Métodos Estatísticos Aplicados à Economia I (GET00117) Variáveis Aleatórias Discretas
|
|
- Benedicto Cortês Candal
- 7 Há anos
- Visualizações:
Transcrição
1 Uiversidade Federal Flumiese Istituto de Matemática e Estatística Métodos Estatísticos Aplicados à Ecoomia I (GET00117) Variáveis Aleatórias Discretas Aa Maria Lima de Farias Departameto de Estatística Agosto 2015
2 Sumário 1 Variáveis Aleatórias Variável Aleatória Fução de probabilidade Fução desidade de probabilidade Fução de distribuição acumulada Variáveis aleatórias discretas Cálculo da fução de probabilidade Fução de Distribuição Fuções de Variáveis Aleatórias Esperaça de Variáveis Aleatórias Discretas Esperaça de Fuções de Variáveis Aleatórias Propriedades da Esperaça Variâcia e desvio-padrão de uma variável aleatória Propriedades da variâcia e do desvio padrão Algumas Distribuições Discretas Itrodução Distribuição Uiforme Discreta Esperaça e Variâcia Distribuição de Beroulli Esperaça e Variâcia i
3 ii SUMÁRIO 3.4 Distribuição Biomial A Distribuição Biomial Esperaça e Variâcia Distribuição Geométrica Itrodução A Distribuição Geométrica Esperaça e Variâcia Distribuição biomial egativa Defiição Distribuição hipergeométrica Itrodução A Distribuição Hipergeométrica Esperaça e Variâcia Distribuição biomial versus distribuição hipergeomtrica A distribuição de Poisso Aproximação da biomial A distribuição de Poisso Algus resultados de cálculo Séries geométricas O úmero e (base dos logaritmos aturais) A Demostrações de propriedades de variáveis aleatórias discretas 57 A.1 Distribuição Biomial A.1.1 Esperaça A.1.2 Variâcia A.2 Distribuição geométrica A.2.1 Esperaça A.2.2 Variâcia
4 SUMÁRIO iii A.3 Distribuição Hipergeométrica A.3.1 Codições defiidoras de uma fução de probabilidade A.3.2 Esperaça A.3.3 Variâcia
5 Capítulo 1 Variáveis Aleatórias Neste capítulo, você aprederá um coceito muito importate da teoria de probabilidade: o coceito de variável aleatória. Você verá que as variáveis aleatórias e suas distribuições de probabilidade são as ferrametas fudametais a modelagem de feômeos aleatórios. Nesse capítulo, defiiremos as variáveis aleatórias discretas e cotíuas, bem como fuções que determiam seu comportameto probabilístico: fução de probabilidade para o caso discreto e fução desidade de probabildiade para o caso cotíuo. Defiiremos, aida, a fução de distribuição acumulada, que também caracteriza completamete as variáveis aleatórias, tato discretas quato cotíuas. 1.1 Variável Aleatória Cosideremos o seguite experimeto aleatório: sorteio de uma amostra de 20 fucioários de uma empresa que tem 500 fucioários. O espaço amostral deste experimeto é formado por todas as amostras possíveis e, como a ordem ão importa e ão deve haver repetição de fucioários, o úmero total de tais amostras é Ω) ( ) Cada elemeto desse espaço amostral é formado pela relação dos 20 fucioários sorteados. Em situações como essa, em geral, o iteresse ão está o fucioário em si, mas, sim, em alguma característica deste fucioário, por exemplo, sua altura, se tem curso superior ou ão, úmero de depedetes. Dessa forma, poderíamos calcular a altura média dos fucioários da amostra, o úmero médio de depedetes, a proporção de fucioários com curso superior, etc. Etão, a cada amostra possível, ou seja, a cada poto do espaço amostral associamos um úmero. Essa é a defiição de variável aleatória.
6 2 CAPÍTULO 1. VARIÁVEIS ALEATÓRIAS DEFINIÇÃO Variável aleatória Uma variável aleatória é uma fução real (isto é, que assume valores em R) defiida o espaço amostral Ω de um experimeto aleatório. Dito de outra forma, uma variável aleatória é uma fução que associa um úmero real a cada eveto de Ω. Por questões de simplicidade, muitas vezes abreviaremos a expressão variável aleatória por v.a. A coveção usual para represetar uma v.a. cosiste em usar letras maiúsculas como X, Y, etc. Um valor específico, mas geérico, desta variável será represetado pela letra miúscula correspodete: x, y, etc. Cotiuado com o exemplo da amostra de fucioários, podemos, etão, defiir as seguites variáveis aleatórias: X altura média em cetímetros e Y úmero máximo de depedetes. Estas variáveis têm aturezas distitas, quado levamos em cota os possíveis valores de cada uma. Para a variável X, os valores possíveis formam um itervalo, por exemplo, [140, 200]. Para a variável Y, os valores possíveis são úmeros iteiros, variado de 0 a 20, por exemplo. Isso os leva à seguite defiição. DEFINIÇÃO Variáveis aleatórias discretas e cotíuas Uma variável aleatória é discreta se sua imagem (ou cojuto de valores que ela assume) for um cojuto fiito ou eumerável. Se a imagem for um cojuto ão eumerável, dizemos que a variável aleatória é cotíua. A questão que se coloca, agora, é: como atribuir probabilidade aos valores, ou itervalo de valores, de uma variável aleatória? EXEMPLO 1.1 Dois dados Cosideremos o laçameto de dois dados equilibrados. Como já visto, o espaço amostral desse experimeto é formado pelos pares ordeados (i, j) em que i, j 1, 2, 3, 4, 5, 6. Esse é um experimeto em que o espaço amostral ão é formado por úmeros. Supohamos que osso iteresse esteja o máximo das faces dos dois dados. Neste caso, a v.a. X máximo das 2 faces é uma variável discreta, que pode assumir os valores 1, 2, 3, 4, 5, 6, coforme ilustrado a Tabela 1.1.
7 1.1. VARIÁVEL ALEATÓRIA 3 Tabela 1.1 Variável aleatória X máximo das faces de 2 dados Potos do espaço amostral Valor de X (1,1) 1 (1,2)(2,2),(2,1) 2 (1,3),(2,3),(3,3),(3,2),(3,1) 3 (1,4),(2,4),(3,4),(4,4),(4,3),(4,2),(4,1) 4 (1,5),(2,5),(3,5),(4,5),(5,5),(5,4),(5,3),(5,2),(5,1) 5 (1,6),(2,6),(3,6),(4,6),(5,6),(6,6),(6,5),(6,4),(6,3),(6,2),(6,1) 6 Podemos ver que o valor X 2 correspode ao eveto A {(1, 2), (2, 1), (2, 2)}, equato o valor X 1 correspode ao eveto B {(1, 1)}. Sedo assim, é de se esperar que o valor 2 seja mais provável que o valor 1, uma vez que todos os pares são equiprováveis. Podemos calcular a probabilidade de X 2 usado a seguite equivalêcia de evetos: {X 2} A {(1, 2), (2, 1), (2, 2)} Dessa forma, obtemos De maeira aáloga, obtemos P(X 2) P(A) 3 P ({X 1}) 1 P ({X 3}) 5 P ({X 4}) 7 P ({X 5}) 9 P ({X 6}) 11 Observe que coseguimos estabelecer uma probabilidade para cada valor da variável aleatória. Esse exemplo ilustra o coceito de fução de probabilidade de uma v.a. discreta, que será apresetado mais adiate. EXEMPLO 1.2 Altura média de uma amostra de fucioários Cosidere, agora, que retiremos várias amostras de 20 fucioários da empresa cosiderada ateriormete e, para cada amostra, registremos a altura média. Na Figura 1.1 temos o histograma e o polígoo de frequêcia para essas alturas. Este histograma foi costruído de forma que as áreas de cada retâgulo são iguais às frequêcias relativas das respectivas classes. Sabemos, etão, que a soma das áreas dos retâgulos é 1.
8 4 CAPÍTULO 1. VARIÁVEIS ALEATÓRIAS Figura 1.1 Histograma e polígoo de frequêcia da altura média Tedo em mete que cada frequêcia relativa é uma aproximação para a probabilidade de um elemeto pertecer à respectiva classe, podemos estimar a probabilidade de a altura média estar etre dois valores quaisquer como a área dos retâgulos evolvidos. Veja a Figura 1.2, ode a área sombreada correspode à frequêcia (probabilidade) de alturas etre os valores 168 e 178 cm. Esta área pode ser aproximada também pela área sob o polígoo de frequêcia, coforme ilustrado a Figura 1.3. As áreas sombreadas de ciza mais escuro correspodem às difereças abaixo e acima dopolígoo de frequêcias; ote que elas tedem a se compesar. Figura 1.2 Probabilidade como frequêcia relativa Figura 1.3 Probabilidade como área sob o polígoo de frequêcia Como estamos trabalhado com uma variável aleatória cotíua, faz setido pesarmos em reduzir, cada vez mais, o comprimeto de classe δ, até a situação limite em que δ 0. Nessa situação limite, o polígoo de frequêcias se trasforma em uma curva a parte positiva (ou ão-egativa) do eixo vertical, tal que a área sob ela é igual a 1. Essa curva será chamada curva de desidade de probabilidade. Na situação limite, a difereça etre as áreas sombreadas mais escuro também tederá a zero, o que os permite cocluir o seguite: o limite, quado δ 0, podemos estimar a probabilidade de a variável de iteresse estar etre dois valores A e B pela área sob a curva de desidade de probabilidade, delimitada por esses potos. Isso os permitirá calcular probabilidade de itervalos de valores de qualquer variável aletatória cotíua. Iremos, agora, apresetar as defiições formais relativas às variáveis aleatórias discretas e cotíuas.
9 1.2. FUNÇÃO DE PROBABILIDADE Fução de probabilidade O comportameto de uma variável aleatória discreta fica perfeitamete determiado através da fução de probabilidade. DEFINIÇÃO Fução de probabilidade Seja X uma variável aleatória discreta. A fução de probabilidades de X é a fução f X (x) que associa, a cada valor possível x de X, sua respectiva probabilidade, calculada da seguite forma: f X (x) é a probabilidade do eveto {X x} que cosiste em todos os resultados do espaço amostral que dão origem ao valor x. f X (x) P ({X x}) P (ω) (1.1) ω Ω:X(ω)x Para ão sobrecarregar o texto, omitiremos os colchetes oriudos da otação de eveto (cojuto) e escreveremos P (X x) o lugar de P ({X x}), que seria a forma correta. Das propriedades (axiomas) da probabilidade resultam os seguites fatos sobre a fução de probabilidades de uma v.a. discreta X: f X (x) 0 (1.2) f X (x) 1 (1.3) x em que idica somatório ao logo de todos os possíveis valores de X. Note que a seguda x propriedade é decorrete do axioma P (Ω) 1, pois os evetos {X x} são mutuamete exclusivos e formam uma partição do espaço amostral. Estas são as codições defiidoras de uma fução de probabilidade. 1.3 Fução desidade de probabilidade O comportameto de uma variável aleatória cotíua fica perfeitamete determiado através da fução desidade de probabilidade.
