Escolar Documentos
Profissional Documentos
Cultura Documentos
NOES DE
PROBABILIDADE E ESTATSTICA
2012
ESTATSTICA E PROBABILIDADE
Para Levasseur a estatstica : O estudo numrico dos fatos sociais. Yule define
estatstica como: Dados quantitativos afetados marcadamente por uma multiplicidade de
causas.
Uma definio mais usual nos dias de hoje seria: Um mtodo cientfico que permite a
anlise, em base probabilstica, de dados coligados e condensados. Ou ainda podemos
dizer que Estatstica um conjunto de mtodos quantitativos, que servem para a coleta,
organizao, reduo e apresentao de dados, anlise dos mesmos e a obteno de
concluses vlidas e tomadas de decises a partir de tais anlises.
Estatstica pode ser entendida como sendo a cincia de aprendizagem a partir de dados.
No nosso cotidiano, precisamos tomar decises, muitas vezes decises rpidas. Assim
podemos dizer que a Estatstica fornece mtodos que auxiliam o processo de tomada de
deciso.
Quantitativos Contnuos
Discretos
Qualitativos Nominais
Por postos
As variveis contnuas podem assumir qualquer valor num intervalo contnuo. Os dados
referentes a tais variveis dizem-se dados contnuos. Ex.: peso, comprimento, espessura
onde se usa a mensurao.
Os dados por postos consistem de valores relativos atribudos para denotar ordem:
primeiro, segundo, terceiro, quarto, etc. Ex.: concurso de beleza se classificam em 1, 2,
3 colocadas.
TIPOS DE DADOS
3- Organizar os dados
5- Relatar as concluses
EXERCCIOS
1- Identifique os seguintes exemplos em termos de tipos de dados:
a- 17 gramas
b- 3 certos, 2 errados
c- 25 segundos
d- 25 alunos na classe
e- tamanho de camisa
f- Km/litro
g- O mais aprazvel
h- O mais lento
i- 5 acidentes no ms de maio
Responder as perguntas:
conhecimento de Estatstica?
2.1 DEFINIES:
POPULAO: o conjunto de indivduos (ou objetos), que tem pelo menos uma varivel
comum observvel. Populao a totalidade dos elementos de um conjunto com uma
dada caracterstica, no qual se deseja fazer um determinado estudo.
AMOSTRA: qualquer subconjunto da populao extrada para se realizar estudos
estatsticos.
.
POPULAO
AMOSTRA
H vrios mtodos para extrair uma amostra, talvez o mais importante seja a amostragem
aleatria. De modo geral, a amostragem aleatria exige que cada elemento tenha a
mesma oportunidade de ser includo na amostra.
Nas Populaes discretas uma amostra aleatria aquela em que cada item da
populao tem a mesma chance de ser includo na amostra.
Nas Populaes contnuas, uma amostra aleatria aquela em que a probabilidade de
incluir na amostra qualquer intervalo de valores igual percentagem da populao que
est naquele intervalo.
SISTEMTICA
ESTRATIFICADA
CONGLOMERADO
AMOSTRAGEM SISTEMTICA
muito parecida com a amostragem aleatria simples. Podemos ter uma amostragem
realmente aleatria, escolhendo-se cada K-sima amostra, onde K obtem-se dividindo o
tamanho da populao pelo tamanho da amostra.
Significa que ser escolhido um item a cada seqncia de 20 de uma lista. Para iniciar
pode-se usar uma tabela de nmeros aleatrios de 0 a 9 para iniciar os grupos. Por
exemplo se der o 9, escolhemos o 9, 29, 39 ,49 , etc.
comum termos 10% dos itens representarem cerca de 60% do valor total em quanto que os
90% restantes representam s 40% do valor total (Curva A,B,C; Pareto; regra 80/20).
populaes) representativos da populao global. Neste caso cada conglomerado pode ser
Ex.: Estudo pr-eleitoral para medir a preferncia dos eleitores. (Sub-grupos: sexo,
Para populaes discretas o termo Aleatrio significa que cada item da populao tem a
mesma chance de participar na amostra.
a- Finita;
b- Infinita.
analisar e entender uma massa de dados, relevantes ao seu particular objeto de estudos.
De modo geral, podemos dizer que a essncia da cincia a observao e que seu
objetivo bsico a inferncia. Esta a parte da metodologia da cincia que tem por
finalmente, faz-se a inferncia para uma populao, da qual os dados (amostras) foram
obtidos.
Para cada tipo de varivel existem tcnicas mais apropriadas para resumir as informaes.
Porm podemos usar algumas tcnicas empregadas num caso e adapt-las para outros.
1 grau
IIIIIIIIIIII 12 33,33
2 grau
IIIIIIIIIIIIIIIIII 18 50,00
TOTAL 36 100
4 |----- 8 10 27,78
8 |----- 12 12 33,33
12 |----- 16 8 22,22
16 |----- 20 5 13,89
20 |----- 24 1 2,78
TOTAL 36 100
0 4 20
1 5 25
2 7 35
3 3 15
5 1 5
TOTAL 20 100
A apresentao grfica dos dados e respectivos resultados de sua anlise pode tambm
ser feita sob forma de figuras, em geral grficos ou diagramas.
freqncias
12
10
0
4 I-------8 8 I-------12 12 I-------16 16 I-------20 20 I-------24
Salrios
freqncias
12
10
0
4 |---- 8 8 |---- 12 12 |----16 16 |----20 20 |----24
salrios
.f = .r 2 , ou seja, r = f . Se chamar r = ' f .
de , tem-se:
Portanto, os raios dos crculos devem ser proporcionais raiz quadrada das freqncias
das modalidades da varivel.
