Ementa do Curso

Estatı́stica II
Distribuições contı́nuas: uniforme, exponencial e normal.
Edezio Pantoja Estimação.
Teste de Hipóteses.
Correlação e Regressão Linear
25 de agosto de 2016

Edezio Estatı́stica II 25 de agosto de 2016 1 / 29 Edezio Estatı́stica II 25 de agosto de 2016 2 / 29

Bibliogragia Variável Aleatória

Muitos experimentos aleatórios produzem resultados não-numéricos. Antes

ANDERSON, David R., SWEENEY, Dennis J. & WILLIAMS,
Thomas A. Estatı́stica Aplicada à Administração e Economia. São
Paulo: Ed. Thomson, 2002.
LAPPONI, Juan Carlos. Estatı́stica usando Excel. 4a Ed. Rio de
Janeiro: Elsevier/Campus, 2005.
MORETTIN, Luiz Gonzaga. Estatı́stica Básica - volume I e II. 7a Ed.
São Paulo: Ed. Pearson, 2000.
de analisá-los, é conveniente transformar seus resultados em números, o
que é feito através da variável aleatória, que é uma regra de associação de
um valor numérico a cada ponto do espaço amostral. Portanto, variáveis
aleatórias são variáveis numéricas às quais iremos associar modelos
probabilı́sticos. Veremos que uma variável aleatória tem um número para
cada resultado de um experimento e que uma distribuição de
probabilidades associa uma probabilidade a cada resultado numérico de um
experimento.

Edezio Estatı́stica II 25 de agosto de 2016 3 / 29 Edezio Estatı́stica II 25 de agosto de 2016 4 / 29

Conceito de Variável Aleatória Função Densidade de Probabilidade
Seja X uma variável aleatória contı́nua e RX seu contradomı́nio. A função
Sejam E um experimento e S o espaço associado ao experimento. Uma densidade de probabilidade f, indicada abreviadamente por fdp, é uma
função X , que associe a cada elemento s ∈ S um número real X (s), é função f que satisfaz às seguintes condições:
denominada variável aleatória. (i) fZ(x) ≥ 0 para todo x do contradomı́nio de X (RX );

As variáveis aleatórias também podem ser discretas ou continuas e temos (ii) f (x)dx = 1;
RX
as seguintes definições: Além disso, definimos para qualquer c < d (emRX ),
Variáveis Aleatórias Discretas – admite um número finito de valores Z d
ou tem uma quantidade enumerável de valores. P(c < X < d) = f (x)dx.
c
Variáveis Aleatórias Continuas – pode tomar um número infinito de
Observações:
valores, e esses valores podem ser associados a mensurações em uma
Da definição acima temos que P(X = xo ) = 0, pois
escala contı́nua. Z xo
Observação: Não podemos indagar qual a probabilidade do i-ésimo valor P(X = xo ) = f (x)dx = 0.
de X, pois os valores possı́veis de X não são enumeráveis, daı́ P(xi ) não ter xo

sentido. Há necessidade de definirmos outros conceitos. Sendo assim,

P(a ≤ X ≤ b) = P(a ≤ X < b) = P(a < X ≤ b) = P(a < X < b)
Edezio Estatı́stica II 25 de agosto de 2016 5 / 29 Edezio Estatı́stica II 25 de agosto de 2016 6 / 29

Função Densidade de Probabilidade Função Densidade de Probabilidade

Seu gráfico será:
f (x) não é probabilidade. Somente quando a função for integrada
entre dois limites, ela produzirá uma probabilidade, que será a área y
sob a curva da função entre x = a e x = b; a < b.
2
Exemplo: Suponhamos que a variável aleatória X seja contı́nua. Seja a
fdp de f dada por:

2x, 0 < x < 1,
f (x) =
0, para quaisquer outros valores.

Como vemos, f (x) assim definida, é realmente uma função densidade, pois
Z +∞ Z 1 0 1 x
f (x) ≥ 0 e f (x)dx = f (x)dx = 1.
−∞ 0
Figura: fdp

Edezio Estatı́stica II 25 de agosto de 2016 7 / 29 Edezio Estatı́stica II 25 de agosto de 2016 8 / 29

Esperança Matemática Distribuições Contı́nuas de Probabilidade

Esperança Matemática
Seja X uma variável aleatória. A esperança matemática, média ou valor
esperado de X é definida por: Distribuição Uniforme: É uma distribuição de probabilidade usada para
∞
X variáveis aleatórias contı́nuas, definida num intervalo [a,b], e sua função
E (X ) = µ = xi P(xi ), se X for discreta.
densidade de probabilidade é dada por:
Zi=1∞ 
E (X ) = µ = xf (x)dx, se X for contı́nua.  1
se a ≤ x ≤ b
−∞ f (x) = b−a
 0 se x < a ou x > b
Variância
A variância de uma variável aleatória X é dada por:

Var (X ) = σ 2 = E (X 2 ) − [E (X )]2 .

