"Eu ndo costumo me arrepende, eto, pense sobre ist por ticaca na faculdade eu ach.” Mat Lin, xurdado oo Papal fundaor sm empo. vera ter apeendido multo mats sce estatls- do, Fase da semana do website a American Statist Assodaton 23 nox, 2010 "sempre dige que os empregos mais atrzentes dos pesos 10 anos enwolverdo esata, e uno estou brincando.” aaa, sconomschefe do Googe, 6 ago, 200, Me Non Yr ines Introdugdo (0s concetes# todos estatistcns no so apenas ieis, coma também indispensdves na comnpreensé do mundo {20 nosso redr. Els formecer melas de obtencéo de novas percepgGes no que di espeito 20 comportamento de civersos fendenos que voc® encontraré em seu campo de especialzacdo em engenhatia ou itnca A discplna de estatstica nos ensina a fazer julgarentosintigentes e a tomar decisies na presenca de in- cartezase variagées. Sem incetezas ou variagdes,havera pouca necessidade de estatistcos ou métodos estat 2s, Se cada componente de determinado tino tvesse exctamente o mesmo tempo de vida, se todos as resistores produces por um determinadofatrcantetvessem o mesmo valor de resistncla, se as determinacbes de pH de especies de sole de um local determinado fomecessem resutados idntics,e assim por diane, ento, uma tnica ‘observacéo revelaria todas as informagées desejadas, Uma manifestacéo interessante de vaiacBes.surge ao longo da realizacdo de testes de emiss6es em veiculos automtves Os requisites de custas e tempo do Procedimento de Teste Federal (FF, sila em inglés) impedem seu so generlizado em programas deinspecéa veicular Como resultado, muitas agincias desenvoleram testes mals répidos ebaratos, que, espera-se,reproduzam os resultados do FTP. De acordo com 0 atiga de periéico "Motor vehicle emissions variability" (1, ofthe A and Waste Mame. Assoc, 1996: 667-675), a acltagda do FTP como um ppadrdo universal leva & crenca de que medidas repetidas no mesmo veiclo terdo resultados i8nticos (ou quase idénticos). Os autores do artigo apicaram 0 FTP a sete velulos caracterizados como altos emissores”. Sequem 0s resultados de um dos velculos: HC(omvmiha) 138 183 32,2 32,5 COGmimifha) 118 149232236 ‘Avariagéo substanclal nas medidas de HC e CO lange dvidas considerdvels sobre a sabecoria popular e dif alta @ elaboragSo de avaliagées prciss sobre nivels de emisses. Como.as tcnicas estatistices podem ser usadas para obterinforacGes e tra corclustes? Suponha, por exer- plo, que um engenheira de materials tenfa deservovido um revestimento para reterdar a corrosdo em tubulagdes de metal sob crcunstancias espeicas. Se esse revestimento for aplicado a diferentes segmentos do tubo, varia- Bes nas condigBes ambientalse nos prSpri Segments rsultardo em uma corto malor em alguns segmen- tos do que em outros. Os métodos de andlse estatstica podem ser usados nos dados de um experimento como se para decir se a quantidade mee de corosao excede um limite superior espectico de algum tipo ou para prever a quantidade de coroséo que ocarreré num Unico tubo Como altematva, suponha que o engenheiro tenha desenvolvid tal revestimento acrditando que el seré su peor acueleusado atualmente, Um expeimento comparativo pace ser efetuado para investgar essa questo apli- cando-seo revestimento atual a alguns segmentos do tubo e 0 now a outros. 80 deve ser ‘lta com culdado, para2 Probabilidade e estatstica para engonharia@ cénclas que no sur uma conclusSo erada. Por exemplo:talvez a quanticade méca de corrosdo sea idéntica para os dois revestimentos Entretanto 0 nove revestimento pode ter sido aplcado a segmentos que possuem uma cepacidade superior de resisténca &cortosdo e sob condices ambentas menos sever, se comparados aos segmentos econ dicées do revestimento atual, 0 investigador provavelmente observaria, entéo, uma diferenca causada ndo pelos prdpriosrevestimentas, mas por verlagSes externas. A estasticaoferece métodos no somente pare analise ds suitados de experimentos depois que foram executados, coro também sugestdes de como os experimentos devem ser executados de forma efciente a fi de diminui os efeitos das varlagiese ter melhores chances de produzir con- clustes conetas, 1.1 PopulagGes, amostras e processos Engenbieiros ¢ cientistas esto constantements expostos a conjuntos de fatos ou dados, tanto em suas car. reiras como em suas atividades didrias. A disciplina de estatistica fornece métodios para organizar e sin- tetizar 0s dados etirar conclusGes com base em informagdes contidas nos dados. ‘Uma investizagio frequentemente se concentra em uma coleeo bem definida de objetos que cons- tituem uma populagio de interesse, Em um estudo, a populagso pode consistir em todas as cépsulas de gelatina de determinado tipo produzidas durante um perfodo especifico. Outra investigagdo pode eavol- ‘yer a popuilagio que consiste em todos os individuos que receheram ura dipioma de engenbaria durante ‘0 ano académico mais recente. Quando as informagdes desejadas estiverem dispontveis para todos as ob- jetos da populagdo, temos 0 que ¢ denominado censo, Restrigdes de tempo, dinheiro ¢ outros recursos cescassos geralmente tornam um censo impraticével ou invidvel. Em vez disso, um subconjunto da po- pulagiio ~ uma amastra — ¢ selecionado de uma forma prescrita. Dessa maneira, podemos obter uma ‘amostra de mancais de determinada produgdo como base de investigagao da conformidade dos manceis ‘com as especificagdes do fabricante, ou podemos selecionar uma amostra dos formandos em engenha- ria do ano anterior para obter um retorno sobre a qualidacle dos curriculos. Nés estamos geralmente interessados apenas em determinadas caracteristicas dos objetos em uma po- ppulagdo: o niimero de falhas na superficie de cada invblucro, a espessura de cada parede da cépsula, 0 sexo de um formando em engenharia, aidade com que um individuo se formou ete. Uma caracteristica ‘pode ser categériea, como sexo ou tipo de defeito, ou pode ter natureza numérica, No primeiro caso, © valor da caracterfstica é uma categoria (por exemplo, ferminino ou solda insuficiente), enquanto no ti timo caso, 0 valor é umn niimero (por exemplo, idade = 23 anos ou diémetro = 0,502 em). Uma vas ‘vel 6 qualquer caracteristica cujo valor pode mudar de um objeto para outro na populagéo. Inicialmente, devemos identificar as variaveis com letras mindisculas do final do nosso alfabeto, Exemplos incluem: ‘marca da caleuladora de um estudante snimero de visitas 2 um website em particular durante um perfodo especifico 12 = distancia de frenagem de um autom6vel sob condigdes especificas (Os dados resultem da observagiio de uma vatisvel ou de duas ou mais variaveis simultaneamente. Um con- Jjunto de dados univariado consiste ema observagées sobre uma Gnica variével. Por exeruplo, podemos de- terminar o tipo de transmissio, automatica (A) ou manual (M), de cada um dentre dez automéveis recen- temente comprades em determinada concessionétia, resultando em um conjunto de dados categsricos MAAAMAAMAA ‘A amostra a seguir de vida til (horas) de haterias da marca D colocadas em determinado uso é um. cconjunto numético de dados univariados: 56 5,1 6.2 6,0 58 65 5.855 ‘Temos dados bivariados quando as observagbes so feitas em cada uma de duas varisveis. Nosso conjunto «de dados pode consistir em umn par (altura, peso) de cada jogador de basquete de um time, coma primeira observagdo como (72, 168), a segunda como (75, 212) ¢ assim por diante. Se um engenheiro determina co valor de x = vida itil do componente e y = razio para a falha do componente, o conjunto de dacios re- sullante serd bivariado, com una variével numérica ¢ outra categ6rica. Os dados multivariades surgem (quando sio feitas ebservagdes sobre mais que uma variével (logo, os bivariados sao um caso especial de ddados rultivariados), Por exemplo, um médico pesquisador pode determinar a pressio sanguinea sisté-ois dade cone relos iste con ons ante ato ica er Faas Visdo gral esttistica dscitva lica, a pressio sanguinea diastélica e o nivel de colesterol sérico de cada paciente participante de um es- ‘tudo, Cada observacZo seria um trio de niimeros, como (120, 80, 146). Em muitos conjuntos de dados mul- tivariados, algumas varidveis so numéricas ¢ outras sio categ6ricas. Dessa forma, a edigdo automotiva ‘anual de Consumer Reports fornece valores de tais variaveis, como tipo do veiculo (pequeno, esportivo, ‘compacto, médio, grande), consumo de combustivel na cidade (milhas/gallo), consumo de combustivel na estrada (milhas/galéo), tipo de tragio (traseira, dianteira, nas quatro rodas) ¢ assim por diante, Ramos da estatistica ‘Um investigador que coletou dados pode simplesmente desejar resumir e descrever suas caracteristicas importantes. Isto implica utilizar métodos de estatistica deseritiva, Alguns destes métodes so de na- tureza gréfica; os principais exemplos incluem a construgao de histogramas, gréficas boxplowse gréticos de dispersio. Outros métodos descritivos envolvem o céleulo de medidas numéricas, como médias, des- vios-padrio e coeficientes de correlacio, A ampla disponibilidade de pacotes de softwares esttisticos fa- cilitou bastante essas tarefas. Os computadores so muito mais eficientes que os seres humanos no cél- culo e na criagdo de imagens (depois de terem recebido as instrugGes corretas do usudrio). Isso significa ue o investigador nai tem de perder muito tempo com “trabalho bragal” e terd mais tempo para esti dar 0s dados.c extrair mensagens importantes. Neste livro, sero apresentados resultados de vérios pa- cotes, como Minitab, SAS, S-Plus e R. O software R pode ser baixado gratuitamente pelo site bup:/iwww.r-projectorg, Exemplo 1.1 A caridade é um negécio sério nos Estados Unidos. O site charitynavigator.com oferece informag6es s0- bye aproximadamente 5 500 organizacSes bencficentes e muitas organizages menores que nfo recebem tanta atengdo. Alguaasinstituigdes de caidade trabalham de forma muito eficients, com amrecadago de fandos ¢ adiministragSo das despeses, que representam apenas uma porcentagem pequena dos gastos to- tais, enquanto outras gastam uma alta porcentagem de seus fundos em taisatividades. Aquiestdo os da- dos das despesas para arrecadao de recursos como uma porcentagem das despesas totais de uma amaos- tra aleatria com 60 institigbes de cara: G1 126 347 16 188 22 30 22° 56 38 22 31 13 11 141 40 210 61 13 204 75 39 101 81 195 52 120 158 104 52 64 10.8 831 36 62 63 163 127 13 08 88 5,1 37 263 60 480 82 17 72 39 153 166 88 120 47 147 64 170 25 162 Sem nenhuma organizagio, ¢ dificil tr nogao das caracterfsticas mais proeminentes dos dados ~0 que pode sor um valor usual (isto 6 representativo), se os valores esto altamente concentrados em torn de um ponto Dlegrana ae Rano @ Folhas fa Arrecadagao de Fundos = 60 Unidade Folha = 1,0 orni1iz222393339366 5sss6sasess7 79888 30 ‘aooiz2224¢ Sse66789 at { § a £ 0 0 9 © 7% 8 90 Arrecadagio de fundos Figura 1.1 Um diagrams de ame falhas no Minitab (iltos decimals trarcadosehistogrema pare os dados do percentual ‘fe aocadagio de fundos, 3Prababildade e estatistica para engenarlae ciéncas use esto dispersos, sc hi lacunas nos dado, que fraco dos valores est abaixo de 20% c assim por diante, ‘A Figura 1.1 mostra o que chamamos de diagrama de ramo e folhas, assim como umn histograma. Na Se- Ho 1.2, discutiremos a construgéo einterpretaco do resumo desses dacos. No momento, esperamios que entenda como as porcentagens so distribuidas cnc os possiveis valores dea 100. evidente que a grande rmaiosia das instiuigSes de caridade da amostra gosta menos de 20% na captagto de recursos e somente al- _gumas porcentagens podem ser vistas como além dos limites da préticasensata. a ‘Com uma amostra da populacdo, um investigador frequentemente usaria essas informagSes para ti- rar algum tipo de conclustio (fazer uma inferéncia de algun tipo) sobre @ populagio, Ou seja, a amostra éum meio para chegar a umn fim e nfo o fim em si. As técnicas de generalizacgo de uma amostra para ‘uma populagio sdo agrupadas no ramo da nossa disciplina denominado inferéncia estatistica. Exemplo 1.2 ‘As investigacdes de resistencia de materiais fornecem um campo tél para a apicagio de métodos esta tisticos.O artigo “Etfects of aggregates and microfllers onthe flexural properties of concrete” (Magazine of Concrete Research, 1997: 81-98) relatou um estudo de propriedades de resistencia de conereto de alto 15", ‘Voce pode construir um histogreros? Exptique. 44. Supoata que, em, vex de os valores 15, 16 17 serem cela: clonados sepacadamente, eles teabam sido combinados em ‘uma categoria 15-17 coma frequéneia £1. Voo8 pode cans- teuir ur histograma? Explique. 19, 0 nvimero de pariculas de contaminagEo de urna pasha de silicio antes de certo processo de limpeza foi determinado para cada pasta em uma amostra de ammanho 100, resultado nes requéecias a segui Nimero depanieuas 0.1 2 3 4 5 6 7 Frequéncia 12 32 1 15 wo Mamero de particulas 8 9 10 IL 12 13 14 Frequéncia pasa i121 18. Que proporgio das pastas da amostra inka ao menos uma. panticula? Ao menos cinco partfculas? 1. Que proporgfo das pastithas da mostra tinka entre cinco © ea purfculas (inclusive)? Estritamente entre cinco e dez particulas? . Desenhe um histograma usando afrequéncia relative no eixo vertical. Como voo8 descreveriao formato do histograma’? 