Probab Il I Dade

Probabilidade e Estatstica
UNIVERSIDADE FEDERAL DA PARABA
Reitora
MARGARETH DE FTIMA FORMIGA MELO DINIZ
Vice-Reitor
EDUARDO RAMALHO RABENHORST
EDITORA DA UFPB
Diretora
IZABEL FRANA DE LIMA
Vice-Diretor
JOS LUIZ DA SILVA
Superviso de Editorao
ALMIR CORREIA DE VASCONCELLOS JNIOR
Superviso de Produo
JOS AUGUSTO DOS SANTOS FILHO
CONSELHO EDITORIAL
Prof Dr. Lucdio Cabral ..................................(UFPB)
Prof Dr. Danielle Rousy..................................(UFPB)
Prof. Ms. Eduardo de Santana Medeiros..........(UFPB)
Andrea Vanessa Rocha
Editora da UFPB
Joo Pessoa
2014
Capa - Projeto grfico: Renato Arrais e Eduardo Santana
Editorao eletrnica: Eduardo de Santana Medeiros Alexandre
Catalogao na publicao
Universidade Federal da Paraba
Biblioteca Setorial do CCEN
R672p Rocha , Andrea Vanessa.

Probabilidade e Estatstica / Andrea Vanessa Rocha; editor: Eduardo de
Santana Medeiros Alexandre. Joo Pessoa: Editora da UFPB, 2014. - Joo
Pessoa: Curso de Licenciatura em Computao na Modalidade Distncia /
UFPB, Junho de 2014.
154. : il.
ISBN: XXX-XX-XXX-XXXX-X (PENDENTE)
Curso de Licenciatura em Computao na Modalidade Distncia.

Universidade Federal da Paraba.
1. Estatstica. 2. Teoria dos Conjuntos. 3. Probabilidade. 4. Variveis

Aleatrias. 5. Esperana de Varivel. 5. Distribuies discretas. 6.
Distribuies Contnuas. 7. Inferncia estatstica. I. Ttulo.
BS-CCEN CDU 519.2
Todos os direitos e responsabilidades dos autores.

Este livro e sua verso mais recente pode ser baixado em:
https://github.com/edusantana/estatistica-livro/releases/latest
EDITORA DA UFPB
Caixa Postal 5081 Cidade Universitria
Joo Pessoa Paraba Brasil
CEP: 58.051 970
http://www.editora.ufpb.br
Impresso no Brasil
Printed in Brazil
i
Sumrio
1 Estatstica Descritiva 1
1.1 Conceitos Bsicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1 Definies importantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Tabelas Estatsticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.1 Srie Cronolgica ou Temporal . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.2 Srie Geogrfica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.3 Srie Especfica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 Distribuio de Frequncia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3.1 Construo de uma distribuio de frequncia . . . . . . . . . . . . . . . . . 4
1.4 Grficos Estatsticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4.1 Histograma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4.2 Polgono de Frequncia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4.3 Grfico de Linhas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4.4 Grfico de Colunas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4.5 Grfico em Barras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4.6 Grfico de Setores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.5 Medidas de Posio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.5.1 Mdia Aritmtica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.5.2 Moda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.5.3 Mediana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.6 Medidas de Disperso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.6.1 Amplitude . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.6.2 Desvio Mdio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.6.3 Varincia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.6.4 Desvio Padro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.6.5 Coeficiente de Variao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.7 Atividades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
ii
2 Teoria dos Conjuntos e Contagem 23

2.1 Teoria dos Conjuntos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.1.1 Comparao entre conjuntos . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.1.2 Unio de conjuntos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.1.3 Interseo de conjuntos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.1.4 Diferena entre conjuntos . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.1.5 Complementar de um conjunto . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.1.6 Propriedades entre as relaes entre conjuntos . . . . . . . . . . . . . . . . . 27
2.2 Contagem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.2.1 Regra da multiplicao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.2.2 Regra da adio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.2.3 Permutao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.2.4 Arranjos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.2.5 Combinaes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.2.6 Binmio de Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.3 Atividades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3 Definies Bsicas 33
3.1 Fundamentos de Probabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.2 Noes de Probabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.3 Espaos Amostrais Finitos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.4 Resultados Equiprovveis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.5 Probabilidade Condicional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.5.1 Teorema da Multiplicao . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.5.2 Teorema da Probabilidade Total . . . . . . . . . . . . . . . . . . . . . . . . 40
3.5.3 Teorema de Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.6 Eventos Independentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.7 Atividades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
4 Variveis Aleatrias e Suas Distribuies 46

4.1 Variveis Aleatrias Discretas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
4.2 Variveis Aleatrias Contnuas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.3 Funo de Distribuio Acumulada . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4.4 Variveis Aleatrias Mistas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
4.5 Funes de Variveis Aleatrias . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.6 Atividades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
iii
5 Esperana de uma Varivel Aleatria 60

5.1 Variveis aleatrias independentes . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
5.2 Esperana matemtica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
5.3 Esperana de uma Funo de Varivel Aleatria . . . . . . . . . . . . . . . . . . . . 62
5.4 Propriedades da Esperana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
5.5 Varincia de uma varivel aleatria . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
5.6 Propriedades da varincia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
5.7 Atividades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
6 Principais Distribuies Discretas 71

6.1 A Distribuio Bernoulli . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
6.2 A Distribuio Binomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
6.3 A Distribuio Geomtrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
6.3.1 Perda de Memria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
6.4 A Distribuio Pascal (ou Binomial Negativa) . . . . . . . . . . . . . . . . . . . . . 78
6.4.1 Generalizao do Binmio de Newton . . . . . . . . . . . . . . . . . . . . . 78
6.4.2 Distribuio Pascal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
6.5 Distribuio Hipergeomtrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
6.6 Distribuio Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
6.6.1 Aproximao da distribuio binomial pela Poisson . . . . . . . . . . . . . . 86
6.6.2 Distribuio Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
6.7 Atividades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
7 Principais Distribuies Contnuas 92

7.1 Distribuio Uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
7.2 A Distribuio Normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
7.2.1 Padronizao e Tabulao da Distribuio Normal . . . . . . . . . . . . . . 94
7.2.2 Aproximao da Distribuio Binomial pela Normal . . . . . . . . . . . . . 96
7.3 A Distribuio Exponencial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
7.3.1 Perda de Memria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
7.4 A Distribuio Gama . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
7.4.1 A Funo Gama . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
7.4.2 Distribuio Gama . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
7.5 Atividades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
iv
8 Introduo Inferncia Estatstica 104

8.1 Definies Bsicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
8.2 Amostragem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
8.2.1 Tipos de Amostragem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
8.2.2 Distribuio Amostral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
8.2.2.1 Distribuio Amostral da Mdia . . . . . . . . . . . . . . . . . . . 107
8.2.2.2 Teorema Central do Limite . . . . . . . . . . . . . . . . . . . . . 108
8.2.2.3 Distribuio Amostral da Proporo . . . . . . . . . . . . . . . . 109
8.2.2.4 Distribuio Amostral da Diferena entre Mdias . . . . . . . . . 110
8.2.2.5 Distribuio Amostral da Diferena entre Propores . . . . . . . 110
8.3 Inferncia Estatstica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
8.3.1 Estimao Pontual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
8.3.2 Propriedades dos Estimadores . . . . . . . . . . . . . . . . . . . . . . . . . 111
8.3.3 Alguns Estimadores Pontuais Importantes . . . . . . . . . . . . . . . . . . . 112
8.3.3.1 Estimador para a Mdia . . . . . . . . . . . . . . . . . . . . . . . 112
8.3.3.2 Estimador para a Varincia . . . . . . . . . . . . . . . . . . . . . 113
8.3.3.3 Estimador para a Proporo . . . . . . . . . . . . . . . . . . . . . 113
8.3.4 Estimao Intervalar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
8.3.5 Intervalo de Confiana para a Mdia . . . . . . . . . . . . . . . . . . . . . . 114
8.3.6 Intervalo de Confiana para a Proporo . . . . . . . . . . . . . . . . . . . . 115
8.3.7 Intervalo de Confiana para a Diferena de Mdias . . . . . . . . . . . . . . 115
8.4 Regresso e Correlao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
8.4.1 Correlao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
8.4.1.1 Diagrama de Disperso . . . . . . . . . . . . . . . . . . . . . . . 117
8.4.1.2 Coeficiente de Correlao de Pearson . . . . . . . . . . . . . . . . 119
8.4.2 Regresso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
8.4.2.1 O Poder Explicativo do Modelo . . . . . . . . . . . . . . . . . . . 123
8.5 Atividades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
9 Respostas das Atividades 128

9.1 Captulo 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
9.2 Captulo 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
9.3 Captulo 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
9.4 Captulo 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
9.5 Captulo 5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
9.6 Captulo 6 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
9.7 Captulo 7 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
9.8 Captulo 8 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
v
A Apndice - Tabela da Distribuio Normal 135
10 ndice Remissivo 137
vi
Prefcio
Este livro foi desenvolvido para a introduo do tema Probabilidade e Estatstica, no tendo a ambio
de englobar toda esta vasta rea do conhecimento humano. Probabilidade e Estatstica so as reas
do conhecimento humano que lidam com a incerteza. Ambas lidam com experimentos em que existe
alguma varivel (ou variveis) que no temos controle, e portanto, mesmo mantendo as mesmas
condies, um experimento pode fornecer vrios resultados diferentes.
Probabilidade e Estatstica podem ser vistas como cincias inversas. Quando se estuda probabilidade,
conhecemos o modelo em estudo completamente, e estamos interessados em saber como os resul-
tados do experimento se comportam (por exemplo, saber qual a probabilidade de sair um resultado
especfico). J na estatstica, temos um conjunto de dados, mas no sabemos qual o modelo proba-
bilstico que gerou estes dados, e portanto, tenta-se descobrir, a partir destes dados, qual o modelo
probabilstico que gerou estes dados.
Fenmenos aleatrios esto cada vez mais presentes em nossas vidas, e cada vez mais estamos inte-
ressados em tentar entender estes fenmenos. Grficos estatsticos esto cada vez mais presentes em
notcias, e importante saber interpretar esses grficos corretamente. Quando vemos os resultados de
uma pesquisa eleitoral, bom sabermos interpretar o seu significado, etc.. Vale a pena citar tambm
que ferramentas estatsticas so utilizadas pelos bancos, para definir o rendimento em fundos de in-
vestimento ou poupana, tambm so utilizadas pelas seguradoras para definir qual o valor do seguro
que voc tem que pagar (na prtica eles calculam o seu risco), etc..
Para um aluno, probabilidade e estatstica podem ser teis da seguinte forma: i) so teis para realizar
pesquisa cientfica; ii) so teis caso o aluno queira trabalhar em banco, seguradora, montadoras,
instituies financeiras em geral, controle de qualidade da produo de algum item, etc..; iii) so teis
no dia-a-dia.
Finalizamos essa primeira parte do prefcio mostrando um exemplo de como a probabilidade pode
mostrar como a nossa intuio nos engana. Suponha que temos uma sala com 50 pessoas. Qual
a probabilidade de que pelo menos duas delas faam aniversrio no mesmo dia do ano? Quando
falamos dia do ano, estamos falando dia e ms, no apenas dia. Temos 365 dias (vamos desconsiderar
o ano bissexto) e 50 pessoas. A intuio nos diz que essa probabilidade no deve ser muito grande.
Entretanto, esta probabilidade de 97%!
Pblico alvo
O pblico alvo desse livro so os alunos de Licenciatura em Computao, na modalidade distncia

1 . Ele foi concebido para ser utilizado numa disciplina de Probabilidade e Estatstica.
1 Embora ele tenha sido feito para atender aos alunos da Universidade Federal da Paraba, o seu uso no se restringe
a esta universidade, podendo ser adotado por outras universidades do sistema UAB.
vii
Como voc deve estudar cada captulo
Leia a viso geral do captulo

Estude os contedos das sees
Realize as atividades no final do captulo
Verifique se voc atingiu os objetivos do captulo
NA SALA DE AULA DO CURSO
Tire dvidas e discuta sobre as atividades do livro com outros integrantes do curso
Leia materiais complementares eventualmente disponibilizados
Realize as atividades propostas pelo professor da disciplina
Caixas de dilogo
Nesta seo apresentamos as caixas de dilogo que podero ser utilizadas durante o texto. Confira os
significados delas.
Nota
Esta caixa utilizada para realizar alguma reflexo.
Dica
Esta caixa utilizada quando desejamos remeter a materiais complementares.
Importante
Esta caixa utilizada para chamar ateno sobre algo importante.
Cuidado
Esta caixa utilizada para alertar sobre algo que exige cautela.
Ateno
Esta caixa utilizada para alertar sobre algo potencialmente perigoso.
Os significados das caixas so apenas uma referncia, podendo ser adaptados conforme as intenes
dos autores.
viii
Contribuindo com o livro
Voc pode contribuir com a atualizao e correo deste livro. A tabela a seguir resume os mtodos
de contribuies disponveis:
Tabela 1: Mtodos para contribuio do livro
Mtodo de
contribui- Habilidades necessrias Descrio
o
Inscrio no site do Consiste em acessar o repositrio do livro e

github submeter um erro, uma sugesto ou uma crtica
Issue track atravs da criao de um Issue. Quando
Preenchimento de um providncias forem tomadas voc ser notificado
formulrio disso.
Realizar fork de Consiste em acessar os arquivos fontes do livro,

Submisso projetos realizar a correo desejada e submet-la para
de correo Atualizar texto do livro avaliao. Este processo o mesmo utilizado na
produo de softwares livres.
Realizar PullRequest
Importante
Quando for enviar sua contribuio lembre-se de informar qual a verso e pgina do livro que
est se referindo.
Contribuio atravs do Issue track

Para contribuir com um erro, sugesto ou crtica atravs de um envio de uma mensagem acesse:
https://github.com/edusantana/estatistica-livro/issues/new
ix
Figura 1: Exemplo de contribuio atravs do Issue track
Atividades
No final de cada captulo h uma seo Atividades com exerccios para serem resolvidos.
O significado dos cones relativos aos exerccios so:
Resposta disponvel
a reposta do exerccio se encontra disponvel no Captulo 9 [128].
Nota
Voc pode contribuir enviando respostas ou solues dos exerccios.
Baixando a edio mais nova deste livro
Ns estamos constantemente atualizando o nosso material didtico. Todas as verses deste livro
encontram-se disponveis para download.
Dica
Acesse https://github.com/edusantana/estatistica-livro/releases para baixar a verso mais
nova deste livro.
x
Captulo 1
Estatstica Descritiva
O BJETIVOS DO CAPTULO
Ao final deste captulo voc dever ser capaz de:
Conhecer os conceitos bsicos da estatstica e, principalmente, a diferena entre popu-

lao e amostra
Construir uma tabela estatstica
Conhecer os tipos de variveis estatsticas
Construir um histograma
Identificar e entender o significado dos grficos estatsticos
Conhecer e saber calcular as principais medidas de posio
Conhecer e saber calcular as principais medidas de disperso
1.1 Conceitos Bsicos
A Estatstica a cincia voltada para a construo de tcnicas e mtodos que permitem tomar decises
nos mais deferentes setores do conhecimento. O que hoje se conhece por Estatstica, justamente
esse conjunto de ferramentas de pesquisa que envolve, entre outros, o planejamento do experimento
a ser realizado, a coleta qualificada dos dados, os processos de inferncia estatstica, bem como a
anlise e o processamento das informaes coletadas.
1.1.1 Definies importantes
Na estatstica temos algumas definies importantes:
Populao: Qualquer conjunto de informao que tenha entre si uma caracterstica comum que
delimite os elementos pertencentes a ela.
Amostra: um subconjunto de elementos pertencentes a uma populao.
Varivel: Dados referntes a uma caracterstica de interesse, coletados a partir de uma amostra.
Censo: Exame de todos os elementos da populao.
1 / 140
Amostra
Populao
Figura 1.1: Populao e Amostra
Varivel
Figura 1.2: Exemplo de varivel
Temos dois tipos de variveis:

Nominal :
sexo, cor dos olhos.
Qualitativa

Ordinal : classe social, grau de instruo.

Discreta :
nmero de filhos.
Quantitativa

Continua : altura, peso, salrio.
2 / 140
1.2 Tabelas Estatsticas
Na estatstica fundamental aprendermos a representar os dados que sero analisados por meio de
tabelas.
Uma tabela deve apresentar a seguinte estrutura:
Cabealho;
Corpo;
Rodap.
O cabealho deve conter o suficiente para que sejam respondidas as questes:
O que est representado?

Onde ocorreu?
Quando ocorreu?
Alm disso, a tabela um quadro que resume um conjunto de dados dispostos segundo linhas e
colunas de maneira sistemtica.
1.2.1 Srie Cronolgica ou Temporal
Um exemplo muito comum e muito til de tabela dado pelas sries temporais. Uma srie temporal
consiste em uma sequncia numrica cujos valores variam com o tempo.
Abaixo vemos como inserir os dados de uma srie temporal em uma tabela:
Vendas da Companhia Alfa: 2007-2009
Anos Vendas em R$ 1.000,00
2007 11.425
2008 18.258
2009 15.798
Fonte: Departamento de Marketing.
1.2.2 Srie Geogrfica
Muitas vezes o dado de interesse pode depender a posio geogrfica de onde foram coletados. As-
sim, uma srie geogrfica consiste em uma sequncia numrica obtidas em diferentes regies em um
determinado instante do tempo.
Empresas Fiscalizadas em 2008
Regies Nmero de Empresas
Norte 11.425
Nordeste 18.258
Sudeste 28.157
Sul 15.798
Centro-Oeste 9.236
Fonte: Mensrio Estatstico.
3 / 140
1.2.3 Srie Especfica
Uma srie importante formada por dados agrupados por alguma espcie ou caracterstica comum.
Assim, uma srie especfica uma srie numrica agrupada por tipo. Temos o exemplo abaixo:
Matrculas na Ps-graduao da UFPB - 2008
reas de Ensino Matrculas

Cincias Biolgicas 125
Cincias Exatas e Tecnologia 158
Cincias Humanas 128
Fonte: Servio de Educao e Cultura.
1.3 Distribuio de Frequncia
Uma distribuio de frequncia uma tabela que contm um resumo dos dados obtido em uma amos-
tra.
A distribuio organizada em formato de tabela, e cada entrada da tabela contm a frequncia dos
dados em um determinado intervalo, ou em um grupo.
Abaixo vemos um exemplo simplificado de tabela de distribuio de frequncia:
Altura dos Alunos da UFPB - 2008
Alturas em metros Nmero dos Alunos
1,50 | 1,60 5
1,60 | 1,70 15
1,70 | 1,80 17
1,80 | 1,90 3
Fonte: Servio de Sade.
Na prxima subseo aprenderemos a construir uma distribuio de frequncia completa.
1.3.1 Construo de uma distribuio de frequncia
Para ilustrar como se constri uma distribuio de frequncia, ns vamos considerar um exemplo
especfico.
Assim, suponha que uma pesquisa foi feita, e o seguinte conjunto de dados foi obtido:
Dados Brutos:
24-23-22-28-35-21-23-33-34-24-21-25-36-26-22-30-32-25-26-33-34-21-31-25-31-26-25-35-33-31.
A primeira coisa que fazemos ordenar os dados do menor para o maior, formando o rol de dados:
Rol de dados:
21-21-21-22-22-23-23-24-25-25-25-25-26-26-26-28-30-31-31-31-32-33-33-33-34-34-34-35-35-36.
Em seguida, calculamos a amplitude total, ou seja, o maior valor obtido na amostra subtrado do
menor valor obtido na amostra:
4 / 140
Amplitude Total R:
R = 36 21 = 15.
Vamos agora definir as variveis de interesse, ou seja, para cada valor distinto obtido na amostra,
atribuiremos uma varivel diferente:
Varivel Xi :
X1 = 21, X2 = 22, X3 = 23, X4 = 24, etc.

O prximo passo calcular a frequncia absoluta das variveis, ou seja, vamos calcular quantas vezes
cada valor aparece na sequncia. Por exemplo, o valor 21 aparece 3 vezes, o valor 22 aparece 2 vezes,
etc.. Assim, obtemos:
Frequncia Absoluta Fi
F1 = 3, F2 = 2, F3 = 2, F4 = 1, etc. Vamos calcular, agora, o tamanho amostral, ou seja, o

nmero de observaes obtidas na amostra.
Desta forma, temos:
Tamanho Amostral n:
n = 30.
Queremos, agora, dividir a amostra em uma quantidade de grupos que formaro os intervalos. Cada
grupo chamado de classe, assim, queremos definir o nmero de classes a ser considerado na tabela
de distribuio de frequncia:
Nmero de Classes K:

K = 5 para n 25 e K n, para n > 25.
Frmula de Sturges K 1 + 3, 22 log n.

Logo, pela primeira regra temos K = 30 5, 48 6, e pela segunda regra K 1 + 3, 22 log 30
5, 75 6. Desta forma, em ambos os casos temos K = 6, que ser o valor considerado.
O prximo passo saber o comprimento de cada intervalo a ser considerado, ou seja, calcular a
amplitude de cada classe. Queremos que todas as classes tenham a mesma amplitude e portanto,
temos:
Amplitude das Classes h:
R
h= .
K
15
Da, para o nosso caso, h = 6 = 2, 5 3.
Vamos agora definir os limites das classes. Ou seja, definir os intervalos propriamente ditos. Para
tanto, comeamos com o menor valor obtido da amostra, ou equivalentemente, o primeiro valor do
rol de dados, e vamos somando a amplitude para definir cada limite de intervalo:
5 / 140
Limites das Classes:
21| 24
24| 27
27| 30
30| 33
33| 36
36| 39
Em seguida, calculamos os pontos mdios das classes, que nada mais que a mdia aritmtica entre
os limites das classes:
Pontos Mdios das Classes pmi :
21 + 24 24 + 27
pm1 = = 22, 5, pm2 = = 25, 5, , etc.
2 2
Agora, calculamos as frequncias dos dados em cada intervalo e, chamada de frequncia absoluta, e
tambm a frequncia acumulada, chamada de frequncia absoluta acumulada, que considera a soma
das frequncias dos intervalos anteriores at o intervalo considerado:
Frequncia Absoluta Acumulada Fac :
Classes pmi Fi Fac

21| 24 22,5 7 7
24| 27 25,5 8 15
27| 30 28,5 2 17
30| 33 31,5 4 21
33| 36 34,5 8 29
36| 39 37,5 1 30
Total - 30 -
Em seguida, inclui-se as frequncias relativas dos dados, ou seja, para cada intervalo calcula-se fi =
Fi /n. A frequncia relativa, nos informa a proporo dos dados que pertencem a um determinado
intervalo.
Frequncia Relativa fi :
Classes pmi Fi Fac fi

21| 24 22,5 7 7 0,23
24| 27 25,5 8 15 0,27
27| 30 28,5 2 17 0,07
30| 33 31,5 4 21 0,13
33| 36 34,5 8 29 0,27
36| 39 37,5 1 30 0,03
Total - 30 - 1,00
Para finalizar, calculamos a frequncia acumulada relativa, ou seja, calculamos para cada intervalo
fac = Fac /n:
6 / 140
Frequncia Relativa Acumulada fac :

Classes pmi Fi Fac fi fac
21| 24 22,5 7 7 0,23 0,23
24| 27 25,5 8 15 0,27 0,50
27| 30 28,5 2 17 0,07 0,57
30| 33 31,5 4 21 0,13 0,70
33| 36 34,5 8 29 0,27 0,97
36| 39 37,5 1 30 0,03 1,00
Total - 30 - 1,00 -
1.4 Grficos Estatsticos
1.4.1 Histograma
O histograma uma representao grfica da distribuio de frequncia. O histograma formado

por uma justaposio de retngulos de bases com mesmo comprimento. O comprimento da base
justamente a amplitude do intervalo e a altura do retngulo dada pela frequncia absoluta do
intervalo.
Assim, uma vez feita a distribuio de frequncia, a construo do histograma uma tarefa muito
simples.
Abaixo vemos um exemplo de histograma:
4
3
Fi
2
1
0
0 5 10 15 20 25 30 35
Classes
Figura 1.3: Histograma
1.4.2 Polgono de Frequncia
O polgono de frequncia uma representao grfica obtida aps ligar os pontos mdios de cada
classe entre si. Se j tivermos um histograma, basta ligar os pontos mdios das bases superiores dos
retngulos.
7 / 140
Abaixo vemos um exemplo de polgono de frequncia obtido a partir de um histograma:
8
6
Fi
4
2
0
5 10 15 20
Classes
Figura 1.4: Polgono de Frequncia Obtido a Partir de um Histograma
Abaixo vemos um exemplo contendo apenas o polgono de frequncia:

8
6
Fi
4
2
0
6 8 10 12 14 16 18
Classes
Figura 1.5: Polgono de Frequncia Obtido a Partir de um Histograma
1.4.3 Grfico de Linhas
Suponha que temos duas variveis, por exemplo, podemos ter os dados de uma srie temporal, donde
uma varivel seria o valor obtido, e a outra varivel seria a data em que o valor foi obtido. Outra
8 / 140
possibilidade seria colocar dados de uma srie geogrfica, onde uma varivel seria formada pelos
dados e a outra seria a localizao geogrfica.
O grfico de linhas ento formado construindo pontos no plano (a partir das duas variveis) e, em
seguida, estes pontos so ligados por segmentos de retas.
Abaixo vemos um exemplo de grfico de linhas de uma srie temporal
100
60
Rendimento
0 20
40
2006 2008 2010 2012 2014

Perodo
Figura 1.6: Grfico de linhas
1.4.4 Grfico de Colunas
Um grfico de colunas formado por uma coleo de colunas, com bases de mesmo comprimento, e
igualmente espaados. O eixo horizontal do grfico consiste das diferentes categorias consideradas, e
o eixo vertical proporcional ao valor do dado.
Abaixo vemos um exemplo de grfico de colunas:
9 / 140
Pessoas por categoria
14
8 10
6
4
2
0
3 4 5
Categorias
Figura 1.7: Grfico de colunas
1.4.5 Grfico em Barras
O grfico em barras pode ser entendido como uma variao do grfico de colunas. De fato, o grfico
em barras formado por uma coleo de barras, de mesma altura e igualmente espaadas. Entre-
tanto, neste caso o eixo vertical representa as diferentes categorias consideradas e o eixo horizontal
proporcional ao valor dado.
Abaixo vemos um exemplo de grfico em barras:
Pessoas por classe

Alta
Mdia
Baixa
0 2 4 6 8 10 12 14
Figura 1.8: Grfico em barras
10 / 140
1.4.6 Grfico de Setores
O grfico de setores, que tambm popularmente conhecido como grfico pizza, um grfico em
que um crculo dividido em setores (que podem ser pensados como as fatias da pizza), onde cada
setor representa uma categoria considerada pelo conjunto de dados, e os ngulos dos setores so
proporcionais aos valores dos dados em cada categoria. Assim, quanto maior o valor obtido, maior
ser o ngulo do setor (e assim, maior ser a fatia da pizza).
Abaixo vemos um exemplo de grfico de setores:
Sudeste
CentroOeste
Sul
Nordeste
Norte
Figura 1.9: Grfico de setores
1.5 Medidas de Posio
As medidas de posio so valores que representam a tendncia de concentrao dos dados observa-
dos.
As mais importantes so as medidas de tendncia central. As trs medidas de tendncia central mais
utilizadas so: mdia aritmtica, moda e mediana.
1.5.1 Mdia Aritmtica
um valor que representa uma caracterstica do conjunto de dados. Essa caracterstica tal que a
soma dos dados preservada. A mdia obtida a partir de todos os elementos da distribuio e do
tamanho da amostra n.
Notao: representamos a mdia de um conjunto de dados por X (l-se x barra).
Clculo da Mdia Aritmtica +
Dados no agrupados (brutos) - mdia aritmtica simples.
11 / 140
No caso de uma lista de dados no-agrupados, calculamos a mdia aritmtica pela frmula:
n
Xi
X= .
i=1 n
Exemplo 1.1 Exemplo de clculo de mdia aritmtica com dados brutos

Considere os dados 2, 3, 7 e 8. Ento, n = 4 e
2 + 3 + 7 + 8 20
X= = = 5.
4 4
Dados agrupados - mdia aritmtica ponderada.
No caso em que temos os dados agrupados, ou seja, sabemos a frequncia de cada observao, o
clculo da mdia aritmtica pode ser simplificado. Assim, a mdia aritmtica pode ser clculada pela
frmula:
n
Xi Fi
X= .
i=1 n
Exemplo 1.2 Exemplo de clculo de mdia aritmtica ponderada

Considere a seguinte tabela:
Tempo de Servio (Xi ) Fi Xi Fi

4 3 12
6 5 30
8 10 80
Total 18 122
122
Assim, X = 18 = 6, 78.
Dados agrupados em intervalos - mdia aritmtica ponderada
No caso em que temos os dados agrupados em intervalos, utilizamos a mdia aritmtica ponderada,
onde os pesos so dados pelo ponto mdio do intervalo. Assim, a mdia aritmtica calculada pela
frmula:
n
Xi pmi
X= ,
i=1 n
Exemplo 1.3 Exemplo de clculo de mdias com dados agrupados em intervalos

Anos (Xi ) Fi pmi Xi pmi
0`4 4 2 8
4`8 10 6 60
8 ` 12 7 10 70
Total 21 - 138
138
Assim, X = 21 = 6, 57.
12 / 140
1.5.2 Moda
Definimos a moda de um conjunto de dados como o valor mais frequente deste conjunto.
Notao: representamos a moda de um conjunto de dados por Mo.
Exemplo 1.4 Exemplo de modas
1, 2, 4, 5 e 8 - no existe valor mais frequente - no existe moda (Amodal).
2, 2, 3, 7 e 8 - Mo = 2 (Unimodal).
1, 1, 10, 5, 5, 8, 7, 2 - Mo = 1 e 5 (Bimodal).
Dados agrupados - Neste caso, a moda definida como classe modal, isto , a classe com a
maior frequencia.
Exemplo 1.5 Exemplo de clculo de classe modal

Tempo de Servio (Xi ) Fi
4 3
6 5
8 10
Total 18
Assim, Mo = 8 (F3 ).
Dados agrupados em intervalos: Neste caso, utiliza-se a frmula de Czuber:

h(FMo Fant )
Mo = lMo + ,
2FMo (Fant + FPos )
onde:
h a amplitude intervalar,
FMo a frequncia da classe modal,
lMo o limite inferior da classe modal,
Fant a frequncia da classe anterior classe modal,
FPos a frequncia da classe posterior classe modal.
13 / 140
Exemplo 1.6 Exemplo de clculo de moda pela frmula de Czuber

Anos (Xi ) Fi
0`4 4
4`8 10
8 ` 12 7
Total 21
Assim, h = 4, FMo = 10, lMo = 4, Fant = 4 e Fpos = 7. Da

4 (10 4)
Mo = 4 + = 6, 67.
2 10 (4 + 7)
1.5.3 Mediana
Definimos a mediana de um conjunto de dados como o valor que divide um conjunto de dados (orde-
nados) em duas partes com a mesma quantidade de dados.
Notao: representamos a mediana de um conjunto de dados por Md.
O elemento mediano (EMd ) aponta o local (nos dados) onde a mediana est localizada. A mediana
ser o valor assumido na posio EMd .
Dados no agrupados (brutos)
No caso de dados brutos, se o tamanho amostral (n) mpar, temos que EMd = (n + 1)/2.
Note que no caso tamanho amostral par, teremos dois valores possveis para o elemento medi-
ano: n/2 e n/2 + 1. Neste caso a mediana ser a mdia dos valores assumidos nestas posies.
Exemplo 1.7 Exemplo de clculo de mediana para dados brutos
1, 2, 4, 5 e 8. Como n mpar, temos EMd = 3, e Md = 4.
2, 2, 3, 7, 8 e 10. Aqui n par, assim EMd,1 = 6/2 = 3 e EMd,2 = 6/2 + 1 = 4. Da Md = (3 + 7)/2 =

5.
Dados agrupados
Neste caso, olhar a frequncia acumulada ajuda a encontrar a mdiana.
Caso 1: n mpar.
14 / 140
Exemplo 1.8 Exemplo de clculo de mediana com dados agrupados para n mpar
Considere a seguinte tabela:\vfill
Faltas (Xi ) Fi Fac
2 1 1
3 7 8
4 3 11
Total 11 -
Como n = 11, temos que EMd = (11 + 1)/2 = 6. Da Md = 3. Note que a frequncia acumulada
indica que nas posies de 2 at 8 temos o valor 3.
Caso 2: n par.
Exemplo 1.9 Exemplo de clculo de mediana com dados agrupados para n par
Tempo de Servio (Xi ) Fi Fac

4 3 3
6 5 8
8 10 18
Total 18
Neste caso n = 18, da temos EMd,1 = 18/2 = 9 e EMd,2 = 18/2 + 1 = 10. Portanto Md = (8 + 8)/2 =
8. Note, novamente, que a frequncia acumulada indica que nas posies de 9 at 18 temos o valor 8.
Dados agrupados em intervalos
Neste caso, utilizamos EMd = n/2 independentemente de n ser par ou mpar.

