Escolar Documentos
Profissional Documentos
Cultura Documentos
ENGENHARIA
2
1 ANÁLISE COMBINATÓRIA E PROBABILIDADES
Fatorial de um número
n! = n . (n – 1) . ( n – 2) . (n – 3). ... . 1
1! = 1
Considera-se 0! = 1
Exemplos:
5! = 5 . (5 – 1) . (5 – 2) . (5 – 3). (5 – 4) = 5 . 4 . 3. 2. 1 = 120
7! = 7 . 6 . 5. 4. 3. 2. 1 = 5040
3
10! = 10. 9. 8. 7. 6. 5. 4. 3. 2. 1 = 3 628 800
Podemos indicar:
n! = n . (n – 1)!
7! = 7. 6!
Pn = n!
Exemplos
Isso ocorre, pois são 6 letras distintas e cada letra pode mudar de posição, gerando
palavras com significado ou não. Dessa forma, podemos afirmar que existem 720
anagramas da palavra ANTIGO.
4
Resolução:
M C D U
4 opções 3 opções 2 opções 1 opções
P4 = 4!= 4.3.2.1 = 24
n!
Pnb1 ,b2 ,..,bk =
b1!.b2 !...bk !
Exemplo
5! 5.4.3.2.1 120
P52,3 = = = = 10
2!.3! 2.1.3.2.1 12
5
Arranjos simples
n!
Fórmula: An ,k =
(n − k )!
Exemplos
Resolução:
Como nesse caso a senha é composta por 3 letras distintas que seguem uma ordem,
podemos resolver esse problema utilizando arranjos simples.
Combinações simples
n!
Fórmula: C n ,k =
k!(n − k )!
Exemplo:
6
a) sem nenhuma restrição.
Resolução:
Como não existe nenhuma restrição, podemos afirmar que a comissão pode ser
composta por 5 mulheres e nenhum homem, ou ainda, 4 mulheres e 1 homem, ou 3
mulheres e 2 homens, e assim por diante.
Como não pode ter uma repetição e não existe uma ordem na escolha, trabalhamos
com combinações simples.
b) de 2 homens e 3 mulheres.
Resolução:
Nesse caso, a comissão precisa ter 2 homens e 3 mulheres. Sendo assim, trabalhamos
com combinações simples da seguinte forma:
7
Portanto, existem 18 876 maneiras de formar uma comissão escolhendo 2 homens e 3
mulheres.
Espaço amostral
Exemplo: Lance uma moeda três vezes e observe a sequência de caras (K) e coroas (C)
que ocorre. Apresente um espaço amostral para esse experimento.
Evento
Exemplo: Ao lançar três vezes uma moeda, foi possível obter o espaço amostral S =
{(KKK), (KKC), (KCK), (CKK), (CCK), (CKC), (KCC), (CCC)}. Para esse experimento, qual é o
evento onde ocorrem duas faces caras?
Definição de probabilidades
8
Onde:
Certeza e Impossibilidade, pelo que vimos até agora podemos concluir que a
probabilidade de um evento E qualquer é P(E), tal que 0 ≤ P(E) ≤ 1.
Eventos complementares
Sendo “p” a probabilidade de que ele ocorra (sucesso) e “q” a probabilidade de que ele
não ocorra (fracasso), para um mesmo evento existe sempre a relação:
p + q = 1 ⇒ q = 1- p
Probabilidade condicional
9
Exemplos
a) Espaço Amostral S = { K , C }
c) Evento A = { K }
n( A) 1
e) P(A) = =
n( S ) 2
a) n(S) = 52
b) n(C) = 4
c) P (C ) =
n (C)
=
4
n (S) 52
10
4. No experimento do lançamento de dois dados, se a soma dos pontos deu maior que
6, qual a probabilidade de que tenha ocorrido em ambos os dados um número par?
1º momento temos: Espaço Amostral S = {(1; 1), (1; 2), (1; 3), ..., (6; 6)}
2º momento temos: A soma dos pontos deu maior que 6, gerando o evento A = {(1; 6),
(2; 5), (2; 6), (3; 4), (3; 5), (3; 6), (4; 3), (4; 4), (4; 5), (4; 6), (5; 2), (5; 3), (5; 4), (5; 5), (5;
6), (6; 1), (6; 2), (6; 3), (6; 4), (6; 5), (6; 6)}
3º momento temos: Em ambos os dados um número par, quando a soma dos pontos
deu maior que 6, gerando o evento B = {(2; 6), , (4; 4), (4; 6), (6; 2), (6; 4), (6; 6)}
6 2
P ( B / A) = =
21 7
Definição
x1 , x2 , x3 ,..., xn
A cada valor correspondem pontos do espaço amostral. Associamos, então cada valor
xi a probabilidade pi de ocorrência de tais pontos no espaço amostral.