20, 0 artigo “Decermination of most representative subdivision” (Uof Energy Engr, 1993: 43-55) fomeceu dados sobre diver sas caractecitcas de subivises que podiam ser usadas na de- isto de fomecimento de energia via ina subtefineas ou aé- reas, Seguemcs valores da varivel x = comprimento total das runs dentro de uma subvisko: 1280 5320 4390 2100 1240 3060 4770 1080 360 3330 3380 340 1000 960 1320 $30 3350 S40 3870 1250 2400 960 1129 2120 850 2250 2320 2400 3150 5700 5220 $00 1880 2460 $850 2700 2730 1670 100 S770 3150 1890 510 249 396 1419 2109 a. Constr um diagrama de ram e folbas, usando o digito de silbuazes como ramo 20 de centenas como folha comento suas caracteristias, bb. Construa um histograma usando os limites de classe 0, 1000, 2 000, 3.000, 4 000, $ 000 e 6000. Qual proporyio de subdivisdes tem o compeimento total menar que 2.000? Entro2 0006 4 0002 Como voce descreveri o formato do histograms? 21, 0 artigo citado no Exercicio 20 também forneceu os seguin- tes valoces das vasivois: y = niimeros de ruas sem sala © rnimero de intersegoes 010020 1 0 1 3 1 ° 2 3 ° o y y y ‘Construa um histograms dos dados de 7. Que proporyio dessas subsivises no possufa ruas ser salda? Ao menos ‘uma roa sem sald? >. Construa um histograms dos dados de z. Qual propor estas subsivisSes tem, no méximo, cinco intersecgbes? Menos de cinco intersecyies? 22, Como vara a velocidarie de um corredor no curso de wa ma- ratona (uma distincia de 42,195 kom)? Considere a determina. 6¢lo do tempo de corida dos cinco prizpeitos quilémetos © 0 tempo de corida entre os pontos dos quilnetros 35 e 40; sub- tuaia 0 primeiro tempo do tltimo, Um valor postivo dessa di ferengs corresponde a ura coredor que dina seu ritmo 20 ‘inal da corrda. © histograma a seguir ojana pégina seguins) ‘se basela nos tempos de comredores que paniciparam de diver ‘sas maratonus diferentes no Japio ("Factors affecting runners ‘marathon performance,” Chance, Outono, 1993: 2430). (Que caractersticas sa interessuntes nesse histograma? Qual um valor tpico da diferenga? Grosso modo, que proporeio ‘dog marstonitas caren stim etapa mais répido que a pe- meica? 223. Cnsidere os dadios a seguir sobre os tipos de queixas de sade (A= inchago nas articulagbes, F = fadiga, D = dor nas costs, M= fadiga muscular, T = tosse, N = ivtago nasaeoriza, 0 = outros) fits por agricultores, Obtenha as requtecias ¢ a8 | frequénciasrelativas das diversas categorias edesenhe um his tograma. (Os dados so consistentes com as poreentagens for-Histograma do Exercicio 22 Progséncia -100 "0" 100 secidas no artigo “Physiological effects of work tress and pos- Lcide exposure in tree planting by British Columbia sivieulure workers”, Ergonomics, 1993: 951-961.) ° A ° A A A ° ° A |. O conjunto de dados anexo consiste em absecvagies da re- ‘sst@ncis de core (Ib) de soldas de ponto ultrassinicasfetas sobre um determinado tipo de chapa de Alclad. Coastraa um, histograma de frequéncia relativa com base em 10 classes de ‘mesma amplitude com limites 4 000, 4 200. [0 histograma ‘enincide com o mostrado em “Comparison of properties of Joints pregured by ultrasonic welding and othec means” VJ. of| Alrcrajt, 1983; 552-556),] Comente es caractersticas, 5434 4948 4521 4570 4990 5702 5241 S112 5015 4659 4806 4637 5670 4381 5083 4886 4599 5288 5299 4818 5260 $055 $828 5218 4859 4780 5908 4609 4772 3133 509s 4618 5089 S518 5333 S16! 5342 5.069 4925 5001 4803 4951, 3679 5256 S621 4918 S138 4786 4500 5461 4974 4592 4173 5296 4965 5170 5173 4568 5653 S078 4900 4.968 525 473 505 5419 $205 4452 5555 5388 5498 4681 5076 4774 4493 5309 5582 4308 48% 4417 5640 5069 51a8 5764 5273 3042 4985 toes cle temperatura de unm determinado tipo so en- os em lotes de 50, Um amostra de 60 otes foi selecionada © ndmero de wansdutores fora das especificagbes em cada fol detecminado, resultando nos dados a sogui: O132053313247023 3113412322845131 2106421603336123 ermine as frequénciase frequéncias reltivas dos valo- beervados de x = mimero de transdutores fora das es- es ex um le Visdo geraleestatisca desattva 28 Diterent 300" 690" 700° sp SPO 200" 300" ato b. Que proporgto de lotes na amostra possui, no maximo, cinco trensdutores fora das especificaghes? Que propria tem menos de cinco? Que proporgio possui no minima cinco unidades fora das especficagdes? «.Desenbe um histograms dos dados, usando a frequéncia re- lativa na escala vertical e comeate suas caacteristicas 26. A difragdo automatizade de elétrons retroespalhados jf est sendo utilizada no estudo de fenémenos de fraura, As s2- ‘guint informagbes sobre desorientagio de ngulos (graus) ‘oi extraida a partic do artigo "Observations onthe facoted ini- tiation site in the éwell-atigue tested Ti-6242 Alloy: erystal- lographic orientation and size effects" (Metallurgica and Ma- terials Trans, 2006: 1507-1518). Clase: OFS SIO. «WEIS. 1S #20 Freaqrel: 0171 0166 0,175, 0,136 Classe: 2030 30F40 46D 6-90 Freqret: 0,194 0078 0.044 0,00 44.1 verdade que mais que 50% dos Angulos de amostea sf0 rmenores que 15°, como afirmado neste artigo? be. Qual propargo de Angulos de amosira& de pelo menos 30°? «. Aproximdamente qual a proporcio de fngulos entre 10° ps 4, Construa um histograma de frequéncia clativa e comente as caracteristicasinteressantes, 27.0 artigo “Study on the life distibution of microdils” (J. of Engr. Manufacture, 2002: 301-305) informou as observagies seguir, relacionadas em ordem crescente, da vida ttl das bro- cas (rere de furos que um broca faz ates de quebrer), {quando 08 furos sto feitos em determinada liga de bronze. Ml 1¢ 2% 23 31 36 39 44 47 50 9 6 & OF OR TM 6 BD 81 8 8 89 91 93 96 99 101 104 105 105 112 118 123 136 139 141 148 158, 161 168 184 206 248 263 289 322 388 513, a, Por quo urna distibuigfo de frequéncia nfo pode ter por ‘ase os intervalos de classe 0-50, 50-100, 100-150 e wssim por diante? >, Constran uma distibuigdo de frequéncia ¢ um histograma ‘dos dados usando limites de classes 0, 50,100, . , ent, {aga comentirios sobre as caracteristicas interessante,” 28, 29. Probabilidade e estatistica para engenhariae ciéncias . Construa una distbigdo de fequéncia ¢ um histograme dos logaritmas nurs relacionados bs observages de vida ‘ttle comente as caracteristicas interessantes. 4. Que proporgio das cbservagles de vida did dessa amostca inferior a 100? Que proporsio das observagdes 6 igual ou ‘maior que 200? ‘As medigdes em seres humanos oferecem uma drea rica para ‘a aplicaglo de métodos estatisticos. O artigo “A longitudinal study of the development of elementary school children's pri- ‘ate speech" (Merrill Palmer Q., 1990: 443-463) relatou um cstudo com crianzas que conversazm corsigo mesias (Tala ego- ‘ntica). A fale egocsntrca est relacionada eo QI, pois este supostamente mede a maturidade mental c tende & diminuir ‘com o desenvolvimento escolar da crianga. © estudo incluin 0 Olde 3 estudantes da peé-escola mostrados absino: 82 96 99 102 103 103 106 107 108 108 108 108 109 110 140111 113 113 119 113 115 115 118 118 119 121 122122 127 152 136 140 146 Desoreva oédadose camente sobre algunas caractristicasin- teressantes. ‘Oartigo “Statistical modeling of the time course of tntrum an- ger" (Annals of Applied Stats, 2009: 1013-1034) discutin ‘como a nteasidad dos acestos de raiva infantis pode estar 31. 2 utecia ej enbida ia externa coquenda, sega pea ct- teqoria com a segunda maior frequéncae asim por dant, Su ponha quo as informagdes a seguir team sido obtidas sobre ‘lo conformidades em pacotes de cicuitos: componentes com fala, 126; compontatesincortos, 210 olds insu cientes, 67; sodas em excess, 54; falta do components, 131, Construa um eiagrama do Pareto, ‘A Srequinela acumolada © a fequtacia relatva acumulada 4e determinado interval de classe so a soma das frequtncns oe frequincias celatvas,respectivamente, deste intevaloe de todos os insrvalesabaixo dele. Se, por exemplo,bouverqua- to intervals com frequdacias 9, 16 13 ¢ 12, as requéncas cumblads serio 9, 25,38 250 6 a frequincisrelatias ac tnulads sero 0,18, 050, 0,76. 1,00. Calouloas requéncins acumulagss a equfncin relaivas acumuladas para. 08 dt dos do Exeotcio 2 ‘Uma carga de incénio (Min?) a energa tema que pode serliberada po meto quadrad de dea de piso pela combus- to de seu coteido eda esruture em si. O artigo “Fire loads in office baildngs” (J. of Structural ngr, 1987, p. 365368) omoceu as sepuines porceatagens acamladas(idas de um rico) relatives acargs de ncndin emma amestr de 388 sala lacionada com a dhuragio, bem como com os indicadares com- Valor o 1s0 3 480 a ais como grit, estapear ¢ empurras ou puxar acumulada «019337667 77S io de frequéncia (tam Valor 750 900 1050 1200 1350 bbémo histograma correspondents) Gacumuloda 87,2. «3B 95,7 986991 Oz 16 0 2h 920 AEH TL Valor 1500 1650 1800 1950 1120: 26 F307 BEM Gacumuada 99,5 99,6 99,8 100.0 Cie ohistograma e comente suas caraterstcasintereseanes Ae reams aConstunum hitgama de eqn elaine comene | as cancteritcas interessante. i para dados categéricosresultantes de um estudo de controle de = “ pariae! hula, Cadseagora epesentauntgo dents denso Que Poporo du crgs inca ¢ nein « 67 | onformidade de prodnto problema de pode. As cae ior ou igual a | confide de room lems de rin ASE” .Que propre exten 61002 : 1.3 Medidas de localizacgao Os resumos visuais de dados so excelentes ferramentas para obter impresses e ideias iniviis, Una and- i lise mais formal de dados frequentemente exige o célculo e a interpretagio de medidas de resumo m- méricas simples. Isto 6, a partir dos dados, tentamos extrairdiversos ndmeros simples, que server para caracterizar 0 conjunto de dados e indica algurnas informagtes considendveis. Nossa preocupagto pria~ cipal secd com os dados numéticos. Alguns comentitios sobre dados categéricos sero apresentados no Bsaq final da secdo. fi | ‘Suporha, entio, que nosso conjunto de dados seja do formato), % fy NO qual cada, seja wm rnimero. Que caracteristicas de tal conjunto de nmeros slo de maior interesse e merecem énfase? Uma caracteristica importante de um conjunto de mimeros 6 sua localizagZo e, em particular, seu centro. Est seglo apresenta métodos de deserigo da localizaglo de um conjunio de dados. Na Seqdo 1.4, apresen: taremos os métodas de medida da dispersio de um conjuato de nimeros. Amédia ‘ou média aritmética do conjunto, Como quase sempre temnos 0s x, constituindo uma amosire, frequent ‘mente chamaremos a média aritmética de média amostral e a representaremos por X.Vso geral«estatistica descrtva ‘A média amostral ¥ das observagies xX 6 dada por qtyticts, j | | fe = (© numerador de pode ser escrito mais informalmente como 3x, em que a soma se dé sobre todas fe as observagies da amostra = Para informar, recomendamos o uso de preciso decimal de um digito a mais do que a preciso dos ® ‘Assim, se as observagGes so as distdncias de parada com x, = 125, xy = 131 e assim por diante, po- ® Ghmos er = 1273 pe e Exemplo 1.14 7 AAs trincas em ago e ferro causadas por fadiga de corrosio céustica foram estudadas era decomténcia de a falhas om rebites de caldeiras de ayo e em rotores a vapor. Considere as observagBes a seguir sobre x = 3) comprimento ditrinca (xm) como resultado de testes de fadige por cortosio devide a curgas constantes oa ‘em amostras de barras de tracdo lisas durante um perfodo de tempo xo. (Os dados sio consistentes com 88 un histograma e as quantidades-resumo do artigo “On the roleof phosphorus inthe caustic stress cor- rosion cracking of low alloy steels", Corrosion Science, 1989; 53-68.) » 3 4596 x= 249 21,2 30,2 a 185 xj9= 103, QTL m= 45,0 7 Ne7 242 x7 = 146 3, = 89 Yay = 118 a, = 28,5 ___ AFigura 1.14 mostra um diagrama de ramo ¢ folhas dos dados. Um comprimento de tinca no inf- fio da faixa dos 20 parece ser “tipica”. ate On | 96 10 iL | 27 03 40 46 18 int | 61 8s WL | 49 4 12 33 42 Ramerdezons 2H | 58 5371 85 Foiha: uate ait Hosteae Aino decimals 3H aL 4H | 50 fa 1.14 Um ciagrama de amo efolna dos dads dos comprimentos de tines, 44,8, a média amostral 6 ba nterpretagosica de ¥ demonstra como ela made a loealizagto (centro) de wna amosta. Ima- eteahar edefiuir a escela em um eixo horizoatal e depois represete cada observago da amostra Beso de ua libra coloeado no ponto comespondente no eixo.O nico panto em que pode serco- Ham apoio para equilibraro sistema de pesos & 0 correspondente ao valor de ¥ (veja a Figura 1.15). 2B—————————— % Probabildade e estatistica para engenariaecitnces Da mesmna forma que ¥ representa o valor médio das observagses de uma amostra, a média de todos os yralores da populaglo pode ser calculada, Esta media & chamada média populacional e ¢ denotada pela Tetra prega 2. Quando existe N valores na populacio (uma populagio finita),ento ss = (Soma dos vae jores Vda populagio)N, Nos Capitulos 3 e 4, fameseremes tuma definigdo mais geral de que se aplica a popalagdes finitas¢ (Conceitualments)infintas. Da mesma forme que # & uma media de localizagio de amostra importante e interessante, z.