Assim se quisermos representar graficamente a distribuio da tabela 4, os raios do crculo
devero ser:
33,33
2,7 13,89 22,22 27,78
% %
% % %
Outra opo seria atravs de setores circulares, na qual se divide a rea total de um crculo
em subreas (setores) proporcionais as freqncias.
Lembrando que o crculo compreende setores cujas reas (S) so produto do raio (r) pelo
tamanho do arco (a), isto , S = r.a, e como S deve ser proporcional freqncia f, tem-se
S= .f , onde o fator de proporcionalidade; ento:
.f = r. a
a = .f
r
Se chamarmos de , tem-se S = .f , isto , os arcos e os respectivos ngulos centrais
r
de um crculo igual a 360, e sendo F a freqnci a total, tem-se
360 = . F
360
ou seja: ' =
360
. Portanto a= .f .
F F
a3 = 360 x 22,22 = 80
100
a4 = 360 x 13,89 = 50
100
S5 = 360 x 2,78 = 10
100
120
50
10
.
100 80
33%
22%
28% 14%
3%
No diagrama linear deve-se plotar os pontos nos eixos como foi feito no diagrama de
barras e em seguida unir esses pontos por semi-retas constituindo-se desta forma o
diagrama linear.
freq.
12
10
0
4 8 8 12 12 16 16 20 20 24
salrios
A anlise estatstica de dados relativos a uma amostra de uma populao, requer uma
aglutinao organizada de informaes, conforme regras cuja prtica demonstrou serem
eficientes.
Consideremos uma relao de pesos de pacotes de manteiga, em gramas, de uma
amostra de 100 pacotes extrados parcialmente de um processo automtico de
empacotamento.
15
A especificao de fabricao 215 gramas (200 a 230 gramas)
TABELA 6
AMOSTRA PESO AMOSTRA PESO AMOSTRA PESO AMOSTRA PESO AMOSTRA PESO
1 207 21 220 41 210 61 210 81 217
2 213 22 204 42 214 62 220 82 211
3 210 23 213 43 219 63 213 83 213
4 215 24 211 44 215 64 217 84 218
5 201 25 214 45 217 65 214 85 213
6 210 26 217 46 213 66 219 86 216
7 212 27 224 47 218 67 214 87 218
8 204 28 211 48 214 68 215 88 216
9 209 29 220 49 215 69 223 89 206
10 212 30 209 50 212 70 217 90 212
11 215 31 214 51 221 71 213 91 207
12 216 32 208 52 211 72 218 92 213
13 221 33 217 53 218 73 207 93 215
14 219 34 214 54 205 74 210 94 212
15 222 35 209 55 220 75 208 95 223
16 225 36 212 56 203 76 214 96 210
17 215 37 208 57 216 77 211 97 226
18 218 38 215 58 222 78 205 98 224
19 213 39 211 59 206 79 215 99 214
20 216 40 216 60 221 80 207 100 215
O agrupamento destes dados em sub-grupos feito com base nos seguintes conceitos:
Amplitude total (RT ou ): a diferena entre a medida mxima e a medida mnima. No
caso da amostra de pacotes de manteiga acima, temos:
25
No exerccio temos: amplitude do intervalo de cada classe RI = = 2,78 (aprox. 3)
9
As classes devem ser mutuamente exclusivas, para que no haja dvida na localizao
dos valores das variveis, podemos da utilizar as seguintes simbologias para os intervalos:
0 ----I 10 intervalo aberto & fechado, para significar que o intervalo compreende os
valores da varivel maiores do que 0 (exclusive) e at 10 (inclusive);
0 I---- 10 intervalo fechado & aberto, para significar que compreende os valores da
varivel a partir de 0 (inclusive) e at 10 (exclusive);
0 ----- 10 Intervalo aberto & aberto, para significar que compreende valores maiores do
que 0 e menores do que 10.
0 I----I 10 intervalo fechado & fechado, para significar que compreende os valores da
varivel a partir de 0 (inclusive) e at 10 (inclusive).
100 100%
Onde:
Freqncia (f) = nmero de vezes que as medidas ocorrem no intervalo de classes
Freqncia Relativa (fR) = porcentagem da freqncia de cada classe em relao ao total
f
de elementos. f R = .100
n
Freqncia acumulada (F) = soma das freqncias at o intervalo de classe considerado.
