...
P (X = x1 ) P (X = x2 ) . . . P (X = xi ) . . .
i=1 pi
= 1.
xi ID
P (X = xi ).
1
4
1
2
1
4
Definio 2.11 (Varivel aleatria contnua). Uma v.a. X diz-se do tipo contnuo ou simplesmente contnua se D = e se existe uma funo no negativa, f , tal que para I R,
P (X I) =
f (x)dx.
I
12
R +
f (x) dx = 1.
ento a P (X I), corresponde ao valor da rea entre o eixo das abcissas e o grfico da funo
f no intervalo I considerado. Consequentemente P (X = x) = 0, x R e
P (x1 X x2 ) = P (x1 < X x2 ) = P (x1 X < x2 ) = P (x1 < X < x2 ),
x1 x2 .
Observao: Por definio, F 0 (x) = f (x), nos pontos onde existe derivada. Se no existir
derivada, f (x) = 0.
2.4
Momentos
Qualquer varivel aleatria possui algumas caractersticas numricas importantes. As mais conhecidas so o valor mdio e a varincia. Nesta seco vamos estudar outras caractersticas mais
gerais: os Momentos.
Definio 2.12 (Valor mdio). O valor mdio, valor esperado ou simplesmente mdia da v.a.
X dado por,
= E(X) =
i=1
+
R
xf (x)dx
E(g(X)) =
i=1
+
R
g(x)f (x)dx
1
4 +
2
1
2
+2
E(g(X)) = E(X ) = 02
1
4
1
4
2
= 1,
+1
1
2
+ 22
1
4
= 32 .
13
2.4. MOMENTOS
Definio 2.15 (Momentos de ordem k). Seja X uma varivel aleatria. Definem-se momentos
de ordem k em torno da origem por:
mk = E(X k ),
e os momentos centrais de ordem k de X por:
k = E((X )k ),
desde que os valores esperados existam.
V (X),
Proposio 2.17. Se X uma v.a., para a qual existe varincia, V (X) = E X 2 E 2 (X).
Propriedades da Varincia:
1. Se a uma constante, V (a) = 0;
2. Se a e b so constantes, V (aX + b) = a2 V (X).
1
4
+ (1 1)2
1
2
+ (2 1)2
1
4
= 12 .
Nota: A varincia tambm podia ser calculada atravs do resultado da Proposio 2.17.
14
Teorema 2.19 (Desigualdade de Chebychev). Se X uma v.a. para a qual existe varincia
2 e c > 0 uma constante real positiva, ento
P (|X | c)
1
c2
P (|X | < c) 1
1
.
c2
2.5
Definio 2.21 (Coeficiente de variao). Seja X uma v.a. com suporte no negativo. O
Coeficiente de variao de X ,
CV =
100%.
3
.
3
Definio 2.23 (Coeficiente de achatamento ou Kurtosis). Define-se o coeficiente de achatamento ou kurtosis como
2 =
4
3.
4
0 < p < 1.
Se X uma v.a. discreta, a equao F (p ) = p pode no ter soluo exacta. Neste caso
considera-se p = min{x : F (x) p}.
Definio 2.25 (Mediana). Trata-se do quantil de ordem p = 1/2. Costuma-se representar a
mediana, da v.a. X, por med(X).
Definio 2.26 (Moda). A Moda, representada por mo, o valor que maximiza a funo de
probabilidade ou a funo densidade probabilidade, desde que seja nico.
15
2.6
Existem muitas formas de criar novas variveis aleatrias, a partir de outras j conhecidas. Muitas
destas variveis aparecem de forma natural com a resoluo de problemas. Assim, sejam X e Y
variveis aleatrias tais que Y funo de X (Y = g(X)). Interessa-nos saber como conhecer a
distribuio de Y . Para isso basta conhecer a sua funo de distribuio, FY . Independentemente
de X ser uma v.a. discreta ou contnua, podemos sempre obter a sua funo de distribuio do
seguinte modo:
FY (y) = P (Y y) = P (g(X) y) = P (Ay ),
onde Ay = {x Dx : g(x) y}. Geralmente consegue-se calcular P (Ay ), a partir da funo de
distribuio de X, FX .
Exemplo 2.27. Considere a v.a. X com funo de distribuio,
FX (x) =
x0
0<x<1
x1
0,
5x4 4x3 ,
1,
y+1 4
2
y+1 4
2
0,
4
1,
y+1 3
0,
4
1,
y+1 3
,
2
, 0<
y+1
2
y+1
2
y+1
2
y+1
2 )
= FX ( y+1
2 )=
0
<1
1
y 1
1 < y < 1
y1
FW (w) = P (W w) = P ( w X w) = FX ( w) FX ( w) = FX ( w) =
(
3
4
5 w 4 w , 0 w <1
=
1,
w1
(
A procedimento, acima indicado, vlido quer X seja uma v.a. contnua ou uma v.a. discreta.
Contudo no caso de X ser uma v.a. discreta, Y = g(X) tambm uma v.a. discreta. Nesta
situao podemos tambm conhecer de distribuio de Y a partir da sua funo de probabilidade.
16
Assim, seja Dx o suporte de X, isto , o conjunto dos valores de X com probabilidade positiva.
Ento,
P (Y = y) = P (g(X) = y) = P (X Ay ),
onde Ay = {x Dx : g(x) = y}.
Exemplo 2.28. Considere novamente a varivel aleatria introduzida no Exemplo 2.2 e a nova
varivel aleatria Y = (X 1)2 . Sendo X uma v.a. discreta, conclumos que Y tambm uma
v.a. discreta. Como X tem como suporte os valores 0, 1,e 2, o suporte de Y o conjunto dos
valores 0 e 1. Resulta que
P (Y = 0) = P ((X 1)2 = 0) = P (X = 1) = 21 ,
P (Y = 1) = P ((X 1)2 = 1) = P (X 1 = 1 X 1 = 1) =
= P (X = 0) + P (X = 2) =
Ento a funo de probabilidade de Y
(
1
2
1
2
1
4
+ 41 .
Captulo 3
Vectores aleatrios
Sejam X1 , X2 , . . . , Xm
aleatrio de dimenso m. Vamos restringir-nos apenas aos pares aleatrios (X, Y ) = (X1 , X2 ),
isto , aos vectores aleatrios com m = 2. Estes podem ser do tipo discreto, contnuo ou misto,
conforme X e Y so v.a. de tipo discreto, contnuo ou uma discreta e a outra contnua.
Definio 3.1 (Funo de distribuio conjunta). Seja (X, Y ) um par aleatrio. A funo de
de distribuio de (X, Y ) :
FX,Y (x, y) = P (X x, Y y),
3.1
(x, y) R2 .
Definio 3.2 (Par aleatrio discreto). Diz-se que (X, Y ) um par aleatrio discreto se e s
se X e Y so variveis aleatrias discretas.
Definio 3.3 (Funo de probabilidade conjunta). Seja (X, Y ) um par aleatrio discreto
tomando valores no conjunto D = {(xi , yj ) R2 : P (X = xi , Y = yj ) > 0}. Chamamos funo
de probabilidade conjunta (f.p.c.) de (X, Y ) funo:
pij = P (X = xi , Y = yj ), i = 1, 2, . . . , j = 1, 2, . . .
XX
i
pij = 1
17
18
X\Y
y1
y2
...
yn
x1
x2
..
.
p11
p21
..
.
p12
p22
..
.
...
...
..
.
p1n
p2n
..
.
p1
p2
..
.
xm
pm1
pm2
...
pmn
pm
p1
p2
...
pm
= P (Y = yj ) =
X
j=1
P (X = xi , Y = yj ) =
j=1
P (X = xi , Y = yj ) =
i=1
pij ,
i = 1, 2, . . .
pij , j = 1, 2, . . .
i=1
Definio 3.5 (Funo de probabilidade condicional). Seja (X, Y ) um par aleatrio discreto.
Define-se probabilidade condicional de X dado Y = yj como,
P (X = xi |Y = yj ) =
pij
P (X = xi , Y = yj )
=
,
P (Y = yj )
pj
se
P (Y = yj ) > 0,
se
P (X = xi ) > 0.
pij
P (X = xi , Y = yj )
=
,
P (X = xi )
pi
i, j.
Exemplo 3.7. Seja (X, Y ) um par aleatrio discreto com a seguinte f.p.c.:
X \ Y
0
1
2
0
1/4
1/8
0
3/8
1
1/8
1/8
0
1/4
2
0
1/8
1/4
3/8
3/8
3/8
1/4
(Soluo: 1/8)
(Soluo: 3/8)
(Soluo: X e Y no so independentes)
19
3.2
Definio 3.8 (Par aleatrio contnuo). Um par aleatrio (X, Y ) diz-se contnuo se existe uma
funo no negativa fX,Y tal que, tal que, para qualquer regio I R2 ,
P ((X, Y ) I) =
Z Z
R + R +
(x, y) R2 ;
fX (x) =
x R
fY (y) =
y R
Definio 3.10 (Funo densidade condicional). Em todos os pontos (x, y) onde fX,Y
contnua, fY (y) > 0 e contnua, a funo densidade condicional de X, dado Y = y, existe e
calcula-se como:
fX|Y (x|y) =
fX,Y (x, y)
.
fY (y)
De modo anlogo, em todos os pontos (x, y) onde fX,Y contnua, fX (x) > 0 e contnua, a
funo densidade condicional de Y , dado X = x, existe e calcula-se como:
fY |X (y|x) =
fX,Y (x, y)
.
fX (x)
Definio 3.11 (Independncia entre variveis aleatrias contnuas). Seja (X, Y ) um par
aleatrio contnuo. As variveis X e Y dizem-se independentes se e s se
fX,Y (x, y) = fX (x)fY (y),
(x, y) R2
20
Exemplo 3.12. Os tempos de vida, em centenas de horas, das duas componentes principais de
um sistema de controlo so v.a.s (X, Y ) com funo densidade conjunta
(
cx2 y
0 < x < 3, 0 < y < 2
0
outros valores de (x, y) R2
fX,Y (x, y) =
Z 2 Z 3
cx2 y dx dy = 1 c =
1
18
(b) Qual a probabilidade de cada uma das componentes durar mais de 100 horas?
P (X > 1, Y > 1) =
Z 2Z 3
1
1
18
x2 y dxdy =
13
18
R +
f(X,Y ) (x, y) dy =
Z
P (X > 1)
fX dx =
=
1
R2
1 2
x y
0 18
dy =
x2
9 ,
x2
26
dx =
9
27
f (x, y)
y/2
0
0<y<2
o. v. de y
1 2
18 x y
fX (x) =
x2 /9
0
0<x<3
o. v. de x
3.3
Definio 3.13 (Valor mdio). Seja (X, Y ) um par aleatrio e g : R2 R uma funo real.
Define-se valor mdio ou valor esperado ou mdia de g(X, Y ) como:
E(g(X, Y )) =
P P
g(xi , yj )pij
se X e Y so v.a.s discretas;
i=1 j=1
+
R +
R
E(XY ) =
P P
xi yj pij
i=1 j=1
+
R +
R
se X e Y so v.a.s discretas;
21
Proposio 3.15. Caso exista a covarincia entre X e Y , esta pode ser calculada atravs da
frmula:
Cov (X, Y ) = E (XY ) E (X) E (Y ) .
22
Captulo 4
Principais Distribuies
4.1
Distribuies discretas
4.1.1
Distribuio Uniforme
Definio 4.1 (Distribuio Uniforme Discreta). Dizemos que a varivel aleatria X segue uma
distribuio Uniforme Discreta de parmetro n e escrevemos X U nif (n), ou abreviadamente,
X U (n), se a funo de probabilidade de X dada por:
(
1
n
1
n
... n
. . . n1
ou
P (X = x) =
1
,
n
x = 1, . . . , n.
F (x) =
0,
x<1
k
n,
k = 1, . . . , n 1 .
k x < k + 1,
1,
xn
Proposio 4.2 (Valor mdio e Varincia). Considere a v.a. X U nif (n). Ento,
E(X) =
Demonstrao.
E(X) =
n+1
2
V (X) =
n2 1
.
12
1
n
X
x=1
n
1
1X
1 n(n + 1)
n+1
=
x=
=
.
n
n x=1
n
2
2
Para calcular a varincia, mais fcil utilizar o resultado V (X) = E(X 2 ) E 2 (X). Assim,
n
1X
1 n(n + 1)(2n + 1)
(n + 1)(2n + 1)
E(X ) =
x
=
x2 =
=
.
n
n
n
6
6
x=1
x=1
2
Logo V (X) =
n
X
21
(n+1)(2n+1)
6
n+1
2
2
n2 1
12 .
n(n+1)
2
23
e 12 + 22 + 32 + . . . + n2 =
n(n+1)(2n+1)
,
6
n N,
24
4.1.2
Distribuio de Bernoulli
Definio 4.3 (Prova de Bernoulli). Trata-se de um experincia aleatria com apenas dois
resultados possveis (que se costumam designar por Sucesso ou Insucesso).
Definio 4.4 (Distribuio de Bernoulli). sempre possvel definir uma varivel aleatria X
que toma o valor 1 se o resultado da experincia Sucesso e 0 se Insucesso. Denotando
p = P (Sucesso) > 0, ento a funo de probabilidade de X dada por:
(
0
1
1p p
P (X = x) = px (1 p)1x ,
ou
x = 0, 1,
0 < p < 1.
4.1.3
Distribuio Binomial
Definio 4.6 (Distribuio Binomial). Considere-se uma sucesso de provas de Bernoulli independentes, onde em cada prova a probabilidade de sucesso, p, constante. A v.a. X=
nmero de sucessos em n provas de Bernoulli segue uma distribuio Binomial de parmetros
n e p, e escrevemos X Bin(n, p). A funo de probabilidade :
!
px (1 p)nx ,
x = 0, 1, . . . , n,
2
x
P(X=k)
0.1
0.2
0.3
0.4
0.5
0.0
0.1
0.2
P(X=k)
0.3
0.4
0.4
0.3
P(X=k)
0.2
0.1
0.0
Bin(n=4 , p=0.75)
0.5
Bin(n=4 , p=0.5)
0.5
Bin(n=4 , p=0.25)
0 < p < 1.
2
x
0.0
P (X = x) =
n
x
Figura 4.1: Grficos da funo de probabilidade de uma v.a. Bin(4, p), para alguns valores de p.
25
Proposio 4.8 (Valor mdio e Varincia). Considere a v.a. X Bin(n, p). Ento,
E(X) = np
Exemplo 4.9 (Exame de P.E. D - 2007/08). Num concurso de televiso o apresentador prope ao
concorrente o seguinte jogo: atiram-se ao ar 3 moedas, em simultneo, e se todos os lanamentos
resultarem em caras o apresentador d 10 e ao concorrente; Se todos os lanamentos resultarem
em coroas o apresentador d igualmente ao concorrente 10 e. Mas se os lanamentos resultarem
em 2 caras e 1 coroa ou em 2 coroas e 1 cara, o concorrente tem de dar ao apresentador 5 e.
(a) Represente X a quantidade de dinheiro ganha pelo concorrente. Determine a sua funo
de probabilidade.
(b) Baseado no valor esperado de X, diga se o concorrente deve aceitar jogar este jogo.
Resoluo:
(a) Considere a v.a. Y: nmero de caras obtidas em 3 lanamentos de uma moeda (equilibrada). Ento como em cada lanamento o resultado cara (sucesso) ou coroa (insucesso)
e os resultados dos lanamentos so mutuamente independentes, Y Bin(3, 1/2).
Como P (X = 5) = P (Y = 1) + P (Y = 2) = 3/4 e P (X = 10) = P (Y = 0) + P (Y =
3) = 1/4, resulta a seguinte funo de probabilidade:
X
5
3/4
10
1/4
26
Sm =
Xi Bin(n1 + . . . + nm , p).
i=1
4.1.4
Distribuio Geomtrica
x = 1, 2, . . . ,
0 < p < 1.
Observao: O nome desta distribuio deve-se ao facto da sucesso das probabilidades ser uma
progresso geomtrica de razo 1 p.
0.4
0.3
P(X=k)
10
15
20
0.0
0.1
0.2
0.3
0.2
0.0
0.1
P(X=k)
0.4
0.5
G(0.5)
0.5
G(0.25)
10
15
20
Figura 4.2: Grficos da funo de probabilidade de uma v.a. G(p), para alguns valores de p.
