Escolar Documentos
Profissional Documentos
Cultura Documentos
2013
Copyright © UNIASSELVI 2013
Elaboração:
Prof.ª Ana Luisa Fantini Schmitt
519
200 p. : il
Estatística.
I. Centro Universitário Leonardo da Vinci.
Impresso por:
Apresentação
Olá, acadêmico, bem-vindo à disciplina de Probabilidade e Estatística!
III
NOTA
Você já me conhece das outras disciplinas? Não? É calouro? Enfim, tanto para
você que está chegando agora à UNIASSELVI quanto para você que já é veterano, há
novidades em nosso material.
O conteúdo continua na íntegra, mas a estrutura interna foi aperfeiçoada com nova
diagramação no texto, aproveitando ao máximo o espaço da página, o que também
contribui para diminuir a extração de árvores para produção de folhas de papel, por exemplo.
Todos esses ajustes foram pensados a partir de relatos que recebemos nas pesquisas
institucionais sobre os materiais impressos, para que você, nossa maior prioridade, possa
continuar seus estudos com um material de qualidade.
IV
V
VI
Sumário
UNIDADE 1 – COMBINATÓRIA, PROBABILIDADE E TEOREMA DE BAYES......................... 1
TÓPICO 1 – COMBINATÓRIA............................................................................................................... 3
1 INTRODUÇÃO........................................................................................................................................ 3
2 PRINCÍPIO FUNDAMENTAL DA CONTAGEM............................................................................ 4
3 FATORIAL................................................................................................................................................. 7
4 PERMUTAÇÃO...................................................................................................................................... 10
4.1 QUANTIDADE DE PERMUTAÇÕES........................................................................................... 11
4.1.1 Permutações com elementos diferentes................................................................................ 11
4.1.2 Permutações com elementos repetidos................................................................................. 14
5 COMBINAÇÕES E ARRANJOS......................................................................................................... 15
5.1 COMBINAÇÕES............................................................................................................................... 15
5.2 ARRANJOS........................................................................................................................................ 16
5.3 QUANTIDADE DE ARRANJOS.................................................................................................... 17
5.4 QUANTIDADE DE COMBINAÇÕES........................................................................................... 19
6 BINÔMIO DE NEWTON..................................................................................................................... 20
6.1 O BINÔMIO DE NEWTON (X + A)n.............................................................................................. 20
6.2 TRIÂNGULO DE PASCAL............................................................................................................. 21
6.3 DESENVOLVIMENTO DO BINÔMIO DE NEWTON (x + a)n.................................................. 23
6.4 FÓRMULA DO TERMO GERAL................................................................................................... 24
RESUMO DO TÓPICO 1........................................................................................................................ 28
AUTOATIVIDADE.................................................................................................................................. 30
TÓPICO 2 – PROBABILIDADE............................................................................................................. 33
1 INTRODUÇÃO...................................................................................................................................... 33
2 ESPAÇO AMOSTRAL.......................................................................................................................... 34
3 EVENTO.................................................................................................................................................. 35
4 PROBABILIDADE................................................................................................................................. 36
5 PROBABILIDADE DA UNIÃO DE EVENTOS.............................................................................. 38
6 PROBABILIDADE CONDICIONADA............................................................................................. 42
7 TEOREMA DA MULTIPLICAÇÃO................................................................................................... 44
RESUMO DO TÓPICO 2........................................................................................................................ 48
AUTOATIVIDADE.................................................................................................................................. 49
VII
TÓPICO 4 – COMBINATÓRIA E PROBABILIDADE NO ENSINO............................................. 63
1 INTRODUÇÃO...................................................................................................................................... 63
2 ALGUNS EXEMPLOS DE ATIVIDADES JÁ REALIZADAS DE COMBINATÓRIA............. 65
2.1 ATIVIDADE 1: OS SINAIS DE TRÂNSITO E AS CORES........................................................... 65
2.2 ATIVIDADE 2: SALADA DE FRUTAS.......................................................................................... 70
2.3 CONSIDERAÇÕES DOS ESTUDANTES SOBRE AS ATIVIDADES........................................ 74
RESUMO DO TÓPICO 4........................................................................................................................ 75
AUTOATIVIDADE.................................................................................................................................. 76
VIII
3 VARIÂNCIA......................................................................................................................................... 139
3.1 DESVIO PADRÃO.......................................................................................................................... 140
4 PROPORÇÃO....................................................................................................................................... 141
RESUMO DO TÓPICO 1...................................................................................................................... 142
AUTOATIVIDADE................................................................................................................................ 143
REFERÊNCIAS........................................................................................................................................ 191
APÊNDICES............................................................................................................................................. 193
IX
X
UNIDADE 1
COMBINATÓRIA, PROBABILIDADE E
TEOREMA DE BAYES
OBJETIVOS DE APRENDIZAGEM
A partir desta unidade, você será capaz de:
PLANO DE ESTUDOS
Esta primeira unidade está dividida em quatro tópicos. No final de cada
tópico, você encontrará atividades que possibilitarão a apropriação de
conhecimentos na área.
TÓPICO 1 – COMBINATÓRIA
TÓPICO 2 – PROBABILIDADE
1
2
UNIDADE 1
TÓPICO 1
COMBINATÓRIA
1 INTRODUÇÃO
A combinatória é a parte da Matemática em que são estudadas as
técnicas de contagens de agrupamentos que podem ser feitos com elementos de
um dado conjunto.
UNI
Placa 1 Placa 2
ALS 1987 e SLA 9178 são placas diferentes.
Mas, se você quiser contar quantas quinas são possíveis de serem sorteadas
na loteria, veja que a ordem dos números que compõem o bilhete não importa.
Por exemplo:
Jogo 1 Jogo 2
47, 13, 22, 23, 07 e 22, 47, 13, 07, 23 são jogos iguais.
3
UNIDADE 1 | COMBINATÓRIA, PROBABILIDADE E TEOREMA DE BAYES
Exemplo 1
BLUMENAU
Estrada Velha Estrada Gaspar Alto
Sendo assim, para ir de Indaial a Gaspar você pode optar por um entre
seis caminhos. Veja o esquema a seguir:
4
TÓPICO 1 | COMBINATÓRIA
BR-470 BR-470
IND BLU GSP
BLU BLU
Veja aqui a representação
das três estradas que ligam
Blumenau a Gaspar.
GSP GSP GSP GSP
GSP GSP
5
UNIDADE 1 | COMBINATÓRIA, PROBABILIDADE E TEOREMA DE BAYES
Com base nos esquemas anteriores, você pode perceber que a ida de Indaial
a Gaspar se dá em duas etapas: a primeira, de Indaial a Blumenau, pode ser realizada
de duas maneiras, e para cada uma delas a segunda etapa, de Blumenau a Gaspar,
pode ser realizada de três maneiras. Sendo assim, a realização das duas etapas pode
ser feita de 2 · 3 modos, que correspondem a seis caminhos de Indaial a Gaspar.
Exemplo 2
AUTOATIVIDADE
6
TÓPICO 1 | COMBINATÓRIA
Ei, que tal você exercitar um pouco mais o que aprendeu até aqui? Veja a seguir
a questão de múltipla escolha que estava no EXAME NACIONAL DE CURSOS 1998
(questão 20) – atual ENADE – do curso de Licenciatura em Matemática.
• Terceiro dígito: 9 opções, você pode voltar a utilizar o primeiro número, mas
não poderá utilizar o número da segunda casa, o que implica nove opções.
• Quarto dígito: 9 opções, nesta casa, você também tem nove opções, pois pode
utilizar todos os números com exceção do que utilizou na terceira casa.
10 · 9 · 9 · 9
3 FATORIAL
Indica-se por 6! (leia seis fatorial) o produto dos seis primeiros números
naturais positivos.
6! = 6 · 5 · 4 · 3 · 2 · 1 logo 6! = 720
3! = 3 · 2 · 1 = 6
8! = 8 · 7 · 6 · 5 · 4 · 3 · 2 · 1 = 40.320
7
UNIDADE 1 | COMBINATÓRIA, PROBABILIDADE E TEOREMA DE BAYES
0! = 1
1! = 1
2! = 2 · 1 = 2
3! = 3 · 2 · 1 = 6
4! = 4 · 3 · 2 · 1 = 24
5! = 5 · 4 · 3 · 2 · 1 = 5 · 4! = 5 · 24 = 120
6! = 6 · 5 · 4 · 3 · 2 · 1 = 6 · 5! = 6 · 120 = 720
7! = 7 · 6! = 7 · 720 = 5.040
8! = 8 · 7! = 8 · 5040 = 40.320
E, com a prática, ficará fácil utilizar esta ideia nas situações que exijam o
uso do fatorial:
7! = 7 · 6!
7! = 7 · 6 · 5!
7! = 7 · 6 · 5 · 4!
UNI
Exemplo 1: 9!
7!
Lembre-se de que você pode simplificar a fração desenvolvendo o fatorial
maior até chegar ao menor! Neste caso existe o 9! em cima e o 7! embaixo. A
melhor solução é desenvolver o 9! de cima até que possa simplificá-lo com o 7! de
baixo, restando a multiplicação do nove pelo oito em cima:
9 · 8 · 7!
= 9 · 8 = 72
7!
8
TÓPICO 1 | COMBINATÓRIA
(n –2)!
Exemplo 2:
n!
Já neste caso existe uma forma algébrica de fatorial, em que há o (n-2)!
em cima e o n! embaixo. Assim como no exemplo numérico, neste caso a melhor
solução é desenvolver o n! de baixo até que se possa simplificá-lo com o (n-2)! de
cima, restando a multiplicação do n pelo (n-1) embaixo:
(n–2)! (n 2)! 1
= =
n! n · (n–1) · (n–2)! n · (n 1)
(n+3)!
Exemplo 3:
n!
Este é outro exemplo de uma forma algébrica de fatorial, em que há o (n+3)!
em cima e o n! embaixo. Da mesma maneira, como no exemplo anterior, neste caso,
a melhor solução é desenvolver o (n+3)! de cima até que se possa simplificá-lo com
o n! de baixo, restando a multiplicação do (n+3) · (n+2) · (n+1) em cima:
(n+1)!
(n–2)!= , realizando a multiplicação em ‘X’ e tornando a dividir,
20
temos a mesma equação escrita de outra maneira: (n+1)! 20
(n–1)!
9
UNIDADE 1 | COMBINATÓRIA, PROBABILIDADE E TEOREMA DE BAYES
UNI
4 PERMUTAÇÃO
Com as letras x, y e z você pode formar as seguintes sucessões: (x, y, z); (x,
z, y); (y, z, x); (y, x, z); (z, x, y); (z, y, z). Cada uma dessas seis sucessões é chamada
uma permutação das três letras.
Os anagramas para o nome LEO são: LEO, LOE, ELO, EOL, OLE, OEL.
Exemplo 2: ANA
Os anagramas para o nome ANA são: ANA, AAN, NAA, NAA, ANA, AAN.
Perceba que neste exemplo há repetição de uma das letras, o A, por isso optou-
se por diferenciar cada um, sendo o primeiro em itálico e o segundo sublinhado.
10
TÓPICO 1 | COMBINATÓRIA
UNI
Exemplo 3: NEAD
Pense que para formar uma destas permutações você deve fazer uma ação
que é composta de cinco etapas sucessivas:
5ª etapa: você deve escolher a 5ª e última vogal. Nesta última etapa haverá
apenas uma possibilidade, pois as outras quatro vogais já foram utilizadas. Por
exemplo, se você escolheu anteriormente as vogais i e a e u e e, então a 4ª letra
somente poderá ser o.
UNI
P5 = 5! = 120
12
TÓPICO 1 | COMBINATÓRIA
Pn = n!
Agora fica fácil responder a quantidade de anagramas possíveis da
palavra MATEMÁTICA. Basta contar o número de letras da palavra, neste caso
dez letras, e resolver a permutação de dez elementos, representada por P10.
2 · P4 = 2 · 4! = 2 · 24 = 48
UNI
Eis aqui uma dica. Para você resolver exercícios como este é sempre necessário
fazer o esquema que representa a situação e suas possibilidades, prestando atenção às
restrições, como a do exemplo anterior em que o número deveria ser ímpar.
13
UNIDADE 1 | COMBINATÓRIA, PROBABILIDADE E TEOREMA DE BAYES
Perceba que neste exemplo há repetição de uma das letras, o A, por isso optou-
se por diferenciar cada um, sendo o primeiro em itálico e o segundo sublinhado.
6
P23 = 3! = = 3
2! 2
14
TÓPICO 1 | COMBINATÓRIA
Pn
n1, n2, n3, ... nk n!
= (n + n2 + n3 + ... nk = n)
n1!n2!n3!...nk! 1
UNI
5 COMBINAÇÕES E ARRANJOS
Combinações e arranjos também são parte do estudo de Combinatória.
Neste caderno, optou-se por apresentá-los no mesmo momento, apontando
peculiaridades, diferenças e semelhanças entre os dois tipos de cálculo.
5.1 COMBINAÇÕES
Suponha que no local em que você trabalha, numa escola por exemplo, o
diretor resolveu sortear entre os professores mais assíduos do semestre dois prêmios
iguais, dois notebooks. Imagine então que os quatro professores (Jairo, Cristiane,
Débora e Emília) foram os mais assíduos do semestre e que o diretor deve decidir
quais dois receberão os notebooks. As duplas de ganhadores podem ser:
15
UNIDADE 1 | COMBINATÓRIA, PROBABILIDADE E TEOREMA DE BAYES
Veja que duas combinações são diferentes apenas quando têm elementos
diferentes. As combinações são representadas utilizando chaves e os elementos
são separados por vírgula ou ponto e vírgula, assim como conjuntos.
5.2 ARRANJOS
Considere a mesma situação anterior, porém imagine que o diretor tenha
dois prêmios diferentes para dar para os professores mais assíduos do semestre,
um tablet e um netbook e que o primeiro professor sorteado receba o tablet e o
segundo professor sorteado receba o netbook.
16
TÓPICO 1 | COMBINATÓRIA
AUTOATIVIDADE
( 1° , 2° , 3° , ..., k° )
Arranjo: ( 1° , 2° , 3° , ..., k° )
↓ ↓ ↓ ↓
Possibilidades: n n–1 n–2 n–(k–1)
A6,3 = 6 · 5 · 4 = 120
produto de 3 fatores
17
UNIDADE 1 | COMBINATÓRIA, PROBABILIDADE E TEOREMA DE BAYES
A10,4 = 10 · 9 · 8 · 7 = 5.040
produto de 4 fatores
A10,4 = 10.9.8.7.6!
6!
Então,
A10,4 = n(n-1).n(n-2)...(n-(k-1)).(n-k)!
(n-k)!
Logo,
An,k = n!
(n-k)!
18
TÓPICO 1 | COMBINATÓRIA
(a1, a2, a3, ... , ak), (a1, a2, a3, ... , ak), (a1, a2, a3, ... , ak) etc.