A classe mediana a primeira classe tal que Fac EMd .
Portanto, definimos a mediana pela frmula

EMd Fac,ant
Md = lMd + h ,
FMd
onde,
lMd o limite inferior da classe mediana,
h a amplitude do intervalo,
Fac,ant a frequncia acumulada da classe anterior classe mediana,
FMd a frequncia da classe mediana.
15 / 140
Exemplo 1.10 Exemplo do clculo da mediana para dados agrupados em intervalos

Anos (Xi ) Fi Fac
0`4 4 4
4`8 10 14
8 ` 12 7 21
Total 21
Assim, EMd = 21/2 = 10, 5, e desta forma temos que a segunda classe a classe mediana. Da
lMd = 4, h = 4, Fac,ant = 4 e FMd = 10. Portanto,

10, 5 4
Md = 4 + 4 = 6, 6.
10
1.6 Medidas de Disperso
As medidas de disperso medem o grau de variabilidade dos elementos de uma distribuio;
O valor zero indica ausncia de disperso;
A disperso aumenta medida que aumenta o valor da medida de disperso.
Exemplo 1.11 Exemplo de motivao para as medidas de disperso

Notas de alunos em cinco avaliaes, UFPB, 2009.
Alunos Notas Mdia

Antnio 5 5 5 5 5 5
Joo 6 4 5 4 6 5
Jos 10 5 5 5 0 5
Pedro 10 10 5 0 0 5
Observa-se que: * As notas de Antnio no variaram;
As notas de Joo variaram menos do que as notas de Jos;
As notas de Pedro variaram mais do que as notas de todos os outros alunos.
Principais Medidas de Disperso:
Amplitude,
Desvio Mdio,
Varincia,
Desvio Padro,
Coeficiente de Variao.
16 / 140
1.6.1 Amplitude
A amplitude nos fornece uma idia do campo de variao dos elementos. Mais precisamente, ela
fornece a maior variao possvel dos dados.
A amplitude dada pela frmula
A = Xmax Xmin .
Exemplo 1.12 Exemplo de clculo de amplitude

No exemplo anterior:
AAntnio = 0; AJoo = 2; AJos = 10; APedro = 10.
Nota
A amplitude no mede bem a disperso dos dados porque, usam-se apenas os valores
extremos, ao invs de utilizar todos os elementos da distribuio.
1.6.2 Desvio Mdio
Desejando-se medir a disperso dos dados em relao a mdia, parece interessante a anlise dos
desvios em torno da mdia. Isto , anlise dos desvios:
di = (Xi X).
Mas a soma de todos os desvios igual a zero. Isto :

n n
di = (Xi X) = 0.
i=1 i=1
Logo, ser preciso encontrar uma maneira de se trabalhar com os desvios sem que a soma d zero.
Dessa forma, define-se o desvio mdio.
Dados no agrupados (brutos):
Neste caso, calculamos o desvio mdio como:

n n
|di | |Xi X|
DM = = .
i=1 n i=1 n
Nota
Veja que os desvios foram considerados em mdulo, evitando-se assim que a soma fosse
nula.
Dados agrupados:
17 / 140
n n
|di | Fi |Xi X| Fi
DM = = .
i=1 n i=1 n
Nota
Xi representa um valor individual, no caso de uma distribuio de frequncia simples, ou o
ponto mdio da classe ( pmi ), no caso de uma distribuio de frequncia em classes.
Importante
O desvio mdio mais vantajoso que a amplitude, visto que leva em considerao todos
os valores da distribuio.
No entanto, no to frequentemente empregado, pois no apresenta propriedades ma-

temticas interessantes.
1.6.3 Varincia
A varincia a medida de disperso mais utilizada. o quociente entre a soma dos quadrados dos
desvios e o nmero de elementos. Assim, temos a seguinte definio de varincia populacional:
Dados no agrupados - (brutos):
Neste caso, a varincia dada pela frmula:

N N
di2 (Xi X)2
2 = = .
i=1 N i=1 N
Dados agrupados:
Aqui, podemos utilizar a frequncia para simplificar a frmula:

N N
2 di2 Fi (Xi X)2 Fi
= = .
i=1 N i=1 N
Nota
2 indica a varincia populacional e l-se sigma ao quadrado ou sigma dois. Neste caso,
X e N da formla representam a mdia populacional e o tamanho populacional, respectiva-
mente.
Temos ainda a seguinte definio de varincia amostral:
Dados no agrupados - (brutos):
Neste caso, a frmula dada por

n n
di2 (Xi X)2
S2 = =
i=1 n 1 i=1 n 1
18 / 140
Dados agrupados:
Podemos, novamente, utilizar as frequncias para simplificar a frmula:

n n
di2 Fi (Xi X)2 Fi
S2 = = .
i=1 n 1 i=1 n1
Nota
Xi representa um valor individual, no caso de uma distribuio de frequncia simples, ou o
ponto mdio da classe ( pmi ), no caso de uma distribuio de frequncia em classes.
Importante
Frmulas prticas para os clculos das varincias so dadas a seguir:
1h N 2
2 (N
i=1 Xi Fi )
2i
= Xi Fi
N i=1 N
ou
2 1 h n 2 (ni=1 Xi Fi )2 i
S = Xi Fi
n 1 i=1 n
que foram obtidas por transformaes nas respecitivas frmulas originais.
1.6.4 Desvio Padro
Temos tambm outra medida de disperso, que a raiz quadrada da varincia, chamada de desvio
padro. Assim,
= 2 o desvio desvio padro populacional
e
S= S2 o desvio desvio padro amostral.
Nota
Para o clculo do desvio padro deve-se primeiramente determinar o valor da varincia e,
em seguida, extrair a raiz quadrada desse resultado.
Exemplo 1.13 Exemplo de clculo das medidas de disperso

Calcular a amplitude, o desvio mdio, a varincia e o desvio padro da seguinte distribuio amostral:
Xi Fi
5 2
7 3
8 5
9 4
11 2
Total 16
19 / 140
Clculo da amplitude:
A = Xmax Xmin = 11 5 = 6.
Clculo do desvio mdio:
Primeiramente preciso do valor da mdia. Assim,
Xi Fi Xi Fi
5 2 10
7 3 21
8 5 40
9 4 36
11 2 22
Total 16 129
n
Xi Fi 129
X= = = 8, 06.
i=1 n 16
Para o clculo do DM so abertas novas colunas:
Xi Fi Xi Fi |Xi X| = |di | |di | Fi
5 2 10 |5 8, 06| = 3, 06 6,12
7 3 21 |7 8, 06| = 1, 06 3,18
8 5 40 |8 8, 06| = 0, 06 0,30
9 4 36 |9 8, 06| = 0, 94 3,76
11 2 22 |11 8, 06| = 2, 94 5,88
Total 16 129 - 19,24
Portanto,
n
|di | 19, 24
DM = = = 1, 20.
i=1 n 16
Clculo do varincia amostral:
Observe que o clculo ser facilitado, pois sabe-se que: n = 16; Xi Fi = 129. Resta encontrar
Xi2 Fi . Para tanto, uma nova coluna considerada na tabela.
Xi Fi Xi Fi Xi2 Fi
5 2 10 50
7 3 21 147
8 5 40 320
9 4 36 324
11 2 22 242
Total 16 129 1083
Portanto,
1 h n 2 (ni=1 Xi Fi )2 i
S2 = Xi Fi
n 1 i=1 n
1 h (129) 2 i 1h 16641 i
= 1083 = 1083
16 h 1 16i 15 16
1 17328 16641 687
= = = 2, 86.
15 16 15 16
Logo, a varincia amostral S2 = 2, 86.
20 / 140
Clculo do desvio padro amostral:

Como S = S2 , logo S = 2, 86 = 1, 69.
Dessa forma, podemos observar que a distribuio possui mdia 8, 06. Isto , seus valores esto em
torno de 8, 06 e seu grau de concentrao de 1, 2, medido pelo desvio mdio e de 1, 69, medido pelo
desvio padro.
1.6.5 Coeficiente de Variao
Trata-se de uma medida relativa de disperso til para a comparao em termos relativos do grau de
concentrao em torno da mdia de sries distintas. dado por
S
CV = 100.
X
onde, S o desvio padro amostral e X a mdia amostral.
O coeficiente de variao expresso em porcentagens.
Exemplo 1.14 Exemplo de clculo do coeficiente de variao

Numa empresa, o salrio mdio dos homens de R$ 4.000,00, com desvio padro de R$ 1.500,00, e
o das mulheres em mdia de R$ 3.000,00, com um desvio padro de R$ 1.200,00. Ento:
Para os homens:
1.500
CV = 100 = 37, 5%.
4.000
Para as mulheres:
1.200
CV = 100 = 40%.
3.000
Logo, podemos concluir que os salrios da mulheres apresenta maior disperso relativa do que o dos
homens.
Diz-se que a distribuio possui pequena variabilidade, ou disperso, quando o coeficiente der at
10%; mdia disperso quando estiver acima de 10% at 20%; e grande disperso quando superar
20%. Alguns analistas consideram:
Baixa disperso: CV 15%;
Mdia disperso: 15% < CV < 30%;
1.7 Atividades
1. Em um estado, foram pedidos para 35 empresas os nmeros de empregados demitidos no ano de

2013. Os resultados informados pelas empresas esto dados abaixo:
35-30-30-45-41-48-64-41-47-56-43-36-45-40-33-49-37-34-56
40-41-37-45-48-34-52-25-53-41-38-41-37-45-35-41.
a) Construa uma tabela de distribuio de frequncia para estes dados.
21 / 140
b) Construa um histograma para estes dados.

2. Construa uma tabela de distribuio de frequncia e histograma para o seguinte conjunto de dados:
26-9-7-5-9-6-3-4-19-25-5-20-21-9-30-8-18-3-22-14-25-1-18-14-24.
3. Calule a mdia aritmtica dos dados da questo 1.
4. Calcule a mdia aritmtica dos dados da questo 2.
5. Calcule a moda dos dados da questo 1.
6. Calcule a moda dos dados da questo 2.
7. Calcule a mediana dos dados da questo 1.
8. Calcule a mediana dos dados da questo 2.
9. Calcule o desvio mdio dos dados da questo 1.
10. Calcule o desvio mdio dos dados da questo 2.
11. Calcule a varincia amostral e populacional dos dados da questo 1.
12. Calcule a varincia amostral e populacional dos dados da questo 2.
13. Calcule o coeficiente de variao dos dados da questo 1.
14. Calcule o coeficiente de variao dos dados da questo 2.
Feedback sobre o captulo

Voc pode contribuir para melhoria dos nossos livros. Encontrou algum erro? Gostaria de
submeter uma sugesto ou crtica?
Para compreender melhor como feedbacks funcionam consulte o guia do curso.
22 / 140
Captulo 2
Teoria dos Conjuntos e Contagem
Entender o que um conjunto, um elemento de um conjunto
Entender as relaes entre conjuntos
Conhecer os principais mtodos de contagem
Saber a diferena entre combinao e arranjo e como aplicar essas definies em pro-
blemas prticos
Conhecer o binmio de Newton
O objetivo deste captulo apresentar os pr-requisitos necessrios para estudar probabilidade.
2.1 Teoria dos Conjuntos
Conjunto uma coleo de objetos. A natureza desses objetos arbitrria, ou seja, podemos ter
conjunto de qualquer coisa. Por exemplo, podemos ter conjuntos de pessoas; conjuntos de nmeros;
conjuntos de letras; podemos ter at conjuntos de conjuntos!
Ns representaremos conjuntos por letras maisculas A, B,C, . . ..
Chamamos os objetos que formam o conjunto de elementos. Assim, para descrever um conjunto,
basta listar seus elementos. Existem trs maneiras de descrever os elementos de um conjunto A:
Listando os elementos. Por exemplo, A = {1, 2, 3, 4, . . .};

Descrevendo os elementos. Por exemplo, A o conjunto de todos os nmeros inteiros;
Colocando condies. A = {x; x nmero real e 0 x 1}.
Nota
importante observar a notao. Sempre escreveremos os elementos que formam um con-
junto entre chaves. O ponto-e-vrgula, quando estiver entre chaves deve ser lido como tal
que. Por exemplo, no conjunto A = {x; x nmero real e 0 x 1}, lemos, A o conjunto
dos nmeros reais tais que 0 x 1.
23 / 140
Quando o objeto x elemento do conjunto A, dizemos que x pertence a A, e escrevemos x A.

Analogamente, se x no elemento do conjunto A, dizemos que x no pertence a A, e escrevemos
x
/ A.
Existe um conjunto que no possui nenhum elemento. Esse conjunto especial chamado de conjunto
vazio e denotado por 0.
/
Importante
muito importante notar que o conjunto vazio 0/ no possui nenhum elemento, portanto no
h chaves na sua notao. O conjunto {0}/ NO o conjunto vazio, e sim um conjunto com
um elemento, e esse elemento o conjunto vazio.
2.1.1 Comparao entre conjuntos
Sejam A e B dois conjuntos. Dizemos que A subconjunto de B, e escrevemos, A B se todo elemento

de A elemento de B. Ou seja, se sempre que x A, temos que x B. Se existe x A tal que x
/ B,
dizemos que A no subconjunto de B, e escrevemos A 6 B.
Exemplo 2.1 Exemplo de comparao entre conjuntos

Sejam A = {1, 2, 3, 4, 5}, B = {2, 4} e C = {3, 5, 7}.
Ento, temos que B A, mas C 6 A, A 6 C, A 6 B, C 6 B e B 6 C.
Exerccio
Mostre que para todo conjunto A, o conjunto vazio subconjunto de A, ou seja, que 0/ A.
Soluo
Suponha que 0/ 6 A, ento por definio, isso significa que existe x 0/ tal que x 6 A. Como 0/
no possui nenhum elemento, impossvel encontrar o tal elemento x.
Portanto, a afirmao 0/ 6 A falsa. Isso mostra que 0/ A.
Definio: Igualdade de conjuntos

Dizemos que os conjuntos A e B so iguais, e escrevemos A = B, se todo elemento de A
elemento de B e todo elemento de B elemento de A.
Equivalentemente, temos que A = B se, e somente se, A B e B A.
2.1.2 Unio de conjuntos
Suponha que temos dois conjuntos A e B. Podemos definir um terceiro conjunto, chamado de conjunto
unio de A e B, formado pelos elementos de A e pelos elementos de B. Matematicamente, escrevemos
A B = {x; x A ou x B}.
24 / 140
Exemplo 2.2 Exemplo de unio de conjuntos

Sejam A = {1, 2, 3, 4, 5}, B = {2, 4} e C = {3, 5, 7}.
Ento, A B = {1, 2, 3, 4, 5},
Nota
Se A B, ento todo elemento de A j elemento de B, e portanto A B = B.
De maneira geral, dados conjuntos A1 , A2 , A3 , . . ., definimos o conjunto formado pela unio dos con-
juntos A1 , A2 , . . ., como o conjunto que contm todos os elementos de A1 , de A2 , etc.. Matematica-
mente, temos:

[
Ai = {x; existe i tal que x Ai }.
i=1
Exerccio
Fornea a definio da unio de n conjuntos A1 , A2 , . . . , An .
Soluo
Definimos a unio de n conjuntos A1 , . . . , An , como o conjunto formado pelos elementos de
A1 , . . . , An , ou seja, o conjunto
n
[
Ai = {x; x A1 ou x A2 , . . . , ou x An }.
i=1
2.1.3 Interseo de conjuntos
Suponha que temos dois conjuntos A e B. Considere agora o conjunto formado pelos objetos que so
elementos de A e tambm so elementos de B. Este conjunto chamado de conjunto interseo de A
e B. Escrevemos este conjunto, matematicamente, como
A B = {x; x A e x B}.
Exemplo 2.3 Exemplo de interseo de conjuntos

Sejam A = {1, 2, 3, 4, 5}, B = {2, 4} e C = {3, 5, 7}.
Ento, A B = {2, 4}, A C = {3, 5} e B C = 0. /
Nota
Se A B, ento todo elemento de A elemento de B, assim os elementos que esto em A
e B, so os elementos de A. Ou seja, A B = A.
25 / 140
De maneira geral, dados conjuntos A1 , A2 , A3 , . . ., definimos a interseo entre os conjuntos

A1 , A2 , A3 , . . . como o conjunto formado pelos elementos que esto simultaneamente em todos os
conjuntos. Escrevemos esse conjunto matematicamente como

\
Ai = {x; x A1 , x A2 , . . .}.
i=1
Exerccio
Fornea a definio da interseo de n conjuntos A1 , A2 , . . . , An .
Soluo
Definimos a interseo de n conjuntos A1 , . . . , An , como o conjunto formado pelos elementos
que esto simultaneamente A1 , . . . , An , ou seja, o conjunto
n
\
Ai = {x; x A1 e x A2 , . . . , e x An }.
i=1
2.1.4 Diferena entre conjuntos
Suponha que temos dois conjuntos A e B. Considere agora o conjunto formado por objetos que so
elementos de B, mas no so elementos de A. Esse conjunto chamado de B menos A, e denotado
por B \ A. Matematicamente, temos
B \ A = {x; x B e x
/ A}.
Exemplo 2.4 Exemplo de diferena de conjuntos

Sejam A = {1, 2, 3, 4, 5}, B = {2, 4} e C = {3, 5, 7}.
Ento, A \ B = {1, 3, 5}, A \C = {1, 2, 4}, B \C = {2, 4}, B \ A = 0,
/ C \ A = {7} e C \ B = {3, 5, 7}.
2.1.5 Complementar de um conjunto
Um caso particular e importante de diferenas de conjunto o complementar. Esta definio parti-

cularmente til no curso de probabilidade.
Suponha que temos um conjunto de referncia, digamos M. Dado qualquer conjunto A M, defini-
mos o complementar de A (em M), como o conjunto Ac = M \ A.
Ateno
Quando est claro no contexto quem o conjunto de referncia, o conjunto Ac referido
apenas como complementar de A.
O complementar de A descrito como o conjunto dos elementos que no pertencem a A. Fica claro
que o conjunto dos elementos que no pertencem a A, mas pertencem ao conjunto de referncia M.
26 / 140
2.1.6 Propriedades entre as relaes entre conjuntos
Valem as seguintes identidades entre unio, interseo e complementao entre conjuntos:\\
A (B C) = (A B) (A C);
A (B C) = (A B) (A C);
A 0/ = 0;
/
A 0/ = A;
(A B)c = Ac Bc ;
(A B)c = Ac Bc ;
(Ac )c = A.
2.2 Contagem
Vamos agora introduzir tcnicas de contagem.
2.2.1 Regra da multiplicao
A primeira tcnica conhecida como regra da multiplicao. Para ilustrar a tcnica, considere o
seguinte exemplo:
Exemplo 2.5 Exemplo para ilustrar a regra da multiplicao

Fernando possui 10 pares de meias e 3 pares de sapatos. Sabendo que Fernando pode utilizar
qualquer par de meia com qualquer sapato, de quantas formas diferentes, ele pode combinar pares de
meias com sapatos?
Vamos comear colocando rtulos nos sapatos: sapato 1, sapato 2 e sapato 3. O sapato 1 pode ser
usado com 10 pares de meias; o sapato 2 tambm pode ser usado com 10 pares de meias; e o sapato
3 tambm pode ser usado com 10 pares de meias. Portanto, como Fernando pode utilizar o sapato 1,
o sapato 2 e o sapato 3, ele poder fazer 10+10+10 = 30 combinaes diferentes entre pares de meias
e sapatos.
Resumindo, cada sapato pode ser associado a 10 pares de meias, e como temos 3 sapatos, o total de
combinaes 30 = 3 10. Por isso o nome regra da multiplicao. Pois multiplicamos o nmero de
sapatos pelo nmero de pares de meias.
A regra geral dada por:
Regra da multiplicao
Suponha que temos 2 tipos de objetos: tipo 1 e tipo 2. Suponha que cada objeto do tipo 1 pode
ser combinado com todos os objetos do tipo 2. Assim, se temos n objetos de tipo 1 e m objetos
de tipo 2, teremos n m combinaes possveis entre objetos de tipo 1 e objetos de tipo 2.
27 / 140
2.2.2 Regra da adio
Vamos agora ilustrar outra tcnica de contagem, que conhecida como a regra da adio. Para
motivar, considere o seguinte exemplo:
Exemplo 2.6 Exemplo para ilustrar a regra da adio

Paulo tem 15 blusas de manga comprida e 10 blusas de manga curta e apenas uma cala. Sabendo
que Paulo no usa duas blusas ao mesmo tempo, de quantas formas ele pode se vestir?
Como Paulo s possui uma cala, o que determina a quantidade de formas de se vestir a quantidade
de blusas. Como Paulo possui 25 = 10+15 blusas, segue que Paulo pode se vestir de 25 formas
diferentes.
Assim, como Paulo no pode usar uma blusa de manga comprida e outra de manga curta ao mesmo
tempo, segue que temos que escolher uma nica blusa entre o total de blusas que dada pela soma
entre a quantidades de blusas de manga comprida e blusas de manga curta.
A regra geral dada por:
Regra da adio
Suponha que temos objetos de dois tipos, digamos tipo 1 e tipo 2. Suponha que temos n objetos
do tipo 1 e m objetos do tipo 2. Temos ento n + m formas de escolher um objeto (de qualquer
tipo) entre os objetos disponveis.
Outra forma de escrever essa regra a seguinte: suponha que temos n formas de executar
uma tarefa usando o procedimento 1, e m formas de executar essa mesma tarefa usando o
procedimento 2. Sabendo que no podemos usar os dois procedimentos conjuntamente, esta
tarefa pode ser realizada de n + m formas diferentes.
2.2.3 Permutao
Suponha que temos k objetos organizados em uma determinada ordem. Se mudarmos a ordem em
que estes objetos esto colocados, dizemos que fizemos uma permutao entre esses objetos. Uma
pergunta importante saber qual o nmero de permutaes possveis entre estes k objetos. Para
ilustrarmos a ideia considere o seguinte exemplo:
Exemplo 2.7 Exemplo de permutaes

Quantas filas diferentes podemos formar com Pedro, Paulo, Carlos e Joo?
Tambm poderamos escrever a pergunta como: Qual o nmero de permutaes possveis entre
quatro pessoas?
Vamos enumerar as posies: primeira, segunda, terceira e quarta. Para a primeira posio temos
4 escolhas possveis. Agora, supondo que j escolhemos a primeira posio, qualquer que seja a
primeira pessoa escolhida, temos possibilidades para a segunda posio. Analogamente, temos 2
possibilidades para a terceira posio e apenas uma para a quarta.
Pela regra da multiplicao, temos 4 3 2 1 = 24 possibilidades.
28 / 140
Notao
O nmero n! chamado de fatorial de n e dado por
n! = n (n 1) (n 2) 3 2 1.
Por exemplo, 6! = 6 5 4 3 2 1. No exemplo anterior, o nmero de possibilidades 4! = 24.

Finalmente, temos a regra da permutao:
Permutaes
Suponha que temos n objetos, ento o nmero de permutaes desses n objetos n!.
2.2.4 Arranjos
Suponha que temos n objetos, de quantas formas podemos escolher k objetos entre esses n objetos,
sabendo que a ordem em que esses objetos so escolhidos importa?
O nmero de formas chamado de nmero de arranjos. Considere o seguinte exemplo:
Exemplo 2.8 Exemplo de arranjos

Suponha que uma corrida de rua tem 1000 atletas inscritos. Quantos pdios podemos formar com
esses 1000 atletas?
Um pdio consiste de trs pessoas, ordenadas pelo campeo, vice-campeo e terceiro lugar. Assim,
temos 1000 formas de escolher o campeo, 999 formas de escolher o vice-campeo e 998 formas de
escolher o terceiro lugar. Portanto, temos 1000 999 998 pdios possveis.
1000!
Note que 1000 999 998 = 997! .
Assim, a regra dos arranjos :
Arranjo
Suponha que temos n objetos disponveis. Ento, o nmero de formas de escolher k objetos,
onde a ordem em que os objetos foram escolhidos importa, dada por
n!
An,k = .
(n k)!
No exemplo anterior, podemos pensar nas pessoas como 1000 objetos, e queramos escolher 3 objetos,
onde a ordem importa (a ordem determina o campeo, vice-campeo e terceiro lugar), e portanto o
nmero de formas A1000,3 = 1000!
997! .
2.2.5 Combinaes
Suponha que estamos no mesmo cenrio dos arranjos, ou seja, temos n objetos e queremos escolher
k objetos. Entretanto, suponha que a ordem no importa mais. Assim, s estamos interessados no
nmero de formas de escolher os k objetos, mas a ordem em particular pela qual os objetos foram
escolhidos no importa. O nmero de tais formas dado pelo nmero de combinaes possveis.
Considere o seguinte exemplo:
29 / 140
Exemplo 2.9 Exemplo de combinaes

Suponha que uma empresa possui 1000 funcionrios, e que o presidente da empresa gostaria de saber
o nmero de equipes de 3 pessoas que podem ser formadas com esses 1000 funcionrios. Qual o
nmero que o presidente procura?
Note que este exemplo muito parecido com o dos arranjos, inclusive temos 1000 objetos e
queremos escolher 3. Entretanto o fato da ordem no importar muda tudo.
Como em uma equipe a ordem das pessoas no importa, devemos levar essa informao em
considerao.
Vamos ento fingir que a ordem importa, ento a quantidade de formas seria A1000,3 = 1000!
997! . Observe
agora que para cada equipe de formada por 3 pessoas, temos 3! pdios possveis a se formar. Desta
forma, se C o nmero de equipes de 3 pessoas que podemos formar com 1000 funcionrios, ento
3! C o nmero de pdios que podemos formar com 1000 pessoas, pois cada equipe fornece 3!
pdios (aqui utilizamos a regra da multiplicao).
1000! A1000,3 1000!

Como sabemos que o nmero de pdios possveis A1000,3 = 997! , segue que C = 3! = 3!997! .
Assim, temos a regra geral das combinaes:
Combinao
Suponha que temos n objetos e queremos escolher k objetos, onde a ordem em que os objetos
n!
foram escolhidos no importa. Ento temos Cn,k = k!(nk)! formas de escolher esses k objetos.
Cn,k chamado o nmero de combinaes de n, k-a-k.
Nota
Este nmero de combinaes possui uma notao especial, a saber, nk = k!(nk)!
n!

, e so
chamados de coeficientes binomiais.
Cuidado
Observe que em geral o nmero de arranjos bem maior que o nmero de combinaes.
De fato, temos que
An,k = k!Cn,k .
Portanto, importante no confundir arranjos com combinaes porque os resultados podem
ser muito diferentes.
2.2.6 Binmio de Newton
Sejam a, b nmeros reais, e seja n um nmero natural. Ento, temos que
(a + b)n = (a + b)(a + b) (a + b) .
| {z }
n termos
30 / 140
fcil saber, pela distributividade, que o resultado da multiplicao ser uma soma da forma:
(a + b)n = (a + b) (a + b) = C0 an +C1 an1 b + Cn bn .
Assim, queremos determinar quais so os valores de Ci , para i = 0, . . . , n. Observe que Ci o n-

mero de termos da forma ani bi que aparecem aps a expanso do termo (a + b)n . Este nmero
dado pelo nmero de formas em que podemos escolher (n i) parcelas da multiplicao iguais a a
(automaticamente as i parcelas restantes sero de termos iguais a b). Como a ordem das parcelas no
importa, o nmero de formas justamente o nmero de combinaes de n, (n i)-a-(n i), e dado
n! n
por Ci = Cn,(ni) = (ni)!i! = Cn,i = i .
Portanto, temos a frmula do binmio de Newton:
n
n n n n ni i n n n ni i
(a + b) = a ++ a b ++ b = a b.
0 i n i=0 i
2.3 Atividades
1. Verdadeiro ou Falso?
a. {a, a, b, c} = {a, b, c};
b. {a, {a}} = {a};
c. {a} {a, {a}};
d. {a} {a, {a}};
e. {{a}} {a, {a}};
f. {a, b} {a, {a, b}};
g. {a, b} {a, {a, b}};
h. b {a, {a, b}};
i. 0/ {0};
/
j. 0/ = {0};
/
k. 0/ {0};
/
l. {0}
/ {{0}};
/
m. {0}
/ {{0}};
/
n. {0}
/ = {{0}}.
/
2. Sejam A = {1, 2, 3, 4, {5}, {6, 7}}, B = {4, {5}, 6, 7} e C = {5, 6, 7}. Determine os seguintes con-
juntos:
a. A \ 0;
/
b. A \ A;
31 / 140
c. A \C;
d. C \ A;
e. A \ B;
f. B \ A;
g. B \C.
3. Seja M = {1, 2, 3, 4, {1}, {2}, {3}, {4}}. Sejam A = {1, {2}, 3, {4}} e B = {{1}, 2, {3}, 4}.
a. Mostre que A e B so subconjuntos de M, e conclua que podemos falar sobre o complementar

de A e sobre o complementar de B (ambos com relao a M);
b. Determine os conjuntos: Ac , Bc , A Bc , Ac B, Ac Bc , A B, A Ac e B Bc .
c. Determine os conjuntos: A B, Ac B, Ac Bc , A Bc , A Ac e B Bc .
4. Quantas palavras contendo 3 letras diferentes podem ser formadas com um alfabeto de 26 letras?
5. Para fazer uma viagem Joo Pessoa-Salvador-Joo Pessoa, posso ir de carro, nibus ou avio. De
quantos modos posso escolher os transportes se no desejo usar na volta o mesmo meio de transporte
da da?
6. Quantos so os gabaritos possveis de um teste de 10 questes de mltipla escolha, com cinco
alternativas por questo?
7. De quantos modos 3 pessoas podem sentar-se em 5 cadeiras em fila?
8. O departamento de computao cientfica de uma universidade possui 20 professores. De
quantos modos podem ser escolhidos um chefe de departamento, um coordenador da graduo e um
coordenador de ps-graduao?
9. Quantos so os anagramas da palavra CAPTULO?
10. Quantos so os anagramas da palavra CAPTULO que tm a letra C no primeiro lugar E a letra
A no segundo lugar E a letra P no terceiro lugar?
11. Joo tem 10 frutas diferentes e deseja fazer vrios tipos de saladas de frutas, onde cada salada
contm exatamente 4 frutas. Quantos tipos de saladas de frutas ele pode fazer?
12. Em uma prova, o estudante deve escolher exatamente 7 questes entre 10 disponveis. Quantas
escolhas ele tem?
13. De quantos modos podemos escolher 6 pessoas, incluindo pelo menos duas mulheres, em um
grupo de 7 homens e 4 mulheres?