1
p
V (X) =
1p
p2
Demonstrao. O clculo do valor mdio e da varincia mais fcil se usarmos alguns dos resultados das sries de funes: Assim seja S(r) =
Resulta que:
1. S(r) =
P
1
rk = 1r
,
|r| < 1;
k=0
2. S 0 (r) =
P
k=1
krk1 =
1
,
(1r)2
|r| < 1;
k=0 r
27
3. S 00 (r) =
k(k 1)rk2 =
k=2
2
,
(1r)3
|r| < 1.
Assim,
E(X) =
x=1
Para se conseguir calcular a varincia, de um modo mais fcil, usa-se mais uma vez o resultado
V (X) = E(X 2 ) E 2 (X). Tem-se,
E(X 2 ) =
=
x2 p(1 p)x1 =
x=1
x=1
x1
x(x 1) p(1 p)
x=1
x p(1 p)x1 =
x=1
= p(1 p)
x=2
= p(1 p) p23 +
1
p
2(1p)+p
p2
2p
p2
Ento,
V (X) =
2p
p2
1
p2
1p
.
p2
4.1.5
Distribuio Hipergeomtrica
Definio 4.15 (Distribuio Hipergeomtrica). Considere-se uma populao de N elementos, dos quais M possuem determinada caracterstica e os restantes (N M ) no a possuem
(dicotomia). Considere-se a experincia aleatria que consiste em seleccionar ao acaso e sem
reposio n elementos (amostra). Associada a esta experincia aleatria, defina-se a v.a. X - no
28
de elementos com a caracterstica, entre os seleccionados sem reposio. Esta v.a. X tem uma
funo de probabilidade,
P (X = x) =
M N M
x
nx
,
N
n
e diz-se ter distribuio Hipergeomtrica de parmetros (N, M, n) (pode ser escrito abreviadamente X H(N, M, n)).
Proposio 4.16 (Valor mdio e Varincia). Seja a v.a. X H(N, M, n). Ento:
E(X) = n M
N
M
V (X) = n N 2 (N
(N M )(N n).
1)
Exemplo 4.17. Num aqurio existem 9 peixes, dos quais 5 esto saudveis (S) e os restantes 4
esto doentes (D). Considere-se a experincia aleatria: extraco ao acaso e sem reposio de
3 peixes e registo do seu estado de sade. Associada a esta experincia, considere-se a v.a. X nmero de peixes saudveis na amostra extrada de 3 peixes. Quantos peixes saudveis esperamos
encontrar em cada extraco?
Resposta: Como X H(9, 5, 3), o nmero de peixes saudveis, que esperamos encontrar em
cada extraco de 3 peixes, E(X) = 5/3.
(M )(N M )
P (X = x) = x Nnx
(n)
n
(M/N )x (1 M/N )nx .
x
29
4.1.6
Distribuio de Poisson
Definio 4.18 (Processo de Poisson). Suponha que estamos interessados em estudar a varivel
aleatria X que conta o nmero de ocorrncias de um acontecimento num dado intervalo de
tempo2 de durao t (por exemplo, o nmero de acidentes rodovirios ocorridos num dia ou o
nmero de clientes que entram numa loja durante 1 hora). Temos um processo de Poisson de
parmetro > 0, quando se verificam as seguintes condies:
1. A probabilidade p de ocorrer exactamente um acontecimento num intervalo de amplitude
arbitrariamente pequena d proporcional sua durao, isto , p = d;
2. A probabilidade de ocorrer mais do que um acontecimento num intervalo de amplitude
arbitrariamente pequena aproximadamente igual a zero;
3. O nmero de acontecimentos que ocorrem em dois intervalos disjuntos so independentes.
4. O nmero de ocorrncias em dois intervalos com a mesma durao, tm a mesma distribuio.
n
x
x
n
nx
,
n
x = 0, 1, . . . , n.
Se n ,
P (X = x) = lim
n
x
x
n
nx
n
e x
x!
x = 0, 1, . . . , n.
Definio 4.19 (Distribuio de Poisson). Dizemos que a varivel aleatria X segue uma
distribuio de Poisson de parmetro , e escrevemos X P (), se a funo de probabilidade
de X :
P (X = x) =
e x
,
x!
x = 0, 1, 2, . . . , > 0.
30
t = 180
P(X=k)
P(2)
10
15
20
P(X=k)
10
15
20
Figura 4.3: Funo de probabilidade de uma v.a. P (), para alguns valores de .
Proposio 4.20 (Valor mdio e Varincia). Seja X uma v.a. com distribuio P (). Ento,
E(X) =
V (X) = .
lim
n
np
n x
x
p (1 p)(nx) = e ,
x
x!
x = 0, 1, 2, . . .
m
X
i=1
Xi P (1 + . . . + m ).
31
4.2
Distribuies Contnuas
4.2.1
Definio 4.22 (Distribuio Uniforme Contnua). Dizemos que a varivel aleatria X segue
uma distribuio Uniforme (contnua) no intervalo [a, b], < a < b < +, e escrevemos
X U nif (a, b), ou X U (a, b), se a funo densidade probabilidade de X dada por:
1
ba
, axb
0,
c.c.
f (x) =
F (x) =
0,
xa
ba ,
1,
x<a
ax<b
xb
f (x)
6
F (x)
6
1
ba
1
Figura 4.4: Funo densidade (esquerda) e funo de distribuio (direita) de uma v.a. U (a, b).
Proposio 4.23 (Valor mdio e Varincia). Seja a v.a. X U (a, b). Ento:
E(X) =
a+b
2
V (X) =
(b a)2
.
12
Demonstrao.
Z b
Z +
E(X) =
xf (x)dx =
"
x
x2
dx =
ba
2(b a)
#a
=
b
b2 a2
a+b
=
2(b a)
2
Como,
2
Z +
E(X ) =
x f (x)dx =
Z b
x2
a
"
x3
dx =
ba
3(b a)
#a
=
b
b2 + ab + a2
,
3
32
b2 + ab + a2 (a + b)2
b2 + a2 2ab
(b a)2
=
=
.
3
4
12
12
4.2.2
Distribuio Exponencial
Comeamos por introduzir a funo Gama, presente em muitos livros de Anlise Matemtica.
A funo Gama corresponde ao integral:
Z
(a) =
xa1 ex dx,
a>0
(4.1)
3. (1/2) =
4.
nN
R 1 x
e
dx = ()
0 x
.
Definio 4.25 (Distribuio Exponencial). Uma varivel aleatria X diz-se seguir uma distribuio Exponencial de parmetro , e escrevemos X Exp(), se a sua funo densidade
probabilidade for dada por:
(
f (x) =
0,
x 0;
x
e
, x > 0;
> 0.
F (x) =
0,
x0
1 ex , x > 0
33
1.0
1.0
0.6
0.4
0.2
0
0.0
0.0
0.2
0.4
0.6
0.8
=1
=2
0.8
=1
=2
Figura 4.5: Funo densidade (esquerda) e funo de distribuio (direita) de uma v.a. Exp().
Proposio 4.26 (Valor mdio e Varincia). Considere a v.a. X Exp(). Ento,
E(X) =
V (X) =
1
.
2
Demonstrao. Vamos utilizar as propriedades da funo Gama para calcular o valor mdio.
Assim,
Z
Z +
x e
xf (x)dx =
E(X) =
dx =
x21 ex dx =
(2)
1
= .
2
1
.
2
Proposio 4.27 (Relao entre a distribuio Exponencial e Poisson). Considere um acontecimento que ocorre de acordo com um Processo de Poisson de parmetro , por unidade de
tempo. Ento, o tempo at primeira ocorrncia e o tempo entre duas ocorrncias consecutivas
tem distribuio Exp().
Exemplo 4.28. Admita que o nmero de avarias de uma fotocopiadora um processo de Poisson
com taxa =5/ano. Calcule a probabilidade do tempo entre avarias consecutivas ser inferior a
um ms.
Resoluo: O tempo X entre avarias consecutivas tem distribuio Exp(5). Assim, a probabilidade pedida :
P (X < 1/12) = FX (1/12) = 1 e/12 = 1 e5/12 = 0.3408.
34
4.2.3
Distribuio Gama
f (x) =
x 0;
x > 0;
0,
1
1
() x
ex ,
F (x) =
0,
Rx
1
1
0 () t
x0
et dt, x > 0
V (X) =
.
2
f (x) =
0,
1
1
(1)! x
ex ,
x 0;
x > 0;
x0
0,
1e
1
P
i=0
(x)i
i!
, x>0
n
X
Xi G(n, ).
i=1
Exemplo 4.33. Admita que o nmero de avarias de uma fotocopiadora um processo de Poisson
com taxa =5/ano. O tempo Y que decorre at segunda avaria uma varivel aleatria
G(2, 5). A probabilidade da segunda avaria ocorrer aps 6 meses
1
X
(5/2)i
i=0
i!
= e5/2
7
2
= 0.2873
35
4.2.4
Distribuio Normal
Definio 4.34 (Distribuio Normal). Uma varivel aleatria X diz-se seguir uma distribuio
Normal de parmetros e 2 , e escrevemos X N (, 2 ), se a sua funo densidade probabilidade for dada por:
f (x) =
(x)2
1
e 22 ,
2
x R, R, > 0.
F (x) =
(t)2
1
e 22 dt,
2
para o qual no existe soluo analtica. assim necessrio recorrer a mtodos numricos para
obter os valores desta funo.
1.0
0.4
=0, =1
=0, =1.5
0.2
4
0.0
0.0
0.1
0.4
0.2
0.6
0.3
0.8
=0, =1
=0, =1.5
Figura 4.6: Funo densidade (esquerda) e funo de distribuio (direita) de uma v.a. N (, ).
Observaes:
Esta distribuio tambm conhecida pelo nome de Gaussiana ou distribuio de Gauss.
Quando = 0 e = 1, a v.a. toma o nome de Normal reduzida. Neste caso costume
representar por e , respectivamente, a funo densidade e funo de distribuio.
A distribuio Normal simtrica em torno de .
V (X) = 2 .
X
N (0, 1).
36
ai 6= 0, temos que:
Y = a1 X1 + . . . + an Xn N a1 1 + . . . + an n , a21 12 + . . . + a2n n2 .
{z
=Y
{z
2
=Y
Note que:
Y
Y2
= E(Y ) = E
= V (Y ) = V
n
X
i=1
n
X
n
X
i=1
n
X
ai Xi =
ai Xi =
i=1
4.2.5
ai E (Xi ) =
a2i V (Xi ) =
n
X
i=1
n
X
i=1
a i i
a2i i2
i=1
Definio 4.39 (Distribuio do Qui Quadrado). Uma varivel aleatria X diz-se seguir uma
distribuio Qui-quadrado com n graus de liberdade, e escrevemos X 2n , se a sua funo
densidade probabilidade for dada por:
f (x) =
1
ex/2 xn/21 ,
(n/2)2n/2
x>0
0,
x0
1.0
1.0
0.6
0.4
0.2
0
2
x
0.0
0.0
0.2
0.4
0.6
0.8
n=1
n=3
0.8
n=1
n=3
Figura 4.7: Funo densidade (esquerda) e funo de distribuio (direita) de uma v.a. 2n .
37
V (X) = 2n.
4.2.6
Distribuio t de Student
Definio 4.42 (Distribuio t de Student). Uma v.a. T diz-se ter distribuio t de Student
com n graus de liberdade, e escreve-se T tn , se a sua funo densidade probabilidade dada
por:
f (t) =
n
2
n+1
2
1+
t2
n
(n+1)
2
t R.
1.0
Funo de distribuio
0.4
Funo densidade
n=1
n=3
0.2
4
0.0
0.0
0.1
0.4
0.2
0.6
0.3
0.8
n=1
n=3
Figura 4.8: Funo densidade (esquerda) e funo de distribuio (direita) de uma v.a. tn .
Proposio 4.43 (Valor mdio e Varincia). Seja X tn . Ento,
n
E(X) = 0, n > 1,
e
V (X) =
, n > 2.
n2
Teorema 4.44. Sejam X N (0, 1) e Y 2n , com X e Y independentes. Ento a varivel
aleatria,
X
T =p
,
Y /n
tem distribuio t de Student com n graus de liberdade.
38
Captulo 5
Pn
i=1 Xi
Sn n
.
n
e,
(5.1)
Sn n a
N (0, 1).
n
Xn
n
,
onde X n representa a mdia Sn /n. O Teorema Limite Central pode assim tambm ser enunciado
em relao mdia das variveis aleatrias Xi , em vez da soma, Sn .
Observao: O Teorema Limite Central no indica nada sobre a velocidade de convergncia de
Zn para a distribuio N (0, 1). Essa velocidade de convergncia depende da distribuio das
v.a.s Xi . Na prtica, este teorema usa-se muitas vezes quando n 30 (embora este valor nem
sempre garanta uma boa aproximao).
Exemplo 5.2. Num estudo sobre vendas num hipermercado, concluiu-se que a procura diria de
arroz (em Kg) uma v.a. com valor mdio 40Kg e desvio-padro 5Kg. Tendo sido encomendado
14.500Kg de arroz para venda venda no prximo ano, qual a probabilidade deste stock cobrir a
procura de arroz nesse perodo? (Considere-se um ano com 364 dias).
39
40
Resoluo: Seja Xi = procura de arroz no dia i, i = 1, 2, . . . , 364 e admitamos que estas v.a.s
so i.i.d.. Sabemos que:
E (Xi ) = 40Kg, V (Xi ) = 25Kg 2 ,
i = 1, 2, . . . , 364.
364
X
i=1
Ignoramos qual a distribuio de S364 , mas como se trata de uma soma de um grande nmero de
v.a.s i.i.d. (364 > 30), ento pelo T.L.C.,
S364 364 40
S364 14.560 a
=
N (0, 1).
364 5
364 5
Assim,
S364 14.560
14.500 14.560
14.500) = P
364 5
364 5
P (Z 0.63) = (0.63) = 1 (0.63) = 1 0.7357 = 0.2643.
P (S364
1010
3
910
3
= (0) (0.33) =
100
10
90
10 0.1 0.9
= 0.1319.
Corolrio 5.5. Seja X uma v.a. com distribuio Poisson de parmetro . Se > 5, ento:
a
X N (, ).
241230
230
P Z
240230
230
Captulo 6
Estimao Pontual
6.1
42
Definio 6.6 (Estimador pontual e estimativa pontual). Seja (X1 , X2 , . . . , Xn ) uma amostra
aleatria de dimenso n duma populao com funo de distribuio F (x|), com parmetro
= h(X1 , X2 , . . . , Xn ) um estimador pontual de . Depois da
desconhecido . A estatstica
amostra ter sido recolhida, o valor particular de = h(x1 , x2 , . . . , xn ), designado estimativa
pontual de .
Tabela 6.1: Alguns dos parmetros populacionais que interessam estimar e respectivos estimadores
pontuais.
Parmetro Populacional
Estimador Pontual
Mdia populacional
Mdia amostral
X=
Varincia populacional
2
S2 =
1
n1
Xi
i=1
n
P
(Xi X)2
i=1
S=
Proporo populacional
p
6.2
n
P
Varincia amostral
1
n
1
n1
n
P
(Xi X)2
i=1
Proporo amostral
P = X
n
43
centrado,
Definio 6.8 (Erro Padro de um estimador). Dado um estimador pontual ,
define-se o seu erro padro, SE , por
SE =
V ().
Caso o erro padro envolva parmetros desconhecidos, que possam ser estimados a partir dos
valores da amostra, a substituio destes valores estimados no erro padro produz o chamado
d.
erro padro estimado, denotado por SE
1 e
2 dois estimador pontuais, centrados para . Diz-se
Definio 6.9 (Eficincia). Sejam
1 mais eficiente que
2 , se e s se, SE SE .
que
1
n
1 X
Xi =
i=1
n
n
1X
1
1X
E(Xi ) =
= n = ,
n i=1
n i=1
n
V (X) = V
=
1
n2
ou seja, SEX =
n
X
1
= 2V
n
V (Xi ) =
i=1
1
n2
n
X
i=1
n
X
Xi
i=1
2 =
1
2
2
n
=
,
n2
n
V (X) = .
n
1
,
nI()
com I() = E
2 ln f (X|)
2
44
2 ln P (X|)
1
= 2.
2
Logo,
I() = E
2 ln P (X|)
Conclui-se assim que, V ()
1
.
2
1
nI()
centrado para .
= n , para qualquer estimador ,
Exemplo 6.14 (Consistncia da Mdia amostral). Seja (X1 , X2 , . . . , Xn ) uma amostra aleatria
de uma populao com valor mdio e varincia 2 . Sabemos que X estimador centrado do
2
n .