Assim, temos
∑p i = p1 + p2 + p3 + ... + pn = 1
11
Exemplo
18
p1 = = 0,6
30
6
p2 = = 0,2
30
4
p3 = = 0,13
30
2
p4 = = 0,07
30
12
Com os resultados obtidos podemos formar a Distribuição de Probabilidade:
f ( x) = P( X = xi )
Para o lançamento de um dado, a variável X, definida por valor da face do dado, pode
ser indicado por 1, 2, 3, 4, 5, 6.
Formando a tabela:
13
Conclusão
REFERÊNCIAS
LEVIN, J.; FOX, J. A.; FORDE, D. R. Estatística para ciências humanas. São Paulo: Pearson,
2014.
14
2 PRINCÍPIOS BÁSICOS DE ESTATÍSTICA
Neste bloco, vamos iniciar os tópicos indicados por diversos autores como princípios
básicos de estatística, começando com as regras de arredondamento de dados,
passando pela caracterização de População e Amostra.
Exemplos
73,74 73,7
34,913453 34,91
15
Exemplos
72,3823 72,4
25,0712 25,1
35,9951 36,0
Exemplos
71,352 71,4
25,65001 25,7
Exemplos
24,75 24,8
24,65 24,6
16
Porcentagem
População e amostra
Exemplos:
17
2. Em uma escola existem 300 alunos matriculados, sendo 60 do 1º ano, 50 do 2º ano,
40 do 3º ano, 80 do 4º ano e 70 do 5º ano. Obtenha uma amostra de 60 alunos
preenchendo a tabela a seguir:
O resultado é a tabela:
Nesse tópico vamos estudar os tipos de variáveis, sendo importante entender que
variável é o conjunto de resultados possíveis de um fenômeno.
Variável qualitativa: quando seus valores são expressos por atributos, como: cor de
pele, gênero, hábito de fumar, grau de instrução etc.
Exemplos: peso, altura, valor de um produto, distância entre dois corpos etc.
Amostragem
Exemplo: Para uma pesquisa sobre rendar familiar de um grupo composto por 500
pessoas, vamos escolher uma amostra com, no mínimo, 50 pessoas (sendo 10% de
500), selecionadas através de amostragem aleatória simples, onde em primeiro lugar,
é necessário elaborar uma lista com todas as pessoas do grupo numeradas de 1 a 500,
19
para em seguida serem submetidos a um sorteio. Ao mesmo tempo utilizamos bolas
ou cartões numerados de 1 a 500.
Amostragem sistemática
Exemplo: Para uma pesquisa sobre rendar familiar de um grupo composto por 500
pessoas, vamos escolher uma amostra com, no mínimo, 50 pessoas (sendo 10% de
500), selecionadas através de amostragem sistemática, onde em primeiro lugar, é
necessário elaborar uma lista com todas as pessoas do grupo numeradas de 1 a 500,
para em seguida serem submetidos a um sorteio da seguinte maneira:
Em muitos casos uma pesquisa estuda uma população que possui subpopulações, pois
a mesma se divide em grupos denominados como estratos.
20
Exemplo:
Precisa realizar uma pesquisa da estatura de 90 alunos de uma escola. Desses, 54 são
meninas e 36 são meninos. Com o objetivo de entrevistar 10% dos alunos, temos uma
amostragem estratificada proporcional formada da seguinte maneira:
1º Passo
2º Passo
3º Passo
13 41 25 37 52
61 55 72 85 ---------------
21
Exemplo
22
Resolução
Conclusão
23
REFERÊNCIAS
LEVIN, J.; FOX, J. A.; FORDE, D. R. Estatística para ciências humanas. São Paulo: Pearson,
2014.
24
3 GRÁFICOS ESTATÍSTICOS
Nesse momento será possível entender que o gráfico estatístico é uma ferramenta que
apresenta os dados estatísticos, colaborando para uma melhor compreensão do
fenômeno em estudo.
Histograma
Por definição temos que o histograma é um tipo de gráfico formado por retângulos
justapostos, onde cada base fica localizada sobre o eixo horizontal, e dessa forma,
seus pontos médios coincidem com os pontos médios dos intervalos de classe.