¢ uma caracterfstica interessante e importante (frequentemente 4 aais importante) de uma populagio, Nos capttalos sobre inferéncia estatistica, spresentaremos méio- dos com base na média amostral para obtenyio de conclusdes sobre uma média popolacional. Por fexemplo: podemos usar a média amostral ¥ = 21,18 caleulada no Exemplo 1.14 como uma estimativa pontual (um Gnico nimero que 6 0 “menor” palpite) de , 0 comprimento médio verdadero de todas ‘as amostras tratadas como deserit. "A mnédia softe de uma deficiéacia que a torna uma medida de centro inadequada sob algumas circuns- tancias: seu valor pode ser bastante afetado pela presenga de um Gnico outlier (uma observagto incom thente grande ou pequena), No Exempla 1.14, 0 valor x_ = 45,0 obviamente € wi outer, Sei esta cb- servaglo, 7 = 399,8/20 = 19,99, ooutler aumenta a média em mais de 1 yum. Se 2 observacio 45.0 um Fosse substitufda pelo valor catastrfico de 295,0 jum, um ouilier realmente extremo, entio, % = 694,8/21 = 33,09, que é maior que todas as abservaqdes, exceto uma! ‘Uma amostra de saldrios frequentemente produz alguns poucos valores aipicos (dos sortudos que pos ssuem um saléri astrondmico) eo uso do salirio médio como medida de localizagio frequentemente seré ilusovio, Esses exemplos sugerem que procuremos uma medida menos sensivel a valores fora da fina Gque Z, assim, proporemos uma momentaneamente, Batretanto, apesar de ter essa falha potencis, ele sire a medida mais usada, em grande parte porque hé muitas populages para as quais um outlier ex tremo na amostra seria altarmente improvivel. Ao obter uma amostra de tal populagdo (a populagdo nor- nal, ou em forma de sino, é 0 exemplo mais importante), a média amostral tenderd a ser estével¢ muito representativ. Amediana [A palovta mediana 6 sindnimo de “neo” ¢ a mediana amostal 6 realmente o valor do meio quando as Soeervagoes sto ondentdas da menor para @ maior. Quando as observagbes so indicadas por utliza-se o simbolo & para representer a mediana amostal. Definigao ‘Amediana amostral é obtida pela ordenagio das n observages du menor para 2 maior (com 0s va- | Towes repetidos incluidos, de forma que cada observagio da amosra soja exibida na lista ordemads) | Entio, | osnico eee eeiy waarmeso (42) vatoronena | gee pa| A iia | deseis ee dois aia ce (2) (+ 1) valor nents Coasen fee Exemplo 1.15 Pessoas nfo familierizadas com a misica cléssica podem acrediter que as instragSes de um composi! para tocar uma determinada pega so to especticas que a drag nfo depende de forma slgums éo Bota. Entretanto, usualmente hé muito espago para interpretacto, ¢ maestros e mdsicos da orquestra tam o maximo proveito disto, O autor Vistou o website ArkivMusic.com e selecionow uma amosiza OR 12 pravagdes da aona sinfonia de Beethoven (0 "Cora", uma obra belissima), produzindo as segvinis duragdes (em minutos) istadas cm ordem erescente: 4 23 O28 636 652 657 664 674 684 688 708 75.7 79.0| Vidopeteettta dentin 2 s | Aquiesté um gritico de pontos dos dads: | » | ore a ; 0 70 8 0 orth Durasto we oF > | 3 Figura 1.16 um ge deportes dos dates do ano 1.15, ro Como n = 12¢ par, a mediana amostral é a média do n/2 = 6° o (W2 + 1) = 7 valores da lista ordenada: : = AEST _ goog be Note que se maior observasio, 79,0, néo tivesse sido inclu(da na amostra, a medians amostral re m sultante para n = 11 observagées restantes seria um nico valor central de 66,4 (0 Lm + 1/2 = 6° io, talor ordenado, isto 6, o 6° valor em cada extremidade da lista ordenada). A média amostral & = Vx, = 816,1/12 = 68,01, um pouco mais que um minuto a mais que a mediana. A média excede s ‘a mediana porque a amostra “estende-se” um pouco mais para a extremidade superior do que para ainferior. & (0s datos no Exemplo 1.15 ilostcam uma propriedade importante de ¥ no contraste com. A mediana ‘amosial € muito insenstvel a outliers, Se, por exemplo, aummentéssemos os dois maiores x, de 75.7 679 ‘pera 85,7 89, espectivamente,¥ nfo seria afetado, Dessa forma, no tratamento de valores de dados fora a faixa, Ye 7 slo extremidades opostas de um espectro, Ambas as quantidades descrevem o local onde ‘os dados so contalizados, mas eles nfo vio, em geral, ser iguais, porque se concentram em diferentes aspectos da amostra ‘De forma andloga, ¥ come valor central na amostra 6 0 valor central da populaso, a mediana po- pulacional, representada por ji. Como acontece com Ze 1, podemos considersr 0 uso da mediana amos- tral ¥ para fazer inferéncias de fi. No Exemplo 1.15, podemos usar = = 66,90 como uma estimativa do “tempo meédio para a populagfo de todas as provagSes. Uma median é fzequentemente usa para des- eover dados de saldrios ou rendimentos (porque ela nao é influenciada por slguns saldrios altos), Se a ‘nediana de uma amostra dos salérios de engenheiros fosse ¥ = $ 66.416,00, poderfamos usé-la como ‘base para concluir que o saldcio mediano dos engenhelros excede $ 60.000,00. ‘A média da populace a mediana ji geralmente nfo sero ints. Sea distribuigdo da popula- tiver desvio positivo ou negativo, conforme ilustrado na Figura 1.16, entio 4 # ji. Quando esse for 0 caso, 20 fazer inferéncias, devernos primeiro decir quais caractrfsticas des populagbes sio de maior inieresse ¢ eno proceder de acondo, od tH _ aE ar Re (9) elinago epatva ) Siméeica (6) etinagoposisva tras medidas de localizacdo: quartis, percentis e médias aparadas ana (populacional ou amostral) divide o conjunto de dados em duas partes de mesmo tamanho, bler melhores medidas de localizayéo, podemos dividir os daclos em mais de duas partes. Grosso quarts dividem o conjunto de dados em quatro partes iguas, sendo que as observagSes acima iro quart constituem o quarto supecior do conjunto de dados, o segundo quartil € idéntico & me £0 primciro quart separa o quasto inferior dos trés quartos superiores. De forma similar, um con- #de dados (amostra ou populagio) pode ser dividido mais detalbadamente usando pescentis; 0 99°i 28 Probabildad eestatistica para engenharae cfncias percent separa 0 1% superior dos 99% inferiores e assim por diante. A menos que o atimero de obser- vvagdes seja tim maltiplo de 100, recomenda-se cuidado na utilizagdo de percents. Usaremos percentis xo Capftulo 4 com alguns modelos de populagbes infinitas, de forma que adiaremos a discuss0 até A média ¢ bastante sensivel a um outlier dnico, enguanto a mediana 6 insenstvel a muitos outliers Como o compartamento extremo dos dois valores é indesejével, consideraremos medidas alternativas que do sejam tdo sensiveis quanto x € nem to insensfveis como ¥. Pare determinar essas altemativas, ob- serve que ¥¢ X sto extremidades opostas da mesma “familia” de medidas, A média 6 a média de todos 0s dados, enquanto a mediana resulta da eliminagio de todos, com excego do valor do meio ou dois va- lores, entlo, no céleulo da média, Parafrascando, a média envolve desprezar 0% de cada extremidade da mostra, enquanto, para a mediana, o maximo possivel & desprezado de cada extremidade. Uma média aparada ¢ algo intermedidrio entre ¥ . Uima média aparada de 10%, por exemplo, sera calculada el- minando-se 03 10% superiores c os 10% inferiores da amostra, obtendo-se, entéo, a média do restants, Exemplo 1.16 A produgdo de Bidri é uma arte tradicional da india. Os produtos de Bids (tigelas, vasos tc.) so fun- didos a partir de uma liga contendo principalmente zinco juntamente com uma carta quantidade de co- | bre. Considere as seguintes observagies sobre 0 teor de cobre (%) de uma amostra de artefetos de Bidrt no London's Victoria and Albert Museum (“Enigmas of Bids", SurfaceEngr, 2005: 333-339), listadas em ordem erescente: 20 24 25 26 26 27 27 28 30 31 32 33 33 34 34 36 36 36 36 37 44 46 47 48 53 101 A Figura 1-18 é um gréfico de pontos dos dado. Ume caracteritica importante & 0 ouilir Gnico na ex- tremidade superior; a distibuigdo ¢ um pouco mais espagada na regio dos valores maiores do que pare 0 valores menores. A média amosial e a mediana s¥o 3,65 € 3,35, respectivamente, Uma média apa- rada com uma porcentagem de corte de 1002/26) = 7,7%, resultado da eliminaglo das duas observa- ges menores ¢ maiores, resulta em: Fyg.7)~ 3,42. O come aqui elimina o maior cutiere, assim, apeo- xima a média eparada da mediana. Figura 1.18 Gréfen de pontos do contetido de cobra do Exerplo 1.16. : ‘Umma média aparada com porcentagem de corte moderada, algo entre 5% e 25%, produriré uma me- dida de centro que no 6 nom tdo sensivel a outliers como a média, nem tio insensivel quanto a median. Se a porcentagem de corte desejada for 100a% e nando for um nimero inteiro, a média aperada deve sex 4 calculada por interpolagio, Por exemplo, considere para a = 0,10 uma porcentagem de corte de 10% ¢ Mead n= 26, como no Exemplo 1,16, Bato, x,» Setia a média ponderada apropriada da média emparada de le 7.7% e a médtia aparada de 11,5%, resultante do corte de tes observagies & partir de cada extremidade. Dados categoricos e proporcées de amostras Quando 0s dads so categsricos, uma distribuigio de frequéncia ou distibuigao de frequéacia relative fomece umn resumo tabular eficiente dos dados. Os indicadores numéicos naturais #80, nessa situagd0, as frequéncias individuais e as frequéncias relativas, Por exemplo: se for feita uma pesquisa com indi vidos que possuem c&meras digits para estudar a peferéneia de marca, cada individvo da amostra iden 3 tficané a marca da cdmera que possui. A partir disso, poderiamos contar as pessoas que possuem apare lnos Canon, Sony, Kodak, e assim por diante. Considere a obtengio de uma amostra de urna popalag30 dicot mica, isto é que consista ern apenas duas Categorias (votoU ou no votou na eleigo passada ou pos sui ou no ume cdmera digital etc.) Se representarmos por x 0 nimero de amostras que sé encaixam 1 categoria |, entdo, o mero na categoria 2 n ~ x. A frequéncia relativa ou proporedo amostral na ce 3 tegoria 1 ¢ xine a proporgdo amostral na categoria 2 é 1 — a/n, Vamos representar uma resposta da car 4Visto gral eestatistca descritva tegoria 1 por 1 ¢ uma resposta da categoria 2 por 0, Uma amostra de tamanho n = 10 pode, entdo, re- 2» is sultac em 1,1, 0,1, 1, 1,00, 1, 1A méia dessa amostra numética é (jf que 0 mimero de ovorréncias A donamero t s ae cae — & = proporgo ammostral 2 5 ‘Mais geralmente, concentrar a atenedo sobre uma determinada categoria e cddigo de amostra re- S| sulta de modo que um 1 & registrado para uma observagdo na categoria eum 0, para wma observagdo Je) gue esteje na categoria. Em suid, proporedo costal de observes na categoria a médias 12 | adeamostra da sequéncia de 1 e 0. Assim, urea média amostral pode ser usa para resumir 0 resulta- _ dos de uma amostra categérica. Essas cbservagSes também se aplicam a situagdes em que a8 categorias so definidas por valores agrupados em uma amostra ou populago mumeéica (por exemplo, podemos que- rer saber se os individuos possuem sou automével atual bé pelo menos cinco anos em vez de estudarmos © tempo exato de posse) 7 ‘De forma andloga ® proporyio amostal xin de individuos ou objetos que esto em determinada ca- . tegoria, epresentemos pot p a proporeo dos individuos da populagio inteira que pertencem & catego- i ra, Como acontece com xin, p € uma quantidade entre Oe 1e, enquanto xin € uma caracterfstica da amos- Pet tra, p € uma caracterfstica da populagdo. A relacdo entre os dois € semelhante & relagao entre ¥ ¢ jc entre: ‘Ee ys. Em particular, usaremos x/n para fazer infexBacias sobre p. Se, por exemplo, uma amostra de 100 proprietiris de carros revelar que 22 possuem seus cartos pelo menos 5 anos, podemos usar 22/100 22. como uma estinativa pontual da proporcio de todos os proprietrios ue possuem o carro hé pelo ‘menos 5 anos. Com k categoria (> 2), podemos usar as proporgdes amostsis de k pare responder a = perguntas sobre as proporgées da populacdo py... Pr o EXERCICIOS Secdo 1.3 (33-43) “33, Acdigao de 1° de maio de 2009 da The Morsclarian infortoa ‘aseguinte quantidade de vendas de casa para uma amostra ce residacias em Alameda, CA, que foram vendidas no més pas- sado (milhares de dlares): 590 BIS 575 608 350 1285 408 S40 555 679 2, Caloule e interprete a média » a mediana amostais, ’.Supona que o 6 valor sea 985 em vez de | 285. Como a ‘édia ea medians midariam’ €-Caleule uma média aparada de 20% cortando primeins mente os dois valores menores © os dois maiores. €. Caloule uma médi sparada de 15%. toxina, pode ter um impacto sobre a vulnerabilidade a doen- ‘1 aldegicas. O artigo “Dust sumpling methods for endotoxin (Indoor Air, 2006: de a @ bre a concentragso de poeira (UE/mg) de uma amosira de do- ‘micflios urbanos © outra amostra de casas em dreas ruruis foram gentilmente cedidas pelos autores do artigo citado. EU: 60 5,0 11,0 33,0 40 5,0 80,0 18,0 35,0 170 23, EF 40 140 11,0 9,0 90 80 40 200 5,0 89 210 92.30 20 03 dem ser compere? Determine a median sos para cade amosta. Como elas peer ser comparsdas? Por gue a mecisna para Arora urbana é ti diferente da mésia para amoste? Calle ametin para pra cade amos excnindoova- © lermenoce o maior. Quis so as perentagens do crt cor “Fepandentes? Como os valores dessa médias apaadas omparam-e s médias e medians comespondestes? £35, Um experimento paca extudar a vida itil em bores) de certo tipo de componente consist em colocar dex componentes em operagio @ obseev-los por 100 horas. Oito dos compo- rests apresentaram falhas neste peviod e esses valores de vida Gil foram registrados. Corsdere os trmpos de vida ti dos dos componentes qu nda fncionam aps 100 horas por 100+, Os valores resultztes foram 48 79 100+ 35 92 86 S7 100+ IT 29 (Que medidas do tondéncia centreldiscuidas neste segto po dln ser calouladas e quis so os valores dessas medidas? {Observagde: os dads deste experiroento so “ensurados& siete” 36, Vint esis uabathasresdepitaformas de petéleo offshore paaiciaram de um exericio de Fuga sila, estado nos ado a seguir (em segundos) pra conciir «fuga *Onygen consumpon and ventilation during escape fom an offshore platform’, Ergonomics, 1997: 281-282 389 356 359 363 315 424 325 304 402 373-313 370 364 366 364 325 329 393 392 369 374 359 356 403 534 397 8. Constua um diagramed rao e flhes dos datos. Como ele sugere que a dia ea median seto comparadas? b. Caleule os valores da médiae de median amstas. (Dic Bx = 9638) c.Fim quanto 0 maior tempo, atalmente 424, poe ser au- mentado som afelar o valor da mediana amostal? Em quanto ese valor pode ser dimiufdo sem afetar 0 valor da smediana amostal? €.Quuis so os vlores de ¢ ¥ quando os velores so ex- restos novamente em rinatos?30 Probabidade e estaitica para engenharae céncias 37, O artigo “Snow cover und temperature relationahips in Not ‘America and Hurasia” (J. Climate and Applied Meteorology, 1983: 460-469) usou técnicas esatisticas para relacionar a ‘quantidade de cobertura de neve em cada continente com & temperatura média continental. Os dados apreseatados in- cura os 10 valores a seguir sobre a cobertura de neve, emt durante os anos de 1970 a 1979 (ex mi- 63 120 149 100 107 79 219 125 Lbs 92 © que voce descreveria como valor caractecition ou repre sentativo da cobertura de neve em outubro para esse perfodo eo que o levon a essa escalha? 