Como ,
2
= = 0,
lim V ()
n
n
6.3
Definio 6.15 (Mtodo dos Momentos). Seja (X1 , X2 , . . . , Xn ) uma amostra aleatria, retirada de uma populao cuja distribuio depende de k parmetros desconhecidos, 1 , 2 , . . . , k .
O mtodo dos momentos consiste em utilizar os momentos da amostra para estimar os respectivos
momentos da populao, e consequentemente os parmetros desconhecidos. Os estimadores de
momentos, 1 , 2 , . . . , k , so os que resultam da resoluo do sistema de k equaes a k incgnitas,
m1 = M1
m2 = M2
m3 = M3
..
.
m
k
mj = E(X j )
onde
Mj =
1
n
n
P
i=1
Xij
(m1 = E(X))
(M1 = X)
= Mk
Observao: Caso alguma das k equaes no contenha qualquer informao sobre os parmetros, essa equao deve ser substituda pela equao j = Mj , com j > k.
45
Inconvenientes:
1. Por vezes no existe uma escolha unvoca;
2. Por vezes a soluo inadmissvel;
E(X) = X
= X.
= X.
O estimador dos momentos de ,
Exemplo 6.17 (Estimador dos momentos de 2 do modelo N (0, 2 )). Seja (X1 , X2 , . . . , Xn )
uma amostra aleatria, retirada de uma populao com distribuio Normal de valor mdio 0
(conhecido) e varincia 2 (desconhecida). A soluo da primeira equao :
E(X) = X
0 = X.
Contudo, como esta primeira equao no contm o parmetro que interessa estimar, devemos
considerar a segunda equao:
E(X 2 ) = M2
n X2
P
i
i=1
2 = M2 .
E(X) = X
m2 = M2
a+b
2
=X
2
2
(ba) + a+b = M2
12
2
a = X 3(M X 2 )
2
q
,
2
b=X+
3(M2 X )
e b = X +
3(M2 X );
3(M2 X )
46
6.4
Este mtodo um pouco mais complicado que o anterior. Contudo, os estimadores obtidos por
este mtodo tm melhores propriedades tericas. O mtodo apresentado apenas para populaes
cuja distribuio tem apenas um parmetro desconhecido.
Seja (X1 , X2 , . . . , Xn ) uma amostra aleatria, isto , um conjunto de n v.a.s i.i.d. com funo
densidade comum f (x|) onde um parmetro desconhecido. A funo densidade conjunta da
amostra aleatria
f (x1 , x2 , . . . , xn |) =
n
Y
f (xi |).
i=1
Observao: Caso a populao tenha distribuio discreta, devemos substituir a funo densidade pela funo de probabilidade.
n
Y
f (xi |).
i=1
geralmente mais fcil trabalhar com a funo log-verosimilhana, isto , com o logaritmo da
funo verosimilhana:
l() = ln L() =
n
X
ln f (xi |).
i=1
Exemplo 6.20 (Funo log-verosimilhana do modelo de Poisson()). Considere uma populao com distribuio Poisson com parmetro desconhecido . Ento, observada a amostra
(x1 , x2 , . . . , xn ), e admitindo que xi N0 , i = 1, 2 . . . , n, a funo log-verosimilhana :
l() = ln L() =
n
X
i=1
ln e
xi
xi !
= n +
n
X
i=1
xi ln
n
X
ln(xi !).
i=1
47
Se L(), ou equivalentemente l(), regular (duas vezes diferencivel e com suporte independente de ) o mximo obtido por derivao, isto , obtido atravs da resoluo de:
l()
= 0,
2 l()
< 0.
2
n +
n
1X
xi = 0
i=1
n
X
xi /n,
i=1
= X.
isto , o estimador de mxima verosimilhana de
= g();
6.5
Nesta seco vamos estudar a distribuio por amostragem dos estimadores pontuais da Tabela
6.1.
6.5.1
48
1. Suponhamos a populao tem distribuio Normal e que o valor da varincia da populao conhecido. Consequentemente, tendo em conta as propriedades da distribuio
normal, X N (, 2 /n), ou seja,
Z=
X
N (0, 1).
/ n
(6.1)
X
N (0, 1)
/ n
(n 1)S 2
2n1 .
2
Como a populao tem distribuio Normal, podemos assegurar que Z e S 2 so v.a. independentes (demonstrao fora do mbito desta disciplina). Pelo Teorema 4.44,
X
X
/ n
=r
T =
tn1 .
S/ n
(n1)S 2 / 2
(6.2)
(n1)
X a
N (0, 1).
/ n
(6.3)
X a
N (0, 1).
/ n
X a
N (0, 1).
S/ n
(6.4)
49
6.5.2
Aqui consideramos apenas um de muitos casos possveis. Supondo que foram seleccionadas, de
forma independente, duas amostras aleatrias de dimenses n1 e n2 , respectivamente, de duas
populaes Normais independentes com varincias conhecidas dadas, respectivamente, por 12 e
22 . Sejam X 1 e X 2 as mdias das duas amostras aleatrias. Neste contexto, a distribuio por
amostragem de X 1 X 2 ainda Normal, por ser a combinao linear de variveis aleatrias
normais independentes:
Z=
6.5.3
(X 1 X 2 ) (1 2 )
r
12
n1
N (0, 1).
22
n2
6.5.4
1
n1
Pn
i=1
Xi X
2
dada por:
(n 1)S 2
2n1 .
2
Admita que os elementos de determinada populao possuem uma dada caracterstica, com uma
certa probabilidade p desconhecida, independentemente uns dos outros. Suponhamos que se
selecciona uma amostra aleatria de n elementos desta populao. Se X denotar o nmero
de elementos da amostra aleatria que possuem a referida caracterstica, sabemos que X
Bin(n, p). Se o tamanho da amostra for suficientemente grande, o Teorema Limite Central
justifica que:
X np
a
N (0, 1).
Z=p
np(1 p)
Como p pode ser estimado pontualmente pela proporo de elementos da amostra possuem a
referida caracterstica, P = X , a distribuio por amostragem aproximada de P
n
Z=p
P p
a
N (0, 1).
p(1 p)/n
50
Estimador
Populao
2 conhecida
Distribuio
X
/ n
Z=
Normal de mdia
2 desconhecida
T =
S/ n
tn1
Pop. no-Normal
2 conhecida
Z=
a
X
/ n
N (0, 1)
de mdia e n 30
2 desconhecida
Z=
a
X
S/ n
N (0, 1)
Z=
(X 1X
q 2 )(12 )
2 Populaes independentes,
X 1 X 2
N (0, 1)
2
2
1+ 2
n1
n2
N (1 , 12 ) e N (2 , 22 ),
com 12 e 22 conhecidas
S2
N (0, 1)
Z=
a
P p
p(1p)/n
X2 =
(n1)S 2
2
N (0, 1)
2n1
Captulo 7
T2 = (X1 , X2 , . . . , Xn ),
tais que P (T1 < < T2 ) = 1 , onde ]0, 1[ no depende de . Ento ]T1 , T2 [ um
intervalo aleatrio para .
t2 = T2 (x1 , x2 , . . . , xn ),
52
Definio 7.3 (Varivel Pivot ou Fulcral). Seja (X1 , X2 , . . . , Xn ) uma amostra aleatria, retirada de uma populao com funo de distribuio F de parmetro . A funo T (X1 , X2 , . . . , Xn )
uma varivel pivot, ou fulcral, se a sua distribuio for independente de .
Observao: As variveis aleatrias Z, T e X 2 , apresentadas na Tabela 6.2, so variveis Pivot.
7.1
7.1.1
Suponhamos que seleccionmos uma amostra aleatria (X1 , X2 , . . . , Xn ) de uma populao Normal, de varincia 2 conhecida, com a qual pretendemos construir um intervalo de confiana
(1 ) 100% para .
Escolha da estatstica pivot:
Z=
X
N (0, 1);
/ n
53
(7.1)
0.2
0.3
0.4
0.0
0.1
z/2 <
z/2
Logo,
P z/2 < Z < z/2 = P X z/2 < < X + z/2
= 1 .
n
n
h
IC(1)100% () x z/2 ; x + z/2 .
n
n
Exemplo 7.5. Considere a populao do peso das formigas Solenopsis, medido em dcimas de
grama, que sabemos ter distribuio Normal com mdia e varincia 2 = 22 , X N (, 22 ).
Desta populao observmos a amostra de 4 pesos, (8, 13, 9, 8.5), a qual usmos para obter uma
54
X
,
/ n
Z=
0.2
0.3
0.4
Seja z0.025 um valor tal que P (z0.025 < Z < z0.025 ) = 0.95, conforme a Figura 7.2 ilustra. Para
0.0
0.1
0.95
z0.025
z0.025
X
< 1.96
1.96 <
2/ 4
= 0.95
Logo, o intervalo aleatrio, para , com 95% de confiana X 1.96; X + 1.96 . Concretizando
este intervalo para a amostra observada, (x1 , x2 , x3 , x4 ) = (8, 13, 9, 8.5), obtemos o intervalo de
confiana a 95% para :
IC95% () = ]x 1.96 ; x + 1.96[ = ]9.625 1.96 ; 9.625 + 1.96[ =]7.665 ; 11.585[.
55
Observao: Vejamos agora o que sucede aumentando a confiana do intervalo para 99%. Como
Z0.005 2.58,
X
< 2.58 = 0.99
P (Z0.005 < Z < Z0.005 ) = 0.99 P 2.58 < 2/
4
P X 2.58 2/ 4 < < X + 2.58 2/ 4 = 0.99
7.1.2
T =
X
tn1 .
S/ n
0.0
tn1::
tn1::
56
X
< tn1,/2
S/ n
S
S
tn1,/2 < X < tn1,/2
n
n
S
S
tn1,/2 X < < tn1,/2 X
n
n
S
S
X tn1,/2 < < X + tn1,/2
n
n
Assim, obtemos o seguinte intervalo de confiana (1 ) 100% para :
i
s
s h
IC(1)100% () x tn1,/2 ; x + tn1,/2 .
n
n
7.1.3
Supondo que seleccionmos uma amostra aleatria de dimenso n > 30, (X1 , X2 , . . . , Xn ), de
uma populao no-normal com mdia e varincia conhecida 2 , e com a qual pretendemos
construir um intervalo de confiana (1 ) 100% para :
Escolha da estatstica pivot: Z =
/ n
N (0, 1).
e c2 = z/2 ,
com
z/2 = 1 (1 /2).
= 1 .
P z/2 < Z < z/2 = P X z/2 < < X + z/2
n
n
h
IC(1)100% () x z/2 ; x + z/2 .
n
n
7.1.4
Admitindo que seleccionmos uma amostra aleatria de dimenso n > 30, (X1 , X2 , . . . , Xn ), de
uma populao com distribuio no-normal, com mdia e varincia 2 , ambos desconhecidos.
Pretendemos um intervalo de confiana (1 ) 100% para . Como usamos a estatstica pivot:
Z=
X a
N (0, 1),
S/ n
57
a determinao do intervalo de confiana para feita de forma anloga ao caso anterior (substituindo por S).
Obtemos assim, o seguinte intervalo de confiana (aproximado) (1 ) 100% para :
i
s
s h
IC(1)100% () x z/2 ; x + z/2 .
n
n
Exemplo 7.6 (Exame de P.E. D - 2005/06). Queremos estudar h quanto tempo residem nas
suas moradas actuais as pessoas de certa cidade na provncia. Uma amostra aleatria de 41
famlias revelou uma mdia de 35 meses de residncia e um desvio padro de 6.3 meses.
a) Qual a sua melhor estimativa do tempo mdio de residncia da populao desta cidade?
b) Deduza um intervalo de confiana a 98% para o verdadeiro tempo mdio de residncia.
Justifique o seu procedimento.
Resoluo:
a) Para estimar a mdia da populao vamos usar o estimador mdia da amostra, X. Trata-se
do estimador da mdia que possui duas propriedades importantes: centrado para e
consistente. Neste exerccio, a estimativa do tempo mdio de residncia da populao
x = 35 meses.
b) Para deduzir o intervalo de confiana, vamos admitir que (X1 , X2 . . . , Xn ) uma amostra
aleatria com n > 30. Vamos considerar a estatstica pivot Z =
X
,
S/ n
0.2
0.3
0.4
X a
N (0, 1).
S/ n
0.1
0.98
0.0
Z=
2.32
2.32
58
Como P (z0.01 < Z < z0.01 ) = 0.98, onde z0.01 2.32, como indicado na Figura 7.4, e
z0.01 < Z < z0.01 2.32 <
S/ n
S
S
X 2.32 < < X + 2.32 ,
n
n
resulta que
S
S
= 0.98.
P X 2.32 < < X + 2.32
n
n
7.2
Vamos usar a estatstica pivot cuja distribuio por amostragem foi apresentada no captulo
anterior, isto , a estatstica pivot: X 2 =
(n1)S 2
2
2n1 ;
c1 = F1
,
2
n1 2
2
1
2
2
P (X > c2 ) =
P (X c2 ) = 1
c2 = F2
1
,
n1
2
2
2
P (X 2 < c1 ) =
onde F1
2
n1
Qui Quadrado.
e F1
2
n1
1
2
0.0
2n1::1 2
2n1:: 2
<X <
2n1,/2
2n1,1/2
(n 1)S 2
2n1,/2
1
< 2 <
(n 1)S 2
(n 1)S 2
(n 1)S 2
2
<
<
,
2n1,/2
2n1,1/2
conclumos que
(n 1)S 2
2n1,/2
< 2 <
(n 1)S 2
= 1 .
2n1,1/2
"
(n 1)s2
(n 1)s2
IC(1)100% ( ) =
;
.
2n1,/2
2n1,1/2
2
Observao: Como
P
(n 1)S 2
2n1,/2
v
u
v
u
u (n 1)S 2
u (n 1)S 2
(n 1)S 2
< 2 < 2
=P t 2
<<t 2
= 1 .
n1,1/2
n1,/2
n1,1/2
IC(1)100% () t 2
;
n1,/2
v
u
u (n 1)s2
.
t
2
n1,1/2
60
7.3
Vamos deduzir nesta seco um intervalo de confiana (1 ) 100% para a proporo populacional p. Consideramos a situao em que estamos interessados em estimar a proporo dos
elementos que, na populao, possuem determinada caracterstica, atravs da correspondente proporo amostral P , referente a uma amostra de dimenso suficientemente grande. Podemos assim
usar a seguinte estatstica pivot, cuja distribuio por amostragem foi considerada no captulo
anterior:
Escolha da estatstica pivot:
Z=p
P p
a
N (0, 1);
p(1 p)/n
(7.2)
z/2 < P p
P (1P )/n
z/2
z/2
q
q
P z/2
< z/2
P (1 P )/n
P (1 P )/n P
P (1 P )/n
Ento,
z/2
P
P p
< z/2
<p
p(1 p)/n
P P z/2
'
P (1 P )/n ' 1
p(1 p)/n .
61
Exemplo 7.7. Num inqurito destinado a estimar a proporo p da populao que tem TV por
cabo, foram inquiridas 200 pessoas, das quais 78 afirmaram ter este servio. Temos a estimativa
pontual da proporo da populao com TV por cabo p = 0.39. Como n = 200 > 30 e
z0.05 = 1.96, o intervalo de 95% de confiana para a proporo p :
0.39 1.96
Observao: Tal como j foi referido, tambm possvel resolverqas inequaes em (7.2) em orp
dem a p sem a substituio de p(1 p)/n, pela sua estimativa, P (1 P )/n. Esta resoluo,
embora tenha muito mais clculos, conduz-nos inequao:
1+
2
z/2
p2 2P +
2
z/2
p + P 2 < 0,
q
2 /(4n2 )
P (1 P )/n + z/2
2 /n
1 + z/2
2
P + z/2
/n + z/2
2 /(4n2 )
P (1 P )/n + z/2
2 /n
1 + z/2
62
Captulo 8
Teste de Hipteses
8.1
Introduo
Definio 8.1 (Hiptese Estatstica). Uma hiptese estatstica uma conjectura acerca da
distribuio de uma ou mais variveis aleatrias. Para cada hiptese que se faa, designada por
hiptese nula e denotada por H0 , h sempre outra hiptese, designada por hiptese alternativa
e denotada por H1 . Se a hiptese estatstica H0 especifica completamente a distribuio
chamada de hiptese simples. Caso contrrio chamada de hiptese composta.