32 / 140
Captulo 3
Definies Bsicas
As principais definies da probabilidade

Reconhecer um modelo com resultados equiprovveis e modelos com resultados que
no so equiprovveis
Entender e saber aplicar o conceito de probabilidade condicional
Saber enunciar e aplicar o teorema da probabilidade total e o teorema de Bayes
Saber a definio e intuio de eventos independentes
Modelos Matemticos
Modelo Determinstico: Um modelo no qual as condies impostas ao modelo determinam

o resultado do experimento.
Modelo Probabilstico: Modelos nos quais, mesmo mantendo as mesmas condies, o re-
sultado do experimento pode variar. Isso se deve a um fator aleatrio o qual no podemos
controlar.
Experimento aleatrio
Consiste em um experimento em que, mesmo mantendo as mesmas condies, o resultado do
experimento pode variar.
Exemplo 3.1 Exemplos de experimentos aleatrios
1. Lanar um dado e observar o resultado.
2. Jogar trs moedas e contar o nmero de vezes que o resultado foi cara.
3. Medir o nmero de nascimentos na cidade de Joo Pessoa na ltima hora.
33 / 140
3.1 Fundamentos de Probabilidade
Definio: Espao amostral

Espao amostral o conjunto de todos os resultados possveis de um experimento. Denotamos
o conjunto de todos os resultados por .
Exemplo 3.2 Espaos amostrais associados aos exemplos anteriores
1. = {1, 2, 3, 4, 5, 6};
2. = {0, 1, 2, 3};
3. = {0, 1, 2, 3, . . .}, = {0, 1, 2, ..., 7000000000}, . . ..
Nota
Observe que no ltimo exemplo tivemos mais de uma opo de espao amostral. Isto no
contradiz a definio de espao amostral. De fato, podemos ter mais de uma opo de es-
paos amostrais, o importante que cada uma dessas opes contenha todos os resultados
possveis.
Definio: Evento
Seja o espao amostral de um experimento. Todo conjunto A tal que podemos calcular
a probabilidade de A chamado de evento.
Destacamos dois eventos importantes:
1. chamado de evento certo;
2. 0/ chamado de evento impossvel.
Nota
O conjunto de todos os eventos possui uma estrutura chamada de -lgebra. Apesar da
definio de -lgebra ser muito simples, no h necessidade de estudarmos -lgebras,
pois todos os conjuntos que utilizaremos ao longo do livro sero eventos. Alm disso, as
aplicaes onde realmente necessrio o uso de -lgebras fogem do escopo deste livro.
Como cada evento um conjunto, vale a pena descrever os eventos obtidos aps realizarmos as
operaes clssicas de conjuntos entre eventos.
34 / 140
Exemplo 3.3 Eventos
A B: o evento A ou B;
A B: o evento A e B;
Ac : o evento no ocorrncia de A;
A B: significa que se o evento A ocorre, ento o evento B ocorre.
A B = 0:
/ significa que A e B so eventos mutuamente excludentes, ou seja, a ocorrncia de A
implica que B no ocorre, e a ocorrncia de B implica que A no ocorre.
Definio: Partio
Dado um espao amostral , uma partio P = {A , I} de uma coleo de eventos,
A , indexados por , tais que:
Para todo 6= , A A = 0;
/
S
I A = .
Portanto, temos que os eventos de uma partio so dois-a-dois mutuamente excludentes e sua unio
todo o espao amostral.
Exemplo 3.4 Exemplo de partio

Se = {1, 2, 3, 4}, ento {A1 , A2 }, onde A1 = {1, 2, 3} e A2 = {4}, uma partio de .
3.2 Noes de Probabilidade
Definio: Medida de Probabilidade

Seja E um experimento. Seja um espao amostral, e seja E um evento de . Dizemos que
P uma medida probabilidade em se para todo evento A, temos que P(A) um nmero
no-negativo, chamado de probabilidade de A, tal que
0 P(A) 1;
P() = 1;
(Aditividade finita) Se A e B forem eventos mutuamente excludentes, temos que P(A B) =
P(A) + P(B);
(Aditividade contvel) Se Ai , i = 1, 2, 3, . . . forem eventos dois-a-dois mutuamente excluden-
tes, ento,
[
P Ai = P(Ai ).
i=1 i=1
Provaremos agora algumas consequncias desta definio.
Teorema
/ = 0.
Seja 0/ o conjunto vazio, ento P(0)
35 / 140
Demonstrao
Para qualquer evento A, podemos escrever A = A 0.
/ Como A e 0/ so mutuamente excludentes,
decorre da aditividade finita que P(A) = P(A 0)
/ = P(A) + P(0).
/ Desta forma, P(0)/ = 0.
Teorema
Seja Ac o evento complementar de A. Ento P(Ac ) = 1 P(A).
Demonstrao
Podemos escrever = A Ac . Alm disso, A e Ac so mutuamente excludentes. Portanto, pela
aditividade finita, temos que 1 = P() = P(A Ac ) = P(A) + P(Ac ). Desta forma, segue que
P(Ac ) = 1 P(A).
Teorema
Sejam A e B dois eventos quaisquer. Ento P(A B) = P(A) + P(B) P(A B).
Demonstrao
Temos que A B = A (B Ac ) (faa um desenho) e B = (A B) (B Ac ). Desta forma,
temos que como A e B Ac so mutuamente excludentes, vale P(A B) = P(A) + P(B Ac ).
Por outro lado, temos que A B e B Ac tambm so mutuamente excludentes. Portanto, segue
que P(B) = P(A B) + P(B Ac ) P(B Ac ) = P(B) P(A B).
Juntando as duas equaes, obtemos que
P(A B) = P(A) + P(B) P(A B).
Mais geralmente temos o
Teorema (Princpio da incluso e excluso)

Sejam A1 , A2 , . . . , An n eventos quaisquer. Ento,
n
P(A1 A2 An ) = P(Ai) P(Ai A j )
i=1 i< j
+ P(Ai A j Ak ) + + (1)n1 P(A1 An ).
i< j<k
Teorema
Sejam A e B dois eventos. Suponha que A B, ento P(A) P(B).
Demonstrao
Temos que B = A (B Ac ), com A e B Ac sendo mutuamente excludentes.
Desta forma,P(B) = P(A) + P(B Ac ). Por outro lado, P(B Ac ) 0.
Portanto, temos que P(B) P(A).
Exerccio
Mostre que a coleo de intervalos {(n, n + 1] : n R} uma partio do conjunto dos nmeros
reais R.
Soluo
Denote por [x] a parte inteira do nmero real x. Temos que para todo x real, vale
x ([x] 1, [x]] ([x], [x] + 1].
36 / 140
[ [
Portanto, vale x (n, n + 1], ou seja, R (n, n + 1].
nZ nZ
[
Por outro lado, n Z, (n, n + 1] R. Da (n, n + 1] R. Portanto, conclumos que
nZ
[
R= (n, n + 1].
nZ
3.3 Espaos Amostrais Finitos
Seja um espao amostral associado a um experimento aleatrio E com um nmero finito de resul-
tados possveis. Ento pode ser escrito da seguinte forma: = {1 , . . . , n }, para algum nmero
natural n.
A cada evento simples {i }, i = 1, . . . , n, associamos um nmero pi , i = 1, . . . , n de tal forma que duas
condies sejam satisfeitas:
1. pi 0 para todo i = 1, . . . , n;
2. p1 + + pn = 1.
Assim, definimos a probabilidade da ocorrncia do resultado i , i = 1, . . . , n como sendo P({i }) =

pi .
Suponha que tenhamos um evento A consistindo de k resultados possveis, ou seja, A = { j1 , . . . , jk },
onde j1 , . . . , jk assumem valores entre 1 e n. Pela propriedade da aditividade contvel, a probabilidade
do evento A dada por
P(A) = P({ j1 }) + + P({ jk }) = p j1 + + p jk .
Exerccio
Suponha que somente trs resultados sejam possveis em um experimento, a saber, a1 , a2 e a3 .
Alm disso, suponha que a1 seja duas vezes mais provvel de ocorrer do que a2 , o qual, por
sua vez, duas vezes mais provvel de ocorrer do que a3 . Determine as probabilidades de
ocorrncia de a1 , a2 e a3 .
Soluo
Sejam p1 , p2 e p3 as probabilidades de ocorrncias de a1 , a2 e a3 , respectivamente. Ento,
temos do enunciado que p1 = 2p2 e que p2 = 2p3 . Como sabemos que p1 + p2 + p + 3 = 1,
temos que 4p3 + 2p3 + p3 = 1, ou seja, p3 = 1/7.
Isto fornece p1 = 4/7, p2 = 2/7 e p3 = 1/7.
3.4 Resultados Equiprovveis
Suponha que temos um experimento com n resultados possveis e que todos esses resultados sejam
equiprovveis, isto , todos os resultados possuem a mesma probabilidade de ocorrncia. Neste caso,
dizemos que o experimento possui resultados equiprovveis. Digamos que os resultados possveis do
experimento so a1 , . . . , an .
37 / 140
Sejam p1 , p2 , . . . , pn as probabilidades de ocorrncias dos eventos a1 , a2 , . . . , an , respectivamente. En-

to, como todos os resultados possuem a mesma probabilidade de ocorrncia, temos que p1 = p2 =
= pn = p.
Alm disso, sabemos que p1 + + pn = 1, ou seja, np = 1, o que por sua vez implica que p = 1/n.
Utilizando a propriedade de aditividade contvel da probabilidade podemos concluir o seguinte resul-
tado: Seja A um evento que contm k resultados possveis, ento P(A) = k/n.
Este mtodo de avaliar a probabilidade do evento A normalmente enunciado da seguinte maneira:
nmero de resultados favorveis a A
P(A) = .
nmero de resultados possveis
Exerccio
Um dado lanado e todos os resultados so igualmente provveis. O evento A ocorrer se, e
somente se, um nmero maior do que 4 aparecer, isto , A = {5, 6}. Calcule P(A).
Soluo
Como temos 6 resultados possveis e 2 resultados favorveis, temos que P(A) = 2/6 = 1/3.
3.5 Probabilidade Condicional
Suponha que temos a seguinte situao: Um lote formado por 100 monitores de computador. Foi
verificado que neste lote, temos 80 monitores em perfeito estado e 20 monitores defeituosos. Suponha
que dois monitores so retirados do lote ao acaso. Considere ento os eventos:
A = O primeiro monitor defeituoso e B = O segundo monitor defeituoso.
Suponha que a retirada dos monitores seja com reposio. Isto , o primeiro monitor retirado,
verifica-se se defeituoso ou no, e colocado de volta ao lote. Neste cenrio, temos 20 casos
favorveis ao evento A, entre 100 casos possveis, e 20 casos favorveis ao evento B, tambm entre
100 casos possveis. Desta forma, no cenrio com reposio, temos que P(A) = P(B) = 1/5.
Entretanto temos um segundo cenrio possvel: que a retirada dos monitores seja feita sem reposio,
isto , o primeiro monitor retirado, verifica-se se este defeituoso, e em seguida um segundo monitor
retirado (sem que o primeiro seja devolvido ao lote), donde aps a retirada, verifica-se se o segundo
monitor defeituoso ou no.
Neste cenrio, ainda temos 20 casos favorveis ao evento A e 100 casos possveis. No entanto, para
o evento B o problema no se torna fcil, pois no sabemos se no momento da retirada do segundo
monitor teremos 19 casos favorveis ou 20 casos favorveis. Isto depender se o evento A ocorreu ou
no. A nica coisa certa que temos 99 casos possveis para o evento B.
A fim de resolver este problema vamos introduzir um novo conceito, o de probabilidade condicional.
Assim que tivermos desenvolvido a teoria o suficiente para resolver o problema acima, terminaremos
a soluo dele.
Definio: Probabilidade condicional

Sejam agora, A e B dois eventos associados a um experimento E. Suponha que P(A) > 0, ento
denotamos por P(B|A) a probabilidade do evento B ocorrer condicionada ocorrncia do evento
A. Esta probabilidade condicional definida como
P(A B)
P(B|A) = .
P(A)
38 / 140
Cuidado
Vale a pena relembrar que na probabilidade condicional P(B|A) estamos supondo que
P(A) > 0.
Importante
Sempre que calculamos a probabilidade condicional P(B|A), o que estamos fazendo na pr-
tica reduzir o espao amostral original para um espao amostral de eventos favorveis
ocorrncia do evento A. Esse espao amostral chamado de espao amostral reduzido.
Exerccio
Dois dados equilibrados (onde todos os resultados so equiprovveis) so lanados. Os resul-
tados so registrados como o par ordenado (x1 , x2 ), onde x1 representa o resultado obtido no
lanamento do primeiro dado, e x2 representa o resultado do lanamento do segundo dado. Con-
sideremos os eventos: A = {(x1 , x2 ); x1 + x2 = 10} e B = {(x1 , x2 ); x1 > x2 }. Calcule P(A|B) e
P(B|A).
Soluo
Escrevendo os eventos A, B e A B explicitamente, temos que
A = {(5, 5), (4, 6), (6, 4)},
B = {(2, 1), (3, 1), (4, 1), (5, 1), (6, 1), (3, 2),
(4, 2), (5, 2), (6, 2), (4, 3), (5, 3), (6, 3), (5, 4), (6, 4), (6, 5)}
e
A B = {(6, 4)}.
O nmero de casos totais 36, pois temos 6 casos possveis para o primeiro lanamento e 6
casos possveis para o segundo lanamento.
Assim, como os resultados so todos equiprovveis, temos que
3 1 15 5 1
P(A) = 36 = 12 , P(B) = 36 = 12 e P(A B) = 36 .
Assim, segue que
P(AB) 1/36 1 P(AB) 1/36
P(A|B) = P(B) = 5/12 = 15 e P(B|A) = P(A) = 1/12 = 31 .
3.5.1 Teorema da Multiplicao
A mais importante consequncia da definio da probabilidade condicional obtida ao escrevermos:

P(A B) = P(A|B)P(B) ou equivalentemente, P(A B) = P(B|A)P(A).
Estas igualdades so chamadas de Teorema da multiplicao ou Teorema do produto.
Existe uma generalizao para mais de dois eventos e ela a seguinte: Dados eventos A1 , A2 , . . . , An ,
temos que
P(A1 A2 An ) = P(A1 )P(A2 |A1 )P(A3 |A1 A2 ) P(An |A1 An1 ).
39 / 140
Exerccio
Uma caixa contm 4 lmpadas boas e 2 queimadas. Retira-se ao acaso 3 lmpadas sem reposi-
o. Calcule a probabilidade dessas 3 lmpadas serem boas.
Soluo
Sejam os eventos Ai = {A i-sima lmpada boa}, para i = 1, 2, 3. Queremos calcular a proba-
bilidade do evento A1 A2 A3 . Sabemos, pelo teorema da multiplicao, que
P(A1 A2 A3 ) = P(A1 )P(A2 |A1 )P(A3 |A1 A2 ).
Vamos ento calcular cada uma dessas probabilidades separadamente.

Inicialmente, temos 4 resultados favorveis ao evento A1 , entre 6 resultados possveis, logo
P(A1 ) = 46 = 23 .
Agora, vamos considerar o espao amostral reduzido para calcular P(A2 |A1 ). Dado que A1
ocorreu, e como estamos sem reposio, para a retirada da segunda lmpada teremos 3 lmpa-
das boas, e um total de 5 lmpadas. Logo, P(A2 |A1 ) = 35 .
Analogamente, para calcular P(A3 |A1 A2 ), observe que se $A_1$ e $A_2$ ocorreram, ento
para a retirada da terceira lmpada, teremos 2 lmpadas boas e um total de 4 lmpadas. Desta
forma,
2
P(A3 |A1 A2 ) = 4 = 12 .
Finalmente, juntando estas probabilidades obtemos que
231
P(A1 A2 A3 ) = 352 = 15 .
3.5.2 Teorema da Probabilidade Total
Seja o espao amostral de um experimento E, e seja B1 , B2 , . . . , Bk uma partio de . Assim, dado

um evento A qualquer, temos que
A = (A B1 ) (A B2 ) (A Bk ).
Observe que como os eventos A B1 , A B2 , . . . , A Bk so dois-a-dois mutuamente excludentes,

podemos aplicar a aditividade contvel da probabilidade, que vlida para eventos mutuamente ex-
cludentes, e escrever
P(A) = P(A B1 ) + + P(A Bk ).
Essa forma acima chamada a primeira forma do Teorema da probabilidade total. Vamos agora
para a segunda forma. Escrevendo cada termo P(A Bi ) = P(A|Bi )P(Bi ) e, da, obtemos a segunda
forma do teorema da probabilidade total:
P(A) = P(A|B1 )P(B1 ) + + P(A|Bk )P(Bk ).
Agora j temos teoria suficiente para resolver o problema dos monitores apresentado no incio da
seo:
Exerccio
Consideremos o exemplo do lote com 20 monitores defeituosos e 80 monitores em perfeito
estado, no qual extramos duas peas sem reposio, e queremos calcular a probabilidade do
evento B = {O segundo monitor defeituoso}.
40 / 140
Soluo
Relembre a definio do evento A: A ={O primeiro monitor defeituoso}.
Pelo teorema da probabilidade total, segue que
P(B) = P(B|A)P(A) + P(B|Ac )P(Ac ).
J sabemos que P(A) = 15 . Isto fornece tambm, pela propriedade do complementar P(Ac ) =
1 P(A) = 45 .
Vamos calcular agora P(B|A) e P(B|Ac ) separadamente.
Dado que o evento A ocorreu, e sabendo que estamos sem reposio, para o segundo monitor,
teremos 99 monitores disponveis e entre eles, apenas 19 so defeituosos. Assim, P(B|A) = 19
99 .
Analogamente, temos que se Ac ocorreu, ento o primeiro monitor escolhido estava em per-
feito estado. Assim, neste cenrio, para a escolha do segundo monitor, teremos 20 monitores
defeituosos disponveis entre o total de 99 monitores. Assim P(B|Ac ) = 20
99 .
Juntando todas as informaes, temos que
19 1 20 4 80 + 19 1
P(B) = + = = .
99 5 99 5 99 5 5
Ento, curiosamente, apesar das contas serem completamente diferentes, e de estarmos sem
reposio, neste caso, as probabilidades tambm so iguais. Note que isso uma coincidncia
e no ocorre em geral.
Cuidado
Note que embora no exemplo acima as probabilidades com reposio e sem reposio coin-
cidiram, isto no ocorre sempre!
3.5.3 Teorema de Bayes
Assim como no teorema da probabilidade total, seja um espao amostral associado a um experi-
mento E, e seja B1 , B2 , . . . , Bk uma partio de .
Temos ento, pela definio da probabilidade condicional que
P(A Bi )
P(Bi |A) = , i = 1, 2, . . . , k.
P(A)
Usando o teorema da multiplicao, temos que P(A Bi ) = P(A|Bi )P(Bi ). Alm disso, pelo teorema
da probabilidade total, temos que P(A) = kj=1 P(A|B j )P(B j ).
Portanto, juntando essas frmulas com a definio da probabilidade condicional, obtemos:
P(A|Bi )P(Bi )
P(Bi |A) = , i = 1, . . . , k.
j=1 P(A|B j )P(B j )
Esta frmula conhecida como Teorema de Bayes.
Exerccio
Numa turma de cincias da computao da UFPB, 1% dos homens e 4% das mulheres possuem
menos de 1,60m de altura. Alm disso, 60% dos estudantes so homens. Se um estudante
selecionado ao acaso e verificado que tem menos de 1,60m de altura. Qual a probabilidade
desse estudante ser homem?
41 / 140
Soluo
Defina os eventos
A = {Estudantes com menos de 1,60m}, M = {Estudantes do sexo feminino} e H = {Estudan-
tes do sexo masculino}.
Pelo enunciado, sabemos que P(A|H) = 0, 01, P(A|M) = 0, 04, P(H) = 0, 6 e P(M) = 1
P(H) = 0, 4.
Alm disso, pelo teorema de Bayes, segue que
P(A|H)P(H) 0, 01 0, 6 3
P(H|A) = = = .
P(A|H)P(H) + P(A|M)P(M) 0, 01 0, 6 + 0, 04 0, 4 11
3.6 Eventos Independentes
Considere dois eventos A e B quaisquer de um mesmo espao amostral . Dois eventos A e B so

independentes quando a probabilidade de ocorrer um dos eventos no modificada pela ocorrncia
do outro. Ou seja, dizemos que A e B so independentes quando P(A|B) = P(A) ou P(B|A) = P(B).
Assim, se A e B so eventos independentes, ento
P(A B) = P(A)P(B).
Nota
Observe que se vale a recproca dessa ltima afirmao, ou seja, se vale a identidade acima,
ento os eventos so independentes.
Exerccio
Suponha que um dado equilibrado seja jogado duas vezes. Sejam os eventos: A = {o primeiro
dado mostra um nmero par} e B = {o segundo dado mostra o nmero 5 ou 6}. Calcule
P(A), P(B), P(A B), P(A|B) e P(B|A).
Soluo
Escrevendo explicitamente, temos que
= {(1, 1), (1, 2), (1, 3), . . . , (6, 6)}, onde possui 36 elementos,
A = {(2, 1), (2, 2), (2, 3), (2, 4), (2, 5), (2, 6), (4, 1), (4, 2), (4, 3),
(4, 4), (4, 5), (4, 6), (6, 1), (6, 2), (6, 3), (6, 4), (6, 5), (6, 6)},
onde A possui 18 elementos,
B = {(1, 5), (2, 5), (3, 5), (4, 5), (5, 5), (6, 5), (1, 6), (2, 6), (3, 6), (4, 6), (5, 6), (6, 6)},
onde B possui 12 elementos, e A B = {(2, 5), (2, 6), (4, 5), (4, 6), (6, 5), (6, 6)}, onde A B
possui 6 elementos.
Portanto, temos que
18
P(A) = 36 = 12 , P(B) = 12
36 = 1
3 e P(A B) = 6
36 = 16 .
Observemos que P(A B) = = 12 13 = P(A)P(B). Logo, pelo que vimos acima, os eventos so
1
6
independentes e desta forma, P(A|B) = P(A) = 12 , e P(B|A) = P(B) = 13 .
Podemos tambm verificar diretamente:
P(AB) 1/6 1 P(AB) 1/6
P(A|B) = P(B) = 1/3 = 2 e P(B|A) = P(A) = 1/2 = 13 .
42 / 140
Podemos generalizar este resultado para n eventos. Isto fornece a seguinte definio:
Definio: n eventos independentes

Sejam A1 , A2 , . . . , An eventos em um mesmo espao amostral . Dizemos que A1 , . . . , An so
eventos independentes se, e somente se, para k = 2, 3, . . . , n, e todas as escolhas possveis de
ndices i1 , . . . , ik , onde cada i j um nmero entre 1 e n, e eles so diferentes, vale a igualdade
P(Ai1 Ai2 Aik ) = P(Ai1 ) P(Aik ).
Nota
Neste caso, temos 2n n 1 relaes a serem verificadas.
Exerccio
Suponha que um par de moedas honestas sejam lanadas. Considere os eventos: A = {cara
na primeira moeda}, B = {cara na segunda moeda} e C = {cara em exatamente uma moeda}.
Mostre que os eventos A, B e C so dois-a-dois independentes, mas no so independentes.
Soluo
Observe que = {(cara,cara),(cara,coroa),(coroa,cara),(coroa,coroa)}. Note que possui 4
elementos.
Temos que A = {(cara,cara),(cara,coroa)}, B = {(cara,cara), (coroa,cara)}, C =
{(cara,coroa),(coroa,cara)}. Alm disso, segue que A B = {(cara,cara)}, A C =
{(cara,coroa)}, B C = {(coroa,cara)}.
Portanto, temos que P(A) = 42 = 21 , P(B) = 24 = 12 , P(C) = 24 = 12 . Por outro lado, temos que
latexmath:[P(A B) = 41 = 12 12 = P(A)P(B), P(A C) = 14 = 12 21 = P(A)P(C) e P(B C) =
1 1 1
4 = 2 2 = P(B)P(C).
Isso mostra que os eventos A, B e C so dois-a-dois independentes. Entretanto, temos que
A B C = 0,
/ e desta forma,
1
P(A B C) = 0 6= 8 = P(A)P(B)P(C).
Logo, os eventos A, B e C no so independentes.
3.7 Atividades
1. Sejam A, B e C trs eventos em um espao de probabilidade. Expresse os seguintes eventos em

termos de A, B e C:
a) Apenas A ocorre;
b) A e B ocorrem, mas C no ocorre;
c) Os trs eventos ocorrem;
d) Pelo menos um dos trs ocorrem;
e) Nenhum dos trs ocorrem;
f) Exatamente um dos trs ocorre;
43 / 140
2. Extraem-se 4 cartas de um baralho com 52 cartas. Qual a probabilidade de que 2 sejam

vermelhas e 2 sejam pretas?
3. Qual a probabilidade de que os aniversrios de 12 pessoas sejam em meses diferentes?
4. Quatro nmeros so sorteados ao acaso, sem reposio, do conjunto {0, 1, 2, . . . , 9}. Calcule a
probabilidade de que:
a) Os quatro nmeros sorteados podem ser ordenados de forma consecutiva, por exemplo,
{1, 2, 3, 4}.
b) Todos sejam maiores do que 5.
c) O nmero 0 seja escolhido.
d) Pelo menos um seja maior do que 7.
e) Todos sejam mpares.
5. Sejam A e B dois eventos em um espao de probabilidade tais que P(A) = 1/2, P(B) = 1/4 e
P(A B) = 1/5. Calcule as probabilidades dos seguintes eventos:
a) A no ocorre;
b) B no ocorre;
c) Pelo menos um entre A e B ocorrem;
d) A no ocorre e B sim;
e) B no ocorre e A sim;
f) Ocorre exatamente um de A e B;
g) No ocorre nenhum de A e B;
h) Pelo menos um de A e B no ocorre.
6. Escolhe-se ao acaso um nmero entre 1 e 50. Sabendo que o nmero primo, qual a probabi-
lidade de que seja mpar?
7. Em um programa de auditrio o participante lana um dado honesto 6 vezes. Ele ganha um prmio
de participao se obtiver o mesmo nmero pelo menos duas vezes, e ganha um prmio milionrio se
a face 6 aparecer pelo menos quatro vezes. Qual a probabilidade de que o participante:
a) Ganhe o prmio de participao?
b) Ganhe o prmio milionrio?
c) Tenha ganho o prmio milionrio dado que ganhou o prmio de participao?
8. Em um curso preparatrio para o vestibular, 1/3 dos estudantes so do sexo masculino e 2/3 so
do sexo feminino. A proporo dos rapazes que estudam matemtica 20% e apenas 10% das moas
estudam matemtica. Obtenha as probabilidades de que:
a) Um estudante escolhido ao acaso estude matemtica.
b) Um estudante de matemtica escolhido ao acaso seja do sexo feminino.
9. Lana-se um dado duas vezes. Considere os eventos:
A = {Foi obtido 2 ou 5 no primeiro lanamento}
e
B = {A soma das faces obtidas nos dois primeiros lanamentos pelo menos 7}.
44 / 140
A e B so independentes?
10. Dois estudantes, Pedro e Paulo, esto matriculados na turma de Probabilidade e Estatstica. Pedro
comparece a 80% das aulas e Paulo comparece a 60%. Suas presenas nas aulas so independentes.
Calcule a probabilidade de que, em determinado dia:
a) pelo menos um dos estudantes comparea a aula.
b) apenas um deles esteja presente.

45 / 140
Captulo 4
Variveis Aleatrias e Suas Distribuies
Saber a definio de varivel aleatria

Saber identificar variveis aleatrias discretas
Entender o que e como calcular a funo de probabilidade de uma varivel aleatria
discreta
Saber identificar variveis aleatrias contnuas
Entender o que e como calcular a funo de densidade de uma varivel aleatria
contnua
Saber a definio e como calcular a funo de distribuio acumulada
Saber a relao entre a funo de distribuio acumulada e funo de probabilidade (no
caso de variveis aleatrias discretas)
Saber a relao entre a funo de distribuio acumulada e funo de densidade (no
caso de variveis aleatrias contnuas)
Saber a definio e exemplos de variveis aleatrias mistas
Entender o que so e como trabalhar com funes de variveis aleatrias
Imaginemos que existe a definio de que a temperatura de Joo Pessoa considerada quente se
maior do que 27 graus Celsius, considerada confortvel se est entre 20 e 27 graus Celsius, e
considerada fria se menor do que 20 graus Celsius. Suponha que nosso espao amostral para o
experimento medir a temperatura de Joo Pessoa pela manh. Suponha que nosso espao amostral,
que contm todos os resultados possveis para a temperatura, = R. Se queremos determinar se a
temperatura fria, confortvel ou quente, a melhor ferramenta para isso definir uma funo X :
{fria,confortvel,quente}. Ou seja, uma funo que associa a cada valor de temperatura, a quantidade
fria, confortvel ou quente. Por exemplo, X(10) = frio; X(34) = quente, e X(22) = confortvel.
Neste exemplo, foram medidas temperaturas, 10, 34 e 22, respectivamente.
Essa funo X que utilizamos o que chamamos de uma varivel aleatria. Ou seja, um rtulo que
damos para os valores possveis no espao amostral.
Na prtica, o mais comum utilizar variveis aleatrias, onde associamos cada valor do espao amos-
tral a um nmero real, ao invs de um conjunto arbitrario. Isso se deve ao fato, de que existem muitas
46 / 140
distribuies de probabilidade conhecidas tomando como valores nmeros reais. Portanto, ao consi-
derar uma varivel aleatria que toma valores reais, estamos pegando um problema de probabilidade
genrico, e transformando num problema de probabilidade de nmeros reais, e assim podemos utilizar
toda a teoria de distribuies discretas e contnuas para resolver o problema.
Desta forma, mais precisamente, temos a
Definio: Varivel Aleatria

Seja um espao amostral e seja X : R uma funo X que associa a cada elemento
um nmero real X() R.
Exemplo 4.1 Exemplo de varivel aleatria

Suponha que sorteamos 3 pessoas em Joo Pessoa e observamos se homem ou mulher. Suponha que
queremos saber o nmero de mulheres sorteadas. Para isso, defina a varivel aleatria X : R, onde
X pode assumir os valores, 0,1,2 e 3. Se denotamos homem por H e mulher por M, temos que =
{MMM, MMH, MHM, HMM, MHH, HMH, HHM, HHH}, e portanto X(MMM) = 3, X(MMH) =
X(MHM) = X(HMM) = 2, X(MHH) = X(HMH) = X(HHM) = 1, X(HHH) = 0.
Definio: Imagem Inversa

Seja um espao amostral e seja X : R uma varivel aleatria. Dado qualquer subconjunto
B R, definimos a imagem inversa de B pela varivel aleatria X como o conjunto X 1 (B) =
{ ; X() B}. Ou seja, X 1 (B) consiste dos elementos de que so levados no conjunto
B pela varivel aleatria X.
A partir da imagem inversa de X 1 (B) podemos construir uma nova medida de probabilidade induzida
pela varivel aleatria X.
Definio: Probabilidade induzida pela varivel aleatria X

Definimos a probabilidade P(X B) como sendo P(X 1 (B)), ou seja, como a probabilidade do
evento X 1 (B). Da mesma forma, definimos P(X = a) como sendo P(X 1 ({a})), ou seja, a
probabilidade da varivel aleatria assumir o valor a.
Exerccio
Escreva o que significa P(X b) para algum nmero real b.
Soluo
Seguindo a mesma ideia da definio, temos que P(X b) deve ser definido como a probabili-
dade de X ser menor ou igual a b, assim, a probabilidade de X pertencer ao intervalo da reta
(, b]. Portanto, P(X b) = P(X 1 ((, b])).
Exerccio
Suponha que na cidade de Joo Pessoa, temos a mesma quantidade de homens e de mulhe-
res, e que cada sorteio de pessoas feito com reposio e independentemente do(s) sorteio(s)
anterior(es). Seja X a varivel aleatria que indica o nmero de mulheres sorteadas. Calcule:
P(X = 0), P(X = 1), P(X = 2) e P(X 2).
Soluo
Temos que P(X = 0) = P(HHH) = 18 ; P(X = 1) = P({HHM, HMH, MHH}) = P(HHM) +
P(HMH) + P(MHH) = 83 ; P(X = 2) = P(HMM, MHM, MMH) = P(HMM) + P(MHM) +
P(MMH) = 38 . Finalmente,
1 3 3 7
P(X 2) = P(X = 0) + P(X = 1) + P(X = 2) = + + = .
8 8 8 8
47 / 140
Poderamos tambm ter resolvido utilizando a tcnica de tomar complementares. Como X s

pode assumir valores 0, 1, 2 e 3, temos que,
1 7
P(X 2) = 1 P(X > 2) = 1 P(X = 3) = 1 P(MMM) = 1 = .
8 8
4.1 Variveis Aleatrias Discretas
Como falamos anteriormente, nosso objetivo em considerar variveis aleatrias tomando como va-
lores nmeros reais, se deve ao fato de haver uma teoria bem completa em torno dessas variveis
aleatrias. Dentre as variveis aleatrias reais, existem dois grandes grupos: as variveis aleatrias
discretas e as variveis aleatrias contnuas. Nosso objetivo nesta seo consiste em definir, e apre-
sentar vrios exemplos de variveis aleatrias discretas.
Definio: Varivel aleatria discreta

Seja um espao amostral e seja X : R uma varivel aleatria. Se existe uma sequncia
nmeros a1 , a2 , a3 , . . ., tais que X s pode assumir um dos valores dessa sequncia. Ento
dizemos que X uma varivel aleatria discreta.
Nota
Note que apesar da sequncia a1 , a2 , a3 , . . . ser uma sequncia infinita, o conjunto de valores
possveis para a varivel aleatria X pode ser finito ou infinito enumervel. Por infinito enu-
mervel, ns queremos dizer um conjunto infinito que pode ser indexado pelo conjunto dos
nmeros naturais, ou seja, pelo qual podemos escrever uma sequncia numrica cobrindo
todos os nmeros.
No caso de variveis aleatrias discretas, sabemos que vale a seguinte identidade:

P(X {a1 , a2 , a3 , . . .}) = 1,
pois X necessariamente s assume valores nesse conjunto {a1 , a2 , a3 , . . .}. Portanto, utilizando a
aditividade contvel da medida de probabilidade, obtemos

1 = P(X {a1 , a2 , a3 , . . .}) = P(X = ai ),
i=1
e portanto temos que

i=1 P(X = ai ) = 1, e alm disso, sabemos que para cada i, vale P(X = ai ) 0.
Estes fatos motivam a seguinte definio:
Definio: Funo de probabilidade

Seja um espao amostral e seja X : R uma varivel aleatria discreta, e seja a1 , a2 , a3 , . . . ,
o conjunto de valores possveis de X. Definimos a funo de probabilidade da varivel aleatria
X como uma funo p(ai ), que associa a cada ai a probabilidade da varivel aleatria X assumir
o valor ai , isto , definimos p(ai ) = P(X = ai ).
Nota
Pelo que j vimos, uma funo de probabilidade satisfaz as seguintes propriedades: . para
todo i, p(xi ) 0; .
i=1 p(xi ) = 1.
48 / 140
Exerccio
Suponha que uma urna contm 6 bolas azuis e 4 bolas vermelhas. Quatro bolas so tiradas
aleatoriamente da urna, com reposio, e observada a cor da bola, antes da bola ser devolvida
urna. Seja X a varivel aleatria que indica o nmero de bolas vermelhas que foram retiradas
da urna. Obtenha a funo de probabilidade de X.
Soluo
Denote por V a bola vermelha e por A, a bola azul. Pelas informaes do problema, temos que
4 6
a probabilidade de se retirar uma bola vermelha 10 e a de se retirar uma bola azul 10 .
4 6
Assim, P(V ) = 10 = 0, 4 e P(A) = 10 = 0, 6.
O espao amostral do problema dado por
= {VVVV,VVVA,VVAV,VAVV, AVVV,VVAA,VAVA,
VAAV, AVAV, AAVV, AVVA,VAAA, AVAA, AAVA, AAAV, AAAA}.
fcil ver que o conjunto de valores possveis para a varivel aleatria X {0, 1, 2, 3, 4}.
Assim:
p(0) = P(X = 0) = P(AAAA) = (0, 6)4 ;
p(1) = P(X = 1) = P(AAAV, AAVA, AVAA,VAAA)
= P(AAAV ) + P(AAVA) + P(AVAA) + P(VAAA)
= (0, 6)3 0, 4 + (0, 6)3 0, 4 + (0, 6)3 0, 4 + (0, 6)3 0, 4 = 4(0, 6)3 0, 4;
p(2) = P(X = 2) = P(VVAA,VAVA,VAAV, AVAV, AAVV, AVVA)
= P(VVAA) + P(VAVA) + P(VAAV ) + P(AVAV ) + P(AAVV ) + P(AVVA)
= (0, 6)2 (0, 4)2 + (0, 6)2 (0, 4)2 + (0, 6)2 (0, 4)2
+ (0, 6)2 (0, 4)2 + (0, 6)2 (0, 4)2 + (0, 6)2 (0, 4)2
= 6(0, 6)2 (0, 4)2 ;
p(3) = P(X = 3) = P(VVVA,VVAV,VAVV, AVVV )
= P(VVVA) + P(VVAV ) + P(VAVV ) + P(AVVV )
= (0, 4)3 0, 6 + (0, 4)3 0, 6 + (0, 4)3 0, 6 + (0, 4)3 0, 6
= 4(0, 4)3 0, 6;
finalmente, p(4) = P(X = 4) = P(VVVV ) = (0, 4)4 .
4.2 Variveis Aleatrias Contnuas
As variveis contnuas so aquelas na qual a varivel aleatria pode assumir uma quantidade no-
enumervel de valores. Isto faz com que a probabilidade de assumir um valor especfico seja 0. Ou
seja, se X uma varivel aleatria contnua, para todo nmero real a, temos que P(X = a) = 0. A
intuio para este fato inusitado, que temos tantos valores possveis para X, que faz com que a
probabilidade de assumir um valor em particular seja 0. Neste caso, a probabilidade de X assumir um
valor trocada pela probabilidade de X pertencer a um intervalo da reta. Alm disso, no clculo da
probabilidade, a soma trocada por uma integral, conforme veremos na prxima definio.
Definio: Varivel Aleatria Contnua

Dizemos que X uma varivel aleatria contnua se existe uma funo real f : R R, a qual
chamamos de funo de densidade de X, que satisfaz as seguintes condies:
49 / 140
Para todo x real, f (x) 0;

Z
f (x)dx = 1;

Se f (x) satisfaz as duas primeiras condies, ento temos que para quaisquer a e b, <
Z b
a < b < , vale P(a X b) = f (x)dx.
a
Nota
Note portanto, que pela definio, para checar se uma funo f (x) uma funo de densi-
dade suficiente verificar duas coisas:
1. se para todo x real, temos f (x) 0;

Z
2. se f (x)dx = 1.