Ex. F5 = f1+ f2 + f3 + f4 + f5 1 + 4 + 10 + 15 + 25 = 55
Freqncia acumulada relativa (FR) = soma das freqncias relativas at o intervalo
considerado. Por ex.: FR3 = fR1 + fR2 + fR3 1 + 4 + 10 = 15
POLGONO DE
FREQNCIAS
HISTOGRAMA
15
10
1 2 3 4 5 6 7 8 9 CLASSES
FREQNCIAS
25 RELATIVAS (%)
POLGONO DE
FREQNCIA
RELATIVA
HISTOGRAMA
15
10
1 2 3 4 5 6 7 8 9 CLASSES
FREQNCIAS
ACUMULADAS
POLGONO DE
100 FREQNCIA
ACUMULADA
HISTOGRAMA
55
15
1 2 3 4 5 6 7 8 9 CLASSES
FREQNCIAS
ACUMULADAS
RELATIVAS (%)
POLGONO DE
100 FREQNCIA
ACUMULADA
RELATIVA
HISTOGRAMA
55
15
1 2 3 4 5 6 7 8 9 CLASSES
B) Alongada
A) Assimtrica Positiva
mo
mo mo
mo mo mo
Uma alternativa para o uso da tabela de distribuio de freqncias usar o grfico do tipo
ramo-e-folhas.
Podemos estudar a partir de um exemplo prtico:
Observamos os seguintes nmeros de passageiros em 50 viagens de um avio que faz a
ponte area Rio - So Paulo:
61 52 64 84 35 57 58 95 82 64
50 53 103 40 62 77 78 66 60 41
58 92 51 64 71 75 89 37 54 67
59 79 80 73 49 71 97 62 68 53
43 80 75 70 45 91 50 64 56 86
SOLUO:
F FA
3 5 7 2 2
4 0 1 3 5 9 5 7
5 0 0 1 2 3 3 4 6 7 8 8 9 12 19
6 0 1 2 2 4 4 4 4 6 7 8 11 30
7 0 1 1 3 5 5 7 8 9 9 39
8 0 0 2 4 6 9 6 45
9 1 2 5 7 4 49
10 3 1 50
1920
1930
1940
1950
1960
1970
1980
1990
EXERCCIO
Como o prprio nome indica, a medida de tendncia central visa a determinar o centro da
distribuio. Esta determinao, porm, no bem definida da parece razovel
chamarmos de tendncia central.
__
MDIA ARITMTICA SIMPLES/PONDERADA ( X ou M);
MEDIANA (md);
MODA (mo).
_ x i _
x
X= i =1
ou simplificadamente, X =
n n
n
Sendo: x
i =1
i = x 1 + x 2 + ... + x n
_
8 + 3 + 5 + 12 + 10 38
X= = = 7 ,6
5 5
__ x i .fi
X= i =1
n
f i =1
i
Nmeros x = 5, 8, 6, 2
Freqncias f = 3, 2, 4, 1
__ x i .fi
(5.3) + (8.2) + (6.4) + ( 2.1) 57
X= i =1
= = = 5 ,7
n
3+ 2+4+1 10
f i =1
i
Exemplo: Determine a posio da mediana para: (a) n=15, (b) n=45 e (c)n=88.
n + 1 15 + 1
(a) = = 8 , e a mediana o valor do 8 elemento;
2 2
n + 1 45 + 1
(b) = = 23 , e a mediana o valor do 23 elemento;
2 2
n + 1 88 + 1
(c) = = 44,5 , e a mediana a mdia do valor do 44 e o 45elem ento.
2 2
n n
Ou seja, quando n par procuramos duas posies: e + 1
2 2
No caso do exerccio da distribuio dos 100 valores de peso de pacotes de manteiga
temos:
50
valor
F 0 1 5 15 30 55 76 89 96 100
X 200 203 206 209 212 215 218 221 224 227
50
30 55
212 215
= 5 x 3 = 0,6 = 20 x 3 = 2,4
25 25
portanto a mediana ser 215 - portanto a mediana ser 212 +
logo, md = 215 - 0,6 = 214,4. logo, md = 212 + 2,4 = 214,4.
n
Fant
m d = l inf +h 2 , onde:
f med
n
metade da quantidade de dados
2
h amplitude da classe mediana
linf limite inferior da classe da mediana
fmed freqncia absoluta da classe da mediana
Fant freqncia acumulada da classe anterior a da
mediana
n
Fant
m d = l inf +h 2 = 212 + 3 50 30 = 212 + 3.0,8 = 212 + 2,4 = 214,4
f med 25
md = 214,4
Como extenso do conceito de mediana, podemos dividir os valores em quatro, dez e cem
partes iguais. Essas divises so chamadas de quartis, decis e centis, respectivamente.
O clculo dessas divises semelhante ao da mediana, isto :
i .n
FQi 1
Quartis: Q i = l inf +h 4 , onde i = 1, 2, 3
f Qi
i .n
FDi 1
Decis: D i = l inf + h 10 , onde i = 1, 2, 3, 4, 5, .., 9
f Di
i .n
FCi 1
Centis: C i = l inf + h 100 , onde i = 1, 2, 3, 4, 5, ..., 99
f Ci
Onde:
h amplitude da classe
linf limite inferior da classe da quartlica, declica ou
percentlica
fQi , fDi , fCi freqncias das classes quartlica, declica e
percentlica, respectivamente
FQi-1 , FDi-1 , FCi-1 freqncias acumuladas da classe
anterior classe quartlica, declica ou percentlica
9.4 MODA ( mo )
Em um conjunto de nmeros a moda o valor que ocorre com maior freqncia, isto , o
valor mais comum.