38. Os valoces de press sanguinea frequentemente so informs: dos com eproximayo de J mmFlg (100, 15, L10 ete. Supo- ‘tha que os valores eas (sem aproximagéo) de pressio sangul- ea de nove indivfduos selecionads aleatoriamentesejam 1186 127.4 1384 1300 117 1220 1083 1315 1332 1 Qual é a medians dos valoces de pressBo sangusnea infor. ‘mados? », Supona que a press sanguinea do segundo individuo seja 1276 em vea de 127.4 (uma pequena altegio em um “nico valor). Como isso afetaa median dos valores infor- smados? O que isso diz sobre a sensibilidade da mediena 20, arredondamento ou agnupamento dos dados? 39. A presso minima de injegdo (psi) em amostras de moldegem ‘or injosio de milho de alta arifose foi determined para oto ‘amostas diferentes (pressGes mais lias correspondem a maior ifculdade de processamento), esultando nas observagbes a seguir (de “Thesmoplastc starch blends with a polyeehylene- co-vinylaleohol: processability and physicl properties”, Po- Iymer Engr. and Science, 1994: 17-23) 150 130 180 145 120 110 89 80 2. Determine os valores da méia amostral, mediana amostral ‘© média aparacia de 12,59 e compare-os. 'b.Em quanto @ menor observagio da amostra, atalmente 80, pode ser sumentada sem afetar o valor da mediana amostal? . Suponhs que desejemos que os valores da médiae da mediana lamostais sefam expressados em qudogramas por polegada 1.4 Medidas de dispersdo eulando os desvios e depois obtendo os quadacios ot. U: 60 5,0 11,0 330 40 5,0 80,0 180 350 170 23.0 R: 40 140 110 909.0 80 40200 50 89 210 2 30 20 03 | =e Qtesvio prio amostal 8 P oeando 0 método alterativ. twapie de endotoxins na posiraem amostras de domcilios ur AGO antigo “A thin-film oxygea uptake test for the evaluation of __a, Determine o valor do desvio-padria para cada amostrs in- ve crankcase lubricants” (Lubric. Engr, 1984: 75-83) terprets estes valores e, em soguida, a vaiabilidade de con- mou 0s Seguintes dados sobre tempo de cxidagio-indu- traste nas duas amosias.[Dica: 3x, « 237.0 para amos- (ini) par diverts eos comers: BJ 103 130 160 180 195 132 145 211 105 145 tua urbana © 128,¢ para a amostea nical © Dx¥ = 10079 pra a mostra urbana e 1 617,94 para a rural] , Calcul adspersdo entre os quarns para cada amostrae com pare, A dispersio dos quarto tansmite a mesma mensagem sobce a varabiidade que os desvios-padrio? Explique. Os autores citados no artigo também fomeceram concen rages de ndotoxina na poeira de filtros de aspirador de p6 es a seguir da vscosidade estbiliada (CP) para U: 34,0 49,0 13,0 33,0 24,0 240 35,0 104,0 34,0 40.038,0 1,0 de certo tipo de asfalto com 18% de borracha adicio- —R: 2.0640 6,017,035.0 11,017.0 13.0 28,0 10,0 13,0 02 Construa um Boxplor comparativo © use-o como base para ccompurare destacar as diferengas das quatro amostras. 49, Un estuda da relagfo entre idade ¢ diversas fungées visu Como pies psi profundidade)ingormou as se- tes observagSes da fren de léenina escloral (mm) das ca fru do new ico humano CMorphometry of neve fiber ‘bundle pores in the optic nerve head ofthe human”, Experi- ‘mental Eye Research, 1988; 559-568); ,0.27,023.0,38 Probabilidade eestatistica para engenhariae ciénclas 275 262 274 385 234 2.74 393 421 3,88 spertando o anrebrago de um pacients para conter um sang 433: 346 452 243 365 2.78 3,56 3,01 ‘mento. artigo “kwvetigation of grip force, normal fore, con- a.Cslosie Dz Dah tact ares, hand size, and handle size for cylindrical handles” bi Use os valores calculados no item (a) para obter @variin- (Human Factors, 2008: 734-744) incl os seguintes dados da cia amostral # © 0 desvio-padrio amostals forga de proensdo (N) de uma amostra com 42 pessoas 50, Bm 1997, umarnulherprocessouumfabricantedetecladoade «16:18:*18 -26 33 41 54 56 66 68 87 9I 95 ‘computadores, soba ecusacdo de estes poresforgosrepetii- 98 106 109 111 118 127 127 135 145 147 149 151 168 vos causados polo teclado (Genessy vs. Digital Equipment 172. 183 189 190 200 210 220 229 230 233 238 244 259 Corp). pleitoeca de cerca de'3,5 milhSes de délates porda- 294 329 403, 105 sos, mas a cone negoe ese vale, pois slgow ainde- a, Contra um dagrama de amo etolbas com bare novalor ninagdo exigerada. Ao faze essa detenminagio, aco ide Goeaia ame pete Gum ven ecomeate ws crac tificou um grupo “normativo” de 27 casos similares © cas nests eepeciicou como azoivel uma indnizagiolimitada por dois, Cala o velo © disperto dos quatos, { desvos-pacio era relgo mea das indenizaes dos 27, Constr un Bosplor com bate no resuno de cinco mime: casos. A¥ 2 edeniagées foram (om miles dears) 37, ros comon sas ceracteriticas. ' 60,75, 115, 135, 140, 189, 150,238, 290,340,410, 600,750, d. Quo grande ou pequcon dove ser uma obserragio parse! 750, 750, 1 050, 1 100, 1139, 1150, 1 200, 1 200, 1 250 Pt , bh i L of cy 1 fut to Mata te Ctra Eonsidere as seguintesinformagdes do limite de resistencia d Hij#0 (bin) de usa amostra den = 4 espécimes de fiorigido sFob € zisnio (de “Characterization methods fer ine cop- =, Wire J. int, ago. 1997: 74-80): 80x, mimo = 76 683, 8 valores das dass obsecagées de metade da too aga aivnhando! 77 iniviuos ebathando om cero esi ond onitel de ruil (GBA) experimentad por Hvfdu fo dterminao,rensitando nos seguintesGa- os ("Acceptable noise levels for construction site offices”, Building Serv. Engr. Research and Technology, 2008: 81-94) 553 553 553 559 559 559 559 56,1 56,1 561 56,1 56,1 56,1 563 56,8 570 57,0 57.0 57,8 37.8 37.8 579 519 379 58,8 58,8 588 59,8 59,8 59,8 622 62,2 638 8 638 63,9 63.9 639 64.7 647 647 65.1 65.1 551 65,3 65,3 65,3 65,3 674 61,4 67,4 67,4 68.7 68,7 68,7 68,7 690 0.4 704 71,2 71.2 712 73,0 730 73.1 73.1 146 TAS 74,6 746 79,3 79.3 79,3 79,3. 83,0 83,0 830 Utilize as varias écnicas apresentadas neste capiilo pars or. ssmizar, resumir © desorever os dados,40 —_Probabildade eestatistca para engenharia ecéncias (64, A ftieglo, fretting, & um processo de desgaste que resulta ‘de movimentos tangenciais oscilatérios de pequena ampli- tue em pegas da miguina, O artigo “Grease effect on fretting swear of mild steel” (Industral Labrication and Tribology, 2008: 67-78) inclu os seguintes dados sobre a quantidade de ‘processos (0"‘nm?) pars dleos-hase com quatro viscosida- des diferentes. ‘Vincostd Desgaste 204 3888273, 17 765 302 44S ATL ART ALG 3281S i 03 std 66083382 BL 2526 30,6 242166 389287236, 1.0 coeiciene de variapdo amostral 100% avalia ot no da veriabiidaderelacva para aéaa especificamente, 6 desvio-padso cam um pereentusl da médi). Cleule © Coeficiente de variago da amosra de viscosidade, Entfo, compare os resultados e comente b. Construa um bozplor comparativo para os dads e coments ae caratetticasinteessanes 65, Representemes pore s2a média ca varncia amostras para a amosita x... £epReSente Por Hy 6985 Qua tidades quando uma obsorvagio adicional x, €acrescentada 2 amostra ‘a. Mostre como, pode ser ealeulad 8 patr de ¥, © ye 1b, Mostre ave bay = (8 DH + EG hans — FP de forma que 43, possa ser eneulado a pastr 36-3. % «, Sugena que uma amosta de 15 fos de tapegeria tena ura ‘méaia de alongamenco de 12,58 mm ¢ um desvic-pao smoital de 0,512 mm. O 16° fio results em um valor de stongamento de 11,8. Quais sto os valores da méaia amos- trae do desvio-padro das 16 observagtes de longemento? 66. Uma deficiéncia do elemento trago seléni na deta pode ale- tar negatvamente 0 crescimento, « imunidade, as fungbes amusculare neuromuscular a ferilidade. A introdugo des plementos de selénio para vacesTeiteiras € justificada quando as pastagens apreseatam niveis de seléniobaixos. Os autores, do atigo “Effects of short-term supplementation with seleni sed yeast on milk production and composition of lactating cows” (Australian J.of Dairy Tech.,2004: 199-203) fomece- ramos seguintes dados sobre a concetragio do senio no Kete (ang/L} pare um amostea de vacas que consumiam suple- rnento de selénio e uma amostra de controle ne qual nenkums ‘aca consumiu osuplemento, amas inicialmente e aps vm period de nove diss Obs. Selénio (SE) Contagem Selénio (SE) Cont inicial ——inicial final final 1 uA 9A 1383 93 2 96 87 1040 88 3 101 97 96.4 88 4 85 108 0 10L 5 193 109 380 96 6 196 > 106 103.8 38 7 Me 104 1473 104 8 98 123 oT 2a 9 109 88 1726 93 we 1030 1463 93 un 102108 990 Ba Rd to 1223 87 B 020 6 103.0 125 4 106 = 109 178 9a 18 108 a3 1682 930 fa. As concentrag6esiniciais de Se para s amostra que const ‘miu suplementos¢a amostra de controle sio similares? Ut lize vias técnicas deste capitulo para resumir os dados © responder questio propos, bs, Utilize novamente os métodos deste capttlo para resuiz 0s dados e,entéo, dascreva como os valores de eoncentra. fo final de Se no grupo detratamentodiferem dos valores do grupo de contre 67, Esienose adrica efere se «um exteitamento da vélyala xér- tica no coragéo. © artigo “Correlation analysis of stenotic aortic valve flow patiers using phase contrast MRI” (Annals of Biomed. Engr., 2005: 878-887) fornecs os seguintes dados bo didmetzo da riz 6cica (em) e 0 sexo para uma smosta de pacientes com vésios graus de estenose xértica Mi 37 34 3,7 40 39 38 34 36 3,1 40 34.38 35 Fr 38 26 32.3043 35 3 343,230 a. Compare e diferencie os valores de didmetro para os dois b. Caloule wota médin aparada de 10% para as dss amostras ‘© compare com as outzas edidas cena (para amosira rasculing, 0 método de inerpolagio na Segdo 1 3 deve ser uilizade), (68, a, Para qual valor deca quantidade 3 (x, ~ o)?€minimizade? (Dic: Utilize a derivada com selagao a , igual a0, ec solve] . Usilizando o zesultado do item (e), qual das duas quantia- des, Dea, — De Do ~ w)?, serd menor que a outea (su pondo que # 1)? (69, 2. Mancena a © b constantes © represent y, = ax, + 6 pare 1,2,. cm Quals so as relagbes entree ye entre 3 on >. Uaaosm de peed erin clove naoncn vse minal CO)S0679 SS gui noose 8 on stone Sowiopo en PDias P= 26 +21 10.0 cero consno deena de ees ries (pote so cn Coon clarence “Een pues pad es eons ne Seeing tocar pecs, esto EEUPGgT eating ce ond etl cee on foratsenygentsnpin de nd Sec Sorsand ee 8: 518 32) fens scam eitague ensue dite) #8 weocoioumans pS utr aca S Sets pam ec eevee ten onisen oe nanan tt 3 4 5 6 7 Poot 146 1a 195 248 ta 228 280 eereo) 103 53 31 tsa Wha 198 208 ea ae reve) aay 80170 194 186 ma 185 159 Fite) [03 ns 26 te8 ake 286 126 at 2 Coma ung omprt a ch CStemcio pan¢dn etn coment core ‘owen p Conn ofa do prs 3), coma Gualcey de monn ate es const tre nau nf elena ote 8 pe4, = 8, — Yen =H Ye das diforengas das amostras.O que ele sugere? 71, A distibuigho de frequéncia 8 seguir de observagSes sobre r-- sistéacia 4 ruptura (MP3) de barras ceramics istadss em de terminado forno foi informada go artigo “Evaluating tunnel Construs um boxplot j i ' i j | Stroma Cnmeie aos 357 3) nue dose Classe B1h83 83F8S BSE7 87F89 BOIL fence 6 eee Classe 9193 93-95, 95-97 97 +99 — ‘Frequéncia © 28 2 3 3 oreia ‘a. Construa um histograma com base nas frequéacias relativas at coments as ceraeteretiesinteeante, a Que roprgo das oboevogiee de eiiacia¢ igual a maior que 85? E menor que 957 smal «. Grosso mod, 9 propria ds berate inferior 290? Sal |p, avon prado eu oma eqn temonte podem ser tratadas com medicamentos & base de benzodiazepina. F sabido que animais expostos a estresse spresentam rédupio da capacidade de absorgao de teceptores de benzodiazepina ao eértex frontal. 0 artigo “Decreased benzodiazepine receptor binding in prefrontal cortex in com batrelated posttraumatic stress disordes” (Amer. J. of Pay chiatry, 2000: 1120-1126) descreveu.o primeiro estudo sobre ‘acapacidade de absorgio de receptores de beazodiazepins em individuos que softiam de TEPT. Os dacs a seguir, relacio- ‘ados a uma medida da capacidade de absorgio (distribuigéo ajostada do volume), foram trados de um grifico do artigo, TEPT: 10, 20, 25, 28, 31, 35, 37, 38, 38, 39, 39, 42, 46 Souddveis: 23, 39, 40, 41, 43, 47, 51, 58, 63, 66, 67, 9, 72 Usiize os diversos métodos deste capitulo pare deserever ere- 7) elaton am expedimento em que “eats om de 20 homens sadbveis fo slictaco a caminhar da orm mais eta posse até avo «60m dedsticia com, Syeocidade noma, Consider as obsergoesasepur sore a (aero de pssoe por segundo) = 095 085 092 0,95 083 436 1.00 092 O85 0,81 G78 0.98 095 1,05 083 106 106 0396 081 0.96 1. 15. 