10 6 CAPÍTULO 1. VARIÁVEIS ALEATÓRIAS DEFINIÇÃO Fução desidade de probabilidade Uma fução desidade de probabilidade é uma fução f(x) que satisfaz as seguites propriedades: 1. f(x) 0 2. A área total sob o gráfico de f(x) é igual a 1, isto é, f(x)dx 1 Dada uma fução f(x) satisfazedo as propriedades acima, etão f(x) represeta alguma variável aleatória cotíua X, de modo que P(a X b) é a área sob a curva limitada pelos potos a e b (veja a Figura 1.4), isto é. P(a X b) b a f(x)dx Figura 1.4 Probabilidade como área sob a curva da fução desidade de probabilidade Uma observação importate que resulta da iterpretação geométrica de probabilidade como área sob a curva de desidade de probabilidade é a seguite: se X é uma v.a. cotíua, etão a probabilidade do eveto {X a} é zero, ou seja, a probabilidade de X ser exatamete igual a um valor específico é ula. Isso pode ser visto a Figura 1.4: o eveto {X a} correspode a um segmeto de reta, e tal segmeto tem área ula. Lembre-se que a a f(x)dx 0. Como cosequêcia, são válias as seguites igualdades: P(a X b) P(a < X b) P(a X < b) P(a < X < b)
11 1.4. FUNÇÃO DE DISTRIBUIÇÃO ACUMULADA 7 Para deixar clara a relação etre a fução desidade de probabilidade e a respectiva v.a. X, usaremos a otação f X (x). 1.4 Fução de distribuição acumulada A fução de probabilidade e a fução desidade de probabilidade os dão toda a iformação sobre a variável aleatória X. Existe uma outra fução com tal característica (a verdade, sob determiadas codições, podemos achar outras fuções com essa característica), que é a fução de distribuição acumulada de X, cuja defiição apresetamos a seguir. DEFINIÇÃO Fução de distribuição acumulada Dada uma variável aleatória X, a fução de distribuição acumulada de X, ou simplesmete fução de distribuição, é defiida por F X (x) P (X x) x R (1.4) É iteressate otar que a fução F X está defiida para todo úmero real x. Os axiomas da probabilidade e as propriedades deles decorretes os permitem obter as seguites propriedades da fução de distribuição de uma v.a. X. 1. Como 0 P(A) 1 segue que 0 F X (x) 1 (1.5) 2. Do axioma P(Ω) 1 resulta que lim F X (x) 1 (1.6) x Note que o eveto {X < } correspode a todos os úmeros reais e, portato, iclui todos os valores de X. 3. Da propriedade P( ) 0 resulta que lim F X (x) 0 (1.7) x Note que o eveto {X < } correspode ao eveto impossível. 4. F X (x) é uma fução ão decrescete, isto é, se a < b F X (a) F X (b) (1.8) Esse resultado segue do fato de que, se a < b, etão o eveto {X a} {X b} e, portato, P({X a}) P({X b}), ou seja, F X (a) F X (b).
12 8 CAPÍTULO 1. VARIÁVEIS ALEATÓRIAS 5. F X (x) é uma fução cotíua à direita, isto é F X (b) lim h 0 F X (b + h) F X ( b + ) (1.9)
13 Capítulo 2 Variáveis aleatórias discretas Nesse capítulo, vamos estudar em mais detalhes as variáveis aleatórias discretas. 2.1 Cálculo da fução de probabilidade Da defiição de fução de probabilidade, resulta que o seu cálculo se dá em três etapas: primeiro, temos que idetificar todos os possíveis valores x da v.a. X; segudo, temos que idetificar os resultados que dão origem a cada valor x e suas respectivas probabilidades; fialmete, temos que somar todas essas probabilidades para obter f X (x) P(X x). EXEMPLO 2.1 Dois dados: máximo das faces Cosiderado ovamete a v.a. defiida a Tabela 1.1, podemos resumir a sua fução de probabilidade a seguite tabela: x f X (x) (2.1) EXEMPLO 2.2 Dois dados: soma das faces Cosideremos, ovamete, o laçameto de dois dados, mas agora vamos defiir a seguite v.a. X soma das 2 faces. Para facilitar a solução deste problema, vamos costruir uma tabela de duas etradas, em que cada dimesão represeta o resultado de um dado e em cada cela temos a soma das duas faces.
14 10 CAPÍTULO 2. VARIÁVEIS ALEATÓRIAS DISCRETAS Como todos os potos do espaço amostral são equiprováveis, a fução de probabilidade de X é: x f X (x) (2.2) EXEMPLO 2.3 Chaves Um homem possui quatro chaves em seu bolso. Como está escuro, ele ão cosegue ver qual a chave correta para abrir a porta de sua casa, que se ecotra tracada. Ele testa cada uma das chaves até ecotrar a correta. (a) Defia um espaço amostral para esse experimeto. (b) Defia a v.a. X úmero de chaves experimetadas até coseguir abrir a porta (iclusive a chave correta). Quais são os valores de X? (c) Ecotre a fução de probabilidade de X. Solução (a) Vamos desigar por C a chave da porta e por E 1, E 2 e E 3 as outras chaves. Se ele para de testar as chaves depois que acha a chave correta, etão o espaço amostral é: Ω C, E 1 C, E 2 C, E 3 C, E 1 E 2 C, E 2 E 1 C, E 1 E 3 C, E 3 E 1 C, E 2 E 3 C, E 3 E 2 C, E 1 E 2 E 3 C, E 1 E 3 E 2 C, E 2 E 1 E 3 C, E 2 E 3 E 1 C, E 3 E 1 E 2 C, E 3 E 2 E 1 C (b) Podemos ver, a listagem de Ω, que os possíveis valores de X são x 1, 2, 3, 4 (c) Note que todas as chaves têm a mesma chace de serem sorteadas e, obviamete, cada chave testada ão é colocada de volta o bolso. Feitas essas observações, podemos ver
15 2.1. CÁLCULO DA FUNÇÃO DE PROBABILIDADE 11 que P(X 1) P(C) 1 4 P(X 2) P(E 1 C E 2 C E 3 C) P(E 1 C) + P(E 2 C) + P(E 3 C) P(X 3) P(E 1 E 2 C) + P(E 2 E 1 C) + P(E 1 E 3 C) + P(E 3 E 1 C) + P(E 2 E 3 C) + P(E 3 E 2 C) P(X 4) P(E 1 E 2 E 3 C) + P(E 1 E 3 E 2 C) + P(E 2 E 1 E 3 C) + P(E 2 E 3 E 1 C) + P(E 3 E 1 E 2 C) + P(E 3 E 2 E 1 C) Logo, a fução de probabilidade de X é x P(X x) (2.3) EXEMPLO 2.4 Nota média de dois aluos Detre os cico aluos de um curso com coeficiete de redimeto (CR) superior a 8,5, dois serão sorteados para receber uma bolsa de estudos. Os CRs desses aluos são: 8,8; 9,2; 8,9; 9,5; 9,0. (a) Desigado por A, B, C, D, E os aluos, defia um espaço amostral para esse experimeto. (b) Seja X CR médio dos aluos sorteados. Liste os possíveis valores de X. (c) Liste o eveto X 9, 0. (d) Ecotre a fução de probabilidade de X e calcule P(X 9). Solução (a) Note que aqui a ordem ão importa; logo, (Ω) ( 5 2) 10. Mais especificamete, { } (A, B), (A, C), (A, D), (A, E), (B, C), Ω (B, D), (B, E), (C, D), (C, E), (D, E) (b) Usado uma tabela de duas etradas, podemos represetar os valores de X da seguite forma:
16 12 CAPÍTULO 2. VARIÁVEIS ALEATÓRIAS DISCRETAS A(8, 8) B(9, 2) C(8, 9) D(9, 5) E(9, 0) 8,8+9,2 A(8, 8) 2 9, 0 8, 85 9, 15 8, 90 B(9, 2) 9, 05 9, 35 9, 10 C(8, 9) 9, 20 8, 95 D(9, 5) 9, 25 E(9, 0) (c) {X 9} {(A, B), (A, D), (B, C), (B, D), (B, E), (C, D), (D, E)}. (d) Como todos os potos do espaço amostral são equiprováveis (o sorteio é aleatório), a fução de probabilidade de X é: x 8,85 8,90 8,95 9,00 9,05 9,10 9,15 9,20 9,25 9, P(X x) e P (X 9) Fução de Distribuição Vamos calcular a fução de distribuição para as variáveis aleatórias defiidas os Exemplos 2.1 a 2.3. EXEMPLO 2.5 Dois dados: máximo das faces Cosidere a fução de probabilidade da v.a. X máximo das faces de 2 dados, dada em (2.1). Devemos otar iicialmete que ehum valor meor que 1 é possível. Logo, Para x 1, temos que F X (x) 0 x < 1 (2.4) F X (1) P (X 1) P (X < 1) + P (X 1) (2.5) Para qualquer valor de x tal que 1 < x < 2, temos f X (x) 0. Logo, F X (x) P (X 1) + P (1 < X < x) Jutado os resultados (2.5) e (2.6), obtemos F X (1) + 0 F X (1) x : 1 < x < 2 (2.6) F X (x) F X (1) 1 x : 1 x < 2
17 2.2. FUNÇÃO DE DISTRIBUIÇÃO 13 Com raciocíio aálogo, obtemos e para x (2, 3) F X (2) P (X 2) (2.7) P (X 1) + P (1 < X < 2) + P (X 2) F X (x) P (X 2) + P (2 < X < x) F X (2) + 0 F X (2) x : 2 < x < 3 (2.8) Usado (2.7) e (2.8), obtemos F X (x) F X (2) 4 x : 2 x < 3 Cotiuado, obtemos F X (x) F X (3) 9 F X (x) F X (4) 16 F X (x) F X (5) 25 x : 3 x < 4 x : 4 x < 5 x : 5 x < 6 Para x 6 devemos otar que o eveto {X x} correspode ao espaço amostral completo; logo F X (x) 1 x 6 Dessa forma, a fução de distribuição de X é 0 x < 1 1/ 1 x < 2 4/ 2 x < 3 F X (x) 9/ 3 x < 4 16/ 4 x < 5 25/ 5 x < 6 1 x 6 Na Figura 2.1, temos o gráfico de tal fução em que a escala vertical está em múltiplos de 2 e a horizotal, em múltiplos de 1. Note que esse gráfico tem a forma de uma escada, com saltos de descotiuidade os valores da v.a. X. A fução de probabilidade de X pode ser calculada a partir da fução de distribuição da seguite forma: f X (x) F X (x) lim δ 0 F X (x δ) F X (x) F X ( x ) (2.9) Isso sigifica que f X (x) é igual ao tamaho do salto da fução de distribuição o poto x. A coclusão que podemos tirar é a seguite: a fução de probabilidades e a fução de distribuição, ambas os dão todas as iformações sobre a variável aleatória X e a partir de uma podemos obter a outra, de forma iequívoca.