Sendo assim, a partir de uma combinação você pode obter k! arranjos dos
n elementos tomados k a k. Então o número de combinações é igual ao número de
arranjos dividido por k!:
An,k
Cn,k =
K!
Logo,
Cn,k = n!
k!(n–k)!
Cn,k = 6! = 6! = 6.5.4! = 15
2!(6–2)! 2!4! 2.1.4!
19
UNIDADE 1 | COMBINATÓRIA, PROBABILIDADE E TEOREMA DE BAYES
AUTOATIVIDADE
Antes de passar para o próximo tópico, olhe só a questão que estava no ENADE
2005 (questão 12) do curso de Licenciatura em Matemática.
6 BINÔMIO DE NEWTON
Todo o estudo de Combinatória que você realizou até o momento servirá
para que você obtenha o desenvolvimento do Binômio de Newton, identificado
como (x + a)n, onde x ϵ R, a ϵ R e n ϵ N. Você também estudará propriedades
sobre os coeficientes desse desenvolvimento, o número de combinações de n
elementos tomados k a k, 0 ≤ k ≤ n.
Assim, se tem:
n!
Cn,k = onde n ϵ N, k ϵ N e 0 ≤ k ≤ n
k!(n–k)!
6! 6! 6.5.4!
Exemplo 1: C6,2 = = = = 15
2!(6–2)! 2!(4)! 2.1.4!
9 9! 9.8.7.6!
Exemplo 2: C9,6 = = = = 84
6!(9–6)! 6!(3)! 6!.3.2.1
20
TÓPICO 1 | COMBINATÓRIA
ATENCAO
n! = 1
a) Para k = 0 tem-se Cn,0 = 1 ou seja, sendo assim, Cn,0 = 1, para qualquer n ϵ N.
0!(n)!
n! n.(n–1)!
b) Para k = 1 tem-se Cn,1 = n ou seja, = = n sendo assim, Cn,1 = n,
1!(n–1)! 1(n–1)!
para qualquer n ϵ N*.
n! n!
c) Para k = n tem-se Cn,n = n ou seja, = = 1 sendo assim, Cn,n = 1, para
n!(n–n)! n!(0)!
qualquer n ϵ N.
UNI
21
UNIDADE 1 | COMBINATÓRIA, PROBABILIDADE E TEOREMA DE BAYES
0
0
1 1
0 1
2 2 2
0 1 2
3 3 3 3
0 1 2 3
4 4 4 4 4
0 1 2 3 4
5 5 5 5 5 5
0 1 2 3 4 5
6 6 6 6 6 6 6
0 1 2 3 4 5 6
7 7 7 7 7 7 7 7
0 1 2 3 4 5 6 7
8 8 8 8 8 8 8 8 8
0 1 2 3 4 5 6 7 8
1
1 1
1 2 1
1 3 3 1
1 4 6 4 1
1 5 10 10 5 1
1 6 15 20 15 6 1
1 7 21 35 35 21 7 1
1 8 28 56 70 56 28 8 1
1 4 + 6 4 1
1 5 10 10 5 1
22
TÓPICO 1 | COMBINATÓRIA
Para n = 0, (x + a)0 = 1
Para n = 1, (x + a)1 = 1x + 1a
Para n = 2, (x + a)2 = 1x2 + 2xa + 1a2
Para n = 3, (x + a)3 = 1x3 + 3x2a + 3xa2 + 1a3
AUTOATIVIDADE
n n n ... n
0 1 2 n
(x + a)n = xn + n xn-1a + n xn-2a2 + ... + an
1 2
Observação:
1 4 6 4 1
23
UNIDADE 1 | COMBINATÓRIA, PROBABILIDADE E TEOREMA DE BAYES
(x + 2)4 = 1 · x4 · 20 + 4 · x3 · 21 + 6 · x2 · 22 + 4 · x1 · 23 + 1 · x0 · 24
(x + 2)4 = x4 + 8x3 + 24x2 + 32x + 16
1 4 6 4 1
(x + 2)4 = 1 · x4 · 20 + 4 · x3 · 21 + 6 · x2 · 22 + 4 · x1 · 23 + 1 · x0 · 24
24
TÓPICO 1 | COMBINATÓRIA
Observe que:
8 8–k k
T= x 3
k
Que tal, para exercitar, obter o sexto termo? Para obter o sexto termo (n =
6), considere k = 5, pois k = n – 1.
T = 8 x8–k3k
k
25
UNIDADE 1 | COMBINATÓRIA, PROBABILIDADE E TEOREMA DE BAYES
8 8–3 3
Quarto termo ⇒ k = 3 ⇒ T = x 3 = 8! x5 · 27 = 1512x5
3 3! 5!
1 8 28 56 70 56 28 8 1
AUTOATIVIDADE
26
TÓPICO 1 | COMBINATÓRIA
DICAS
27
RESUMO DO TÓPICO 1
Neste tópico, você estudou:
n n n ... n
0 1 2 n
(x + a)n = (x + a)n = xna + n xn–1a + n xn–2a + ... + an.
1 1
28
Sempre verifique a linha do “numerador” do Triângulo de Pascal que
corresponde ao n do Binômio de Newton (x + a)n, pois serão os coeficientes do
desenvolvimento do Binômio de Newton.
29
AUTOATIVIDADE
Agora, acadêmico, é a sua vez de exercitar o que aprendeu até aqui! Lembre-
se de que você tem à disposição no “Material de Apoio” do Ambiente Virtual de
Aprendizagem os gabaritos das autoatividades. Consulte-os sempre que necessário.
H F
B C
A D
6 De uma novela participam 8 atores e 12 atrizes. Para uma cena que será filmada
na Europa, apenas 6 participantes deverão viajar, sendo 3 atores e 3 atrizes. De
quantos modos podem ser escolhidos os participantes desta cena?
30
8 Na loteria são sorteados 6 números entre os naturais 0, 1, 2, 3, ..., 60. Quantos
são os resultados possíveis para o sorteio? Quantos são os resultados
possíveis formados por três números pares e três ímpares? Quantos são os
resultados possíveis com pelo menos quatro números pares?
12 Num restaurante, o cardápio oferece escolha entre cinco sopas, três pratos
principais, quatro sobremesas e seis bebidas. Uma refeição consiste
obrigatoriamente num prato principal e numa bebida, podendo ser
acrescidos, opcionalmente, de uma sopa, ou de uma sobremesa, ou de
ambas. Quantos tipos de refeições, todas diferentes entre si, podem-se fazer?
13 Uma fábrica de automóveis produz três modelos de carros. Para cada um, os
clientes podem escolher entre sete cores diferentes; três tipos de estofamento,
que podem vir, seja em cinza, seja em vermelho; dois modelos distintos de
pneus; e entre vidros brancos, ou vidros verdes. Ademais, opcionalmente
em um pacote, é possível adquirir os seguintes acessórios: um porta-copos;
uma de duas marcas de rádio ou um modelo de CD player; um aquecedor de
bancos; e um câmbio automático. Quantos exemplares de carros distintos
entre si a fábrica chega a produzir?
17 Uma pessoa faz uma relação de nomes de onze pessoas amigas. Calcule
de quantas maneiras ela poderá convidar cinco destas pessoas para jantar
sabendo-se que na relação há um único casal inseparável.
31
18 Num zoológico há dez animais, dos quais devem ser selecionados cinco
para ocupar determinada jaula. Se entre eles há dois que devem permanecer
sempre juntos, encontre o total de maneiras distintas de escolher os cinco
que vão ocupar tal jaula.
19 Tomam-se 6 pontos sobre uma reta e 8 pontos sobre uma paralela a esta
reta. Quantos triângulos existem com vértices nesse conjunto de 14 pontos?
32
UNIDADE 1
TÓPICO 2
PROBABILIDADE
1 INTRODUÇÃO
É comum fazer previsões sobre certos acontecimentos, sobretudo quando
já se sabe algo anterior a determinado acontecimento. Um jogo de futebol
disputado entre os times A e B é um exemplo. Você pode se basear no número
de vitórias de A e prever que, por ter ganhado mais vezes e ter obtido melhores
resultados do que B, A será vencedor.
33
UNIDADE 1 | COMBINATÓRIA, PROBABILIDADE E TEOREMA DE BAYES
2 ESPAÇO AMOSTRAL
O espaço amostral nada mais é do que o conjunto de todas as soluções
possíveis dentro de um experimento qualquer, chamado S. O número de soluções
possíveis dentro do espaço amostral é chamado n(S). Compreenda esta definição
a partir de alguns exemplos:
Exemplo 1:
Exemplo 2:
Exemplo 3:
UNI
Nos exemplos apresentados até aqui fica fácil determinar o espaço amostral,
porém há casos em que o espaço amostral tem uma quantidade de elementos muito grande.
Em casos como estes será necessário que você utilize as técnicas de contagem estudadas no
Tópico 1, afinal, para o cálculo de probabilidade, o que interessa é a quantidade de elementos.
Exemplo 4:
Se você lançar um dado de seis faces duas vezes, qual será o S e o n(S)?
Lembre-se do Princípio Fundamental da Contagem, pois você tem duas
etapas com seis maneiras cada uma. Assim, para cada número que sair no primeiro
lançamento há seis opções de números para o segundo lançamento!
34
TÓPICO 2 | PROBABILIDADE
S = {(1,1), (1,2),...,(2,3),...,(3,4),...,(4,5),...(5,6),...,(6,6)}
n(S) = 36.
Exemplo 5:
60!
C60,6 = = 50036860, ou seja, o n(S) é 50.063.860.
6!54!
UNI
3 EVENTO
O evento é um subconjunto do espaço amostral, ou seja, uma parte de
S. O evento pode ser considerado também o conjunto das respostas esperadas,
podendo ser representado por uma letra maiúscula (A, B,…, Z). Neste caso, o n(A,
B,…, Z) identifica o número de respostas esperadas. Compreenda esta definição
também com base em alguns exemplos:
Exemplo 1:
Exemplo 2:
35
UNIDADE 1 | COMBINATÓRIA, PROBABILIDADE E TEOREMA DE BAYES
Exemplo 3:
4 PROBABILIDADE
A probabilidade é uma função que associa um número real, entre 0 e 1, à
chance de ocorrência de um evento qualquer A, dentro de um espaço amostral S.
A probabilidade de ocorrer o evento A é identificada como P(A) e calculada por
n(A)
P(A) =
n(S)
onde:
A = conjunto evento
S = conjunto espaço amostral
n(A) = número de elementos do conjunto A
n(S) = número de elementos do conjunto S
P(A) = probabilidade de ocorrer A.
(i) 0 ≤ P(A) ≤ 1
ii) P(S) = 1
n(S)
Se P(S) = então P(S) = 1.
n(S)
Exemplo 1:
Solução:
NOTA
37
UNIDADE 1 | COMBINATÓRIA, PROBABILIDADE E TEOREMA DE BAYES
Exemplo 2:
Qual é a probabilidade de a face que cair voltada para cima ser um número
menor ou igual a três, no lançamento de um dado de seis faces?
Solução:
Exemplo 3:
Solução:
A B A B
A∩B
38
TÓPICO 2 | PROBABILIDADE
Eventos:
A = sair dama.
n(A) = 4
B = sair rei.
n(B) = 4
A∩B = conjunto vazio, pois não há carta que é, ao mesmo tempo, dama e rei.
Eventos:
A = sair qualquer carta de paus.
n(A) = 13
B = sair qualquer dama.
n(B) = 4
A∩B = damas de paus
n(A∩B) = 1, pois existe uma dama de paus no baralho comum.
Parece que está errado? Mas não está! Está correto! Veja bem, como a
intersecção no caso acima é vazia, omitiu-se sua interferência no cálculo. Porém,
no exemplo 2, como a intersecção existe, acaba interferindo.
Exemplo 3:
Solução:
40
TÓPICO 2 | PROBABILIDADE
Exemplo 4:
Solução:
80 25 10 95
P(A) + P(B) – P(A∩B) = + – = = 0,6334
150 150 150 150
UNI
41
UNIDADE 1 | COMBINATÓRIA, PROBABILIDADE E TEOREMA DE BAYES
6 PROBABILIDADE CONDICIONADA
Mas, e se você quiser calcular a probabilidade de ocorrerem eventos
seguidos? Por exemplo, se você jogar mais de uma vez um dado? Como você
vai calcular a probabilidade? Nesses tipos de problemas, em que os eventos são
repetidos algumas vezes, podem existir casos com reposição ou casos sem reposição.
Acompanhe esta diferença e o cálculo para estes casos nos exemplos a seguir.
Exemplo 1:
Considere um lote de 200 peças, no qual 190 são perfeitas e 10 têm defeitos.
Qual a probabilidade de retirar, ao acaso, duas peças com defeito desse lote?
Com reposição:
Sem reposição:
Para calcular P(B/A), basta saber que você está calculando P(B) em relação
ao espaço amostral A, e não ao espaço amostral S.
42
TÓPICO 2 | PROBABILIDADE
n(A∩B)
n(A∩B) n(S) n(A∩B)
P(B/A) = = =
n(A) n(A) n(A)
n(S)
n(A∩B)
Ou seja: P(B/A) =
n(A)
1
Analisando a situação do exemplo tem-se que P(B/A) =
13
1
P(B/A) = 52 = 1
13 13
52
Exemplo:
SEXO
IDADE TOTAL
M F
Menos de 15 anos 15 12 27
Mais de 15 anos 5 8 13
TOTAL 20 20 40
Solução: 5
Olhando o quadro, sabemos que a probabilidade é P(B) = 20 , onde B é o
evento de ser menino e, nesse caso, o espaço amostral desconsidera as meninas,
pois se afirma que o sorteado é menino!
43
UNIDADE 1 | COMBINATÓRIA, PROBABILIDADE E TEOREMA DE BAYES
5
P(A∩B) 40 5
P(B/A) = = =
P(A) 20 20
40
7 TEOREMA DA MULTIPLICAÇÃO
O Teorema da Multiplicação permite calcular a probabilidade de
ocorrência simultânea de dois eventos a partir das probabilidades condicionais.
10 1 9
P(A) = = e P(B/A) =
200 20 199
1 . 9 9
P(A∩B) = P(A).P(B/A) = = ≅ 0,0023
20 199 3980
9
Calcular P(B/A) = 199 é fácil, pois como a primeira peça retirada tinha
defeito, ficaram ainda 9 peças com defeito e 190 peças perfeitas.
10 1 10 1
P(A) = = e P(B/A) = P(B) = =
200 20 200 20
1 1
Assim, P(A∩B) = P(A).(P(B) = . = 0,0025
20 20
Nos exemplos a seguir, você poderá identificar outros casos com e sem
reposição.
ATENCAO
Exemplo 1:
Solução:
13 13 1
P(A∩B) = P(A).P(B) = . = = 0,0625
52 52 16
45
UNIDADE 1 | COMBINATÓRIA, PROBABILIDADE E TEOREMA DE BAYES
Exemplo 2:
Solução:
13 12 156
P(A∩B) = P(A).P(B) = . = = 0,0588
52 51 2652
Exemplo 3:
Solução:
Nesse caso, fique atento(a) à ordem em que as bolas estão saindo, pois
pode-se obter a bola branca na primeira retirada e a bola preta na segunda retirada
ou ao contrário. São dois casos, veja:
1° caso:
A = sair bola branca na primeira retirada.