Exemplos:
1) 2, 2, 3, 7, 8, 8, 8, 9, 10
moda=8
2) 1, 2, 3, 4, 5, 6, 7, 8, 9, 10
moda = (no existe moda)
3) 2, 2, 4, 4, 4, 5, 6, 7, 8, 8, 8, 9
moda = 4 e 8
O clculo da moda pelo Mtodo de Pearson mais utilizado quando temos uma
indicao de que os trs parmetros de tendncia central (mdia, mediana e moda)
estejam muito prximos.
Um outro mtodo, de origem grfica, o Mtodo de Czuber, que utilizamos na maioria
dos casos:
a
mo = l inf + h
a + p
onde:
linf = limite inferior da classe modal.
a = diferena entre a fi da classe modal e a fi da classe anterior. Entenderemos como
classe anterior aquela que precede classe modal.
p = diferena entre a fi da classe modal e a fi da classe posterior (aquela que vem
logo aps a classe modal).
h = amplitude da classe modal.
A equao da moda pode ser deduzida facilmente do processo grfico para determinar
a moda em um histograma.
a x ha
= x=
p h x a + p
a
Portanto: mo = l inf + h
a + p
xx x x x x xxx xxx xx x x
a) pequena disperso
xx x x xxx x x x x x x x x xx x x xxx x x x xx x x x x xx
b) grande disperso
a medida mais simples de disperso. a diferena entre o maior e o menor valor das
observaes.
RT = Xmax Xmin
1- Utiliza apenas uma parcela das informaes contidas nas observaes. O seu valor
no se modifica mesmo que os valores das observaes variem, desde que
conservem os seus valores mximo e mnimo. Ou seja, depende apenas dos
valores externos (max e min), no sendo afetada pelos valores internos.
X min X max.
RT = pequeno
X min X max.
RT = Grande
__
O desvio mdio d a mdia aritmtica dos mdulos dos desvios, isto :
__
__
d x i x
d= =
i
n n
Para uma distribuio de freqncias (simples ou por classes), teremos:
__
__
d .fi x i x .fi
d= =
i
n n
Exerccio: calcular o desvio mdio para os exemplos (1), (2) e (3) da pgina anterior.
2 ou s2)
10.4 VARINCIA (
__
tamanho da amostra.
As equaes anteriores para 2 e s2 representam uma maneira de clculo dessas medidas.
Podemos tambm utilizar as seguintes equaes:
2 =
f (x )
i i
2
N. 2
ou s2 =
f (x )
i i
2
n. x
N n 1
ou s)
10.5 DESVIO PADRO (
s
cv = .100 (para populao) ou cv = __ .100 (para amostra)
x
(4) Vinte e cinco residncias de um certo bairro foram sorteadas e visitadas por um
entrevistador que, entre outras questes, perguntou sobre o nmero de televisores. Os
dados foram os seguintes:
2, 2, 2, 3, 1, 2, 1, 1, 1, 1, 0, 1, 2, 2, 2, 2, 3, 1, 1, 3, 1, 2, 1, 0 e 2.
Organize os dados numa tabela de feqncia e determine as diversas medidas de posio.
Determinar:
a) a mediana;
b) o 1 Quartil;
c) o 3 Quartil;
d) o 8 Decil;
e) o 15 Centil.
(9) Voc est indeciso em comprar um aparelho de televiso e decide avaliar algumas
informaes estatsticas, fornecidas pelo fabricante, sobre a durao (em horas) do
tubo de imagem.
Marca do aparelho GA FB HW
Mdia 8000 8200 8000
Mediana 8000 9000 7000
Desvio Padro 600 1500 2500
(11) Num estudo sobre consumo de combustvel, 200 automveis do mesmo ano e modelo
tiveram seu consumo observado durante 1000 quilmetros. A informao obtida
__
apresentada na tabela abaixo em km/litro. Calcular X , S2 e S.
Faixas Freqncia (f)
7 8 27
8 9 29
9 10 46
10 11 43
11 12 55
Calcular a mdia, mediana, moda, varincia e desvio-padro dos dados da tabela acima.
(12) 15 alunos participaram de um teste e obtiveram os seguintes resultados 60, 45, 70, 30,
85, 60, 30, 70, 60, 60, 85, 70, 70, 85 e 70.
Pede-se:
a) Construir uma tabela de dados ponderados;
b) Calcular a mdia aritmtica (ponderada);
c) Calcular o desvio padro;
d) Determinar a varincia.
xi f
30 2
45 1
60 4
70 15
85 3
.
(14) Calcular a varincia da srie de dados dada pela tabela abaixo:
Classes fi
[2 ; 4) 2
[4 ; 6) 5
[6 ; 8) 7
[8 ; 10) 4
[10 ; 12) 3
[12 ; 14] 3
Porm existem apenas dois eventos possveis: sair cara (K) ou coroa (C). Nesse
exemplo existe um caso favorvel a esse evento em dois casos possveis. A P (K) = ou
50%.
