EstatDescritiva Probabil PDF

Estatstica descritiva e probabilidades
Metodos Numericos e Estatsticos

Parte II-Metodos Estatsticos
Lusa Morgado
Lic. Eng. Biomedica e Bioengenharia-2009/2010
Lusa Morgado
Podemos dividir a Estatstica em duas areas: estatstica indutiva

(ou inferencia estatstica) e estatstica descritiva.
Estatstica indutiva
Se uma amostra e representativa de uma dada populacao,
conclusoes importantes sobre a populacao podem ser inferidas
atraves da analise da amostra.
Estatstica descritiva
a parte da estatstica que procura somente descrever e
E
avaliar um certo grupo sem tirar conclus
oes (ou inferencias)
sobre um grupo maior.
Lusa Morgado
Estatstica descritiva
Fornecido um certo conjunto de dados relativo a uma amostra de

uma populacao, podemos sempre apresenta-los, ou organiza-los de
duas formas distintas:
Recorrendo a graficos e/ou tabelas;
Apresentando medidas de posicao e/ou dispersao.
Os graficos constituem uma das formas mais eficientes de
apresentacao de dados. Enquanto que as tabelas fornecem uma
ideia mais precisa e possibilitam uma inspeccao mais rigorosa dos
dados, os graficos sao mais indicados em situac
oes sempre que se
pretende uma visao mais rapida e facil a respeito das variaveis às
quais se referem os dados.
Lusa Morgado
Distribuic
ao de frequ
encia
A organizacao dos dados em tabelas de frequencias (absolutas
or relativas), obedecem a certas normas e recomendacoes.
Estas normas sao u
teis para que as tabelas possam ser
interpretadas de uma forma simples, clara e rapida. Muito
importante e o facto de que as tabelas tenham significado
proprio, i.e., devem ser compreendidas mesmo quando nao se
le o texto em que estao apresentadas.
Exemplo
Foram anotadas as notas de um exame final de uma disciplina dos alunos de uma
certa universidade . Depois de feita a contagem, os dados foram organizados na
seguinte tabela
Notas
90 a 100
75 a 89
60 a 74
<60
Reprovac
ao por faltas
N
umero de alunos
14
32
50
63
39
198
Lusa Morgado
Pecentagem
7.07
16.16
25.25
31.82
19.70
100.00
Diagrama de pontos
sempre que se pretende apresentar um pequeno conjunto
Util
de dados. Permite ver de uma forma rapida e facil a tendencia
dos dados, assim como a sua distribuicao e variabilidade.
Histograma
Para alguns conjuntos de dados o n
umero de valores
observados e tao elevado que se torna inevitavel o seu
agrupamento pos classes.
Lusa Morgado
Exemplo
O barulho
e medido em decib
eis (dB). Um decibel corresponde ao nvel do som mais
fraco que pode ser ouvido num local silencioso por algu
em com boa audic
ao. Um
sussurro corresponde a cerca de 70dB, um r
adio em volume alto cerca de 100dB.
Acima dos 120dB, h
a desconforto para os ouvidos. O dados abaixo correspondem aos
nveis de barulho medidos em 36 hor
arios diferentes num determinado local.
82 89 94
110
74
122
112
95
100
78
65
60
90 83 87
75
114
85
69
94
124
115
107
88
97 74 72
68
83
91
90
102
77
125
108
65
Para agruparmos este conjunto de dados em classes, surge imediatamente uma
primeira quest
ao: quantas classes?
Na pr
atica, o n
umero de classes
e muita das vezes escolhido, fazendo a raz quadrada
do n
umero de observac
oes. Assim sendo, neste caso, teramos 6 classes. O menor
valor observado
e 60, o maior
e 125, pelo que a amplitude de cada classe poderia ser
. Podamos ent
ao construir a seguinte tabela de frequ
encias
obtida a partir de 12560
6
classes
[60, 71[
[71, 82[
[82, 93[
[93, 104[
[104, 115[
[115, 126[
frequ
encia absoluta
5
6
10
6
5
4
Lusa Morgado
Se pretendessemos outras informac

oes, poderamos aumentar a tabela, incluindo
outros tipos de frequ
encia, como por exemplo, a frequ
encia relativa e/ou as
frequ
encias acumuladas.
classes
[60, 71[
[71, 82[
[82, 93[
[93, 104[
[104, 115[
[115, 126[
freq. abs.
5
6
10
6
5
4
freq. abs. acumulada