18 14 CAPÍTULO 2. VARIÁVEIS ALEATÓRIAS DISCRETAS Figura 2.1 Fução de distribuição de X máximo das faces de 2 dados EXEMPLO 2.6 Dois dados: soma das faces Cosidere a fução de probabilidade da v.a. X soma das faces de 2 dados, obtida em (2.2). Devemos otar iicialmete que ehum valor meor que 2 é possível. Logo, Para x 2, temos que F X (x) 0 x < 2 (2.10) F X (2) P (X 2) P (X < 2) + P (X 2) (2.11) Para qualquer valor de x tal que 2 < x < 3, temos f X (x) 0. Logo, F X (x) P (X 2) + P (2 < X < x) Jutado os resultados (2.11) e (2.12), obtemos F X (2) + 0 F X (2) x : 2 < x < 3 (2.12) F X (x) F X (2) 1 x : 2 x < 3 Com raciocíio aálogo, obtemos e para x (3, 4) F X (3) P (X 3) (2.13) P (X 2) + P (2 < X < 3) + P (X 3) F X (x) P (X 3) + P (3 < X < x) F X (3) + 0 F X (3) x : 3 < x < 4 (2.14)
19 2.2. FUNÇÃO DE DISTRIBUIÇÃO 15 Usado (2.13) e (2.14), obtemos F X (x) F X (3) 3 x : 3 x < 4 Cotiuado, obtemos F X (x) F X (4) 6 F X (x) F X (5) 10 F X (x) F X (6) 15 F X (x) F X (7) 21 F X (x) F X (8) 26 F X (x) F X (9) 30 F X (x) F X (10) 33 F X (x) F X (11) 35 x : 4 x < 5 x : 5 x < 6 x : 6 x < 7 x : 7 x < 8 x : 8 x < 9 x : 9 x < 10 x : 10 x < 11 x : 11 x < 12 Para x 12 devemos otar que o eveto {X x} correspode ao espaço amostral completo; logo F X (x) 1 x 12 Dessa forma, a fução de distribuição de X é 0 x < 2 1/ 2 x < 3 3/ 3 x < 4 6/ 4 x < 5 10/ 5 x6 15/ 6 x < 7 F X (x) 21/ 7 x < 8 26/ 8 x < 9 30/ 9 x < 10 33/ 10 x < 11 35/ 11 x < 12 1 x 12 Os potos de descotiuidade são 2, 3,..., 12, que correspodem aos valores de X. Como ates, podemos obter a fução de probabilidade de X em cada um desses potos pelo tamaho do salto. Por exemplo, P(X 7) P(X 7) P(X < 7)
20 16 CAPÍTULO 2. VARIÁVEIS ALEATÓRIAS DISCRETAS EXEMPLO 2.7 Chaves Cosidere a fução de probabilidade da v.a. X Chaves de uma porta, dada em (2.3). Seguido raciocício aálogo ao adotado os dois exemplos ateriores, obtemos a seguite fução de distribuição acumulada de X úmero de chaves testadas até abrir a porta : F X (x) 0 x < 1 1/4 1 x < 2 2/4 2 x < 3 3/4 3 x < 4 1 x 4 EXEMPLO 2.8 Fução de distribuição e fução de probabilidade Dada a fução F(x) 0 x < 1 1/2 1 x < 2 k 2 x < 3 3/4 3 x < 4 1 x 4 em que k é uma costate, determie os possíveis valores de k para que F(x) seja a fução de distribuição acumulada de uma variável aleatória X. Em seguida, determie a fução de probabilidade desta v.a. X. Solução Como a fução de distribuição de qualquer v.a. X tem que ser uma fução ão decrescete, cocluímos que k tem que ser maior ou igual a 1 2. Pela mesma razão, k tem que ser meor ou igual a 3 4. Dessa forma, os possíveis valores de k pertecem ao itervalo [ 1 2, 3 ] 4. Os valores possíveis da v.a. X correspodem aos potos de descotiuidade da fução F(x). Logo, X assume os valores 1, 2, 3, 4. As probabilidades desses valores são dadas pelo tamaho do salto de F(x). Etão, k : 1 2 k 3 4, temos: P(X 1) 1 2 P(X 2) k 1 2 P(X 3) 3 4 k P(X 4)
21 2.2. FUNÇÃO DE DISTRIBUIÇÃO 17 EXEMPLO 2.9 Demada por produto A demada por um certo produto pode ser vista como uma variável aleatória X cuja fução de probabilidade f X (x) é estimada por Número de uidades demadadas x f X (x) P(X x) 0, 25 0, 45 0, 15 0, 15 (a) Verifique que f X (x) realmete defie uma fução de probabilidade. (b) Obteha a fução de distribuição acumulada de X. (c) Usado a fução de distribuição calculada o item aterior, calcule P(X 3, 5). Solução (a) 0, 25+0, 45+0, 15+0, 15 1 e todos os valores são ão egativos. Logo, f X é uma fução de probabilidade. (b) (c) Temos que F X (x) 0 se x < 1 0,25 se 1 x < 2 0,70 se 2 x < 3 0,85 se 3 x < 4 1,00 se x 4 P(X 3, 5) F X (3, 5) 0, 85 EXEMPLO 2.10 Uma variável aleatória discreta X tem a seguite fução de probabilidade k (x+2)! x 0, 1 f X (x) 0 x 0 e x 1 ode k é uma costate. (a) Determie o valor de k. (b) Calcule a fução de distribuição F X (x).
22 18 CAPÍTULO 2. VARIÁVEIS ALEATÓRIAS DISCRETAS Solução (a) Os valores possíveis da v.a. são 0 e 1. Etão, temos que ter Logo, f X (0) + f X (1) 1 k 2! + k 3! 1 k 2 + k 6 1 3k + k 6 1 k f X (0) f X (1) (b) A fução de distribuição de X é 0 se x < 0 3 F X (x) 4 se 0 x < 1 1 se x Fuções de Variáveis Aleatórias Dada uma v.a. X, podemos obter outras variáveis aleatórias através de fuções de X e, da mesma forma que calculamos a fução de probabilidade de X, podemos calcular a fução de probabilidade dessas ovas variáveis. EXEMPLO 2.11 Fução de variável aleatória: Y X 2 Cosidere a v.a. X cuja fução de probabilidade é dada a tabela abaixo: x f X (x) 0,1 0,2 0,2 0,3 0,1 0,1 Cosideremos a fução Y g(x) X 2. Etão, Y é uma ova variável aleatória, cujos possíveis valores são 0, 1, 4, 9. Para calcular as probabilidades desses valores, temos que idetificar os valores de X que origiaram cada um deles. Temos a seguite equivalêcia de evetos: {Y 0} {X 0} {Y 1} {X 1} {X 1} {Y 4} {X 2} {X 2} {Y 9} {X 3}
23 2.4. ESPERANÇA DE VARIÁVEIS ALEATÓRIAS DISCRETAS 19 (O símbolo represeta é equivalete a ). Como os evetos são mutuamete exclusivos, segue que P (Y 0) P (X 0) 0, 2 P (Y 1) P (X 1) + P (X 1) 0, 5 P (Y 4) P (X 2) + P (X 2) 0, 2 P (Y 9) P (X 3) 0, 1 e podemos resumir essa fução de probabilidade como y f Y (y) 0,2 0,5 0,2 0,1 (2.15) DEFINIÇÃO Fução de Variável Aleatória Seja X uma variável aleatória discreta com fução de probabilidade f X (x). Se defiimos uma ova v.a. Y g(x), ode g é uma fução real qualquer, etão a fução de probabilidade de Y é calculada como f Y (y) P(Y y) f X (x) {x g(x)y} 2.4 Esperaça de Variáveis Aleatórias Discretas No estudo de variáveis aleatórias e suas distribuições de probabilidades, associamos úmeros aos potos do espaço amostral, ou seja, o resultado é sempre uma variável quatitativa (ote que os resultados cara e coroa ão defiem uma variável aleatória; para tal, temos que associar úmeros, 0 e 1, por exemplo, a esses resultados). Sedo assim, faz setido pergutar qual é o valor médio da variável aleatória X? DEFINIÇÃO Esperaça de uma variável aleatória discreta Seja X uma variável aleatória discreta que assume os valores x 1, x 2,... com probabilidades p 1, p 2,... respectivamete. A esperaça ou média de X é defiida como E (X) p i x i x i P (X x i ) (2.16) i i ode o somatório se estede por todos os valores possíveis de X.
24 20 CAPÍTULO 2. VARIÁVEIS ALEATÓRIAS DISCRETAS Podemos ver, etão, que a esperaça de X é uma média dos seus valores, poderada pelas respectivas probabilidades. EXEMPLO 2.12 Vedas e comissões Em determiado setor de uma loja de departametos, o úmero de produtos vedidos em um dia pelos fucioários é uma variável aleatória P com a seguite distribuição de probabilidades (esses úmeros foram obtidos dos resultados de vários aos de estudo): Número de produtos Probabilidade de veda 0,1 0,4 0,2 0,1 0,1 0,05 0,05 Cada vededor recebe comissões de veda, distribuídas da seguite forma: se ele vede até dois produtos em um dia, ele gaha uma comissão de R$10,00 por produto vedido. A partir da terceira veda, a comissão passa para R$50,00 por produto. Qual é o úmero médio de produtos vedidos por cada vededor e qual a comissão média de cada um deles? Solução O úmero médio de produtos vedidos por fucioário é E(P) 0 0, , , , , , , 05 2, 05 Com relação à comissão, vamos costruir sua fução de probabilidade: Número de produtos P Comissão C Probabilidade de veda 0,1 0,4 0,2 0,1 0,1 0,05 0,05 A partir dessa fução de probabilidade, podemos calcular: E(C) 0 0, , , , , , , 05 46, 5 ou seja, a comissão média diária de cada vededor é R$ 46,50. Note que a esperaça de X tem a mesma uidade de medida dos valores de X Esperaça de Fuções de Variáveis Aleatórias Vimos que é possível obter ovas variáveis aleatórias a partir de fuções g(x) de uma variável X e através da fução de probabilidade de X podemos obter a fução de probabilidade
25 2.4. ESPERANÇA DE VARIÁVEIS ALEATÓRIAS DISCRETAS 21 de Y. Sedo assim, podemos calcular a esperaça de Y. Foi exatamete isso o que fizemos o caso das comissões o exemplo aterior, ode tíhamos { 10P, se P 2 C (P 2), se P > 2 Aalisado atetamete aquele exemplo e otado que, por defiição de fução, a cada valor de X correspode um úico Y g(x), obtemos o resultado geral sobre a esperaça de fuções de variáveis aleatórias. DEFINIÇÃO Esperaça de Fuções de uma Variável Aleatória Seja X uma variável aleatória discreta com fução de probabilidade f X (x). Se defiimos uma ova v.a. Y g(x), etão E (Y ) E [g (X)] x g (x) f X (x) (2.17) EXEMPLO 2.13 Cosidere a v.a. X, já aalisada o Exemplo 2.11, ode calculamos E(X 2 ). x f X (x) 0,1 0,2 0,2 0,3 0,1 0,1 Naquele exemplo, calculamos a fução de probabilidade da v.a. Y X 2, resumida em (2.15), e, a partir dela, podemos calcular: ( E (Y ) E X 2) 0 0, , , , 1 2, 2 Usado o resultado (2.17), podemos fazer simplesmete: ( E X 2) ( 2) 2 0, 1 + ( 1) 2 0, , , , , 1 2, 2 sem ecessidade do cálculo da fução de probabilidade de Y Propriedades da Esperaça No que segue, X é uma variável aleatória discreta com fução de probabilidade f X (x) e a, b 0 são costates reais quaisquer. Temos, etão, os seguites resultados, cujas demostrações são imediatas, a partir da defiição de esperaça: E(a) a (2.18)
26 22 CAPÍTULO 2. VARIÁVEIS ALEATÓRIAS DISCRETAS E(X + a) E(X) + a (2.19) E(bX) b E(X) (2.20) x mi E(X) x max (2.21) Nessa última propriedade, x mi e x max são os valores míimo e máximo da variável X. 2.5 Variâcia e desvio-padrão de uma variável aleatória A esperaça de uma variável aleatória X é o cetro de gravidade da distribuição de probabilidades. Sedo assim, a esperaça é uma medida de posição. No etato, é possível que duas variáveis bem diferetes teham a mesma esperaça, como é o caso das duas distribuições apresetadas a Figura 2.2. Nestas duas distribuições, a dispersão dos valores é diferete. Figura 2.2 Fuções de probabilidade com mesma esperaça e diferetes dispersões A dispersão de uma variável aleatória X será, iicialmete, medida pela sua variâcia. DEFINIÇÃO Variâcia de uma variável aleatória A variâcia de uma variável aleatória X é defiida como Var (X) E [X E (X)] 2 (2.22) O termo X E(X) é o desvio em toro da média. Sedo assim, a variâcia é a média dos desvios quadráticos em toro da média E(X).