16. n. Viséo geraleestaistcadescitia = 41 Use os msétodos deste captulo para resumir os dados; inclus uma interpretado ou discussao sempre que aprepriado, [OD- servapdo: 0 autor dese artigo usox um método de andlise este tied um wo quanto sofisticado para concuic que as pessoas ‘io poder andar em lina retae suger vias expicasbes para (al fato ‘A moda de um conjunto de dados numéticos 6 0 valor que ‘corre mais frequentemente no conjunto, ‘a. Determine a moda dos dados de cadéncia fornecidos no Exercicio 73, >, Pare uma amostra categéric goria modal? FForam sclecionadas amosteas de ués ipos de corda¢ o limite de fadiga (MPa) foi determinado para cada amosta,resultando nos dados a seguir: Tipo] 380 350 3m 372 Tpo2 330 356 373.374 350 361 362 364 351 365 365 371 377 377 377 379 380 380 392 a. Construa um bozplot comparativo e comente sobre 3s se melhangas ¢ diferengas bb. Consirua um grafico de ponts (dotplat) comparativo (um dosplot para cada emostra com uma escala comum). Co- mente as semelhangas «diferencas. «6.0 bexplotcormparstive do item (a) forece uma avaliago in ommativa des semelhanges e diferengas? Explique sea re- ciccinio, ‘As tds medidas de tendncia contal apresentadas nest capt ‘ulosoa média, « mediana ea méaia aparada. Das medias de tendéncia central alicionais,usadas ocasionalmente, so 0 ccenro da emplitude, ue € e média entre a menor ea maior ob- servagies, © 9 centro dos que sio a média dos dois quartos, Quaisdestas cinco medidas de tendBocia central so indife- ents aos efeitos de outliers equais no si? Explique seu ra- Os autores do artigo “Predictive model for pitting corosion in Daried il and pas pipelines" (Corrosion, 2008: 332-342) for ‘neveram 08 dados nos quais basearam sua lavestigacdo. a. Considere as soguints amostrs sobre a profundiade méxiona ‘do oificio (mm) do eleodutoenterado em solo argos como voe8 defiiria x cate- 380 372 399 316 338 384 ash 380 370 391 365 383 370 391 368 388 370 37 392 369 371 392 Tpo3 cL ‘Tipo de solo42 —_Probabilidede eestaistica para engenharla eclncias| 041 O41 O41 041 043 0,43 0.49 048 048 058 0,79 079 O81 O81 081 O91 054 094 102 104 106 417 417 417 L717 1,17 17 119 127 140 159 1,59 1;60 168 191 1,961.95 221 231 246 249 237 310 318. 38358415 475533 770 813 Bas CConstrua umm diagrama de ramo e folhas em que 0s dois _maiores valores sejam exibidos separadamente em uma li ‘oho denomiaada HL . Volte ao item (2) 2 cxie um histogrema com base em oito lasses com 0 como o menor limite da primeira classe ¢ amn- pliudes das classes de 0,5; 0,5; 05; 05; I; 2; Se 5, res- pectivamente, 6.0 anexo no artigo boxplos comparative do Minitab mostra srificos de profundidade dos orficios para quatro ips di ferent de solo, Descreva as caracterfticas importantes, 178. Consiere uma amostra. x, %,..., 1, € suponha que 08 va lores de % sp tenham sido caleulados. Representa), = x, — Eparai = 1,...,m Comooos valo- res de se s para os y, se comparam aos valores correspon dentes dos 22 Explique D.Represente z= (x, ~ Fs para = 1, Qais slo os valores da varlincia amostral ¢ do desvio-padeio amos- tral dos 2? 79. Segue uma descrigio do Minitab dos dados de resistencia Forecidos no Exerefcio 17 Variavel wédia tedians MédLatea DenvPad EDda Média forge 153135,33 135,40 138,41 4,59 8,37 Verigvel Minima Maxine a @ fer5 122,20 ©«147,70 132,85 198,25 «8, Comente as caacterfsticasinteressantes (os quarts e quar- tos sib praticamentsidéaticos aqui. b. Construa um baxplot dos dados com base nos quatis ©c9- mente suas caractrtsticns, 80. As distincias das rotes de Gnibus em qualquer sistema de (ednsitofrequentementevariam de un trajeto para outro, Oat= tigo “Planning of city bus routes” (J. ofthe Institution of En sincers, 1995; 211-215) forece as informactes a seguir so- bre as distincias (km) de determinado sistema: Disincia 68 8FIO WHIZ 12h 14bi6 Frequénia 6 2B 3% 35 3 Distincia A618 18120 20422 hod 2126 Frquincia 8 2 BD Disitncia 2628 2830 30H3S 35h40 4ohas Frequincia 06 u 2 a. Desente um histograma comespondente a esas frequencies, 1. Que proporeio destesdistincias de rota inferior 20? Que proporedo desta rotas tem distincias de pelo menos 30? ©. Grasso modo, qual 60 valor do 90" percentil da dstribuigto de distincias de rots? ‘4. Grosso modo, qual &u mediana da distinc de roca? 81. Um estudo realizado para investigar a distribuigdo do tempo total de frenagem (tempo dereacSo, mais tempo do movimento centre aceleredore fio, em ms) em condighes reais de dirigi- bilidade @ 60 km/h fornecew as informagtes resumidas sobre «8 disirbuigto dos tempos (“A fleld study on braking respon- 2s during driving”, Ergonomics, 1995: 1903-1910) ‘média = 535 mediana = 500 moda = $00 desvio-padrfo = 96 minimo = 220 méximo = 925, S*percentil = 400 10" pereentil = 430 90° percent = 640 95° percontil = 720 ‘© que vost pods concluir sobre o formato dohistograma des ses dados? Explique seu racioco, 82, Os dacos da amostea x, % mites Yeres representa, séries temporais, em que-x,= 6 valor observado de uma res posta varvelx no tempo . Mitas vezes, asco observada mos trauma grande quantdade de vriagoaleatéca, o que toma di- fel estudar comportamento a longo prazo. Nessassituagées, 6 desevel produzir uma verso suavizada das séries. Uma das ‘éenicas sas € a suavizagdio exponencial. O yuloc de uma constante de suavizagio & excolhido (0 < at < 1). Entfo, com © valor suavizado % = no txapo f deinimos % = x, © para = 2,3,...5m%, = 0, + (1 adey a. Considere a yeguinte sere de tempo em que-s, = tempera tra (°F) de efluents em uma estegio de tratamento de es. oto no da 47, 54, 53, 50,46, 46, 47,50, 51, 50, 46, 52, 50, 50, Plte cada coordonada x,em rlaco a em um sis- toma bidimensional (um grifco da série temporal). Parsoe hhaveralgum padsdo? b.Calcule os , usando oe ~ 0, Repitautlizando ee Que valor de a fornece una série mis suavizad? -Substin ea, + (1 — eg 20 lado dieito da ‘expressio de & o, ello, substtua 5, em temo do 5. €assim por dante, De quantos vores x3)... % dependle $7 0 que acontece a0 coofciente de x, quando ‘aumente! 44, Consulteo item (6). Se for grande, qual é a sesibilidade de 5, em relagio a0 valor initial 3, = 1? Explique [Obcervagdo: uma reertacia relevante € 0 artigo “Simple Staistios for interpreting eavconmental data”, Water Pollution Control Fed. 1981: 167-175.) 83, Considere os valores numétices x, .. x Freguentemente é de interes saber se sx, esto (a0 menos aproximadament®) istribuidos simetricameate 20 redor de algum vale. Se for pelo menos modersdamente grende, a extensio da simetria pode ser avaliaa por meio de um diagrama de remo efolhas ‘ou de um histograma, Entretano, se nn for muito grande, esses gréficos nfo seréo muito informatives. Conidere termativa a seguir: presente por y, © menor x Yp 0 sogundo menor x € assim por diante Fegacotao 0 gréfico dos seguin- tes pares como pontos ex: um sstoma de coordenadas bid mensional, ¥,¥—Ye Ont ~ HE — Yh es ~ EF ~ ys... Aquiestton/2 pons quando é par es ~ D2 goando m6 imper Qual 68 aparCocia do grafico quando h sisetsa pees dos dados? Qual sua apaséncia quando os valores se exten dem mais acima do que abaixo da mediaea (uma cauda st- peri longa)? . Os dedos a scauir sobre preciitagdo (acre) de 26 nuvens esparsas foram obidos a partir do artigo “A bayesian ana- lysis ofa multiplicative treatment effect in weether modii- ation” (Technomeris, 1975: 161-166). Consus o gréfico ‘e comente sobre a extensto da simetra ous natureza do seu 08. desvio. 41 77 11S 34 327 06 924 1153 1183 119,0 1296 1986 20,7 2425 2550 2747 274.7 3028 334,1 430,0 489.1 7034 978.0 1 6560 1 697.8 2745.5, i 4 4 1Bibliografia cranes, J: Cueva an, Ws Kener, B.& TUKEY, P. Graphi- cal methods for data analysis. Pacific Grove, CA: Broaks/Cole, 1983. Uma apresentagzo atamente recomendada de diversas m todologias gréfics e pictoricas em extatstica. CCurveLano, W. Visualizing data, Summit, NJ: Hobart Press, 1993. ‘Umm passeio divertido por tfeaicas pictSrcas. FRERDMAN, D. PISANL, R. 6 PURVES, R, Statics. 4, od. New York: Norton, 2007. Umm excetente levantamento néo matemstico de raciocinioestaistico bésico e metodologia, Hoactin, Ds MosTELen, F.© TUxey, J. Understanang robust and ‘exploratory data analysis. New York: Wiley, 1983.Discute porque ‘também como os inétodos exploratérios devem ser empregados. -E bom no que diz espeito aos detalhes de diagramas de ram e fo has ¢ boxplots. Visso gual e estatisca desctva 43 ‘Moons, D. 2 Norz, W. Statistics: Concepts and controversis.1, fed, San Francisco: Freeman, 2009, Um liv de bolso extrema mente agradéveledivertido que contéo uma dscussto inuitiva de problemas ligados & amostragem e experimentos deseavolvidos. Peck, R.EraL. (Eds. Statistics: a guide to the unknown. 4.04 Belmont, CA: Thomson Brooks/Cole, 2006, Contém muitos artigos breves ao técnicos descrevendo diversas aplicagSes da ostatfstica eck, R.& DEVORE, J. Staisties: the exploration and analysis of data, 6. ed. Belmont, CA: Thomson Brooks/Cole, 2008. Os pri- tmeitos capftulos fornecem um levantamento nio matemtico de nétodos para a descrigio e resumo de dados, \Varzant, J. Using R for introductory Statistics. Hoca Raton, Fl (Chapman and HallJCRC, 2005, Ua introdugo muito boa a0 ps cote de software R,Probabilidade Introducdo © termo probabilidade se refere ao estudo da aleatoredade e da incerteza Em qualquer stuagio em que ocor tern civersos resultados, a dlsciplina da probabldade oferece métodos de quantificacio das chances cu possibil- dades de ocorréncia associadss aos diversos resultados. A linguager da probebiidade & constantemente usada de manata Informal em contertosescits e flados. Erempls inluem declaragbes como “é provivel que o indice DDowlones suba no final do ano”, “hé 50% de chance de o titular do cargo buscar a relecéo", "provavelente pelo menos uma parte dest cusoseréofeeca no ano que vem, “as chances favorecem um acordo pido para ‘fim da greve" e “espere-se que pelo menos 20 mil ingressos seam vendidos para o show. Neste ceptulo, apr sentaremos alguns conceltos bésicos de probabilidade,inticaremos como as probabilidaces podem ser nterpe- tades como suas regres podem set aplicadas pare calcula as possibilidades de acrrBncia de muftos eventos. A ‘metadclogia da probabildade permitrd que exoressetmos, em linguager precisa, delarecGes informals como as fornecidas anteriormente (0 estudo da probetslidade como ramo da matemStica data de mais de 300 anos eteve sua gEnese relacionada ‘a questes que envlviam jogos de azar. Muitos lives se deaicam exclsivammente &probablicade,entetanto, nosso bjetive & cobrir apenas a parte do assunto que aborda mais dretamente os problemas da inferencia estate 2.1 Espacos amostrais e eventos ‘Um experimento é qualquer atividade ou processo cujo resultado est sujeito & incerteza. Apesar de 0 termo experimenio geralmente sugerir uma situagdo altamente controlada de teste em laboratério, aqui serd usado om um sentido muito mais amplo, Dessa forma, 08 experimentos que so de interesse ineluem jogar uma moeda uma ou diversas veres, selecionar uma ou vérias cartas de um baralho, pesar um pe ago de pio, determinar o tempo de viagem de casa ao trabalho em uma dada mans, obtertipos san ‘zuineos de um grupo de indivicuos ou medir as resistncias & compressa de diversas vigas metlicss 0 espago amostral de um experimento Definicao ae aanraaa “| C espago amostral de um experimento, representado por &, 6 0 conjunto de todos os resultados pos- stveis desse experimento. Exemplo 2.1 CO experimento mais simples no qual a probsbilidade se aplica 6 aquele com dois resultados finals pos- sfveis, Um exemplo de experimento desse tipo ¢ examinar um sinico fus(vel para ver se funciona. O ¢s- ago amostral desse experimento & expresso como S = {N, D}, em que N representa sem defeito, D re- Dresenta com defeitoe as chaves so usadas para englobar os elementos do conjunto, Outro experiment esse tipo envolve jogar um percevejo e observar se sua ponta cai para cima (C) ou para baixo (B), com. 0 espago amostral £ = {C, Bp, eum texceiro consiste em observar 0 sexo da prOxime crianga nascida 19 hospital local, com $= {MF}.46 ——_Probabildads e estatistica para engenhariaecitacias | Exemplo 2.2 . Se examinarmos ts fasveis em sequéncia eanotatmoso resultado de cada exame, o resultado doe. | perimento € qualquer sequéncia de Ne D de’ elementos, de forma due # = {NNN, NND, NDN, NDD, DNN, DND, DDN, DDD} & ‘Se tivéssemos jogado um percevejo tr8s vezes, 0 espaco amostral seria obtido substituindo N’por C (cima) ‘no Sacima, ¢ com ume altoracdo similar na notagZo do espago amostral para 0 experimento ema que o sexo de tés criangas recém-nascides ¢ observado, Exemplo 2.3 Dois postos de gasolina esto localizados em um deferminado cruzamento, Cada um possi seis bom- bas. Considere o experimento em que o niimero de bombes em uso em determinada hora do dia ¢ deter- ‘minado para cada posto, Um resultado experimental especifica quantas bombas estéo em uso no primeiro posto € quantas s20 usadas no segundo. Um resultado possivel é (2, 2), outro é (4, 1} e outro ainda é (1, 4). Os 49 resultados em £sKo exibidos na tabela a seguir. O espago amostral do experimento em que am Gato de seis lados 6 tancado duas vezes ¢ obtido excluindo a linha Qe a coluna 0 da tabela, formecendo | 36 resultados. Segundo posto Ot ae eg eg eae o G2) OF 03 G4) 65 O@ 1 a) 42 43) GO) a5 ao 2 @) @2 @> @4 @5 @o Primciro posto 3 BD 62 BD BH BH GBH 4 4D 42 4D 4) 65 4H 5 GD 62 6) 64H 65 GO | 6 6D 62) 6) 64 65 65 Po ~ « o Exemplo 2.4 ‘Una porcentagem razoavelmente grande de programas escritos em C++ em determinada erapresa com pilam na primeira execugo, mas alguns no (um compilador & um programa que traduz o eédigo-fonte, neste caso, programas em C++, para linguagem de méquina para que os programas possam ser execute. dos). Suponha que um experimento conssta em selecionar e compilar programas em C++ nesta empresa, lum pot um, até encontrar um programa que compile na primeira execugdo. Represente um programa que compile na primeira execugdo por S (para sucess0) ¢ um que nflo o faga por F (para falha), Bmbora possa no ser muito provavel, um posstvel resultado deste experimento & que os 5 primeiros (ou 10 ou 20 ot.) sejam F e que oproximo seja um S. Isto, para qualquer m intezo postivo, podemos ter de examinar n pro ‘gramas antes ce vermos o primeiro S. espago amostral €° = {S, FS, FFS, FFFS, ...