5
11
21
27
32
36
freq. relat.
freq. relat. acumulada
5
36
6
36
10
36
6
36
5
36
4
36
5
36
11
36
21
36
27
36
32
36
O histograma pode ser feito a partir das frequ

encias absolutas ou relativas,
acumuladas ou n
ao, de cada classe, basta para tal indicar correctamente o que seria
usado no eixo vertical.
Lusa Morgado
No scilab, a execuc
ao do comando histplot(n,x,normalization=% f), onde n = 6
eo
n
umero de classes e x = [82 89 94 108 65]
e o vector que cont
em os dados
observados, devolve o seguinte histograma das frequ
encias absolutas.
10
9
8
7
6
5
4
3
2
1
0
60
70
80
90
Lusa Morgado
100
110
120
130
Medidas de posicao
Media aritmetica
Dado um conjunto de n valores numericos, x1 , x2 , . . . , xn , a
media aritmetica desses valores, representa-se por x e dada
por
Pn
xi
x = i=1
n
Exemplo
Determinemos a media do seguinte conjunto de dados do exemplo
anterior. Ora
x =
82 + 89 + 94 + 110 + + 125 + 108 + 65

= 90.7
36
No scilab, basta executar o comando mean(x).
Lusa Morgado
Em alguns casos, queremos determinar a m

edia de um conjunto de dados organizados
numa tabela de distribuc
ao de frequ
encias, indicando para cada valor distinto de xi ,
i = 1, . . . , k, a respectiva frequ
encia absoluta fk . Nesse caso a m
edia ser
a dada por
Pk
i=1 xi fi
x =
,
n
P
onde n = ki=1 fi .
Exemplo
A seguinte tabela fornece informac
ao acerca da idade de jovens que a uma
determinada hora frequentam um dado caf
e:
Idade
Freq. Absoluta
15
2
16
5
Neste caso, a m
edia
e dada por
17
11
18
9
19
14
20
13
x =
2 15 + 5 16 + 11 17 + 9 18 + 14 19 + 13 20
= 18.24.
54
Se a tabela est
a organizada por classes, ent
ao para o c
alculo da m
edia devemos
substituir cada classe pelo seu ponto m
edio e calcular a m
edia como descrito acima.
Lusa Morgado
Mediana
o valor interm
E
edio do conjunto de dados, cujos n valores est
ao dispostos em
ordem crescente.
Se n for mpar, a mediana ser
a o valor que ocupa a posic
ao n+1
; se n for par,
2
a mediana ser
a a m
edia aritm
etica dos valores que ocupam as posic
oes n2 e
n
+
1.
2
Exemplo
Determinemos a mediana do conjunto de dados do exemplo anterior. Como n = 54
e
par, a mediana ser
a a m
edia dos valores que ocupam as posic
oes 27 e 28. Portanto a
mediana ser
a o valor 18.5.
No scilab, depois de definido o vector que cont
em os dados,
x = [15 15 16 16 16 16 16 17 . . . 20]
basta executar o comando median(x).
Moda
o valor que ocorre com maior frequ
E
encia.
Exemplo
No exemplo anterior, a moda ser
a o valor 19, uma vez que
e o valor que ocorre mais
vezes na distribuic
ao.
Lusa Morgado
Medidas de dispersao
Estas medidas sao u
teis para complementar as informacoes
fornecidas pelas medidas de posicao. Descrevem a variabilidade
ocorrendo no conjunto de dados.
Variancia
A variancia amostral de um conjunto de dados x1 , x2 , . . . , xn ,
e definida por
Pn
(xi x)2
2
= 1=1
n1
Exemplo
A vari
ancia do conjunto de dados
3
2
e dada por
4
2
(36) +(46) +(66) +(76) +(107)