Importante
Como mencionamos anteriormente, a definio de varivel aleatria contnua implica que
para todo a real, P(X = a) = 0. De fato, como X possui uma funo de densidade f , temos
que Z a
P(X = a) = f (x)dx = 0.
a
Uma consequncia deste fato que P(a X b) = P(a < x < b) = P(a < x b) = P(a X < b).
Exerccio
Suponha que X seja uma varivel aleatria contnua com a funo de densidade
(
2x, 0 < x < 1;
f (x) = .
0, caso contrrio.
a. Mostre que f (x) uma funo de densidade;

b. Calcule P(X 1/2);
c. Calcule P(X 1/2|1/3 X 2/3) (probabilidade condicional).
Soluo
a.
R
Temos da definio de f (x) que para todo x real, f (x) 0. Basta verificar agora que
f (x)dx = 1. Note que f (x) = 0 fora do intervalo [0, 1], e portanto
Z Z 1 1
f (x)dx = 2xdx = x2 0 = 1.
0
Assim, f (x) funo de densidade

b. Z 1/2 1/2 1
P(X 1/2) = 2xdx = x2 = .

0 0 4
50 / 140
c.
P(1/3X1/2)
P(X 1/2|1/3 X 2/3) = P(1/3X1/2)
R 1/2
1/3
2xdx
= R 2/3
1/3
2xdx
1/2
x2

1/3 5/36
= 2/3 = 3/9
2

x
1/3
5
= 12 .
4.3 Funo de Distribuio Acumulada
Na teoria matemtica da probabilidade possvel mostrar que, dada uma varivel aleatria X, a pro-
babilidade de qualquer evento pode ser obtida a partir das probabilidades P(X a), onde a nmero
real. Ou seja, conhecendo P(X a) para todo a real, significa dizer que conhecemos P(X A) para
qualquer evento A. Este resultado um importante resultado de Teoria da Medida, e mostra o quo
rica a funo F(a) = P(X a). Por conta disso, ela recebe um nome:
Definio: Funo de Distribuio Acumulada

Seja um espao amostral, e seja X : R uma varivel aleatria discreta ou contnua.
Defina a funo FX : R R dada por FX (a) = P(X a), onde a nmero real. FX denomi-
nada a funo de distribuio acumulada da varivel aleatria X, ou simplesmente funo de
distribuio.
Se X for uma varivel aleatria discreta, ento
FX (a) = p(a j ),
j;a j a
onde a soma feita sobre os indces j, tais que a j a.
Se X for uma varivel aleatria contnua, ento

Z a
FX (a) = f (x)dx.

Exerccio
Seja X uma varivel aleatria discreta tomando valores 0,1 e 2. Suponha que sua funo de
probabilidade dada por p(0) = 1/2, p(1) = 1/3 e p(2) = 1/6. Obtenha FX .
Soluo
Se a < 0, ento FX (a) = P(X < a) P(X < 0) = 0. Como FX (a) = P(X a) 0, segue que
para todo a < 0, FX (a) = 0.
Suponha agora, 0 a < 1, ento FX (a) = P(X a) = P(X = 0) = p(0) = 1/2.
Seja agora, 1 a < 2. Ento, FX (a) = P(X a) = P(X = 0) + P(X = 1) = p(0) + p(1) =
1/2 + 1/3 = 5/6.
Finalmente, se a 2, ento FX (a) = P(X a) = P(X 2) = 1.
51 / 140
Assim,

0, a<0

1/2, 0 a < 1,
FX (a) = .

5/6, 1 a < 2,
a 2.

1,
Exerccio
Seja X uma varivel aleatria contnua com funo de densidade
(
2x, 0 < x < 1;
f (x) = .
0, caso contrrio.
J sabemos que f funo de densidade por um exerccio anterior. Obtenha sua funo de
distribuio FX .
Soluo
Temos que se a < 0, ento P(X a) P(X < 0) = 0. Assim, para a < 0, temos FX (a) = 0.
Para 0 a 1, temos Z a a
P(X a) = 2xdx = x2 0 = a2 .
0
Assim, para 0 a 1, vale FX (a) = a2 .
Finalmente, se a > 1, ento P(X a) = P(X 1) = 1.
Portanto, para a > 1, segue FX (a) = 1.
Desta forma,
0, 0 a < 0,

FX (a) = a2 , 0 a 1, .

1, a 1.

Nota
Observe que se a b, ento sempre que X() a, teremos X() a b, o que implica,
X() b. Assim, vale a incluso de conjuntos { ; X() a} { ; X() b}.
Logo, P(X a) P(X b).
Portanto, temos que se a b, ento FX (a) FX (b), ou seja, FX uma funo no-
decrescente.
Nota
possvel mostrar que para qualquer varivel aleatria X , vale lima FX (a) = 0 e
lima FX (a) = 1.
Importante
Note ainda que se X uma varivel aleatria discreta com conjunto de valores possveis
dado por {a1 , a2 , a3 , . . .}, ordenados de tal forma que a1 < a2 < a3 < a4 < . . ., ento temos
que
p(ai ) = P(X = ai ) = P(X ai ) P(X ai1 ) = FX (ai ) FX (ai1 ).
Ou seja, podemos obter a funo de probabilidade de X a partir da funo de distribuio de
X desta forma.
52 / 140
Nota
Note que esta ltima observao nos diz que se temos uma funo de distribuio de uma
varivel aleatria discreta, ento o conjunto de valores que a varivel aleatria X pode as-
sumir exatamente o conjunto dos pontos de descontinuidade da funo de distribuio FX .
Assim, se a1 o menor ponto de descontinuidade de X , ento P(X = a1 ) = FX (a1 ), e depois
disso, se FX descontnua no ponto ai , ento teremos que P(X = ai ) = FX (ai ) FX (ai1 ).
Exerccio
Suponha que X uma varivel aleatria discreta com funo de distribuio FX dada por

0, a < 0,

1/4, 0 a < 1,
FX (a) =

1/2, 1 a < 2,
a 2.

1,
Obtenha a funo de probabilidade p(ai ).
Soluo
Os pontos de descontinuidade da funo de distribuio FX so 0, 1 e 2. Portanto, pelo que
vimos, temos que p(0) = FX (0) = 1/4, p(1) = FX (1) FX (0) = 1/2 1/4 = 1/4, e finalmente,
p(2) = FX (2) FX (1) = 1 1/2 = 1/2.
Temos um resultado anlogo para variveis aleatrias contnuas.
Importante
Seja agora X uma varivel aleatria contnua. Ento, vale que
Z x
FX (x) = f (t)dt.

Ou seja, estamos dizendo que FX uma primitiva para a funo de densidade f . Desta
forma, podemos recuperar a funo de densidade, a partir da funo de distribuio, por
simples derivao em todos os pontos em que FX for derivvel:
dFX (a)
f (a) = = FX0 (a).
da
Exerccio
Suponha que X uma varivel aleatria contnua com funo de distribuio FX dada por
(
0, a < 0,
FX (a) = a
.
1 e , a 0.
Obtenha a funo de densidade f (x).
53 / 140
Soluo
Sabemos que a funo de densidade f (x) dada pela derivada da funo de distribuio em
todos os pontos em que esta for derivvel.
Assim, se x < 0, temos que f (x) = FX0 (x) = 0. Se x > 0, ento f (x) = FX0 (x) = ex . Em x = 0,
FX no derivvel, ento podemos supor f (x) = 0, j que o valor de uma funo em um nico
ponto no altera o valor da integral.
Portanto, a funo de densidade f da varivel aleatria X dada por
(
0, 0 x 0,
f (x) = x .
e , x > 0.
4.4 Variveis Aleatrias Mistas
Podemos ter tambm um terceiro tipo de varivel aleatria: a varivel aleatria mista. Ela consiste
em uma varivel aleatria cuja probabilidade uma mistura entre as variveis aleatrias contnuas e
discretas. Assim, se X uma varivel aleatria mista, ento existem nmeros reais a1 , a2 , a3 , . . . , tais
que para algum i, P(X = ai ) > 0, e tais que

P(X = ai) = p < 1,
i=1
ou seja, isso garante que ela tem esse comportamento da varivel aleatria discreta, mas no uma
varivel aleatria discreta, pois a soma no igual a 1.
Assim, seja FX a funo de distribuio da varivel aleatria X. Definimos a parte discreta da funo
de distribuio de X como FXd (x) = i;ai x P(X = ai ). Defina p(ai ) = P(X = ai ), ento dizemos que
a funo p a funo de probabilidade da parte discreta da varivel aleatria X.
Nota
Note que se X fosse uma varivel aleatria discreta, teramos FX = FXd .
Agora, defina FXc (x) = FX (x) FXd (x), a parte contnua da funo de distribuio da varivel
Z aleatria
x
X. Assim, se X uma varivel aleatria mista, existe uma funo f (t) 0, tal que FXc (x) = f (t)dt,
Z
e f (t)dt = 1 p. Dizemos que a funo f a funo de densidade da parte contnua de X.

Nota
Observe ento que se X uma varivel aleatria discreta, ento FXc (x) = 0, para todo x; e
se X uma varivel aleatria contnua, ento FXd (x) = 0, donde temos FX (x) = FXc (x).
Portanto, podemos concluir que FX (x) = FXc (x) + FXd (x), ou seja, vale:
Z x
FX (x) = P(X x) = f (t)dt + P(X = ai ).
i;ai x
54 / 140
Assim, suponha que dada uma funo de distribuio FX de uma varivel aleatria mista X, e que
queremos encontrar a funo de probabilidade da parte discreta de X, e a funo de densidade da
parte contnua de X.
Para tanto, comeamos procurando por pontos de descontinuidade de FX . Suponha que temos os
pontos a1 , a2 , . . ., ento, para encontrar a funo de probabilidade da parte discreta de X, basta calcular
para cada i, o nmero p(ai ) = P(X = ai ) = P(X ai ) P(X < ai ).
Uma vez, encontrada a funo de probabilidade da parte discreta de X, definimos FXc (x) = FX (x)
FXd (x), e obtemos a funo de densidade da parte contnua de X por derivao: f (x) = FXc 0 (x), ou seja,
derivamos a parte contnua da funo de distribuio FX .
Exerccio
Seja X uma varivel aleatria mista com funo de distribuio

0,
x 0,
FX (x) = x, 0 < x < 1/2,

1, x 1/2.

Obtenha a funo de probabilidade da parte discreta de X e a funo de densidade da parte

contnua de X.
Soluo
Observe que FX s possui apenas um ponto de descontinuidade no ponto x = 1/2. Assim, temos
que a funo de probabilidade da parte discreta dada por p(1/2) = P(X 1/2) P(X <
1/2) = FX (1/2) P(X < 1/2) = 1 1/2 = 1/2. Pois, como para x < 1/2, vale, P(X < x) = x,
temos, P(X < 1/2) = 1/2.
Portanto, temos que se x < 1/2, ento FXd (x) = 0, e se x 1/2, ento FXd (x) = 1/2. Da, se x <
1/2, FXc (x) = FX (x) FXd (x) = x, e se x 1/2, temos FXc (x) = FX (x) FXd (x) = 1 1/2 = 1/2.
Desta forma, temos que

0,
x 0,
c
FX (x) = x, 0 < x < 1/2, .

1/2, x 1/2.

Assim, derivando, obtemos que a funo de densidade da parte contnua de X dada por
(
0, x 0 ou x 1/2,
f (x) = .
1, 0 < x < 1/2.
4.5 Funes de Variveis Aleatrias
Definio: Funo de uma Varivel Aleatria

Seja X uma varivel aleatria tomando valores reais. Seja Im(X) = X() = {X(); }
a imagem de X, ou seja, o conjunto dos valores que a varivel aleatria X pode assumir. Seja
g : Im(X) R uma funo real. Ento, a funo Y = g(X) uma nova varivel aleatria, e
dizemos que Y uma funo da varivel aleatria X.
55 / 140
Relembre a definio de imagem inversa: para um subconjunto dos reais A R a imagem inversa de
A pela funo g o conjunto g1 (A) = {x Im(X); g(x) A}.
Assim, temos que para todo evento A R, vale P(Y A) = P(g(X) A) = P(X g1 (A)). Por-
tanto, podemos calcular probabilidades com relao varivel aleatria Y a partir diretamente de
probabilidades envolvendo apenas a varivel aleatria X.
Exemplo 4.2 Exemplo de funo de varivel aleatria discreta

Seja X uma varivel aleatria discreta tomando valores no conjunto 1, 2, 3, . . .. Suponha que P(X =
n) = (1/2)n . Defina a funo g : {1, 2, 3, . . .} R dada por f (2k) = 1, k = 1, 2, 3, . . ., e f (2k 1) =
1, para k = 1, 2, 3, . . .. Ou seja, g(x) igual a 1 se x par, e igual a -1 se x mpar. Desta forma,
definindo Y = g(X), temos que (
1, se X for par,
Y=
1, se X for mpar.
Assim, temos que P(Y = 1) = P(g(X) = 1) = P(X g1 ({1})). Note que g(x) = 1 se, e somente se,
x par, ou seja, g1 ({1}) = {2, 4, 6, . . .}. Assim,
P(Y = 1) = P(X {2, 4, 6, . . .}) = (1/2)2 + (1/2)4 + (1/2)6 + = 1/4 + (1/4)2 + (1/4)3 +
1/4
= 11/4 = 1/3.
Por outro lado, P(Y = 1) = 1 P(Y = 1) = 1 1/3 = 2/3.
Observe que outra forma equivalente de calcular P(Y = 1), seria observar que Y = 1 se, e somente se,
X par, e portanto {Y = 1} = {X {2, 4, 6, . . .}}. E portanto, P(Y = 1) = P(X {2, 4, 6, . . .}).
Exemplo 4.3 Exemplo de funo de varivel aleatria contnua

Seja X uma varivel aleatria contnua com funo de densidade dada por f (x) = 2x, se x (0, 1), e
0 caso contrrio. Seja Y = 3X + 1. Vamos encontrar a funo de densidade de Y , que denotaremos
por fY (y).
Primeiramente, note que como Im(X) = (0, 1), e assim Im(Y ) = (1, 4). Observe, agora, que P(Y
y) = P(3X + 1 y). Sabemos que 3X + 1 y se, e somente se, X (y 1)/3. Portanto, vale
FY (y) = P(3X + 1 y) = P(X (y 1)/3) = FX ((y 1)/3).
Finalmente, se y 0, ento FY (y) = P(Y y) = 0, e se y 4, temos FY (y) = P(Y y) = 1. Portanto,
se y < 0, ento fY (y) = FY0 (y) = 0, e se y > 4, ento fY (y) = FY0 (y) = 0.
Agora, se y (1, 4), temos que FY (y) = FX ((y 1)/3), e portanto, pela regra da cadeia
2((y 1)/3) 2(y 1)
fY (y) = FY0 (y) = FX0 ((y 1)/3) 1/3 = f ((y 1)/3) 1/3 = = .
3 9
Exerccio
Considere X varivel aleatria contnua com a densidade do exemplo anterior. Seja g(x) = ex .
Obtenha a funo de densidade de Y = g(X) = eX , fY (y).
Soluo
Como Im(X) = (0, 1), temos que Im(Y ) = (1/e, 1). Assim, se y < 1/e, ento FY (y) = P(Y
y) = 0, e se y > 1, ento FY (y) = P(Y y) = 1. Isto implica que se y < 1/e, fY (y) = FY0 (y) = 0,
e se y > 1, temos fY (y) = FY0 (y) = 0.
Falta considerarmos y (1/e, 1). Assim, temos que Y y se, e somente se, eX y, que por
sua vez, vale se, e somente se, X ln(y). Portanto, FY (y) = P(Y y) = P(X ln(y)) =
1 FX ( ln(y)). Onde temos que
P(X ln(y)) = 1 P(X < ln(y)) = 1 P(X ln(y)) = 1 FX ( ln(y)),
56 / 140
pois P(X = ln(y)) = 0, j que X uma varivel aleatria contnua.

Desta forma, obtemos, usando a regra da cadeia, que para y (1/e, 1),
1 2 ln(y)
fY (y) = FY0 (y) = (1 FX ( ln(y))0 = fX ( ln(y)) = .
y y
Exerccio
Seja X uma varivel aleatria contnua com funo de densidade f . Seja Y = X 2 . Encontre a
funo de densidade da varivel aleatria Y , fY .
Soluo
Observe que X 2 0. Da, se y < 0, segue que FY (y) = P(Y y) = 0, e portanto, para y < 0,
vale fY (y) = 0.
Suponha agora que y 0, e note que Y y se, e somente se, X 2 y. Esta ltima desigualdade
vale se, e somente se, X 2 y 0. Resolvendo essa inequao, obtemos que X 2 y 0 se,

e somente se, X y e X y. Assim, vale a igualdade entre os conjuntos {Y y} =

{ y X y}.
Portanto, como X varivel aleatria contnua, segue que,

FY (y) = P(Y y) = P( y X y) = P(X y) P(X < y) = FX ( y) FX ( y).
Da, pela regra da cadeia, vale que

1 1 1
FY0 (y) = f ( y) f ( y) = ( f ( y) + f ( y)) .
2 y 2 y 2 y
1
Portanto, fY (y) =
2 y f ( y) + f ( y) .
4.6 Atividades
1. Seja X uma varivel aleatria discreta com funo de probabilidade dada por
p(x) = cx, x = 1, . . . , 6.
Encontre:
a) o valor de c;
b) a probabilidade de X ser um nmero mpar.
2. Seja X uma varivel aleatria discreta com funo de probabilidade dada por
c
p(x) = , x = 0, 1, . . . .
4x
Obtenha:
a) o valor de x.
b) a probabilidade de X ser um nmero par.
57 / 140
3. Seja X uma varivel aleatria discreta com funo de distribuio dada por

0, se x < 0,

1/2, se 0 x < 1,

3/5, se 1 x < 2,
F(x) =
4/5,

se 2 x < 3,
9/10, se 3 x < 4,

1, se x 4.

Calcule:
a) a funo de probabilidade de X.
b) P(X = 0|X par).
4. Uma urna contm cinco bolas numeradas de 1 a 5. Duas bolas so retiradas simultaneamente.
Obtenha a funo de probabilidade das seguintes variveis aleatrias:
a) o maior nmero sorteado;
b) a soma dos nmeros retirados.
5. Verifique que as seguintes funes so densidades:
a)
1/8, se 0 x 2,

f (x) = 3/4, se 4 x 5,

0, caso contrrio.

b) f (x) = 3(1 x)2 , 0 x 1.

c) f (x) = 4xe2x , x 0.
6. Seja X uma varivel aleatria contnua com densidade dada por
c
f (x) = 3 , x 1.
x
Calcule:
a) o valor de c;
b) a probabilidade de X ser maior do que 2;
c) a funo de distribuio de X.
7. Encontre a densidade de Y = e2X , onde X uma varivel aleatria contnua com densidade
dada por f (x) = ex , x > 0.
8. Encontre a densidade de |X|, se X uma varivel aleatria contnua com densidade dada por
1 2
f (x) = ex /2 , x R.
2
9. Seja X uma varivel aleatria com densidade dada por

1/2,
se 1 < x < 0,
f (x) = ex /2, se x 0,

0, caso contrrio.

Obtenha a densidade de Y = X 2 .
58 / 140

59 / 140
Captulo 5
Esperana de uma Varivel Aleatria
Entender o que a esperana de variveis aleatrias
Conhecer as propriedades da esperana
Saber calcular a esperana
Entender o que a varincia de variveis aleatrias
Conhecer as propriedades da varincia
Saber calcular a varincia
Vamos comear introduzindo uma notao que ser til ao estudar o conceito de esperana matem-
tica: variveis aleatrias independentes.
5.1 Variveis aleatrias independentes
Relembre a definio de eventos independentes: sejam um espao amostral, A e B eventos de .

Ento, dizemos que os eventos A e B so independentes se P(A B) = P(A)P(B).
Esta definio motiva a definio de independncia entre variveis aleatrias:
Definio: Variveis Aleatrias Independentes

Sejam X : R e Y : R duas variveis aleatrias. Dizemos que X e Y so independentes
se para todos os eventos A, B R, vale a frmula:
P(X A e Y B) = P(X A)P(Y B).
Nota
Sejam X e Y so duas variveis aleatrias discretas. Suponha que X toma valores no con-
junto {a1 , a2 , a3 , . . .} e que Y toma valores no conjunto {b1 , b2 , b3 , . . .}. Ento, possvel
mostrar que X e Y so independentes se, e somente se, para cada ai e b j , temos
P(X = ai ,Y = b j ) = P(X = ai )P(Y = b j ).
60 / 140
5.2 Esperana matemtica
Vamos comear motivando a definio de esperana. A esperana pode ser pensada como uma ge-
neralizao da mdia. De fato, suponha que temos 10 pesos. O primeiro possui 1 quilo, o segundo
2 quilos, . . . , o dcimo 10 quilos. Suponha que uma pessoa escolhe um peso aleatoriamente, onde
todos os pesos possuem a mesma probabilidade de serem escolhidos. Qual o peso mdio?
Temos 1 quilo com probabilidade 1/10, 2 quilos com probabilidade 1/10, . . . , 10 quilos com probabi-
lidade 1/10. Assim, o peso mdio m = 1/10 + 2/10 + + 10/10 = 5, 5.
Mais geralmente temos a
Definio: Esperana de Variveis Aleatrias Discretas

Seja X uma varivel aleatria discreta tomando valores no conjunto {a1 , a2 , a3 , . . .}. Seja
p(ai ) = P(X = ai ) sua funo de probabilidade. Ento, definimos a esperana, ou valor es-
perado, de X como:

E(X) = ai p(ai ),
i=1
se a srie convergir, ou seja, se a srie
i=1 |ai |p(ai ) i=1 ai p(ai ) convergir absolutamente.
Caso a srie em questo no convirja absolutamente, dizemos que a esperana de X no existe.
claro que se X toma apenas uma quantidade finita de valores, digamos a1 , . . . , an , ento a esperana
de X dada por
n
E(X) = ai p(ai ).
i=1
Nota
Observe que como a soma p(a1 ) + + p(an ) = 1, podemos pensar nesta esperana como
uma mdia ponderada, entre os valores a1 , . . . , an , com os pesos p(a1 ), . . . , p(an ). Note
ainda que se todos os valores forem igualmente possveis, ou seja, se para cada i, p(ai ) =
1/n, ento a esperana ser dada simplesmente pela mdia aritmtica entre os valores
possveis:
1 n
E(X) = ai.
n i=1
Exemplo 5.1 Exemplo de esperana de varivel aleatria discreta

Seja X uma varivel aleatria que toma valor 1 com probabilidade p, e valor 0 com probabilidade
1 p. Temos ento que
E(X) = 0p(0) + 1p(1) = p(1) = P(X = 1) = p.
Vamos agora definir esperana para variveis aleatrias contnuas.
Definio: Esperana de Variveis Aleatrias Contnuas

Seja X uma varivel aleatria contnua com funo de densidade f . Definimos a esperana de
X como Z
E(X) = f (x)dx,

61 / 140
se Z
|x| f (x)dx < .

No caso da integral imprpria acima divergir, dizemos que a esperana de X no existe.
Exemplo 5.2 Exemplo de esperana de varivel aleatria contnua

Seja X uma varivel aleatria contnua com funo de densidade dada por
(
1
, a < x < b,
f (x) = ba
0, caso contrrio.
Portanto,
x2 b
Z b
x 1
E(X) = dx =
a ba ba 2 a
b2 a2 (b+a)(ba)
= 2(ba) = 2(ba)
= a+b
2 .
5.3 Esperana de uma Funo de Varivel Aleatria
Definio: Esperana de funo de varivel aleatria

Seja X uma varivel aleatria e seja Y = H(X), para uma funo real H. Temos ento dois
casos:
Se X for uma varivel aleatria discreta tomando valores em {a1 , a2 , . . .}, e se p a funo
de probabilidade de X, temos que

E(Y ) = E(H(X)) = H(ai )P(X = ai ) = H(ai )p(ai ).
i=1 i=1
Se X for uma varivel aleatria contnua com funo de densidade f , ento temos que
Z
E(Y ) = E(H(X)) = H(x) f (x)dx.

Exemplo 5.3 Exemplo de esperana de funo de uma varivel aleatria discreta

Vamos relembrar um exemplo estudando quando introduzimos funes de variveis aleatrias: seja
X uma varivel aleatria discreta tomando valores no conjunto 1, 2, 3, . . .. Suponha que P(X = n) =
(1/2)n . Defina a funo g : {1, 2, 3, . . .} R dada por f (2k) = 1, k = 1, 2, 3, . . ., e f (2k 1) = 1,
para k = 1, 2, 3, . . .. Ou seja, g(x) igual a 1 se x par, e igual a -1 se x mpar. Desta forma,
62 / 140
definindo Y = g(X), temos que

E(Y ) = E(g(X)) = g(i)P(X = i)
i=1

= g(2i)P(X = 2i) + g(2i 1)P(X = 2i 1)
i=1 i=1

= P(X = 2i) + (1)P(X = 2i 1)
i=1 i=1

2i
= (1/2) (1/2)2i1
i=1 i=1

= (1/2)2i 2 (1/2)2i
i=1 i=1

= (1/2)2i 2 (1/2)2i
i=1 i=1

= (1/2)2i
i=1

= (1/4)i
i=1
1/4
= 11/4
= 1/3.
Portanto, E(Y ) = 1/3.

Note que, quando apresentamos o exemplo no Captulo 4, vimos que Y s assume os valores 1 e 1.
Alm disso, calculamos sua funo de probabilidade:
P(Y = 1) = 2/3 e P(Y = 1) = 1/3.
Desta forma, usando diretamente a definio de esperana de variveis aleatrias discretas, temos:
E(Y ) = (1) 2/3 + 1 1/3 = 2/3 + 1/3 = 1/3.
Logo, vemos que no h contradio entre as definies, e as esperanas sempre vo coincidir.
Importante
Como vimos no exemplo anterior, na hora de calcular a esperana de funes de variveis
aleatrias discretas, temos duas opes:
Calcular diretamente, usando a funo de probabilidade de X , atravs da frmula

E(Y ) = E(H(X)) = H(ai )P(X = ai );
i=1
Obter a funo de probabilidade de Y e depois calcular a esperana de Y diretamente:

E(Y ) = b j P(Y = b j ),
j=1
onde Y toma valores em {b1 , b2 , . . .}.
63 / 140
Exemplo 5.4 Exemplo de esperana de funo de uma varivel aleatria contnua

Suponha que X uma varivel aleatria contnua com funo de densidade
( x
e
, x 0,
f (x) = e2x
2 , x > 0.
Tome Y = |X|, ento E(Y ) dada por
Z
E(Y ) = E(|X|) = |x| f (x)dx
Z
ex
ex
Z 0
= x dx +
dx. x
2 0 2
Observe que integrando por partes, obtemos que F(x) = xex + ex uma primitiva para xex e que
G(x) = xex ex uma primitiva para xex . Da,
Z x
ex
Z 0 0
1 1 e 1 1
x x
x dx = (xe + e ) = e x dx = (xex ex ) = .

2 2 2 0 2 2 0 2
Finalmente, juntando todas as informaes, obtemos
ex
Z 0 ex 1 1
Z
E(Y ) = x dx + x dx = + = 1.
2 0 2 2 2
Assim como no caso de variveis discretas, podemos calcular a esperana de Y diretamente. Para
isto, vamos obter a funo de densidade de Y . Observe que como X varivel aleatria contnua,
P(X = y) = 0 para todo y real. Assim, como Y 0, segue que para todo y 0:
FY (y) = P(Y y) = P(|X| y) = P(y X y) = P(y < X y) = FX (y) FX (y).
Desta forma, por derivao, obtemos que a funo de densidade de Y , fY (y) dada por
ey ey
fY (y) = f (y) + f (y) = + = ey ,
2 2
e f (y) = 0, se y < 0.
Portanto, Z Z
y y y
E(Y ) = y fY (y)dy = ye dy = (ye e ) = 1,

0 0
donde usamos que y
H(y) = ye ey primitiva de yey .
Assim como no caso de funes de variveis aleatrias discretas, as duas formas de calcular a espe-
rana fornecem o mesmo resultado.
Importante
Como vimos no exemplo anterior, e no caso de funes de variveis aleatrias discretas,
na hora de calcular a esperana de funes de variveis aleatrias contnuas, temos duas
opes:
Calcular diretamente, usando a funo de densidade de X , atravs da frmula

Z
E(Y ) = E(H(X)) = H(x) f (x)dx;

Obter a funo de densidade de Y , fY (y), e depois calcular a esperana de Y diretamente:

Z
E(Y ) = y fY (y)dy.

64 / 140
5.4 Propriedades da Esperana
Nessa seo vamos apresentar vrias propriedades da esperana matemtica e demonstrar algumas
delas.
Propriedades da esperana
(Esperana da constante): Seja c R um nmero real, e seja X a varivel aleatria constante

igual a c, ou seja, P(X = c) = 1. Ento E(X) = c..
(Sinal da esperana): Se X 0, ento E(X) 0, e se X 0, ento E(X) 0.
(Multiplicao por constante): Seja c R um nmero real, e seja X uma varivel aleatria.
Ento E(cX) = cE(X).
(Soma de variveis aleatrias): Sejam X e Y variveis aleatrias quaisquer, ento E(X +Y ) =
E(X) + E(Y ).
(Combinao linear de variveis aleatrias): Sejam X1 , X2 , . . . , Xn variveis aleatrias, e
c1 , c2 , . . . , cn nmeros reais. Ento
n n
E ci Xi = ci E(Xi ).
i=1 i=1
(Produto de variveis aleatrias independentes): Sejam X e Y variveis aleatrias indepen-

dentes, ento
E(XY ) = E(X)E(Y ).
Demonstrao
(Esperana da constante): Note que X uma varivel aleatria discreta que toma apenas o
valor c, e portanto
E(X) = cP(X = c) = c.
(Sinal da esperana): Vamos demonstrar o caso X 0 para variveis aleatrias discretas e

para variveis aleatrias contnuas. Os casos de variveis aleatrias mistas e X 0 ficam
como exerccios para o leitor.
Seja X varivel aleatria discreta, X 0, tomando valores no conjunto {a1 , a2 , . . .}. Como
X 0, segue que para todo i, temos ai 0. Alm disso, P(X = ai ) 0. Logo,
n
E(X) = ai P(X = ai ) 0.
i=1
Seja, agora, X varivel aleatria contnua, X 0, com funo de densidade f (x). Ento, como
X 0, vale f (x) = 0 se x < 0. Da
Z Z
E(X) = x f (x)dx = x f (x)dx 0.
0
(Multiplicao por contante): Vamos demonstrar para variveis aleatrias discretas e para
variveis aleatrias contnuas. O caso de variveis aleatrias mistas fica como exerccio para
o leitor.
65 / 140
Seja, ento, X varivel aleatria discreta, e suponha que X toma valores no conjunto
{a1 , a2 , . . .}. Ento, cX funo da varivel aleatria discreta, da

E(cX) = cai P(X = ai ) = c ai P(X = ai ) = cE(X).
i=1 i=1
Suponha agora que X varivel aleatria contnua com funo de densidade f (x). Ento, cX
funo de uma varivel aleatria contnua, e segue que
Z Z
E(X) = cx f (x)dx = c f (x)dx = cE(X).