25
Exemplos
Resolução:
26
Polígono de frequência
Veja um exemplo:
Exemplo
Resolução:
27
3.3 Diagrama de Ramo-e-folhas
Exemplo:
(3) 3 147
(5) 4 35679
(2) 6 28
(1) 8 5
Exemplo
1. Um professor aplicou uma atividade para 25 alunos. Os valores a seguir são as notas
dos alunos:
24 79 98 47 45
27 48 59 58 62
61 73 92 49 55
57 61 69 65 91
74 64 63 28 77
28
Resolução
1º Passo
2º Passo
2 478
4 8795
5 7985
6 1149352
7 4937
9 821
29
3º Passo
(3) 2 478
(4) 4 8795
(4) 5 7985
(7) 6 1149352
(4) 7 4937
(3) 9 821
Conclusão
REFERÊNCIAS
LEVIN, J.; FOX, J. A.; FORDE, D. R. Estatística para ciências humanas. São Paulo: Pearson,
2014.
30
4 MEDIDAS
Para dados não agrupados é a soma dos valores da variável dividida pelo total de
observações.
Exemplo:
Após realização de uma pesquisa sobre qual quantia, em reais, cada pessoa estava
disposta a pagar em um lanche de rua, foram coletados os valores: 9, 13, 6, 12 e 5.
31
Para dados agrupados:
Mediana (md)
Para dados não agrupados: é o valor da variável que ocupa a posição central dos dados
ordenados.
Exemplo:
5, 6, 8, 9, 11, 12, 14
Outro caso
6, 8, 9, 11, 12, 14
32
Depois, calculamos a média dos dois valores centrais, por se tratar de quantidade par
de elementos:
Exemplo
33
Moda (mo)
Exemplo
34
2. Determine a moda para o seguinte conjunto de dados:
65, 80, 87, 49, 58, 65, 80, 65, 90, 80,
Exemplo
35
Os quartis
Temos como definição que os quartis são os valores de uma série que a dividem em
quatro partes iguais.
Primeiro quartil Q1 – valor situado de tal modo na série que 25% dos dados são
menores que ele e 75% restantes são maiores.
Terceiro quartil Q3 – valor situado de tal modo na série que 75% dos dados são
menores que ele e 25% restantes são maiores.
36
Exemplo:
37
4.2 Medidas de dispersão – amplitude, variância e desvio padrão
Exemplo
38
Observando os dados pelo gráfico a seguir, é possível identificar uma maior oscilação
da carteira A comparando com a carteira B, mostrando que um investidor mais
conservador iria optar pela carteira B, por apresentar uma menor oscilação de valores
dentro do período apresentado.
Σ( xi − x )² Σ( xi − x )²
s² = ( populacional ) s² = (amostral )
n n −1
39
Propriedades
2. Multiplicando todos os valores de uma variável por uma constante k não nula, o
desvio padrão fica multiplicado por essa constante k.
40
Exemplo
Amplitude total
41
42
4.3 Medidas de dispersão – intervalo interquartil e coeficiente de
variação
Na estatística trabalhamos com dados que por sua vez precisam de interpretações,
onde conhecer a medida de posição (média aritmética, mediana ou moda) não é o
suficiente para uma análise mais ampla.
Intervalo interquartil
Outra ferramenta útil para calcular uma medida de variabilidade é conhecida como
variação interquartil ou intervalo interquartil (IQR, do inglês inter-quartile range), onde
podemos afirmar que quanto maior a IQR, maior a distribuição ou a variabilidade.
IQR = Q3 – Q1
Por definição, temos que a variação de interquartil inclui 50% de valores do meio na
distribuição quando estes são organizados em ordem crescente ou decrescente. Isso
acontece, pois:
43
Primeiro quartil Q1 – valor situado de tal modo na série que 25% dos dados são
menores que ele e 75% restantes são maiores.
Terceiro quartil Q3 – valor situado de tal modo na série que 75% dos dados são
menores que ele e 25% restantes são maiores.
Exemplo
1º Passo
Encontramos Q1 e Q3
62 + 65
Q1 = = 63,5
2
84 + 85
Q3 = = 84,5
2
44
2º Passo
Calculamos IQR:
IQR = Q3 – Q1
Coeficiente de variação
s
CV = .100%
x
Exemplo:
Tomemos os resultados das medidas das estaturas das massas de um mesmo grupo de
indivíduos:
Resolução
5
CV E = .100% ≅ 2,86% - Coeficiente de variação para a variável Estatura em cm.
175
2
CVM = .100% ≅ 2,94% - Coeficiente de variação para a variável Massa em kg.
68
45
Portanto, podemos afirmar que para esse grupo de indivíduos, as massas apresentam
maior grau de dispersão que as estaturas.