P= e Q=
Sendo P+Q = 1 ento P= (1 - Q) e Q = (1 - P)
ESPAO AMOSTRAL
No se interceptam cartas de
MUTUAMENTE EXCLUSIVOS copas e cartas de paus
A B
OBJETIVO SUBJETIVO
1
P(cada resultado) =
N de resultados possveis
Por exemplo, a probabilidade de extrao de uma dama, de acordo com esta definio,
Pode ser necessrio determinar P(A e B), isto ; a probabilidade de ocorrncia de ambos
os eventos.
= 13 + 4 - 1 = 16
52 52 52 52
NAIPE
K K K K
Q Q Q Q
J J J J
10 10 10 10 a carta
um dez
9 9 9 9
8 8 8 8
7 7 7 7
6 6 6 6
5 5 5 5
4 4 4 4
3 3 3 3
2 2 2 2
A A A A
Carta de paus
Os eventos paus e dez se interceptam.
Como foi visto no final do item anterior, existem algumas regras de probabilidade. Neste
item detalharemos tais regras, conhecidas como propriedades da probabilidade.
Revendo, a probabilidade de um evento A ocorrer um nmero entre 0 e 1, ou seja:
0 P(A) 1
Se considerarmos o espao amostral, S, e o conjunto vazio, , como eventos, temos:
Exemplo: Suponha que o seguinte quadro represente uma possvel diviso dos alunos
matriculados num Instituto de Matemtica:
Sendo M o evento que ocorre quando, escolhendo-se ao acaso um aluno do Instituto, ele
um estudante de Matemtica Pura. A, E, C, H e F so os demais eventos com significados
anlogos. Desta maneira, temos como exemplos:
30 115
P ( E) = e P( H ) =
200 200
Dados os eventos A e H, podemos considerar dois novos eventos:
- A H, chamado a unio de A e H, que ocorre quando pelo menos um dos eventos
ocorre;
- A H, chamado a interseco de A e H, que ocorre quando A e H ocorrem
simultaneamente.
15
fcil verificar na tabela anterior que P( A H ) = , pois o aluno escolhido ter
200
que ser ao mesmo tempo, matriculado no curso de Matemtica Aplicada e homem.
30 115
Vemos que P( A ) = e P( H ) = ; suponha que o nosso clculo para P(A H)
200 200
fosse:
30 115 145
P ( A H ) = P ( A ) + P( H ) = + =
200 200 200
Se assim o fizssemos, estaramos contando duas vezes os alunos que so homens e que
esto matriculados no curso de Matemtica Aplicada, como est em destaque na tabela
anterior. Portanto a resposta correta :
30 115 15 130
P( A H ) = P( A ) + P( H ) P( A H ) = + =
200 200 200 200
30 30
No entanto, considerando-se os eventos A e C, vemos que P( A ) = , P( C) = e
200 200
60
P( A C) = = P( A ) + P(C) . Neste caso, os eventos A e C so disjuntos ou
200
P( A C ) = 1 P( A )
As operaes de unio, interseco e complementao entre eventos possuem
propriedades anlogas quelas vlidas para operaes entre conjuntos.
Por exemplo:
(i) (A B)C = AC BC
(A B)C = AC BC
(ii) A AC =
A AC = S
(iii) A=
AS=A
A=A
AS=S
(iv) C = S
SC =
[ ]
(c) P( A C B C ) =P ( A B ) C = 1 P( A B ) = 1
7 5
=
12 12
) =P [( A B ) ]= 1 P( A B ) = 1 =
1 3
(d) P( A C B C C
4 4
Podemos escrever:
B = ( A B) ( A C B) ,
ou seja, B pode ocorrer com A ou (exclusivo) com AC. Logo,
P( B ) = P( A B ) P ( A C B ) ,
do que decorre
1 1 1
P ( A C B ) = P( B ) P ( A B ) = =
3 4 12
Voltemos tabela da pgina 59. Dado que um estudante, escolhido ao acaso, esteja
20 2
matriculado no curso de Estatstica, a probabilidade de ele ser mulher de = . Isto
30 3
porque do total de 30 alunos que estudam Estatstica, 20 so mulheres. Escrevemos:
2
P(mulher | Estatstica ) =
3
Para dois eventos quaisquer A e B, sendo P(B) > 0, definimos a probabilidade condicional
de A, dado B, P(A|B), como sendo:
P( A B )
P( A | B ) =
P( B )
Para o exemplo mencionado, se A e B indicam, respectivamente, os eventos aluno
matriculado em Estatstica e aluno mulher, ento P(AB) = 20/200, P(B) = 30/200 e,
portanto:
P( A B ) 20 / 200 2
P( A | B ) = = = ,
P( B ) 30 / 200 3
como havamos obtido.
P( A B ) = P(B ) . P( A | B )
Exemplo: Uma urna contem duas bolas brancas (B) e trs vermelhas (V). Suponha que
sorteemos duas bolas ao acaso, sem reposio. Isto significa que escolhemos a primeira
bola, verificamos a sua cor e no a devolvemos urna; misturamos as bolas restantes e
retiramos a segunda bola. O diagrama em rvore ilustra as possibilidades. Em cada galho
da rvore esto indicadas as probabilidades de ocorrncia, sendo que para algumas bolas
temos probabilidades condicionais. A probabilidade dos resultados conjuntos , ento,
dada pela regra do produto acima.