(Soma de variveis aleatrias): A demonstrao foge do escopo do livro.

(Combinao linear de variveis aleatrias): Usando a propriedade da soma de variveis
aleatrias n vezes, temos que
n n
E ci Xi = E(ci Xi ).
i=1 i=1
Usando a propriedade da multiplicao por constante, obtemos o resultado desejado:
n n n
E c X = E(c X ) =
i i i i ciE(Xi).
i=1 i=1 i=1
(Produto de variveis aleatrias independentes): Foge do escopo do livro.
5.5 Varincia de uma varivel aleatria
Vamos agora utilizar a esperana para definir uma noo de variabilidade da varivel aleatria: a
varincia.
A varincia de uma varivel aleatria mede o quanto a varivel aleatria flutua em torno da esperana.
Ou seja, mede quanto os valores da varivel aleatria X podem se afastar da esperana.
Vale observar tambm que se a varincia de X for igual a zero, ento X no varia nada, com relao
esperana, e portanto a varivel aleatria X constante igual esperana de X.
Definio: Varincia de uma varivel aleatria

Seja X uma varivel aleatria. Definimos a varincia de X como
Var(X) = E (X E(X))2 .

Nota
Observe que como (X E(X))2 0, temos pela propriedade do sinal da esperana que
E (X E(X))2 0, e portanto Var(X) 0.

Uma noo muito til em estatstica dada pela raiz quadrada da varincia (pois a varincia
p maior
ou igual a zero). Mais precisamente, seja X uma varivel aleatria, ento o nmero Var(X)
chamado de desvio padro de X, e denotado por X .
O seguinte resultado fornece uma simplificao do clculo da varincia:
66 / 140
Proposio
Seja X uma varivel aleatria, ento Var(X) = E(X 2 ) (E(X))2 .
Demonstrao
Temos que como E(X) um nmero real constante, podemos utilizar as propriedades: espe-
rana da multiplicao por constante; esperana da constante; e esperana da soma, para obter:
i
Var(X) = E (X E(X))2

i
= E X 2 2XE(X) + E(X)2

= E(X 2 ) 2E(XE(X)) + E(X)2

= E(X 2 ) 2E(X)2 + E(X)2
= E(X 2 ) (E(X))2 .
Importante
possvel mostrar que se Var(X) = 0, ento P(X = E(X)) = 1. Ou seja, X uma vari-
vel aleatria constante. Quanto maior o valor da varincia, mais a varivel aleatria pode
se afastar da esperana, ou seja, maior a oscilao da varivel aleatria em torno da espe-
rana.
Exemplo 5.5 Exemplo de varincia de uma varivel aleatria discreta

Seja X a varivel aleatria discreta que toma valor 1 com probabilidade p e toma valor 0 com proba-
bilidade 1 p.
Ento, temos que E(X) = 0 (1 p) + 1 p = p. Da,
Var(X) = E(X 2 ) E(X)2 = E(X 2 ) p2 = 02 (1 p) + 1 p p2 = p(1 p).
Exemplo 5.6 Exemplo de varincia de uma varivel aleatria contnua

Seja X varivel aleatria contnua com funo de densidade

1 + x, 1 x 0,

f (x) = 1 x, 0 x 1,

0, caso contrrio.

Comece notando que

Z 0 Z 1
E(X) = x(1 + x)dx + x(1 x)dx
Z1
0 Z 10
= x + x2 dx + x x2 dx
12 0 0 2 1
x x3 x x3
= 2 + 3 + 2 3
1 0
= 1/2 + 1/3 + 1/2 1/3
= 0.
67 / 140
Alm disso, Z 0 Z 1
2
E(X 2 ) = x (1 + x)dx + x2 (1 x)dx
Z1
0 Z 1 0
2 3
= x + x dx + x2 x3 dx
13 0 0 3 4 1

x x4 x
= 3 + 4 1 + 3 x4
0
= 1/3 1/4 + 1/3 1/4
= 1/6.
Logo, Var(X) = E(X 2 ) = 1/6.
5.6 Propriedades da varincia
Nesta seo vamos apresentar algumas propriedades da varincia e provar algumas delas.
Propriedades da varincia
(Varincia da constante): Seja c R um nmero real, e seja X a varivel aleatria constante

igual a c, ou seja, P(X = c) = 1. Ento, Var(X) = 0.
(Soma por constante): Seja X uma varivel aleatria e seja c R uma constante. Ento,
Var(X + c) = Var(X).
(Varincia da soma de variveis independentes): Sejam X e Y variveis aleatrias indepen-
dentes. Ento, Var(X +Y ) = Var(X) +Var(Y ).
(Varincia da multiplicao por constante): Seja X varivel aleatria, e seja c R uma cons-
tante. Ento, Var(cX) = c2Var(x).
(Varincia de uma funo afim de X): Sejam a, b R, e seja X varivel aleatria. Ento,
Var(aX + b) = a2Var(X).
Demonstrao
(Varincia da constante): Observe que se X constante igual a c, temos pela propriedade da

esperana que E(X) = c. Da
h i
Var(X) = E (X E(X))2 = E[(c c)2 ] = 0.
(Soma por constante): Usando as propriedades da esperana, temos diretamente que

h i h i h i
2 2 2
Var(X +c) = E (X +cE(X +c)) = E (X +cE(X)c) = E (X E(X)) = Var(X).
(Varincia da soma de variveis independentes): Foge do escopo do livro.

(Varincia da multiplicao por constante): Usando as propriedades da esperana, temos que
h i h i
Var(cX) = E (cX E(cX))2 = E (cX cE(X))2
h i h i
= E c2 (X E(X))2 = c2 E (X E(X))2
= c2Var(X).
68 / 140
(Varincia de uma funo afim de X): Usando a varincia da soma por constante, temos
que Var(aX + b) = Var(aX), e usando a varincia da multiplicao por constante obtemos
Var(aX) = a2Var(X). Combinando as duas igualdades obtemos Var(aX + b) = a2Var(X).
Exerccio
Seja X uma varivel aleatria contnua com funo de densidade
(
1
, a < x < b,
f (x) = ba
0, caso contrrio.
Encontre Var(X).
Soluo
J vimos no exemplo de esperana de varivel aleatria contnua que E(X) = a+b
2 . Temos agora
que
Z b
2 2 1 1 b
E(X ) = x dx =
ba ba a

a
1 b3 a3
=
ba 3 3
3
b a 3
= .
3(b a)
Mas observe agora que temos o produto notvel:
(b a)(a2 + ab + b2 ) = a2 b + ab2 + b3 a3 a2 b ab2 = b3 a3 .
Portanto, segue que
b3 a3 (b a)(a2 + ab + b2 ) a2 + ab + b2
E(X 2 ) = = = .
3(b a) 3(b a) 3
Finalmente, temos
a2 + ab + b2 (a + b)2 a2 2ab + b2 (b a)2

Var(X) = E(X 2 ) (E(X))2 = = = .
3 4 12 12
Resumindo, Var(X) = (b a)2 /12.
5.7 Atividades
1. Duas bolas so escolhidas aleatoriamente de uma urna contendo 4 bolas azuis, 3 vermelhas e 2
laranjas. Suponha que ganhamos 10 reais para cada bola azul selecionada, ganhamos 1 real para cada
bola laranja, porm perdemos 8 reais para cada bola vermelha. Seja X o nosso lucro.
a) Determine a funo de probabilidade de X;
b) Calcule a esperana e varincia de X.
2. Exatamente uma entre 6 chaves parecidas abre uma determinada porta. Tenta-se uma chave
aps a outra. Qual o nmero mdio de tentativas necessrias para se conseguir abrir a porta?
3. Cinquenta pessoas lanam uma moeda honesta dez vezes. Obtenha a mdia e a varincia do
nmero de pessoas que obtm exatamente 5 caras.
69 / 140
4. Seja X uma varivel aleatria contnua com densidade

1
f (x) = , x 1.
x2
a) Mostre que f , de fato, uma densidade;

b) A esperana de X existe? Se sim, quanto vale?
5. Seja X uma varivel aleatria com distribuio de Laplace (tambm conhecida como exponencial
dupla), ou seja, X tem densidade
1
f (x) = e|x| , x R.
2
Obtenha:
a) E(X);
b) E(|X|);
c) Var(X);

70 / 140
Captulo 6
Principais Distribuies Discretas
Conhecer as principais distribuies discretas

Saber a diferena entre a distribuio binomial e hipergeomtrica
Saber a diferena entre a distribuio geomtrica e binomial negativa
Entender a definio da distribuio Poisson e como utilizar a distribuio Poisson para
aproximar a distribuio binomial
Aqui apresentaremos as principais distribuies de variveis aleatrias discretas, ou seja, apresenta-

remos a funo de probabilidade de algumas variveis aleatrias importantes.
Alm disso, apresentaremos algumas propriedades dessas variveis aleatriais, tais como esperana e
varincia.
O objetivo dessa seo que o estudante saiba reconhecer qual distribuio utilizar em cada situao.
6.1 A Distribuio Bernoulli
A primeira e mais simples distribuio a distribuio Bernoulli. a distribuio de uma varivel

aleatria que s pode assumir dois valores: 0 e 1.
Esta distribuio bastante til, pois normalmente usa-se a interpretao do resultado 1 como sucesso
e 0 como fracasso. Mais precisamente, temos a
Definio: Varivel Aleatria Seguindo Distribuio Bernoulli

Seja X uma varivel aleatria discreta tomando os valores 0, 1. Seja p, a probabilidade de X
assumir o valor 1, isto , seja P(X = 1) = p. Ento, pela probabilidade do complementar, segue
que P(X = 0) = 1 p. Podemos escrever de forma compacta a funo de probabilidade de X
como
P(X = i) = pi (1 p)1i , i = 0, 1.
Se X satisfaz a definio acima dizemos que X segue distribuio de Bernoulli com parmetro
p, e denotamos X Ber(p).
71 / 140
Esperana
Seja X Ber(p), ento
E(X) = 0 P(X = 0) + 1 P(X = 1) = p.
Dica
Observe que como X s assume valor 0 ou 1, temos que X = X 2 , e portanto, E(X) =
E(X 2 ).
Varincia
Seja X Ber(p), ento
Var(X) = E(X 2 ) (E(X))2 = E(X) (E(X))2 = p p2 = p(1 p).
Exemplo 6.1 Onde surge o uso da distribuio Bernoulli

A distribuio Bernoulli aparece naturalmente em vrias situaes. Alguns exemplos incluem:
Lanamento de moedas;
Encontrar produtos perfeitos ou defeituosos;
Ganhar ou perder um sorteio.
6.2 A Distribuio Binomial
A melhor maneira de ilustrar a distribuio binomial com o seguinte exemplo:
Exemplo 6.2 Exemplo de distribuio binomial

Suponha que temos uma urna com um certo nmero de bolas, donde com probabilidade p retiramos
bolas azuis e com probabilidade 1 p retiramos bolas vermelhas, se a retirada for ao acaso. Suponha
que ento que n bolas so retiradas com reposio (ou seja, a probabilidade de tirar uma bola azul,
no muda aps as retiradas). Se X a varivel aleatria dada pelo nmero de bolas azuis que foram
retiradas entre as n bolas, dizemos que X segue distribuio binomial com parmetros n e p.
Importante
Olhando para o exemplo anterior possvel observar que podemos pensar numa distribuio
binomial como uma distribuio que surge de n distribuies de Bernoulli. De fato, se Xi
a varivel aleatria que igual a 1 se a i-sima bola retirada foi azul, e zero caso contrrio,
temos que Xi Ber(p). Observe que como as retiradas das bolas so independentes, as
variveis aleatrias Xi so independentes.
n
Desta forma, fcil ver que o valor de X dado pela soma Xi. Pois teremos retirado k
i=1
bolas azuis se, e somente se, tiver k variveis aleatrias Xi sendo iguais a 1.
Desta forma, podemos (e devemos) interpretar uma varivel aleatria seguindo distribui-
o binomial como soma de n variveis aleatrias independentes seguindo distribuio Ber-
noulli.
72 / 140
Vamos agora calcular a probabilidade em questo.

Note que para termos k bolas azuis entre n bolas retiradas, devemos ter exatamente n k bolas ver-
melhas. Como as retiradas de bolas so independentes, e a probabilidade de se obter uma bola azul
p, segue que a probabilidade de termos k bolas azuis e n k bolas vermelhas pk (1 p)nk .
Para concluirmos o clculo da probabilidade, devemos calcular de quantas formas podemos retirar k
bolas azuis e n k bolas vermelhas, se retiramos um total de n bolas.
Esta quantidade dada pelo nmero de subconjuntos de k elementos em um conjunto com n elemen-
tos. Para entender esta conta, podemos pensar que temos um conjunto com n bolas brancas. Tomando
um subconjunto com k elementos, a mesma coisa que retirar k bolas. Ento pintamos essas k bolas
retiradas de azul, e as bolas restantes pintamos de vermelho. Desta forma, temos uma maneira de
retirar k bolas azuis entre um total de n bolas retiradas. Assim, vemos que quando olhamos para todos
os subconjunto de k elementos, estamos olhando para todas as formas de retirarmos k bolas azuis
entre n bolas disponveis.
Finalmente, o nmero de subconjuntos de k elementos de um conjunto com n elementos dado por
n
k . Portanto, temos que se X a varivel aleatria dada pelo nmero de bolas azuis retiradas aps
retirarmos n bolas, temos que

n k
P(X = k) = p (1 p)nk , k = 0, . . . , n.
k
Esta a funo de probabilidade de uma distribuio binomial. Portanto, podemos fornecer a seguinte
Definio: Varivel Aleatria Seguindo Distribuio Binomial

Seja X uma varivel aleatria dada pelo nmero de sucessos em n ensaios de Bernoulli, ou seja,
o nmero de sucessos obtidos em n variveis aleatrias de Bernoulli independentes. Ento,
dizemos que X segue distribuio binomial, denotamos por X Bin(n, p), e sua funo de
probabilidade dada por

n k
P(X = k) = p (1 p)nk , k = 0, . . . , n.
k
importante verificar que a nossa conta est correta, e que, de fato, a funo de probabilidade dada
acima tem soma total igual a 1. Isto segue diretamente do binmio de Newton:
n n
n
P(X = k) = k pk (1 p)nk = (p + 1 p)n = 1.
k=0 k=0
Esperana
n

n k
E(X) = k p (1 p)nk
k=0 k
n
n!
= k pk (1 p)nk
k=1 k!(n k)!
n
n!
= pk (1 p)nk .
k=1 (k 1)!(n k)!
73 / 140
Faa agora a mudana de varivel m = k 1. Isto implica k = m + 1, e portanto, continuando,

n
n!
E(X) = (k 1)!(n k)! pk (1 p)nk
k=1
n1
n!
= pm+1 (1 p)nm1
m=0 m!(n m 1)!
n1
n (n 1)!
= m!((n 1) m)! p pm(1 p)(n1)m
m=0
n1
(n 1)!
= np pm (1 p)(n1)m
m=0 m!(n 1 m)!
= np(p + 1 p)n1
= np.
Assim, E(X) = np.
Importante
Temos outra forma de calcular a esperana usando ensaios de Bernoulli.
Como mencionamos, se Xi Ber(p) so independentes para i = 1, . . . , n, ento,
n n
Xi Bin(n, p). Fazendo X = Xi, temos que X Bin(n, p), e usando a pro-
i=1 i=1
priedade de soma de esperana, segue que
n n n
E(X) = E i i p = np,
X = E(X ) =
i=1 i=1 i=1
pois, como vimos na distribuio Bernoulli, E(Xi ) = p.
Varincia
Vamos comear calculando E(X 2 ):
n
2 n
2
E(X ) = k pk (1 p)nk
k=0 k
n
n k
= k(k 1 + 1) p (1 p)nk
k=1 k
n n
n k nk n k
= k(k 1) p (1 p) + k p (1 p)nk
k=2 k k=1 k
n
n k
= k(k 1) p (1 p)nk + E(X)
k=2 k
n
n k
= k(k 1) p (1 p)nk + np.
k=2 k
Vamos ento calcular o ltimo somatrio do lado direito:

n n
n k nk n!
k(k 1) p (1 p) = k(k 1) pk (1 p)nk
k=2 k k=2 k!(n k)!
n
n!
= pk (1 p)nk .
k=2 (k 2)!(n k)!
74 / 140
Faamos agora a mudana de varivel m = k 2, da k = m + 2. Portanto,

n n2
n n!
k(k 1) k pk (1 p)nk = pm+2 (1 p)n2m
k=2 m=0 m!(n 2 m)!
n2
(n 2)!
= n(n 1) m!(n 2 m)! p2 pm(1 p)n2m
m=0
n2
(n 2)!
= 2
n(n 1)p pm (1 p)n2m
m=0 m!(n 2 m)!
= 2
n(n 1)p (p + 1 p)n2
= n(n 1)p2 .
Assim, juntando as contas, temos que
E(X 2 ) = n(n 1)p2 + np = (np)2 + np np2 = (np)2 + np(1 p).
Finalmente, obtemos
Var(X) = E(X 2 ) (E(X))2 = (np)2 + np(1 p) (np)2

= np(1 p).
Exerccio
Um servidor de um jogo online possui 20 slots disponveis, ou seja, aceita at 20 jogadores
simultaneamente. A probabilidade, em qualquer hora do dia, de que um desses slots esteja
disponvel de 40%, e que a disponibilidade dos slots so independentes. Qual a probabilidade
de um par de amigos encontrarem dois slots disponveis?
Soluo
Seja X o nmero de slots disponveis no jogo. Sabemos, pela definio do problema que X
Bin(20, 0.4). Queremos calcular P(X 2).
Note que P(X 2) = 1 P(X = 1) P(X = 0). Da,

20
P(X = 0) = (0.4)0 (0.6)20 = (0.6)20 ;
0
e
20
P(X = 1) = 0.4(0.6)19 = 20 0.4(0.6)19 = 8 (0.6)19 .
1
Desta forma,
P(X 2) = 1 (0.6)20 8(0.6)19 .
Nota
Observe que a hiptese de independncia no exemplo acima no realista, porm neces-
sria para ser possvel trabalhar matematicamente. Caso contrrio seria muito complicado.
Suposies desta natureza para facilitar a resoluo prtica de problemas so muito co-
muns.
75 / 140
6.3 A Distribuio Geomtrica
Suponha que uma pessoa tem uma moeda que pode ser desonesta, ou seja, assume cara com probabi-
lidade p, e coroa com probabilidade 1 p. Vamos agora considerar o experimento aleatrio: lanar
esta moeda sucessivamente at obter cara.
Qual a probabilidade da cara ser obtida no lanamento nmero k? Ou colocando numa forma mais
matemtica, se X a varivel aleatria dada pelo nmero do lanamento no qual a cara foi obtida,
qual a probabilidade P(X = k)?
A resposta simples. Para obtermos cara no lanamento nmero k, esta pessoa ter que ter obtido
coroa em todos os k 1 lanamentos anteriores e ter obtido cara exatamente no k-simo lanamento.
Como os lanamentos das moedas so independentes, temos que esta probabilidade
P(X = k) = p(1 p)k1 , k = 1, 2, . . . .
Essa varivel aleatria X uma varivel aleatria que segue distribuio geomtrica. Mais precisa-
mente,
Definio: Varivel Aleatria Seguindo Distribuio Geomtrica

Sejam X1 , X2 , X3 , . . . variveis aleatrias independentes seguindo distribuio Bernoulli com pa-
rmetro p. Seja X a varivel aleatria dada pela ocorrncia do primeiro sucesso, ou seja, o
menor ndice i, tal que Xi teve sucesso. Ento, dizemos que X segue distribuio geomtrica
com parmetro p, e denotamos X G(p). A funo de probabilidade de X dada por
P(X = k) = p(1 p)k1 , k = 1, 2, . . . .
Primeiro vamos observar que a nossa conta est correta e, de fato, a funo descrita acima uma
funo de probabilidade. Temos claramente que p(1 p)k1 0, e pela soma dos termos de uma
progresso geomtrica, temos

1 p
p(1 p)k1 = p (1 p)k1 = p 1 (1 p) = p = 1.
k=1 k=1
Antes de calcularmos a esperana e varincia da distribuio geomtrica utilizaremos os seguintes

resultados sobre sries geomtricas e suas derivadas:
Definindo a funo f (r) = k

k=0 r , temos que ela converge para 0 r < 1, e vale a igualdade

1
f (r) = rk = 1 r ;
k=0
Temos que para todo 0 r < 1, f infinitamente diferencivel, e sua derivada, para 0 r < 1
dada por

1
f 0 (r) = krk1 = (1 r)2 ;
k=1
Para 0 r < 1 a segunda derivada de f dada por
76 / 140

2
f 00 (r) = k(k 1)rk2 = (1 r)3 .
k=2
Esperana
Temos que

E(X) = kp(1 p)k1
k=1

= p k(1 p)k1
k=1
1
= p
(1 (1 p))2
1
= p 2
p
1
= .
p
Varincia
Para encontrar E(X 2 ) vamos calcular primeiro E[X(X 1)], usando a frmula da segunda de-
rivada da srie geomtrica:

E[X(X 1)] = k(k 1)p(1 p)k1
k=2

= p(1 p) k(k 1)(1 p)k2
k=2
2
= p(1 p)
(1 (1 p))3
2
= p(1 p) 3
p
2(1 p)
= .
p2
Assim, segue que:
1
E[X(X 1)] = E(X 2 X) = E(X 2 ) E(X) = E(X 2 ) .
p
Ou seja,
1 2(1 p) 1 2 2p p 2 p
E(X 2 ) = E(X 2 ) + = 2
+ = 2
+ 2= 2 .
p p p p p p
Finalmente,
2 p 1 1 p
Var(X) = E(X 2 ) (E(X))2 = = .
p2 p2 p2
6.3.1 Perda de Memria
Exemplo 6.3 Ilustrao da perda de memria da distribuio geomtrica

Suponha que Joo est lanando moedas at o resultado sair cara. Suponha que esta Joo j lanou
a moeda 12 vezes, e ainda no saiu cara, isto significa que a probabilidade do resultado sair cara no
prximo lanamento ser maior do que era 12 jogadas atrs?
77 / 140
A resposta no. No importa o quanto tempo Joo tenha esperado, a probabilidade do prximo
lanamento sempre ser 1/2. Esta propriedade da distribuio geomtrica chamada de perda de
memria.
Mais precisamente, seja X uma varivel aleatria seguindo distribuio Geomtrica com parmetro
p. Ento, temos que para todo par de inteiros positivos, m, n, vale
P(X > m + n|X > m) = P(X > n).
De fato, temos que

P(X > m + n, X > m) P(X > m + n)
P(X > m + n|X > m) = = ,
P(X > m) P(X > m)
no entanto, usando a frmula da soma dos termos de uma progresso geomtrica infinita, temos

p(1 p)m+n
P(X > m + n) = p(1 p)k1 = = (1 p)m+n .
k=m+n+1 1 (1 p)
Analogamente, P(X > m) = (1 p)m . Logo,
P(X > m + n) (1 p)m+n

P(X > m + n|X > m) = = = (1 p)n = P(X > n).
P(X > m) (1 p)m
Isto prova a perda de memria. Observe que aqui, na realidade, mostra mais do que falamos. No s
diz que a prxima probabilidade no muda, mas essencialmente diz o seguinte: se Joo j esperou um
certo tempo m para sair cara, e a cara ainda no saiu, as probabilidades de sair cara dali para frente
so as mesmas de como se ele tivesse comeado a lanar naquele momento. Ou seja, a distribui
geomtrica esquece todo o passado que j foi executado.
6.4 A Distribuio Pascal (ou Binomial Negativa)
6.4.1 Generalizao do Binmio de Newton
Antes de definirmos esta distribuio, vamos rever rapidamente um pouco de teoria matemtica pre-
sente em cursos de clculo.
Existe uma classe de funes reais, tais que a seguinte frmula, conhecida como expanso em srie
de Taylor, verdade
0 f 00 (a) 2

f (k) (a)
f (x) = f (a) + f (a)(x a) + (x a) + = (x a)k ,
2 k=0 k!
onde f (k) (a) denota a k-sima derivada de f no ponto a, e f : I R, onde I R um intervalo

aberto.
As funes tais que essa expanso vlida so conhecidas como funes analticas.
Importante
Conhecemos vrias funes analticas: a funo exponencial; seno; co-seno; logaritmo;
polinimos e fraes de polinmios.
78 / 140
Um caso particular importante dado pelas funes do tipo f (x) = (1 x)r1 = (1x)
1
r+1 , onde r
um nmero natural. Como f frao de polinmios, temos que f analtica. Assim, considerando o
ponto a = 0, temos
f (x) = (1 x)r1 ; f 0 (x) = (r 1)(1 x)r2 ; f 00 (x) = (r 2)(r 1)(1 x)r3 , . . . ,
e em geral, temos
f (k) (x) = (r k)(r (k 1)) (r 1)(1 x)rk1 .
Definindo o coeficiente binomial generalizado como

r (r)(r 1) . . . (r k + 1)
= , k = 0, 1, 2, . . . ,
k k!
podemos escrever
r 1
f (k)
(x) = (1) k! k
(1 x)rk1 .
k
Aplicando no ponto a = 0, temos

(k) r 1
k
f (0) = (1) k! ,
k
por sua vez, usando na srie de Taylor, obtemos,
f (k) (0) k

r1 k r 1 k r 1
(1 x) = f (x) = x = (1) x = (x)k .
k=0 k! k=0 k k=0 k
Assim, temos o binmio de Newton generalizado:

r1 r 1
(1 x) = (x)k .
k=0 k
Observe que vale tambm a igualdade:

r+k (r + k)(r + k 1) (r + 1)r
=
k k!
k (r k)(r (k 1)) (r 1)(r) k r 1
= (1) = (1) .
k! k
Da, vale tambm a frmula do binmio de Newton generalizado:

r1 r+k k
(1 x) = x.
k=0 k
6.4.2 Distribuio Pascal
A distribuio de Pascal (ou Binomial Negativa) uma generalizao natural da distribuio geom-
trica. Para entendermos melhor esta distribuio, voltemos ao exemplo do lanamento de moedas.
79 / 140
Se uma pessoa tem uma moeda que pode ser desonesta, ou seja, assume cara com probabilidade p,
e coroa com probabilidade 1 p. Suponha que temos o seguinte experimento aleatrio: lanar uma
moeda sucessivamente at obter r caras.
Qual a probabilidade da r-sima cara ser obtida no lanamento k? Ou, escrevendo de uma maneira
matematicamente mais precisa, se X denota a varivel aleatria dada pelo nmero do lanamento pelo
qual a r-sima cara foi obtida, qual a probabilidade P(X = k)?
Vamos calcular essa probabilidade por partes. Comece notando que X = k, se e somente se, no k-
simo lanamento o resultado foi cara e nos k 1 lanamentos anteriores, obtemos r 1 caras. O
nmero de formas de isso acontecer simples: escolher r 1 resultados para sair cara, entre k 1
k1
resultados possveis, ou seja, temos r1 possibilidades.
Finalmente, como em um total de k lanamentos, saram r caras e k r coroas, e temos k1

r1 possi-
bilidades, a probabilidade dada por

k1 r
P(X = k) = p (1 p)kr , k = r, r + 1, . . . ,
r1
onde k r, pois para obter r caras, temos que no mnimo ter k lanamentos.
Importante
Observe que se r = 1, temos que X segue uma distribuio geomtrica com parmetro p.
Mais precisamente,
Definio: Varivel Aleatria Seguindo Distribuio Pascal

Sejam X1 , X2 , . . . variveis aleatrias independentes seguindo distribuio Bernoulli com par-
metro p. Seja X a varivel aleatria dada pela ocorrncia do r-simo sucesso, ou seja, o ndice
i, tal que Xi o r-simo sucesso. Ento, dizemos que X segue distribuio Pascal (ou binomial
negativa) com parmetros r e p, e denotamos X Pas(r, p). A funo de probabilidade de X

k1 r
P(X = k) = p (1 p)kr , k = r, r + 1, . . . ,
r1
Vamos comear mostrando que a funo acima , de fato, uma funo de probabilidade. Claramente,
k1 r
r1 p (1 p)kr 0, e, temos ainda que usando a mudana de varivel j = k r,

k1 r j+r1 r
r 1 p (1 p) = r 1 p (1 p) j
kr
k=r j=0

j + r 1
= pr (1 p) j
j=0 j
1
= pr
(1 (1 p))r
1
= pr r
p
= 1,
onde usamos o binmio de Newton generalizado e usamos que

j+r1 ( j + r 1)! j+r1
= = .
r1 (r 1)! j! j
80 / 140
Nota
A distribuio de Pascal, ou Binomial Negativa, recebe o nome de binomial negativa, por utili-
zar o binmio de Newton generalizado (com expoente negativo) para calcular sua esperana
e varincia, assim como para mostrar que a soma das probabilidades igual a 1.
Importante
Existe uma caracterizao da distribuio Pascal em termos de soma de variveis aleatrias
seguindo distribuio geomtrica: sejam X1 , X2 , . . . , Xr variveis aleatrias independentes
seguindo distribuio Geomtrica com parmetro p. Assim, definindo X = rk=1 Xk , temos
que X segue distribuio Pascal com parmetros r e p.
A intuio que para termos a posio do r-simo sucesso, contabilizamos a posio
do primeiro sucesso com a varivel X1 , adicionamos a varivel X2 para obter a posio do
segundo sucesso, . . . ,, adicionamos a varivel Xr para obter a posio do r-simo sucesso.
Ou seja, cada varivel geomtrica Xi representa o tempo que temos que esperar entre os
sucessos, at a obteno de um sucesso.
Esperana
Temos que, fazendo a mudana j = k r,

k1 r
E(X) = k p (1 p)kr
k=r r 1

j+r1 r
= ( j + r) p (1 p) j
j=0 r 1

( j + r 1)!
= pr ( j + r) (1 p) j
j=0 (r 1)! j!

( j + r)!
= pr (1 p) j
j=0 (r 1)! j!

( j + r)!
= pr r (1 p) j
j=0 r! j!

j+r
= p r r (1 p) j
j=0 j

j+r
= rp r (1 p) j
j=0 j
1
= rpr
(1 (1 p))r+1
r
= .
p
81 / 140
Importante
Vale a pena notar que utilizando a caracterizao de X como soma de variveis alea-
trias independentes seguindo distribuio geomtrica, temos que
r
X = Xi ,
i=1
onde Xi G(p). Da,

r r r
1 r
E(X) = E i i p = p.
X = E(X ) =
i=1 i=1 i=1
Varincia
Vamos comear calculando E[X(X + 1)]:

k1 r
E[X(X + 1)] = k(k + 1) r 1 p (1 p)kr
k=r

j+r1 r
= ( j + r + 1)( j + r) r 1 p (1 p) j
j=0

( j + r 1)!
= r
p ( j + r + 1)( j + r) (1 p) j
j=0 (r 1)! j!

( j + r + 1)!
= pr (1 p) j
j=0 (r 1)! j!

( j + r + 1)!
= pr r(r + 1) (1 p) j
j=0 (r + 1)! j!

j+r+1
= r
p r(r + 1) (1 p) j
j=0 j

j+r+1
= r(r + 1)p r (1 p) j
j=0 j
1
= r(r + 1)pr
(1 (1 p))r+2
r(r + 1)
= .
p2
Portanto, temos que E[X(X + 1)] = E(X 2 + X) = E(X 2 ) + E(X). Como E(X) = r/p e E[X(X +
1)] = r(r + 1)/p2 , temos que
r(r + 1) r r2 + r rp
E(X 2 ) = = .
p2 p p2
Finalmente, a varincia dada por
r2 + r rp r2 r rp r(1 p)
Var(X) = E(X 2 ) (E(X))2 = 2
2= = .
p p p2 p2
6.5 Distribuio Hipergeomtrica
Assim como na distribuio binomial, vamos ilustrar a distribuio hipergeomtrica com um exemplo:
82 / 140
Exemplo 6.4 Exemplo de distribuio hipergeomtrica

Suponha que temos uma urna com N bolas, das quais n bolas so azuis, e N n bolas so vermelhas.
Suponha que m bolas foram retiradas aleatoriamente da urna sem reposio. Se X a varivel
aleatria dada pelo nmero de bolas azuis que foram retiradas entre as m bolas, dizemos que X segue
distribuio hipergeomtrica com parmetros N, n, m.
Vamos agora calcular a probabilidade em questo.