Uma hiptese estatstica pode ser, ou no ser, verdadeira. A verdade ou falsidade nunca pode
ser confirmada, a menos que observssemos toda a populao, o que nalguns casos impraticvel
(quando a populao muito grande) ou at mesmo impossvel (no caso de populaes infinitas,
ou quando caracterstica em estudo leva destruio dos elementos observados).
Exemplo 8.2 (Hiptese Estatstica). Seja (X1 , X2 , . . . , Xn ) uma amostra aleatria da populao dos pesos das formigas Solenopsis anteriormente considerada. A hiptese estatstica de que
o peso mdio desta populao toma o valor 8dg denota-se por:
H0 : = 8 versus
H1 : 6= 8
(Hiptese simples)
H1 : 6= 8
A hiptese estatstica de que o peso mdio desta populao menor ou igual a 8dg denota-se
por:
H0 : 8 vs
H1 : > 8
(Hiptese composta).
63
64
Ao testarmos uma hiptese nula contra uma hiptese alternativa, a nossa atitude dever ser
admitir H0 como verdadeira at que os dados fornecidos pela amostra testemunhem fortemente
contra ela; nesse caso, H0 dever ser rejeitada a favor de H1 .
Definio 8.3 (Teste de Hipteses). Um teste de hipteses uma regra que nos permite
decidir se devemos, ou no, rejeitar H0 . Esta regra baseada no valor que a estatstica de teste
W assume. Assim se,
W (x1 , x2 , . . . , xn ) R, rejeita-se H0 (e aceita-se H1 como verdadeira);
W (x1 , x2 , . . . , xn )
/ R, no se rejeita H0 .
O conjunto R representa a regio crtica ou regio de rejeio.
Definio 8.4 (Erros de tipo I e de tipo II). Quando realizamos um Teste de Hipteses
podemos cometer um dos seguintes erros:
A rejeio de H0 quando ela verdadeira (erro de tipo I);
A no rejeio de H0 quando esta falsa (erro de tipo II).
Representamos por e , respectivamente, a probabilidade de ocorrer um erro de tipo I ou II,
isto ,
= P (erro de tipo I) = P (rejeitar H0 |H0 verdadeira);
= P (erro de tipo II) = P (no rejeitar H0 |H0 falsa).
Chamamos ainda nvel de significncia a e potncia do teste a 1. Os nveis de significncia
mais usuais so = 0.01, = 0.05 ou = 0.1.
Exemplo 8.5. Seja (X1 , X2 , . . . , Xn ) uma amostra aleatria da populao dos pesos das formigas
Solenopsis, isto , da populao X N (, 22 ). Um teste possvel para testar:
H0 : 8 vs
rejeitar H0 se
X8
2/ n
H1 : > 8,
> 1.64.
65
Regio de rejeio
] , c [ ] c, +[
ou
] 0, b [ ] c, +[
] , c [
ou
] 0, c [
] c, +[
8.2
valor-p
2 min P (W < wobs | H0 ), P (W > wobs | H0 )
P (W < wobs | H0 )
P (W > wobs | H0 )
De modo anlogo, ao efectuado no captulo anterior, a deduo do teste de hipteses para o valor
mdio da populao ser feito admitindo um dos seguintes pressupostos:
1. Populao Normal e Varincia conhecida;
2. Populao Normal e Varincia desconhecida;
3. Populao no-Normal e Varincia conhecida;
4. Populao no-Normal e Varincia desconhecida.
66
8.2.1
Teste bilateral
Vamos admitir que (X1 , X2 , . . . , Xn ) representa uma amostra aleatria de uma populao
Normal com varincia conhecida e que pretendemos testar
H0 : = 0
H1 : 6= 0
vs
(teste bilateral)
X
n
N (0, 1), embora o valor mdio, , seja desconhecido. Assim, vamos considerar a seguinte
estatstica de teste:
Z=
X 0
/ n
sob H0
N (0, 1).
0.0
Figura 8.1: Regio de rejeio para o teste bilateral para o valor mdio.
A regra de deciso do teste consiste em rejeitar H0 se zobs =
x
0
/ n
R , ou seja, se
Exemplo 8.7. Considere novamente o exemplo da populao dos pesos das formigas Solenopsis, isto , a populao X N (, 22 ), da qual observmos a amostra aleatria de 4 pesos
(8, 13, 9, 8.5). Com base nesta amostra vamos testar, a um nvel de significncia 5%, a hiptese
de que o peso mdio populacional igual a 9dg, ou seja vamos testar: H0 : = 9 vs H1 : 6= 9.
Como a populao normal com varincia conhecida, a estatstica de teste :
Z=
X9
2/ 4 sob H0
N (0, 1).
67
2/ 4
x9
2/ 4
R0.05 .
= 0.625
/ R0.05 , no rejeitamos H0 ao nvel de significncia
5%, significando que os dados no vo contra o pressuposto de que o peso mdio das
formigas 9dg..
Exemplo 8.8 (Clculo do valor-p do teste do Exemplo 8.7). Como Zobs ' 0.63,
Varincia
Rejeitar H0 se
2 conhecida
X
/n0 > z/2
X
S/n0 > tn1,/2
X
/n0 > z/2
X
S/n0 > z/2
2 desconhecida
Pop. no-Normal de mdia
(n 30)
8.2.2
2 conhecida
2 desconhecida
Vamos admitir que (X1 , X2 , . . . , Xn ) representa uma amostra aleatria de uma populao
Normal com varincia conhecida e pretendemos testar
H0 : 0
vs
H1 : > 0
X 0
/ n
sob H0
N (0, 1).
68
0.0
Figura 8.2: Regio de rejeio para o teste unilateral direito para o valor mdio.
Outros testes de hipteses unilaterais direitos para o valor mdio
A estatstica de teste e a regio de rejeio podem mudar ligeiramente, consoante a populao
tem, ou no, distribuio Normal e a varincia , ou no , conhecida. A prxima tabela apresenta,
de forma resumida, as alteraes que se devem fazer no teste de hipteses anteriormente deduzido:
Populao
Pop. Normal de mdia
Varincia
Rejeitar H0 se
2 conhecida
X
0 > z
/ n
X
0 > tn1,
S/ n
X
0 > z
/ n
2 desconhecida
Pop. no-Normal de mdia
(n 30)
8.2.3
2 conhecida
2 desconhecida
X
0
S/ n
> z
vs
H1 : < 0
anlogo ao do teste unilateral direito. Por esta razo apenas se apresentamos a seguinte tabela
resumo:
Populao
Pop. Normal de mdia
Varincia
Rejeitar H0 se
2 conhecida
X
0 < z
/ n
X
0 < tn1,
S/ n
X
0 < z
/ n
X
0 < z
S/ n
2 desconhecida
Pop. no-Normal de mdia
(n 30)
2 conhecida
2 desconhecida
69
8.3
vs
H1 : 2 6= 02
(teste bilateral);
2. H0 : 2 02
vs
H1 : 2 > 02
3. H0 : 2 02
vs
H1 : 2 < 02
(n 1)S 2
02
2n1 .
sob H0
2n1::
0.0
0.0
2n1::1
1
0.0
2n1::
2n1::1
Figura 8.3: Esquerda: Regio de rejeio para o teste bilateral. Centro: Regio de rejeio para
o teste unilateral direito. Direita: Regio de rejeio para o teste unilateral esquerdo.
Ou seja, a regio de rejeio do teste, para um nvel de significncia pr-especificado ,
respectivamente:
1. R = ]0, 2n1,1/2 [ ]2n1,/2 , +[
(teste bilateral);
2. R = ]2n1, , +[
3. R = ]0, 2n1,1 [
2 R .
Rejeitamos H0 se Xobs
70
8.4
Admita que temos uma amostra aleatria de dimenso n de uma populao, em que determinada
proporo desconhecida p dos seus elementos possui certa caracterstica.
Admita que pretendemos testar uma das seguintes hipteses (nula e alternativa):
1. H0 : p = p0
vs
H1 : p 6= p0
(teste bilateral);
2. H0 : p p0
vs
H1 : p > p0
3. H0 : p p0
vs
H1 : p < p0
Estatstica de teste:
P p0
Z=p
p0 (1 p0 )/n
sob H0
N (0, 1)
0.0
0.0
0.0
Figura 8.4: Esquerda: Regio de rejeio para o teste bilateral. Centro: Regio de rejeio para
o teste unilateral direito. Direita: Regio de rejeio para o teste unilateral esquerdo.
Regio de rejeio do teste, para um nvel de significncia pr-especificado:
1. R = ] , z/2 [ ]z/2 , +[
2. R = ]z , +[
3. R = ] , z [
(teste bilateral);
pobs p0
R .
p0 (1 p0 )/n
71
8.5
O teste a seguir apresentado permite-nos testar a hiptese de aleatoriedade, uma condio essencial nos diversos mtodos estatsticos j estudados. Considere as hipteses:
H0 : A amostra aleatria
vs.
H1 : A amostra no aleatria
V
Z= q
N (0, 1).
sob H0
com V = nmero de sequncias de sinais + e -. Na prtica considera-se que a distribuio de Z razovel se n 25.
Regio de rejeio para o nvel de significncia .
R = ] , z/2 [ ]z/2 , +[
Rejeitamos H0 , ao nvel de significncia , sempre que zobs R .
Nota: O teste tambm pode ser aplicado em amostras de pequena dimenso (n < 25). Nesse caso
utiliza-se a estatstica de teste V . Para mais detalhes consulte a bibliografia aconselhada.
Exemplo 8.9 (Exame de P.E. - 2008/09). Considere a seguinte amostra, de dimenso n = 30,
do nmero de clientes atendidos por hora em certo posto de venda:
41
35
30
36
28
20
40
42
28
43
26
42
28
40
41
32
30
26
34
28
40
41
36
34
30
24
20
42
43
40
vs
H1 : A amostra no aleatria
A estatstica de teste
2n1
3
16n29 Sob H0
90
V
Z= q
N (0, 1).
72
8.6
H0 : X F
vs
H1 : X F
(8.1)
Existem vrios testes de hipteses que nos permitem testar estas hipteses. Nesta disciplina
iremos apenas abordar um dos mais conhecidos: O teste de ajustamento do Qui-Quadrado.
Trata-se de um teste que apresenta a vantagem de poder ser aplicado para qualquer distribuio,
desde que a amostra recolhida no seja muito pequena. Existem outros testes de hipteses que
permitem testar as hipteses em (8.1), como por exemplo:
1. Teste de Kolmogorov-Smirnov (vlido para distribuies contnuas);
2. Teste de Shapiro-Wilk (vlido para a distribuio Normal).
i = 1, 2, . . . , k.
k
X
(Oi Ei )2
i=1
Ei
sob H0
2kp1 ,
R =]2kp1, , +[
2 R .
Rejeitamos H0 , ao nvel de significncia , sempre que Xobs
73
Observaes:
1. Caso exista algum Ei < 5, tipicamente correspondendo s classes dos extremos, essa(s)
classe(s) deve(m) ser agrupada(s) at o correspondente novo nmero esperado Ei (dado
pelas somas dos correspondentes antigos Ei0 s) ultrapassar 5. Os correspondentes Oi s devem
nesse caso ser tambm somados, diminuindo naturalmente o valor do nmero de classes k.
2. Como
Pk
i=1 Oi
X2 =
Pk
k
X
Oi2
i=1
i=1 Ei
Ei
n.
Exemplo 8.10. Geneticistas pensam que, em determinada populao, a distribuio de probabilidade dos grupos sanguneos a seguinte:
(
MM
0.3
MN
0.5
NN
0.2
Uma amostra de 200 indivduos desta populao, classificados de acordo com estes grupos sanguneos, revelou 64 indivduos do grupo MM, 96 do grupo MN e os restantes do grupo NN.
(a) Estes dados fornecem evidncia estatstica para pr em causa o pressuposto dos geneticistas?
(b) Determine, um valor aproximado, do valor-p do teste.
Resoluo:
(a) Usando o teste do Qui Quadrado, pretendemos testar:
H0 : P (M M ) = 0.3, P (M N ) = 0.5, P (N N ) = 0.2
H0 : P (M M ) 6= 0.3,
ou P (M N ) 6= 0.5,
vs
ou P (N N ) 6= 0.2
O1 = 64
E1 = 60
A2 = M N
O2 = 96
E2 = 100
A3 = N N
O3 = 40
E3 = 40
642
60
962
100
402
40
Pk
i=1
a
(Oi Ei )2
Ei
sob H0
2kp1 , obtemos:
200 = 0.427
74
Exemplo 8.11 (Teste de ajustamento para o modelo Poisson). Pensa-se que o nmero de
defeitos encontrados em circuitos elctricos tem distribuio Poisson. Recolheu-se uma amostra
aleatria de n = 60 circuitos e observaram-se os seguintes nmeros de defeitos:
nmero de defeitos
0
1
2
3
nmero de circuitos
32
15
9
4
= x = 0.75. Pretende-se
Resoluo: Como desconhecido, ter de ser estimado. Assim,
testar:
H0 : X P (0.75)
vs
H0 : X P (0.75)
no de defeitos
0
1
2
3 (ou mais)
no de defeitos
0
1
2 (ou mais)
pi
0.472
0.354
0.133
0.041
Oi
32
15
13
pi
0.472
0.354
0.174
Ei
28.32
21.24
7.98
2.46
Ei
28.32
21.24
10.44
75
H1 : X N (, 2 )
=x=
46 i=1
46
X
1
=s =
x2 46 x2
46 1 i=1 i
2
= 785.3068
log(46)
Pela regra de Sturges, o nmero de classes a considerar dado por: k 1+ log(n)
log(2) = 1+ log(2)
6.523562
Consideramos k = 7. A amplitude de cada classe aproximadamente
L
7
16145
7
16.6. Vamos
Devemos contar quantas observaes caiem em cada um dos intervalos anteriores, para obter
os valores de Oi , e devemos determinar os valores de Ei = n pi = 46 pi .
i
1
2
3
4
5
6
7
Classe
] ; 60]
]60; 80]
]80; 100]
]100; 120]
]120; 140]
]140; 160]
]160; +[
Oi
3
4
9
12
10
7
1
pi
0.0344
0.0991
0.2148
0.2772
0.223
0.1114
0.0401
Ei
1.5824
4.5586
9.8808
12.7512
10.258
5.1244
1.8446
i
1
2
3
4
5
Classe
] ; 80]
]80; 100]
]100; 120]
]120; 140]
]140; +[
Oi
7
9
12
10
8
pi
0.1335
0.2148
0.2772
0.223
0.1515
X =
k
X
(Oi Ei )2
i=1
Ei
sob H0
2kp1 2521 22
Ei
6.141
9.8808
12.7512
10.258
6.969
76
Regra de deciso do teste: Rejeitar H0 ao nvel de significncia 5% se x2obs R0.05 ]5.99, +[.
Como x2obs = 0.4019 no rejeitamos, ao nvel de significncia de 5% a hiptese nula de que a
distribuio da populao Normal.
Captulo 9
Regresso Linear
9.1
Introduo
A regresso uma tcnica estatstica que permite estudar a relao entre uma ou mais variveis
resposta (tambm designadas por variveis dependentes) e uma ou mais variveis explicativas
(tambm designadas por variveis independentes). Ao modelo matemtico que relaciona as
variveis d-se o nome de equao de regresso.
Estamos apenas interessados no caso em que temos uma varivel dependente Y , uma varivel
independente x e a equao de regresso linear, isto ,
Y = 0 + 1 x + ,
N (0, 2 ).
Observaes:
1. Y tambm uma varivel aleatria porque, Y = 0 +1 x+ e N (0, 2 ) uma varivel
aleatria. Como
E(Y |x) = E(0 + 1 x + |x) = 0 + 1 x + 0 = 0 + 1 x,
V (Y |x) = V (0 + 1 x + |x) = V () = 2 ,
isto ,
Y |x N (0 + 1 x, 2 ).
2. O modelo possui o parmetro adicional, 2 , que tambm ter de ser estimado.
77
78
9.2
Yi = 0 + 1 xi + i ,
independentes.
Definio 9.1 (Resduo). Embora a varivel residual no seja observvel, possvel calcular os
desvios das n observaes da amostra.
i = Yi Yi = Yi 0 1 xi ,
i = 1, 2, . . . , n.