B = sair bola preta na segunda retirada.
2º caso:
B = sair bola preta na primeira retirada.
A = sair bola branca na segunda retirada.
46
TÓPICO 2 | PROBABILIDADE
NOTA
47
RESUMO DO TÓPICO 2
Neste tópico, você estudou:
48
AUTOATIVIDADE
2 Suponha que você lançou um dado equilibrado apenas uma vez. Determine
então a probabilidade de a face de cima conter:
a) Um 3.
b) Um número par.
c) Um número ímpar.
d) Um número menor que 6.
5 Você jogou dois dados perfeitos e pretende analisar a soma das faces
voltadas para cima. Qual é a probabilidade de essa soma ser 6?
49
7 No lançamento simultâneo de um dado honesto e uma moeda honesta,
qual é a probabilidade de se obter um 5 ou uma cara?
9 Uma máquina produziu 200 peças, das quais 25 estavam com defeito. Ao
retirar, aleatoriamente, 4 peças, com reposição, qual é a probabilidade de que:
a) Todas sejam perfeitas?
b) Todas tenham defeito?
c) Pelo menos uma seja perfeita?
d) Pelo menos uma tenha defeito?
Meninos 15 12 8
Meninas 11 24 13
50
UNIDADE 1
TÓPICO 3
TEOREMA DE BAYES
1 INTRODUÇÃO
Como você estudou no tópico anterior, a probabilidade está presente
em diversas situações do seu cotidiano e há diferenciadas maneiras de calcular
e prever como os eventos ocorrerão. Uma das opções de cálculo mais usadas
pelos estatísticos nas previsões ainda hoje é a que foi desenvolvida no século
XVIII por Thomas Bayes (1702-1761). A ideia de Thomas Bayes para o cálculo de
probabilidades ficou conhecida como Teorema de Bayes.
51
UNIDADE 1 | COMBINATÓRIA, PROBABILIDADE E TEOREMA DE BAYES
2 TEOREMA DE BAYES
Com base no que você estudou até aqui, lembre-se de que a probabilidade
condicional permite obter a probabilidade de ocorrer um evento A, dado que
ocorreu o evento B anterior a A. Porém, você também pode querer saber o
contrário, ou seja, a probabilidade de um evento anterior A ter ocorrido, sabendo
que um evento posterior B ocorreu.
A2 S
A1
A3
B
A4
52
TÓPICO 3 | TEOREMA DE BAYES
P(B) = P(B ∩ A1) + P(B ∩ A2) + P(B ∩ A3) + P(B ∩ A4) (a)
Imagine que você está diante de duas urnas. Uma urna (U1) contém 4 bolas
amarelas e 3 pretas. Uma segunda urna (U2) contém 6 bolas amarelas e 2 pretas.
Escolhe-se uma urna ao acaso e dela se retira uma bola ao acaso, verificando que
ela é amarela. Qual é a probabilidade de ela ter vindo da urna U1?
Resolução:
Lembrando que existem duas urnas, considere A o evento: sair bola amarela.
53
UNIDADE 1 | COMBINATÓRIA, PROBABILIDADE E TEOREMA DE BAYES
- A probabilidade de sair bola amarela, dado que se escolheu a U1, é 4/7. P(A/
U1) = 4/7
Você quer saber a probabilidade de a bola ter vindo da U1, dado que saiu
uma bola amarela, ou seja, P(U1/A) = ?
1. 4
P(U1∩A) P(U1).P(A/U1) 2 7
P(U1/A)= = =P(U1/A)= =
P(A) P(U1).P(A/U1)+P(U2).P(A/U2) 1.4 1 . 3
+
2 7 2 4
4 4
14 = 14 = 448 ≅ 0,4324
4 3 74 1036
+
14 8 112
Exemplo 2:
Resolução:
P(A)=P(U1∩A)+P(U2∩A)=P(U1).P(A/U1)+P(U2).P(A/U2)= 1 . 4 + 1 . 3 = 4 . 3 = 74 ≅ 0,6607
2 7 2 4 14 8 112
Veja que o que se fez foi apenas aplicar o Teorema da Probabilidade Total.
A resposta é igual ao denominador do Teorema de Bayes, do exemplo 1, confira.
54
TÓPICO 3 | TEOREMA DE BAYES
Exemplo 3:
Resolução:
Admitindo que cada máquina tem a mesma chance de ser escolhida, tem-
se que: P(A) = P(B) = P(C) = P(D) = 1/4 = 0,25.
P(B).P(Y/B)
P(B/Y)=
P(A).P(Y/A)+P(B).P(Y/B)+P(C).P(Y/C)+P(D).P(Y/D)
0,25.0,20
P(B/Y)= =0,2857
0,25.0,21+0,25.0,20+0,25.0,18+0,25.0,11
55
UNIDADE 1 | COMBINATÓRIA, PROBABILIDADE E TEOREMA DE BAYES
0,25.0,21 0,0525
P(A/Y)= = =0,30
0,25.0,21+0,25.0,20+0,25.0,18+0,25.0,11 0,175
0,25.0,18 0,045
P(C/Y)= = =0,2571
0,25.0,21+0,25.0,20+0,25.0,18+0,25.0,11 0,175
0,25.0,18 0,0275
P(D/Y)= = =0,1571
0,25.0,21+0,25.0,20+0,25.0,18+0,25.0,11 0,175
NOTA
Exemplo 4:
56
TÓPICO 3 | TEOREMA DE BAYES
Resolução:
P(A) = 1
4
P(B) = 1
4
P(D) = 1
2
0,25.0,21 0,0525
P(A/Y)= = ≅0,3334
0,25.0,21+0,25.0,20+0,25.0,18+0,5.0,11 0,1575
0,25.0,18 0,045
P(B/Y)= = ≅0,3175
0,25.0,21+0,25.0,20+0,25.0,18+0,5.0,11 0,1575
0,25.0,18 0,055
P(D/Y)= = ≅0,3492
0,25.0,21+0,25.0,20+0,25.0,18+0,5.0,11 0,1575
Isso não quer dizer que o fato de haver mais máquinas do tipo dinamarquesa
sempre contribuirá para que isso aconteça, pois, se a probabilidade de a máquina
dinamarquesa produzir uma peça Y defeituosa P(Y/D) fosse de 0,10, a peça Y com
defeito teria mais chance de ter sido produzida pela máquina americana.
57
UNIDADE 1 | COMBINATÓRIA, PROBABILIDADE E TEOREMA DE BAYES
LEITURA COMPLEMENTAR
[...]
58
TÓPICO 3 | TEOREMA DE BAYES
parte). O outro grupo é tratado com um placebo (substância sem qualquer efeito).
Ao final, descobre-se que o câncer não progrediu em 65 dos pacientes que de fato
tomaram a vitamina C, e que o mesmo aconteceu a 50 dos que não tomaram a
vitamina. Um teste estatístico confirma que essa diferença é significativa ao nível
de 5% (porque a chance de que seja fruto do acaso é menor que 5%). Com base
nisso, é possível escrever um artigo científico defendendo a hipótese de que a
vitamina C tem ação contra o câncer.
[...]
FONTE: PENA, Sérgio Danilo. Revista Ciência Hoje, Rio de Janeiro, v. 38, n. 228, p. 22-29, 2006.
Disponível em: <http://www.ime.usp.br/~abe/lista/pdfqEjLYxHl2w.pdf>. Acesso em: 18 dez. 2011.
59
RESUMO DO TÓPICO 3
Neste tópico, você estudou:
P(Ai).P(B/Ai)
P(A/B)=
P(A1).P(BA1)+P(A2).P(B/A2)+...+P(Ak).P(B/Ak)
P(A1).P(B/A1)+P(A2).P(B/A2)+...+P(Ak).P(Ak)
60
AUTOATIVIDADE
1 Uma caixa em forma de urna contém 5 bolas azuis e 3 rosa. E uma segunda
caixa contém 3 bolas azuis e 2 rosa. Se uma bola branca é sorteada ao acaso,
qual é a probabilidade de ela ter vindo da primeira caixa?
4 Uma urna contém 9 bolas: 3 pretas, 1 branca e 5 vermelhas. Uma segunda urna
contém 9 bolas: 4 bolas pretas, 3 brancas e 2 vermelhas. E uma terceira urna
contém 8 bolas: 2 pretas, 3 brancas e 3 vermelhas. Escolheu-se uma urna, ao
acaso, e dela se extraiu uma bola, ao acaso. Verificando-se que a bola sorteada
é branca, qual é a probabilidade de a bola ter saído da terceira urna?
5 O proprietário de uma facção estima que uma roupa feita por um funcionário
experiente tem 90% de chance de não apresentar defeito e que uma roupa
feita por um funcionário novato tem 50% de chance de não apresentar
defeito. Se uma roupa selecionada ao acaso apresentar defeito, determine
a probabilidade de ela ter sido feita por um funcionário novato, sabendo-se
que 2/3 das roupas são feitas por funcionários experientes.
61
62
UNIDADE 1
TÓPICO 4
1 INTRODUÇÃO
Atualmente, a Combinatória é um ramo da Matemática que permite resolver
problemas em que é necessário contar e organizar os objetos de um conjunto.
Durante algum tempo, foi apenas uma ferramenta para efetuar alguns cálculos e era
identificada como uma simples “contagem”. Conforme afirma Berge (1971, p. 10),
“[...] a preocupação mais antiga da combinatória eram os problemas de contagem”.
63
UNIDADE 1 | COMBINATÓRIA, PROBABILIDADE E TEOREMA DE BAYES
NOTA
Com isso, você pode concluir que os documentos oficiais que regem o
ensino evidenciam a importância do ensino e da aprendizagem da Combinatória
e da Probabilidade, desde as séries iniciais, aprofundando-os a cada nível de
ensino. O contato do estudante, sobretudo com a Combinatória, desde as séries
iniciais servirá para que ele se familiarize com os problemas. Com isso, o estudante
aprenderá a descrever e contar as possibilidades utilizando uma representação de
sua escolha, sem se prender às regras inicialmente. Desta maneira, este estudante
adquirirá uma forma ordenada para a resolução de problemas de Combinatória,
o que certamente acarretará uma formalização no Ensino Médio.
64
TÓPICO 4 | COMBINATÓRIA E PROBABILIDADE NO ENSINO
UNI
65
UNIDADE 1 | COMBINATÓRIA, PROBABILIDADE E TEOREMA DE BAYES
Essa atividade tem por objetivo construir outros tipos de semáforos que
não se preocupam com as facilidades visuais dos motoristas. Vamos considerar
que a ordem em que as cores aparecem é importante, ou seja, os sinais abaixo
são diferentes:
Desenvolvimento da atividade:
Item 1)
Aluno A: “3 x 3 = 9, são três cores trocando de lugar ...”
Aluno B: “A cor verde já ficou em último, no meio e no começo... vou fazer o
mesmo com as outras... Ah! Acho que são 3!”
Aluno C: “3 + 3 = 6. São 6!”
Aluno D: “3 x 3, é 9, não é professora? Três cores e três espaços.”
Item 2)
Aluno E: “Apaguei tudo... Me perdi, não dá para fazer de qualquer jeito. Tem
que montar uma regra...”
Aluno F: “Não tem fórmula para resolver isso? Matemática sempre tem fórmula...”.
66
TÓPICO 4 | COMBINATÓRIA E PROBABILIDADE NO ENSINO
67
UNIDADE 1 | COMBINATÓRIA, PROBABILIDADE E TEOREMA DE BAYES
68
TÓPICO 4 | COMBINATÓRIA E PROBABILIDADE NO ENSINO
Cabe relatar que a maioria dos alunos não sabia a população atual do
Brasil, muitos diziam que “eram milhões”, mas não sabiam precisar.
FONTE: Vazquez e Malagutti (2009, p. 5-8)
69
UNIDADE 1 | COMBINATÓRIA, PROBABILIDADE E TEOREMA DE BAYES
SALADA DE FRUTAS
Desenvolvimento da atividade:
Grupo A: “Não importa a ordem que as frutas são adicionadas, é a mesma salada!”
Grupo B: “Se cada fruta junta com as outras duas dá 6, aí divide por 2, então é 3!”
Grupo C: “Mesmo trocando a ordem (das frutas) todas são iguais!”
Algumas respostas:
70
TÓPICO 4 | COMBINATÓRIA E PROBABILIDADE NO ENSINO
71
UNIDADE 1 | COMBINATÓRIA, PROBABILIDADE E TEOREMA DE BAYES
Uma das justificativas desse tipo de resolução é que eles não sabiam
por qual número dividir já que agora tinham 3 frutas. Com duas frutas ficou
claro para todos que a divisão por 2 eliminava todas as repetições. Mas, e com 3
frutas? Muitos responderam que deveriam dividir por “três”. Nesse momento,
os pesquisadores tiveram que interferir em vários grupos na tentativa de levá-
los a calcular todas as permutações possíveis com 3 elementos.
72
TÓPICO 4 | COMBINATÓRIA E PROBABILIDADE NO ENSINO
73
UNIDADE 1 | COMBINATÓRIA, PROBABILIDADE E TEOREMA DE BAYES
74
RESUMO DO TÓPICO 4
Neste tópico, você estudou:
75
AUTOATIVIDADE
76
UNIDADE 2
VARIÁVEIS ALEATÓRIAS E
DISTRIBUIÇÕES DE PROBABILIDADE
OBJETIVOS DE APRENDIZAGEM
Nessa unidade vamos:
PLANO DE ESTUDOS
Esta unidade está dividida em três tópicos. No final de cada tópico, você
encontrará atividades que possibilitarão a apropriação de conhecimentos
na área.
77
78
UNIDADE 2
TÓPICO 1
VARIÁVEIS ALEATÓRIAS
1 INTRODUÇÃO
Neste primeiro tópico, você estudará as variáveis aleatórias. Estas
variáveis podem ser caracterizadas informalmente como imprevisíveis e, de
certa maneira, até inesperadas. Porém, mesmo apresentando características de
imprevisibilidade, na estatística as variáveis aleatórias são comumente utilizadas
e apresentam resultados bastante confiáveis.
Uma variável é dita aleatória quando o seu valor é obtido por meio de
observações ou experimentos, considerando que a cada valor esteja associada
certa probabilidade. Denota-se uma variável aleatória por uma letra maiúscula e
os valores assumidos por ela por uma letra minúscula.
2 VARIÁVEIS ALEATÓRIAS
Uma variável aleatória satisfaz a função X: S → R, que associa a cada
elemento s do espaço amostral S um valor x ∈ R. Sendo assim, lembre-se do
estudo de funções e compreenda que uma variável aleatória X é uma função, em
que S é domínio e R é o contradomínio.