Queremos calcular a probabilidade de termos k bolas azuis. Note que temos m retiradas de bolas,
entre as quais queremos k bolas azuis e m k bolas vermelhas. O total de bolas azuis n, ento temos
n Nn
k formas de selecionar estas bolas azuis e como temos N n bolas vermelhas, temos mk formas
de selecionar as bolas vermelhas. Como temos N bolas no total, e queremos selecionar m bolas, temos
N
m formas de selecionar m bolas. Portanto, a probabilidade dada por
n Nn
k mk
P(X = k) = N
.
m
Temos ento a
Definio: Varivel Aleatria Seguindo Distribuio Hipergeomtrica

Suponha que temos N objetos para selecionarmos. Suponha que temos n formas de obter uma
seleo boa, e N n formas de obter uma seleo ruim. Suponha que tomemos uma amos-
tra de tamanho m, sem reposio, e seja Xi a varivel aleatria que assume valor 1, se a i-sima
seleo foi boa e assume valor 0, se a i-sima seleo foi ruim. Ento se X denota o nmero de
selees boas, ou seja, se
m
X = Xi ,
i=1
dizemos que X segue distribuio hipergeomtrica com parmetros N, n, m, denotamos por X
HG(N, n, m), e sua funo de probabilidade dada por
n Nn
k mk
P(X = k) = N
, k = 0, . . . , m.
m
(nk)(Nm
mk )
Vamos mostrar que a funo acima uma funo de probabilidade. Claramente, N 0. Para
(m )
mostrar que a soma sobre todos os valores de k igual a 1, vamos obter uma identidade de coeficientes
binomiais.
Considere ocoeficiente de xm na expanso de (1 + x)N em binmio de Newton. Este coeficiente
dado por Nm .
Por outro lado, sabemos que (1 + x)N = (1 + x)n (1 + x)Nn . Vamos olhar ento o coeficiente de xm
na expanso de (1 + x)n (1 + x)Nn , que igual a Nm .
Mas, observe que
n
Nn
n Nn
n i N n j
(1 + x) (1 + x) = x j x
i=0 i j=0
N i
n N n i
= x.
i=0 j=0 j i j
83 / 140
Assim, o coeficiente de xm na expanso de (1 + x)n (1 + x)Nn dado por

m
n N n
.
k=0 k mk
Portanto, notando que o coeficiente de xm na expanso de (1 + x)n (1 + x)Nn igual ao coeficiente

de xm na expanso de (1 + x)N , pois (1 + x)N = (1 + x)n (1 + x)Nn , chegamos identidade de Chu-
Vandermonte: m
N n N n
= .
m k=0 k mk
Dividindo ambos os lados por Nm , temos

m n Nn
k mk
N
= 1.
k=0 m
(nk)(Nn
mk )
Isto o que queramos provar, pois P(X = k) = .
(Nm)
Esperana
Temos que
m n Nn
E(X) = k k Nmk
k=0 m
m n Nn
= k k Nmk
k=1 m
m Nn

n mk
= k N
k=1 k m
m Nn
n! mk
= k N
k=1 k!(n k)! m
m Nn
n! mk
= N
k=1 (k 1)!(n k)! m
m Nn
(n 1)! mk
= n N
k=1 (k 1)!(n k)!
m Nn m
n 1 mk
= n N
k=1 k 1 m
m n1 Nn
k1 mk
= n N
k=1 m
m n1 Nn

k1 mk
= n N1
k=1 N/m m1
n1 Nn
nm m k1 mk
= N1
N k=1 m1
nm
= ,
N
onde na ltima igualdade utilizamos a identidade de Chu-Vandermonte com a terna (N 1, n
1, m 1).
84 / 140
Nota
Podemos tambm utilizar a caracterizao de X como a soma
m
X = Xi ,
i=1
onde Xi denota a varivel aleatria que assume valor 1 se a i-sima seleo foi boa, e
assume valor 0 se a i-sima seleo foi ruim.
Observe que temos n selees boas, entre um total de N possibilidades, ou seja, para
cada i, as variveis Xi possuem a mesma funo de probabilidade:
n
P(Xi = 1) = ,
N
da, E(Xi ) = n/N , e portanto,
m m m
n nm
E(X) = E Xi = E(Xi ) = = .
i=1 i=1 i=1 N N
Varincia
Utilizando a mesma tcnica da esperana possvel mostrar que
mn(N n)(N m)
Var(X) = .
N 2 (N 1)
6.6 Distribuio Poisson
Vamos comear motivando a definio da distribuio de Poisson por meio da aproximao conhecida
como lei dos eventos raros. Tambm conhecida como aproximao da distribuio binomial pela
distribuio Poisson.
Para tanto, considere o seguinte exemplo:
Exemplo 6.5 Motivao para a distribuio de Poisson

Suponha que uma empresa tem uma linha telefnica dedicada exclusivamente a reclamaes. Num
perodo fixado de 4 horas (por exemplo 08:00 s 12:00) essa linha recebe em mdia 500 ligaes.
Entretanto, essas ligaes ocorrem aleatoriamente ao longo dessas 4 horas. Assim, sabemos que ao
longo dos dias, teremos uma quantidade mdia de 500 ligaes ao final das 4 horas, mas no sabemos
em que momentos essas ligaes so recebidas, nem o nmero exato de ligaes recebidas em cada
dia.
A pergunta que surge : Qual a probabilidade de termos k ligaes no perodo de 4 horas no dia de
hoje?
Responder a pergunta acima no uma tarefa trivial, e essa resposta envolve o uso da distribuio de
Poisson.
Para resolver este problema, divida o intervalo de 4 horas em n subintervalos, de mesmo tamanho,
dado por 4/n horas, onde n > 500. Como 500 o nmero mdio de ligaes recebidas durante todo
o perodo, esperado que tenhamos no mximo uma ligao em cada intervalo (observe que se n
muito grande, o intervalo fica muito pequeno, e a probabilidade de termos duas ligaes no mesmo
intervalo prxima de zero, assim essa aproximao faz sentido).
85 / 140
Assim, temos aproximadamente uma probabilidade 500/n de termos uma ligao em cada intervalo.
Como temos n intervalos, a probabilidade de termos k ligaes no total dada pela probabilidade
n
de escolhermos k intervalos entre os n intervalos disponveis: temos k formas de escolher esses k
k nk
intervalos, e cada escolha dessas tem probabilidade 500 n 1 500
n . Resumindo, se X denota
a varivel aleatria cujo valor o nmero de ligaes recebidas hoje durante as 4 horas, temos que
P(X = k), ou seja, a probabilidade de termos k ligaes aproximadamente

n 500 k 500 nk
P(X = k) 1 .
k n n
Em outras palavras, X segue aproximadamente distribuio binomial (n, 500/n). Observe que o valor
esperado dessa aproximao binomial dado por 500, o que mostra que a aproximao est consis-
tente com o problema em questo.
Finalmente, para sabermos a probabilidade exata, temos que calcular o limite do lado direito quando
n tende a infinito. Faremos isso na prxima subseo.
Nota
Vale a pena observar que calcular a probabilidade do exemplo anterior usando a aproxima-
o acima sem calcular o limite uma tarefa computacionalmente complicada, pois envolve
clculo de fatoriais de nmeros muito grandes.
Por este motivo tambm, muito comum usar uma aproximao inversa: se temos uma
varivel aleatria X seguindo distribuio binomial com parmetros n e p, onde n muito
grande, mais fcil calcular uma aproximao desta probabilidade usando a distribuio
Poisson.
6.6.1 Aproximao da distribuio binomial pela Poisson
Baseado no exemplo da seo anterior, suponha que temos uma taxa mdia > 0, e considere a
sequncia de variveis aleatrias X1 , X2 , . . . , onde cada Xn segue distribuio Bin(n, /n). Observe
que precisamos que n seja grande para que /n < 1 e portanto seja uma probabilidade.
Nosso objetivo nesta seo calcular o limite

n k nk
lim P(Xn = k) = lim 1 .
n n k n n
86 / 140
Nota
Para calcular o limite em questo, precisaremos relembrar alguns fatos bsicos de clculo
em uma varivel. Relembre que o nmero de Euler, e, definido como
1 n
e = lim 1 + .
n n
Utilizando a regra de LHopital, podemos mostrar que para todo x R
x n
ex = lim 1 + .
n n
Desta forma, se tomarmos x = na expresso acima, obtemos,

n
e = lim 1 .
n n

Finalmente, para cada k natural fixado (constante, no muda com n), temos que limn 1
k

n = 1, e portanto
n

nk
1 n

lim 1 = lim k = e .
n n n
1 n
Para comearmos a calcular o limite, observe que para cada k, temos

n n! n(n 1) (n k + 1)
= = .
k k!(n k)! k!
Desta forma, temos

n k nk
P(Xn = k) = 1
k n n
n(n 1) (n k + 1) k nk
= 1
k! n n
1 k nk
= n(n 1) (n k + 1) k 1
k! n n
k
n(n 1) (n k + 1) nk
= 1
k! nk n
k n n 1 n k + 1 nk
= 1
k! n n n n
k 1 (k 1) nk
= 1 1 1 .
k! n n n
Temos que valem os seguintes limites:
1 (k 1) nk
lim 1 1 = 1, e lim 1 = e .
n n n n n
Portanto, obtemos
k 1 (k 1) nk
lim P(Xn = k) = lim 1 1 1
n n k! n n n
k
= e .
k!
87 / 140
Este o valor do limite procurado no final do exemplo, e assim, voltando ao exemplo: .Motivao
para a definio da distribuio Poisson
Relembremos que se X denota a varivel aleatria cujo valor o nmero de ligaes recebidas hoje
durante as 4 horas, temos que P(X = k), ou seja, a probabilidade de termos k ligaes aproximada-
mente
n 500 k 500 nk
P(X = k) 1 .
k n n
Em outras palavras, X segue aproximadamente distribuio binomial (n, 500/n).
O valor exato da probabilidade ento dado por
500 nk 500k 500

n 500 k
P(X = k) = lim 1 = e .
n k n n k!
Importante
Este resultado de aproximao tambm pode ser usado para calcular aproximaes de pro-
babilidades de distribuies binomiais quando n muito grande.
Mais precisamente, se temos uma varivel aleatria X seguindo distribuio binomial com
parmetros n e p, e n muito grande, podemos aproximar esta probabilidade por
(np)k np
P(X = k) e .
k!
6.6.2 Distribuio Poisson
Definio: Varivel Aleatria Seguindo Distribuio Poisson

Suponha que temos ocorrncias de eventos em um intervalo (de tempo ou espao) I. Suponha
que temos um nmero mdio de ocorrncias em I dado por > 0, e que a ocorrncia de cada
evento subsequente independente da ocorrncia dos eventos anteriores. Ento se X denota o
nmero de ocorrncias do evento no intervalo I, dizemos que X segue distribuio Poisson com
parmetro , denotamos por X P( ), e sua funo de probabilidade dada por
k
P(X = k) = e , k = 0, 1, . . . .
k!
Para verificar que a funo definida acima realmente uma funo de probabilidade, como temos,
claramente, que k /k!e > 0, basta verificar que a soma sobre todos os valores de k igual a 1.
Para tanto, relembre a definio de funo analtica. um fato conhecido que a funo exponencial
f (x) = ex analtica. Como temos que
f (x) = ex , f 0 (x) = ex , f 00 (x) = ex , f 000 (x) = ex ,
e, em geral, vale
f (k) (x) = ex .
Portanto, aplicando em a = 0, temos que f (k) (0) = 1. Assim, obtemos a srie de Taylor da funo
exponencial,

f (k) (0) k
1
ex = f (x) = x = xk .
k=0 k! k=0 k!
88 / 140
Em particular, obtemos

1
e = k! k .
k=0
Vamos ento mostrar que as probabilidades da Poisson formam, de fato, uma funo de probabilidade:

k

P(X = k) = e
k=0 k=0 k!
k
= e
k=0 k!
= e e
= 1.
Esperana
Temos que
E(X) =
k=0 kP(X = k)
k
=
k=0 k k! e
k
=
k=1 k k! e
k1
=
k=1 (k1)! e
k1
= .
k=1 (k1)! e
Fazendo j = k 1, temos que
k1

E(X) = e
k=1 (k 1)!

j
= e
j=0 j!
= e e
= .
Varincia
Vamos comear calculando E[X(X 1)]. Da,

E[X(X 1)] = k(k 1)P(X = k)
k=0

k
= k(k 1)
k!
e
k=0

k
= k(k 1) e
k=2 k!

k
= e
k=2 (k 2)!

k2
= 2 e .
k=2 (k 2)!
Fazendo a mudana de varivel j = k 2, temos que
k2

2
E[X(X 1)] = e
k=2 (k 2)!
2

j
= e
j=0 j!
= 2 e e
= 2.
89 / 140
Porm, como temos que E[X(X 1)] = E(X 2 ) E(X), e portanto E(X 2 ) = E[X(X 1)] +
E(X) = 2 + . Portanto, temos que
Var(X) = E(X 2 ) (EX)2 = 2 + 2 = .
Desta forma, uma varivel aleatria com distribuio Poisson com parmetro possui espe-
rana e varincia iguais a .
6.7 Atividades
1. Quinze pessoas portadoras de determinada doena so selecionadas para se submeter a um trata-

mento. Sabe-se que este tratamento eficaz na cura da doena em 80% dos casos. Suponha que os
indivduos submetidos ao tratamento curam-se (ou no) independentemente uns dos outros. Seja X o
nmero de pessoas curadas dentre os 15 pacientes submetidos ao tratamento.
a) Qual a distribuio de X?
b) Qual a probabilidade de que os 15 pacientes sejam curados?
c) Qual a probabilidade de que pelo menos dois no sejam curados?
2. Um aluno estuda 12 exerccios, dos quais o professor vai escolher 6 aleatoriamente para uma prova.
O estudante sabe resolver 9 dos 12 problemas. Seja X o nmero de exerccios resolvidos por ele na
prova.
b) Qual a probabilidade do aluno resolver pelo menos 5 exerccios da prova.
3. Um estudante preenche ao acaso um exame de mltipla escolha com 5 respostas possveis (uma
das quais a correta) para cada uma de 10 questes.
a) Qual a distribuio do nmero de respostas certas?
b) Qual a probabilidade de que o estudante obtenha 9 ou mais respostas certas?
c) Qual a probabilidade de que acerte pelo menos duas questes?
4. Em uma pizzaria com entrega a domiclio, 30% dos pedidos por telefone so de mais de uma pizza.
Certo dia, o dono decide mandar um brinde ao cliente que fizer o primeiro pedido com mais de uma
pizza. Seja X o nmero de pedidos recebidos at o ganhador ganhar o brinde.
b) Determine o menor nmero de pedidos necessrios para garantir que o brinde saia com proba-
bilidade maior do que 0,9.
5. Um vendedor que vai de porta em porta, consegue concretizar uma venda em 40% das visitas que
faz. Este vendedor pretende efetuar no mnimo duas vendas por dia. Seja X o nmero de visitas feitas
at que a segunda venda seja efetivada.
b) Calcule a probabilidade de que o vendedor faa no mximo seis visitas para concluir as duas
vendas.
6. O nmero X de acidentes de trabalho que ocorrem em uma fbrica por semana segue distribui-
o Poisson. Sabendo que a porcentagem de semanas em que ocorre um acidente um tero da
porcentagem de semanas em que no acontece nenhum, calcule:
90 / 140
a) o parmetro da distribuio;
b) a probabilidade de que ocorra um acidente em uma semana e tambm um na semana seguinte,
sabendo que acidentes em semanas diferentes so independentes;
7. Se uma varivel aleatria tem distribuio Poisson e P(X = 0) = 1/2, quanto vale a varincia
de X?
8. Suponha que 1% das lmpadas de enfeite de natal de certa marca apresentem defeito. Estime
a probabilidade de que uma caixa com 30 lmpadas contenha no mximo uma lmpada com defeito.
(Dica: Aproxime essa probabilidade pela distribuio Poisson)
9. Sabe-se que 0,6% dos parafusos produzidos em uma fbrica so defeituosos. Usando a aproxima-
o da Binomial pela Poisson, estime a probabilidade de que, em um pacote com 1000 parafusos:
a) tenhamos exatamente 4 parafusos defeituosos;
b) no tenhamos mais do que 4 parafusos defeituosos;
c) encontrem-se pelo menos 3 parafusos defeituosos.

91 / 140
Captulo 7
Principais Distribuies Contnuas
Conhecer as principais distribuies contnuas

Saber utilizar a tabela da distribuio normal
Conhecer a distribuio Exponencial e Gama
Saber utilizar a distribuio normal para aproximar a distribuio binomial
Aqui apresentaremos algumas das principais distribuies contnuas. Para tanto, apresentaremos suas
funes de densidade.
Alm disso, apresentaremos algumas propriedades destas distribuies, tais como esperana e vari-
ncia.
7.1 Distribuio Uniforme
Definio: Varivel Aleatria Seguindo Distribuio Uniforme

Suponha que X seja uma varivel aleatria contnua que assuma valores no intervalo [a, b], no
qual a e b sejam ambos finitos. Se a funo de densidade de X for dada por
(
1
, a x b,
f (x) = ba
0, caso contrrio,
dizemos que X uniformemente distribuda sobre o intervalo [a, b], e denotamos X U[a, b].
Uma varivel aleatria uniformemente distribuda representa o anlogo contnuo dos resultados equi-
provveis no seguinte sentido: Para qualquer subintervalo [c, d], onde a c < d b, P(c X d)
a mesma para todos os subintervalos que tenham o mesmo comprimento. Ou seja,
Z d
d c
P(c X d) = f (x)dx = ,
c ba
e, por isso, depende unicamente do comprimento do intervalo.
92 / 140
Esperana
Temos que
x2 b b2 a2
Z b
ba a+b
E(X) = x x= = = .
a d 2(b a) a 2(b a) 2
Varincia
Temos que
Z b 2
2 x x3 b b3 a3 a2 + ab + b2
E(X ) = dx = = = .
a ba 3(b a) a 3(b a) 3
Portanto, obtemos que
2 a2 + ab + b2 (a + b)2 (b a)2
2
Var(X) = E(X ) (E(X)) = = .
3 4 12
Exemplo 7.1 Exemplo de aplicao da distribuio uniforme

Um ponto escolhido ao acaso no segmento de reta [0, 2]. Qual ser a probabilidade de que o ponto
escolhido esteja entre 1 e 3/2?
Seja X a varivel aleatria que representa a coordenada do ponto escolhido. Temos que X U[0, 2],
da (
1/2, 0 x 2,
f (x) =
0, caso contrrio,
e Z 3/2
1 13 1
P(1 X 3/2) = dx = 1 = .
1 2 2 2 4
7.2 A Distribuio Normal
Definio: Varivel Aleatria Seguindo Distribuio Normal

A varivel aleatria X, que assume valores na reta, < x < , tem distribuio normal se sua
funo de densidade da forma
1 (x)2

f (x) = e 2 2 , < x < ,
2
onde < < e > 0, e denotamos X N(, 2 ).
Na figura abaixo apresentamos grficos das funes de densidade da distribuio normal para alguns
valores de e 2 :
93 / 140
0.8
(0;0.2)
0.6
f(x)
0.4
(2;0.5)
(0;1)
0.2
(0;5)
0.0
4 2 0 2 4
x
Figura 7.1: Exemplo de funes de densidade da distribuio normal para valores de e 2 descritos
no par ordenado (; 2 )
Esperana e Varincia
Temos que se X N(, 2 ), ento
E(X) = e Var(X) = 2 .
7.2.1 Padronizao e Tabulao da Distribuio Normal
Temos que se X N(, 2 ), ento a varivel padronizada

X
Z=

ter distribuio normal padro, ou seja, Z N(0, 1), e sua funo de densidade dada por
1 z2
f (z) = e 2 , < z < .
2
Logo, temos que
Z b
1 z2
P(a Z b) = e 2 dz.
a 2
Desta forma, dada uma varivel aleatria X N(, 2 ), podemos padroniz-la na varivel Z, e obter
as probabilidades a partir da tabela de valores da funo de distribuio da normal padro
Z z
1 z2
(z) = P(Z z) = e 2 dz.
2
Nota
Observe que na padronizao dividimos por , que o desvio padro da varivel aleatria
normal. No dividimos pela varincia.
94 / 140
A distribuio normal padro satisfaz a seguinte propriedade se simetria:

(x) = 1 (x).
Importante
A identidade de simetria acima nos diz que podermos calcular as probabilidades P(Z
x) a partir das probabilidades P(Z x). Assim, como a tabela da normal apresentada
no apndice no contm valores negativos de x, para calcularmos estas probabilidades,
utilizamos a frmula acima.
Exemplo 7.2 Exemplo de clculo de probabilidades utilizando a tabela da normal

Seja Z N(0, 1). Vamos calcular as probabilidades P(0 Z 1), P(Z 1, 93), P(2, 55 Z 1, 2)
e P(Z 1, 93).
Observe inicialmente que
P(0 Z 1) = (1) (0).
Olhando para a tabela da normal (que pode ser encontrada no Apndice deste livro), obtemos que
(1) = 0, 8413 e (0) = 0, 5. Portanto
P(0 Z 1) = (1) (0) = 0, 8413 0, 5 = 0, 3413.
Para a prxima probabilidade, temos que P(Z 1, 93) = 1 P(Z 1, 93) = 1 (1, 93). Olhando
para a tabela no apndice, obtemos P(Z 1, 93) = 1 (1, 93) = 1 0, 9732 = 0, 0268.
A prxima probabilidade deve ser observada com cuidado, pois temos um valor negativo, e se olhar-
mos na tabela, no h valores negativos, e portanto, teremos que usar a simetria da distribuio normal.
Assim,
P(2, 55 Z 1, 2) = (1, 2) (2, 55) = (1, 2) (1 (2, 55))
= (1, 2) + (2, 55) 1 = 0, 8849 + 0, 9946 1
= 0, 8795.
Finalmente, P(Z 1, 93) = (1, 93) = 0, 0268.
Veremos agora mais alguns exemplos de aplicaes da distribuio normal.
Exemplo 7.3 Exemplo de aplicao da distribuio normal

Suponha que as alturas dos alunos de cincias da computao da UFPB seguem distribuio normal
com mdia 1,60m e desvio padro 0,30m. Seja X a varivel aleatria que indica a altura de um
aluno de cincias da computao da UFPB escolhido ao acaso. Encontre a probabilidade de um aluno
medir:
a) Entre 1,50m e 1,80m;
Queremos calcular P(1, 50 X 1, 80). Observe que
X 1, 60
Z= N(0, 1).
0, 30
Temos ento que:
P(1, 50 X 1, 80) = P(1, 50 1, 60 X 1, 60 1, 80 1, 60) = P(0, 1 X 1, 60 0, 2)
= P(0, 1/0, 3 (X 1, 60)/0, 30 0, 2/0, 3) = P(1/3 Z 2/3)
= (0, 67) (0, 33)
= (0, 67) (1 (0, 33))
= (0, 67) + (0, 33) 1
= 0, 7486 + 0, 6293 1
= 0, 3779.
95 / 140
b) Mais de 1,75m;
Queremos calcular P(X 1, 75).
Temos ento que:
P(X 1, 75) = P(X 1, 60 1, 75 1, 60) = P(X 1, 60 0, 15)
= P((X 1, 60)/0, 30 0, 15/0, 3) = P(Z 1/2)
= 1 P(Z 1/2)
= 1 (0, 5)
= 1 0, 6915
= 0, 3085.
c) Menos de 1,48m;
Queremos calcular P(X 1, 48).
Temos ento que:
P(X 1, 48) = P(X 1, 60 1, 48 1, 60) = P(X 1, 60 0, 12)
= P((X 1, 60)/0, 30 0, 12/0, 3) = P(Z 4/10)
= (0, 4)
= 1 (0, 4)
= 0, 3446.
d) Qual deve ser a altura mnima para escolhermos 10% dos alunos mais altos?
Queremos encontrar um valor c, tal que P(X > c) = 0, 10.
Assim, temos que
P(X > c) = P(X 1, 60 > c 1, 60)
= P((X 1, 60)/0, 30 > (c 1, 60)/0, 3) = P(Z > (c 1, 60)/0, 3)
= 1 ((c 1, 60)/0, 3).
Assim, queremos encontrar c, tal que 0, 1 = 1((c1, 60)/0, 3), ou seja, ((c1, 60)/0, 3) = 0, 9.
Seja z = (c 1, 60)/0, 3, temos que (z) = 0, 9. Olhando para a tabela, vemos que z = 1,28.
Logo, (c 1, 60)/0, 3 = 1, 28, o que implica que c = 1, 6 + 0, 384 = 1, 984. Desta forma, a altura em
questo 1,98m.
7.2.2 Aproximao da Distribuio Binomial pela Normal
Vimos no captulo de variveis aleatrias discretas que podemos aproximar a distribuio binomial
pela distribuio Poisson.
A aproximao da distribuio binomial pela Poisson boa quando o parmetro p da distribuio
binomial pequeno. Se este valor for grande, a aproximao pela distribuio Poisson pobre. Neste
caso, devemos aproximar pela distribuio normal.
Proposio: Aproximao da distribuio binomial pela normal
Suponha que Xn uma sequncia de variveis aleatrias tais que Xn Bin(n, p). Ento, vale o
seguinte resultado:
X np
n
lim P p z = (z),
n np(1 p)
onde (z) a funo de distribuio da normal padro.
Desta forma, vale a aproximao para n grande:
x np
P(Xn x) p .
np(1 p)
96 / 140
Exemplo 7.4 Exemplo de aplicao da aproximao da binomial pela normal

Suponha que lanamos uma moeda honesta 200 vezes. Obtenha a probabilidade do nmero de caras
estar entre 45% e 55% dos lanamentos (incluindo os extremos). Ou seja, se Xn denota o nmero de
caras obtidas aps os 200 lanamentos, temos que Xn Bin(200, 1/2), e queremos calcular
P(90 Xn 110) = P(Xn 110) P(Xn 89).
Como o parmetro p da binomial no pequeno, ou seja, no est prximo de zero, a aproximao
ideal dada pela
p normal.
Assim, como np(1 p) = 7, 07 e np = 100, pela proposio anterior, temos que

P(90 Xn 110) 110100
7,07 90100
7,07
= (1, 41) (1, 27)
= (1, 41) (1 (1, 27))
= (1, 41) + (1, 27) 1
= 0, 9207 + 0, 8980 1
= 0, 8187.
Logo, a probabilidade de aproximadamente 0,8187.
Nota
No exemplo anterior:
A probabilidade exata dada por 0,8626.
A probabilidade obtida pela aproximao de Poisson dada por 0,7065. Vemos que a
aproximao , de fato, muito pobre neste caso.
O motivo da aproximao ser ruim que a aproximao da binomial pela Poisson supe que
a probabilidade p da binomial tende a zero quando n tende a infinito, o que no acontece no
exemplo anterior.
7.3 A Distribuio Exponencial
A distribuio exponencial uma distribuio muito utilizada na prtica para modelar tempo de falha
de objetos. Por exemplo, pode ser usada para modelar o tempo que demora at uma lmpada falhar.
Ela possui um parmetro, , que pode ser interpretado da seguinte forma: 1/ o tempo de vida
mdio do objeto.
Mais precisamente, temos a
Definio: Varivel Aleatria Seguindo Distribuio Exponencial

Uma varivel aleatria contnua X assumindo valores no-negativos dita seguir distribuio
exponencial com parmetro > 0, se sua funo de densidade dada por
(
e x , x 0,
f (x) =
0, x < 0.
Denotamos X Exp( ).
97 / 140
Observe que f (x) , de fato, uma funo de densidade, pois f (x) 0 para todo x, e, alm disso,
Z Z
f (x)dx = e x dx
0
e x 1
= =
0
= 1.
Na figura abaixo apresentamos grficos das funes de densidade da distribuio exponencial para
alguns valores de : 1.5
1.0
(1.5)
f(x)
0.5
(0.5)
0.0
0 1 2 3 4 5
x
Figura 7.2: Exemplo de funes de densidade da distribuio exponencial para valores de descritos
no parntese ( )
Podemos tambm calcular a funo de distribuio de uma varivel aleatria seguindo distribuio
exponencial explicitamente:
x
R x x e x
F(x) = P(X x) = 0 e dx =
h x i 0
= e 1
= 1 e x ,
para x 0, e F(x) = 0, se x < 0.
Em particular, obtemos P(X > x) = e x .
Esperana
Temos que Z
E(X) = x e x dx.
0
Integrando por partes com dv = e x dx
e u = x, temos que v = e x e du = dx, e portanto,
Z
x
E(X) = xe e x dx
0 0
e x
= 0 +
0
1
= .
98 / 140
Varincia
Integrando por partes duas vezes, obtemos que
2
E(X 2 ) = .
2
Portanto,
2 1 1
Var(X) = E(X 2 ) (E(X))2 = 2
2 = 2.

Exemplo 7.5 Exemplo de clculo envolvendo a distribuio exponencial

Suponha que X Exp( ). Vamos encontrar a probabilidade de que X seja maior que seu valor
esperado. De fato, como E(X) = 1/ , queremos calcular:
P(X > 1/ ) = 1 F(1/ ) = 1 (1 e 1/ ) = e1 0, 37.
Exerccio
O tempo mdio de falha das lmpadas produzidas em uma certa fbrica de 17500 horas.
Sabendo que o tempo de falha destas lmpadas segue distribuio exponencial, qual a proba-
bilidade de uma lmpada falhar no primeiro ano de uso?
Soluo
Primeiro, observe que como o tempo mdio de falha de 17500 horas, o parmetro da expo-
nencial dado por
1
.
= 17500
Como um ano tem 365 dias (em geral no considera-se anos bissextos), temos 24 365 = 8760
horas em um ano. Assim, queremos calcular
1
P(X 8760) = 1 e 17500 8760 1 e0,5 0, 39.
Assim, temos uma probabilidade de aproximadamente 39% de que a lmpada venha a falhar no
primeiro ano de uso.
7.3.1 Perda de Memria
Assim como a distribuio Geomtrica a nica distribuio discreta que possui perda de memria,
a distribuio exponencial a nica distribuio contnua que possui perda de memria.
Mais precisamente, considere o seguinte exemplo:
Exemplo 7.6 Ilustrao da perda de memria da distribuio exponencial

Suponha que Pedro funcionrio da fbrica de lmpadas e sua funo esperar at que uma lmpada
falhe. Suponha que Pedro j esperou 6 meses e a lmpada ainda no falhou, isto significa que a
probabilidade da lmpada falhar nos prximos 30 dias ser maior do que a probabilidade de falhar
nos primeiros 30 dias de uso da lmpada?
A resposta no. No importa o quanto tempo Pedro tenha esperado, a probabilidade de falha nos
prximos 30 dias sempre ser a mesma. Assim como para a distribuio geomtrica, esta propriedade
da distribuio exponencial chamada de perda de memria.
99 / 140
Mais precisamente, seja X uma varivel aleatria seguindo distribuio exponencial com parmetro
. Ento, temos que para todo par de nmeros reais positivos, t, s, vale
P(X > t + s|X > t) = P(X > s).
De fato, temos que
P(X > t + s, X > t) P(X > t + s)

P(X > t + s|X > t) = = ,
P(X > t) P(X > t)
no entanto, j vimos que, para todo x > 0, P(X > x) = e x . Da,
P(X > t + s) e (t+s)

P(X > t + s|X > t) = = t = e s = P(X > s).
P(X > t) e
Isto prova a perda de memria. Observe que aqui, assim como na geomtrica, na realidade, mostra
mais do que falamos. No s diz que a prxima probabilidade no muda, mas essencialmente diz
o seguinte: se Pedro j esperou um certo tempo t para a lmpada falhar, e ela ainda no falhou, as
probabilidades de falhas dali para frente so as mesmas de como se ele tivesse comeado a esperar
naquele momento. Ou seja, a distribui exponencial esquece todo o passado que j foi esperado.
7.4 A Distribuio Gama
7.4.1 A Funo Gama
Definio: Funo Gama

A funo gama, denotada por (), dada por
Z
(p) = x p1 ex dx, p > 0.
0
Realizando a integral por partes na funo gama, fazendo u = x p1 e dv = ex dx, temos que
Z
x p1
ex (p 1)x p2 dx

(p) = e x
0Z
0
x p2
= 0 + (p 1) e x dx
0
= (p 1)(p 1).
Se p = n um nmero natural, ento teremos que
(n) = (n 1)(n 1) = = (n 1)(n 2) 1 (1).
Porm, temos que Z

(1) = ex dx = 1.
0
Assim, temos que se n um nmero natural, (n) = (n 1)!, e portanto a funo gama generaliza o
fatorial, e pode ser pensada como o fatorial de nmeros reais positivos.
100 / 140
7.4.2 Distribuio Gama
Definio: Varivel Aleatria Seguindo Distribuio Gama

Seja X uma varivel aleatria contnua tomando valores no-negativos. Dizemos que X segue
distribuio gama com parmetros r > 0 e > 0, se sua funo de densidade for dada por

f (x) = (x)r1 ex , x 0.
(r)
Denotamos X Gama(r, ).
A distribuio gama mais flexvel que a distribuio exponencial, isto , as densidades podem
assumir as mesmas formas das densidades da distribuio exponencial, mas tambm podem assumir
formas diferentes. Isso se deve incluso do segundo parmetro.
Na figura abaixo apresentamos grficos das funes de densidade da distribuio gama para alguns
valores de r e :
0.0 0.1 0.2 0.3 0.4 0.5
(1;0,5)
f(x)
(2;0,5) (9;2)
(3;0,5)
0 5 10 15 20
x
Figura 7.3: Exemplo de funes de densidade da distribuio gama para valores de r e descritos no
par ordenado (r, )
Nota
Observe que se X Gama(1, ), ento na realidade X Exp(). Assim, a distribuio
exponencial caso particular da distribuio gama.
Alm disso, por este fato, o parmetro da distribuio gama chamado de taxa, e o
parmetro r chamado de parmetro de forma.
Esperana e Varincia
possvel mostrar que se X Gama(r, ), ento
r r
E(X) = e Var(X) = 2 .