27 2.5. VARIÂNCIA E DESVIO-PADRÃO DE UMA VARIÁVEL ALEATÓRIA 23 Vamos ver como calcular a variâcia de uma v.a. discreta. Para isso, vamos defiir g(x) [X E(X)] 2. Etão, usado o resultado dado a equação (2.17), temos que Var (X) E [g (X)] x [x E(X)] 2 f X (x) Desevolvedo o quadrado e usado as propriedades do somatório e da esperaça vistas a seção aterior, resulta Var (X) { x 2 2x E(X) + [E(X)] 2} f X (x) x x x 2 f X (x) 2 E(X) x xf X (x) + [E(X)] 2 x f X (x) x x x x 2 f X (x) 2 E(X) E(X) + [E(X)] 2 1 x 2 f X (x) 2 [E(X)] 2 + [E(X)] 2 x 2 f X (x) [E(X)] 2 Mas, se defiimos h(x) X 2, etão E [h(x)] x x 2 f X (x). Logo, podemos escrever Var (X) E(X 2 ) [E(X)] 2 (2.23) que pode ser lida de maeira mais fácil como a variâcia é a esperaça do quadrado meos o quadrado da esperaça. Da defiição de variâcia, resulta que sua uidade de medida é o quadrado da uidade de medida da variável em estudo, sedo assim, uma uidade sem sigificado físico. Para se ter uma medida de dispersão a mesma uidade dos dados, defie-se o desvio-padrão como a raiz quadrada da variâcia. DEFINIÇÃO Desvio padrão de uma variável aleatória O desvio-padrão de uma variável aleatória X é defiido como a raiz quadrada de sua variâcia: DP (X) Var (X) (2.24) Propriedades da variâcia e do desvio padrão Sedo a variâcia e o desvio-padrão medidas de dispersão, é fácil ver que são válidas as seguites propriedades, ode a, b 0 são costates quaisquer: Var(X) 0 (2.25) DP(X) 0 (2.26)
28 24 CAPÍTULO 2. VARIÁVEIS ALEATÓRIAS DISCRETAS Var (a) 0 (2.27) DP(a) 0 (2.28) Var (X + a) Var (X) (2.29) DP (X + a) DP(X) (2.30) Var (bx) b 2 Var (X) (2.31) DP(bX) b DP(X) (2.32) EXEMPLO 2.14 Cosidere a v.a. Y com fução de probabilidade dada por y f Y (y) 0, 25 0, 30 0, 20 0, 10 0, 07 0, 05 0, 03 e seja Z 2Y 3. Vamos calcular a esperaça e a variâcia de Y e Z. Solução Vamos calcular agora E(Y 2 ) : E(Y ) 3 0, , , , , , , 03 0, 17 E(Z) 2 E(Y ) 3 2 0, , 66 E(Y 2 ) 9 0, , , , , , , 03 10, 33 Logo Var(Y ) 10, 33 0, , 3011 Usado as propriedades da variâcia, temos que Var(Z) 2 2 Var(Y ) 41, 2044 EXEMPLO 2.15 Um lojista matém extesos registros das vedas diárias de certo aparelho. O quadro a seguir, dá a distribuição de probabilidades do úmero de aparelhos vedidos em uma semaa. Se o lucro por uidade vedida é de R$500,00, qual o lucro esperado em uma semaa? Qual é o desvio-padrão do lucro?
29 2.5. VARIÂNCIA E DESVIO-PADRÃO DE UMA VARIÁVEL ALEATÓRIA 25 x úmero de aparelhos f X (x) 0,1 0,1 0,2 0,3 0,2 0,1 Solução Seja X o úmero de aparelhos vedidos em uma semaa e seja L o lucro semaal. Etão, L 500X. E (X) 0 0, , , , , , 1 2, 7 aparelhos ( E X 2) 0 2 0, , , , , , 1 10, 2 aparelhos 2 Com relação ao lucro semaal, temos que Var (X) 10, 2 (2, 7) 2 2, 91 aparelhos 2 DP (X) 1, 706 aparelhos E (L) 500 E (X) R$1350, 00 DP (L) 500 DP(X) R$852, 94 EXEMPLO 2.16 Seja uma v.a. X com fução de probabilidade dada a tabela a seguir: x f X (x) p 2 p 2 p p p 2 (a) Ecotre o valor de p para que f X (x) seja, de fato, uma fução de probabilidade. (b) Calcule P (X 4) e P (X < 3). (c) Calcule P ( X 3 2). (d) Calcule E(X) e Var(X). Solução
30 26 CAPÍTULO 2. VARIÁVEIS ALEATÓRIAS DISCRETAS (a) Como x f X (x) 1, temos que ter: 3p 2 + 2p 1 3p 2 + 2p 1 0 p 2 ± ± 4 p 1 ou 6 6 p 1 3 Como p é uma probabilidade, temos que ter p 0. Logo, o valor correto é p 1 3. (b) P(X 4) P(X 4) + P(X 5) p + p Pr(X < 3) P(X 1) + P(X 2) 2p (c) Aqui temos que otar o seguite fato sobre a fução módulo, ilustrado a Figura 2.3. Valores y x o eixo vertical meores que k (abaixo da liha horizotal sólida) correspodem a valores de x o itervalo ( k, k) e valores y o eixo vertical maiores que k correspodem ou a x > k ou a x < k. Mais precisamete, x k x k ou x k x k k x k Figura 2.3 Fução módulo Usado esses fatos, temos que P ( X 3 2) P ({X 3 2} {X 3 2}) P (X 3 2) + P (X 3 2) P (X 1) + P (X 5) P (X 1) + P(X 5) 2p 2 2 9
31 2.5. VARIÂNCIA E DESVIO-PADRÃO DE UMA VARIÁVEL ALEATÓRIA 27 (d) Temos que E(X) 1 p p p + 4 p + 5 p , 2222 E(X 2 ) 1 2 p p p p p Var(X) 35 3 ( 29 9 ) EXEMPLO 2.17 Jogo de dados Um jogador A paga R$5,00 a B e laça um dado. Se sair face 3, gaha R$20,00. Se sair face 4, 5, ou 6, perde. Se sair face 1 ou 2, tem o direito de jogar ovamete. Desta vez, laça dois dados. Se saírem duas faces 6, gaha R$50,00. Se sair uma face 6, recebe o diheiro de volta. Nos demais casos, perde. Seja L o lucro líquido do jogador A esse jogo. Calcule a fução de probabilidade de L e o lucro esperado do jogador A. Solução Sabemos que o dado é hoesto e que os laçametos são idepedetes. O diagrama de árvore para o espaço amostral desse experimeto é dado a Figura 2.4. Para calcular a probabilidade dos evetos associados aos laçametos dos dois dados (parte iferior da árvore), usamos o fato de que a probabilidade da iterseção de evetos idepedetes é o produto das probabilidades. No cálculo da probabilidade de uma face 6, multiplicamos por 2, porque a face 6 pode estar em qualquer um dos dois dados. Vemos que os valores do lucro L são: -5; 0; 15; 45 e a fução de probabilidade de L é ou Lucro l P(L l) Lucro l P(L l) E(L) ,
32 28 CAPÍTULO 2. VARIÁVEIS ALEATÓRIAS DISCRETAS Figura 2.4 Espaço amostral para o Exemplo 2.17
33 Capítulo 3 Algumas Distribuições Discretas 3.1 Itrodução Cosidere as seguites situações: 1. (a) Laça-se uma moeda viciada e observa-se o resultado obtido e (b) perguta-se a um eleitor se ele vai votar o cadidato A ou B. 2. (a) Laça-se uma moeda vezes e observa-se o úmero de caras obtidas e (b) de uma grade população, extrai-se uma amostra de eleitores e perguta-se a cada um deles em qual dos cadidatos A ou B eles votarão e cota-se o úmero de votos do cadidato A. 3. (a) De uma ura com P bolas vermelhas e Q bolas bracas, extraem-se bolas sem reposição e cota-se o úmero de bolas bracas e (b) de uma população com P pessoas a favor do cadidato A e Q pessoas a favor do cadidato B, extrai-se uma amostra de tamaho sem reposição e cota-se o úmero de pessoas a favor do cadidato A a amostra. Em cada uma das situações ateriores, os experimetos citados têm algo em comum: em certo setido, temos a mesma situação, mas em cotextos diferetes. Por exemplo, a situação 1, cada um dos experimetos tem dois resultados possíveis e observamos o resultado obtido. Na situação 3, temos uma população dividida em duas categorias e dela extraímos uma amostra sem reposição; o iteresse está o úmero de elemetos de uma determiada categoria. Na prática, existem muitas outras situações que podem se ecaixar os modelos acima e mesmo em outros modelos. O que veremos esse capítulo são algus modelos de variáveis aleatórias discretas que podem descrever situações como as listadas ateriormete. Nesse cotexto, um modelo será defiido por uma variável aleatória e sua fução de probabilidade, explicitado-se claramete as hipóteses de validade. De posse desses elemetos, poderemos aalisar diferetes situações práticas para tetar ecaixá-las em algum dos modelos dados.
34 30 CAPÍTULO 3. ALGUMAS DISTRIBUIÇÕES DISCRETAS Neste capítulo, serão descritas as distribuições de probabilidade discretas mais usuais.a itrodução de cada uma delas será feita através de um exemplo clássico (moeda, ura, baralho etc.) e, em seguida, serão explicitadas as características do experimeto. Tais características são a ferrameta ecessária para sabermos qual modelo se aplica a uma determiada situação prática. Defiida a distribuição, calculam-se a média e a variâcia. 3.2 Distribuição Uiforme Discreta Supoha que seu professor de Estatística decida dar de presete a um dos aluos um livro de sua autoria. Não queredo favorecer qualquer aluo em especial, ele decide sortear aleatoriamete o gahador, detre os 45 aluos da turma. Para isso, ele umera os omes dos aluos que costam do diário de classe de 1 a 45, escreve esses úmeros em pedaços iguais de papel, dobrado-os ao meio para que o úmero ão fique visível, e sorteia um desses papéis depois de bem misturados. Qual é a probabilidade de que você gahe o livro? Qual é a probabilidade de que o aluo que tirou a ota mais baixa a primeira prova gahe o livro? E o que tirou a ota mais alta? O importate a otar esse exemplo é o seguite: o professor tomou todos os cuidados ecessários para ão favorecer qualquer aluo em especial. Isso sigifica que todos os aluos têm a mesma chace de gahar o livro. Temos, assim, um exemplo da distribuição uiforme discreta. DEFINIÇÃO Distribuição uiforme discreta A variável aleatória discreta X, que assume os valores x 1, x 2,..., x, tem distribuição uiforme se f X (x i ) P(X x i ) 1 i 1, 2,..., (3.1) Note que, em uma distribuição discreta uiforme, todos os valores são igualmete prováveis. Além disso, para que uma v.a. X teha distribuição uiforme discreta, é ecessário que X assuma um úmero fiito de valores, já que x f X (x) Esperaça e Variâcia Seja X uma v.a. discreta uiforme que assume valores x 1, x 2,..., x. Por defiição, a esperaça de X é E(X) 1 x x x x, ou seja, E(X) é a média aritmética dos valores possíveis de X.