}, que coatém um ‘eco infnito de resultados possiveis. A mesma forma abreviada de espago amostral € apropriada para ‘um experimento em que ¢ registrado o sexo de cada crianga recém-nascida, em um horitio especificado, até que seja observado 0 nascimento de uma erianga do sexo masculino, m Eventos S No estudo de probabilidade, estaremos interessados no apenas nos resultados individuais de $, como tam- bém em qualquer grupo de resultados de &. Definigao ] Um evento ¢ qualquer grupo (Gubconjonte) de resultados contidos no espago amostal Um evento simples sel cons estrone em um nico rua amos secon | sistirem mais de um resultado Quando um experimento € realizado, determinado evento A ocorre se o resultado experimental estiver contido em 4. Em gcral, ocorrer exatamente um evento simples, contudo diversos eventos compostos também podem ocomrer simultaneamente,Probabilidade Exemplo 2.5 Considere um experimento em que cada um de trés veiculos que trafegam em uma determinada estrada a ‘sign pela saida & esquerda (E) ou 8 diteita (D) no final da rampa de safda. Os oito resultados possiveis ‘que compéem o espago amostral so: EEE, DEE, EDE, EED, EDD, DED, DDE ¢ DDD. Dessa forma, Tito eventos simple, dente os quis estioF, = (EEE) eZ, ~ {EDD}. Alguns eventos composts 5 inciuem ne A= (DEE, EDE, ZED} = o evento em que exstamente um dos ues vteulos vita dicta, (EEE, DEE, EDE, EED) = oevento em que no méximo umn dos veteolos via & dicta; (EEE, DDD) =o evento em que os tes vetculs virem na mestaa dreggo, a Suponha que, quando o experimento€enecutado,o resultado sea ZEE. into, o evento simples Ete er ocorrido, da mesma forma que os eventos Bc C (mas nio A). m 7 Exemplo 2.6 (continuagéo do Exemplo 2.3) im (Quando o ndmero de bombas em uso em cada um dos dos postas de seis bombs for obsecvado,haveré do 2 resultados posts, de forma que haveré 49 events sms, ~ ((0,0)), Ey = ((O, hv Euy = {(6.6))- Exemplos de eventos composts sto A= ((0,0). (1, 1,2.2,G.3) 4,4, (5,5). (6, 6)} = oevento em que o ndmero de borbas em ~ aso 60 mesmo nos dois posts; B= (€.4),(,3).@2,2).G, 0, 4,0} = ocvento em que o ndmero total de bombas sai em uso € quatro; = {(0, 0), (0, 1), (1, 0), (1, 1}} = © evento em que no méximo urna bomba esté ear uso em cada posts. m Exemplo 2.7 (continua¢do do Exemple 2.4) (Gespaco amostal do experimento de compllagdo dos programas contém um nimera infinito de resul tados, portanto, hd um ntimero infinito de eventos simples. Os eventos compostos incluem 7 1S, FS, FPS} ~ 0 evento em que no méximo tés programas sio examinados; FE = (FS, FFFS, FFFFPS,...) = oeventem que um numero par de programas éexaninado, e _ Algumas relac6es sobre a teoria dos conjuntos 2 a Um evento ¢ essencialmente um conjunto, de forma que as relagbes e resultados da teoria elementar dos Fi conjuntos poder ser usados para o estado dos eventos. As operagdes a sei serio sis para a cra. fe Glo de novos eventos, a partir de eventos conbeidos. _ o : Defi 1, O complemento de urn evento 4, representado por A’, € 0 conjunto de todos os resultados ern que nio estéo contidos em A » 2. A.unilo de dois eventos A eB, representada por AU Be lida “A unio B”, 60 evento que co Siste em todos 0s resultados que estfo no evento A ou no B ou em ambos (de forma que a uniio inclu resultados em que ocorram A e B, bem como aqueles em que exatamente um oeorre), isto 6 todos os resultados em ao menos um dos eventos. 3. A intersegio dos dois eventos A eB, representada por A’ Be lida “A interseedo B”, 0 evento ‘gue consiste em todos os resultados que estio simultaneamente em Ae B. = Exemplo 2.8 (continuagdo do Exempla 2.3) | Para o experimento em que ¢ observado o niimero de bombas em uso em um posto dé gasolina de seis Dombas, considere: A = (0, 1,2, 3, 4}, B = (3,4, 5,6) €C = {1, 3, 5}. Entio: | = A'= (5,6), AUB = (0,1,2,3,4,5,6) AUC = {0,1,2,3,4,5}, ANB = {3,4}, ANC= {1,3} ANCY = {0,2,4,5,6} » * Agans vos cepreseatam A’ (A complamenta) como A? 0 amb A, a48 —_Probabildade eestatistca para engenharia e ctncias Exemplo 2.9 (continuagSo do Exemplo 2.4) No experimento da compilagéo dos programas, defina A, B C por: Ax (5,P5, FFS), B ~ (5, FRS, PFFFS), C = (FS, FFFS, FFFFFS, ...} Entio: A’ = {FFFS, FFFES, FFFFES,...}. C’ = (S, FPS, FFFFS, ...} AUB = {S,FS, FFS, FFFFS}, ACB = {S,FFS} AAs voces, Ae B no possuem resultados em comune modo que ntersego de A eB wo contém resultados. Definigao Suponha que @ represente o evento impossivel (0 evento que consiste em nenhum resultado de qusl- quer natureza). Quando se diz que A B = Gi, Ae B sto eventos mutuamente exclusivos ou dis- juntos. Exemplo 2.10 ‘Uma pequena cidade tem és concessiondrias de automéveis: uma concessiondvia GM que vende Chevrolets ¢ Buicks; uma concessionéria Ford que vende Fords e Lincolns; e uma concessionéria Toyota, Se um ex- > Perimento consistir em observar a marca do préximo carro vendido, entdo, os eventos A = (Chevrolet, Buick} a B= (Ford, Lincoln}s#o mutuamente exclusivos em fungao de otitimo carro vendido ni poder sertanto Me! ‘um produto da GM quanto um produto da Ford (pelo menos até as das empresas fandirer!). + As operagties de unido¢ intersepo podem ser estondides a mais de dois events. Para quaisqueriés | eventos A, Be C,o.vento A UB U Cé0 conjunto de esultados contidos em no eninimo um dos ttés 4) eventos, enquanto AB MC € 0 conjunto de resultados comtidos nos tr8s eventos. Datos os eventos | Ay Ay ly». , eles sero denominados mutusmenteexclusivos (ot dsjuntos em pares) sedois dees nfo tiverem resultados em comm. | ‘Uma representagao grfca de eventos e manipulages de eventos é obtida pelo uso de diagramas de 4, ‘Venn, Para constrait um diagrama de Venn, desenhe um retngulo cujo interior representard o espaco amostral &, Entio, qualquer evento 4 € representado como o interior de uma curva fechada (geralmente lum efrculo) contida em 5. A Figura 2.1 mostra exemplos de diagramas de Ven. Beg (o) Area aomreada ea" (@) Diagrams de Venn) Area sombreada dosevensde CAN Figura 2.1 Diagramas de Ven, » Area somrreada aug (6) Bventos muuameste exclusives EXERCICIOS Seco 2.1 (1~10) 1, Quatro universdades 1,2, 3 4~ esto participando de um tomeio de basquete, Na primeira etapa, 1 jogaré com 2, € 3 ‘os resultados de a"? ‘com 4, Os dois veucedoresdisputao 0 tla © 9 dois per derdores também jogardo. Um resultado possvel pode set re- presentado por 1324 (1 gant de 2e 3 gaka de 4 nos jogos da primeira etapa e 1 ganha de 3 e 2 ganha de 4), a. Relacione todos os resultados om. bb. Represente por 4 0 evento em que 1 ganha o torneio. Re- Iacione os resultados de A, ¢. Represente por B o evento em que 2 seja um dos Fnalistas| do campeonato, Relacione os resutados em 2. 2. Suporha que os vefeulos que tzafegam em uma écterminada estrada possam tomar uma saida 8 dieita (D), a esquerda (E) oulirem frente (F). Observe a dive de cada un dos ts ve culos sucessivamente, 1. Relacione todos os resultados do evento A ema que os tés vefoulos seguem na mesma dizeso, ’ Relacione tocos os resultados do evento B em que os tes veiculos tomam diferentes diregoes, «. Rolacione os resultados do evento C em que extamente dois dos u&s yefeulos viram a dirt, Quis soos resultados de AU Bede ANB? Quaissto |di Relaione todos os resultados do evento D em que exata- mente dois vefculosseguem aa mesma diego ¢, Rolacione o resultados er D’, CU De C71 D 4. Uilize diagrams de Vena para comprovac as dus relages a seguir para qulsquer eventos Ae H (denominads les de De Morgan): (AUB) = a1 biAN BY =A UB {Dice: em cuda pare, desene um digrams conespondent 0 lado esquerdo e outro comrspondente ao lado dicito) Coa item de uma amosts de Gusto hipotces ex slast- ado como taxa fa (F) ou taxa varitvel (. Quai fo 0s 16 resultados em 6? Que resultados orrespondem ao evento que possu ext rmette ts hipotecas de tata fina? «Qe retuitados comespondem so evento no qual a8 quero hipoteea so do mesmo tipo? 4. Que cesulgdls pertencem ao evento em gue, no méximo, ‘uma das quazo 6 hipotce de taxa varisvel? Qual 6 unito dos evento dot ites () (8) equal a in- soles tersegdo desses dois eventos? Quis sfo a unio e a interies¥o dos dois eventos dos tens weO? ‘Una fui de uts pessoas A, Be C— vale uma clinica mé- © ica qu verre possu um min em cada posta L,2¢3. Du- inte determinada seman, cada mernbro da familia vo “nica uma ver © é designada sestramente a um posto. O ‘experimento consist em registrar imero do posto paracaa = meio. Um resultado (1, 2,1 pase Ano post 1, Bo posto | FeCaopotto | &.Retacione os 27 resultados do espago amostak “Relacioe todos ot resultados do eveato emt ue ot tes = membros seguem para o mesmo posto, © e-Relacione todos os resiados do evento em que tados os = membros seguem para poss dferetes, |. Relacone todos os resultados do evento em que ninguém | segue para o posto 2. | A biblioteca de uma facuhie possu cinco exemplars de i ivr-texta do aervo, Duss eins (1 ¢2) 80 primes andes as ours ts (3,4) Slo segundas impresses alo examina cscs livros er ondem aleatéia prando quando uma segunds impressfo€telecionada. Ure- posiiel ES e outro é213, Represents por A o evento em que exstamente um livro deve 10. 0 ‘Um departamento académicoterminou a votagko secreta pera ‘sue chefia. A uena contém quatro eédulas com votes para 0 ‘candidata A ets com votos para candidate B. Suponha que essas cédulas sejam removides da uma uma a uma, ‘Relacione todos os resultados posseis, bs, Suponha que uma contagem sea feta vonforme us odulas slo removides, Para que resltados A se mant$m na frente de B na contagern? ‘Um empresa de engenbaria civil est rabelhando atualmente cemusinas de energia em trés locas diferentes, Represento por 4A, oevento em que a usina no local i & completad na data do contrato. Use 2s operapes de unig, intersegao e complemento pra deserever cada um dos eventos a seguir 20s teemo8 de Ay 4,@Ay deserke um diagrama de Veone sombreie a regio cor- espondente a cada uma. a, Ao mencs uma usina & conclu até a data do contrat, ’, Todas as usinassfo concludas até a data do contrato, ce Apenus a using do local 1 ¢conclufda até a data do contrat, 4. Exatamente urme usina & conclufda até adata do contrat, €. Apenas ausina do local 1 ou as das otras sao concluidss até data do contrat. ‘e8s componentes esto conectados para formar um sistema conforme exibido no diagrama a seguir. Como 0s componen- tes no subsistema 2-3 esto conectados em paraleo, esse sub- sistema funcionard se 20 menos um dos dois companentesin- dividuais funcionar. Para que todo 9 sistema funcione, 0 componente 1 deve fuancioner, bem como 0 subsistems 2-3, Eb. N <3} © experimento consste em determinar a condiglo de cada componente [$ (sucesso) para um componente que funciona bem e F (falha) para um componente que no funciona) 1. Que resultados estio contidos no evento A no qual exats- mente dais dos tés componentes funcionem? b. Que resultados estio condos no evento B no qual 20 me- nos Gois componentes funcionera? «, Que resultados esto condos no evento Cno qual o sistema funcione? a. Relacione os resultados em C', AU C,AAC, BUCe BNC. 1, No Exemplo 2.10, identifique ts eventos que s8o mutus mente exclusivas D, Suponis que no baja um resultado comum a todos os trés eveatos A, Be C. Esses eventos sio necessariamente mu tuamante exchusivos? Se sua resposte for sim, explique. Se for nio, dB um coatracxemplo, usando 0 experimento do Exemplo 2.10. imento € um espago amostral 5,0 objetivo da probabilidade é atribuir a cada evento A (4), chamada a probabilidade do evento A, que daré uma medida precisa da chance de A _garantic que as alribuigbes de probabilidade sejam consistentes com nossas nodées intuit ilidade, todas as atribaigGes devem satisfazer os Seguintes axiomnas (propriedades bésicas) dade,50 Probabilidade e estastica para engenhari ecitacias ‘Axioma 1 Para qualquer evento A, P(A) = 0. Axioma2 — (6) = Axioma 3 SeA,,A,, Ay... €um grupo infinito de eventos disjuntos, entio Sra) i P(, UA, UA) ‘Vocé pode se perguatar por que o teresiro axioma nfo contém referéncia a um grupo fini de even- tos disjuntos. Isso ocorre porque a propriedade comespondente para um grupo finito pode ser derivada. cde nossos ts axiomas. Queremos que nossa Lista de axiomas scja a mais curta possivel ¢ no contenha ‘qualquer propriedade que possa ser derivada de outras na lista. O Axioma 1 reflete a nogdo intuitiva de que a chance de ocorréncia de A nto deve ser negativa. O espago amostral ¢ por definigdo 0 evento que deve ocorrer quando 0 expetimento € realizado (? contém todos 0s resultados possiveis), entiio, © Axioma 2 diz que a probabilidade méxima possivel de ser atribuida a $¢ 1, O terceiro axioma formaliza ‘aideia de que, se desejarmos que a probabilidade de ao menos umn de diversos eventos ocorra e que dois ‘eventos quaisquer, dentre os diversos considerados, ndo ocorram simultaneamente, a chance de pelo me- nos um ocorrer ser a soma das chances dos eventos individuals. Proposigio P(2) = 0,em que Zé evento impossfvel (9 evento que ndo contém resultados de qualquer natu- reza). Isto, por sua vez, implica que a propriedade contida no Axioma 3 ¢ vitida para um grupo fi- nito de eventos disjuntos, 0 Primeiramente, considere 0 grupo infinito A, PND = GW, os eventos neste grupo serio disjuntos e UA, P@) = TP) Ay =D, Ay ~ ©, .... Desde que B. O terceiro axioma, entio, forece: Isso pode acontecer apenas se P(Z) ‘Agora suponha que A,,A,,...,Aq sejam eventos disjuntos ¢ acresceate a eles © grupo infinito Dbuz = Grdyes > D,... lnvocando mais uma ver o terceiro axioms, (da) - (Sa) A, at ‘ Dra) = Dra) ron conforme desejado. Exemplo 2.11 ‘Considere jogar um percevejo no ar. Quendo ele cai no chao, sua pontaficieévirada para cima (0 resul- 4 tado C) ou para buixo (0 resultado B), O espaco amstral para este evento &, potanto, $= (C, B}. Os axio- rms especificam P(S) = 1, entio, a atribuigio da probabilidade serd conclufda determinando-se P(C)€ P(B). Uma ver.que Ce B sio disjuntos e sua unio ¢ 8, a proposicio acima mencionada implica que 1 = PE) = PC) + PB) Segue que P(B) = 1 ~ P(C). Uma possfvel atribuigdo de probabilidades & P(C) = 0,5, P(B) = 0,5, ex: {quanto outraatrbuigéo possivel P(C) ~ 0,75, PCB) = 0,25. De fato,p representando qualquer ntmiero Fixo entre Oe 1, P(C) = p, P(B) = 1 ~ p Suma atribuigto consistente com os axiomas. Exemplo 2.12 ‘Considere testarbaterias que saem de uma linha de montagem, una por uma, até ser encontrada uma que tenha uma voltagem dentro dos limites prescritos. Os eventos simples s80 E, = {8}, Ey = {FS}, E; = {EFS}, E, ~ {PFFS}, .... Suponha que a probabilidade de qualquer bateria particular ser saisfa- téria seja 0.99. Entio, pode-se mostrar que P(E) = 0.99, P(E) = (0,01)(0.99), P(E) = (0,01)%0,99),...