De entre diversos mtodos que existem para a deduo dos estimadores, vamos aqui abordar
o mtodo dos mnimos quadrados. Neste mtodo, os estimadores 0 e 1 devem ser obtidos de
modo a minimizar a soma do quadrado dos resduos,
SQR =
n
X
(Yi Yi )2 =
n
X
(Yi 0 1 xi )2 .
i=1
i=1
SQ
0 = 0
2 (Yi 0 1 xi ) = 0
SQ = 0
2 xi (Yi 0 1 xi ) = 0
1
P
P
= Y 1 x
Yi = n0 + 1 xi
P
P 2
P
xi nx
79
0 = Y 1 x,
com
Sxx =
SxY =
n
X
n
X
i=1
n
X
i=1
(xi x)2 =
x2i nx2 ;
(Yi Y )(xi x) =
i=1
n
X
Yi (xi x) =
i=1
n
X
xi Yi nxY .
i=1
Observao 2: A soma dos quadrados dos desvios pode ainda ser escrita da seguinte forma
SQR =
n
X
S2
(Yi Yi )2 = SY Y xY = SY Y 12 Sxx ,
Sxx
i=1
com
SY Y =
9.3
n
X
n
X
i=1
i=1
(Yi Y )2 =
Yi2 nY .
2 =
SQR
n2
1
2
SY Y
Sxx SY Y
i=1 (Yi Y )
R 2 = 1 Pn
Esta medida compara a soma de quadrados dos resduos (SQR ) do modelo de regresso linear
simples com a SQR do modelo de regresso linear simples com 1 = 0. A quantidade R2 varia
entre 0 e 1. Na prtica, consideramos que o ajustamento razovel se R2 0.8.
9.4
9.4.1
2
SQR
=
2n2 .
2
80
9.4.2
n
P
2
x2i .
0 N 0 , nS xx
i=1
Pn
i=1 (xi
x)Yi
Sxx
isto , 1 uma combinao linear de v.a.s Yi independentes, com distribuio Normal. Logo 1
tambm tem distribuio Normal. E ainda necessrio conhecer os seus parmetros. O seu valor
mdio
n
x)E(Yi )
(xi x)(0 + 1 xi )
E(1 ) =
= i=1
=
Sxx
Sxx
Pn
P
0 ni=1 (xi x) + 1
1 Sxx
i=1 (xi x)xi
=
=
= 1
Sxx
Sxx
Pn
i=1 (xi
e a varincia,
V (1 ) = V
=
Pn
i=1 (xi
x)Yi
Sxx
Pn
i=1 (xi
Yi0 s indep.
x)2 V (Yi )
=
2
Sxx
Pn
i=1 (xi
x)2 2
2
Sxx
2
Sxx 2
=
.
2
Sxx
Sxx
n
X
x2i
i=1
n
n
X
SxY
1
1X
Cov(Y , 1 ) = Cov(Y ,
)=
Cov
Yi ,
(xj x)Yj
Sxx
Sxx
n i=1
j=1
n
n
1 X
2 X
(xi x)V (Yi ) =
(xi x) = 0
nSxx i=1
nSxx i=1
nx2
1+
Sxx
81
2 =
SQR
n2 .
1 1 p
1 1
T = q 2 = Sxx
tn2 ,
Sxx
T =q
9.5
9.5.1
0 0
2
nSxx
Pn
2
i=1 xi
nSxx 0 0
tn2 .
2
i=1 xi
Pn
Sxx
2
Sxx
1 < 1 < c
1 tn2,/2
2
Sxx
2
Sxx
2
Sxx
< 1 1 < c
2
Sxx
2
Sxx
IC(1)100% (1 ) = 1 tn2;/2
2
Sxx
, 1 + tn2;/2
2
Sxx
82
vs
H1 : 1 6= a
Estatstica de teste:
T =
Sxx
1 a
Sob H0
tn2
9.5.2
O parmetro 0 corresponde ao ponto de interseco da recta com o eixo das abcissas. A inferncia
sobre este parmetro no tem a mesma importncia que tem a inferncia sobre o declive 1 da
recta de regresso.
0 0
2
nSxx
Pn
2
i=1 xi
nSxx 0 0
tn2 ,
2
i=1 xi
Pn
IC(1)100% (0 ) 0 tn2;/2
2
Pn
x2
i=1 i
nSxx
; 0 + tn2;/2
2
Pn
x2
i=1 i
nSxx
83
vs
H1 : 0 6= a
9.5.3
n
2 Sob H0
i=1 xi
nSxx
tn2
Como
2 =
SQR
n2
estimador centrado de 2 e
SQR
2
(n 2)
2 (n 2)
2
;
,
IC(1)100% ( )
2n2;/2 2n2;1/2
2
e
v
u
u (n 2)
2
IC(1)100% () t 2
;
n2;/2
v
u
2
u (n 2)
.
t
2
n2;1/2
De modo anlogo ao apresentado na seco 8.3, podemos tambm realizar testes de hiptese
(bilaterais e unilaterais) para 2 recorrendo distribuio de
2.
Exemplo 9.6 (Exame de Probabilidades e Estatstica C 2005/06). Pretende-se, se possvel, modelar atravs de uma recta de regresso simples o consumo de combustvel, Y , de um automvel
em funo da sua velocidade de circulao, x. Para tal registaram-se os valores de consumo de
combustvel para um mesmo percurso de 100Km, percorrido a diferentes velocidades:
xi
yi
x = 85,
50
5.22
Y = 8.46,
60
6.25
70
6.85
80
8.36
x2i = 62000,
90
8.09
100
10.16
Yi2 = 610.43,
110
11.17
120
11.57
Yi xi = 6145.5,
SQR = 1.15
(a) Ajuste um modelo de regresso linear simples aos dados. Que pode dizer sobre a qualidade
do ajuste?
(b) Diga por suas palavras como interpreta o valor estimado do declive da recta acima considerada. O sinal desta estimativa est de acordo com as suas expectativas? Porqu?
(c) Determine um intervalo de confiana a 95% para o verdadeiro declive da recta de regresso.
Comente o resultado face qualidade do ajuste concluda na alnea (a).
84
9.6
Y |x0 = 0 + 1 x0 .
Caso a varincia do erro, 2 , no seja conhecida, a distribuio de amostragem de
Y |x0
T =r
Y |x0 Y |x0
1
n
(x0 x)2
Sxx
tn2 ,
Y |x0 tn2;/2
1
n
(x0 x)2
Sxx
,
Y |x0 + tn2;/2
2
1
n
(x0 x)2
Sxx
h
Nota: S devemos fazer estimao de Y |x0 para valores x0 que estejam dentro do intervalo das
observaes obtidas para x.
9.7
V (p ) = V (Y0 Yb0 ) = 2
Se 2 for estimado por
2 , ento
T =r
b0
Y0 Y
2 1+ n
+
(x0 x)2
Sxx
tn2 .
Yb0 t
n2;/2
1+
1
n
(x0 x)2
Sxx
; Yb0 + t
n2;/2
2 1 +
1
n
(x0 x)2
Sxx
h
Captulo 10
Exerccios
10.1
1.1 Vinte e cinco membros de uma sociedade devem eleger um presidente, um secretrio e um tesoureiro.
Supondo que qualquer dos vinte e cinco membros elegvel para qualquer dos cargos, quantas so
as hipteses de um resultado final?
1.2 Considere o problema anterior. Suponha que no h diferenciao dos cargos. De quantas maneiras
distintas se podia formar uma comisso, com trs elementos escolhidos entre os vinte e cinco elementos?
1.3 Quantas palavras diferentes, com ou sem significado, se podem formar com as letras da palavra
ROMA?
1.4 Quatro livros de Matemtica, seis de Fsica e dois de Qumica, todos diferentes, devem ser arrumados
numa prateleira. Quantas arrumaes diferentes so possveis se:
(a) os livros de cada matria ficarem todos juntos?
(b) apenas os livros de matemtica devem ficar juntos?
1.5 Numa sala de cinema, de quantas maneiras diferentes se podem sentar numa fila de 12 lugares, 7
amigos?
1.6 De quantas maneiras 10 pessoas podem sentar-se num banco, se houver apenas 4 lugares?
1.7 De quantas formas diferentes se podem sentar 12 pessoas numa mesa redonda?
1.8 Um homem tem 3 camisas e 2 gravatas. De quantas maneiras pode vestir-se (com uma camisa e
uma gravata)?
1.9 Num conjunto de 10 lmpadas para rvore de natal, 2 so defeituosas. Quantas amostras de 6
lmpadas podem ser escolhidas, de entre aquelas 10, de modo que:
(a) as 6 lmpadas escolhidas sejam todas boas?
(b) entre a 6 escolhidas haja uma, e uma s defeituosa?
1.10 Dados 12 pontos num plano, no havendo 3 deles sobre a mesma recta,
(a) quantas rectas so determinadas pelos pontos?
(b) quantas dessas rectas passam pelo ponto A?
(c) quantos tringulos so determinados pelos pontos?
(d) Quantos desses tringulos contm o ponto A como vrtice?
85
86
1
2
e P (A B) = 13 , determine
1.20 De 100 agricultores, 50 produzem vinho, 30 produzem milho e 10 produzem vinho e milho. Escolhendo um deste agricultores ao acaso qual a probabilidade de:
(a) Ele produza vinho ou milho?
(b) Ele no produza vinho nem milho?
87
1.21 A probabilidade de um homem estar vivo daqui a 25 anos 35 e a probabilidade da sua mulher ainda
viver na mesma ocasio de 23 . Determine a probabilidade de daqui a 25 anos:
(a) Ambos estarem vivos.
(b) Apenas o homem estar vivo.
(c) Apenas a mulher estar viva.
(d) Apenas um estar vivo.
1.22 Em determinada gelataria 40% dos clientes escolhem o sabor chocolate, 30% escolhem o sabor limo
e 15% escolhem os dois. Seleccionou-se ao acaso um cliente dessa gelataria.
(a) Se escolheu o sabor limo, qual a probabilidade de ter escolhido tambm o sabor chocolate?
E vice-versa?
(b) Qual a probabilidade de escolher limo ou chocolate?
1.23 Suponha que 10% da populao de certo pas sofre de problemas cardacos e que, de entre estes,
70% so fumadores. De entre os que no sofrem de problemas cardacos 45% fumam. Seleccionada
ao acaso uma pessoa desta populao:
(a) Qual a probabilidade de ser fumadora?
(b) Se for fumadora, qual a probabilidade de sofrer de problemas cardacos?
1.24 Num clube de futebol treinam regularmente 30 jogadores, dos quais 8 so atacantes, 12 so mdios e
os restantes so defesas. Independentemente dos resultados dos restantes jogadores, cada atacante
tem uma probabilidade de 3/4 de marcar golo de penalty, cada mdio tem uma probabilidade de
1/2 de marcar golo por penalty e cada defesa consegue-o com probabilidade 1/5.
(a) Qual a probabilidade de que um jogador, escolhido ao acaso, marque golo devido a penalty?
(b) Dado que, num jogo, um qualquer jogador marcou um golo de penalty, qual a probabilidade
de esse jogador ser mdio?
1.25 Sejam A e B acontecimentos independentes. Mostre que A e B so tambm acontecimentos
independentes.
1.26 Um aluno conhece bem 60% da matria dada. Num exame com cinco perguntas, sorteadas ao acaso,
sobre toda a matria, qual a probabilidade de vir a responder correctamente a duas perguntas?
1.27 Numa certa rua existem duas caixas Multibanco - A e B. A probabilidade de as mquinas avariarem
, independentemente uma da outra, de 0.05 para a A e 0.01 para a B. Determine a probabilidade
de, num dia qualquer:
(a) Ambas as mquinas estarem avariadas.
(b) Apenas a mquina A estar avariada.
(c) Pelo menos uma das mquinas estar avariada.
1.28 (Teste de P.E. 2006/07) Uma urna tem oito moedas, seis honestas e duas viciadas. O resultado do
lanamento de uma moeda viciada sempre cara.
(a) Escolhendo duas das oito moedas disponveis, ao acaso e sem reposio, qual a probabilidade
de seleccionar as duas moedas viciadas.
(b) Escolhendo uma moeda ao acaso, qual a probabilidade de obter trs caras em trs lanamentos
sucessivos dessa moeda?
(c) Se em trs lanamentos, da mesma moeda, o resultado foi sempre cara, qual a probabilidade
de ter escolhido a moeda viciada?
88
1.29 (Exame de de P.E. D - 2008/09) Um laboratrio farmacutico produz um kit, que identifica rapidamente o tipo de sangue de uma pessoa, entre os 4 possveis: A, B, O e AB. O ensaio clnico
efectuado antes da comercializao do kit indica que 2%, 3%, 5% e 10% das pessoas com sangue
de tipo A, B, O e AB, respectivamente, so incorrectamente classificadas. Sabendo que 40% da
populao tem sangue do tipo A, 10% tem sangue de tipo B, 45% tem sangue de tipo O e os
restantes tm sangue de tipo AB, calcule:
(a) A probabilidade de uma pessoa, que usou o kit, ser incorrectamente classificada.
(b) A probabilidade de uma pessoa, que usou o kit e foi incorrectamente classificada, ter sangue
de tipo AB.
10.2
89
Variveis aleatrias
2.1 A varivel aleatria (v.a.) X representa o nmero de doentes com gripe que procuram, por dia, o
Dr. Remdios. Em 50% dos dias, pelo menos 2 pacientes com gripe procuram o Dr. Remdios. A
sua funo de probabilidade dada por:
0 1 2 3
X
p 0.2 q 0.3
(a) Determine p e q.
(b) Determine a funo de distribuio da v.a. X e esboce o seu grfico. Comente-o.
(c) Determine a funo de probabilidade das v.a.s Y = 40X e W = max(X, 1).
2.2 A v.a. X representa o nmero de pontos que saem no lanamento de um determinado dado. A sua
funo de distribuio segue-se:
0,
x<1
1/6,
1
x<2
1/4, 2 x < 4
F (x) =
1/2, 4 x < 5
7/12,
5x<6
1,
x6
(a) Calcule as seguintes probabilidades, usando a funo de distribuio:
i)
ii)
iii)
iv)
k + x, 1 x < 0
k x, 0 x < 1
f (x) =
0,
c.c.
(a) Determine o valor da constante k.
(b) Determine a funo de distribuio de X e esboce o seu grfico.
(c) Determine P (X > 0).
(d) Determine P (X > 0.5|X > 0).
90
f (x) 6
a
c
c
J
J
J
cb`
J
cb`
1
0
1
2
2b
b`
b
T
T
a
T
T
b
1 < x 0;
c(1 + x),
c(1 x2 ),
0 < x < 2;
f (x) =
0,
outros valores de x;
(a) Mostre que c = 2/3 e determine a funo de distribuio.
(b) Calcule P (X 0|X 1).
91
2.9 Determine o valor mdio e a varincia da varivel aleatria discreta X com funo de probabilidade:
P (X = 0) = 81 P (X = 1) = 38 f (2) = 83 P (X = 3) = 18 . Calcule ainda:
1
E(g(X)), com g(X) = X 3 , E 1+X
e E(X 2 ).
2.10 Seja X uma v.a. tal que P (X = 0) = 41 , P (X = 1) = p2 , P (X = 2) =
com 0 p 21 . Determine p de forma a que V (X) seja mnima.
5
8
p
2
e P (X = 3) = 18 ,
2.11 Numa lotaria foram emitidos 10000 bilhetes. Sorteia-se 1 prmio de 25000 unidades monetrias
(u.m.) e 10 prmios de 2500 u.m.. Seja X a v.a. que representa o valor do prmio de um bilhete
qualquer.
(a) Determine a funo de probabilidade de X.
(b) Qual a probabilidade de um bilhete no ter qualquer prmio?
(c) Qual a probabilidade de um bilhete ter pelo menos 2500 u.m.?
(d) Determine o E(X), V (X) e CV (X).
2.12 Uma comisso de alunos est a organizar uma festa da faculdade. Os alunos vo comprar 200 litros
de cerveja. Um fornecedor deste lquido (A) cobra 1 unidade monetria (u.m.) por litro permitindo
a devoluo da cerveja que sobrar (e que no tem de ser paga) e um outro fornecedor (B) cobra
0.5 u.m. por litro, no admitindo devolues. Os alunos, independentemente de quanto lhes custe
a cerveja, cobram 1.5 u.m. por litro.
Sabendo que, se estiver bom tempo - o que acontecer com probabilidade 0.8 - os alunos conseguem
vender os 200 litros de cerveja, mas se estiver mau tempo s vendem metade, a quem devem comprar?
2.13 Seja X uma v.a. com a seguinte funo de distribuio:
0,
x<0
F (x) =
1 (x + 1)ex , x 0
(a) Determine a funo densidade probabilidade de X.
(b) Determine E(X) e V (X).