79
UNIDADE 2 | VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE
2.1 DISCRETAS
Uma variável X é considerada aleatória discreta se os valores possíveis xi
∈ X formam um conjunto enumerável de pontos na reta.
Exemplo:
S = {(p, p, p); (p, p, i); (p, i, p); (p, i, i); (i, i, i); (i, p, i); (i, i, p); (i, p, p)}
2.2 CONTÍNUAS
Uma variável aleatória é considerada contínua se os valores possíveis de
xi ∈ X formam um determinado intervalo real não enumerável.
Exemplo:
a) 0n ≤ P(X = xi) ≤ 1
b) Σ p(x=xi) = 1
i=1
81
UNIDADE 2 | VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE
S = {(1,1), (1,2), (1,3), (1,4), (1,5), (1,6), (2,1), (2,2), (2,3), (2,4), (2,5), (2,6),
(3,1), (3,2), (3,3), (3,4), (3,5), (3,6), (4,1), (4,2), (4,3), (4,4), (4,5), (4,6), (5,1), (5,2), (5,3),
(5,4), (5,5), (5,6), (6,1), (6,2), (6,3), (6,4), (6,5), (6,6)}
X 2 3 4 5 6 7 8 9 10 11 12
P
1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36
(X=xi)
P(X ≤ Xi)
6/36
1/36
X
2 3 4 5 6 7 8 9 10 11 12
P (X<5) = P(X=2) + P(X=3) + P(X=4) + P(X=5) = 1/36 + 2/36 + 3/36 + 4/36 = 10/36 = 5/18
82
TÓPICO 1 | VARIÁVEIS ALEATÓRIAS
Exemplo 1:
Uma urna contém 4 bolas brancas e 2 bolas pretas. Duas bolas são
retiradas ao acaso e sem reposição. Considere X a variável aleatória número de
bolas brancas e determine a distribuição de probabilidades da variável X.
Solução:
Relembrando:
Sair nenhuma bola branca é o mesmo que sair duas bolas pretas, assim:
P(X=0) = 2/6 · 1/5 = 2/30
Sair apenas uma bola branca, então a outra deve ser preta, assim:
P(X=1) = 4/6 · 2/5 · 2 = 16/30
X 0 1 2
P(X=xi) 2/30 16/30 12/30
P(X=xi)
16/30
12/30
2/30
X
0 1 2
83
UNIDADE 2 | VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE
Exemplo 2:
X (nᵒ de integrantes) 2 3 4 5
Quantidade de famílias 1 15 10 4
Solução:
P(X=2) = 1/30
P(X=3) = 15/30
P(X=4) = 10/30
P(X=5) = 4/30
X 2 3 4 5
3.1 ACUMULADA
A função para distribuição de probabilidade é muito parecida com a
função anterior, porém, ao invés de mostrar P(X = x), ela indicará P (X ≤ x).
X 2 3 4 5 6 7 8 9 10 11 12
P (X≤x) 1/36 2/36 6/36 10/36 15/36 21/36 26/36 30/36 33/36 35/36 36/36
84
TÓPICO 1 | VARIÁVEIS ALEATÓRIAS
P(X≤xi)
1
30/36
15/36
X
2 3 4 5 6 7 8 9 10 11 12
Exemplo 1:
X 2 3 4 5
Solução:
X 2 3 4 5
85
UNIDADE 2 | VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE
3.2 CONTÍNUA
Assim como nos casos anteriores, esta função é usada para representar a
probabilidade de uma distribuição, porém, neste caso, é para distribuições contínuas.
c) P (f = a) = 0
UNI
UNI
86
TÓPICO 1 | VARIÁVEIS ALEATÓRIAS
4 ESPERANÇA
Considere a variável aleatória X, assumindo os valores x1, x2, x3,…,xn,
nomeia-se de valor médio ou valor esperado ou esperança matemática de X o valor:
Exemplo 1:
Solução:
Assim, se você jogar dois dados muitas vezes e anotar o resultado da soma
entre eles em cada jogada, a média deste experimento será 7.
Exemplo 2:
Solução:
X 30.000 -10.000
P(X=xi) 0,2 0,8
87
UNIDADE 2 | VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE
Note que R$ 10.000,00 tem o sinal negativo, pois está associado a uma perda.
5 VARIÂNCIA
Considerando que a variável aleatória X assumiu os valores x1, x2, x3,…,xn,
a variância de X será dada por:
n
Var(X) = Σ
i=1
(xi – E(X))2 · P(X = xi)
Ou, Var(X) = E(X)2 – [E(X)]2
UNI
Entenda que quanto maior o valor da variância, mais distantes da média estão
os elementos da variável aleatória.
6 DESVIO PADRÃO
O desvio padrão, representado por DP(X), é a raiz quadrada da variância.
88
TÓPICO 1 | VARIÁVEIS ALEATÓRIAS
Exemplo 1:
X 2 3 4 5 6 7 8 9 10 11 12
P (X=x) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36
A variância será:
Var(X) = (2 – 7)2 · 1/36 + (3 – 7)2 · 2/36 +...+ (12 – 7)2 · 1/36 = 210/36 ≈ 5,83
Ou seja,
Var(X) = E(X)2 – [E(X)]2, então temos:
Var(X) = 1974/36 – (252/36)2 ≈ 5,83
89
UNIDADE 2 | VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE
Exemplo 2:
Solução:
90
RESUMO DO TÓPICO 1
Neste tópico, você estudou:
• Variável aleatória é uma função que associa a cada elemento do espaço amostral
um número real.
• Uma variável aleatória é discreta quando assume valores que podem ser
contados.
• O desvio padrão, representado por DP(X), nada mais é que a raiz quadrada da
variância σ = DP(X) = √Var(X) = √σ2
91
AUTOATIVIDADE
Nᵒ de vítimas fatais 0 1 2 3 4
Quantidade de acidentes 29 15 10 5 1
5 Num certo jogo de dados, ganha-se toda vez que saem os números 1 ou 2.
Considerando a variável aleatória X o número de vezes que se ganha, quais
são os valores que X pode assumir em 5 jogadas?
92
a) os valores que X pode assumir;
b) a distribuição de probabilidade de X;
c) a distribuição de probabilidade acumulada de X;
d) P(X ≤ 2), P(X ≤ 3).
X -3 0 1 3
X 55 66 84 39
9 O tempo para uma criança realizar uma determinada tarefa em horas foi
modelado por uma variável aleatória X com a seguinte distribuição de
probabilidade:
10 Uma urna contém 5 bolas brancas e 3 bolas pretas. Três bolas são retiradas ao
acaso e sem reposição. Faça X a variável aleatória número de bolas pretas e
determine a distribuição de probabilidades da variável X.
93
94
UNIDADE 2 TÓPICO 2
1 INTRODUÇÃO
Até aqui você estudou noções sobre as distribuições de probabilidade,
porém é deste tópico em diante que você estudará o conceito e a definição
matemática de distribuições de probabilidade.
Veja que, nas perguntas anteriores, as respostas possíveis são apenas duas
e excludentes entre si. Ou seja, a resposta será sim ou será não.
95
UNIDADE 2 | VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE
P(X = x) = px · qx-1
E(X) = p
Var(X) = p(1 – p) = pq
Exemplo 1:
Uma urna tem 30 bolas brancas e 20 verdes. Retira-se uma bola dessa urna.
Seja X o número de bolas verdes. Calcule E(X), Var(X) e determine a função P(X=x).
Solução:
X= { 0 → q = 30/50 = 3/5
1 → q = 20/50 = 2/5
.·. P(X = x) = (2/5)x·(3/5)1-x
Assim:
E(x) = p = 2/5
Var(X) = pq = 2/5·3/5 = 6/25
Onde:
n é o número de vezes que o experimento ocorre
x é o número de vezes que queremos que o sucesso ocorra, com x ϵ {0, 1, 2, ... ,n}
p é a probabilidade do sucesso (tem que ser constante em todos os experimentos)
q é a probabilidade do fracasso. q = 1 – p
Cn,x = n!/x!·(n-x)!
96
TÓPICO 2 | DISTRIBUIÇÕES DE PROBABILIDADE PARA VARIÁVEIS DISCRETAS
UNI
E(X) = np
Var(X) = npq
Exemplo 1:
Soluções:
ii) O evento “pelo menos um tenha comprado ações” significa que X pode ser
1, 2, 3, 4, 5, 6, 7, 8, 9 ou 10, exceto 0. Usando o princípio da probabilidade
complementar, é necessário calcular P(X = 0) e subtrair esse valor de 1.
97
UNIDADE 2 | VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE
Então:
P (X≥1) = 1 - P (X=0) =
P (X≥1) = 1 - 0,107 ≈ 0,893
iii) O evento “no máximo 9 tenham comprado ações” significa que X pode ser
0, 1, 2, 3, 4, 5, 6, 7, 8 ou 9, exceto 10. Usando o princípio da probabilidade
complementar, precisa-se calcular P(X = 10) e subtrair esse valor de 1.
Então:
P (X≤9) = 1 - P (X=10) =
P (X≤9) = 1 - 0,0000001024 ≈ 0,9999998976
Exemplo 2:
i) 4 coroas;
ii) no máximo 3 coroas;
iii) no mínimo 2 coroas.
Soluções:
98
TÓPICO 2 | DISTRIBUIÇÕES DE PROBABILIDADE PARA VARIÁVEIS DISCRETAS
Do item anterior temos que P(X = 0) + P(X = 1) = 1/512 + 9/512 = 10/512, então:
3 DISTRIBUIÇAO DE POISSON
Se X for a ocorrência de algum evento aleatório em um intervalo de tempo
ou espaço(ou algum volume de matéria), a probabilidade de ocorrência de X é:
99
UNIDADE 2 | VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE
Exemplo 1:
Solução:
Exemplo 2:
Solução:
100
TÓPICO 2 | DISTRIBUIÇÕES DE PROBABILIDADE PARA VARIÁVEIS DISCRETAS
Exemplo 3:
Solução:
Assim:
Exemplo 4:
Solução:
101
UNIDADE 2 | VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE
LEITURA COMPLEMENTAR
A Estatística é definida por Costa Neto (1977) como a ciência que se preocupa
com a organização, descrição, análise e interpretação de dados experimentais e por
este motivo tem aplicação em quase todas as atividades humanas.
102
TÓPICO 2 | DISTRIBUIÇÕES DE PROBABILIDADE PARA VARIÁVEIS DISCRETAS
103
UNIDADE 2 | VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE
Uma das inovações dos estudos realizados por essa escola foi a publicação
de tabelas cruzadas (hoje conhecidas como tabelas de contingência ou tabelas de
dupla entrada) para apresentar os dados dos recenseamentos realizados no território
alemão. Nessas tabelas eram listados os nomes das famílias e o respectivo número de
homens, o número de mulheres, o número de filhos e empregados da família.1
Graunt publicou sua obra Natural and political observation made upon
the bills of mortality em 1662, e isso chamou a atenção do rei da Inglaterra (Carlos
II), que propôs a Graunt ser sócio fundador da Royal Society.
104
TÓPICO 2 | DISTRIBUIÇÕES DE PROBABILIDADE PARA VARIÁVEIS DISCRETAS
Essa técnica utilizada por Petty foi denominada “de extrapolação” ou “de
multiplicação” e teve um enorme sucesso. Jean Joseph d’Expilly (1719-93) utilizou
esta técnica com outro estimador, usando o fator “5” para residências urbanas e
“4,5” para residências rurais.
Como não queria gastar seu tempo em atividades não promissoras, ele
analisou seriamente as probabilidades de tirar um ás de um baralho de cartas e
de obter a soma “7” no lançamento de dois dados. Então, ele relatou os resultados
dessas investigações, bem como suas experiências em um manual de jogos
chamado Liber de Ludo Aleae, publicado em 1539.
105
UNIDADE 2 | VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE
106
TÓPICO 2 | DISTRIBUIÇÕES DE PROBABILIDADE PARA VARIÁVEIS DISCRETAS
Bernoulli também mostrou como o Cálculo Integral (que tinha surgido 60 anos
antes) poderia ser aplicado à probabilidade. Leonhard Euler (1707-83) sistematizou e
organizou muitos problemas probabilísticos, e Joseph Lagrange (1736-1813) também
avançou na Teoria de Probabilidade aplicando o cálculo diferencial.
107
UNIDADE 2 | VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE
108
TÓPICO 2 | DISTRIBUIÇÕES DE PROBABILIDADE PARA VARIÁVEIS DISCRETAS
REFERÊNCIAS
109
UNIDADE 2 | VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE
Notas
2 Lightner (1991) explica o que era o problema dos pontos: suponha que um
jogador, por exemplo, o Chevalier de Méré, e um de seus amigos estivessem
num jogo de dados do século XVII. Cada jogador aposta 30 pistolas (antiga
moeda espanhola) que seu número escolhido sairá três vezes num dado antes
que o número do outro jogador saia três vezes. Depois de o jogo ter começado, o
número de Méré, 5, tinha saído duas vezes enquanto o número de seu oponente,
3, tinha saído somente uma vez. Nesse momento, Méré recebe uma mensagem
urgente e o jogo deve parar. Como os jogadores deveriam dividir as 60 pistolas
na mesa? O amigo de Méré afirma que, considerando que a chance de ele obter
duas jogadas sortudas é metade da chance de Méré obter uma jogada sortuda,
ele deveria receber 20 pistolas e Méré deveria receber 40. De Méré argumenta
que, na próxima jogada, o pior que poderia acontecer para ele seria perder
sua vantagem, ocorrendo um empate, e então as pistolas seriam divididas
igualmente. Entretanto, se saísse 5 na próxima jogada, ele seria o vencedor e
receberia as 60 pistolas. De Méré afirma que, mesmo antes da jogada, ele deve
receber 30 pistolas e mais 15 que é a metade da certeza; portanto, ele deveria
receber 45 e seu oponente 15. E ele estava certo. Pascal e Fermat decidiram
esse resultado em suas famosas correspondências. Eles também consideraram
outros problemas relacionados ao problema dos pontos, tal como a divisão do
dinheiro apostado quando os dois jogadores são desigualmente habilidosos ou
quando mais do que dois jogadores estão apostando.
110
RESUMO DO TÓPICO 2
Neste tópico, você estudou:
111
AUTOATIVIDADE
1 Uma escola recebe, em média, 20 alunos novos por ano. Qual é a probabilidade
de que, em um ano selecionado aleatoriamente, a escola não receba nenhum
aluno novo?
112
8 Em uma gráfica verificou-se que, a cada 200 páginas impressas, ocorrem 50
erros tipográficos. Ao selecionar 10 páginas ao acaso de um livro, qual é a
probabilidade de nenhuma conter erros? E no máximo duas terem erros?
113
114
UNIDADE 2 TÓPICO 3
DISTRIBUIÇÕES DE PROBABILIDADE
PARA VARIÁVEIS CONTÍNUAS
1 INTRODUÇÃO
Até aqui você estudou distribuições discretas de probabilidades para
variáveis finitas e numeráveis. Mas, quando se deparar com populações infinitas
ou amostras imensas, as distribuições discretas são ineficazes, pois seus cálculos
demorariam demais.