35 3.2. DISTRIBUIÇÃO UNIFORME DISCRETA 31 Com relação à variâcia, temos, por defiição, que Var(X) E [X E(X)] 2 1 (x 1 x) (x 2 x) (x x) 2 σ 2 X EXEMPLO 3.1 Laçameto de uma moeda Cosidere o laçameto de uma moeda. Vamos defiir a seguite variável aleatória X associada a esse experimeto: X 0, X 1, se ocorre cara se ocorre coroa Para que essa v.a. teha distribuição uiforme, é ecessário supor que a moeda seja hoesta e, esse caso, f X (0) f X (1) 1 2 E(X) Var(X) 1 ( ) ( ) EXEMPLO 3.2 Coserto de máquia Os defeitos em determiada máquia ocorrem aproximadamete a mesma frequêcia. Depededo do tipo de defeito, o técico leva 1, 2, 3, 4 ou 5 horas para cosertar a máquia. (a) Descreva o modelo probabilístico apropriado para represetar a duração do tempo de reparo da máquia. (b) Qual é o tempo médio de reparo desta máquia? reparo? E o desvio-padrão deste tempo de (c) São 15 horas e acaba de ser etregue uma máquia para reparo. A jorada ormal de trabalho do técico termia às 17 horas. Qual é a probabilidade de que o técico ão precise fazer hora extra para termiar o coserto desta máquia? Solução Seja T tempo de reparo, em horas.
36 32 CAPÍTULO 3. ALGUMAS DISTRIBUIÇÕES DISCRETAS (a) Como os defeitos ocorrem a mesma frequêcia, o modelo probabilístico apropriado é uma distribuição uiforme: t f T (t) P(T t) 1 5 (b) E(T ) horas 5 Var(T ) DP(T ) 1, 41 horas 5 (c) Seja E o eveto técico vai ter que fazer hora extra. Etão P(E) P(T > 2) 3 5 0, Logo, a probabilidade de que ele ão teha que fazer hora extra é 0, Distribuição de Beroulli Cosidere o laçameto de uma moeda. A característica de tal experimeto aleatório é que ele possui apeas dois resultados possíveis. Uma situação aáloga surge quado da extração da carta de um baralho, em que o iteresse está apeas a cor (preta ou vermelha) da carta sorteada. DEFINIÇÃO Experimeto de Beroulli Um experimeto de Beroulli é um experimeto aleatório com apeas dois resultados possíveis; por coveção, um deles é chamado sucesso e o outro, fracasso. DEFINIÇÃO Variável aleatória de Beroulli A v.a. de Beroulli é a v.a. X associada a um experimeto de Beroulli, em que se defie { 1 se ocorre sucesso X 0 se ocorre fracasso Chamado de p a probabilidade de sucesso (0 < p < 1), a distribuição de Beroulli é x 0 1 (3.2) f X (x) 1 p p
37 3.3. DISTRIBUIÇÃO DE BERNOULLI 33 Obviamete, as codições defiidoras de uma fução de probabilidade são satisfeitas, uma vez que p > 0, 1 p > 0 e p + (1 p) 1. O valor de p é o úico valor que precisamos cohecer para determiar completamete a distribuição; ele é, etão, chamado parâmetro da distribuição de Beroulli. Vamos deotar a distribuição de Beroulli com parâmetro p por Ber(p). A fução de distribuição acumulada é dada por: 0 se x < 0 F X (x) 1 p se 0 x < 1 1 se x 1 (3.3) Na Figura 3.1, temos os gráficos da fução de probabilidade e da fução de distribuição acumulada de uma variável de Beroulli. Figura 3.1 Distribuição de Beroulli: fução de probabilidade e fução de distribuição Esperaça e Variâcia Seja X Ber(p) (lê-se: a variável aleatória X tem distribuição de Beroulli com parâmetro p). Etão, E(X) 0 (1 p) + 1 p p E(X 2 ) 0 2 (1 p) p p Var(X) E(X 2 ) [E(X)] 2 p p 2 Em resumo: X Ber(p) E(X) p Var(X) p(1 p) (3.4) É comum deotar a probabilidade de fracasso por q, isto é, q 1 p. EXEMPLO 3.3 Laçameto de uma moeda
38 34 CAPÍTULO 3. ALGUMAS DISTRIBUIÇÕES DISCRETAS Cosidere ovamete o laçameto de uma moeda e a seguite variável aleatória X associada a esse experimeto: { 1 se ocorre cara X 0 se ocorre coroa Seja p a probabilidade de cara, 0 < p < 1. Etão, X tem distribuição de Beroulli com parâmetro p. Note que, esse caso, a Beroulli com parâmetro p 1/2 é equivalete à distribuição uiforme. EXEMPLO 3.4 Auditoria da Receita Federal Um auditor da Receita Federal examia declarações de Imposto de Reda de pessoas físicas, cuja variação patrimoial ficou acima do limite cosiderado aceitável. De dados históricos, sabe-se que 10% dessas declarações são frauduletas. Vamos cosiderar o experimeto correspodete ao sorteio aleatório de uma dessas declarações. Esse é um experimeto de Beroulli, em que o sucesso equivale à ocorrêcia de declaração frauduleta e o parâmetro da distribuição de Beroulli é p 0, 1. Esse exemplo ilustra o fato de que sucesso, esse cotexto, em sempre sigifica uma situação feliz a vida real. Aqui, sucesso é defiido de acordo com o iteresse estatístico o problema. Em uma situação mais dramática, sucesso pode idicar a morte de um paciete, por exemplo. 3.4 Distribuição Biomial Vamos itroduzir a distribuição biomial, uma das mais importates distribuições discretas, através de um exemplo. Em seguida, discutiremos as hipóteses feitas e apresetaremos os resultados formais sobre tal distribuição e ovos exemplos. EXEMPLO 3.5 Laçametos de uma moeda Cosidere o seguite experimeto: uma moeda é laçada 4 vezes e sabe-se que p P(cara). Vamos defiir a seguite variável aleatória associada a este experimeto: X úmero de caras Como visto ates, cada laçameto da moeda represeta um experimeto de Beroulli e como o iteresse está o úmero de caras, vamos defiir sucesso cara. Para ecotrar a fução de probabilidade de X, o primeiro fato a otar é que os valores possíveis de X são: 0, que equivale à ocorrêcia de ehuma cara e, portato, de 4 coroas; 1, que equivale à ocorrêcia de apeas 1 cara e, portato, 3 coroas; 2, que equivale à ocorrêcia
39 3.4. DISTRIBUIÇÃO BINOMIAL 35 de 2 caras e, portato, 2 coroas; 3, que equivale à ocorrêcia de 3 caras e 1 coroa e, fialmete, 4, que equivale à ocorrêcia de 4 caras e ehuma coroa. Assim, os possíveis valores de X são X 0, 1, 2, 3, 4 Vamos, agora, calcular a probabilidade de cada um desses valores, de modo a completar a especificação da fução de probabilidade de X. Para isso, vamos represetar por K i o eveto cara o i-ésimo laçameto e por C i o eveto coroa o i-ésimo laçameto. X 0 Temos a seguite equivalêcia de evetos: {X 0} C 1 C 2 C 3 C 4 É razoável supor que os laçametos da moeda sejam evetos idepedetes, ou seja, o resultado de um laçameto ão iterfere o resultado de qualquer outro laçameto. Dessa forma, os evetos C i e K j são idepedetes para i j. (Note que os evetos C i e K i são mutuamete exclusivos e, portato, ão são idepedetes se sair cara em um laçameto específico, ão é possível sair coroa esse mesmo laçameto e vice-versa). Aalogamete, os evetos C i e C j são idepedetes para i j, bem como os evetos K i e K j, i j. Pela regra da probabilidade da iterseção de evetos idepedetes, resulta que X 1 P (C 1 C 2 C 3 C 4 ) P(C 1 ) P(C 2 ) P(C 3 ) P(C 4 ) (1 p) (1 p) (1 p) (1 p) (1 p) 4 O eveto X 1 correspode à ocorrêcia de 1 cara e, cosequetemete, de 3 coroas. Uma sequêcia possível de laçametos é K 1 C 2 C 3 C 4. Vamos calcular a probabilidade desse resultado. evetos idepedetes e, portato, Como ates, os laçametos são P(K 1 C 2 C 3 C 4 ) P(K 1 ) P(C 2 ) P(C 3 ) P(C 4 ) p (1 p) (1 p) (1 p) p(1 p) 3 Mas qualquer sequêcia com 1 cara resulta em X 1, ou seja, a face cara pode estar em qualquer uma das quatro posições e todas essas sequêcias resultam em X 1. Além disso, defiida a posição da face cara, as posições das faces coroas já estão determiadas são as posições restates. Etão, temos a seguite equivalêcia: {X 1} {K 1 C 2 C 3 C 4 } {C 1 K 2 C 3 C 4 } {C 1 C 2 K 3 C 4 } {C 1 C 2 C 3 K 4 }
40 CAPÍTULO 3. ALGUMAS DISTRIBUIÇÕES DISCRETAS Mas os evetos que aparecem o lado direito da expressão aterior são evetos mutuamete exclusivos. Logo, P(X 1) P(K 1 C 2 C 3 C 4 ) + P(C 1 K 2 C 3 C 4 ) + P(C 1 C 2 K 3 C 4 ) + P(C 1 C 2 C 3 K 4 ) p (1 p) (1 p) (1 p) +(1 p) p (1 p) (1 p) +(1 p) (1 p) p (1 p) +(1 p) (1 p) (1 p) p 4p(1 p) 3 X 2 O eveto X 2 correspode à ocorrêcia de 2 caras e, cosequetemete, de 2 coroas. Qualquer uma dessas sequêcias tem probabilidade p 2 (1 p) 2. As sequêcias de laçametos com 2 caras e 2 coroas são as seguites: K 1 K 2 C 3 C 4 K 1 C 2 K 3 C 4 K 1 C 2 C 3 K 4 C 1 C 2 K 3 K 4 C 1 K 2 C 3 K 4 C 1 K 2 K 3 C 4 Todas essas 6 sequêcias têm a mesma probabilidade e correspodem a evetos mutuamete exclusivos. Temos a seguite equivalêcia: e, portato, {X 2} (K 1 K 2 C 3 C 4 ) (K 1 C 2 K 3 C 4 ) (K 1 C 2 C 3 K 4 ) (C 1 C 2 K 3 K 4 ) (C 1 K 2 C 3 K 4 ) (C 1 K 2 K 3 C 4 ) P(X 2) P(K 1 K 2 C 3 C 4 ) + P(K 1 C 2 K 3 C 4 ) + P(K 1 C 2 C 3 K 4 ) + P(C 1 C 2 K 3 K 4 ) + P(C 1 K 2 C 3 K 4 ) + P(C 1 K 2 K 3 C 4 ) 6p 2 (1 p) 2 X 3 e X 4
41 3.4. DISTRIBUIÇÃO BINOMIAL 37 Os casos X 3 e X 4 são aálogos aos casos X 1 e X 0, respectivamete; basta trocar caras por coroas e vice-versa. Assim, P(X 3) 4p 3 (1 p) P(X 4) p 4 É importate otar que a hipótese de idepedêcia dos laçametos da moeda foi absolutamete fudametal a solução do exemplo; foi ela que os permitiu multiplicar as probabilidades dos resultados de cada laçameto para obter a probabilidade da sequêcia completa de laçametos. Embora essa hipótese seja muito razoável esse exemplo, aida assim é uma hipótese subjetiva. Outra propriedade utilizada foi a da probabilidade da uião de evetos mutuamete exclusivos. Mas aqui essa propriedade é óbvia, ou seja, ão há qualquer subjetividade: os evetos C 1 K 2 e K 1 C 2 são mutuamete exclusivos, pois o primeiro laçameto ou sai cara ou sai coroa; ão pode sair cara e coroa o primeiro laçameto, ou seja, cada laçameto é um experimeto de Beroulli. EXEMPLO 3.6 Bolas em uma ura Uma ura cotém quatro bolas bracas e seis bolas verdes. Três bolas são retiradas dessa ura, com reposição, isto é, depois de tirada a primeira bola, ela é recolocada a ura e sorteia-se a seguda, que também é recolocada a ura para, fialmete, ser sorteada a terceira bola. Vamos defiir a seguite variável aleatória associada a esse experimeto: X úmero de bolas bracas sorteadas O importate a otar aqui é o seguite: como cada bola sorteada é recolocada a ura ates da próxima extração, a composição da ura é sempre a mesma e o resultado de uma extração ão afeta o resultado de outra extração qualquer. Dessa forma, em todas as extrações a probabilidade de bola braca (e também bola verde) é a mesma e podemos cosiderar as extrações como idepedetes. Assim, temos uma situação aáloga à do exemplo aterior: temos três repetições de um experimeto (sorteio de uma bola), essas repetições são idepedetes, em cada uma delas há dois resultados possíveis bola braca (sucesso) ou bola verde (fracasso) e as probabilidades de sucesso e fracasso são as mesmas. Assim, cada extração equivale a um experimeto de Beroulli e como o iteresse está as bolas bracas, vamos cosiderar sucesso bola braca e da observação aterior resulta que P(sucesso) 4 10 Os valores possíveis de X são 0, 1, 2, 3, uma vez que são feitas três extrações. Vamos calcular a probabilidade de cada um dos valores de X. Como ates, vamos deotar por V i o eveto bola verde a i-ésima extração e por B i o eveto bola braca a i-ésima extração. Da discussão aterior, resulta que, para i j, os evetos V i e B j são idepedetes, assim como os evetos B i e B j e os evetos V i e V j.