2.14 Determine E(X), E(X 1), V (X), E(X(X 1)), E(eX ), a mediana e o coeficiente de variao
da v.a. X, que tem a seguinte funo densidade probabilidade:
0x1
2,
1,
1<x2
2
f (x) =
3x
2<x3
2 ,
0,
x<0 x>3
2
4
2, determine E(X 2 ).
92
2.16 (Teste de P.E. D - 2008/09) Uma empresa de produtos qumicos fabrica um composto que vende
em doses unitrias de 1 litro. Suponha que a fraco de lcool numa dose unitria do composto
uma varivel aleatria X, com funo densidade de probabilidade dada por:
kx3 (1 x),
0 x 1;
f (x) =
0,
outros valores de x;
(a)
(b)
(c)
(d)
93
10.3
Vectores Aleatrios
3.1 (Teste de P.E. 2006/07) Numa empresa de construo, o nmero Y de novos trabalhadores por
semana, uma varivel aleatria de valor mdio 38
15 . O nmero de acidentes de trabalho que
ocorrem por semana na mesma empresa, X, tambm uma varivel aleatria. O quadro que se
segue tem a funo de probabilidade conjunta de (X, Y ).
X\Y
0
1
0
c
2c
2
2c
3c
a
3c
4c
0
0
0.1
0
0.2
2
0.05
0.1
0.1
0.5
0.25
0.35
p + 0.2
p
(a) Qual a probabilidade de, num dia, a procura de avies de passageiros ser inferior procura de
avies de transporte rpido de correio?
(b) Determine a funo de probabilidade de X|Y = 1 e calcule E(X|Y = 1).
(c) Para um dia em que foi pedido um avio de transporte rpido de correio, qual a probabilidade
de terem sido procurados 1 ou 2 avies de passageiros?
(d) Qual a procura diria mdia de avies de passageiros?
(e) Deduza a funo de probabilidade da procura total diria de avies de aluguer.
(f) Determine a procura diria total mdia de avies de aluguer.
(g) Sabendo que V (X) = 0.8875, determine Cov(X, Y ), V (X 2Y ) e (X, Y ).
3.3 (Exame de P.E. 2006/07) Seja (X, Y ) um par aleatrio, onde X representa o nmero dirio de
imveis vendidos numa agncia imobiliria e Y a v.a. definida por:
(
0, se a agncia imobiliria no fecha durante o horrio de almoo;
Y =
1,
se a agncia imobiliria fecha durante o horrio de almoo;
Sabe-se que:
X tem distribuio B(2, 0.6) e os valores da v.a. Y ocorrem com a mesma probabilidade.
Os acontecimentos {X = 1} e {Y = 0} so independentes.
P (X = 2, Y = 1) = 0.12.
(a) Construa a tabela da funo de probabilidade conjunta e marginais associada ao par aleatrio
(X, Y ).
94
3.8 Seja (X, Y ) um par aleatrio com a seguinte funo densidade probabilidade conjunta:
(
f (x, y) =
(a) Determine k.
(b) Determine as funes densidade marginais de X e Y .
(c) As variveis X e Y so independentes?
f (x, y) =
(a) Determine k.
(b) As variveis X e Y so independentes?
95
96
10.4
Principais distribuies
4.1 Um consumidor queixou-se s autoridades que no supermercado do Sr. Manuel se vendiam latas de
cogumelos com o prazo de validade ultrapassado. No seguimento desta denncia um inspector das
actividades econmicas dirigiu-se ao referido supermercado e seleccionou, ao acaso e sem reposio,
6 latas - do total de 50 que o Sr. Manuel ainda tinha para vender.
Como na realidade ainda restavam 7 latas com o prazo de validade ultrapassado, qual a probabilidade
de o Sr. Manuel ser multado (isto , de o inspector descobrir pelo menos uma lata com o prazo
ultrapassado)?
4.2 De forma a proceder a uma classificao geral do estado das praias Portuguesas, uma comisso
Europeia vai inspeccionar 10 praias, seleccionadas ao acaso de entre as 100 existentes. A comisso
atribui a classificao de Bom se pelo menos 8 das 10 praias inspeccionadas estiverem em bom
estado. Sabendo que, da totalidade das 100 praias, 15 no apresentam boas condies, qual a
probabilidade de Portugal:
(a) Obter uma classificao de Suficiente, pelo facto da comisso s ter encontrado 7 praias em
bom estado?
(b) Obter uma boa classificao?
(c) Se a comisso s inspeccionasse 5 praias, qual a probabilidade de no encontrar nenhuma em
mau estado?
(d) Nas praias inspeccionadas quantas se esperam que estejam em bom estado?
4.3 O senhor Sousa tem uma empresa que compra e vende selos e outros artigos de coleccionismo. Ele
guarda 20 selos dentro de uma bolsa preta, estando ainda cada um deles metido num envelope
opaco. 6 destes selos valem 100 euros cada um e os restantes nada valem. O senhor Sousa, para
promover a venda, cobra 20 euros por cada selo, mas no permitindo que o cliente veja o contedo
do envelope. Suponha que um cliente compra 5 selos.
(a) Qual a probabilidade dos cinco selos nada valerem?
(b) Qual a probabilidade do cliente no perder nem ganhar dinheiro com a compra?
4.4 Num determinado percurso de avio, a probabilidade de uma pessoa qualquer que a viaje pedir uma
refeio vegetariana de 0.2. Supondo que em determinado dia viajam 10 pessoas no avio, calcule
a probabilidade de:
(a) Ningum pedir refeio vegetariana.
(b) Todos pedirem refeio vegetariana.
(c) Pelo menos uma pedir refeio vegetariana.
4.5 Determinado exame constitudo por 5 questes de escolha mltipla, em que cada questo tem 4
opes de resposta possveis - apenas uma sendo a correcta. Supondo que um aluno que vai fazer
o exame responde a tudo ao acaso, qual a probabilidade de ele acertar a mais de metade das
questes? Qual o nmero mdio de respostas correctas? E o seu desvio padro?
4.6 Sabe-se que 5% dos copos produzidos em determinada fbrica apresentam pequenos defeitos.
Seleccionando-se da produo da fbrica, ao acaso, 50 copos, qual a probabilidade de:
(a) Nenhum ser defeituoso?
(b) Um ser defeituoso?
(c) No mximo 1 ser defeituoso?
(d) Calcule o nmero mdio de copos defeituosos nesta amostra e o seu desvio padro.
97
4.7 Na sala de aula de uma escola, 2 meninos lanam ao ar moedas equilibradas. O Joo faz 10
lanamentos e o Pedro 15. Qual a probabilidade de, no total dos lanamentos, sarem exactamente
12 caras?
4.8 Verifica-se que, relativamente a um determinado dado, quando ele lanado, a probabilidade de sair
um nmero par duas vezes superior probabilidade de sair um nmero mpar.
(a) Se X representar a v.a. que conta o nmero de vezes que sai um nmero par em 4 lanamentos
deste dado, determine a sua funo de probabilidade.
(b) Considere a v.a. Y = nmero de lanamentos necessrios at obter um nmero mpar.
i. Qual o valor mdio, coeficiente de variao e moda de Y ?
ii. Qual a probabilidade de ser necessrio lanar 4 vezes o dado, para obter um nmero
mpar?
iii. Qual a probabilidade de ser necessrio lanar pelo menos 2 vezes o dado, para obter um
nmero mpar?
4.9 Numa priso existem 1500 presos, dos quais 4% cometeram homicdio por envenenamento. Seleccionando-se aleatoriamente 8 presos para executarem os trabalhos na cozinha da priso, qual a probabilidade de que 2 deles sejam deste tipo de homicidas?
4.10 Uma lista de clientes de uma empresa constituda por 1000 endereos de clientes. Destes, 300
compraram nos ltimos 3 meses, pelo menos um produto da empresa. Com o objectivo de avaliar
da aceitao de um novo produto, 25 clientes daquela lista foram escolhidos ao acaso e sondados
acerca do novo produto. Qual a probabilidade de no mximo 2 dos 25 clientes escolhidos, fazerem
parte do grupo dos que realizaram alguma compra durante os ltimos 3 meses?
4.11 O nmero de chamadas de emergncia que um servio de ambulncias recebe por dia uma v.a. de
Poisson. Sabendo que a probabilidade de no haver nenhuma chamada num dia de 0.15, calcule:
(a) a probabilidade de haver apenas uma chamada num dia.
(b) a probabilidade de haver 2 chamadas num dia.
(c) a probabilidade de haver no mximo 3 chamadas num dia.
(d) a probabilidade de haver pelo menos 4 chamadas num dia.
(e) o nmero mdio de chamadas por dia, o seu desvio padro e coeficiente de variao.
4.12 Suponha que X uma v.a. com distribuio de Poisson. Se P (X = 2) =
P (X = 0) e P (X = 3).
2
3 P (X
= 1), calcule
4.13 Suponha que, o nmero de pessoas que utilizam uma caixa multibanco um processo de Poisson
de taxa = 10/hora. Calcule;
(a) a probabilidade de no ir ningum caixa multibanco durante 1 hora.
(b) a probabilidade de irem 20 pessoas referida caixa durante 4 horas.
(c) O nmero mdio de visitas caixa multibanco durante 4 horas e o seu coeficiente de variao.
4.14 Na portagem da ponte 25 de Abril o nmero de veculos automveis que passa em cada cabine de
pagamento da portagem, por minuto, segue uma distribuio de Poisson com valor mdio 1 veculo.
Supondo que em determinado minuto esto abertas 10 cabines, qual a probabilidade de serem, no
total, atendidos 11 condutores nesse minuto?
4.15 Suponha que num livro de 500 pginas existem 300 erros tipogrficos, distribudos aleatoriamente
por todo o livro. Assumindo que o nmero de erros segue uma distribuio de Poisson, determine a
probabilidade de uma dada pgina conter:
(a) 2 erros tipogrficos.
98
99
3
4
4.31 Um restaurante vende comida a peso e constatou que a quantidade de comida vendida (Kg) tem
distribuio Normal, dependendo os seus parmetros de o cliente ser homem ou mulher - caso seja
mulher a mdia de 0.4 Kg e o desvio padro 0.1 Kg e caso seja homem a mdia de 0.5 Kg e
o desvio padro de 0.2 Kg. Sabendo que os clientes so 55% mulheres e 45% homens, e que a
quantidade de comida consumida independentes entre clientes:
(a) Determine a probabilidade de um cliente qualquer consumir menos de 0.5 Kg de comida.
100
(b) Sabendo que um cliente consumiu mais de 0.6 Kg de comida, qual a probabilidade de ser
homem?
(c) Num grupo de 4 mulheres e 6 homens qual a probabilidade de se consumir menos de 5 Kg de
comida?
4.32 (Teste de PE 2006/07) Um elevador est preparado para suportar uma carga at 450 kg. Sempre
que este valor ultrapassado o elevador no funciona. Um estudo recente indica que o peso, das
pessoas que utilizam esse elevador, uma varivel aleatria com distribuio Normal de valor mdio
70 kg.
(a) Sabendo que a probabilidade de uma pessoa (que utiliza o elevador) pesar menos de 60 kg
0.0228, determine o desvio padro desta varivel aleatria.
(b) Se entrarem 6 pessoas no elevador, qual a probabilidade de o elevador no funcionar devido
ao excesso de peso?
4.33 (Teste de P.E. D 2005/06) Um foguete espacial constitudo por 3 partes distintas, cpsula, corpo
e depsitos. Representem as v.a.s X, Y e W o peso da cpsula, o peso do corpo do foguete e o
peso dos depsitos, respectivamente, em toneladas. Sabe-se que X N (5, 1), Y N (10, 22 ) e
W N (7, 22 ), sendo as trs variveis independentes entre si.
(a) Qual a probabilidade de o peso da cpsula estar compreendido entre 3 e 7 toneladas?
(b) Qual o peso h que o corpo do foguete ultrapassa em 2.5% das vezes?
(c) Qual a probabilidade de o peso da cpsula mais o peso dos depsitos excederem o peso do
corpo do foguete?
4.34 Admita que X uma v.a. com distribuio t com 14 graus de liberdade, X t14 . Determine o
valor de c, tal que:
(a) P (X c) = 0.75;
(b) P (X c) = 0.05;
(c) P (|X| > c) = 0.4.
4.35 Suponha que X uma v.a. com distribuio 2 com 10 graus de liberdade, X 210 . Determine
o valor de c, tal que:
(a) P (X c) = 0.95;
(b) P (X c) = 0.05.
10.5
101
5.1 Numa loja de convenincia cada pessoa gasta, em mdia, 10e, com um desvio padro de 3.75e. Qual
a probabilidade de 100 clientes gastarem mais de 1100e, admitindo que os gastos so independentes
de pessoa para pessoa?
5.2 O nmero de sismos no Japo, por ms, uma v.a. com mdia 5 sismos e desvio padro 2 sismos.
Admitindo que os sismos so independentes entre si, determine a probabilidade de nos prximos 40
anos haver no mximo 2300 sismos.
5.3 Uma empresa vende caixas com biscoitos e, quando lhe solicitado, envia-as pelo correio. Para
evitar pesar estas caixas, cobra sempre o valor de portes de correio correspondente a admitir que
qualquer caixa pesa 2508g.
Cada caixa leva 100 biscoitos e o peso da embalagem plstica desprezvel.
Se soubermos que o peso de cada biscoito varivel mas que em mdia pesa 25g com um desvio
padro de 8g, determine a probabilidade do valor pago em portes de correio com o envio de uma
caixa ser inferior ao valor que pagaria, caso a caixa fosse pesada.
5.4 Ao adicionar nmeros, um computador arredonda cada nmero para o inteiro mais prximo. Admita
que os erros cometidos so v.a.s independentes e identicamente distribudas (i.i.d.) com valor mdio
igual a 0 e varincia igual a 1/12.
Se 1200 nmeros forem adicionados, qual a probabilidade aproximada de que o erro total cometido
no ultrapasse 15.4?
5.5 Envelopes de avio so empacotados em grupos de 100, sendo depois pesados. Supondo que o
peso de cada envelope uma v.a. com valor mdio igual a 1 grama e desvio padro de 0.05 g,
independentemente de envelope para envelope, determine:
(a) a probabilidade de que um pacote, com exactamente 100 envelopes, pese mais de 100.5 g.
(b) a probabilidade de que a mdia dos pesos dos 100 envelopes de um pacote, diste do respectivo
valor mdio por uma quantidade superior a 0.01g.
5.6 Numa determinada estufa de produo de tulipas vo-se semear 240 bolbos desta flor. Sabe-se que
em mdia cada bolbo produz 4 flores, com um desvio padro de 2 flores. Qual a probabilidade
aproximada de se conseguir obter uma produo final de mais de 1000 tulipas? Justifique.
5.7 Na populao das mulheres cerca de 20% esto grvidas. Supondo que se selecciona ao acaso 250
mulheres, qual a probabilidade de que 50 estejam grvidas? E qual a probabilidade de que pelo
menos 50 estejam grvidas?
5.8 Um avirio vende ovos em caixas de 1 dzia, verificando-se que cerca de 1% dos ovos se partem no
transporte para os seus locais de comercializao. Num contentor com 80 caixas qual a probabilidade
de se encontrarem entre 5 e 15 ovos partidos?
5.9 O nmero de utentes dirios de uma mquina de venda de selos tem uma distribuio de Poisson
com valor mdio 20. Determine a probabilidade de num ms de 30 dias:
(a) Usarem a mquina entre 580 e 621 pessoas.
(b) Usarem a mquina 580 pessoas.
5.10 Sabe-se que o nmero de automveis que entram numa auto-estrada num perodo de 10 segundos
uma v.a. com distribuio de Poisson de valor mdio 3.
Qual a probabilidade aproximada de entrarem 20 ou mais automveis durante 30 segundos?
102
10.6
Estimao Pontual
6.1 Considere a populao formada pelo nmero de filhos por famlia (X) num determinado pas, em que
X = 0, 1, 2, 3, 4 (no h famlias com mais de 4 filhos). Suponha que se conhece a sua distribuio
de probabilidade:
0
1
2
3
4
X
0.15 0.25 0.30 0.20 0.10
(a) Quais os valores populacionais de e 2 ?
(b) Desta populao recolhe-se uma amostra aleatria constituda por 2 famlias - (X1 , X2 ). Qual
a distribuio de probabilidade de X1 e X2 e os respectivos parmetros e 2 ?
(c) Suponha que recolheu a seguinte amostra aleatria de 10 famlias:
(1, 3, 0, 0, 2, 3, 0, 2, 4, 1).