4
No scilab, define-se o vector dos dados, x = [3
Lusa Morgado
10
= 7.5
4
10], e faz-se variance(x).
Desvio padrao
O desvio padrao amostral de um conjunto de dados
x1 , x2 , . . . , xn , e definido por
s
Pn
)2
1=1 (xi x
2
= =
n1
No exemplo anterior, =
comando st deviation(x).
7.5 = 2.7386. No scilab executa-se o
Amplitude
A amplitude amostral de um conjunto de dados x1 , x2 , . . . , xn ,
e a diferenca entre o maior e o menor valor observado.
No exemplo anterior, a amplitude e 10 3 = 7. Paro o calculo no
scilab, faz-se max(x)-min(x).
Lusa Morgado
Nocoes basicas de probabilidade

Experiencia aleatoria (E.A.)
Chama-se experiencia aleat
oria a toda a experiencia cujo resultado exacto e desconhecido antes da sua realizacao.
Exemplo
E.A.1: Registo do n
umero de recem-nascidos num grupo de
dez com peso à nascenca superior a 3.5Kg;
E.A.2: N
umero de novos casos de sida num dado ano num
certo pas;
E.A.3: Medicao da concentracao de di
oxido de carbono num
recinto fechado.
Lusa Morgado
Espaco de resultados
o conjunto de todos os resultados possveis de uma exE
usualmente, representado por . Pode
periencia aleatoria. E
ser discreto (no caso de ser um conjunto finito ou infinito numeravel) ou contnuo (no caso em que e um conjunto infinito
nao numeravel).
Exemplo
No exemplo anterior:
E.A.1: = {0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10} discreto (finito);
E.A.2: = {0, 1, 2, 3, . . . . . .} ; discreto (infinito numeravel)
E.A.3: = R+
ao numeravel) contnuo.
0 (infinito n
Lusa Morgado
Acontecimento
Acontecimento (ou evento) e qualquer subconjunto do espaco
de resultados. O acontecimento A diz-se elementar se for
constitudo por apenas um elemento de ; certo se A = e
impossvel se A = .
Exemplo
Na E.A.1, consideremos os evento
A = nenhum dos recem-nascidos tem peso superior a 3.5kg.
= {0};
B = pelo menos 8 dos recem-nascidos tem peso superior a
3.5kg. = {8, 9, 10}
Lusa Morgado
Acontecimentos disjuntos
Dois acontecimentos dizem-se disjuntos (ou mutuamente exclusivos ou ainda incompatveis) sse A B = , i.e., a realizacao simultanea de A e B e impossvel.
Inclusao de acontecimentos
Diz-se que o acontecimento A esta
acontecimento B, e escreve-se A
Realizacao de A Realizacao de B
Realizacao de B ; Realizacao de A
contido no
B quando
Uma vez que os acontecimentos nao passam de conjuntos,

podemos efectuar operac
oes sobre eventos ja nossas conhecidas.
Lusa Morgado
Operacoes sobre eventos
AB
AB
A\B
A
Realizacao simultanea de A e de B
Realizacao de pelo menos um dos eventos A ou B
Realizacao de A sem que se realize B
Nao realizacao de A
Esta operacoes gozam das propriedades
Lusa Morgado
Associatividade:
(A B) C = A (B C )
(A B) C = A (B C )
Comutatividade:
AB =B A
AB =B A
Distributividade:
(A B) C = (A C ) (B C )
(A B) C = (A C ) (B C )
Idempot
encia:
Absorc
ao:
Modulares:
AA=A
AA=A
AB AB =A
AB AB =B
A=A
A=
A=
A=A
Leis de De Morgan:
AB =A
B
AB =A
Dupla negac
ao: A = A
Lusa Morgado
Probabilidade classica de Laplace