2 NORMAL
A partir de agora você passará a estudar variáveis aleatórias contínuas.
Das distribuições contínuas, a distribuição normal é, de longe, a mais comum,
pois é a que ocorre com mais frequência na natureza.
115
UNIDADE 2 | VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE
√α
Microsoft Equation
(x–μ) 2
3.0
1 2σ2
f(x;μ,σ) =
σ√2π
f(X)
1
σ√2π
μ–σ μ μ+σ X
x2
1 2
f(x;μ,σ)=
√2π
O que se faz é transformar uma normal qualquer para uma normal padrão
e, a partir daí, chegar à probabilidade procurada por meio da tabela Z.
116
TÓPICO 3 | DISTRIBUIÇÕES DE PROBABILIDADE PARA VARIÁVEIS CONTÍNUAS
z = (x – μ)/σ
f(z)
Z ~ N(0 ; 1) a μ b x
a–μ 0 b–μ z
σ σ
2.1 TABELA Z
Existem vários tipos de tabelas que apresentam as probabilidades sob a
curva normal padrão. A que será utilizada apresenta a probabilidade de a variável
aleatória Z ser menor que z. (Apêndice A).
117
UNIDADE 2 | VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE
P(Z < z)
0 z
P(Z > z)
0 z
P(Z > z)
z 0
Como essa curva é simétrica em relação à média 0, a P(Z < 0) = 0,5 (ou P(Z
> 0) = 0,5). Assim se você quiser saber a probabilidade de a variável aleatória Z
estar entre 0 e z, basta fazer:
0 z
118
TÓPICO 3 | DISTRIBUIÇÕES DE PROBABILIDADE PARA VARIÁVEIS CONTÍNUAS
z 0
Para saber a probabilidade de Z estar entre z1 e z2, com z2 < z1, precisa-se
fazer: P(Z < z2 ) – P(Z <z2)
z1 0 z2
Exemplo 1:
Solução:
Exemplo 2:
Solução:
Como a curva é simétrica em relação à média 0, a P(Z < -1,3) é igual a P(Z
> 1,3). Assim, P(Z < -1,3) = P(Z > 1,3) = 1 – P(Z < 1,3). Procurando z = 1,3 na tabela
Z (1,3 parte inteira e a decimal, e 0,00 parte centesimal), tem-se que P(Z < 1,3) =
0,9032, então:
P(Z < -1,3) = P(Z > 1,3) = 1 – P(Z < 1,3) = 1 – 0,9032 = 0,0968.
119
UNIDADE 2 | VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE
Exemplo 3:
Exemplo 4:
Devido à simetria da curva a P(Z < -2,1) = P(Z > 2,1) = 1 – P(Z < 2,1).
Procurando z = 2,1 (2,1 parte inteira e a decimal, e 0,00 parte centesimal), tem-se que
P( Z < 2,1) = 0,9821. Assim a P(Z < -2,1) = 1 – P(Z < 2,1) = 1 – 0,9821 = 0,0179, então:
P(-2,1 < Z < 0) = 0,5 – P(Z < -2,1) = 0,5 – 0,0179 = 0,4821.
Exemplo 5:
P(-1,32 < Z < 0,92) = P(Z < 0,92) – P(Z < -1,32).
P(-1,32 < Z < 0,92) = P(Z < 0,92) – P(Z < -1,32) = 0,8212 – 0,0934 = 0,7278.
Nos testes de hipóteses, é comum querer saber que valor de z produz uma
determinada área sob a curva normal padrão, de –z até z.
Por exemplo, para que valor de z tem-se uma área sob a curva normal
padrão de 0,90, de –z até z?
120
TÓPICO 3 | DISTRIBUIÇÕES DE PROBABILIDADE PARA VARIÁVEIS CONTÍNUAS
0,90
0,05 0,05
-z z
0,95
APÊNDICE A
P(Z<z)
z 0,00 0,01 ... 0,04 0,05 ... 0,09
...
1,6 0,9495 0,9505
Observando a tabela, o valor 0,95 está entre 0,9495 e 0,9505, então, pode-se
dizer que z está entre 1,64 e 1,65. Calculando a média entre esses dois valores, z
= 1,645.
Veja que o que foi feito é comum nos testes de hipóteses do tipo bilateral
(ou bicaudal). Quando o teste for unilateral (ou unicaudal), é preciso obter o valor
de z que determina uma área sob a cauda da curva normal padrão.
Por exemplo, para o valor de z positivo temos uma área de 0,05 sob a
cauda da curva normal padrão? A figura a seguir ilustra essa pergunta.
121
UNIDADE 2 | VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE
0,05
z
Como a área branca sob a curva vale 0,95 e a tabela Z nos dá a P(Z < z),
basta entrar com o valor 0,95, como feito no caso anterior. Assim z = 1,645.
AUTOATIVIDADE
Solução:
Note que μ = 1,70 e σ = 0,2, ou seja, tem-se um caso normal, mas ainda
não se tem uma normal padrão, ou seja, não se pode usar a tabela Z. É preciso
transformar essa normal em padrão usando:
122
TÓPICO 3 | DISTRIBUIÇÕES DE PROBABILIDADE PARA VARIÁVEIS CONTÍNUAS
z = (x – μ)/σ
z = (x – μ)/σ
z = (1,80 – 1,70)/0,2 = 0,5
O problema agora consiste em encontrar P(Z > 0,5). Como P(Z > 0,5) = 1 –
P(Z < 0,5), tem-se que P(Z > 0,5) = 1 – 0,6915 = 0,3085. Portanto, a P(X > 1,80) = P(Z
> 0,5) = 0,3085.
ii) Você deve encontrar P(1,4 < X < 1,65), para isso transforme os valores x1 = 1,4 m
e x2 = 1,65 m em z1 e z2 respectivamente. Tem-se então:
z = (x – μ)/σ
z1 = (1,4 – 1,7)/0,2 = -1,5
z2 = (1,65 – 1,7)/0,2 = -0,25
Agora o problema consiste em encontrar P(-1,5 < Z < -0,25) usando a tabela Z.
Como:
P(-1,5 < Z < -0,25) = P(Z < -0,25) – P(Z < -1,5) e
P(Z < -1,5) = P (Z > 1,5) = 1 – P(Z < 1,5) = 1 – 0,9332 = 0,0668
P(Z < -0,25) = P (Z > 0,25) = 1 – P(Z < 0,25) = 1 – 0,5987 = 0,4013,
Tem-se:
P(-1,5 < Z < -0,25) = 0,4013 – 0,0668 = 0,3345.
Portanto, a P(1,4 < X < 1,65) = P(-1,5 < Z < -0,25) = 0,33448.
UNI
123
UNIDADE 2 | VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE
iii) Você quer saber a P(X < 1,60). Transformando o valor x = 1,60 em z padrão,
obtém-se z2 = (1,6 – 1,7)/0,2 = -0,5
Solução:
P(X ≥ 30) = P(X = 30) + P(X = 31) + P(X = 32) + ... + P(X = 99) + P(X = 100)
124
TÓPICO 3 | DISTRIBUIÇÕES DE PROBABILIDADE PARA VARIÁVEIS CONTÍNUAS
(O–E)2
x2 = ∑
E
125
UNIDADE 2 | VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE
Onde:
O = observado e
E = esperado
gl = 2
gl = 5
gl = 7
126
TÓPICO 3 | DISTRIBUIÇÕES DE PROBABILIDADE PARA VARIÁVEIS CONTÍNUAS
APÊNDICE B
Distribuição Qui-Quadrado
gl 0,990 0,950 ... 0,05 ... 0,005
...
15 24,9958
...
Agora, se você quiser saber entre quais valores de X2 tab (X2 A e X2 B) tem-se
90% de uma distribuição com gl = 15, deve considerar um nível de significância α
= 0,1, sendo α/2 = 0,05 para cada cauda da distribuição qui-quadrado.
127
UNIDADE 2 | VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE
Veja a seguir:
x2a = ? x2b = ?
AUTOATIVIDADE
Então: t = Z
V
√ n–1
128
TÓPICO 3 | DISTRIBUIÇÕES DE PROBABILIDADE PARA VARIÁVEIS CONTÍNUAS
Distribuição Normal
Distribuição t de Student
gl = ∞
gl = 6
gl = 3
129
UNIDADE 2 | VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE
APÊNDICE C
Distribuição t-Student
gl 0,4 0,25 ... 0,05 ... 0,001
...
15 1,7531
...
AUTOATIVIDADE
3.3 DISTRIBUIÇÃO F
Essa distribuição é usada para verificar se as variâncias de duas populações
distintas são estatisticamente idênticas.
130
TÓPICO 3 | DISTRIBUIÇÕES DE PROBABILIDADE PARA VARIÁVEIS CONTÍNUAS
gl1 = 2, gl2 = 10
gl1 = 5, gl2 = 15
AUTOATIVIDADE
131
RESUMO DO TÓPICO 3
Neste tópico você viu que:
132
AUTOATIVIDADE
133
134
UNIDADE 3
OBJETIVOS DE APRENDIZAGEM
A partir desta unidade você será capaz de:
PLANO DE ESTUDOS
A Unidade 3 está dividida em 3 tópicos. No final de cada um deles você
poderá exercitar o conteúdo fazendo as autoatividades.
135
136
UNIDADE 3
TÓPICO 1
PROCESSO DE ESTIMAÇÃO
1 INTRODUÇÃO
Você se lembra da disciplina de Estatística? Mais uma vez, neste caderno
buscaremos elementos da estatística para subsidiar nosso estudo. Para iniciar
esta Unidade 3 é importante que você conheça (ou relembre) alguns processos
de estimação. Com base neste primeiro tópico, você poderá entender com mais
facilidade os tópicos seguintes, que apresentam os testes de hipóteses paramétricos.
Nesses testes verifica-se se uma população possui ou não determinado parâmetro.
Para que você entenda, parâmetro é um valor geralmente desconhecido e que
está associado a uma característica da população, como: média, variância, desvio
padrão e proporção.
Testes como estes são necessários porque em alguns casos não é possível
reunir todos os dados de uma população para aferir o parâmetro desejado. Assim,
os testes de hipóteses se baseiam na amostra, ou seja, em uma parte da população.
137
UNIDADE 3 | INFERÊNCIA ESTATÍSTICA: ESTIMAÇÃO E TESTES DE HIPÓTESES
2 MÉDIA
A média você já conhece, é o parâmetro populacional mais utilizado para
representar os valores de uma variável aleatória. Também conhecida como média
aritmética, é definida como a razão da soma dos valores da variável aleatória pela
quantidade de valores. Matematicamente, o estimador da média populacional
n
fica definido como: ∑x1 , onde: x é a média amostral; xi são os valores da
x– i=1
n
variável; n quantidade de valores.
Exemplo 1:
Mês
1 2 3 4 5 6 Total
Tipo de calçado
Infantil 21 15 14 31 18 22 121
Feminino 52 36 27 59 31 61 266
Masculino 12 5 8 17 3 19 64
Total 85 56 49 107 52 102 451
Solução:
n
∑xi
x= i=1
= 85 + 56 + 49 + 107 + 52 +102 = 451 = 75,1667
n 6 6
138
TÓPICO 1 | PROCESSO DE ESTIMAÇÃO
UNI
3 VARIÂNCIA
A variância também é uma medida bastante utilizada na inferência
estatística, e representa a variação, em relação à média, dos elementos de uma
variável aleatória. Matematicamente, o estimador da variância populacional fica
definido como:
n
∑(xi–x)2
s2 =
i=1
, onde: s2 é a variância populacional; xi são os valores da
n–1
variável; x é a média amostral; n quantidade de valores.
UNI
Exemplo 1:
Solução:
Assim:
139
UNIDADE 3 | INFERÊNCIA ESTATÍSTICA: ESTIMAÇÃO E TESTES DE HIPÓTESES
s=√s2
Exemplo 1:
Solução:
Assim:
s=√683,7667=26,1489
140
TÓPICO 1 | PROCESSO DE ESTIMAÇÃO
4 PROPORÇÃO
O estimador da proporção populacional p^ (p chapéu) de uma variável
^ n(A) ,
aleatória com uma determinada característica A, é dado pela fórmula: p=
n
onde n(A) é o número de elementos da variável aleatória, de tamanho n, com a
característica de interesse A.
Exemplo 1:
Solução:
Assim:
(÷11)
^ n(A) = 121(÷111)
p= =
11 ou 0,2683 ou 26,83%.
n 451 41
141
RESUMO DO TÓPICO 1
n
∑ (xi–x)2
Variância σ²
s2 = i=1
n–1
Proporção p ^ n(A)
p= n
142
AUTOATIVIDADE
População fumante
Brasil 44.840.402 35.099.710 9.740.692 35.281.715 26.753.198 8.528.517 9.558.687 8.346.512 1.212.175
Região Norte 3.514.898 2.822.616 692.282 2.325.379 1.776.650 548.729 1.189.519 1.045.966 143.553
Região
12.763.114 10.129.040 2.634.074 8.375.218 6.311.667 2.063.551 4.387.896 3.817.373 570.523
Nordeste
Região
18.840.494 14.532.028 4.308.466 16.772.754 12.724.072 4.048.682 2.067.740 1.807.956 259.784
Sudeste
Região Sul 6.644.573 5.211.064 1.433.509 5.209.693 3.958.647 1.251.046 1.434.880 1.252.417 182.463
Região
3.077.323 2.404.962 672.361 2.598.671 1.982.162 616.509 478.652 422.800 55.852
Centro-Oeste
143
144
UNIDADE 3
TÓPICO 2
1 INTRODUÇÃO
Para que servem testes de hipóteses? Servem para verificar se a diferença
entre um parâmetro populacional e uma estimativa é atribuída à aleatoriedade
da amostra ou a diferença é tão grande a ponto de haver desconfiança na
integridade da amostra.
A partir de agora, por trabalhar com amostras, você deverá se acostumar
com as expressões: certeza estatística, igualdade estatística, diferença significativa,
diferença não significativa, entre outras.
2 HIPÓTESES
Para realizar um teste de hipóteses você deve formular duas hipóteses a
respeito da afirmação, denominadas de H0 e H1.
