O que significa o Teorema de Chebyshev? Qual a relação entre o referido Teorema e o desvio-padrão? Explique.

Passo 1

Você perguntou o que significa o Teorema de Chebyshev e qual a relação dele com o desvio-padrão. O que se pede aqui é:
  • Dar a enunciação do Teorema de Chebyshev (uma desigualdade que fornece um limite para probabilidades de cauda).
  • Explicar como essa desigualdade se conecta com o desvio-padrão e interpretar esses resultados.
    Não há dados numéricos no enunciado; a resposta deve ser teórica, com exemplos numéricos para ilustrar.

Passo 2

Antes de enunciar o teorema, precisamos fixar notação e conceitos básicos de forma bem clara e simples.
Definições:
  • Seja X uma variável aleatória com esperança (média) finita \mu. Ou seja, \mu = \mathbb{E}[X].
  • A variância de X é a média dos quadrados dos desvios em relação à média; definimos
\mathrm{Var}(X)=\mathbb{E}\big[(X-\mu)^2\big].
  • O desvio-padrão de X é a raiz quadrada da variância; denotamos por \sigma:
\sigma=\sqrt{\mathrm{Var}(X)}.
Explicação intuitiva: \sigma mede, em unidades da variável, quão espalhada ela costuma ficar em torno da média \mu. A variância é a média dos quadrados dos desvios; o desvio-padrão volta a unidade para a mesma escala de X.

Passo 3

Enunciação do Teorema de Chebyshev (forma geral).
Para qualquer variável aleatória X com média \mu e variância finita \sigma^2, e para todo a>0, vale a desigualdade
\mathbb{P}\big(|X-\mu|\ge a\big)\le \frac{\sigma^{2}}{a^{2}}.
O que isso diz em palavras: a probabilidade de X ficar a uma distância maior ou igual a a da média \mu não pode ser maior que \sigma^{2}/a^{2}. Note que essa afirmação é válida independentemente da forma da distribuição de X (desde que \sigma^2<\infty) — por isso é chamada de desigualdade não paramétrica.

Passo 4

Demonstração curta e didática (passo a passo usando Markov).
  1. Considere a variável não-negativa Y=(X-\mu)^2. Então \mathbb{E}[Y]=\mathrm{Var}(X)=\sigma^2.
  2. A desigualdade de Markov diz que, para qualquer variável não-negativa Y e qualquer t>0,
\mathbb{P}(Y\ge t)\le \frac{\mathbb{E}[Y]}{t}.
  1. Escolha t=a^2. Substituindo Y=(X-\mu)^2 e t=a^2 na desigualdade de Markov:
\mathbb{P}\big((X-\mu)^2\ge a^2\big)\le \frac{\mathbb{E}\big[(X-\mu)^2\big]}{a^2}.
  1. Como \{(X-\mu)^2\ge a^2\}=\{|X-\mu|\ge a\}, obtemos
\mathbb{P}\big(|X-\mu|\ge a\big)\le \frac{\sigma^2}{a^2},
que é exatamente a desigualdade de Chebyshev. Fim da demonstração — foi curto porque Markov já encapsula a ideia principal.

Passo 5

Forma usual expressa em múltiplos do desvio-padrão.
É comum expressar a como a=k\sigma com k>0 (ou seja, medir distâncias em unidades de \sigma). Substituindo a=k\sigma na desigualdade de Chebyshev obtemos a forma
\mathbb{P}\big(|X-\mu|\ge k\sigma\big)\le \frac{1}{k^{2}}.
Ou, de modo equivalente, a probabilidade de X estar dentro de k desvios-padrão da média é pelo menos
\mathbb{P}\big(|X-\mu|< k\sigma\big)\ge 1-\frac{1}{k^{2}}.
Interpretação: se eu escolher “2 desvios-padrão” ( k=2), Chebyshev garante que pelo menos 1-1/4=0{,}75 (ou 75\%) da massa está dentro de 2\sigma da média — independentemente da distribuição.