Considere-se uma E.A. com espaco de resultados constitudo por n elementos distintos, em n
umero finito e igualmente provaveis.
Suponha-se ainda que a realizacao do acontecimento A passa
pela ocorrencia de m dos n eventos de .
Entao, a probabilidade de realizacao de A e dada por
P(A) =
m
no de casos favoraveis à ocorrencia de A
=
o
n de casos possveis
n
Exemplo
No lancamento de um dado n
ao viciado, seja A =sada de um n
umero par. Ora
A = {2, 4, 6}, = {1, 2, 3, 4, 5, 6}, logo
P(A) =
Lusa Morgado
3
= 0.5.
6
Probabilidade classica de Laplace

Considere-se uma E.A. com espaco de resultados constitudo por n elementos distintos, em n
umero finito e igualmente provaveis.
Suponha-se ainda que a realizacao do acontecimento A passa
pela ocorrencia de m dos n eventos de .
Entao, a probabilidade de realizacao de A e dada por
P(A) =
m
no de casos favoraveis à ocorrencia de A
=
o
n de casos possveis
n
Exemplo
No lancamento de um dado n
ao viciado, seja A =sada de um n
umero par. Ora
A = {2, 4, 6}, = {1, 2, 3, 4, 5, 6}, logo
P(A) =
3
= 0.5.
6
E se o espaco dos resultados da E.A. n

ao for finito?
Lusa Morgado
Frequencia relativa
Seja N o n
umero de vezes que se realiza sob as mesmas
condicoes uma certa E.A. e seja nN (A) o n
umero de vezes
que o evento A ocorreu nas N experiencias realizadas (i.e.,
nN (A) representa a frequencia absoluta do evento A).
Entao a frequencia relativa do evento A e dada por
fN (A) =
nN (A)
.
N
A frequencia relativa satisfaz as seguintes propriedades

0 fN (A) 1;
fN () = 1;
fN (A B) = fN (A) + fN (B) se A B = ;
fN (A) estabiliza à medida que N aumenta.
Lusa Morgado
Probabilidade frequencista
A probabilidade do evento A e o limite da frequencia relativa
do mesmo:
nN (A)
= lim fN (A)
N
N
N
P(A) = lim
Lusa Morgado
Probabilidade frequencista
A probabilidade do evento A e o limite da frequencia relativa
do mesmo:
nN (A)
= lim fN (A)
N
N
N
P(A) = lim
E se a E.A. nao se puder realizar mais do que uma vez?
Lusa Morgado
-algebra de eventos
E uma coleccao nao vazia de eventos, A, que satisfaz

A;
A A A A;
Se Ai A, i = 1, 2, . . ., ondeS{A1 , A2 , . . .} e um
conjunto numeravel , entao +
i=1 A.
Exemplo
1
A1 = {, };
A2 = P(), i.e., a coleccao de todos os subconjuntos de .
Lusa Morgado
Funcao de probabilidade no sentido de Kolmogorov
E uma funcao P : A [0, 1] que satisfaz os seguintes axiomas

P() = 1;
0 P(A) 1,
A A;
Se {A1 , A2 , . . .} e um conjunto contavel de eventos

mutuamente exclusivos de A (Ai Aj = , i 6= j), entao
! +
+
[
X
P
Ai =
P(Ai )
i=1
Lusa Morgado
i=1
P() = 0;
P(A) = 1 P(A);
A B P(A) P(B);
P(B \ A) = P(B) P(A B)
Um dado evento A 6= diz-se quase certo se P(A) = 1.
Um evento A diz-se quase impossvel se P(A) = 0.
Lusa Morgado
P(A B) = P(A) + P(B) P(A B)

Dem.:
P(A B) = P[(A \ B) (A B) (B \ A)]
= P(A \ B) + P(A B) + P(B \ A)
= [P(A) P(A B)] + P(A B) + [P(B) P(B A)]
= P(A) + P(B) P(A B)
Lusa Morgado
Probabilidade condicionada
A probabilidade do evento A condicionada pela ocorrencia do
evento B e dada por
P(A|B) =
P(A B)
,
P(B)
desde que P(B) 6= 0.