Importante! Saiba que a hipótese H0 será chamada de hipótese nula,
ou seja, é a hipótese que “anula” o teste. Enquanto a hipótese H1 ou hipótese
alternativa é a que o teste quer provar. Veja o exemplo 1 e o exemplo 2 a seguir:
Exemplo 1:
145
UNIDADE 3 | INFERÊNCIA ESTATÍSTICA: ESTIMAÇÃO E TESTES DE HIPÓTESES
Assim:
H0: µ1 = µ2 (média de engorda da ração 1 é igual à média de engorda da
ração 2)
H1: µ1 ≠ µ2 (média de engorda da ração 1 é diferente da média de
engorda da ração 2)
Exemplo 2:
Nesse caso:
H0: µ = X (média de duração das lâmpadas é igual ao valor anunciado X)
H1: µ < X (média de duração das lâmpadas é menor que o valor anunciado X)
Exemplo 3:
3 ERROS DO TIPO I E II
Por mais cuidado que se tenha ao coletar os dados de uma pesquisa,
a estimação dos dados jamais estará livre de erros. E ao realizar um teste de
hipóteses existem dois tipos de erros que podem ser cometidos:
146
TÓPICO 2 | TESTES DE HIPÓTESES PARA MÉDIA, VARIÂNCIA E PROPORÇÃO
UNI
H0 verdadeira H0 falsa
Rejeitar H0 Erro do tipo I (α) Decisão correta (1 – β)
Decisão
Aceitar H0 Decisão correta (1 – α) Erro do tipo II (β)
147
UNIDADE 3 | INFERÊNCIA ESTATÍSTICA: ESTIMAÇÃO E TESTES DE HIPÓTESES
UNI
UNI
É importante que você leia os exemplos na ordem, pois eles explicam todos os
detalhes. Entretanto, o que foi explicado no primeiro exemplo não será repetido no segundo.
148
TÓPICO 2 | TESTES DE HIPÓTESES PARA MÉDIA, VARIÂNCIA E PROPORÇÃO
Regiões de rejeição de H0
Rejeição Rejeição
Região de
aceitação H0
Xc μ=X Xc
Região de rejeição de H0
Região de
aceitação H0
μ=x Xc
Região de rejeição de H0
Região de
aceitação H0
Xc μ=x
149
UNIDADE 3 | INFERÊNCIA ESTATÍSTICA: ESTIMAÇÃO E TESTES DE HIPÓTESES
UNI
No caso do teste bicaudal, o valor α fica dividido para as duas regiões amarelas
com área α/2 .
O INMETRO fará uma inspeção numa fábrica de tijolos que afirma que
o tamanho dos seus tijolos segue uma distribuição normal com µ = 20 cm e σ = 2
cm. Para a verificação o inspetor recolheu uma amostra com 10 unidades e obteve
as seguintes medidas: 18, 23, 20, 21, 22, 23, 22, 21, 21, 20. O INMETRO admite um
erro estatístico de 5% (nível de significância 5%), ou seja, nível de confiança 95%,
em outras palavras α = 0,05.
Solução:
10
∑ xi
Fazendo a estimativa da média do tamanho dos tijolos x, temos: x= i=1
= 211 =21,1 cm
10 10
150
TÓPICO 2 | TESTES DE HIPÓTESES PARA MÉDIA, VARIÂNCIA E PROPORÇÃO
H0: µ = 20 cm
H1: µ ≠ 20 cm
Você está diante de um exemplo em que o desvio padrão populacional
(σ) é conhecido, na vida real dificilmente encontraremos tal situação, porém,
didaticamente esse exemplo é fundamental para você entender os próximos.
UNI
Calculando z:
α α
2 =0,025 2 =0,025
Região de
aceitação H0
1 – α = 0,95
20 21,1 x -1,96 0 1,96 z
1,74
151
UNIDADE 3 | INFERÊNCIA ESTATÍSTICA: ESTIMAÇÃO E TESTES DE HIPÓTESES
Obteve-se 1,74 como média amostral (já padronizada), então, você tem
que -1,96 < 1,74 < 1,96, o que indica que 1,74 está na região de aceitação de H0.
Você pode concluir então que as médias amostrais e populacionais são iguais
a um nível de significância de 5% (ou dizemos: a um nível de confiança de 95%).
Solução:
H0: µ = 20 cm
H1: µ > 20 cm
Regiões de rejeição de H0
Região de
aceitação H0
1 – α = 0,95
0 1,74
1,645
152
TÓPICO 2 | TESTES DE HIPÓTESES PARA MÉDIA, VARIÂNCIA E PROPORÇÃO
Observe que o fato de o teste ser unilateral aumenta a área sob a cauda
direita da curva diminuindo o valor crítico (ztab). Nesse caso, rejeita-se H0 a um
nível de significância de 5% porque o valor z padronizado está na região de
rejeição de H0 (1,645 < 1,74). Assim, a média populacional é maior que 20 cm a um
nível de confiança de 95%.
1,65 1,80 1,70 1,68 1,77 2,15 1,88 1,60 1,70 1,80
1,84 1,68 1,65 1,50 1,74 1,72 1,66 1,68 1,65 1,71
1,73 1,70 1,70 1,78 1,67
Solução:
Observe que não há o desvio padrão populacional, e na maioria dos
problemas práticos não haverá mesmo! Porém, na resolução, o que muda apenas
é a tabela a ser utilizada.
H0: µ = 1,72m
H1: µ ≠ 1,72m
153
UNIDADE 3 | INFERÊNCIA ESTATÍSTICA: ESTIMAÇÃO E TESTES DE HIPÓTESES
x–μ 1,7256–1,72
tcalc = = =0,237
s/√n 0,1179/√25
Regiões de rejeição de H0
α α
2 =0,025 2 =0,025
Região de
aceitação H0
1 – α = 0,95
-2,064 0,237 2,064
Deseja-se testar a hipótese que a variância das médias dos alunos EAD da
disciplina de Estatística seja 5,3 contra a hipótese de que é diferente, a um nível
de significância de 10%.
Para realizar o teste foi coletada uma amostra com as seguintes notas:
5,9 6,5 8,0 9,6 4,0 3,4 8,0 6,0 6,5 8,4
4,0 8,5 9,3 8,5 8,2 6,0 5,1 3,5 6,0 5,2
6,2 7,0 5,5 7,0 7,9 6,4 4,6 4,0 7,0 7,0
154
TÓPICO 2 | TESTES DE HIPÓTESES PARA MÉDIA, VARIÂNCIA E PROPORÇÃO
H0: σ2 = 5,3
H1: σ2 ≠ 5,3
σ 2
(n-1)s2
o teste de hipóteses para a variância populacional é: χ2calc = .
σ2
α/2), χ B = 17,7084.
2
(n-1)s2 (30–1)·2,97
Obtendo o valor χ calc : χ calc =
2 2
= = 16,25
σ2 5,3
Regiões de Rejeição de H0
α/2=0,05
α/2=0,05
Região de
aceitação de H0
1 – α = 0,90
17,7084 42,5569
16,25
155
UNIDADE 3 | INFERÊNCIA ESTATÍSTICA: ESTIMAÇÃO E TESTES DE HIPÓTESES
Solução:
Regiões de rejeição de H0
α α
2 =0,025 2 =0,025
Região de
aceitação H0
1 – α = 0,95
-2,33 -1,455 0 2,33
156
TÓPICO 2 | TESTES DE HIPÓTESES PARA MÉDIA, VARIÂNCIA E PROPORÇÃO
UNI
157
RESUMO DO TÓPICO 2
σ2
158
AUTOATIVIDADE
4 Uma fábrica de baterias para notebook afirma que suas baterias têm um
tempo médio de duração de 4 horas. Para verificar tal fato, uma loja que
trabalha com essa fábrica selecionou aleatoriamente 10 baterias e verificou
os seguintes tempos de duração de cada bateria: 3,9 h; 4,1 h; 3,8 h; 4,3 h; 3,5
h; 3,7 h; 3,5 h; 4,2 h; 3,7 h; 4 h. Utilizando α = 5%, podemos concluir que o
tempo médio de duração das baterias desse fabricante é menor que 4 horas?
159
7 Numa amostra de 25 elementos de uma população normal obteve-se
variância de 16. Em nível de significância de 10%, teste a hipótese que a
variância populacional é 20 (σ2 = 20) contra a hipótese que:
a) σ2 ≠ 20
b) σ2 > 20
9 Para verificar se certa moeda é honesta, foi lançada a moeda 100 vezes ao ar
e anotado o resultado da face voltada para cima. Se nesse experimento foram
obtidas 60 coroas, podemos dizer que a moeda não é honesta? (use α = 5%).
160
UNIDADE 3
TÓPICO 3
1 INTRODUÇÃO
Muitas vezes, o pesquisador está interessado em comparar duas
populações com relação à sua média. Para isso, é estimada a média amostral (x) e
aplicado o teste t-Student (t de Student) para comparação das médias.
Neste tópico, você poderá ver também que a aplicação do teste qui-
quadrado serve para verificar se duas variáveis têm algum grau de dependência.
161
UNIDADE 3 | INFERÊNCIA ESTATÍSTICA: ESTIMAÇÃO E TESTES DE HIPÓTESES
Cobaia 1 2 3 4 5 6 7 8 9 10
Antes 655 698 678 610 570 748 699 587 639 671
Depois 660 710 684 617 567 743 710 590 646 685
UNI
Solução:
162
TÓPICO 3 | TESTES DE HIPÓTESES PARA COMPARAÇÃO DE MÉDIAS E GRAU DE DEPENDÊNCIA
Veja:
UNI
163
UNIDADE 3 | INFERÊNCIA ESTATÍSTICA: ESTIMAÇÃO E TESTES DE HIPÓTESES
Caso o tratamento não altere o peso das cobaias, o valor esperado para
a média das diferenças será zero. Se o tratamento altera os pesos, então o valor
esperado das diferenças é diferente de zero. Como a média das diferenças é maior
que zero, existem as seguintes hipóteses:
H0: xd = 0 (os pesos das cobaias são iguais mesmo após tratamento)
H1: xd > 0 (os pesos após o tratamento são maiores ou a nova ração engorda)
Você pode usar os dados dos dis para chegar ao tcalc, fazendo assim:
tcalc = d = 5,7 =2,94.
(sd/√n) (6,13/√10)
Região de rejeição de H0
Região de
aceitação H0 α = 0,01
1 – α = 0,99
0 2,94
2,8214
Conclusão:
164
TÓPICO 3 | TESTES DE HIPÓTESES PARA COMPARAÇÃO DE MÉDIAS E GRAU DE DEPENDÊNCIA
Exemplo:
Solução:
Dessa forma, simplifica-se o teste para o caso unilateral à direita com nível
de significância α/2 e hipóteses:
σB
σ 2
H1: A2 >1 (significa que as variâncias populacionais são diferentes)
σB
Assim, para resolver o teste, compare o valor Ftab (Apêndice F) com o valor
2
crítico Fcal. Para obter o valor crítico faça: Fcal = Smaior= maior variância.
2 menor variância
Smenor
165
UNIDADE 3 | INFERÊNCIA ESTATÍSTICA: ESTIMAÇÃO E TESTES DE HIPÓTESES
Região de rejeição de H0
Região α = 2,5%
de
aceitação
de H0
2,7273
2,6469
Exemplo:
166
TÓPICO 3 | TESTES DE HIPÓTESES PARA COMPARAÇÃO DE MÉDIAS E GRAU DE DEPENDÊNCIA
UNI
Como as médias não foram obtidas da mesma rede de ensino, você está diante
de um caso de dados não pareados.
Solução:
(n1–1)·s21+(n2–1)·s22
s2=
n1+n2–2
Calculo de tcalc:
167
UNIDADE 3 | INFERÊNCIA ESTATÍSTICA: ESTIMAÇÃO E TESTES DE HIPÓTESES
Para obter o valor crítico ttab, entre na tabela t-Student (Apêndice C) com
α = 0,025 (0,05/2) e como as variâncias foram consideradas iguais os graus de
liberdade são obtidos fazendo: nA + nB – 2.
UNI
Na tabela do Apêndice C não aparece o valor de ttab para gl = 58, mas tem-se o
valor de ttab para gl = 60, o que nos permite dizer que ttab ≅ 2 para gl = 58 e α = 0,025.
Regiões de rejeição
de H0
α α
= 0,025 = 0,025
2 2
Região de
aceitação H0
1 – α = 0,95
-2 2 4,1588
Conclusão:
Como tcalc = 4,1588 é maior que ttab, rejeita-se H0, pois o valor calculado está
na região de rejeição, a um nível de confiança de 95%.
Pode-se dizer ainda assim: conclui-se com 95% de confiança (ou uma
chance de erro de 5%) que há diferença entre as médias dos alunos da rede pública
e privada de ensino.
Exemplo:
UNI
É fácil identificar que as médias de cada máquina não foram obtidas dos mesmos
indivíduos (pesos), por isso é que você está num caso de dados não pareados.
Solução:
(v1+v2)2
s2 s2
gl= v21 v22 -2, onde: v1 = 1 e v2 = 2 .
n1 n2
+
n1+1 n2+1
169
UNIDADE 3 | INFERÊNCIA ESTATÍSTICA: ESTIMAÇÃO E TESTES DE HIPÓTESES
Cálculo de gl:
(0,02+0,0055)2 0,00065025
0,00065025
gl= (0,02)2 (0,0055)2 -2= 0,0004 0,00003025 -2= -2=24,5934-2≅22,59≅23
+ + 0,00002644
15+1 20+1 16 21
Regiões de rejeição
de H0
α α
=0,025 =0,025
2 2
Região de
aceitação H0
1 – α = 0,95
-2,0687 2,0687 6,2617
Conclusão:
Como tcalc = 6,2617 é maior que o ttab = 2,0687, rejeita-se H0, pois o valor
calculado está na região de rejeição, a um nível de confiança de 95%.
Você ainda pode dizer: conclui-se com 95% de confiança (ou uma chance de
erro de 5%) que há diferença entre os volumes médios dos frascos fornecidos pelas
duas máquinas. Seria recomendável descobrir qual das duas está com problemas
para efetuar as correções necessárias.
3 TESTE DE INDEPENDÊNCIA
Este teste é baseado na distribuição qui-quadrado e serve para verificar
se duas variáveis têm algum grau de associação ou dependência. Assim como os
demais testes, você os estudará a partir de alguns exemplos.
170
TÓPICO 3 | TESTES DE HIPÓTESES PARA COMPARAÇÃO DE MÉDIAS E GRAU DE DEPENDÊNCIA
UNI
Solução:
A partir da tabela de dados observados deve ser criada uma tabela teórica
contendo os dados esperados.
Cada elemento ei,j dessa nova tabela é obtida dividindo o produto entre o
total da linha i e o total da coluna j pelo total geral, ou seja:
171
UNIDADE 3 | INFERÊNCIA ESTATÍSTICA: ESTIMAÇÃO E TESTES DE HIPÓTESES
UNI
i=1i=1
Eij
172
TÓPICO 3 | TESTES DE HIPÓTESES PARA COMPARAÇÃO DE MÉDIAS E GRAU DE DEPENDÊNCIA
(O–E)2
Valores Observados – O Valores Esperados – E (O – E) (O – E)²
E
100 84,9673 15,0327 225,9815 2,6596
Rio de Janeiro
Basta agora achar o valor crítico χ²tab para confrontarmos com o χ²calc, se o
calculado for maior que o tabelado rejeita-se H0, caso contrário, se aceita.