1
B V
1 /4
B 1 /3 B
2 /5 3 /4
V V
2 /3
1 /3 B
B V
2 /4 2 /3
3 /5 V
2 /4 2 /3 B
V
V
1 /3
Resultados Probabilidades
BBV 2 1 2 6
. .1 = =
5 4 20 60
BVB 2 3 1 6
. . =
5 4 3 60
BVV 2 3 2 12
. . =
5 4 3 60
VBB 3 2 1 6
. . =
5 4 3 60
VBV 3 2 2 12
. . =
5 4 3 60
VVB 3 2 2 12
. . =
5 4 3 60
VVV 3 2 1 6
. . =
5 4 3 60
Total 60/60 = 1
1 2
P( A B ) = P( A ) . P( B )
P ( A C ) = P( A ) . P( C)
P( B C ) = P( B ) . P( C)
P( A B C) = P( A ) . P( B ) . P( C)
Esta definio pode ser estendida para um nmero finito qualquer de eventos
independentes.
Uma das relaes mais importantes envolvendo probabilidades condicionais dada pelo teorema
de Bayes, que expressa uma probabilidade condicional em termos de outras probabilidades
condicionais e marginais. Vamos introduzi-lo atravs de um exemplo.
Exemplo: Temos 5 urnas exatamente iguais, cada uma com 6 bolas. Duas dessas urnas (tipo C1)
tm 3 bolas brancas, duas outras (tipo C2) tm 2 bolas brancas, e a ltima urna (tipo C3) tem 6
bolas brancas. Escolhemos uma urna ao acaso e dela retiramos uma bola. Qual a probabilidade da
urna escolhida ser do tipo C3, sabendo-se que a bola sorteada branca?
Na figura abaixo esto esquematizados o espao amostral e os eventos de interesse.
C1 C2 C3
1 2 3 4 5
C
O B
R
BC
S
Teorema de Bayes A probabilidade de ocorrncia de um dos eventos Ci, dado que ocorreu o
evento A, dado por:
P (C i ) . P ( A | C i )
P( C i | A ) =
n
P(C j ) . P( A | C j )
j =1
onde , i = 1, 2, ..., n.
Exemplo: Para selecionar seus funcionrios, uma empresa oferece aos candidatos um curso de
treinamento durante uma semana. Ao final, eles so submetidos a uma prova e 25% so
classificados como bons (B), 50% como mdios (M) e os restantes 25% como fracos (F).
P( F ) . P( A | F )
P( F | A ) = =
P( B ) . P( A | B ) + P ( M ) . P ( A | M ) + P ( F ) . P( A | F )
(0,25) . (0,20)
= = 0,10
(0,25) . (0,80) + (0,50) . (0,50) + (0,25) . (0,20)
Ento, apenas 10% dos aprovados que seriam classificados como fracos durante o
curso. De modo anlogo, podemos encontrar:
P(B|A) = 0,40 e P(M|A) = 0,50
que seriam subsdios valiosos para ajudar a deciso de substituir o treinamento pelo teste.
OBSERVAES:
- O teorema de Bayes usado extensivamente nas anlises de decises. As
probabilidades prvias so freqentemente estimativas subjetivas fornecidas por um
tomador de deciso. A informao amostral obtida e as probabilidades posteriores
so calculadas para uso no desenvolvimento de uma estratgia de deciso.
- Um evento e seu complemento so mutuamente exclusivos e suas unies formam
uma partio. Assim, o teorema de Bayes sempre aplicvel para o clculo das
probabilidades posteriores de um evento e seu complemento.
Uma das possibilidades o uso das rvores de deciso, mas quando o nmero de
resultados grande, essa lista se torna muito trabalhosa; necessrio ento recorrer a
frmulas matemticas para determinar o nmero total de resultados possveis.
Em segundo lugar devemos explorar suas diversas verses. Imaginemos que o teste
consista de apenas:
Conclui-se:
Nmero de questes : 1 2 3 4
Nmero de resultados : 2 4 8 16
V VVV
V F VVF
V V V FV
F F V FF
V FV V
V F FV F
F
V FFV
F
F FFF
O diagrama mostra que cada questo dobra o nmero total de resultados possveis (com
duas alternativas V ou F) temos:
Para o uso na anlise combinatria usaremos o nmero fatorial representado pelo smbolo
! como por exemplo 4! l-se quatro fatorial e significa 4 x 3 x 2 x 1 = 24.
Outros exemplos:
5! = 5 x 4 x 3 x 2 x 1 = 120
12! = 12 x 11 x 10 x 9 x 8 x 7 x ..............x 1 = 479.001.600
4! = 12
2!
5! = 10
2! 3!
( 5 - 3 )! = 2! e no ( 5! - 3! )
( 9 - 2 )! = 7!
( 3 + 1)! = 4!