Edezio Estatı́stica II 25 de agosto de 2016 9 / 29 Edezio Estatı́stica II 25 de agosto de 2016 10 / 29

Gráfico Esperança Matemática da Distribuição Uniforme

f (x)
b
1 a+b
Z ∞ Z
E (X ) = x · f (x) dx = x· dx =
−∞ a b−a 2
Variância da Distribuição Uniforme
 2
a+b
Z ∞
1 2 2 2
b−a V (X ) = E (X ) − [E (x)] = x · f (x) dx −
−∞ 2
b
a+b 2
 
1
Z
2
= x · dx −
a b−a 2
2
b + ab + a 2 a + 2ab + b 2
2
= −
a b x 3 4
(b − a) 2
=
12
Figura: Distribuição Uniforme

Edezio Estatı́stica II 25 de agosto de 2016 11 / 29 Edezio Estatı́stica II 25 de agosto de 2016 12 / 29

Distribuição Exponencial Distribuição Exponencial

f (t)

Em um processo de Poisson, com parâmetro λ (isto é, tal que o número

de sucessos em um determinado intervalo t segue uma distribuição de
Poisson com média µ = λt), como por exemplo contar o número de carros λ
que passam por um determinado ponto de uma estrada, num certo
perı́odo de tempo. A distribuição da variável T, que representa o intervalo
decorrido entre dois sucessos consecutivos, é conhecida como Distribuição
Exponencial. Cuja função densidade probabilidade é dada por:

λe −λt se t ≥ 0
f (t) =
0 se t < 0 t

Figura: Distribuição Exponencial

Edezio Estatı́stica II 25 de agosto de 2016 13 / 29 Edezio Estatı́stica II 25 de agosto de 2016 14 / 29

Esperança Matemática e Variancia Exemplo

1 O tempo de vida T (em horas) das lâmpadas elétricas fabricadas por certa
A sua média ou esperança matemática é µ = E (T ) = e sua variância é companhia possui uma distribuição exponencial de probabilidade com
λ
1 média de 500 horas. Qual é a probabilidade do tempo de vida, de uma
V (T ) = 2 . Da definição da fdp de T temos:
λ lâmpada dessa companhia, durar mais de 600 horas?
P(T > t) = e −λt ; 1 1
Solução: Temos que µ = λ ⇒ 500 = λ ⇒ λ = 0, 002.
P(T ≤ t) = 1 − P(T > t) = 1 − e −λt .
Assim P(T > t) = e −0,002t ⇒ P(T > 600) = e −0,002·600 = 0, 301.

Edezio Estatı́stica II 25 de agosto de 2016 15 / 29 Edezio Estatı́stica II 25 de agosto de 2016 16 / 29

Distribuição Normal Distribuição Normal

A variável aleatória contı́nua X tem Distribuição Normal de probabilidade

A distribuição Normal é a mais importante distribuição de probabilidade se sua fdp é dada por:
para descrever variáveis aleatórias contı́nuas. Isto justifica-se pelo grande
número de aplicações que a utilizam tais como, altura, pressão arterial, 1 1 x−µ 2
f(x) = √ e − 2 [ σ ] , −∞ < x < ∞.
tempo de vida útil de um dispositivo eletrônico, temperatura corporal, σ 2π
dentre outras. A distribuição normal tem grande aplicação na inferência
estatı́stica. Além disso, muitas outras distribuições podem ser aproximadas onde µ = E (X ) e VAR(X ) = σ 2 .
por ela.
Usaremos a notação X ∼ N(µ, σ 2 ), para indicar que a variável aleatória X
tem distribuição Normal com parâmetros µ e σ 2 .

Edezio Estatı́stica II 25 de agosto de 2016 17 / 29 Edezio Estatı́stica II 25 de agosto de 2016 18 / 29

Caracterı́sticas da Distribuição Normal Caracterı́sticas da Distribuição Normal

a curva normal tem forma de sino, é simétrica em relação à média,
como representada na figura 4;
a curva normal tem forma de sino, é simétrica em relação à média,
como representada na figura 4;
aproximadamente 68% da área sob a curva normal se encontra entre
os valores µ ± σ, cerca de 95% da área se encontra entre µ ± 2σ e
cerca de 99,97% da área se encontra entre µ ± 3σ.