Passo 6

Exemplos numéricos e comparação com regras usuais.
  • Para k=1: \mathbb{P}(|X-\mu|<\sigma)\ge 1-1=0. Ou seja, Chebyshev não garante nada útil para k=1 (limite trivial).
  • Para k=2: \mathbb{P}(|X-\mu|<2\sigma)\ge 1-1/4=0{,}75.
  • Para k=3: \mathbb{P}(|X-\mu|<3\sigma)\ge 1-1/9\approx 0{,}8889 (≈ 88,89%).
    Comparando com a regra empírica normal (68–95–99,7): para uma distribuição normal a probabilidade real é muito maior (por exemplo, ~95% dentro de 2\sigma), então Chebyshev é conservadora — dá uma garantia ampla, válida para qualquer distribuição.

Passo 7

Por que essa relação com \sigma é útil na prática?
  • O desvio-padrão \sigma é uma medida de dispersão em unidades da variável; expressando distâncias em múltiplos de \sigma tornamos a desigualdade interpretável para qualquer escala de dados.
  • Chebyshev fornece uma garantia mínima universal: mesmo sem saber a forma da distribuição, você sabe que pelo menos uma proporção 1-1/k^2 da população está dentro de k\sigma da média.
  • Isso é usado em limites de confiança não paramétricos, em análise de outliers conservadora e em provas teóricas onde não se pode assumir normalidade.

Passo 8

Quando a desigualdade é “apertada” (ou seja, quando a igualdade pode acontecer)?
A igualdade na etapa de Markov (e, portanto, em Chebyshev) pode ser atingida: considere uma variável que toma valor \mu com probabilidade 1-p e toma \mu+a e \mu-a cada um com probabilidade p/2. Então:
  • A média é \mu (simetria).
  • A variância é \mathbb{E}[(X-\mu)^2]=p a^{2}.
    Escolhendo p=\sigma^{2}/a^{2} (ou, em termos de k, p=1/k^{2}) obtemos exatamente \mathbb{P}(|X-\mu|\ge a)=p=\sigma^{2}/a^{2}. Logo, a desigualdade pode ser atingida por distribuições bem degeneradas (massa concentrada na média e simetricamente em \mu\pm a). Isso explica por que Chebyshev é otimista na forma de garantir apenas um limite inferior: há distribuições que saturam essa cota.

Passo 9

Resumo prático e mental para a prova (como lembrar e usar rápido)
  • Fórmula rápida: para k>0,
\mathbb{P}\big(|X-\mu|\ge k\sigma\big)\le \frac{1}{k^{2}} \quad\text{ou}\quad \mathbb{P}\big(|X-\mu|< k\sigma\big)\ge 1-\frac{1}{k^{2}}.
  • Use quando você não conhece a forma da distribuição mas conhece (ou pode estimar) a média e a variância.
  • Lembre: é conservadora — para distribuições com caudas leves (como a normal) o verdadeiro conteúdo dentro de k\sigma é bem maior do que a cota de Chebyshev.

Resposta

\text{O Teorema de Chebyshev: para qualquer }X\text{ com média }\mu\text{ e variância }\sigma^{2}<\infty\text{ e todo }a>0,éâ
\mathbb{P}\big(|X-\mu|\ge a\big)\le \frac{\sigma^{2}}{a^{2}}.
\text{Em particular, para }a=k\sigma\\ (k>0)\text{ vale }
\mathbb{P}\big(|X-\mu|\ge k\sigma\big)\le \frac{1}{k^{2}}\quad\text{ou}\quad \mathbb{P}\big(|X-\mu|< k\sigma\big)\ge 1-\frac{1}{k^{2}}.
Relação com o desvio-padrão: a desigualdade expressa, em unidades de \sigma, um limite universal (independente da forma da distribuição) para a probabilidade de ocorrerem desvios grandes da média; é uma garantia conservadora e válida sempre que \sigma^{2} for finita.

Exercícios relacionados