€ sma aribuicso de probabilidades aos events simples que satisfezem os axio- mas. Em particular, pelo fato de os Z, serem disjuntos e.f = E, UE, UE, U.... deve sero caso de queProbabiidade 51 = 1 PS) = PEE) + PCE) + PU) + = 09911 + 0,01 + (017 + @,01P + +] ‘Aqui, usamos a formula para 2 soma de uma série geométrica’ atarsar tart 1- Enlretanto, outa atribuiego de probabilidade legitima (de acordo com os axiomas) do mesmo tipo “peométrico” 6 obtida pela substituigdo de 0,99 por qualquer ntimero p entre Oe 1 (20,01 por 1 ~ p). vex Sires Interpretando probabilidade mde § Qs Exemplos 2.11 ¢ 2.12 mostram que os axiomas néo determinam completamente uma atribuigto de vque $ probabildades a eventos, Os axiomas server apenas para descartaratribuigGes inconsistentes com 88 no- fo, 0 § ¢éesintuitivas de probabilidade, No experimento de langamento de um percevejo do Exemplo 2.11, das aliza % Gebuigdes particulates foram sugeridas. A atibuigGo correta ou apropriada depende da natureza do per- dois @ cevejoce também da interprtago da probabilidade. A interprctagio usada com mais frequéacia e mais rme- } compreendida baseia-se na nogio de frequéncias relatvas. ‘Considere uin experimento que pode ser executado repetidamente de uma forma idénticae independent cerepresenle por A um evento que consista em um conjuntofixo de resultados do experimento. Exemplos sisn- ples de experimentos pass(veis de repeticZo incluem o langamento de dados e percevejos discutidos ante rionmente. Se 0 experimento for executado n vezes, em algumas delas o evento A ocorrerd (0 resultado ser fo conjunto A) e, em outras, nfo, Seja n(A) 0 némero de repetigbes em que A ocorre. A relagio n(A)in é de- “| ‘ominada frequéncia relativa de oconacia do evento A na sequéncia de n repetiges. | Por exemplo, considere A o evento em que uma encomenda enviada dentro do Hstado da California para entrega no 2° dia, na verdade, chegue dentro de um dia. Qs resultados do envio do 10 dessas enco- gee ‘mendas (as 10 primeiras réplicas) so: Nimeroduencomenda 1 92 3 4 5 6 7T & 9 Orventadocoreu? oN S S S N N S S NN Froqudaciarelatva de 0 05 0667 O75 06 “OS OST 06S 0556 05 nite ‘A Figura 2.2(a) mostra como a frequéncia relativa n(A)/n flutua substancialmente sobre o curso das ‘50 primeiras réplicas. Porm, conforme o néimero de réplicas continua & aumentar, a Figura 2.2(b) ils- teacomo a frequéncia relative se estailiza, a Bory | resul- a \ axio- : \ ec i : coe _Arvotinsade0s 06+ - ea i 5 em Beaute, 5 «050 $ mero’ : Eos age eo Feetron1 Fuge > Ww oo) 30 aD sip eo 700800 910 (rss Niwero de encomendas ‘ero de encomendse atisfa Se ® () 0.9 GF 2.2 comporamento de fequtnca late) testo inka) estabeagio de long pao. xi ; te que PPpoarssio promticn,52 Probabildade eestatistica para engenharlae lencias De forma mais geral, evidéncias empirices, embusadas nos eesultados de muitos desses experimen tos passiveis de repetigfo, indicam que qualquer frequéncia relativa dessetigo se estabilizaré conforme. co nilruero de éplicas n aamentar Isto 6, se n fica arbitrariamente grande, n(A)/n aproxima-se de um Va- lorlimite donominado frequéncia relativa limite ou de longo prazo do evento A. A interpretacdo obje- tiva de probabilidade identifica essa frequéncia relaiva limite com P(A). Suponha que as probsbilida- des sejam auf a eventos de acordo com suas requéncis rena int, Eno, uma decleiio, | como “a probabilidade de uma encomends ser entregue dentro de um dia de envio é 0,6” significa que ee tum grande mimero de encomendas enviadas, cerca de 60%, chegard dentro de um dia, Similarmente, se B €oevento de que um aparelho de determinado tipo precisard de conserto no periodo de garantia, en- tio, P(B)= 0,1 éinterpretado significando que, no longo prazo, 10% desses aparelhos precisarko do ser vigo de garantia. Isto nfo significa que exatamente I de 10 precisaré de conserto, ou que exatamente 10 de 100 precisardo de conserto, porque 10. 100 nko séo o longo prazo. A interpretagio de frequéncia relativa da probabilidede é tida como objetiva porque toma como base tuma propriedade do experimento, em vez de qualquer individuo relacionado com 0 experimento. Pot ‘exemplo: dois observadores de uma sequéncia de lancamentos de moeda deve usar as mesmas a buigdes de probebilidade, jé que eles nao influenciam a frequéncia relativa limite. Na prética, essa in- terpretago nfo € to objetiva quanto parece, jd que a frequéncia reletiva limite de uum evento nio ser conhecida. Portanto, temos de atribuir probabilidades com base em nossa crenga sobre a frequéncia re- lativa limite dos eventos em estudo. Felizmente, hé muitos experimentos para 0s quais hé consenso no «que diz respeito a atribuigdes de probabilidade, Quando falamos de uma moeda honesta, queremos di- zer que P(cara) = P(coroa) = 0,5, ¢ um dado honesto & aguele em que as frequéncas relatives lite dos seis resultados sto todas 2, sugerindo atribuigdes de probabilidade P{1}) = +~+ = PC{S}) = Como a interpretagdo objetiva da probabilidade se baseia na nogio de fequéncia limite, sua aplica- bilidade limitada a situaedes experimentais que podem ser epetidas, Ainda assim, a linguagem de pro- babilidade ¢ normalmente usada emt relaglo a situagdes que no podem ser repetides. Exemplos incluem: “hd boas chances de um acordo de paz”, “provavelmente nossa empresa fecharé o contrato” € “como 0 melhor quarterback delesesté machucado, espero que eles nfo marque mais de 10 pontos contra n6s". [Nessas situagdes, desejamos, como ante, atrbuir probabilidades numéricas a diversos resultados e even- tos (por exemplo, a probsbilidade de fecharmos o contrato é de 0,9). Devemos, portanto, adotar uma texpretagdo alterativa dessas probabilidades. Como diferentes observadores podem ter diverses infor rmagGes prévias e opiniGes a respeito de sitiagoes experimentais, as aribuiges de probabilidade podem ser diferentes de individuo para individuo. As interpretagdes nestas situactes so denominadas subjeti- +¥a3,O livro de Robert Winkler relacionado nas referencias do capitulo formece uma boa pesquisa sobre diversas interpretagdes subjetivas a Mais propriedades da probabilidade a | Proposicéo a | Para qualquer evento A, P(A) + P(A") = 1, do qual P(A) = 1 ~ P(A’). Demonstragzo No Axioma 3, considere & = 2, A = 4 eA, = A’, Dado que por definigéo de 4’, AUA' = enquanto 4 © A' sdo disjuntos, 1 = P(#) = PAU A' = P(A) + P(A’), a 1 Essa proposigdo ¢ surpreendentemente iil, porque hévérias situagdes em que P(A") &maisfecitmente | ‘biida pelos métodos diretos da que P(A). Exemplo 2.13 ; ‘Considere nm sistema de cinco camponentes idBntios ligados em sécie, conforme ilustrado na Figura 23. He 3 4 \ | Figura 2.3 Um sistema de cinco componenteslgadias em sii 1 Representarnos um componente que falha por Fe o que nfo falha por S (de sucesso), Representamos por A oevento em que o sistema falta, Para que A ocorra, a0 menos um dos componente individuais deveProbabiidade 53, falhar. Os resultados de A inclvem SSFSS (1,2, 4€ 5 funcionam, mas 3 nfo), PFSSS e assim pordiante Hi, de fato, 31 resultados diferentes em A. Entretanto, A’, o evento em que o sistema funciona, con- siste em um Gnico resultado SSSSS. Veremos na Seg80 2.5 que, se 90% de todos esses componentes aio falharem e componentes diferentes falharem indopendentemente um do outro, enti, P(A’) = P(SSSSS) = 0.9° = 0,59, Portanto, P(A) = 1 — 0,59 = 0,41; entZo, entre um grande ntimero esses sistemas, cerca de 41% falharo, 2 Em geral, a proposiedo acima mencionada ¢ ttl quando o evento de interesse puder ser expressado aitia, en ‘camo “pelo menos..”, dosde que, entio, o complemento “menos que.” possa ser mais facil de se tra do ser- ‘alhar (em alguns problemas, “mais que,.” & mais fécil de lidar do que “no méximo..”), Se voc8 tiver vente 10 dificuldade pare calcular P(A) diretamente, pense em determinar P(A’) mo base { Proposicao nto, Por | Para qualquer evento A, (A) = 1 Isso se dé porque 1 = P(A) + P(A’) = PCA), i que P(A’) = 0. ‘Quaridoos eventos Ae 2 sio mutuamente exclusivos (ou disjuntos), P(A U 8) = P(A) + P(B), Para eventos que nfo sic mutuamente exclusivos, acrescentar P(A) c P(B) leva a resuliados de “contagem du- pl na intersecZo. O préximo resultado mostra como corrigi sso. Proposicio| Para quaisquer dois eventos Ae B, ee PIA UB) = P(A) + PB) — PAN) ‘comoo a ans’, § DerorstiogSo Perocba,primeiramente, que A U B pode ser decomposto em dois eventos dsjuntos, Ae reaver § BMA otiimo a parte de B que fice fora de A (observe a Figura 2.4), Além diss, B em sié x unio umain- § d08 dois eventos dsjuntos A Be A’ MB, entio PCB) = PLA MB) + PCA’ 7B). Dest forma, ss infor. PAU) = PA) + PA) = A) + (PCB) ~ PAB) » podem Sips matt on P(A) + PB) - PAN) sa sobee a a Jol - Figura 2.4 Representacio de A U B como una de eventos disunes (ou nutuamenteetlushios). Exemplo 2.14 : Em certo subitbio residencial, 60% de todas a residncias recebem o servigo de Intemct da companhia 4 cabo local, 80% recebem 0 scrviga de tclvisio desta companhia e 50% recebem ambos 0 servicos, ‘Se uma residéncia for selecionada aleatoriamente qual é a probebilidade de ela receber ao menos um des. dimente $28 dois servigos da companbia e qual é a probabilidade de ela reeeber exatamente um destes servigos da compaahi’? Com A = (recebe servigo de Internet} ¢ B fam que P(A) = 0,6, PUB) = 08 © PLAN B) recebe servigo de TV), as informagdes dadas impli- ,5. A proposigio acima mencionada agora produz ra 2.3, P(assinatura de ao menos um dos dois servigos) PAU B) = P(A) + P(B) ~ PAB) = 06 + 08 — 0,5 = 09 O evento de que uma residéncia tenha assinatura apenas do servigo de TV pode see escrito como A’ OB {(oéo Intemet) e TV]. A Figura 2.5 implica que 09 = P(AUB) = PA) + PAB) = 06 + PLAT BY nos por paeal aE que P(A’ 1 B) = 0,3. De forme andloga, P(A A B') = P(A U B) ~ PCB) = 0,1. Isto ilustrado na Figure 2.5, a partir da qual vemos que! 54 Probabiliade eetatistica para engenhariae céncas P(exstamente um) = P(A TB) + PLA’ NB) rane) TS Cosyo5 | ’ Figura 2.5 Probabildaces co Exerplo 2.14 A probabilidade de uma unig de mais de dois eventos pode ser calculada de forma anéloga, | Para quaisquer tts eventos A, Be C, PAUBUO = Pld) + PB) + (OQ ~ RAN) ~ PANG, | ~ PENG + PANBNO 1bso pode ser verifcado examinando um diggrama de Venn de A UB U C, que € mostrado na Figora 26. Quando P(A), P(B) ¢ P(C) s80 adicionados, certs interseg%es sGo contadas dus veres, deforma que elas devem ser subtradas; todavia, isso resulta em P(A 7B /) C) seado subirafdos urna vez com muita frequéncia, 4 Lose | figura 26 AU BUC 4 Determinando probabilidades sistematicamente 4 Considers um espago amostral que sejafnito ou “infinito enumerével” o titimo significa que os resul- tados poviem ser listados em uma sequénca infinita, ent, hi um primeiro resultado, um segundo re- sultado, um tereiro resultado e assim por diante-- por exemplo, o censio do teste de bateria do Exem- Blo 2.12). Considere E;, Zy Ey... 08 eventos simples correspondentes, eada um consistindo em um Snico resultado, Uma estratégiasensata para cdleulo da probabilidade ¢ primiro determinar cada pro- bebilidade de evento simples, com a exigéncia de que DP(E)) = I. Entio, a probabiidade de qualquer evento composto 4 écalculada somando as P(E) para todos os E,em A i Pa) = 3 Pe) Exemplo 2.15 Darante as horas fora do horério de pico, um trem de passageiros possui cinco vagGes. Suponha que um passageirotenha o dabro da probsbildade de excothero vagio do meio (a°3) do que de excolheruin va, sho adjacente (n° 2.004) o tenba o dobro da probabilidade de escoler umn vagéo adjacente do que vs colher um vagio da extremidade (a° 1 ou 5). Considere p, = P(vagio ié escolhide) = P(E), Entio, te- mos ps = 2p: = 2p. © 2 = 2p, = 2ps = py sso dd 1s SPE) =m + 2p, + 4p, + 2p, + P= 10, implicando p, = ps = 0,1, py 02, p; = 04. A probabilidade de que um dos t8s vases do meio seja escolhido (um evento composto) 6, entho, py + py + py ~ 0,8. Resultados equiprovaveis Em muitos experimentos que consistem em N resultados, & razodvel atibuir probabilidades iguais a to- dos 0s V eventos simples. Tais eventos incluem exemplos Sbvios, como langamento de uma moeda: ouProbabildade 55, ‘um dado ndo viciado uma ov duas vezes (ou qualquer nimero fixo de vezes); ou selecionar uma ou di ‘ersas carta do um baralho de 52 cartas bem embaralhado, Com p ~ P(B) pata cada i petty 1 BPE) = Sp = pW, portant,» = 5 Oa seja, se houver N resultados equiprovéveis (igualmente provéveis), a probabilidade para cada & 1/N, ‘Agora, considere um evento A, com NA) representando o ntimero de resultados contidos em A, Extio, LM) Chee ae 7 Poitaato, quando os resultados si igualmente provaveis, calcular as probabilidades se reduz & conta: gem: deierininc o ndmero dos resultados N(A) em A e o niimero de resultados N em Se forme saa razo, PA) Exemplo 2.16 - “Voce tem ses livos de mistério io Tidos em sua estante de livros e seis ivros de fiegto cientiica nfo ora lidos. Os trés primeiros de cada tipo tém cape dura e os rs ttimos tm capa simples. Considere sele- que