Edezio Estatı́stica II 25 de agosto de 2016 19 / 29 Edezio Estatı́stica II 25 de agosto de 2016 19 / 29

Caracterı́sticas da Distribuição Normal Caracterı́sticas da Distribuição Normal

a curva normal tem forma de sino, é simétrica em relação à média,
como representada na figura 4;
aproximadamente 68% da área sob a curva normal se encontra entre
os valores µ ± σ, cerca de 95% da área se encontra entre µ ± 2σ e
cerca de 99,97% da área se encontra entre µ ± 3σ.
a média, mediana e moda são valores coincidentes;
a curva normal tem forma de sino, é simétrica em relação à média,
como representada na figura 4;
aproximadamente 68% da área sob a curva normal se encontra entre
os valores µ ± σ, cerca de 95% da área se encontra entre µ ± 2σ e
cerca de 99,97% da área se encontra entre µ ± 3σ.
a média, mediana e moda são valores coincidentes;
a variável aleatória X associada a sua distribuição varia de
−∞ < x < ∞;

Edezio Estatı́stica II 25 de agosto de 2016 19 / 29 Edezio Estatı́stica II 25 de agosto de 2016 19 / 29

Caracterı́sticas da Distribuição Normal Gráfico da fdp

f (x)

a curva normal tem forma de sino, é simétrica em relação à média,

como representada na figura 4;
aproximadamente 68% da área sob a curva normal se encontra entre
os valores µ ± σ, cerca de 95% da área se encontra entre µ ± 2σ e
cerca de 99,97% da área se encontra entre µ ± 3σ.
a média, mediana e moda são valores coincidentes;
a variável aleatória X associada a sua distribuição varia de σ
−∞ < x < ∞;
a função f (x) tem ponto máximo em x = µ. µ−σ µ µ+σ x

Figura: Curva normal

Edezio Estatı́stica II 25 de agosto de 2016 19 / 29 Edezio Estatı́stica II 25 de agosto de 2016 20 / 29

Cálculo de P(a ≤ X ≤ b) Curva Normal Padronizada

Temos que
Se a variável aleatória contı́nua Z tem distribuição N (0, 1) , temos

b
1
Z
1 x−µ 2 z2
√ e − 2 [ σ ] dx, 1
Z
z2
P(a ≤ X ≤ b) = P(z1 ≤ Z ≤ z2 ) = √ e − 2 dx
a σ 2π z1 2π

que apresenta um grau relativo de dificuldade de ser calculada (através de cujos valores de P (0 ≤ Z ≤ za ) = a já estão tabelados. Assim sendo
métodos numéricos de integração). Portanto usaremos a tabela da curva ! 2


teremos de fazer a conversão da variável aleatória X ∼ N µ, σ para a
normal padrão que é a curva normal com média 0 (zero) e desvio-padrão 1 variável Z ∼ N (0, 1) .
(um) .

Edezio Estatı́stica II 25 de agosto de 2016 21 / 29 Edezio Estatı́stica II 25 de agosto de 2016 22 / 29

Curva Normal Padronizada Conversão para a Unidade Padrão

O resultado da padronização é a obtenção de uma escala de distribuição

denominada escala reduzida, escore Z, que mede o afastamento das
variáveis em relação à média em número de desvios-padrão. Para isso
fazemos
X −µ
Z=
σ
em que:
Z representa o número de desvios-padrão a contar da média;

-1 0 za 1

Figura: Curva normal padronizada P(0 ≤ z ≤ za )

Edezio Estatı́stica II 25 de agosto de 2016 23 / 29 Edezio Estatı́stica II 25 de agosto de 2016 24 / 29

Conversão para a Unidade Padrão Conversão para a Unidade Padrão

O resultado da padronização é a obtenção de uma escala de distribuição O resultado da padronização é a obtenção de uma escala de distribuição
denominada escala reduzida, escore Z, que mede o afastamento das denominada escala reduzida, escore Z, que mede o afastamento das
variáveis em relação à média em número de desvios-padrão. Para isso variáveis em relação à média em número de desvios-padrão. Para isso
fazemos fazemos
X −µ X −µ
Z= Z=
σ σ
em que: em que:
Z representa o número de desvios-padrão a contar da média; Z representa o número de desvios-padrão a contar da média;
x representa um valor qualquer da variável aleatória; x representa um valor qualquer da variável aleatória;
µ = média da distribuição;