8! = 8! = 8 x 7 x 6 x 5! = 8x7x6 = 56
3! ( 8 3 )! 3! . 5! 3 x 2 x 5! 3x2
ARRANJOS
So agrupamentos que podem variar pela ordem ou natureza dos elementos. Quando se
consideram n elementos distintos tomados x a x chamamos arranjo ou agrupamentos
enerios que se podem formar com esses n elementos, dispomos de todas as formas
possveis de modo que dois arranjos quaisquer difiram ao menos pela ordem dos
elementos.
Outro exemplo: Se h sete cavalos num preo, quantos arranjos h considerando 1,2 e
3 lugares?
PERMUTAO
Denomina-se permutao aos arranjos de objetos tomados n a n. Neste caso cada objeto
entra s uma vez em todos os grupos.
n!
Pnn 1 , n 2 , ..., n K = (permutao com repeties)
(n 1 ! ) (n 2 ! ) (n 3 ! ) ... (n k ! )
Soluo
H 8 letras : 4Rs 3Us 1N dai:
8!
P84 3 1 = = 280
(4! ) ( 3! ) (1! )
Cn, x =
n!
x! (n x)!
= nx()
Quantos comits distintos, de 3 pessoas cada um, podemos formar com um grupo de 10
pessoas?
4! 6!
Mulheres e Homens => C 4 ,1 . C 6 , 2 = . = 4 . 15 = 60
1! 3! 2! 4!
n!
A n, x =
(n x )!
n!
Pnn 1 , n 2 , ..., n K =
(n 1 ! ) (n 2 ! ) (n 3 ! ) ... (n k ! )
Cn, x =
n!
x! (n x)!
= nx ()
2- Calcule:
3 4 5 9
a- b- c- d-
2 4 1 6
1,00
P
1,00 R 1,00
O 1,OO
B
A
P B
R 0,75 I 0,75
O L 0,75
B I
A D
B A
I 0,5 D 0,5
L 0,5 E
I
D A
A C
D 0,25 U 0,25
E 0,25 0,25 M 0,25
U
L
A
0 D 0
0 1 2 A 0 1 2
NMERO DE CARAS
NMERO DE CARAS
Uma v.a. que pode assumir tanto um nmero finito de valores como infinita seqncia de
valores tais como 0, 1, 2, 3, ... denominada varivel aleatria discreta. Por exemplo,
considere o experimento de um contador que faz um exame pblico. O exame tem quatro
partes. Podemos definir a v.a. discreta como x o nmero de partes em que foi aprovado
no exame. Essa v.a. discreta pode assumir o nmero finito de valores 0, 1, 2, 3 ou 4.
Como outro exemplo, considere o experimento de carros que chegam a um posto de
pedgio. A v.a. de interesse x o nmero de carros que chega durante o perodo de um
dia. Os possveis valores de x vm da seqncia de inteiros 0, 1, 2 e assim por diante.
Portanto x uma v.a. discreta que assume um dos valores nessa seqncia infinita.
Embora muitos experimentos tenham resultados que so naturalmente descritos por
valores numricos, outros no o so. Por exemplo, uma questo de um levantamento pode
solicitar a um indivduo que relembre a mensagem de um recente comercial de televiso.
Esse experimento poderia ter dois resultados possveis: o indivduo no pode lembrar a
mensagem e o indivduo pode lembrar a mensagem. Podemos ainda descrever esses
resultados experimentais numericamente, definindo-se a v.a. discreta x como segue: seja x
= 0 se o indivduo no pode lembrar a mensagem e x = 1 se o indivduo pode lembrar a
mensagem. Os valores numricos para essa v.a. so arbitrrios (poderamos usar 5 e 10),
mas eles so aceitveis em termos da definio de uma v.a..
Outros exemplos de v.a. discretas so dados a seguir:
f(x) = 1/n
onde:
n o nmero de valores que a v.a. pode assumir
x f(x)
1 1/6
2 1/6
3 1/6
4 1/6
5 1/6
6 1/6
VALOR ESPERADO
O valor esperado, ou mdia, de uma v.a. discreta a medida de posio central para a
v.a.. A expresso matemtica para o valor esperado da v.a. x dada por:
E(x) = = x.f(x)
VARINCIA
Var(x) = 2 = (x - )2 . f(x)
= 2
x f(x)
3 0,25
6 0,50
9 0,25
Total 1,00
y f(y)
2 0,20
4 0,30
7 0,40
8 0,10
Total 1,00
a) Calcule E(y).
b) Calcule Var(y) e .
4 - O Statistical Abstract of the United States, 1997, mostra que o nmero mdio de
aparelhos de televiso por famlia de 2,3. Considere que a distribuio de
probabilidade para o nmero de aparelhos de televiso por famlia mostrado a seguir:
x f(x)
0 0,01
1 0,23
2 0,41
3 0,20
4 0,10
5 0,05
Um experimento binomial
2a CCCK 1K e 3C 1
2b CCKC
2c CKCC
2d KCCC
3a CCKK 2K e 2C 2
3b CKKC
3c KKCC
3d CKCK
3e KCKC
3f KCCK
4a KKKC 3K e 1C 3
4b KKCK
4c KCKK
4d CKKK
5 KKKK 4K e 0C 4
Utilizando as regras do produto para eventos independentes (e) e da adio para eventos
mutuamente exclusivos (ou) possvel calcular as probabilidades associadas aos valores
de X.