Exemplo
Na extracc
ao de uma carta de um baralho com 52 cartas (13 de cada naipe), qual a
de copas, sabendo `
probabilidade dessa carta ser o As
a partida que a carta extrada
era de copas?
Considerando os eventos
1
de copas, cuja probabilidade
A = sair o As
e P(A) = 52
.
B = sair uma carta de copas, cuja probabilidade
e P(B) = 13
52
A probabilidade pedida
e dada por
P(A|B) =
P(A B)
P(A
=
=
P(B)
P(B)
Lusa Morgado
1
52
13
52
1
.
13
Como P(|B) e uma funcao de probabilidade no sentido de

Kolmogorov, entao
1
P(|B) = 1;
0 P(A|B) 1, A A
Sendo {A1 , A2 , . . .} e um conjunto contavel de eventos

mutuamente exclusivos de A, entao
" + ! # +
[
X
P
Ai |B =
P(Ai |B).
i=1
Lusa Morgado
i=1
Lei das probabilidades compostas

Sendo {Ai }i=1,...,n uma coleccao de n eventos tal que P(Ai ) > 0 e
P(A1 A2 . . . An1 An ) > 0, entao
P(A1 A2 . . . An1 An )
= P(A1 ) P(A2 |A1 )

P[A3 |(A1 A2 )]
. . . P[An |A1 A2 . . . An1 ].
Esta lei e u
til sempre que pretendermos calcular a probabilidade de
sequencias de eventos em experiencias aleat
orias.
Lusa Morgado
Exemplo
Considere-se um lote de 100 molas de um sistema de suspensao
automovel. Destas, 20 sao consideradas defeituosas (D) por
violarem a lei de Hooke quando se aplica uma forca superior a
35 104 N. Extrairam-se uma a uma, sem reposicao, tres molas
deste lote. Determinemos qual a probabilidade das 3 molas
extradas nao serem defeituosas.
Para tal consideremos o evento
D1 D2 D3 =1a , 2a e 3a molas nao defeituosas.
A probabilidade pedida e entao dada por
P(D1 D2 D3 ) = P(D1 ) P(D2 |D1 ) P[D3 |(D1 D2 )]
80
80 1
80 1 1
=
100 100 1 100 1 1

80 79 78
=
100 99 98
Lusa Morgado
Particao de
Uma coleccao de n eventos P = {Ai }i=1,...,n diz-se uma
particao de sse
Ai Aj = , i 6= j;
Sn
i=1 Ai = ;
P(Ai ) > 0, i = 1, . . . , n.
Lei da probabilidade total
Seja B um evento e P = {Ai }i=1,...,n uma particao de . Entao
P(B) =
n
X
P(B|Ai )P(Ai ).
i=1
Lusa Morgado
Exemplo
Testes realizados em dois dispositivos (A e B) de retenc
ao de criancas em autom
oveis,
revelaram que, em caso de acidente grave, o dispositivo A
e eficaz em 95% dos casos,
enquanto que o dispositivo B
e eficaz em 96%. Adimitindo que no mercado s
o
passar
ao a existir estes dois tipos de dispositivos, instalados em autom
oveis
exactamente na mesma proporc
ao, calculemos a probabilidade do dispositivo de
retenc
ao instalado num autom
ovel seleccionado ao acaso vir a ser eficaz em caso de
acidente grave.
Resumindo
Evento
probabilidade
A =dispositivo do tipo A
P(A) = 0.5
B =dispositivo do tipo B
P(B) = 0.5
E =dispositivo eficaz em caso de acidente grave (DEAC)
P(E ) =?
E |A =DEAC dado que
e do tipo A
P(E |A) = 0.95
E |B =DEAC dado que
e do tipo B
P(E |B) = 0.96
Pela lei da probabilidade total, a probabilidade pedida
e ent
ao dada por
P(E ) = P(E |A) P(A) + P(E |B) P(B) = 0.95 0.5 + 0.96 0.5 = 0.955
Lusa Morgado
Eventos independentes
Dois eventos A e B dizem-se independentes (e denota-se por
A q B sse
P(A B) = P(A) P(B).
Lusa Morgado
Sendo A e B dois eventos independentes tais que P(A) > 0 e

P(B) > 0, entao
P(A|B) = P(A);
P(B|A) = P(B);
I.e, o conhecimento de B nao afecta a reavaliacao da

probabilidade de A e vice-versa.
Sejam A e B dois eventos tais que
AB =
P(A) > 0 e P(B) > 0.
Entao A e B nao sao independentes.