Região de Rejeição de H0
Região de α = 0,05
aceitação de H0
1 – α = 0,95
9,4877 26,1022
Conclusão:
173
UNIDADE 3 | INFERÊNCIA ESTATÍSTICA: ESTIMAÇÃO E TESTES DE HIPÓTESES
LEITURA COMPLEMENTAR
INTRODUÇÃO
174
TÓPICO 3 | TESTES DE HIPÓTESES PARA COMPARAÇÃO DE MÉDIAS E GRAU DE DEPENDÊNCIA
175
UNIDADE 3 | INFERÊNCIA ESTATÍSTICA: ESTIMAÇÃO E TESTES DE HIPÓTESES
176
TÓPICO 3 | TESTES DE HIPÓTESES PARA COMPARAÇÃO DE MÉDIAS E GRAU DE DEPENDÊNCIA
177
UNIDADE 3 | INFERÊNCIA ESTATÍSTICA: ESTIMAÇÃO E TESTES DE HIPÓTESES
Pode-se observar que a origem dos três modelos é diversa, mas que, de
fato, apresentam algumas características comuns. Os três modelos apresentam
aplicações na Estatística Inferencial e, se juntarmos a elas o modelo normal,
teremos talvez o quarteto de modelos que desempenha o principal papel num
variado leque de técnicas estatísticas tanto paramétricas quanto não paramétricas.
As características mais notórias que esses três modelos apresentam são a
dependência da função gama e de não serem integráveis analiticamente.
Γ(x+1) = x!
Γ(x+1) = x Γ(x)
Γ(1/2) =√π
178
TÓPICO 3 | TESTES DE HIPÓTESES PARA COMPARAÇÃO DE MÉDIAS E GRAU DE DEPENDÊNCIA
14
12
10
8
6
4
2 x
0
0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0 4,5 5,0
v+1
Γ
2
tv(x) = v+1 x=1,2,3,... xϵℜ
v x2 2
√πv Γ 2 1 + v
x (x) = x e
2 2
2
v v v
x = 1,2,3,... x ϵ [0; ∞]
22 Γ 2
179
UNIDADE 3 | INFERÊNCIA ESTATÍSTICA: ESTIMAÇÃO E TESTES DE HIPÓTESES
m n m -1
m+n
2 2 2
Γ 2 m n x
Fm,n = m n m+n m, n = 1,2,3, ... x ϵ [0; ∞]
Γ 2 Γ 2 (mx+n) 2
180
TÓPICO 3 | TESTES DE HIPÓTESES PARA COMPARAÇÃO DE MÉDIAS E GRAU DE DEPENDÊNCIA
181
UNIDADE 3 | INFERÊNCIA ESTATÍSTICA: ESTIMAÇÃO E TESTES DE HIPÓTESES
182
TÓPICO 3 | TESTES DE HIPÓTESES PARA COMPARAÇÃO DE MÉDIAS E GRAU DE DEPENDÊNCIA
183
UNIDADE 3 | INFERÊNCIA ESTATÍSTICA: ESTIMAÇÃO E TESTES DE HIPÓTESES
Deve-se admitir que essa não é uma opção trivial e simples de ser
implementada, mas as alternativas podem ser piores. Uma opção seria
simplesmente não se mencionar o assunto e continuar fazendo o que é feito,
mostrando um texto com a ilustração do modelo, recurso esse que parece não
vem dando resultados animadores. Uma segunda opção seria tentar utilizar um
software específico e com mais recursos como o Maple, Derive, Mathematica,
MathLab, SPSS, Statistica, Minitab etc. Aqui se vai esbarrar no problema já
mencionado anteriormente do pouco tempo para muito conteúdo, pois qualquer
um desses pacotes exigirá muito mais tempo e esforço do que uma planilha para
que um usuário iniciante consiga alguns resultados úteis ou satisfatórios. Além
disso poucos ou talvez nenhum desses softwares farão parte do futuro profissional
do aluno uma vez que são raras as empresas que os utilizam.
184
TÓPICO 3 | TESTES DE HIPÓTESES PARA COMPARAÇÃO DE MÉDIAS E GRAU DE DEPENDÊNCIA
185
UNIDADE 3 | INFERÊNCIA ESTATÍSTICA: ESTIMAÇÃO E TESTES DE HIPÓTESES
5 CONCLUSÃO
186
TÓPICO 3 | TESTES DE HIPÓTESES PARA COMPARAÇÃO DE MÉDIAS E GRAU DE DEPENDÊNCIA
REFERÊNCIAS
BOYLE, Robin George. PACE2000 - Stand alone software package and add-in
for microsoft excel designed for teaching statistics at introductory-intermediate
level. ICOTS 5, Singapore, p. 811-17, 1998.
187
RESUMO DO TÓPICO 3
• Dados pareados vêm da mesma amostra, só que são tomados antes e após uma
dada intervenção.
• O teste de independência serve para verificar se duas variáveis têm algum grau
de dependência.
• Os passos para realizar o teste de independência são os mesmos dos outros testes,
e a fórmula usada para calcular o valor da variável do teste é:
χ 2calc = r s (Oij – Eij)2 .
∑∑
i=1j=1 Eij
188
AUTOATIVIDADE
Depois da
Antes da propaganda
propaganda
Paraná 10,3 mil 13 mil
Santa Catarina 12 mil 11,5 mil
Rio Grande do Sul 9,7 mil 10,2 mil
189
Supermercado Marca A Marca B Marca C
Enfisema
Sim Não
Fumantes
Sim 39 29
Não 23 34
190
REFERÊNCIAS
BARBETTA, P. A. Estatística aplicada às ciências sociais. 3. ed. Florianópolis:
Ed. da UFSC, 1999.
GUERRA, M. J.; DONAIRE, D. Estatística intuitiva. 5. ed. São Paulo: LTC, 1991.
MACHADO, Antonio dos Santos. Matemática, temas e metas. São Paulo: Atual,
1986. v. 3.
192
APÊNDICES
APÊNDICE A
Tabela Z (Normal Padrão)
P(Z<z)
z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319
1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767
2,0 0,9772 0,9778 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,9812 0,9817
2,1 0,9821 0,9826 0,9830 0,9834 0,9838 0,9842 0,9846 0,9850 0,9854 0,9857
2,2 0,9861 0,9864 0,9868 0,9871 0,9875 0,9878 0,9881 0,9884 0,9887 0,9890
2,3 0,9893 0,9896 0,9898 0,9901 0,9904 0,9906 0,9909 0,9911 0,9913 0,9916
2,4 0,9918 0,9920 0,9922 0,9925 0,9927 0,9929 0,9931 0,9932 0,9934 0,9936
2,5 0,9938 0,9940 0,9941 0,9943 0,9945 0,9946 0,9948 0,9949 0,9951 0,9952
2,6 0,9953 0,9955 0,9956 0,9957 0,9959 0,9960 0,9961 0,9962 0,9963 0,9964
2,7 0,9965 0,9966 0,9967 0,9968 0,9969 0,9970 0,9971 0,9972 0,9973 0,9974
2,8 0,9974 0,9975 0,9976 0,9977 0,9977 0,9978 0,9979 0,9979 0,9980 0,9981
2,9 0,9981 0,9982 0,9982 0,9983 0,9984 0,9984 0,9985 0,9985 0,9986 0,9986
3,0 0,9987 0,9987 0,9987 0,9988 0,9988 0,9989 0,9989 0,9989 0,9990 0,9990
3,1 0,9990 0,9991 0,9991 0,9991 0,9992 0,9992 0,9992 0,9992 0,9993 0,9993
3,2 0,9993 0,9993 0,9994 0,9994 0,9994 0,9994 0,9994 0,9995 0,9995 0,9995
3,3 0,9995 0,9995 0,9995 0,9996 0,9996 0,9996 0,9996 0,9996 0,9996 0,9997
3,4 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9998
3,5 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998
3,6 0,9998 0,9998 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
3,7 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
193
APÊNDICE B
Distribuição Qui-Quadrado
P(x2(n–1) ≥ x2tab)=α
194
APÊNDICE C
Distribuição t-Student
P(t(n-1) ≥ ttab) = α
195
gl1
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 20 25 30 40 120 ∞
gl2
1 4052,18 4999,34 5403,53 5624,26 5763,96 5858,95 5928,33 5980,95 6022,40 6055,93 6083,40 6106,68 6125,77 6143,00 6156,97 6208,66 6239,86 6260,35 6286,43 6339,51 6365,59
2 98,5019 99,0003 99,1640 99,2513 99,3023 99,3314 99,3568 99,3750 99,3896 99,3969 99,4078 99,4187 99,4223 99,4260 99,4332 99,4478 99,4587 99,4660 99,4769 99,4914 99,4987
3 34,1161 30,8164 29,4567 28,7100 28,2371 27,9106 27,6714 27,4895 27,3449 27,2285 27,1320 27,0520 26,9829 26,9238 26,8719 26,6900 26,5791 26,5045 26,4108 26,2207 26,1252
4 21,1976 17,9998 16,6942 15,9771 15,5219 15,2068 14,9757 14,7988 14,6592 14,5460 14,4523 14,3737 14,3064 14,2486 14,1981 14,0194 13,9107 13,8375 13,7452 13,5583 13,4633
5 16,2581 13,2741 12,0599 11,3919 10,9671 10,6722 10,4556 10,2893 10,1577 10,0511 9,9626 9,8883 9,8248 9,7700 9,7223 9,5527 9,4492 9,3794 9,2912 9,1118 9,0204
6 13,7452 10,9249 9,7796 9,1484 8,7459 8,4660 8,2600 8,1017 7,9760 7,8742 7,7896 7,7183 7,6575 7,6050 7,5590 7,3958 7,2960 7,2286 7,1432 6,9690 6,8800
7 12,2463 9,5465 8,4513 7,8467 7,4604 7,1914 6,9929 6,8401 6,7188 6,6201 6,5381 6,4691 6,4100 6,3590 6,3144 6,1555 6,0579 5,9920 5,9084 5,7373 5,6496
8 11,2586 8,6491 7,5910 7,0061 6,6318 6,3707 6,1776 6,0288 5,9106 5,8143 5,7343 5,6667 5,6089 5,5588 5,5152 5,3591 5,2631 5,1981 5,1156 4,9461 4,8588
9 10,5615 8,0215 6,9920 6,4221 6,0569 5,8018 5,6128 5,4671 5,3511 5,2565 5,1779 5,1115 5,0545 5,0052 4,9621 4,8080 4,7130 4,6486 4,5667 4,3977 4,3106
10 10,0442 7,5595 6,5523 5,9944 5,6364 5,3858 5,2001 5,0567 4,9424 4,8491 4,7716 4,7058 4,6496 4,6008 4,5582 4,4054 4,3111 4,2469 4,1653 3,9965 3,9090
11 9,6461 7,2057 6,2167 5,6683 5,3160 5,0692 4,8860 4,7445 4,6315 4,5393 4,4624 4,3974 4,3416 4,2933 4,2509 4,0990 4,0051 3,9411 3,8596 3,6904 3,6025
12 9,3303 6,9266 5,9525 5,4119 5,0644 4,8205 4,6395 4,4994 4,3875 4,2961 4,2198 4,1553 4,0998 4,0517 4,0096 3,8584 3,7647 3,7008 3,6192 3,4494 3,3608
13 9,0738 6,7009 5,7394 5,2053 4,8616 4,6203 4,4410 4,3021 4,1911 4,1003 4,0245 3,9603 3,9052 3,8573 3,8154 3,6646 3,5710 3,5070 3,4253 3,2547 3,1654
196
14 8,8617 6,5149 5,5639 5,0354 4,6950 4,4558 4,2779 4,1400 4,0297 3,9394 3,8640 3,8002 3,7452 3,6976 3,6557 3,5052 3,4116 3,3476 3,2657 3,0942 3,0040
Distribuição F
15 8,6832 6,3588 5,4170 4,8932 4,5556 4,3183 4,1416 4,0044 3,8948 3,8049 3,7299 3,6662 3,6115 3,5639 3,5222 3,3719 3,2782 3,2141 3,1319 2,9594 2,8684
APÊNDICE D
16 8,5309 6,2263 5,2922 4,7726 4,4374 4,2016 4,0259 3,8896 3,7804 3,6909 3,6162 3,5527 3,4981 3,4506 3,4090 3,2587 3,1650 3,1007 3,0182 2,8447 2,7528
P(Fgl1; gl2 ≥ Ftab) = 0,01
17 8,3998 6,1121 5,1850 4,6689 4,3360 4,1015 3,9267 3,7909 3,6823 3,5931 3,5185 3,4552 3,4007 3,3533 3,3117 3,1615 3,0676 3,0032 2,9204 2,7458 2,6530
18 8,2855 6,0129 5,0919 4,5790 4,2479 4,0146 3,8406 3,7054 3,5971 3,5081 3,4338 3,3706 3,3162 3,2689 3,2273 3,0771 2,9831 2,9185 2,8354 2,6597 2,5660
19 8,1850 5,9259 5,0103 4,5002 4,1708 3,9386 3,7653 3,6305 3,5225 3,4338 3,3596 3,2965 3,2422 3,1949 3,1533 3,0031 2,9089 2,8442 2,7608 2,5839 2,4893
20 8,0960 5,8490 4,9382 4,4307 4,1027 3,8714 3,6987 3,5644 3,4567 3,3682 3,2941 3,2311 3,1769 3,1296 3,0880 2,9377 2,8434 2,7785 2,6947 2,5168 2,4212
25 7,7698 5,5680 4,6755 4,1774 3,8550 3,6272 3,4568 3,3239 3,2172 3,1294 3,0558 2,9931 2,9389 2,8917 2,8502 2,6993 2,6041 2,5383 2,4530 2,2696 2,1694
30 7,5624 5,3903 4,5097 4,0179 3,6990 3,4735 3,3045 3,1726 3,0665 2,9791 2,9057 2,8431 2,7890 2,7418 2,7002 2,5487 2,4526 2,3860 2,2992 2,1108 2,0062
40 7,3142 5,1785 4,3126 3,8283 3,5138 3,2910 3,1238 2,9930 2,8876 2,8005 2,7273 2,6648 2,6107 2,5634 2,5216 2,3689 2,2714 2,2034 2,1142 1,9172 1,8047
60 7,0771 4,9774 4,1259 3,6491 3,3389 3,1187 2,9530 2,8233 2,7185 2,6318 2,5587 2,4961 2,4419 2,3943 2,3523 2,1978 2,0984 2,0285 1,9360 1,7263 1,6006
120 6,8509 4,7865 3,9491 3,4795 3,1735 2,9559 2,7918 2,6629 2,5586 2,4721 2,3990 2,3363 2,2818 2,2339 2,1915 2,0346 1,9325 1,8600 1,7628 1,5330 1,3805
∞ 6,6349 4,6052 3,7816 3,3192 3,0172 2,8020 2,6393 2,5113 2,4073 2,3209 2,2477 2,1847 2,1299 2,0815 2,0385 1,8783 1,7726 1,6964 1,5923 1,3246 1,0000
gl1
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 20 25 30 40 120 ∞
gl2
1 647,789 799,500 864,163 899,583 921,848 937,111 948,217 956,656 963,285 968,627 973,025 976,708 979,837 982,528 984,867 993,103 998,081 1001,41 1005,60 1014,02 1018,26
2 38,5063 39,0000 39,1655 39,2484 39,2982 39,3315 39,3552 39,3730 39,3869 39,3980 39,4071 39,4146 39,4210 39,4265 39,4313 39,4479 39,4579 39,4646 39,4729 39,4896 39,4979
3 17,4434 16,0441 15,4392 15,1010 14,8848 14,7347 14,6244 14,5399 14,4731 14,4189 14,3742 14,3366 14,3045 14,2768 14,2527 14,1674 14,1155 14,0805 14,0365 13,9473 13,9021
4 12,2179 10,6491 9,9792 9,6045 9,3645 9,1973 9,0741 8,9796 8,9047 8,8439 8,7935 8,7512 8,7150 8,6838 8,6565 8,5599 8,5010 8,4613 8,4111 8,3092 8,2573
5 10,0070 8,4336 7,7636 7,3879 7,1464 6,9777 6,8531 6,7572 6,6811 6,6192 6,5678 6,5245 6,4876 6,4556 6,4277 6,3286 6,2679 6,2269 6,1750 6,0693 6,0153
6 8,8131 7,2599 6,5988 6,2272 5,9876 5,8198 5,6955 5,5996 5,5234 5,4613 5,4098 5,3662 5,3290 5,2968 5,2687 5,1684 5,1069 5,0652 5,0125 4,9044 4,8491