Edezio Estatı́stica II 25 de agosto de 2016 24 / 29 Edezio Estatı́stica II 25 de agosto de 2016 24 / 29

Conversão para a Unidade Padrão Exemplo

O resultado da padronização é a obtenção de uma escala de distribuição

denominada escala reduzida, escore Z, que mede o afastamento das
variáveis em relação à média em número de desvios-padrão. Para isso Seja X : N (100, 25) . Calcular:
fazemos
X −µ (i) P (100 ≤ X ≤ 106) ;
Z=
σ (ii) P (89 ≤ X ≤ 107) ;
em que: (iii) P (112 ≤ X ≤ 116) ;
Z representa o número de desvios-padrão a contar da média; (iv) P (X ≥ 108) .
x representa um valor qualquer da variável aleatória;
µ = média da distribuição;
σ = desvio padrão da distribuição.

Edezio Estatı́stica II 25 de agosto de 2016 24 / 29 Edezio Estatı́stica II 25 de agosto de 2016 25 / 29

Resolução Resolução

X −100 X −100
µ = 100 e σ = 5 =⇒ z = 5 µ = 100 e σ = 5 =⇒ z = 5
(i) P(100 ≤ X ≤ 106) = P(0 ≤ Z ≤ 1, 2) = 0, 384930 (i) P(100 ≤ X ≤ 106) = P(0 ≤ Z ≤ 1, 2) = 0, 384930

(ii) P (89 ≤ X ≤ 107) = P (−2, 2 ≤ Z ≤ 1, 4)

= P(−2, 2 ≤ Z ≤ 0) + P(0 ≤ Z ≤ 1, 4)
= P(0 ≤ Z ≤ 2, 2) + P(0 ≤ Z ≤ 1, 4)
= 0, 486097 + 0, 419243
= 0, 90534.

Edezio Estatı́stica II 25 de agosto de 2016 26 / 29 Edezio Estatı́stica II 25 de agosto de 2016 26 / 29

Resolução Resolução

(iii) P (112 ≤ X ≤ 116) = P (2, 4 ≤ Z ≤ 3, 2) (iii) P (112 ≤ X ≤ 116) = P (2, 4 ≤ Z ≤ 3, 2)

= P (0 ≤ Z ≤ 3, 2) − P (0 ≤ Z ≤ 2, 4) = P (0 ≤ Z ≤ 3, 2) − P (0 ≤ Z ≤ 2, 4)
= 0, 499313 − 0, 491803 = 0, 499313 − 0, 491803
= 0, 007510. = 0, 007510.

(iv ) P (X ≥ 108) = P (Z ≥ 1, 6) = 0, 5 − P (0 ≤ Z ≤ 1, 6)
= 0, 054799.

Edezio Estatı́stica II 25 de agosto de 2016 27 / 29 Edezio Estatı́stica II 25 de agosto de 2016 27 / 29

Exercı́cios
(i) Sendo X ∼ N (50, 16) , determinar Xa tal que:
(a) P (X ≥ Xa ) = 0, 05;
(b) P (X ≤ Xa ) = 0, 99.
(ii) Um fabricante de baterias sabe, por experiência passada, que as
baterias de sua fabricação têm vida média de 600 dias e
desvio-padrão de 100 dias, sendo que a duração tem
aproximadamente distribuição normal. Oferece uma garantia de 312
dias, isto é, troca as baterias que apresentarem falhas nesse perı́odo.
Fabrica-se 10000 baterias mensalmente. Quantas deverá trocar pelo
uso da garantia, mensalmente? R.: 20 baterias.
Edezio Estatı́stica II 25 de agosto de 2016
Exercı́cios
(iii) Uma fábrica de carros sabe que os motores de sua fabricação
têm duração normal com média de 150000 km e desvio-padrão
de 5000 km. Qual a probabilidade de que um carro, escolhido ao
acaso, dos fabricados por essa firma, tenha um motor que dure:
(a) Menos que 170000 km? R.: 0,999968
(b) Entre 140000 km e 165000 km? R.: 0,97590
(c) Se a fábrica substitui o motor que apresenta duração inferior à
garantia, qual deve ser esta garantia para que a porcentagem de
motores substituı́dos seja inferior a 0,2%? R.: 135650 km.
28 / 29 Edezio Estatı́stica II 25 de agosto de 2016 29 / 29