Sumário. 2 Índice Remissivo 11
i Sumário 1 Esperaça de uma Variável Aleatória 1 1.1 Variáveis aleatórias idepedetes........................... 1 1.2 Esperaça matemática................................. 1 1.3 Esperaça de uma Fução de
Leia maisVariáveis Aleatórias e Distribuições de Probabilidade
PROBABILIDADES Variáveis Aleatórias e Distribuições de Probabilidade BERTOLO Fução de Probabilidades Vamos cosiderar um experimeto E que cosiste o laçameto de um dado hoesto. Seja a variável aleatória
Leia maisFundamentos de Estatística Aplicada. Módulo III: Variáveis Aleatórias Unidimensionais
Universidade Federal Fluminense Instituto de Matemática e Estatística Fundamentos de Estatística Aplicada Módulo III: Variáveis Aleatórias Unidimensionais Ana Maria Lima de Farias Departamento de Estatística
Leia maisDESIGUALDADES, LEIS LIMITE E TEOREMA DO LIMITE CENTRAL. todas as repetições). Então, para todo o número positivo ξ, teremos:
48 DESIGUALDADES, LEIS LIMITE E TEOREMA DO LIMITE CENTRAL LEI DOS GRANDES NÚMEROS Pretede-se estudar o seguite problema: À medida que o úmero de repetições de uma experiêcia cresce, a frequêcia relativa
Leia maisSumário. 2 Índice Remissivo 19
i Sumário 1 Estatística Descritiva 1 1.1 Coceitos Básicos.................................... 1 1.1.1 Defiições importates............................. 1 1.2 Tabelas Estatísticas...................................
Leia maisAula 5. Aula de hoje. Aula passada. Limitante da união Método do primeiro momento Lei dos grandes números (fraca e forte) Erro e confiança
Aula 5 Aula passada Valor esperado codicioal Espaço amostral cotíuo, fução desidade Limitates para probabilidade Desigualdades de Markov, Chebyshev, Cheroff with high probability Aula de hoje Limitate
Leia maisn ) uma amostra aleatória da variável aleatória X.
- Distribuições amostrais Cosidere uma população de objetos dos quais estamos iteressados em estudar uma determiada característica. Quado dizemos que a população tem distribuição FX ( x ), queremos dizer
Leia maisSéquências e Séries Infinitas de Termos Constantes
Capítulo Séquêcias e Séries Ifiitas de Termos Costates.. Itrodução Neste capítulo estamos iteressados em aalisar as séries ifiitas de termos costates. Etretato, para eteder as séries ifiitas devemos ates
Leia maisDERIVADAS DE FUNÇÕES11
DERIVADAS DE FUNÇÕES11 Gil da Costa Marques Fudametos de Matemática I 11.1 O cálculo diferecial 11. Difereças 11.3 Taxa de variação média 11.4 Taxa de variação istatâea e potual 11.5 Primeiros exemplos
Leia maisLista de Exercícios #4 Assunto: Variáveis Aleatórias Contínuas
. ANPEC 8 - Questão Seja x uma variável aleatória com fução desidade de probabilidade dada por: f(x) = x, para x f(x) =, caso cotrário. Podemos afirmar que: () E[x]=; () A mediaa de x é ; () A variâcia
Leia mais1 a Lista de PE Solução
Uiversidade de Brasília Departameto de Estatística 1 a Lista de PE Solução 1. a) Qualitativa omial. b) Quatitativa discreta. c) Quatitativa discreta. d) Quatitativa cotíua. e) Quatitativa cotíua. f) Qualitativa
Leia maisAula 10 Variáveis aleatórias discretas
AULA 0 Aula 0 Variáveis aleatórias discretas Nesta aula você aprenderá um conceito muito importante da teoria de probabilidade: o conceito de variável aleatória. Você verá que as variáveis aleatórias e
Leia maisCap. 4 - Estimação por Intervalo
Cap. 4 - Estimação por Itervalo Amostragem e iferêcia estatística População: cosiste a totalidade das observações em que estamos iteressados. Nº de observações a população é deomiado tamaho=n. Amostra:
Leia maisCap. VI Histogramas e Curvas de Distribuição
TLF /11 Capítulo VI Histogramas e curvas de distribuição 6.1. Distribuições e histogramas. 6 6.. Distribuição limite 63 6.3. Sigificado da distribuição limite: frequêcia esperada e probabilidade de um
Leia maisMAE Introdução à Probabilidade e Estatística II Resolução Lista 1
MAE 229 - Itrodução à Probabilidade e Estatística II Resolução Lista 1 Professor: Pedro Moretti Exercício 1 (a) Fazer histograma usado os seguites dados: Distribuição de probabilidade da variável X: X
Leia maisProcessos Estocásticos
IFBA Processos Estocásticos Versão 1 Alla de Sousa Soares Graduação: Liceciatura em Matemática - UESB Especilização: Matemática Pura - UESB Mestrado: Matemática Pura - UFMG Vitória da Coquista - BA 2014
Leia maisLista de Exercícios #6 Assunto: Propriedade dos Estimadores e Métodos de Estimação
Assuto: Propriedade dos Estimadores e Métodos de Estimação. ANPEC 08 - Questão 6 Por regulametação, a cocetração de um produto químico ão pode ultrapassar 0 ppm. Uma fábrica utiliza esse produto e sabe
Leia maisMATEMÁTICA II. Profa. Dra. Amanda Liz Pacífico Manfrim Perticarrari
MATEMÁTICA II Profa. Dra. Amada Liz Pacífico Mafrim Perticarrari amada@fcav.uesp.br O PROBLEMA DA ÁREA O PROBLEMA DA ÁREA Ecotre a área da região que está sob a curva y = f x de a até b. S = x, y a x b,
Leia maisLista 9 - Introdução à Probabilidade e Estatística
Lista 9 - Itrodução à Probabilidade e Estatística Desigualdades e Teoremas Limites 2.=000. 1 Um ariro apota a um alvo de 20 cm de raio. Seus disparos atigem o alvo, em média, a 5 cm do cetro deste. Assuma
Leia mais3. Seja C o conjunto dos números complexos. Defina a soma em C por
Eercícios Espaços vetoriais. Cosidere os vetores = (8 ) e = ( -) em. (a) Ecotre o comprimeto de cada vetor. (b) Seja = +. Determie o comprimeto de. Qual a relação etre seu comprimeto e a soma dos comprimetos
Leia maisDistribuições Amostrais
9/3/06 Uiversidade Federal do Pará Istituto de Tecologia Estatística Aplicada I Prof. Dr. Jorge Teófilo de Barros Lopes Campus de Belém Curso de Egeharia Mecâica 3/09/06 3:38 ESTATÍSTICA APLICADA I - Teoria
Leia maisbinomial seria quase simétrica. Nestas condições será também melhor a aproximação pela distribuição normal.
biomial seria quase simétrica. Nestas codições será também melhor a aproximação pela distribuição ormal. Na prática, quado e p > 7, a distribuição ormal com parâmetros: µ p 99 σ p ( p) costitui uma boa
Leia maisEstimadores de Momentos
Estimadores de Mometos A média populacioal é um caso particular daquilo que chamamos de mometo. Na realidade, ela é o primeiro mometo. Se X for uma v.a. cotíua, com desidade f(x; θ 1,..., θ r ), depededo
Leia maisPROBABILIDADE. prof. André Aparecido da Silva. 1
NOÇÕES DE PROBABILIDADE prof. Adré Aparecido da Silva adrepr@yahoo.com.br 1 TEORIA DAS PROBABILIDADES A teoria das probabilidades busca estimar as chaces de ocorrer um determiado acotecimeto. É um ramo
Leia maisDistribuições Amostrais
7/3/07 Uiversidade Federal do Pará Istituto de Tecologia Estatística Aplicada I Prof. Dr. Jorge Teófilo de Barros Lopes Campus de Belém Curso de Egeharia Mecâica 3/07/07 09:3 ESTATÍSTICA APLICADA I - Teoria
Leia maisTeorema do limite central e es/mação da proporção populacional p
Teorema do limite cetral e es/mação da proporção populacioal p 1 RESULTADO 1: Relembrado resultados importates Seja uma amostra aleatória de tamaho de uma variável aleatória X, com média µ e variâcia σ.temos
Leia maisCritérios de correção e orientações de resposta p-fólio
Miistério da Ciêcia, Tecologia e Esio Superior U.C. 037 Elemetos de Probabilidade e Estatística de Juho de 0 Critérios de correção e orietações de resposta p-fólio Neste relatório apresetam-se os critérios
Leia maisDistribuições de Estatísticas Amostrais e Teorema Central do Limite
Distribuições de Estatísticas Amostrais e Teorema Cetral do Limite Vamos começar com um exemplo: A mega-sea de 996 a N 894 úmeros de a 6: Média: m 588 Desvio padrão: 756 49 amostras de 6 elemetos Frequêcia
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ SETOR DE CIÊNCIAS EXATAS DEPTO. DE ESTATÍSTICA LISTA 4 PROBABILIDADE A (CE068) Prof. Benito Olivares Aguilera
UNIVERSIDADE FEDERAL DO PARANÁ SETOR DE CIÊNCIAS EATAS DEPTO. DE ESTATÍSTICA LISTA 4 PROBABILIDADE A (CE068) Prof. Beito Olivares Aguilera 2 o Sem./09 1. Das variáveis abaixo descritas, assiale quais são
Leia maisESTATÍSTICA. PROF. RANILDO LOPES U.E PROF EDGAR TITO
ESTATÍSTICA PROF. RANILDO LOPES http://ueedgartito.wordpress.com U.E PROF EDGAR TITO Medidas de tedêcia cetral Medidas cetrais são valores que resumem um cojuto de dados a um úico valor que, de alguma
Leia maisLista 2 - Introdução à Probabilidade e Estatística
Lista - Itrodução à Probabilidade e Estatística Modelo Probabilístico 1 Uma ura cotém 3 bolas, uma vermelha, uma verde e uma azul. a) Cosidere o seguite experimeto. Retire uma bola da ura, devolva-a e
Leia mais) E X. ) = 0 2 ( 1 p ) p = p. ) E 2 ( X ) = p p 2 = p ( 1 p ) ( ) = i 1 n. ( ) 2 n E( X) = ( ) = 1 p ( ) = p V ( X ) = E ( X 2 E X
3.5 A distribuição uiforme discreta Defiição: X tem distribuição uiforme discreta se cada um dos valores possíveis,,,, tiver fução de probabilidade P( X = i ) = e represeta-se por, i =,, 0, c.c. X ~ Uif
Leia maisESTIMAÇÃO DA PROPORÇÃO POPULACIONAL p
ESTIMAÇÃO DA PROPORÇÃO POPULACIONAL p Objetivo Estimar uma proporção p (descohecida) de elemetos em uma população, apresetado certa característica de iteresse, a partir da iformação forecida por uma amostra.