7 8,0727 6,5415 5,8898 5,5226 5,2852 5,1186 4,9949 4,8993 4,8232 4,7611 4,7095 4,6658 4,6285 4,5961 4,5678 4,4667 4,4045 4,3624 4,3089 4,1989 4,1423
8 7,5709 6,0595 5,4160 5,0526 4,8173 4,6517 4,5286 4,4333 4,3572 4,2951 4,2434 4,1997 4,1622 4,1297 4,1012 3,9995 3,9367 3,8940 3,8398 3,7279 3,6702
9 7,2093 5,7147 5,0781 4,7181 4,4844 4,3197 4,1970 4,1020 4,0260 3,9639 3,9121 3,8682 3,8306 3,7980 3,7694 3,6669 3,6035 3,5604 3,5055 3,3918 3,3329
10 6,9367 5,4564 4,8256 4,4683 4,2361 4,0721 3,9498 3,8549 3,7790 3,7168 3,6649 3,6209 3,5832 3,5504 3,5217 3,4185 3,3546 3,3110 3,2554 3,1399 3,0798
11 6,7241 5,2559 4,6300 4,2751 4,0440 3,8807 3,7586 3,6638 3,5879 3,5257 3,4737 3,4296 3,3917 3,3588 3,3299 3,2261 3,1616 3,1176 3,0613 2,9441 2,8828
197
12 6,5538 5,0959 4,4742 4,1212 3,8911 3,7283 3,6065 3,5118 3,4358 3,3736 3,3215 3,2773 3,2393 3,2062 3,1772 3,0728 3,0077 2,9633 2,9063 2,7874 2,7249
13 6,4143 4,9653 4,3472 3,9959 3,7667 3,6043 3,4827 3,3880 3,3120 3,2497 3,1975 3,1532 3,1150 3,0819 3,0527 2,9477 2,8821 2,8372 2,7797 2,6590 2,5955
14 6,2979 4,8567 4,2417 3,8919 3,6634 3,5014 3,3799 3,2853 3,2093 3,1469 3,0946 3,0502 3,0119 2,9786 2,9493 2,8437 2,7777 2,7324 2,6742 2,5519 2,4872
15 6,1995 4,7650 4,1528 3,8043 3,5764 3,4147 3,2934 3,1987 3,1227 3,0602 3,0078 2,9633 2,9249 2,8915 2,8621 2,7559 2,6894 2,6437 2,5850 2,4611 2,3953
APÊNDICE E
Distribuição F
16 6,1151 4,6867 4,0768 3,7294 3,5021 3,3406 3,2194 3,1248 3,0488 2,9862 2,9337 2,8890 2,8506 2,8170 2,7875 2,6808 2,6138 2,5678 2,5085 2,3831 2,3163
P(Fgl1; gl2 ≥ Ftab) = 0,025
17 6,0420 4,6189 4,0112 3,6648 3,4379 3,2767 3,1556 3,0610 2,9849 2,9222 2,8696 2,8249 2,7863 2,7526 2,7230 2,6158 2,5484 2,5020 2,4422 2,3153 2,2474
18 5,9781 4,5597 3,9539 3,6083 3,3820 3,2209 3,0999 3,0053 2,9291 2,8664 2,8137 2,7689 2,7302 2,6964 2,6667 2,5590 2,4912 2,4445 2,3842 2,2558 2,1869
19 5,9216 4,5075 3,9034 3,5587 3,3327 3,1718 3,0509 2,9563 2,8801 2,8172 2,7645 2,7196 2,6808 2,6469 2,6171 2,5089 2,4408 2,3937 2,3329 2,2032 2,1333
20 5,8715 4,4613 3,8587 3,5147 3,2891 3,1283 3,0074 2,9128 2,8365 2,7737 2,7209 2,6758 2,6369 2,6030 2,5731 2,4645 2,3959 2,3486 2,2873 2,1562 2,0853
25 5,6864 4,2909 3,6943 3,3530 3,1287 2,9685 2,8478 2,7531 2,6766 2,6135 2,5603 2,5149 2,4756 2,4413 2,4110 2,3005 2,2303 2,1816 2,1183 1,9811 1,9055
30 5,5675 4,1821 3,5894 3,2499 3,0265 2,8667 2,7460 2,6513 2,5746 2,5112 2,4577 2,4120 2,3724 2,3378 2,3072 2,1952 2,1237 2,0739 2,0089 1,8664 1,7867
40 5,4239 4,0510 3,4633 3,1261 2,9037 2,7444 2,6238 2,5289 2,4519 2,3882 2,3343 2,2882 2,2481 2,2130 2,1819 2,0677 1,9943 1,9429 1,8752 1,7242 1,6371
60 5,2856 3,9253 3,3425 3,0077 2,7863 2,6274 2,5068 2,4117 2,3344 2,2702 2,2159 2,1692 2,1286 2,0929 2,0613 1,9445 1,8687 1,8152 1,7440 1,5810 1,4821
120 5,1523 3,8046 3,2269 2,8943 2,6740 2,5154 2,3948 2,2994 2,2217 2,1570 2,1021 2,0548 2,0136 1,9773 1,9450 1,8249 1,7462 1,6899 1,6141 1,4327 1,3104
∞ 5,0239 3,6889 3,1161 2,7858 2,5665 2,4082 2,2875 2,1918 2,1136 2,0483 1,9927 1,9447 1,9027 1,8656 1,8326 1,7085 1,6259 1,5660 1,4835 1,2684 1,0000
gl1
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 20 25 30 40 120 ∞
gl2
1 161,446 199,499 215,707 224,583 230,160 233,988 236,767 238,884 240,543 241,882 242,981 243,905 244,690 245,363 245,949 248,016 249,260 250,096 251,144 253,254 254,317
2 18,5128 19,0000 19,1642 19,2467 19,2963 19,3295 19,3531 19,3709 19,3847 19,3959 19,4050 19,4125 19,4188 19,4243 19,4291 19,4457 19,4557 19,4625 19,4707 19,4873 19,4957
3 10,1280 9,5521 9,2766 9,1172 9,0134 8,9407 8,8867 8,8452 8,8123 8,7855 8,7633 8,7447 8,7286 8,7149 8,7028 8,6602 8,6341 8,6166 8,5944 8,5494 8,5265
4 7,7086 6,9443 6,5914 6,3882 6,2561 6,1631 6,0942 6,0410 5,9988 5,9644 5,9358 5,9117 5,8911 5,8733 5,8578 5,8025 5,7687 5,7459 5,7170 5,6581 5,6281
5 6,6079 5,7861 5,4094 5,1922 5,0503 4,9503 4,8759 4,8183 4,7725 4,7351 4,7040 4,6777 4,6552 4,6358 4,6188 4,5581 4,5209 4,4957 4,4638 4,3985 4,3650
6 5,9874 5,1432 4,7571 4,5337 4,3874 4,2839 4,2067 4,1468 4,0990 4,0600 4,0274 3,9999 3,9764 3,9559 3,9381 3,8742 3,8348 3,8082 3,7743 3,7047 3,6689
7 5,5915 4,7374 4,3468 4,1203 3,9715 3,8660 3,7871 3,7257 3,6767 3,6365 3,6030 3,5747 3,5503 3,5292 3,5107 3,4445 3,4036 3,3758 3,3404 3,2674 3,2298
8 5,3176 4,4590 4,0662 3,8379 3,6875 3,5806 3,5005 3,4381 3,3881 3,3472 3,3129 3,2839 3,2590 3,2374 3,2184 3,1503 3,1081 3,0794 3,0428 2,9669 2,9276
9 5,1174 4,2565 3,8625 3,6331 3,4817 3,3738 3,2927 3,2296 3,1789 3,1373 3,1025 3,0729 3,0475 3,0255 3,0061 2,9365 2,8932 2,8637 2,8259 2,7475 2,7067
10 4,9646 4,1028 3,7083 3,4780 3,3258 3,2172 3,1355 3,0717 3,0204 2,9782 2,9430 2,9130 2,8872 2,8647 2,8450 2,7740 2,7298 2,6996 2,6609 2,5801 2,5379
11 4,8443 3,9823 3,5874 3,3567 3,2039 3,0946 3,0123 2,9480 2,8962 2,8536 2,8179 2,7876 2,7614 2,7386 2,7186 2,6464 2,6014 2,5705 2,5309 2,4480 2,4045
12 4,7472 3,8853 3,4903 3,2592 3,1059 2,9961 2,9134 2,8486 2,7964 2,7534 2,7173 2,6866 2,6602 2,6371 2,6169 2,5436 2,4977 2,4663 2,4259 2,3410 2,2962
13 4,6672 3,8056 3,4105 3,1791 3,0254 2,9153 2,8321 2,7669 2,7144 2,6710 2,6346 2,6037 2,5769 2,5536 2,5331 2,4589 2,4123 2,3803 2,3392 2,2524 2,2064
198
14 4,6001 3,7389 3,3439 3,1122 2,9582 2,8477 2,7642 2,6987 2,6458 2,6022 2,5655 2,5342 2,5073 2,4837 2,4630 2,3879 2,3407 2,3082 2,2663 2,1778 2,1307
15 4,5431 3,6823 3,2874 3,0556 2,9013 2,7905 2,7066 2,6408 2,5876 2,5437 2,5068 2,4753 2,4481 2,4244 2,4034 2,3275 2,2797 2,2468 2,2043 2,1141 2,0658
APÊNDICE F
Distribuição F
16 4,4940 3,6337 3,2389 3,0069 2,8524 2,7413 2,6572 2,5911 2,5377 2,4935 2,4564 2,4247 2,3973 2,3733 2,3522 2,2756 2,2272 2,1938 2,1507 2,0589 2,0096
P(Fgl1; gl2 ≥ Ftab) = 0,05
17 4,4513 3,5915 3,1968 2,9647 2,8100 2,6987 2,6143 2,5480 2,4943 2,4499 2,4126 2,3807 2,3531 2,3290 2,3077 2,2304 2,1815 2,1477 2,1040 2,0107 1,9604
18 4,4139 3,5546 3,1599 2,9277 2,7729 2,6613 2,5767 2,5102 2,4563 2,4117 2,3742 2,3421 2,3143 2,2900 2,2686 2,1906 2,1413 2,1071 2,0629 1,9681 1,9168
19 4,3808 3,5219 3,1274 2,8951 2,7401 2,6283 2,5435 2,4768 2,4227 2,3779 2,3402 2,3080 2,2800 2,2556 2,2341 2,1555 2,1057 2,0712 2,0264 1,9302 1,8780
20 4,3513 3,4928 3,0984 2,8661 2,7109 2,5990 2,5140 2,4471 2,3928 2,3479 2,3100 2,2776 2,2495 2,2250 2,2033 2,1242 2,0739 2,0391 1,9938 1,8963 1,8432
25 4,2417 3,3852 2,9912 2,7587 2,6030 2,4904 2,4047 2,3371 2,2821 2,2365 2,1979 2,1649 2,1362 2,1111 2,0889 2,0075 1,9554 1,9192 1,8718 1,7684 1,7110
30 4,1709 3,3158 2,9223 2,6896 2,5336 2,4205 2,3343 2,2662 2,2107 2,1646 2,1256 2,0921 2,0630 2,0374 2,0148 1,9317 1,8782 1,8409 1,7918 1,6835 1,6223
40 4,0847 3,2317 2,8387 2,6060 2,4495 2,3359 2,2490 2,1802 2,1240 2,0773 2,0376 2,0035 1,9738 1,9476 1,9245 1,8389 1,7835 1,7444 1,6928 1,5766 1,5089
60 4,0012 3,1504 2,7581 2,5252 2,3683 2,2541 2,1665 2,0970 2,0401 1,9926 1,9522 1,9174 1,8870 1,8602 1,8364 1,7480 1,6902 1,6491 1,5943 1,4673 1,3893
120 3,9201 3,0718 2,6802 2,4472 2,2899 2,1750 2,0868 2,0164 1,9588 1,9105 1,8693 1,8337 1,8026 1,7750 1,7505 1,6587 1,5980 1,5543 1,4952 1,3519 1,2539
∞ 3,8414 2,9957 2,6049 2,3719 2,2141 2,0986 2,0096 1,9384 1,8799 1,8307 1,7886 1,7522 1,7202 1,6918 1,6664 1,5705 1,5061 1,4591 1,3940 1,2214 1,0000
ANOTAÇÕES
____________________________________________________________
____________________________________________________________
____________________________________________________________
____________________________________________________________
____________________________________________________________
____________________________________________________________
____________________________________________________________
____________________________________________________________
____________________________________________________________
____________________________________________________________
____________________________________________________________
____________________________________________________________
____________________________________________________________
____________________________________________________________
____________________________________________________________
____________________________________________________________
____________________________________________________________
____________________________________________________________
____________________________________________________________
____________________________________________________________
____________________________________________________________
____________________________________________________________
____________________________________________________________
____________________________________________________________
____________________________________________________________
____________________________________________________________
____________________________________________________________
____________________________________________________________
199
____________________________________________________________
____________________________________________________________
____________________________________________________________
____________________________________________________________
____________________________________________________________
____________________________________________________________
____________________________________________________________
____________________________________________________________
____________________________________________________________
____________________________________________________________
____________________________________________________________
____________________________________________________________
____________________________________________________________
____________________________________________________________
____________________________________________________________
____________________________________________________________
____________________________________________________________
____________________________________________________________
____________________________________________________________
____________________________________________________________
____________________________________________________________
____________________________________________________________
____________________________________________________________
____________________________________________________________
____________________________________________________________
____________________________________________________________
____________________________________________________________
____________________________________________________________
____________________________________________________________
____________________________________________________________
____________________________________________________________
____________________________________________________________
200