Você também pode gostar

• Normas para reconhecimento de tempo de serviço em situações diversas no Exército

  

  Documento12 páginas

  Normas para reconhecimento de tempo de serviço em situações diversas no Exército

  Cláudio Fernandes Dos Santos

  Ainda não há avaliações
• Fiscal de Contratos (Cartilha)

  

  Documento25 páginas

  Fiscal de Contratos (Cartilha)

  Cláudio Fernandes Dos Santos

  Ainda não há avaliações
• Exercicios de Estatistica Segundo Semestre 2005

  

  Documento58 páginas

  Exercicios de Estatistica Segundo Semestre 2005

  Renata Monteclaro Cesar

  100% (1)
• • Revistas
  • Podcasts
  • Partituras
• Guia Foz de Iguaçu

  

  Documento12 páginas

  Guia Foz de Iguaçu

  Cláudio Fernandes Dos Santos

  Ainda não há avaliações
• TECNOLOGIA DA INFORMAÇÃOaplicada Na Logistica Interna de Uma Industria

  

  Documento12 páginas

  TECNOLOGIA DA INFORMAÇÃOaplicada Na Logistica Interna de Uma Industria

  Cláudio Fernandes Dos Santos

  Ainda não há avaliações
• Cartilha Reserva Remunerada PDF

  

  Documento20 páginas

  Cartilha Reserva Remunerada PDF

  Cláudio Fernandes Dos Santos

  Ainda não há avaliações
• Fluxos Logísticos

  

  Documento10 páginas

  Fluxos Logísticos

  Cláudio Fernandes Dos Santos

  Ainda não há avaliações
• Telefones Emergencia

  

  Documento1 página

  Telefones Emergencia

  Cláudio Fernandes Dos Santos

  Ainda não há avaliações
• Aula 7 - Fundamentos de Aerodinâmica

  

  Documento23 páginas

  Aula 7 - Fundamentos de Aerodinâmica

  roberta.a.t

  Ainda não há avaliações
• Mecanico de Manutenção Aeronautica 13 Aerodinamica

  

  Documento35 páginas

  Mecanico de Manutenção Aeronautica 13 Aerodinamica

  Rafael

  100% (8)
• Aero dinâmica

  

  Documento6 páginas

  Aero dinâmica

  Cláudio Fernandes Dos Santos

  Ainda não há avaliações
• Calorias

  

  Documento4 páginas

  Calorias

  Cláudio Fernandes Dos Santos

  Ainda não há avaliações