101 / 140
Exerccio
Suponha que o tempo de vida til, em anos, de uma mquina de lavar uma varivel aleatria
X com funo de densidade dada por
xex/2
f (x) = , x 0.
4
Determine a distribuio de X.
Alm disso, se o fabricante fornece seis meses de garantia para o produto, qual a proporo de
aparelhos que devemos esperar que usem essa garantia?
Soluo
Olhando a funo de densidade, observamos que no se trata de uma distribuio exponencial,
mas que se parece com uma distribuio gama.
Comparando a densidade acima com a densidade geral da distribuio gama, vemos que X
segue distribuio gama com parmetros r = 2 e = 1/2.
Como o tempo de vida est sendo dado em anos, queremos calcular a probabilidade
Z 1/2 x/2 Z 1/2
xe 1
P(X 1/2) = dx = xex/2 dx.
0 4 4 0
Para calcular a probabilidade acima, vamos integrar por partes. Fazendo u = x e dv = ex/2 dx,
obtemos que du = dx e v = 2ex/2 . Desta forma,
1/2 R 1/2
P(X 1/2) = 12 xex/2 14 0 (2ex/2 )dx

0R
1/4 1/2 x/2
= e 2 + 12 0 e dx
1/4 1/2
= e ex/2

2 0
e1/4 1/4
= 2 (e 1)
0, 0265.
Desta forma, esperado que aproximadamente 2,65% das mquinas de lavar utilizaro o servio
de garantia.
7.5 Atividades
1. Se Y tem distribuio uniforme em (0, 5), qual a probabilidade de que as razes da equao
2
4x + 4xY +Y + 2 = 0 sejam ambas reais?
2. Numa populao, o nvel srico de colesterol em adultos (medido em mg/dl) uma varivel
aleatria com distribuio normal com parmetros = 225 e = 75. Calcule:
a) a proporo de pessoas com nvel de colesterol entre 200 e 350.
b) o valor acima do qual se encontra o colesterol da parcela de 10% da populao que tem os nveis
mais elevados.
3. Seja X N(5, 16). Obtenha:
a) P(X 13);
b) P(X 1);
102 / 140
c) P(4 X 9);
d) o valor de a tal que P(X a) = 0, 04;
e) o valor de b tal que P(X b) = 0, 01;
f) o intervalo que contm 95% dos valores centrais (intervalo simtrico em torno de ) de X.
4. Em uma fbrica de refrigerante, uma mquina usada para encher garrafas de 600ml. O contedo
lquido (em ml) por garrafa varia segundo a distribuio normal com parmetros = 600 e = 4.
Calcule:
a) a porcentagem de garrafas produzidas com contedo inferior a 592ml ou superior a 612ml;
b) o contedo mnimo encontrado em 96% das garrafas fabricadas.
5. O peso em gramas de recm-nascidos em uma maternidade tem distribuio normal com parmetro
= 3000g. Sabe-se que 98% dos bebs nascem com um peso compreendido entre 2,5kg e 3,5kg.
Determine:
a) o parmetro ;
b) o peso abaixo do qual nascem 0,4% dos bebs dessa maternidade.
6. Se 55% da populao de uma cidade a favor de um projeto proposto pelo prefeito, estime
(usando a aproximao da binomial pela normal) de que, em uma amostra aleatria de 176 pessoas,
no mximo 93 sejam favorveis ao projeto.
7. Seja U uma varivel aleatria uniforme no intervalo (a, b). Calcule, para todo n 1, E(U n ).
8. Seja X uma varivel aleatria seguindo distribuio Exponencial com parmetro . Calcule
E(X n ).
9. Obtenha a esperana da rea de um tringulo retngulo issceles cuja hipotenusa tem compri-
mento uniformemente distribudo no intervalo (2, 8).
10. Um computador foi usado para gerar sete nmeros aleatrios independentes uniformemente dis-
tribudos no intervalo (0, 1). Calcule a probabilidade de que:
a) exatamente de trs nmeros estejam entre 1/2 e 1;
b) menos do que trs sejam maiores que 3/4.
11. (Distribuio Log-Normal): Seja Y = eX , onde X N(0, 1). Encontre a densidade de Y .
12. Seja X N(0, 1). Seja Y = X 2 . Obtenha a densidade
de Y , mostre que Y segue distribuio
Gama e determine os parmetros. (Dica: Use que (1/2) = .)

103 / 140
Captulo 8
Introduo Inferncia Estatstica
Conhecer os principais tipos de amostragem

Saber o que so estimadores e a diferena entre estimador e estimativa
Conhecer a distribuio amostral da mdia, proporo, diferena de mdias e diferena
de propores
Saber construir diversos intervalos de confiana
Saber realizar uma regresso linear de Y em X e calcular seu coeficiente de determina-
o
8.1 Definies Bsicas
Vamos comear relembrando dois conceitos bsicos importantes de estatstica, a saber, populao e
amostra.
De uma maneira mais precisa, temos a seguinte definio:
Definio: Populao
O conjunto de todos os elementos, ou resultados, sob investigao chamado de populao.
Quando estamos lidando com uma populao interessante observar:
Caractersticas mensurveis (expressas por variveis numricas);
Caractersticas qualitativas (expressas por variveis nominais ou categricas).
Definio: Parmetros Populacionais

Damos o nome de parmetros da populao ou parmetros populacionais aos valores numricos
que caracterizam globalmente uma populao.
Relacionadas populao temos as seguintes definies:
104 / 140
Definio: Amostra e Tamanho Amostral

Um subconjunto da populao chamado de amostra. Chamamos o nmero de elementos da
amostra de de tamanho amostral.
Importante
O objetivo da inferncia estatstica produzir afirmaes sobre dada caracterstica da popu-
lao na qual estamos interessados, a partir de informaes colhidas de uma parte dessa
populao. Esta caracterstica na populao pode ser representada por uma varivel aleat-
ria.
A relao entre inferncia e amostragem ilustrada na figura abaixo:
Figura 8.1: Amostragem e Inferncia
Nota
Se tivermos informaes completas sobre a distribuio, no haver necessidade de obter

amostras.
Podemos supor que as variveis vm de uma famlia de distribuies de probabilidade,

mas no podemos supor qual o valor do parmetro. Por exemplo, podemos supor que os
dados seguem distribuio normal, mas no podemos informar os valores das mdias e
varincias.
Existem casos onde a amostragem necessria. Por exemplo, se quisermos saber o

nmero de glbulos brancos.
importante que a amostra seja representativa da populao, ou seja, que o comporta-

mento da amostra seja prximo do comportamento da populao. Para garantir isso,
preciso saber escolher bem o tamanho amostral, e que a amostra seja obtida aleatoria-
mente.
8.2 Amostragem
8.2.1 Tipos de Amostragem
Temos dois grandes grupos de amostragem:
105 / 140
Amostragem Probabilstica: O mecanismo de escolha dos elementos da amostra tal que existe
uma probabilidade conhecida de cada elemento da populao vir a participar da amostra.
Amostragem No-Probabilstica: No existe nenhum mecanismo probabilstico na seleo da

amostra.
Tipos de Amostragem Probabilstica
Amostragem Aleatria Simples (AAS):
a. Supomos que a populao homognea, ou seja, a caracterstica que estamos procurando

pode aparecer em qualquer elemento da populao com a mesma probabilidade;
b. Procedimento: Rotular os elementos da populao e sortear os indivduos que faro parte da
amostra.
Amostragem Sistemtica:
a. Supomos que a populao homognea;

b. Procedimento: Os elementos da populao so ordenados, a retirada do primeiro elemento
aleatria, e a partir do segundo elemento a retirada feita periodicamente (com perodo
determinstico). Por exemplo, o primeiro elemento retirado aleatoriamente, e em seguida,
retiramos o dcimo elemento depois do primeiro retirado, depois o dcimo elemento aps o
segundo retirado, e assim por diante.
Amostragem Estratificada:
a. Supomos que a populao heterognea, ou seja, a caracterstica que estamos procurando

pode variar dependendo de onde os dados so retirados. Entretanto, supomos que podemos
dividir a populao em grupos (estratos) homogneos;
b. Procedimento: A seleo dos elementos de cada estrato realizada de forma aleatria, ou seja,
realizamos uma amostragem aleatria simples em cada estrato.
Amostragem por Conglomerado:
a. Supomos que a populao pode ser dividida em subgrupos (conglomerados) heterogneos;

b. Procedimento: A amostragem realizada sobre os conglomerados, e no mais sobre os indiv-
duos da populao, ou seja, realiza-se uma amostragem aleatria simples, onde os elementos
escolhidos so os conglomerados a serem utilizados, ao invs de j se sortear os elementos da
amostra.
106 / 140
8.2.2 Distribuio Amostral
Interesse
Uma medida que descreva certa caracterstica da populao. Normalmente temos interesse em
um parmetro desconhecido da populao, seja mdia, varincia, ou outro parmetro.
Soluo
A partir da amostra, podemos construir uma funo, utilizando apenas os valores obtidos nesta
amostra, para descrever tal caracterstica. Esta funo chamada de estatstica.
Nota
Como os valores da amostra so aleatrios, qualquer quantidade calculada em funo dos
elementos da amostra tambm ser uma varivel aleatria. Assim, as estatsticas, sendo
variveis aleatrias, tero alguma distribuio de probabilidade.
Formalizao do Problema
Seja X1 , . . . , Xn uma amostra aleatria simples (AAS) de uma populao de tamanho n. Para realizar-
mos uma afirmao sobre algum parmetro da populao (mdia, varincia, etc.), utilizaremos uma
estatstica T que, como sabemos, uma funo da amostra, isto , T = f (X1 , . . . , Xn ), para alguma
funo f .
Nota
Quando conhecemos melhor o comportamento da estatstica T , ou seja, se conhecemos
sua distribuio amostral, que nada mais que a distribuio de probabilidade da varivel
aleatria T , poderemos realizar afirmaes sobre o parmetro .
A distribuio amostral relata o comportamento da estatstica T , caso retirssemos todas as
possveis amostras de tamanho n.
8.2.2.1 Distribuio Amostral da Mdia
Consideremos uma populao identificada pela varivel aleatria X, cujos parmetros mdia popula-
cional = E(X) e varincia populacional 2 = Var(X) so supostos conhecidos. Vamos tirar todas
as possveis amostras de tamanho n dessa populao e, para ccada uma, calcular a mdia amostral X
dada por
1 n
X = Xi ,
n i=1
e em seguida vamos obter algumas propriedades de X.
Considere a populao {1, 3, 5, 7}. Sabemos que a mdia populacional = 4, 2 e a varincia popu-
lacional 2 = 4, 16. Se retiramos uma amostra de tamanho n = 2, segundo amostragem aleatria
simples (ento todos os elementos possuem a mesma probabilidade de serem retirados), a distribuio
amostral de
X1 + X2
X=
2
ser dada por
107 / 140
x 1 2 3 4 5 6 7 Total
P(X = x) 1/25 2/25 5/25 6/25 6/25 4/25 1/25 1
Assim,
7
E(X) = xi P(X = xi ) = 4, 2,
i=1
e
Var(X) = 2, 08.
Temos ento a seguinte proposio:
Proposio
Seja X uma varivel aleatria com mdia e varincia 2 , e seja (X1 , . . . , Xn ) uma AAS de X.
Ento,
2
E(X) = e Var(X) = .
n
Demonstrao
Temos que
1 n
E(X) = E Xi
n i=1
n
E(Xi )
= n
i=1
1 n
=
n i=1
n
=
n
= .
e, usando que a varincia de soma de variveis independentes dada pela soma das varincias,
e as propriedades da varincia, temos:
1 n
Var(X) = Var Xi
n i=1
n X
i
= Var
i=1 n
1 n 2
=
n2 i=1
n 2
=
n2
2
= .
n
8.2.2.2 Teorema Central do Limite
Vamos agora enunciar um dos principais resultados da probabilidade moderna: o teorema central do
limite. A demonstrao deste teorema pode ser encontrada em livros mais avanados de probabili-
dade.
108 / 140
Teorema Central do Limite

Sejam X1 , . . . , Xn uma AAS da varivel aleatria X, com distribuio comum satisfazendo
E(Xi ) = e Var(Xi ) = 2 . Como a amostragem foi AAS, temos que as variveis so inde-
pendentes. Assim, se n grande, temos que,
P(X x) , 2 /n (x),
onde , 2 a funo de distribuio de uma varivel aleatria N N(, 2 /n).
Assim, dizemos que X segue aproximadamente distribuio normal com mdia e varincia
2 /n.
Podemos fazer a mudana de variveis:
X
Z= .
/ n
Desta forma, o teorema central do limite nos diz que se n suficientemente grande, temos que Z segue
aproximadamente distribuio normal com mdia 0 e varincia 1.
Nota
No caso em que a distribuio de X normal, a distribuio de X ser normal, mesmo para
valores pequenos de n.
8.2.2.3 Distribuio Amostral da Proporo
Seja X uma varivel aleatria com distribuio Bernoulli com parmetro p, isto , P(X = 1) = p e
P(X = 0) = 1 p. Temos que E(X) = p e Var(X) = p(1 p). Considere uma AAS de tamanho n
dessa populao. Seja
n
Sn = Xi ,
i=1
o nmero de indivduos com a caracterstica de interesse da amostra. Sabemos que Sn Bin(n, p).
Pelo teorema central do limite temos que X tem distribuio aproximadamente normal, para n sufici-
entemente grande. Seja pb = X, a proporo amostral. Ento, temos que
aprox.
p(1 p)
pb N p, ,
n
ou equivalentemente,
pb p aprox.
Z=p N(0, 1),
p(1 p)/n
pois, temos que
S 1 p
n
E( pb) = E = E(Sn ) = n = p,
n n n
e S
n 1 np(1 p) p(1 p)
Var( pb) = Var = 2 Var(Sn ) = = .
n n n2 n
possvel mostrar, na realidade, que vale o seguinte resultado:
pb p aprox.
p N(0, 1),
pb(1 pb)/n
ou seja, se trocarmos p(1 p)/n por pb(1 pb)/n, o resultado ainda vale. Este resultado ser til na
construo de intervalos de confiana.
109 / 140
8.2.2.4 Distribuio Amostral da Diferena entre Mdias
Em vrios problemas prticos, deseja-se comparar duas populaes de interesse. Por exemplo, pode-
mos estar interessados em avaliar a diferena de desempenho entre duas linhas de produo.
Suponha que duas populaes de interesse, X1 e X2 , com mdias 1 e 2 , e varincias 12 e 22 ,
respectivamente.
Considere duas AAS independentes de tamanhos n1 e n2 das duas populaes. Pelo teorema central
do limite, a distribuio amostral da diferena (X 1 X 2 ), para n1 e n2 suficientemente grandes, ser
dada por
aprox.
2 2
(X 1 X 2 ) N 1 2 , 1 + 2 ,
n1 n2
(X 1 X 2 ) (1 2 ) aprox.
Z= q N(0, 1),
2 2
1 /n1 + 2 /n2
pois,
E(X 1 X 2 ) = E(X 1 ) E(X 2 ) = 1 2 ,
e
12 22
Var(X 1 X 2 ) = Var(X 1 ) +Var(X 2 ) = + .
n1 n2
8.2.2.5 Distribuio Amostral da Diferena entre Propores
Neste caso, supomos que as duas populaes de interesse apresentam distribuio binomial com pro-
pores p1 e p2 . Considere que so feitas duas AAS independentes de tamanhos n1 e n2 . A distri-
buio amostral da diferena entre propores ( pb1 pb2 ), para n1 e n2 suficientemente grandes, pelo
teorema central do limite temos
aprox.
p1 (1 p1 ) p2 (1 p2 )
( pb1 pb2 ) N p1 p2 , + ,
n1 n2
( pb1 pb2 ) (p1 p2 ) aprox.
Z=p N(0, 1).
p1 (1 p1 )/n1 + p2 (1 p2 )/n2
8.3 Inferncia Estatstica
Suponha que alguma caracterstica da populao possa ser representada por uma varivel aleatria
X, com funo de distribuio FX (x; ). Suponha que os valores x1 , . . . , xn de uma AAS X1 , . . . , Xn
de FX (x; ) possam ser observados. Com base nos valores amostrais, desejamos estimar o parmetro
desconhecido , ou alguma funo deste parmetro. Neste caso, a estimao poder ser feita de duas
maneiras:
Estimao Pontual: Estimamos o parmetro por meio de uma estatstica T = t(X1 , . . . , Xn ),

chamada de estimador.
Estimao Intervalar: definida por duas estatsticas T1 = t1 (X1 , . . . , Xn ) e T2 = t2 (X1 , . . . , Xn ),
tais que T1 < T2 , onde o intervalo [T1 , T2 ] ter uma probabilidade conhecida de conter o parmetro
desconhecido .
110 / 140
8.3.1 Estimao Pontual
Vamos comear entendendo a diferena entre estimador e estimativa.
Definio: Estimador
Um estimador uma estatstica, isto , uma funo da amostra, que usada para representar
um valor plausvel para o parmetro desconhecido de interesse.
Definio: Estimativa
valor numrico particular assumido por um estimador. Ou seja, o valor do estimador apli-
cado em uma realizao da amostra.
8.3.2 Propriedades dos Estimadores
Importante
importante frisar que podem existir vrios estimadores para um mesmo parmetro popula-
cional. Logo, a escolha do melhor estimador ser feita com base em alguns critrios.
No-Tendencioso (Tambm chamados de no-viesados ou no-viciados): Dizemos que um estima-

dor T no-viesado para o parmetro se o seu valor esperado for igual ao prprio parmetro, isto
, se
E(T ) = .
Consistncia: Dizemos que um estimador T para o parmetro consistente se, alm de ser
no-viesado, sua varincia tende a zero quando o tamanho amostral tende a infinito:
lim Var(T ) = 0.
n
Eficincia: Sejam T1 e T2 dois estimadores no-viesados para o parmetro , com
Var(T1 ) < Var(T2 ),

ento, dizemos que T1 mais eficiente que T2 .
111 / 140
Exemplo 8.1 Exemplo de estimador viesado

Seja X1 , . . . , Xn uma AAS da seguindo distribuio uniforme no intervalo [0, ]. Um estimador natural
para dado pelo maior valor encontrado na amostra, j que sabemos que a distribuio uniforme
no fornece valores maiores do que .
Assim, seja M = max(X1 , . . . , Xn ), ou seja, o maior valor da amostra. Vamos mostrar que M um
estimador viesado para .
Seja X U(0, ), ento a funo de densidade de X dada por
1
fX (x) = , 0 < x < ,

e fX (x) = 0 caso contrrio. Assim, se FM a funo de distribuio de M, ento, como as variveis
X1 , . . . , Xn so independentes, temos que
FM (m) = P(M m) = P(max(X1 , . . . , Xn ) m)

= P(X1 m, . . . , Xn m) = P(X1 m) P(Xn m)
= [P(X m)]n = [FX (m)]n ,
e portanto,
fM (m) = FM0 (m) = n[FX (m)]n1 fX (m).
Alm disso, temos que Z x
1 x
FX (x) = dt = , 0 < x < .
0
Logo, temos que
h m in1 1 nmn1
fM (m) = n = , 0 < m < .
n
nmn1 n n
Z Z
E(M) = m dm = m dm
0 n n 0
n mn+1
=
n n+1 0

n n+1
=
n n+1
n
= .
n+1
Assim, temos que M um estimador viesado. Podemos obter um outro estimador, a partir de M, que
seja no-viesado, dado por
Me = n + 1 M.
n
8.3.3 Alguns Estimadores Pontuais Importantes
8.3.3.1 Estimador para a Mdia
O estimador mais utilizado para a mdia populacional a mdia amostral:
1 n
b=X =
Xi.
n i=1
112 / 140
8.3.3.2 Estimador para a Varincia
Quando a mdia populacional conhecida, um estimador para a varincia populacional dado por
1 n
b2 =
(Xi )2.
n i=1
Caso a mdia populacional seja desconhecida, que a situao mais comum na prtica, a varincia
populacional pode ser estimada por
1 n
S2 = (Xi X)2.
n 1 i=1
8.3.3.3 Estimador para a Proporo
Um estimador para a proporo populacional dado pela proporo amostral:

Sn
,pb =
n
onde Sn o nmero de elementos que apresentam uma determinada caracterstica de interesse entre
os n elementos da amostra.
8.3.4 Estimao Intervalar
Suponha que temos um estimador para um certo parmetro dado por b. Alm disso, suponha que
temos a seguinte aproximao:
b aprox.
N(0, 1).

Queremos ento utilizar b e a aproximao acima para construir um intervalo de confiana para , ou
seja, queremos utilizar b para construir um intervalo aleatrio, do tipo [T1 , T2 ], onde T1 e T2 dependem
de b tal que
P(T1 < T2 )) 1 ,
onde um nvel de significncia determinado previamente. Normalmente costuma-se escolher
= 0, 01, = 0, 05 ou = 0, 10, isto , estamos afirmando que em apenas em 1%, ou 5%, ou 10%,
das amostras possveis (de mesmo tamanho) da populao, o intervalo de confiana no contm o
parmetro . Nestes casos, dizemos que estamos construindo intervalos de confiana de nveis de
confiana de 99%, 95% ou 90%, respectivamente.
Observe que a aproximao acima obtida para b nos fornece:

P C < C = P b
C P b
C
b

(C) (C)
= (C) 1 + (C)
= 2(C) 1.
Por outro lado,

b
P C < C = P C < b C

= P C < C
b b

= P C + b < C + b .
113 / 140
Juntando as duas equaes, obtemos que:

P C + < C + 2(C) 1.
b b
Se quisermos um nvel 1 , temos que resolver 2(C) 1 = 1 o que fornece

1

C= 1 ,
2
onde 1 (1 /2) o valor encontrado na tabela da normal, tal que a probabilidade de ser menor
ou igual a este valor de 1 /2.
Finalmente, obtemos que um intervalo de confiana de nvel para dado por

C + b;C + b ,

onde C dado por C = 1 1 2 .
8.3.5 Intervalo de Confiana para a Mdia
Seja X1 , . . . , Xn uma AAS de uma varivel aleatria comum X satisfazendo E(Xi ) = e Var(Xi ) = 2 .
Ento, seja X a mdia dessa AAS:
1 n
X = Xi .
n i=1
Vimos que a distribuio amostral da mdia , pelo Teorema Central do Limite, aproximadamente:
X
N(0, 1).
/ n
Pelo que vimos na subseo anterior, isto nos diz que um intervalo de confiana de nvel 1 para a
mdia dado por h i
C + X;C + X ,
n n

Exemplo 8.2 Exemplo de clculo de intervalo de confiana para a mdia

Suponha que as alturas dos alunos da UFPB tenham distribuio normal com = 15cm. Foi retirada
uma amostra aleatria de 100 alunos obtendo-se X = 175cm. Vamos construir um intervalo de 95\%
de confiana para a verdadeira altura mdia dos alunos.
Primeiramente, note que estamos querendo 1 = 0, 95, o que nos fornece = 0, 05 e desta forma,
1 /2 = 0, 975.
Olhando para a tabela da normal, vemos que C = 1 (1 /2) dado por 1,96.
Desta forma, o intervalo de confiana dado por
h 15 15 i
1, 96 + 175; 1, 96 + 175 .
100 100
Realizando a conta, obtemos que o intervalo, ao nvel de 95% de confiana para o verdadeiro valor da
altura mdia dos alunos da UFPB h i
1, 72; 1, 78 .
114 / 140
8.3.6 Intervalo de Confiana para a Proporo
Seja X1 , . . . , Xn uma AAS de uma varivel aleatria Bernoulli X com parmetro p, isto , as variveis
Xi assumem o valor 1 com probabilidade p, e 0 com probabilidade 1 p. Seja pb a proporo da
amostra que assume valor 1 (ou em exemplos prticos a proporo da amostra que satisfaz uma
determinada condio), ento, temos que pb dado por
1 n
pb = X = Xi.
n i=1
Vimos que a distribuio amostral da proporo satisfaz

pb p aprox.
p N(0, 1).
pb(1 pb)/n
Desta forma, utilizando o que vimos na construo de intervalos de confiana, um intervalo de confi-
ana de nvel 1 para a proporo dado por
p p
h pb(1 pb) pb(1 pb) i
C + pb;C + pb ,
n n

Exemplo 8.3 Exemplo de clculo de intervalo de confiana para a proporo

Uma amostra de 300 habitantes de uma cidade mostrou que 180 desejavam a gua fluorada. Vamos
encontrar o intervalo de confiana de 95% para a populao favorvel a fluorao.
1 /2 = 0, 975.
Por outro lado, como a proporo estimada dos habitantes favorveis a fluorao
180
pb = = 0, 6.
300
Desta forma, o intervalo de confiana dado por

h 0, 6 0, 4 0, 6 0, 4 i
1, 96 + 0, 6; 1, 96 + 0, 6 .
300 300
proporo da populao favorvel a fluorao
h i
0, 54; 0, 65 .
8.3.7 Intervalo de Confiana para a Diferena de Mdias
Considere duas AAS independentes de tamanhos n1 e n2 das duas populaes. Vimos que a distribui-
o amostral da diferena (X 1 X 2 ), para n1 e n2 suficientemente grandes, satisfaz
(X 1 X 2 ) (1 2 ) aprox.
q N(0, 1).
12 /n1 + 22 /n2
115 / 140
Desta forma, utilizando o que vimos na construo de intervalos de confiana, um intervalo de confi-
ana de nvel 1 para a diferena de mdias dado por
h q q i
C 1 /n1 + 2 /n2 + X 1 X 2 ;C 12 /n1 + 22 /n2 + X 1 X 2 ,
2 2

onde C dado por C = 1
1 2 .
Exemplo 8.4 Exemplo de clculo de intervalo de confiana para a diferena de mdias

Um teste psicolgico destinado a medir a preciso com que uma pessoa julga outras pessoas, foi
realizado. As notas possveis do teste variam de 0 a 41. Durante sua elaborao o teste foi aplicado a
vrios grupos com diferentes de pessoas. De acordo com os resultados observados, vamos construir
um intervalo de confiana para a diferena entre as mdias dos grupos de homens e de mulheres, com
$95\%$ de confiana.
Homens: n = 133, X = 25, 34 e = 5, 05.
Mulheres: n = 162, X = 24, 94 e = 5, 44.
1 /2 = 0, 975.
Pelos dados do problema, temos que o intervalo de confiana dado por
r r
h (5, 05)2 (5, 44)2 (5, 05)2 (5, 44)2 i
1, 96 + + 25, 34 24, 94; 1, 96 + + 25, 34 24, 94 .
133 162 133 162
diferena entre as mdias dos grupos de homens e de mulheres
h i
0, 80; 1, 60 .
8.4 Regresso e Correlao
8.4.1 Correlao
Relao Funcional e Relao Estatstica Como sabemos, o permetro e o lado de um quadrado esto
relacionados. A relao que os liga perfeitamente definida e pode ser expressa matematicamente
por
permetro = 4l,
onde l o lado do quadrado. Atribuindo-se, ento, um valor qualquer a l, possvel determinar
exatamente o valor do permetro.
Consideremos agora a relao entre o peso e a altura de um grupo de pessoas. evidente que esta
relao no do mesmo tipo da anterior. Assim, podemos ter duas pessoas com a mesma altura
e pesos diferentes, assim como pessoas com mesmo peso e alturas diferentes. Porm, existe uma
tendncia clara de que, quanto maior a altura, maior o peso.
As relaes do tipo permetro-lado so chamadas de relaes funcionais e as relaes do tipo peso-
altura so chamadas de relaes estatstica.
Quando duas variveis esto ligadas por uma relao estatstica, dizemos que existe correlao entre
elas.
116 / 140
8.4.1.1 Diagrama de Disperso
O diagrama de disperso apresenta os pares ordenados (xi , yi ) de uma amostra aleatria bidimensional
em um plano cartesiano. Esse diagrama nos fornece uma ideia grosseira, porm til, da correlao
existente.
2
1
0
y
1
2
2 1 0 1 2
x
Figura 8.2: Exemplo de diagrama de disperso
Correlao Linear
Se os pontos do diagrama apresentam uma tendncia linear ascendente, temos correlao linear
positiva:
30
20
y
10
5
0
0 5 10 15 20 25 30
x
Figura 8.3: Exemplo de diagrama de disperso com correlao linear positiva
117 / 140
Se os pontos apresentam uma tendncia linear descendente, temos correlao linear negativa
0
10
y
20
30
0 5 10 15 20 25 30
x
Figura 8.4: Exemplo de diagrama de disperso com correlao linear negativa
Se os pontos apresentam uma tendncia curvilnea, temos correlao no-linear

1.2
0.8
y
0.4
0.0
0 5 10 15 20 25 30
x
Figura 8.5: Exemplo de diagrama de disperso com correlao no-linear
Se os pontos apresentam-se dispersos, no oferecendo uma tendncia definida, conclumos que no

h correlao entre as variveis em estudo
118 / 140
1
0
y
1
2
2 1 0 1 2
x
Figura 8.6: Exemplo de diagrama de disperso sem correlao
8.4.1.2 Coeficiente de Correlao de Pearson
usado para indicar o grau de intensidade da correlao linear entre duas variveis e, ainda, o sentido
dessa correlao: se positivo ou negativo. O coeficiente de correlao de Pearson entre duas amostras
(x1 , . . . , xn ) e (y1 , . . . , yn ) dado por
n ni=1 xi yi ni=1 xi ni=1 yi

r = rh ,
n 2 n
2 ih n 2 n
2 i
n i=1 xi i=1 xi n i=1 yi i=1 yi
onde n o nmero de observaes. Observe que r [1, 1].

Temos que
Se r = 1, h uma correlao perfeita e positiva entre as variveis.
Se r = 1 h uma correlao perfeita e negativa entre as variveis.
Se r = 0 no h correlao entre as variveis.
Exemplo 8.5 Exemplo de clculo do coeficiente de correlao de Pearson

Considere uma amostra aleatria das variveis (X,Y ), dada por (xi , yi ) na tabela abaixo:
xi yi xi yi xi2 y2i
4 12 48 16 144
6 10 60 36 100
8 8 64 64 64
10 12 120 100 144
12 14 168 144 196
119 / 140
xi yi xi yi xi2 y2i
40 56 460 360 648
Assim, temos n = 5, e portanto

5 460 40 56
r= p = 0, 4160.
(5 360 (40)2 )(5 648 (56)2 )
Logo, a correlao linear entre as variveis X e Y positiva, porm fraca.
8.4.2 Regresso
Podemos dizer que a anlise de regresso tem como objetivo descrever, atravs de um modelo mate-
mtico, a relao entre duas variveis.
A varivel sobre a qual desejamos fazer uma estimativa recebe o nome de varivel dependente e a
outra varivel recebe o nome de varivel independente.
Assim, supondo que X a varivel independente e Y a varivel dependente, procuramos determinar
atravs de ajuste de uma reta a relao entre essas variveis, ou seja, vamos obter a funo definida
por
Y = a + bX,
onde a e b so os parmetros da regresso. Entretanto, sabemos que essa frmula no exata, assim,
existe a presena de um erro aleatrio:
Yi = a + bXi + ei , i = 1, . . . , n,
onde ei um erro aleatrio que possui valor esperado igual a zero.