Com base nesta amostra estime pontualmente e 2 . Estime ainda o erro padro da estimativa
de . Comente.
6.2 Considere que se seleccionou uma amostra aleatria (X1 , X2 , . . . , Xn ) de uma populao com valor
mdio e varincia 2 .
Pn
Xi
estimador centrado e consistente da mdia populacional.
(a) Mostre que X = i=1
n
2X1 + 3X2 + 5X3
X1 + Xn
e 2 =
tambm so estimadores centrados de
(b) Mostre que 1 =
2
10
. Qual melhor? So consistentes?
(c) Mostre que (X)2 no estimador centrado de 2 .
6.3 Suponha que seleccionou uma amostra aleatria (X1 , X2 , . . . , Xn ) de uma populao com distribuio U (0, ), isto , com funo densidade:
1
, 0 x
f (x) =
0,
c.c.
(a) Mostre que 2X o estimador dos momentos de .
(b) Verifique se o estimador da alnea anterior centrado e consistente.
(c) Dada a amostra (1.215,
P 1.580, 0.726, 2.843, 3.394, 0.612, 2.621, 1.181, 2.930, 0.317), estime
o valor de . Nota:
xi = 17.42.
6.4 (Teste de P.E. - 2006/07) Seja (X1 , X2 , . . . , Xn ) uma amostra aleatria, extrada de uma populao
com distribuio Geomtrica.
(a) Determine o estimador de p usando o mtodo dos momentos e o mtodo da mxima verosimilhana.
(b) Determine o estimador de mxima verosimilhana do valor mdio de X. Verifique se o estimador consistente para a estimao do valor mdio.
6.5 Considere a experincia aleatria que consiste em contar o nmero de vezes que se lana um
dado (eventualmente no equilibrado) at sair um nmero par. Em 15 realizaes da experincia obtiveram-se os seguintes resultados:
1
103
6.6 Considere a amostra aleatria (X1 , X2 , . . . , Xn ) de uma populao com distribuio Bin(r, p), com
r conhecido.
(a) Determine o estimador dos momentos de p.
(b) Verifique que a funo log-verosimilhana :
n
n
n
X
X
X
r
l(p) =
ln
+ ln(p)
xi + ln(1 p)(nr
xi ),
xi
i=1
i=1
i=1
se xi {0, 1, . . . , r}.
,
x+1
x>1
( > 0).
l() = n ln() ( + 1)
n
X
ln(xi ),
se xi > 1,
i = 1, . . . , n.
i=1
104
10.7
7.1 Para avaliar o peso mdio das mas produzidas por um determinado agricultor analisaram-se 20
mas seleccionadas ao acaso da produo. Estas resultaram num peso mdio de x
= 320g. Assuma
que os pesos das mas tm distribuio Normal com desvio padro = 20g.
(a) Construa um intervalo de confiana a 90% para a mdia do peso.
(b) Qual deve ser o tamanho da amostra de forma a que a amplitude do correspondente intervalo
de confiana a 90% para a mdia seja de 1g? E 5g? Comente.
7.2 A quantidade de combustvel dispendido num percurso de Lisboa a Faro (em litros) uma varivel
aleatria normal.
(a) Assuma que em 8 viagens Lisboa-Faro seleccionadas ao acaso se verificou um gasto mdio de
combustvel de 36 litros e um desvio padro de 10 litros. Construa intervalos de confiana
para a mdia a 90% e a 95% e compare-os.
(b) Assuma agora que foi em 50 viagens Lisboa-Faro, seleccionadas ao acaso, que se verificou um
gasto mdio de combustvel de 36 litros e um desvio padro de 10 litros. Construa intervalos
de confiana para a mdia a 90% e a 95% e compare com os anteriores. Comente.
7.3 O nvel de poluio do ar de determinada cidade (medido em concentrao de monxido de carbono
no ar) distribui-se normalmente. Recolheram-se os seguintes valores da referida concentrao em
10 dias diferentes (em ppm): 0.09, 0.33, 0.01, 0.25, 0.20, 0.05, 0.03, 0.18, 0.13, 0.24. Com base
nesta amostra determine um intervalo de confiana a 99% para a concentrao mdia de monxido
de carbono na atmosfera.
7.4 A quantidade de gordura em 100g de carne de determinado tipo de vacas, medido em gramas, tem
desvio padro 8g. Qual deve ser o tamanho de uma amostra aleatria a seleccionar de forma a que a
amplitude de um intervalo de confiana a 95% para a gordura mdia por 100g de carne seja inferior
a 2.5g? Refira eventuais pressupostos que teve de fazer.
7.5 Construa um intervalo de confiana a 95% para a temperatura mdia de uma determinada sala de
espera, com base numa amostra de temperaturas recolhidas em 35 dias diferentes que resultaram
nos valores x
= 22.1o C e s = 3.2o C.
7.6 A tenso (MegaPascal) suportada por uma determinada barra de ao uma varivel aleatria com
desvio padro igual a 30 P
MPa. Com base numa amostra aleatria de n tenses observadas, para
as quais se verificou que
xi = 10000MPa, construiu-se um intervalo de confiana a 95% para a
tenso mdia suportada, cujo extremo superior era de 208.3MPa. Determine o extremo inferior do
referido intervalo e diga quanto vale o n, assumindo que n > 30.
7.7 (Exame de P.E. D - 2008/09) A populao das estaturas dos alunos da FCT, em metros, segue
uma distribuio Normal. Recolheu-se a seguinte amostra aleatria de estaturas de 40 alunos desta
faculdade:
1.79
1.75
1.78
1.76
1.80
1.74
1.78
1.70
1.72
1.60
1.69
1.63
1.82
1.77
1.78
1.71
1.57
1.82
1.52
1.70
1.78
1.82
1.72
1.64
1.78
1.75
1.84
1.59
1.66
1.66
1.65
1.63
1.78
1.84
1.71
1.74
1.80
1.77
1.79
1.71
105
(a) Construa um intervalo de confiana a 95% para o tempo mdio de reaco dos ces.
(b) Suponha
que s se conseguiu obter uma amostra de 15 ces, tendo resultado em x
= 1.1s
P
e
(xi x
)2 = 15.9s2 . Construa, para este caso, um intervalo de confiana a 95% para o
tempo mdio de reaco dos ces, referindo eventuais pressupostos que tenha tido de fazer.
7.9 Numa fbrica de embalagem de queijo em fatias seleccionaram-se aleatoriamente 100 embalagens,
das quais se verificaram que 18 tinham peso inferior ao suposto - sendo por isso inadequadas.
Construa um intervalo de confiana a 98%para a verdadeira proporo de pacotes inadequados na
produo total.
7.10 De 200 casos de pessoas com cancro do clon, aleatoriamente detectadas, 12 morreram aps 5 anos
da deteco.
(a) Estime pontualmente a probabilidade de uma pessoa que contraia o cancro do clon morrer
aps 5 anos da sua deteco.
(b) Quanto deveria aumentar ao tamanho da sua amostra aleatria de forma a que a largura do
intervalo de confiana a 90% para a probabilidade considerada na alnea anterior fosse inferior
a 0.01?
7.11 O tempo (horas) que o Pedro dispende em filas de trnsito, por dia, uma v.a. Normal. Seleccionando aleatoriamente 15 dias registaram-se os seguintes valores de espera:
1.5 1.0 1.0 2.0 1.5 1.25 1.0 2.0 1.5 1.25 1.75 0.5 1.0 1.5 1.25
Determine um intervalo de confiana a 99% para a varincia do tempo de espera.
7.12 Um profissional de bowling jogou 8 partidas num torneio, tendo obtido as seguintes pontuaes:
117.0
220.2
199.5
237.2
249.5
179.8
259.2
248.5
Admitindo a normalidade das pontuaes, construa um intervalo de confiana a 95% para a varincia
e para o desvio padro (este ltimo fornece uma medida da consistncia da prestao do jogador).
106
10.8
Teste de Hipteses
8.1 Uma fbrica de gelados afirma que a procura do gelado de chocolate no vero, por dia e em euros,
uma v.a. Normalmente distribuda com valor mdio e200 e desvio padro e40. Numa amostra
aleatria constituda por 10 dias seleccionados ao acaso do perodo de vero verificou-se que x
= 216.
(a) Teste, ao nvel de significncia 5%, se de facto o consumo mdio de gelado de chocolate no
vero de e200 por dia.
(b) Teste, ao ao nvel de significncia 5%, se de facto o consumo mdio de gelado de chocolate
no vero menor do que e200 por dia.
(c) Qual a potncia do teste, da alnea anterior, se = 190.
(d) Resolva as duas primeiras alneas usando o valor-p.
8.2 Um produtor de azeite afirma que a acidez mdia do seu azeite de 0.9o . De forma a confirmar tal
facto recolheu-se uma amostra aleatria da sua produo de azeite, tendo-se medido os seguintes
valores de acidez: 0.9 0.8 0.7 1.1 0.9 0.9 1.0 0.7 1.5 1.1. Admitindo a Normalidade
da acidez do azeite:
(a) Teste, ao nvel de significncia 1%, se o produtor tem razo.
(b) Teste, ao ao nvel de significncia 1%, se a acidez mdia superior a 0.9o .
8.3 Um bilogo pretende demonstrar que o peso mdio de uma determinada espcie de coelhos - coelhos
anes - superior a 250g. Para tal seleccionou aleatoriamente 40 coelhos, tendo obtido uma mdia
dos pesos de 255.3g e um desvio padro de 30g. Teste ao nvel de significncia 10% se o bilogo
est certo, assumindo a Normalidade dos pesos dos coelhos.
8.4 A Ins recebe, para alm do seu salrio, vencimento correspondente a 2 horas extra que devia fazer
todos os dias. Contudo ela est desconfiada que tem andado a trabalhar, em mdia, mais do que 2
horas extra. Como a empresa onde trabalha regista sempre a hora de entrada e de sada dos seus
funcionrios, ela seleccionou aleatoriamente 12 dias de trabalho passados e registou os seguintes
valores relativos ao horrio extra: x
= 2.3h e s = 0.5h. Admitindo a Normalidade do tempo extra
de trabalho, teste a um nvel de significncia de 5%, se as suas suspeitas se confirmam.
8.5 Uma companhia de seguros tem previsto no seu oramento um total de 5000e/dia para pagar
as indemnizaes dos seus segurados. De forma a confirmar se o valor mdio das indemnizaes
pagas por diaP
est bem previsto seleccionaram-se, de anos anteriores, 100 dias, tendo-se verificado
x
= 5625e e (xi x
)2 = 6187500e2 . Teste, ao nvel de significncia 5%, se a previso se adequa.
8.6 Numa fbrica de massas embalam-se pacotes de esparguete que deveriam ter peso mdio de 500g.
O peso dos pacotes uma v.a. Normal com varincia 2 = 225g 2 . De forma a confirmar o peso
mdio destes pacotes, seleccionaram-se ao acaso 40 embalagens que tinham um peso mdio de
495g. Teste, ao nvel de significncia 1%, se o peso mdio das embalagens menor do que as 500g
indicadas.
8.7 Seja X uma v.a. com distribuio Normal de valor mdio e desvio padro . A partir de uma
amostra de dimenso 30, retirada da populao, obtiveram-se os seguintes resultados:
30
X
i=1
xi = 64.0
30
X
(xi x
)2 = 84.4
i=1
107
8.9 (Exame de P.E. D - 2008/09) A populao das estaturas dos alunos da FCT, em metros, segue
uma distribuio Normal. Recolheu-se a seguinte amostra aleatria de estaturas de 40 alunos desta
faculdade:
1.79
1.75
1.78
1.76
1.80
1.74
1.78
1.70
1.72
1.60
1.69
1.63
1.82
1.77
1.78
1.71
1.57
1.82
1.52
1.70
1.78
1.82
1.72
1.64
1.78
1.75
1.84
1.59
1.66
1.66
1.65
1.63
1.78
1.84
1.71
1.74
1.80
1.77
1.79
1.71
correspondendo a uma mdia amostral de 1.73 e a um desvio padro amostral de 0.08. Teste a
hiptese de que a verdadeira proporo de alunos com estatura superior ou igual a 1.82m nesta
populao maior que 0.2. Use um nvel de significncia de 5%.
8.10 Determinada desordem gentica no sangue pode ser prevista com base num teste de sangue muito
simples. De forma a ter uma noo da proporo de pessoas que na populao possam vir a ter
esta desordem, testaram-se 100 pessoas, seleccionadas ao acaso, para as quais 14 testes deram
positivo. Efectue um teste de hipteses, usando um nvel de significncia 5%, sobre se percentagem
de pessoas com tal desordem inferior a 10%.
8.11 No fabrico de parafusos admite-se, relativamente aos seus comprimentos, uma variabilidade mxima
de 0.5mm2 . Recolheu-se uma amostra aleatria de 20 parafusos que se verificou terem s2 = 0.3.
Admitindo a Normalidade do comprimento dos parafusos, teste, ao nvel de significncia de 5% se
a especificao sobre a variabilidade do comprimento dos parafusos est a ser respeitada.
8.12 Com base na amostra aleatria seguinte, teste H0 : = 1.3 vs H1 : 6= 1.3, a um nvel de
significncia de 1%: 2.0 3.2 5.0 1.8 3.4 2.6
8.13 A resistncia de um determinado metal dito ter uma variabilidade inferior a 0.01 ohm2 . Teste
esta hiptese, a um nvel de significncia 10%, usando a seguinte amostra aleatria de resistncias
medidas para este metal:
0.14, 0.138, 0.143, 0.142, 0.144, 0.137
8.14 Considere novamente a amostra do exerccio 8.9. Podemos considerar a amostra aleatria?
8.15 Considere a seguinte tabela de frequncias de uma v.a. X:
Valores
Frequncia
0
4
1
21
2
10
3
13
4
2
(a) a distribuio Binomial com n = 5 e p = 0.25 um modelo apropriado? Teste esta hiptese
ao nvel de significncia de 5%.
(b) Determine um valor aproximado para o valor-p.
8.16 O gerente de uma loja pretende saber se os tempos entre chegadas de clientes sua loja se comporta probabilisticamente segundo uma distribuio exponencial. Para tal, registou os tempos entre
chegadas consecutivas de clientes numa manh. Esses tempos (em minutos) foram:
3.6
10.1
21.2
3.8
6.2
22.1
18.8
7.4
12.7
4.2
7.9
1.6
14.2
4.6
16.8
3.0
38.0
1.4
0.1
5.4
3.8
3.3
3.0
14.0
10.8
8.2
3.1
13.9
6.1
3.5
10.5
9.4
8.3
0.7
4.1
108
8.17 Teste a um nvel de significncia 5% que a seguinte amostra aleatria provm de uma distribuio
Normal(3, 22 ):
1.14, 3.11, 3.55, 2.81, 6.28, 1.61, 4.36, 0.90, 0.81, 0.18, 2.08, 2.68, 2.12, 0.33, 2.57,
3.55, 1.81, 2.56, 5.56, 2.46, 4.20, 1.63, 4.21, 4.85, 4.24, 3.98, 1.40, 3.00, 2.01, 3.31
8.18 Pensa-se que a altura a que os eucaliptos chegam aos 20 anos uma v.a. Normal de mdia 2m. Para
o confirmar seleccionou-se uma amostra aleatria de 30 eucaliptos, tendo observado as seguintes
alturas:
0.2, 0.8, 3.6, 1.0, 0.2, 4.3, 3.1, 0.4, 3.3, 3.1, 3.2, 5.3, 1.7, 0.2, 2.8, 0.4, 0.5, 3.0, 1.2, 4.2, 4.8,
3.4, 2.1, 2.5, 2.4, 2.1, 0.8, 3.5, 1.7, 1.3
Teste, ao nvel de significncia 1%, a conjectura referida.
8.19 (Teste de P.E. D - 2008/09) Teste a um nvel de significncia 5% que a seguinte amostra aleatria
provm de uma populao com funo de distribuio F , definida por:
0,
x<0
2
2x
x
,
0
x<1
F (x) =
1,
x1
0.10, 0.33, 0.90, 0.43, 0.22, 0.42, 0.46, 0.68, 0.12, 0.51, 0.18, 0.03, 0.48, 0.24, 0.47
0.11, 0.52, 0.47, 0.32, 0.40, 0.01, 0.34, 0.32, 0.57, 0.51, 0.12, 0.06, 0.40, 0.07, 0.40
Para a realizao do teste considere as classes ]0; 0.25], ]0.25; 0.5], ]0.5; 0.75] e ]0.75; 1[.