Para qualquer evento A tem-se
A q ;
A q .
Se A e B sao independentes, entao

A q B;
A q B;
A q B.
Lusa Morgado
Teorema de Bayes
Seja B um evento e P = {Ai }i=1,...,n uma particao de . Entao
P(Ai |B) =
P(B|Ai )P(Ai )
.
P(B)
Recorrendo à lei de probabilidade total, podemos ainda escrever

P(B|Ai )P(Ai )
.
P(Ai |B) = Pn
j=1 P(B|Aj )P(Aj )
Exemplo
Retomando o exemplo anterior, calculemos a probabilidade de o dispositivo ser do tipo
A sabendo que foi eficaz em caso de acidente grave.
Considerando o evento
A|E =dispositivo do tipo A dado que foi eficaz em caso de acidente grave,
a probabilidade pedida
e dada por
P(A|E ) =
0.95 0.5
P(E |A)P(A)
=
= 0.4974.
P(E )
0.955
Lusa Morgado

EstatDescritiva Probabil PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

EstatDescritiva Probabil PDF

Enviado por

Direitos autorais:

Formatos disponíveis

Estatstica descritiva e probabilidades

Metodos Numericos e Estatsticos

Lic. Eng. Biomedica e Bioengenharia-2009/2010

Estatstica descritiva e probabilidades

Estatstica descritiva e probabilidades

Podemos dividir a Estatstica em duas areas: estatstica indutiva

Estatstica descritiva e probabilidades

Estatstica descritiva e probabilidades

Fornecido um certo conjunto de dados relativo a uma amostra de

Estatstica descritiva e probabilidades

Estatstica descritiva e probabilidades

Estatstica descritiva e probabilidades

Estatstica descritiva e probabilidades

Estatstica descritiva e probabilidades

Estatstica descritiva e probabilidades

Estatstica descritiva e probabilidades

Estatstica descritiva e probabilidades

Se pretendessemos outras informac

freq. abs. acumulada

freq. relat. acumulada

O histograma pode ser feito a partir das frequ

Estatstica descritiva e probabilidades

Estatstica descritiva e probabilidades

Estatstica descritiva e probabilidades

Estatstica descritiva e probabilidades

82 + 89 + 94 + 110 + + 125 + 108 + 65

No scilab, basta executar o comando mean(x).

Estatstica descritiva e probabilidades

Estatstica descritiva e probabilidades

Em alguns casos, queremos determinar a m

Estatstica descritiva e probabilidades

Estatstica descritiva e probabilidades

Estatstica descritiva e probabilidades

Estatstica descritiva e probabilidades

(36) +(46) +(66) +(76) +(107)

No scilab, define-se o vector dos dados, x = [3

10], e faz-se variance(x).

Estatstica descritiva e probabilidades

Estatstica descritiva e probabilidades

7.5 = 2.7386. No scilab executa-se o

Estatstica descritiva e probabilidades

Estatstica descritiva e probabilidades

Nocoes basicas de probabilidade

Estatstica descritiva e probabilidades

Estatstica descritiva e probabilidades

Estatstica descritiva e probabilidades

Estatstica descritiva e probabilidades

Estatstica descritiva e probabilidades

Estatstica descritiva e probabilidades

Uma vez que os acontecimentos nao passam de conjuntos,

Estatstica descritiva e probabilidades

Estatstica descritiva e probabilidades

Operacoes sobre eventos

Esta operacoes gozam das propriedades

Estatstica descritiva e probabilidades

Estatstica descritiva e probabilidades

Estatstica descritiva e probabilidades

Estatstica descritiva e probabilidades

Probabilidade classica de Laplace

Estatstica descritiva e probabilidades

Estatstica descritiva e probabilidades

Probabilidade classica de Laplace

E se o espaco dos resultados da E.A. n