x EVENTO f( x )
0 4 0 4
0 0K e 4C O,0625 = 1 X 0,5 X 0,5 = 1p q
1 3 1 3
1 1K e 3C O,2500 = 4 X 0,5 X 0,5 = 4p q
2 2 2 2
2 2K e 2C O,3750 = 6 X 0,5 X 0,5 = 6p q
3 1 3 1
3 3K e 1C O,2500 = 4 X 0,5 X 0,5 = 4p q
4 0 4 0
4 4K e 0C O,0625 = 1 X 0,5 X 0,5 = 1p q
TOTAL 1,00
n = nmero de moedas
n! n
=
x!. (n x)! x combinaes de n indivduos tomados x a x.
n!
f ( x) = . p x .q n x
x!. (n x )!
10! 1
10 =1 . = 0,000976
10!(10 10)! 1024
10! 1
9 = 10 . = 0,009760
9!(10 9)! 1024
10! 1
8 = 45 . = 0,043940
8!(10 8)! 1024
10! 1
7 = 120 . = 0,117180
7!(10 7)! 1024
10! 1
6 = 210 . = 0,205070
6!(10 6)! 1024
10! 1
5 = 252 . = 0,246090
5! (10 5)! 1024
10! 1
4 = 210 . = 0,205070
4! (10 4)! 1024
10! 1
3 = 120 . = 0,117180
3! (10 3)! 1024
10! 1
2 = 45 . = 0,043940
2! (10 2)! 1024
10! 1
1 = 10 . = 0,009760
1! (10 1)! 1024
10! 1
0 =1 . = 0,000976
0! (10 0)! 1024
3- Doze por cento dos que reservam lugar num vo sistematicamente faltam ao
embarque. O avio comporta 15 passageiros. Determine a probabilidade de que
todos os 15 que reservaram lugar compaream ao embarque
n 100 e n.p 10
n = elementos da populao
p = probabilidade
Exemplo: n = 150 p = 0,05
Temos a distribuio de Poisson com:
n.p = 150 . (0,05) = 7,5
A equao a ser usada :
(n. p) x . e n. p
f ( x) =
x!
sendo e= 2,718 e = n.p
Exemplo: Sabe-se que 2% dos livros encadernados em uma certa livraria apresentam
defeitos de encadernao. Utilize a aproximao de Poisson da distribuio Binomial para
achar a probabilidade de que 5 entre 400 livros encadernados nessa livraria apresentam
algum defeito de encadernao.
Temos: n = 400 p = 2% = 0,02 x=5 n.p = 400 . 0,02 = 8
-8
e = 0,000335; temos ento:
EXERCICIOS:
uma distribuio contnua e simtrica, cujo grfico tem a forma de um sino. A distribuio
normal o resultado da atuao conjunta de causas aleatrias.
F (x)
- 3 - 2 - 1 + 1 + 2 + 3
Mdia da Populao
Determinam o formato da curva
Desvio padro da populao
F (x)
- +
X0
Portanto:
c- A rea total sob a curva normal igual a 1, pela prpria equao da probabilidade.
x
z=
o que significa adotar como origem do eixo z o ponto em que x = e como unidade de
escalados z e o desvio padro , teremos transformado a expresso da funo das
probabilidades na distribuio normal reduzida:
z2
1
f ( z) = e 2
2
Considerando, a partir da equao auxiliar:
dz 1
= dx = dz
dx
As reas sob a curva permanecem as mesmas, mas agora podem ser tabuladas em
funo dos valores de Z (Ver figura abaixo, eixo dos Z). Basta construir a tbua das reas
para os valores I(z), mostrados na tabela da pgina 56.
Por exemplo, a rea desde Z=0 at Z= 1,0 I(1,0) = 0,3413 ou 34,13% da rea total da
curva; conseqentemente, dentro do intervalo 1 temos 68,26% da rea total da curva.
x
A partir da equao auxiliar z= podemos transformar valores de x em valores de z e
em seguida construir uma tabela com resultados das integrais, que corresponde rea sob
a curva x0 intervalo de 0 a Z0 identificada por IZ0.
F (x)
- 3( ( - 2( ( - 1( ( ( + 1( ( + 2( ( + 3(
-3 -2 -1 0 1 2 3 Z
x0 x z0
z=
0
+ 1 +1
1
+ 2 + 2
2
+ 3 + 3
3
- 1 1
-1
- 2 2
-2
- 3 3
-3
0 Z0
1- Trace uma curva normal e sombreie a rea desejada a partir das informaes:
a- P(x 60)
b- P(35 x 62)
c- P(55 x 65)
d- P(x 55)
e- P(35 x 45)
6- O adulto americano mdio tem 1,75 m de altura. Assuma que o desvio seja 8 cm.
Responda:
a- qual a probabilidade de que um homem adulto tenha mais de 1,83 m ?
b- qual a probabilidade de que um homem adulto tenha menos de 1,522 m ?
c- qual a probabilidade de que um homem adulto tenha entre 1,682 e
1,778 m ?
d- qual a probabilidade de que um homem adulto no tenha mais de 1,83 m ?