Leia maisSumário. 2 Índice Remissivo 17
i Sumário 1 Itrodução à Iferêcia Estatística 1 1.1 Defiições Básicas................................... 1 1.2 Amostragem....................................... 2 1.2.1 Tipos de Amostragem.............................
Leia maisInstruções gerais sobre a Prova:
DEPARTAMENTO DE ESTATÍSTICA - UFMG PROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 2012/2013 Istruções gerais sobre a Prova: (a) Cada questão respodida corretamete vale 1 (um) poto. (b) Cada
Leia maisExponenciais e Logaritmos (MAT 163) - Notas de Aulas 2 Prof Carlos Alberto S Soares
Expoeciais e Logaritmos (MAT 163) - Notas de Aulas 2 Prof Carlos Alberto S Soares 1 Prelimiares Lembremos que, dados cojutos A, B R ão vazios, uma fução de domíio A e cotradomíio B, aotada por, f : A B,
Leia maisLista de Exercícios 5
Itrodução à Teoria de Probabilidade. Iformatica Biomedica. Departameto de Física e Matemática. USP-RP. Prof. Rafael A. Rosales 22 de juho de 2006. Lista de Exercícios 5 1 Modelos Probabilísticos Discretos
Leia maisMAE Introdução à Probabilidade e Estatística II Resolução Lista 2
MAE 9 - Itrodução à Probabilidade e Estatística II Resolução Lista Professor: Pedro Moretti Exercício 1 Deotado por Y a variável aleatória que represeta o comprimeto dos cilidros de aço, temos que Y N3,
Leia maisDistribuições Amostrais
Distribuições Amostrais O problema da iferêcia estatística: fazer uma afirmação sobre os parâmetros da população θ (média, variâcia, etc) através da amostra. Usaremos uma AAS de elemetos sorteados dessa
Leia mais10 - Medidas de Variabilidade ou de Dispersão
10 - Medidas de Variabilidade ou de Dispersão 10.1 Itrodução Localizado o cetro de uma distribuição de dados, o próximo passo será verificar a dispersão desses dados, buscado uma medida para essa dispersão.
Leia maisIntervalos de Confiança
Itervalos de Cofiaça Prof. Adriao Medoça Souza, Dr. Departameto de Estatística - PPGEMQ / PPGEP - UFSM - 0/9/008 Estimação de Parâmetros O objetivo da Estatística é a realização de iferêcias acerca de
Leia maisObtemos, então, uma amostra aleatória de tamanho n de X, que representamos por X 1, X 2,..., X n.
Vamos observar elemetos, extraídos ao acaso e com reposição da população; Para cada elemeto selecioado, observamos o valor da variável X de iteresse. Obtemos, etão, uma amostra aleatória de tamaho de X,
Leia maisEstatística para Economia e Gestão REVISÕES SOBRE VARIÁVEIS ALEATÓRIAS DISCRETAS E CONTÍNUAS
Estatística para Ecoomia e Gestão REVISÕES SOBRE VARIÁVEIS ALEATÓRIAS DISCRETAS E CONTÍNUAS Primavera 008/009 Variável Aleatória: Defiição: uma variável aleatória é uma fução que atribui a cada elemeto
Leia maisMaterial Teórico - Módulo de ESTATÍSTICA. As Diferentes Médias. Primeiro Ano do Ensino Médio
Material Teórico - Módulo de ESTATÍSTICA As Diferetes Médias Primeiro Ao do Esio Médio Autor: Prof Atoio Camiha Muiz Neto Revisor: Prof Fracisco Bruo Holada Nesta aula, pausamos a discussão de Estatística
Leia maisSéries e aplicações15
Séries e aplicações5 Gil da Costa Marques Fudametos de Matemática I 5. Sequêcias 5. Séries 5. Séries especiais 5.4 Arquimedes e a quadratura da parábola 5.5 Sobre a Covergêcia de séries 5.6 Séries de Taylor
Leia maisProvas de Matemática Elementar - EAD. Período
Provas de Matemática Elemetar - EAD Período 01. Sérgio de Albuquerque Souza 4 de setembro de 014 UNIVERSIDADE FEDERAL DA PARAÍBA CCEN - Departameto de Matemática http://www.mat.ufpb.br/sergio 1 a Prova
Leia maisFundamentos de Estatística Aplicada. Módulo IV: Introdução à Inferência Estatística
Uiversidade Federal Flumiese Istituto de Matemática e Estatística Fudametos de Estatística Aplicada Módulo IV: Itrodução à Iferêcia Estatística Aa Maria Lima de Farias Departameto de Estatística Coteúdo
Leia maisEstimar uma proporção p (desconhecida) de elementos em uma população, apresentando certa característica de interesse, a partir da informação
ESTIMAÇÃO DA PROPORÇÃO POPULACIONAL p 1 Objetivo Estimar uma proporção p (descohecida) de elemetos em uma população, apresetado certa característica de iteresse, a partir da iformação forecida por uma
Leia maisEstimação por Intervalo (Intervalos de Confiança):
Estimação por Itervalo (Itervalos de Cofiaça): 1) Itervalo de Cofiaça para a Média Populacioal: Muitas vezes, para obter-se a verdadeira média populacioal ão compesa fazer um levatameto a 100% da população
Leia maisProf. Fabrício Maciel Gomes Departamento de Engenharia Química Escola de Engenharia de Lorena EEL
Prof. Fabrício Maciel Gomes Departameto de Egeharia Química Escola de Egeharia de Lorea EEL Referêcias Bibliográficas Sistema de Avaliação Duas Provas teóricas Um Trabalho em Grupo MédiaFial 0,4 P 0,4
Leia maisFundamentos de Análise Matemática Profª Ana Paula. Números reais
Fudametos de Aálise Matemática Profª Aa Paula Números reais 1,, 3, cojuto dos úmeros aturais 0,1,,3, cojuto dos úmeros iteiros p q /p e q cojuto dos úmeros racioais a, a 0 a 1 a a, a e a i 0, 1,, 3, 4,
Leia maisMATEMÁTICA MÓDULO 6 ESTATÍSTICA. Professor Haroldo Filho
MATEMÁTICA Professor Haroldo Filho MÓDULO 6 ESTATÍSTICA 1.1 ESTATÍSTICA É a ciêcia que utiliza a coleta de dados, sua classificação, sua apresetação, sua aálise e sua iterpretação para se tomar algum tipo
Leia maisAmostras Aleatórias e Distribuições Amostrais. Probabilidade e Estatística: afinal, qual é a diferença?
Amostras Aleatórias e Distribuições Amostrais Probabilidade e Estatística: afial, qual é a difereça? Até agora o que fizemos foi desevolver modelos probabilísticos que se adequavam a situações reais. Por
Leia maisFundamentos de Estatística Aplicada Módulo III: Variáveis Aleatórias Unidimensionais
Universidade Federal Fluminense Instituto de Matemática e Estatística Fundamentos de Estatística Aplicada Módulo III: Variáveis Aleatórias Unidimensionais Ana Maria Lima de Farias Departamento de Estatística
Leia maisMQI 2003 ESTATÍSTICA PARA METROLOGIA - SEMESTRE Teste 2 07/07/2008 Nome: PROBLEMA 1 Sejam X e Y v.a. contínuas com densidade conjunta:
MQI 003 ESTATÍSTICA PARA METROLOGIA - SEMESTRE 008.0 Teste 07/07/008 Nome: PROBLEMA Sejam X e Y v.a. cotíuas com desidade cojuta: f xy cy xy x y (, ) = + 3 ode 0 e 0 a) Ecotre a costate c que faz desta
Leia maisCapítulo I Séries Numéricas
Capítulo I Séries Numéricas Capitulo I Séries. SÉRIES NÚMERICAS DEFINIÇÃO Sedo u, u,..., u,... uma sucessão umérica, chama-se série umérica de termo geral u à epressão que habitualmete se escreve u u...
Leia maisDISTRIBUIÇÕES DE PROBABILIDADE
DISTRIBUIÇÕES DE PROBABILIDADE DISTRIBUIÇÃO DE PROBABILIDADE Seja uma v.a. que assume os valores,,..., com probabilidade p, p,..., p associadas a cada elemeto de, sedo p p... p diz-se que está defiida
Leia maisProva Escrita de MATEMÁTICA A - 12o Ano a Fase
Prova Escrita de MATEMÁTICA A - 1o Ao 00 - a Fase Proposta de resolução GRUPO I 1. Como a probabilidade do João acertar em cada tetativa é 0,, a probabilidade do João acertar as tetativas é 0, 0, 0, 0,
Leia maisMOQ 13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ 13 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semaas 1 2 3 4 5 6 7 8 9 1 11 12 13 14 15 e 16 Itrodução à probabilidade evetos
Leia maisEstimação da média populacional
Estimação da média populacioal 1 MÉTODO ESTATÍSTICO Aálise Descritiva Teoria das Probabilidades Iferêcia Os dados efetivamete observados parecem mostrar que...? Se a distribuição dos dados seguir uma certa
Leia maisb) Fabrico de peças cilíndricas Capítulo 5 - Distribuições conjuntas de probabilidades e complementos X - comprimento da peça Y - diâmetro da peça
Capítulo 5 - Distribuições cojutas de probabilidades e complemetos 5.1 Duas variáveis aleatórias discretas. Distribuições cojutas, margiais e codicioais. Idepedêcia Em relação a uma mesma eperiêcia podem
Leia maisCálculo II Sucessões de números reais revisões
Ídice 1 Defiição e exemplos Cálculo II Sucessões de úmeros reais revisões Mestrado Itegrado em Egeharia Aeroáutica Mestrado Itegrado em Egeharia Civil Atóio Beto beto@ubi.pt Departameto de Matemática Uiversidade
Leia maisMATEMÁTICA II. Profa. Dra. Amanda Liz Pacífico Manfrim Perticarrari
MATEMÁTICA II Profa. Dra. Amada Liz Pacífico Mafrim Perticarrari amada@fcav.uesp.br Ecotre a área da região que está sob a curva y = f x de a até b. S = x, y a x b, 0 y f x Isso sigifica que S, ilustrada
Leia maisINFERÊNCIA ESTATÍSTICA
i UNIVERSIDADE FEDERAL FLUMINENSE INSTITUTO DE MATEMÁTICA DEPARTAMENTO DE ESTATÍSTICA INFERÊNCIA ESTATÍSTICA Aa Maria Lima de Farias Outubro 2008 Coteúdo 1 Iferêcia Estatística - Coceitos Básicos 1 1.1
Leia maisPreliminares 1. 1 lim sup, lim inf. Medida e Integração. Departamento de Física e Matemática. USP-RP. Prof. Rafael A. Rosales. 8 de março de 2009.