109
10.9
Regresso Linear
9.1 Determinada empresa est interessada em contabilizar o tempo que o ar condicionado est ligado
no vero, por dia, mediante a temperatura exterior (o C). Assim, seleccionaram-se 14 dias ao acaso,
para os quais se mediram as temperaturas (x) e se registarem o nmero de horas de utilizao do
ar condicionado (Y ):
i
xi
Yi
1
29
10.5
2
28
9.0
3
29
10.4
4
35
18.6
5
26
5.5
6
25
5.2
7
32
11.6
8
31
10.4
9
34
17.8
10
27
9.9
11
33
13.7
12
33
14.2
13
32
12.3
14
28
8.7
1
100
4
2
250
9
3
500
15
4
750
16
5
1000
20
6
1250
46
7
1500
54
x2i = 12760000 x
= 1011.11
8
1750
59
X
9
2000
72
Yi xi = 427900
(a) Ajuste um modelo de regresso linear simples aos dados. O que pode dizer sobre a qualidade
do ajuste?
(b) Determine um intervalo de confiana a 95% para o verdadeiro declive da recta de regresso.
(c) Use o resultado da alnea anterior para testar a hiptese de que o verdadeiro declive da recta
de regresso nulo.
9.3 (Exame de P.E. D - 2005/06) Pretende-se averiguar se existe uma relao directa entre a proximidade
com campos de futebol da residncia de casais e a taxa de divrcio. Assim registaram-se, em 5 locais
seleccionados ao acaso, o correspondente nmero de estdios de futebol num raio de 50Km (x) e a
respectiva taxa de divrcio por 1000 habitantes registada nessas localidades (Y ):
No de campos de futebol, xi
Taxa de divrcio (por 1000 habitantes), Yi
5
X
i=1
xi = 14;
5
X
i=1
x2i = 66;
5
X
i=1
Yi = 17.1;
5
X
i=1
0
2.2
Yi2 = 63.19;
1
2.5
5
X
2
3.5
5
4.1
6
4.8
i=1
(a) Ajuste uma recta de regresso linear a estes dados. Que pode dizer da qualidade do ajuste?
(b) Diga por suas palavras como interpreta o valor de 1 obtido.
(c) Teste a hiptese do verdadeiro valor declive da recta de regresso, 1 , ser nulo, a um nvel de
significncia 10%. O resultado est de acordo com a qualidade do ajuste discutida em (a)?
(d) Numa localidade com 3 estdios de futebol na sua proximidade (menos de 50Km) quanto
prev que valha a correspondente taxa de divrcio?
110
9.4 (Exame de P.E. - 2006/07) Com o objectivo de estudar a qualidade do ar na regio de Lisboa,
pretende-se modelar a quantidade Y de Ozono troposfrico (O3 ), com a quantidade x de partculas
em suspenso com dimetro aerodinmico inferior a 10 m (P M10 ). Para tal, registaram-se os
seguintes dados:
xi
yi
X
60.5
124.2
78.8
158
xi = 724.8;
89.8
177.1
80.9
185.6
74.8
179.2
x2i = 53414.92;
49.9
145.7
97.5
163.7
SY Y = 18620.05;
92.5
188.8
X
36.5
122.2
18.1
75.4
xi yi = 114890.35;
29.6
94.8
15.9
80.3
2 = 237.44;
(a) Ajuste um modelo de regresso linear simples aos dados. Refira quais os pressupostos do
modelo.
(b) Comente a qualidade do modelo.
(c) Teste, ao nvel de significncia de 5%, a hiptese de o declive da recta de regresso ser nulo.
(d) Prove que qualquer recta dos mnimos quadrados passa por (x, y).
Captulo 11
Tabelas
Funo de distribuio Normal reduzida
(z) = P (Z z) =
z
.0
.1
.2
.3
.4
.5
.6
.7
.8
.9
1.0
1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.8
1.9
2.0
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
3
0
.5000
.5398
.5793
.6179
.6554
.6915
.7257
.7580
.7881
.8159
.8413
.8643
.8849
.9032
.9192
.9332
.9452
.9554
.9641
.9713
.9772
.9821
.9861
.9893
.9918
.9938
.9953
.9965
.9974
.9981
.9987
1
.5040
.5438
.5832
.6217
.6591
.6950
.7291
.7611
.7910
.8186
.8438
.8665
.8869
.9049
.9207
.9345
.9463
.9564
.9649
.9719
.9778
.9826
.9864
.9896
.9920
.9940
.9955
.9966
.9975
.9982
.9990
Z z
1
2
2
.5080
.5478
.5871
.6255
.6628
.6985
.7324
.7642
.7939
.8212
.8461
.8686
.8888
.9066
.9222
.9357
.9474
.9573
.9656
.9726
.9783
.9830
.9868
.9898
.9922
.9941
.9956
.9967
.9976
.9982
.9993
exp 12 t2 dt
3
.5120
.5517
.5910
.6293
.6664
.7019
.7357
.7673
.7967
.8238
.8485
.8708
.8907
.9082
.9236
.9370
.9484
.9582
.9664
.9732
.9788
.9834
.9871
.9901
.9925
.9943
.9957
.9968
.9977
.9983
.9995
4
.5160
.5557
.5948
.6331
.6700
.7054
.7389
.7704
.7995
.8264
.8508
.8729
.8925
.9099
.9251
.9382
.9495
.9591
.9671
.9738
.9793
.9838
.9875
.9904
.9927
.9945
.9959
.9969
.9977
.9984
.9997
5
.5199
.5596
.5987
.6368
.6736
.7088
.7422
.7734
.8023
.8289
.8531
.8749
.8944
.9115
.9265
.9394
.9505
.9599
.9678
.9744
.9798
.9842
.9878
.9906
.9929
.9946
.9960
.9970
.9978
.9984
.9998
6
.5239
.5636
.6026
.6406
.6772
.7123
.7454
.7764
.8051
.8315
.8554
.8770
.8962
.9131
.9279
.9406
.9515
.9608
.9686
.9750
.9803
.9846
.9881
.9909
.9931
.9948
.9961
.9971
.9979
.9985
.9998
7
.5279
.5675
.6064
.6443
.6808
.7157
.7486
.7794
.8078
.8340
.8577
.8790
.8980
.9147
.9292
.9418
.9525
.9616
.9693
.9756
.9808
.9850
.9884
.9911
.9932
.9949
.9962
.9972
.9979
.9985
.9999
8
9
.5319 .5359
.5714 .5753
.6103 .6141
.6480 .6517
.6844 .6879
.7190 .7224
.7517 .7549
.7823 .7852
.8106 .8133
.8365 .8389
.8599 .8621
.8810 .8830
.8997 .9015
.9162 .9177
.9306 .9319
.9429 .9441
.9535 .9545
.9625 .9633
.9699 .9706
.9761 .9767
.9812 .9817
.9854 .9857
.9887 .9890
.9913 .9916
.9934 .9936
.9951 .9952
.9963 .9964
.9973 .9974
.9980 .9981
.9986 .9986
.9999 1.0000
112
g.l.
.158
.142
.137
.134
.132
.131
.130
.130
.129
.129
.129
.128
.128
.128
.128
.128
.128
.127
.127
.127
.127
.127
.127
.127
.127
.127
.127
.127
.127
.127
.126
.55
.325
.289
.277
.271
.267
.265
.263
.262
.261
.260
.260
.259
.259
.258
.258
.258
.257
.257
.257
.257
.257
.256
.256
.256
.256
.256
.256
.256
.256
.256
.253
.6
.510
.445
.424
.414
.408
.404
.402
.399
.398
.397
.396
.395
.394
.393
.393
.392
.392
.392
.391
.391
.391
.390
.390
.390
.390
.390
.389
.389
.389
.389
.385
.65
.727
.617
.584
.569
.559
.553
.549
.546
.543
.542
.540
.539
.538
.537
.536
.535
.534
.534
.533
.533
.532
.532
.532
.531
.531
.531
.531
.530
.530
.530
.524
.7
1.00
.816
.765
.741
.727
.718
.711
.706
.703
.700
.697
.695
.694
.692
.691
.690
.689
.688
.688
.687
.686
.686
.685
.685
.684
.684
.684
.683
.683
.683
.674
.75
1.38
1.06
.978
.941
.920
.906
.896
.889
.883
.879
.876
.873
.870
.868
.866
.865
.863
.862
.861
.860
.859
.858
.858
.857
.856
.856
.855
.855
.854
.854
.842
.8
1.96
1.39
1.25
1.19
1.16
1.13
1.12
1.11
1.10
1.09
1.09
1.08
1.08
1.08
1.07
1.07
1.07
1.07
1.07
1.06
1.06
1.06
1.06
1.06
1.06
1.06
1.06
1.06
1.06
1.05
1.04
.85
3.08
1.89
1.64
1.53
1.48
1.44
1.41
1.40
1.38
1.37
1.36
1.36
1.35
1.35
1.34
1.34
1.33
1.33
1.33
1.33
1.32
1.32
1.32
1.32
1.32
1.31
1.31
1.31
1.31
1.31
1.28
.9
6.31
2.92
2.35
2.13
2.02
1.94
1.89
1.86
1.83
1.81
1.80
1.78
1.77
1.76
1.75
1.75
1.74
1.73
1.73
1.72
1.72
1.72
1.71
1.71
1.71
1.71
1.70
1.70
1.70
1.70
1.64
12.7
4.30
3.18
2.78
2.57
2.45
2.36
2.31
2.26
2.23
2.20
2.18
2.16
2.14
2.13
2.12
2.11
2.10
2.09
2.09
2.08
2.07
2.07
2.06
2.06
2.06
2.05
2.05
2.05
2.04
1.96
.95 .975
31.8
6.96
4.54
3.75
3.36
3.14
3.00
2.90
2.82
2.76
2.72
2.68
2.65
2.62
2.60
2.58
2.57
2.55
2.54
2.53
2.52
2.51
2.50
2.49
2.49
2.48
2.47
2.47
2.46
2.46
2.33
63.7
9.92
5.84
4.60
4.03
3.71
3.50
3.36
3.25
3.17
3.11
3.05
3.01
2.98
2.95
2.92
2.90
2.88
2.86
2.85
2.83
2.82
2.81
2.80
2.79
2.78
2.77
2.76
2.76
2.75
2.58
637
31.6
12.9
8.61
6.87
5.96
5.41
5.04
4.78
4.59
4.44
4.32
4.22
4.14
4.07
4.01
3.97
3.92
3.88
3.85
3.82
3.79
3.77
3.75
3.73
3.71
3.69
3.67
3.66
3.65
3.29
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
g.l.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
50
60
.005
.000
.010
.072
.207
.412
.676
.989
1.34
1.73
2.16
2.60
3.07
3.57
4.07
4.60
5.14
5.70
6.26
6.84
7.43
8.03
8.64
9.26
9.89
10.5
11.2
11.8
12.5
13.1
13.8
20.7
28.0
35.5
.025
.001
.051
.216
.484
.831
1.24
1.69
2.18
2.70
3.25
3.82
4.40
5.01
5.63
6.26
6.91
7.56
8.23
8.91
9.59
10.3
11.0
11.7
12.4
13.1
13.8
14.6
15.3
16.0
16.8
24.4
32.4
40.5
.05
.004
.103
.352
.711
1.15
1.64
2.17
2.73
3.33
3.94
4.57
5.23
5.89
6.57
7.26
7.96
8.67
9.39
10.1
10.9
11.6
12.3
13.1
13.8
14.6
15.4
16.2
16.9
17.7
18.5
26.5
34.8
43.2
.1
.016
.211
.584
1.06
1.61
2.20
2.83
3.49
4.17
4.87
5.58
6.30
7.04
7.79
8.55
9.31
10.1
10.9
11.7
12.4
13.2
14.0
14.8
15.7
16.5
17.3
18.1
18.9
19.8
20.6
29.1
37.7
46.5
.2
.064
.446
1.01
1.65
2.34
3.07
3.82
4.59
5.38
6.18
6.99
7.81
8.63
9.47
10.3
11.2
12.0
12.9
13.7
14.6
15.4
16.3
17.2
18.1
18.9
19.8
20.7
21.6
22.5
23.4
32.3
41.4
50.6
.3
.148
.713
1.42
2.19
3.00
3.83
4.67
5.53
6.39
7.27
8.15
9.03
9.93
10.8
11.7
12.6
13.5
14.4
15.4
16.3
17.2
18.1
19.0
19.9
20.9
21.8
22.7
23.6
24.6
25.5
34.9
44.3
53.8
.5
.455
1.39
2.37
3.36
4.35
5.35
6.35
7.34
8.34
9.34
10.3
11.3
12.3
13.3
14.3
15.3
16.3
17.3
18.3
19.3
20.3
21.3
22.3
23.3
24.3
25.3
26.3
27.3
28.3
29.3
39.3
49.3
59.3
.7
1.07
2.41
3.66
4.88
6.06
7.23
8.38
9.52
10.7
11.8
12.9
14.0
15.1
16.2
17.3
18.4
19.5
20.6
21.7
22.8
23.9
24.9
26.0
27.1
28.2
29.2
30.3
31.4
32.5
33.5
44.2
54.7
65.2
.8
1.64
3.22
4.64
5.99
7.29
8.56
9.80
11.0
12.2
13.4
14.6
15.8
17.0
18.2
19.3
20.5
21.6
22.8
23.9
25.0
26.2
27.3
28.4
29.6
30.7
31.8
32.9
34.0
35.1
36.3
47.3
58.2
69.0
.9
2.71
4.61
6.25
7.78
9.24
10.6
12.0
13.4
14.7
16.0
17.3
18.5
19.8
21.1
22.3
23.5
24.8
26.0
27.2
28.4
29.6
30.8
32.0
33.2
34.4
35.6
36.7
37.9
39.1
40.3
51.8
63.2
74.4
.95
3.84
5.99
7.81
9.49
11.1
12.6
14.1
15.5
16.9
18.3
19.7
21.0
22.4
23.7
25.0
26.3
27.6
28.9
30.1
31.4
32.7
33.9
35.2
36.4
37.7
38.9
40.1
41.3
42.6
43.8
55.8
67.5
79.1
.975
5.02
7.38
9.35
11.1
12.8
14.4
16.0
17.5
19.0
20.5
21.9
23.3
24.7
26.1
27.5
28.8
30.2
31.5
32.9
34.2
35.5
36.8
38.1
39.4
40.6
41.9
43.2
44.5
45.7
47.0
59.3
71.4
83.3
.01
.000
.020
.115
.297
.554
.872
1.24
1.65
2.09
2.56
3.05
3.57
4.11
4.66
5.23
5.81
6.41
7.01
7.63
8.26
8.90
9.54
10.2
10.9
11.5
12.2
12.9
13.6
14.3
15.0
22.2
29.7
37.5
.99
6.63
9.21
11.3
13.3
15.1
16.8
18.5
20.1
21.7
23.2
24.7
26.2
27.7
29.1
30.6
32.0
33.4
34.8
36.2
37.6
38.9
40.3
41.6
43.0
44.3
45.6
47.0
48.3
49.6
50.9
63.7
76.2
88.4
.995
7.88
10.6
12.8
14.9
16.7
18.5
20.3
22.0
23.6
25.2
26.8
28.3
29.8
31.3
32.8
34.3
35.7
37.2
38.6
40.0
41.4
42.8
44.2
45.6
46.9
48.3
49.6
51.0
52.3
53.7
66.8
79.5
92.0
Bibliografia sugerida
Guimares e Cabral(1997). Estatstica. McGraw-Hill.
Montgomery e Runger (2002). Applied Statistics and Probability for Engineers. Wiley.
Mood, Graybill e Boes (1974). Introduction to the Theory of Statistics. McGraw-Hill.
Murteira, B., Ribeiro, C., Silva, J. e Pimenta, C. (2007). Introduo Estatstica, 2a
edio. McGraw-Hill
Paulino e Branco (2005). Exerccios de Probabilidade e Estatstica. Escolar Editora.
Pestana, D. e Velosa, S. (2002). Introduo Probabilidade e Estatstica. Fundao
Calouste Gulbenkian, Lisboa.
Rohatgi (1976). An Introduction to Probability Theory and Mathematical Statistics. Wiley.
Sokal e Rohlf (1995). Biometry. Freeman.
Tiago de Oliveira (1990). Probabilidades e Estatstica: Conceitos, Mtodos e Aplicaes,
vol. I, II. McGraw-Hill.
113