A maneira que vamos utilizar para determinar valores adequados para a e b a de minimizar a soma
de quadrado dos erros. Ou seja, queremos escolher os valores a e b de tal forma que o nosso modelo
erre pouco.
Este mtodo chamado de mtodo de mnimos quadrados. Assim, dadas as observaes (Xi ,Yi ), i =
1, . . . , n, desejamos minimizar
n n
e2i = (Yi a bXi)2.
i=1 i=1
Desta forma, para encontrarmos o ponto de mnimo, precisamos calcular as derivadas parciais:
ni=1 e2i n
= 2 (Yi a bXi ),
a i=1
e
ni=1 e2i n
= 2 (Yi a bXi )Xi .
b i=1
Assim, como os nossos estimadores ab e b b so os valores que minimizam a soma de quadrados dos
erros, temos que ab e b so tais que as derivadas parciais calculadas acima se anulam.
b
Logo, temos que:
n n n
1 n 1 n
2 (Yi ab b
bXi ) = 0 Yi nb
ab
b Xi = 0 i Y = a
b + b
b Xi,
i=1 i=1 i=1 n i=1 n i=1
120 / 140
e portanto
ab = Y b
bX.
Por outro lado, temos tambm que
n n n n
2 (Yi ab b b Xi2 = 0,
bXi )Xi = 0 Yi Xi ab Xi b
i=1 i=1 i=1 i=1
da,
n n n
YiXi = ab Xi + bb Xi2.
i=1 i=1 i=1
Substituindo o valor de ab na equao acima, obtemos
n n n
YiXi = (Y bbX) Xi + bb Xi2.
i=1 i=1 i=1
Isolando b
b, obtemos
n n
2 n n
n
2 i=1 Xi i=1 Yi i=1 Xi
b Xi
b = Yi Xi .
i=1 n i=1 n
Isto nos fornece

ni=1 Yi Xi ni=1 Yi ni=1 Xi /n

b=
b 2
ni=1 Xi2 ni=1 Xi /n
Costuma-se usar as seguintes notaes para o numerador e denominador da expresso que define b
b:
ni=1 Yi ni=1 Xi
n

SY X = Yi Xi ,
i=1 n
e 2
n
ni=1 Xi
SXX = Xi2 .
i=1 n
Assim, temos as frmulas para b

b e ab em notao simplificada:
SY X
b=
b e ab = Y b
bX.
SXX
Importante
Como estamos fazendo uso de uma amostra para obtermos os valores dos parmetros, o
resultado, na realidade, um estimador para a verdadeira equao de regresso, e portanto,
temos
Ybi = ab + b
bXi ,
onde Y
bi um estimador para Yi .
Exemplo 8.6 Exemplo de clculo das estimativas dos parmetros em um modelo de regresso
Abaixo apresentamos os valores de uma amostra de 10 observaes de duas variveis aleatrias X e
Y:
121 / 140
yi xi yi xi xi2
6 5 30 25
9 8 72 64
8 7 56 49
10 10 100 100
5 6 30 36
7 7 49 49
8 9 72 81
4 3 12 9
6 8 48 64
2 2 4 4
xi yi xi yi xi2
65 65 473 481
Da,
652
SY X = 473 = 473 422, 5 = 50, 5,
10
e
652
SXX = 481 = 481 422, 5 = 58, 5,
10
assim
50, 5 65 65
b=
b = 0, 86 e ab = 0, 86 = 0, 91.
58, 5 10 10
Logo, temos a equao
Ybi = 0, 91 + 0, 86Xi .
Na figura abaixo apresentamos o diagrama de disperso juntamente com a reta de regresso estimada
no exemplo anterior:
10
8
6
y
4
2
2 4 6 8 10
x
Figura 8.7: Exemplo de ajuste de regresso
122 / 140
8.4.2.1 O Poder Explicativo do Modelo
Existe uma medida utilizada para avaliar a qualidade do ajuste. Esta medida conhecida como
coeficiente de determinao ou poder explicativo da regresso. Seu valor fornece a proporo da
variao total da varivel Y explicada pela varivel X atravs da funo ajustada.
O coeficiente de determinao denotado por R2 e pode ser expresso por
b2 SXX
b bSY X
b
R2 = ou R2 = ,
SYY SYY
onde 2
n
ni=1 Xi
SXX = Xi2 ,
i=1 n
n n
2
i=1 Yi
SYY = Yi2 ,
i=1 n
e
ni=1 Yi ni=1 Xi
n

SY X = Yi Xi .
i=1 n
O coeficiente de determinao pode assumir valores no intervalo [0, 1], isto , 0 R2 1.
Quando R2 = 0, a variao explicada de Y zero, ou seja, a reta ajustada paralela ao eixo da varivel
X. Se R2 = 1, a reta ajustada explicar toda a variao de Y . Assim, quanto mais prximo de 1 estiver
o valor de R2 , melhor ser a qualidade do ajuste da regresso aos pontos do diagrama de disperso
e quanto mais prximo de zero, pior ser a qualidade do ajuste.
Se o poder explicativo for, por exemplo, 98%, isto significa que 98% das variaes de Y so explicadas
por X atravs da funo escolhida para relacionar as duas variveis e 2% so atribudas a causas
aleatrias.
Na figura abaixo vemos um exemplo no qual R2 = 1:
2
1
y
0
1
1 0 1 2
x
Figura 8.8: Exemplo contendo diagrama de disperso e reta de regresso ajustada para R2 = 1
123 / 140
Nesta figura vemos um exemplo no qual R2 < 1, mas prximo de 1, R2 = 0, 93:
2
1
y
0
1
1 0 1 2
x
Figura 8.9: Exemplo contendo diagrama de disperso e reta de regresso ajustada para R2 = 0, 93
Nesta figura vemos um exemplo no qual 0 < R2 , mas prximo de 0, R2 = 0, 32:

2
1
y
0
1
2 1 0 1 2
x
Figura 8.10: Exemplo contendo diagrama de disperso e reta de regresso ajustada para R2 = 0, 32
Na figura abaixo vemos um exemplo com R2 = 0:
124 / 140
2
1
y
0
1
2 1 0 1 2
x
Figura 8.11: Exemplo contendo diagrama de disperso e reta de regresso ajustada para R2 = 0
Exemplo 8.7 Exemplo de clculo do R2

Vamos calcular o coeficiente de determinao, R2 , para o exemplo considerado na ltima seo. A
saber, temos os valores de uma amostra de 10 observaes de duas variveis aleatrias X e Y :
yi xi yi xi xi2 y2i
6 5 30 25 36
9 8 72 64 81
8 7 56 49 64
10 10 100 100 100
5 6 30 36 25
7 7 49 49 49
8 9 72 81 64
4 3 12 9 16
6 8 48 64 36
2 2 4 4 4
xi yi xi yi xi2 y2i
65 65 473 481 475
Da,
652
SYY = 475 = 475 422, 5 = 52, 5,
10
e
652
SXX = 481 = 481 422, 5 = 58, 5.
10
b = 0, 86 e, portanto,
Como calculado anteriormente, temos que b
58, 5
R2 = (0, 86)2 0, 83.
52, 5
125 / 140
Logo, 83% da variao total est sendo explicada pela regresso.
8.5 Atividades
1. Suponha que as alturas dos alunos da UFPB tenham distribuio normal com = 15cm. Foi
retirada uma amostra aleatria de 100 alunos obtendo-se X = 175cm. Construa um intervalo de 90%
de confiana para a verdadeira altura mdia dos alunos, e outro de nvel 99%.
2. Foram retiradas 25 peas da produo diria de uma mquina, encontrando-se para uma me-
dida uma mdia de 5,2mm. Sabendo-se que as medidas tm distribuio normal com desvio-padro
populacional de 1,2mm, construa intervalos de confiana para a mdia com confianas de 90%, 95%
e 99%.
3. Suponha uma populao com 2 = 9 e considere uma amostra aleatria de tamanho n = 36
dessa populao, com X = 110. Determine os intervalos de confiana para , com confiana de 90%
e 95%.
4. Uma amostra de 300 habitantes de uma cidade mostrou que 180 desejavam a gua fluorada.
Encontre os intervalos de confiana de 90% e 99% para a populao favorvel a fluorao.
5. Em 50 lances de uma moeda foram obtidas 30 caras. A partir de um intervalo de confiana de
96%, pode-se dizer que a moeda honesta?
6. Numa amostra de 400 casas, 100 dessas casas so alugadas. Construa um intervalo de confiana
para a proporo de casas alugadas, com uma confiana de 96% e, supondo a mesma confiana,
construa tambm um intervalo de confiana para o nmero de casas alugadas na cidade, uma vez que
a cidade possui 20.000 casas.
7. Um teste psicolgico destinado a medir a preciso com que uma pessoa julga outras pessoas, foi
realizado. As notas possveis do teste variam de 0 a 41. Durante sua elaborao o teste foi aplicado
a vrios grupos com diferentes de pessoas. De acordo com os resultados observados, construa um
intervalo de confiana para a diferena entre as mdias dos grupos de homens e de mulheres, com
90% de confiana.
Homens: n = 133, X = 25, 34 e = 5, 05.
Mulheres: n = 162, X = 24, 94 e = 5, 44.
8. Suponha duas populaes normalmente distribudas de forma que a populao I corresponde
a varivel aleatria X N(1 , 25) e a populao II corresponde a varivel aleatria Y N(2 , 40).
Com base nas amostras obtidas abaixo construa um intervalo de confiana para 1 2 com 95% de
confiana.
Amostra da Populao I - 12, 14, 15, 14, 13, 17, 14, 13.
Amostra da Populao II - 13, 17, 14, 13, 16, 17, 18, 16.
9. Uma pesquisa revelou que das 500 donas de casa consultadas, 300 preferiram o detergente
A. Um funcionrio da companhia afirmou que 50% das donas de casa preferem o detergente A. A
companhia, tem evidncia, ao nvel de 95% para confiar no funcionrio?
10. Sabe-se por experincia que 5% da produo de um determinado artigo defeituosa. Um novo
empregado contratado. Ele produz 600 peas do artigo com 82 defeituosas. Podemos afirmar, ao
nvel de 90% de confiana, que o novo empregado produz peas com maior ndice de defeitos que o
existente?
126 / 140
11. A partir da tabela:

Xi 2 4 6 8 10 12 14
Yi 30 25 22 18 15 11 10
a) Calcule o coeficiente de correlao;
b) Determine a reta ajustada;
c) Estime o valor de Y para X = 0.
12. Certa empresa, estudando a variao da demanda de seu produto em relao variao de preo
de venda, obteve a tabela:
Preo (Xi ) 38 42 50 56 59 63 70 80 95 110

Demanda (Yi ) 350 325 297 270 256 246 238 223 215 208
a) Estabelea a equao da reta ajustada;

b) Estime o valor de Y para X = 60 e X = 120.
c) Calcule o coeficiente de determinao da regresso.
13. Pretendendo-se estudar a relao entre as variveis consumo de energia eltrica (Xi ) e vo-
lume de produo nas empresas industriais (Yi ), fez-se uma amostragem que inclui vinte empresas,
computando-se os seguintes valores:
Xi = 11.34, Yi = 20.72, Xi2 = 12.16, Yi2 = 84.96, e XiYi = 22.13

Determine:
a) A equao de regresso de Y para X;
b) O coeficiente de determinao da regresso acima;
c) A equao de regresso de X para Y ;
d) O coeficiente de determinao da regresso acima.

127 / 140
Captulo 9
Respostas das Atividades
9.1 Captulo 1
3. 41,8
4. 13,8
5. 41
6. 9
7. 41
8. 14
9. 6,33
10. 5,52
11. Varincia amostral = 67,75. Varincia populacional = 65,81.
12. Varincia amostral = 76,83. Varincia populacional = 73,76.
13. 19,69%.
14. 63,52%.
9.2 Captulo 2
1. Respostas:
a. V;
b. F;
c. V;
d. V;
e. V;
f. F;
128 / 140
g. V;
h. F;
i. V;
j. F;
k. V;
l. F;
m. V;
n. F.
2. Respostas:
a. {1, 2, 3, 4, {5}, {6, 7}};
b. 0;
/
c. {1, 2, 3, 4, {5}, {6, 7}};
d. {5, 6, 7};
e. {1, 2, 3, {6, 7}};
f. {6, 7};
g. {{5}}.
3. Seja M = {1, 2, 3, 4, {1}, {2}, {3}, {4}}. Sejam A = {1, {2}, 3, {4}} e B = {{1}, 2, {3}, 4}.
a. Justifique!;
b. Ac = B, Bc = A, A Bc = A, Ac B = B, Ac Bc = M, A B = M, A Ac = M, B Bc = M.
/ Ac Bc = 0,
c. A B = 0, / A Ac = 0/ e B Bc = 0.
/
4. 26 25 24 = 15600.
5. 6.
6. 51 0 = 9765625.
7. 60.
8. 6840.
9. 8! = 40320.
10. 5! = 120.
11. 210.
12. 120.
13. 371.
129 / 140
9.3 Captulo 3
1. Respostas:
a) A Bc Cc
b) A B Cc
c) A B C
d) A B C
e) (A B C)c
f) (A Bc Cc ) (Ac B Cc ) (Ac Bc C)
(26)(26)
2. 2 52 2 .
(4)
12!
3. 1212
.
4. Respostas:
7
a)
(104)
b) 1/210
c) 2/5
d) 2/3
e) 1/42
5. Respostas:
a) 1/2
b) 3/4
c) 11/20
d) 1/20
e) 3/10
f) 7/20
g) 9/20
h) 4/5
6. 14/15
7. Respostas:
a) 319/324
b) 203/23328
c) 7/792
8. Respostas:
a) 2/15
b) 1/2
9. Sim
10. Respostas:
a) 0,92
b) 0,44
130 / 140
9.4 Captulo 4
1. Respostas:
a) 1/21
b) 3/7
2. Respostas:
a) 3/4
b) 4/5
3. Respostas:
a) P(X = 0) = 1/2, P(X = 1) = P(X = 3) = P(X = 4) = 1/10, P(X = 2) = 1/5.
b) 5/8
4. Respostas:
a) p(2) = 1/10, p(3) = 1/5, p(4) = 3/10, p(5) = 2/5.
b) p(x) = 1/10 se x {3, 4, 8, 9} e p(x) = 1/5 se x {5, 6, 7}.
6. Respostas:
a) 2
b) 1/4
(
1 x2 , se x 1,
c) F(x) =
0, se x < 1.
1
7. fY (y) = 2 y,
0 < y < 1.
8. fY (y) = (2/)1/2 exp{y2 /2}, y > 0.
9.
1
1 + e y , se 0 y < 1,
4 y

fY (y) = 4y e y ,
1
se y 1,

0, caso contrrio.
9.5 Captulo 5
1. Respostas:
a) p(16) = 1/12, p(7) = 1/6, p(2) = 13/36, p(11) = 2/9, p(20) = 1/6.
b) E(X) = 4,Var(X) = 108, 5.
2. 7/2.
3. mdia = 12,3; varincia = 9,3.
4. Resposta:
b) E(X) =
5. Respostas:
a) E(X) = 0;
b) E(|X|) = 1.
c) Var(X) = 2.
131 / 140
9.6 Captulo 6
1. Respostas:
a) Binomial com n = 15, p = 0, 8.
b) 0,035
c) 0,83
2. Respostas:
a) Hipergeomtrica com parmetros 6, 9 e 12.
b) 1/2.
3. Respostas:
a) Binomial com n = 10 e p = 1/5.
b) 4, 2 106 .
c) 0, 62.
4. Respostas:
a) Geomtrica com p = 0, 3.
b) 7
5. Respostas:
a) Binomial negativa n = 2 e p = 2/5.
b) 0,7667
6. Respostas:
a) 1/3
b) 0,057
7. log(2).
8. 0,9631
9. Respostas:
a) 0,1339
b) 0,2851
c) 0,9380
9.7 Captulo 7
1. 3/5
2. Respostas:
a) 58,2%
b) 321
3. Respostas:
132 / 140
a) 0,9772
b) 0,8413
c) 0,44
d) -2
e) 14,32
f) [2, 84, 12, 84].
4. Respostas:
a) 2,41%
b) 593ml
5. Respostas:
a) 214,6
b) 2431g
6. 0,281.
bn+1 an+1
7. (n+1)(ba)
8. n!/ n .
9. 7
10. Respostas:
a) 35/128
b) 12393/16384.
11. fY (y) = y1 (2)1/2 exp{(log(y))2 /2}, y > 0.
12. Y segue distribuio Gama (1/2, 1/2).
9.8 Captulo 8
1. Intervalo de 90% [1, 73; 1, 77]. Intervalo de 99% [1, 71; 1, 79].
2. Intervalo de 90% [4, 80; 5, 59]. Intervalo de 95% [4, 73; 5, 67]. Intervalo de 99% [4, 58; 5, 82].
5. Intervalo de 96% [0, 46; 0, 74]. Como o valor p = 0, 5 pertence ao intervalo de confiana de 96%,
podemos afirmar, com 96% de confiana que, sim, a moeda honesta.
6. Intervalo de 96% [0, 20; 0, 29]. Baseado no intervalo de confiana, temos que se Xi uma vari-
vel aleatria indicando que a i-sima casa alugada, ento, Xi segue distribuio Bernoulli com o
parmetro p pertencente a este intervalo. O nmero de casas alugadas ento dado por
20.000
N= Xi .
i=1
Portanto, N Bin(n, p), onde p pertence a este intervalo. Como o nmero esperado de casas alugadas
dado por
E(N) = 20.000p.
133 / 140
Temos que o nmero esperado de casas alugadas pertence ao intervalo
[4000, 5800].
7. Intervalo de 90% [0, 61; 1, 41].

8. Intervalo de 95% [7, 09; 4, 09].
9. Intervalo de 95% [0, 56; 0, 64]. Como 0,5 = 50% no pertence ao intervalo, e o intervalo contm,
com 95% de confiana, a mdia verdadeira. Temos que com 95% de confiana a mdia verdadeira,
isto , a proporo de donas de casa que preferem o detergente A, maior do que 50%. Desta forma,
a companhia tem evidncia suficiente para NO confiar no funcionrio.
10. Intervalo de 90% [0, 11; 0, 16]. Como 0,05 = 5% no pertence ao intervalo, e o intervalo contm,
com 90% de confiana, a mdia verdadeira. Temos que com 90% de confiana a mdia verdadeira,
isto , o percentual de artigos defeituosos produzidos pelo novo empregado, maior do que 5%. Desta
forma, podemos sim afirmar que o novo empregado produz peas com ndice de defeitos maior do
que o existente.
11. a) -0,9921.
b) Yb = 32, 28 1, 7X.
c) Temos que para X = 0, Yb = 32, 28.
12. a) Yb = 386, 84 1, 87X.
b) Temos que para X = 60, Yb = 274, 64. Para X = 120, temos Yb = 162, 44.
c) R2 0, 79.
13. a) Yb = 1, 81X.
b) R2 0, 30
c) Xb = 0, 4 + 0, 16X.
d) R2 0, 30.
134 / 140
Apndice A
Apndice - Tabela da Distribuio Normal
Z x
1 2
P(X x) = (x) = ey /2 dy
2
(x) = 1 (x).
FUNO DE DISTRIBUIO DA NORMAL N(0,1)
x 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.5000 0.5040 0.5080 0.5120 0.5160 0.5199 0.5239 0.5279 0.5319 0.5359
0.1 0.5398 0.5438 0.5478 0.5517 0.5557 0.5596 0.5636 0.5675 0.5714 0.5753
0.2 0.5793 0.5832 0.5871 0.5910 0.5948 0.5987 0.6026 0.6064 0.6103 0.6141
0.3 0.6179 0.6217 0.6255 0.6293 0.6331 0.6368 0.6406 0.6443 0.6480 0.6517
0.4 0.6554 0.6591 0.6628 0.6664 0.6700 0.6736 0.6772 0.6808 0.6844 0.6879
0.5 0.6915 0.6950 0.6985 0.7019 0.7054 0.7088 0.7123 0.7157 0.7190 0.7224
0.6 0.7257 0.7291 0.7324 0.7357 0.7389 0.7422 0.7454 0.7486 0.7517 0.7549
0.7 0.7580 0.7611 0.7642 0.7673 0.7703 0.7734 0.7764 0.7794 0.7823 0.7852
0.8 0.7881 0.7910 0.7939 0.7967 0.7995 0.8023 0.8051 0.8078 0.8106 0.8133
0.9 0.8159 0.8186 0.8212 0.8238 0.8264 0.8289 0.8315 0.8340 0.8365 0.8389
1.0 0.8413 0.8438 0.8461 0.8485 0.8508 0.8531 0.8554 0.8577 0.8599 0.8621
1.1 0.8643 0.8665 0.8686 0.8708 0.8729 0.8749 0.8770 0.8790 0.8810 0.8830
1.2 0.8849 0.8869 0.8888 0.8907 0.8925 0.8944 0.8962 0.8980 0.8997 0.9015
1.3 0.9032 0.9049 0.9066 0.9082 0.9099 0.9115 0.9131 0.9147 0.9162 0.9177
1.4 0.9192 0.9207 0.9222 0.9236 0.9251 0.9265 0.9279 0.9292 0.9306 0.9319
1.5 0.9332 0.9345 0.9357 0.9370 0.9382 0.9394 0.9406 0.9418 0.9429 0.9441
1.6 0.9452 0.9463 0.9474 0.9484 0.9495 0.9505 0.9515 0.9525 0.9535 0.9545
1.7 0.9554 0.9564 0.9573 0.9582 0.9591 0.9599 0.9608 0.9616 0.9625 0.9633
1.8 0.9641 0.9649 0.9656 0.9664 0.9671 0.9678 0.9686 0.9693 0.9699 0.9706
1.9 0.9713 0.9719 0.9726 0.9732 0.9738 0.9744 0.9750 0.9756 0.9761 0.9767
135 / 140
FUNO DE DISTRIBUIO DA NORMAL N(0,1)

x 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
2.0 0.9772 0.9778 0.9783 0.9788 0.9793 0.9798 0.9803 0.9808 0.9812 0.9817
2.1 0.9821 0.9826 0.9830 0.9834 0.9838 0.9842 0.9846 0.9850 0.9854 0.9857
2.2 0.9861 0.9864 0.9868 0.9871 0.9875 0.9878 0.9881 0.9884 0.9887 0.9890
2.3 0.9893 0.9896 0.9898 0.9901 0.9904 0.9906 0.9909 0.9911 0.9913 0.9916
2.4 0.9918 0.9920 0.9922 0.9925 0.9927 0.9929 0.9931 0.9932 0.9934 0.9936
2.5 0.9938 0.9940 0.9941 0.9943 0.9945 0.9946 0.9948 0.9949 0.9951 0.9952
2.6 0.9953 0.9955 0.9956 0.9957 0.9959 0.9960 0.9961 0.9962 0.9963 0.9964
2.7 0.9965 0.9966 0.9967 0.9968 0.9969 0.9970 0.9971 0.9972 0.9973 0.9974
2.8 0.9974 0.9975 0.9976 0.9977 0.9977 0.9978 0.9979 0.9979 0.9980 0.9981
2.9 0.9981 0.9982 0.9982 0.9983 0.9984 0.9984 0.9985 0.9985 0.9986 0.9986
3.0 0.9987 0.9987 0.9987 0.9988 0.9988 0.9989 0.9989 0.9989 0.9990 0.9990
3.1 0.9990 0.9991 0.9991 0.9991 0.9992 0.9992 0.9992 0.9992 0.9993 0.9993
3.2 0.9993 0.9993 0.9994 0.9994 0.9994 0.9994 0.9994 0.9995 0.9995 0.9995
3.3 0.9995 0.9995 0.9995 0.9996 0.9996 0.9996 0.9996 0.9996 0.9996 0.9997
3.4 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9998
3.5 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998
3.6 0.9998 0.9998 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.7 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.8 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.9 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
136 / 140
Captulo 10
ndice Remissivo
A de Determinao, 123
AAS, 107 Coeficiente Binomial Generalizado, 79
Absoluta Coeficiente de Variao, 21
Acumulada, 6 Coeficientes Binomiais, 30
Acumulada, 6 Combinaes, 29
Aditividade Complementar, 26, 36
Contvel, 35 Condicional, 38
Finita, 35 Conjunto, 23
Aleatria Simples, 106 Complementar, 26
Amostra, 1, 104 Diferena, 26
Tamanho, 104 Elemento, 24
Amostragem, 105 Igualdade, 24
Aleatria Simples, 106 Interseo, 25
Estratificada, 106 Subconjunto, 24
No-Probabilstica, 105 Unio, 24
por Conglomerado, 106 Vazio, 24
Probabilstica, 105 Consistncia, 111
Sistemtica, 106 Consistente, 111
Amostral, 18, 34 Contvel, 35
Amplitude, 17 Contnua, 2, 49
Amplitude Total, 4 Contagem
Analtica, 78 Regra da adio, 28
Aproximao da Binomial, 86 Regra da multiplicao, 27
Arranjos, 29 Correlao, 116
de Pearson, 119
B Correlao Linear
Bayes, 41 Negativa, 117
Bernoulli, 71 Positiva, 117
Binmio de Newton, 30 Correlao No-Linear, 117
Generalizado, 79 Cronolgica, 3
Binomial, 72
Binomial Negativa, 78 D
de Colunas, 9
C de Determinao, 123
Censo, 1 de Disperso, 16
Central do Limite, 108 de Linhas, 8
Certo, 34 de Pearson, 119
Coeficiente de Setores, 11
137 / 140
de Tendncia Central, 11 Funo de, 62

Densidade Varivel Aleatria Contnua, 61
Parte contnua, 54 Varivel Aleatria Discreta, 61
densidade, 49 Estatstica, 107, 116
Dependente, 120 Estimao
Desvio Intervalar, 110
Mdio, 17 Pontual, 110
Padro, 19 Estimador, 110
Desvio padro, 66 Consistente, 111
Diferena, 26 Eficiente, 111
Discreta, 2 No-tendencioso, 111
Discretas, 48 No-viciado, 111
Distribuio, 51, 71 No-viesado, 111
Bernoulli, 71 Estimativa, 111
Binomial, 72 Estratificada, 106
Binomial Negativa, 78 Evento, 34
Exponencial, 97 Certo, 34
Perda de Memria, 99 Complementar, 36
Gama, 100 Impossvel, 34
Geomtrica, 76 Eventos
Perda de memria, 77 Independentes, 42
Hipergeomtrica, 83 Mutuamente excludentes, 34
Normal, 93 Experimento Aleatrio, 33
Padronizao, 94 Exponencial, 97
Tabulao, 94 Perda de Memria, 99
Parte contnua, 54
Parte discreta, 54 F
Pascal, 78 Frmula da Mediana, 15
Poisson, 85 Frmula de Czuber, 13
Aproximao da Binomial, 86 Finita, 35
Uniforme, 92 Frequncia
Distribuio acumulada, 51 Absoluta
Distribuio Amostral, 107 Acumulada, 6
Distribuio de Frequncia, 4 Relativa, 6
Acumulada, 6
E Frequncia Absoluta, 5
Eficincia, 111 Funo, 55
Eficiente, 111 Analtica, 78
Elemento, 24 Densidade
Elemento Mediano, 14 Parte contnua, 54
em Barras, 10 densidade, 49
Equiprovveis, 37 Distribuio, 51
Espao Parte contnua, 54
Amostral, 34 Parte discreta, 54
Espao Amostral Distribuio acumulada, 51
Partio, 35 Gama, 100
Reduzido, 39 Probabilidade
Especfica, 4 Parte discreta, 54
Esperana Funo de, 48, 62
Varivel Aleatria, 61 Funcional, 116
138 / 140
G Mista, 54
Gama, 100 Moda, 11, 13
Generalizado, 79 Modelos Matemticos, 33
Geogrfica, 3 Multiplicao, 39
Geomtrica, 76 Mutuamente excludentes, 34
Perda de memria, 77
Grfico N
de Colunas, 9 No-Probabilstica, 105
de Linhas, 8 No-tendencioso, 111
de Setores, 11 No-viciado, 111
em Barras, 10 No-viesado, 111
Pizza, 11 Negativa, 117
Nominal, 2
H Normal, 93
Hipergeomtrica, 83 Padronizao, 94
Histograma, 7 Tabulao, 94
I O
Identidade de Chu-Vandermonte, 84 Ordinal, 2
Igualdade, 24
P
Imagem inversa, 47
Padro, 19
Impossvel, 34
Padronizao, 94
Incluso e Excluso, 36
Parmetros Populacionais, 104
Independente, 120
para a Diferena de Mdias, 115
Independentes, 42, 60
para a Mdia, 114
Induzida por uma varivel aleatria, 47
para a Proporo, 115
Interseo, 25
Parte contnua, 54
Intervalar, 110
Parte discreta, 54
Intervalo de Confiana, 113
Partio, 35
para a Diferena de Mdias, 115
Pascal, 78
para a Mdia, 114
Perda de Memria, 99
para a Proporo, 115
Perda de memria, 77
L Permutao, 28
Lei dos eventos raros, 85 Pizza, 11
Poisson, 85
M Aproximao da Binomial, 86
Mdia, 11 Polgono de Frequncia, 7
Mdia Amostral, 107 Ponderada, 12
Mdia Aritmtica, 11 Pontual, 110
Ponderada, 12 Populao, 1, 104
Mdio, 17 Populacional, 18
Mtodo por Conglomerado, 106
Mnimos Quadrados, 120 Positiva, 117
Mnimos Quadrados, 120 Princpio
Mediana, 11, 14 Incluso e Excluso, 36
Medida Probabilstica, 105
Probabilidade, 35 Probabilidade, 35
Medidas Condicional, 38
de Disperso, 16 Funo de, 48
de Tendncia Central, 11 Induzida por uma varivel aleatria, 47
139 / 140
Parte discreta, 54 Independentes, 60

Probabilidade total, 40 Varivel, 1
Dependente, 120
Q Independente, 120
Qualitativa Qualitativa
Nominal, 2 Nominal, 2
Ordinal, 2 Ordinal, 2
Quantitativa Quantitativa
Contnua, 2 Contnua, 2
Discreta, 2 Discreta, 2
R Varivel Aleatria, 46, 61, 66
Reduzido, 39 Contnua, 49
Regra da adio, 28 Desvio padro, 66
Regra da multiplicao, 27 Discretas, 48
Relao Funo, 55
Estatstica, 116 Funo de, 62
Funcional, 116 Imagem inversa, 47
Relativa, 6 Mista, 54
Acumulada, 6 Varincia, 66
Resultados Varivel Aleatria Contnua, 61
Equiprovveis, 37 Varivel Aleatria Discreta, 61
Rol de dados, 4 Varincia, 66
Amostral, 18
S Populacional, 18
Srie Varivel Aleatria, 66
Cronolgica, 3 Vazio, 24
Especfica, 4
Geogrfica, 3
Temporal, 3
Srie de Taylor, 78
Sistemtica, 106
Subconjunto, 24
T
Tabelas, 3
Tabulao, 94
Tamanho, 104
Tamanho Amostral, 5
Temporal, 3
Teorema
Bayes, 41
Central do Limite, 108
Multiplicao, 39
Probabilidade total, 40
U
Unio, 24
Uniforme, 92
V
Variveis Aleatrias
140 / 140

Probab Il I Dade

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Probab Il I Dade

Caricato da

Copyright:

Formati disponibili

Probabilidade e Estatstica

UNIVERSIDADE FEDERAL DA PARABA

R672p Rocha , Andrea Vanessa.

Curso de Licenciatura em Computao na Modalidade Distncia.

1. Estatstica. 2. Teoria dos Conjuntos. 3. Probabilidade. 4. Variveis

BS-CCEN CDU 519.2

Todos os direitos e responsabilidades dos autores.

2 Teoria dos Conjuntos e Contagem 23

4 Variveis Aleatrias e Suas Distribuies 46

5 Esperana de uma Varivel Aleatria 60

6 Principais Distribuies Discretas 71

7 Principais Distribuies Contnuas 92

8 Introduo Inferncia Estatstica 104

9 Respostas das Atividades 128

A Apndice - Tabela da Distribuio Normal 135

10 ndice Remissivo 137

O pblico alvo desse livro so os alunos de Licenciatura em Computao, na modalidade distncia

Como voc deve estudar cada captulo

Leia a viso geral do captulo

NA SALA DE AULA DO CURSO

Contribuindo com o livro

Tabela 1: Mtodos para contribuio do livro

Inscrio no site do Consiste em acessar o repositrio do livro e

Realizar fork de Consiste em acessar os arquivos fontes do livro,

Contribuio atravs do Issue track

Figura 1: Exemplo de contribuio atravs do Issue track

Baixando a edio mais nova deste livro

Conhecer os conceitos bsicos da estatstica e, principalmente, a diferena entre popu-

1.1 Conceitos Bsicos

1.1.1 Definies importantes

Na estatstica temos algumas definies importantes:

Amostra: um subconjunto de elementos pertencentes a uma populao.

Censo: Exame de todos os elementos da populao.

Figura 1.1: Populao e Amostra

Figura 1.2: Exemplo de varivel

Temos dois tipos de variveis:

1.2 Tabelas Estatsticas

O cabealho deve conter o suficiente para que sejam respondidas as questes:

O que est representado?

1.2.1 Srie Cronolgica ou Temporal

1.2.2 Srie Geogrfica

1.2.3 Srie Especfica

reas de Ensino Matrculas

1.3 Distribuio de Frequncia

1.3.1 Construo de uma distribuio de frequncia

X1 = 21, X2 = 22, X3 = 23, X4 = 24, etc.

F1 = 3, F2 = 2, F3 = 2, F4 = 1, etc. Vamos calcular, agora, o tamanho amostral, ou seja, o

Amplitude das Classes h:

Limites das Classes:

Pontos Mdios das Classes pmi :

Frequncia Absoluta Acumulada Fac :

Classes pmi Fi Fac

Classes pmi Fi Fac fi

Frequncia Relativa Acumulada fac :

1.4 Grficos Estatsticos

O histograma uma representao grfica da distribuio de frequncia. O histograma formado

Figura 1.3: Histograma

1.4.2 Polgono de Frequncia

Abaixo vemos um exemplo de polgono de frequncia obtido a partir de um histograma:

Figura 1.4: Polgono de Frequncia Obtido a Partir de um Histograma

Abaixo vemos um exemplo contendo apenas o polgono de frequncia:

Figura 1.5: Polgono de Frequncia Obtido a Partir de um Histograma

1.4.3 Grfico de Linhas