Medida e Itegração. Departameto de Física e Matemática. USP-RP. Prof. Rafael A. Rosales 8 de março de 2009. 1 lim sup, lim if Prelimiares 1 Seja (x ), N, uma seqüêcia de úmeros reais, e l o limite desta
Leia maisProbabilidade II Aula 9
Coteúdo Probabilidade II Aula 9 Maio de 9 Môica Barros, D.Sc. Estatísticas de Ordem Distribuição do Máximo e Míimo de uma amostra Uiforme(,) Distribuição do Máximo e Míimo caso geral Distribuição das Estatísticas
Leia maisProbabilidade II Aula 12
Coteúdo Probabilidade II Aula Juho de 009 Desigualdade de Marov Desigualdade de Jese Lei Fraca dos Grades Números Môica Barros, D.Sc. Itrodução A variâcia de uma variável aleatória mede a dispersão em
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ NOTAS DE AULA PROFa. SONIA MÜLLER
PROBABILIDADE. DEFINIÇÕES BÁSICAS:.- INTRODUÇÃO: UNIVERSIDADE FEDERAL DO PARANÁ NOTAS DE AULA PROFa. SONIA MÜLLER PROBABILIDADE POPULAÇÃO AMOSTRA ESTATÍSTICA Uiverso : Ω ou U Vazio: Uião: A B Itersecção:
Leia maisS E Q U Ê N C I A S E L I M I T E S. Prof. Benito Frazão Pires. Uma sequência é uma lista ordenada de números
S E Q U Ê N C I A S E L I M I T E S Prof. Beito Frazão Pires Uma sequêcia é uma lista ordeada de úmeros a, a 2,..., a,... ) deomiados termos da sequêcia: a é o primeiro termo, a 2 é o segudo termo e assim
Leia maisIntrodução. Exemplos. Comparar três lojas quanto ao volume médio de vendas. ...
Itrodução Exemplos Para curar uma certa doeça existem quatro tratametos possíveis: A, B, C e D. Pretede-se saber se existem difereças sigificativas os tratametos o que diz respeito ao tempo ecessário para
Leia maisRevisando... Distribuição Amostral da Média
Estatística Aplicada II DISTRIBUIÇÃO AMOSTRAL MÉDIA AULA 08/08/16 Prof a Lilia M. Lima Cuha Agosto de 016 Revisado... Distribuição Amostral da Média Seja X uma v. a. de uma população com média µ e variâcia
Leia maisFundamentos de Estatística Aplicada. Módulo IV: Introdução à Inferência Estatística
Uiversidade Federal Flumiese Istituto de Matemática e Estatística Fudametos de Estatística Aplicada Módulo IV: Itrodução à Iferêcia Estatística Aa Maria Lima de Farias Departameto de Estatística Coteúdo
Leia maisStela Adami Vayego DEST/UFPR
Resumo 3 Resumo dos dados uméricos por meio de úmeros. Medidas de Tedêcia Cetral A tedêcia cetral da distribuição de freqüêcias de uma variável em um cojuto de dados é caracterizada pelo valor típico dessa
Leia maisCÁLCULO I. Exibir o cálculo de algumas integrais utilizando a denição;
CÁLCULO I Prof Edilso Neri Júior Prof Adré Almeida Aula o 9: A Itegral de Riema Objetivos da Aula Deir a itegral de Riema; Exibir o cálculo de algumas itegrais utilizado a deição; Apresetar fuções que
Leia maisESTIMAÇÃO POR INTERVALO (INTERVALOS DE CONFIANÇA)
06 ETIMÇÃO OR INTERVLO (INTERVLO DE CONINÇ) Cada um dos métodos de estimação potual permite associar a cada parâmetro populacioal um estimador. Ora a cada estimador estão associadas tatas estimativas diferetes
Leia maisComparação entre duas populações
Comparação etre duas populações AMOSTRAS INDEPENDENTES Comparação etre duas médias 3 Itrodução Em aplicações práticas é comum que o iteresse seja comparar as médias de duas diferetes populações (ambas
Leia maisESTATÍSTICA E PROBABILIDADES
ESTATÍSTICA E PROBABILIDADES Aluo(a): Turma: Professores: Data: Edu/Vicete Noções de Estatística Podemos eteder a Estatística como sedo o método de estudo de comportameto coletivo, cujas coclusões são
Leia mais) E 2 ( X) = p p 2 = p( 1 p) ) = 0 2 ( 1 p) p = p ( ) = ( ) = ( ) = p. F - cara (sucesso) C - coroa (insucesso)
3.6 A distribuição biomial Defiição: uma eperiêcia ou prova de Beroulli é uma eperiêcia aleatória só com dois resultados possíveis (um deles chamado "sucesso" e o outro "isucesso"). Seja P(sucesso) = p,
Leia maisMétodos Estatísticos Aplicados à Economia I (GET00117) Probabilidade
Uiversidade Federal Flumiese Istituto de Matemática e Estatística Métodos Estatísticos Aplicados à Ecoomia I (GET00117) Probabilidade Aa Maria Lima de Farias Departameto de Estatística Agosto 015 Sumário
Leia maisarxiv: v1 [math.ho] 3 Sep 2014
Álbum de figurihas da Copa do Mudo: uma abordagem via Cadeias de Markov Leadro Morgado IMECC, Uiversidade Estadual de Campias arxiv:409.260v [math.ho] 3 Sep 204 Cosiderações iiciais 6 de maio de 204 Com
Leia maisUniversidade Federal de Lavras Departamento de Estatística Prof. Daniel Furtado Ferreira 1 a Aula Prática Técnicas de somatório
Uiversidade Federal de Lavras Departameto de Estatística Prof. Daiel Furtado Ferreira 1 a Aula Prática Técicas de somatório Notação e propriedades: 1) Variáveis e ídices: o símbolo x j (leia x ídice j)
Leia maisCritérios de Avaliação e Cotação
Elemetos de Probabilidades e Estatística (37) Elemetos de Probabilidades e Estatística (37) Ao letivo 06-7 E-Fólio A 7 a 6 de abril 07 Critérios de correção e orietações de resposta No presete relatório
Leia maisDisciplina: Probabilidade e Estatística (MA70H) Profª Silvana Heidemann Rocha Estudante: Código: APRESENTAÇÃO DE DADOS PARA VARIÁVEL QUANTITATIVA
Miistério da Educação UIVERSIDADE TECOLÓGICA FEDERAL DO PARAÁ Câmpus Curitiba Diretoria de Graduação e Educação Profissioal Departameto Acadêmico de Estatística 1 Disciplia: Probabilidade e Estatística
Leia maisXIX Semana Olímpica de Matemática. Nível U. Algumas Técnicas com Funções Geratrizes. Davi Lopes
XIX Semaa Olímpica de Matemática Nível U Algumas Técicas com Fuções Geratrizes Davi Lopes O projeto da XIX Semaa Olímpica de Matemática foi patrociado por: Algumas Técicas com Fuções Geratrizes Davi Lopes
Leia maisA DESIGUALDADE DE CHEBYCHEV
A DESIGUALDADE DE CHEBYCHEV Quado se pretede calcular a probabilidade de poder ocorrer determiado acotecimeto e se cohece a distribuição probabilística que está em causa o problema, ão se colocam dificuldades
Leia maisAvaliação de Desempenho de Sistemas Discretos
Distribuições Comus Avaliação de Desempeho de Sistemas Discretos Probabilidade e Estatística 2 Uiforme Normal Poisso Hipergeométrica Biomial Studet's Geométrica Logormal Expoecial Beta Gamma Qui-Quadrado
Leia maisTeoria Elementar da Probabilidade
10 Teoria Elemetar da Probabilidade MODELOS MTEMÁTICOS DETERMINÍSTICOS PROBBILÍSTICOS PROCESSO (FENÓMENO) LETÓRIO - Quado o acaso iterfere a ocorrêcia de um ou mais dos resultados os quais tal processo
Leia mais4 Teoria da Probabilidade
48 4 Teoria da Probabilidade Apresetam-se este capítulo coceitos de probabilidade e de estimação de fuções desidade de probabilidade ecessários ao desevolvimeto e compreesão do modelo proposto (capítulo
Leia mais1 Distribuições Amostrais
1 Distribuições Amostrais Ao retirarmos uma amostra aleatória de uma população e calcularmos a partir desta amostra qualquer quatidade, ecotramos a estatística, ou seja, chamaremos os valores calculados
Leia maisTaxas e Índices. Ana Maria Lima de Farias Dirce Uesu Pesco
Taxas e Ídices Aa Maria Lima de Farias Dirce Uesu esco Itrodução Nesse texto apresetaremos coceitos básicos sobre ídices e taxas. Embora existam aplicações em diversos cotextos, essas otas utilizaremos
Leia maisESCOLA BÁSICA DE ALFORNELOS
ESCOLA BÁSICA DE ALFORNELOS FICHA DE TRABALHO DE MATEMÁTICA 9.º ANO VALORES APROXIMADOS DE NÚMEROS REAIS Dado um úmero xe um úmero positivo r, um úmero x como uma aproximação de x com erro iferior a r
Leia mais3ª Lista de Exercícios de Programação I
3ª Lista de Exercícios de Programação I Istrução As questões devem ser implemetadas em C. 1. Desevolva um programa que leia dois valores a e b ( a b ) e mostre os seguites resultados: (1) a. Todos os úmeros
Leia maisA Inferência Estatística é um conjunto de técnicas que objetiva estudar a população através de evidências fornecidas por uma amostra.
UNIVERSIDADE FEDERAL DA PARAÍBA Distribuição Amostral Luiz Medeiros de Araujo Lima Filho Departameto de Estatística INTRODUÇÃO A Iferêcia Estatística é um cojuto de técicas que objetiva estudar a população
Leia maisBÁRBARA DENICOL DO AMARAL RODRIGUEZ CINTHYA MARIA SCHNEIDER MENEGHETTI CRISTIANA ANDRADE POFFAL SEQUÊNCIAS NUMÉRICAS. 1 a Edição
BÁRBARA DENICOL DO AMARAL RODRIGUEZ CINTHYA MARIA SCHNEIDER MENEGHETTI CRISTIANA ANDRADE POFFAL SEQUÊNCIAS NUMÉRICAS 1 a Edição Rio Grade 2017 Uiversidade Federal do Rio Grade - FURG NOTAS DE AULA DE CÁLCULO
Leia maisNovo Espaço Matemática A 12.º ano Proposta de Teste [outubro ]
Proposta de Teste [outubro - 017] Nome: Ao / Turma: N.º: Data: / / Não é permitido o uso de corretor. Deves riscar aquilo que pretedes que ão seja classificado. A prova iclui um formulário. As cotações
Leia maisAMOSTRAGEM ALEATÓRIA DISTRIBUIÇÕES POR AMOSTRAGEM
6 AMOSTRAGEM ALEATÓRIA DISTRIBUIÇÕES POR AMOSTRAGEM Quado se pretede estudar uma determiada população, aalisam-se certas características ou variáveis dessa população. Essas variáveis poderão ser discretas
Leia maisRecredenciamento Portaria MEC 347, de D.O.U
Portaria MEC 347, de 05.04.0 - D.O.U. 0.04.0. ESTATÍSTICA I / MÉTODOS QUANTITATIVOS E PROCESSO DECISÓRIO I / ESTATÍSTICA APLICADA À EDUCAÇÃO Elemetos de Probabilidade Quest(i) Ecotramos, a atureza, dois
Leia maisCORRELAÇÃO Aqui me tens de regresso
CORRELAÇÃO Aqui me tes de regresso O assuto Correlação fez parte, acompahado de Regressão, do programa de Auditor Fiscal, até 998, desaparecedo a partir do cocurso do ao 000 para agora retorar soziho.
Leia maisA B C A e B A e C B e C A, B e C
2 O ANO EM Matemática I RAPHAEL LIMA Lista 6. Durate o desfile de Caraval das escolas de samba do Rio de Jaeiro em 207, uma empresa especializada em pesquisa de opiião etrevistou 40 foliões sobre qual
Leia maisSequências Reais e Seus Limites
Sequêcias Reais e Seus Limites Sumário. Itrodução....................... 2.2 Sequêcias de Números Reais............ 3.3 Exercícios........................ 8.4 Limites de Sequêcias de Números Reais......
Leia mais