Conclusão
REFERÊNCIAS
LEVIN, J.; FOX, J. A.; FORDE, D. R. Estatística para ciências humanas. São Paulo: Pearson,
2014.
46
5 TESTE DE HIPÓTESE
Podemos pensar que ao trabalhar com duas amostras extraídas da mesma população,
onde a média (M1) da amostra A ser diferente da média (M2) referente amostra B, será
que esta diferença é consequência da casualidade na escolha da amostra, ou será que
esta diferença representa a diferença entre os dois grupos pesquisados?
47
Possibilidades para teste de hipóteses
Uma hipótese estatística que contém uma afirmação indicada pelos sinais = (igual), ≥
(maior ou igual) ou ≤ (menor ou igual) é denominada Hipótese Nula (H0).
Se, para toda afirmação existe um complemento, temos que para uma Hipótese Nula
existe uma Hipótese Alternativa (Ha ou H1), em outras palavras, para a Hipótese Nula
ser falsa a Hipótese Alternativa precisa ser verdadeira, ou para H0 ser verdadeira logo
Ha é falsa. Em Ha temos os sinais ≠ (diferente), > (maior) ou < (menor).
H 0 : µ=k
Teste bilateral
H a : µ≠k
H 0 : µ=k
Teste unilateral
H a : µ>k
48
H 0 : µ=k
Teste unilateral
H a : µ<k
H 0 : µ≥k
Teste unilateral
H a : µ<k
H 0 : µ≤k
Teste unilateral
H a : µ>k
49
Erros do Tipo 1 e Tipo 2
Estudando as duas hipóteses (H0 e Ha) concluímos que podemos acertar de duas
maneiras, seja aceitando a hipótese quando ela é verdadeira, ou rejeitando-a quando
ela é falsa. Por outro lado, temos duas possibilidades de estarmos errados: rejeitando
a hipótese quando ela é verdadeira, ou aceitando-a quando ela é falsa. No primeiro
caso temos o Erro Tipo 1 e no segundo caso temos o Erro Tipo 2. Observe a tabela:
50
A média populacional
Em muitos casos isso é impossível de ter a plena certeza, sendo assim, trabalhamos
com:
s s
µ ∈ x − t. ; x + t. ⇒ n ≤ 30
n n Usar tabela de distribuição t
s s
µ ∈ x − z. ; x + z. ⇒ n > 30
n n Usar tabela de distribuição normal
Exemplos
1. Em uma determinada fábrica, o tempo médio, por operário, para realizar uma
tarefa, estava em 92 minutos. Após treinamentos específicos foi constatada uma
diminuição nesse tempo, e a prova disso foi um novo estudo com 81 funcionários. O
novo tempo médio foi de 84 minutos e o desvio padrão foi de 9 minutos.
Considerando um nível de confiança de 95%, podemos declarar que os resultados
trazem evidências estatísticas da melhora desejada?
Resolução
51
Para determinar o valor de z seguimos esse passo a passo:
52
2. O instituto de pesquisa Power informou que o preço médio do produto A, na cidade
X, é de R$ 14,50. Com o objetivo de verificar a informação, outro instituto selecionou
uma amostra de 8 estabelecimentos da cidade X, constatando os valores a seguir:
Resolução:
53
Conclusão
REFERÊNCIAS
LEVIN, J.; FOX, J. A.; FORDE, D. R. Estatística para ciências humanas. São Paulo: Pearson,
2014.
SMOLE, K. C. S.; DINIZ, M. I. Matemática Ensino Médio. São Paulo: Saraiva, 2003. v. 1.
54
6 FERRAMENTAS ESTATÍSTICAS
Neste último bloco, estudaremos a comparação entre duas médias, realizando uma
análise de variância, coeficiente de correlação de Pearson, compreendendo a
correlação entre duas variáveis, ainda a Regressão Linear e concluímos com a aplicação
das funções estatísticas do MS Excel.
Correlação
Portanto, quando duas variáveis estão ligadas por uma relação estatística, podemos
afirmar que existe uma correlação entre elas.
55
Diagrama de Dispersão
A tabela a seguir apresenta notas de 10 alunos de uma turma formada por 78 alunos.
56
Correlação linear
i. linear positiva - isso ocorre quando os pontos do diagrama de dispersão têm como
“imagem” uma reta ascendente, como uma função linear crescente.
ii. linear negativa - isso ocorre quando os pontos do diagrama de dispersão têm como
“imagem” uma reta descedente, como uma função linear decrescente.
57
iii. não linear – isso ocorre quando os pontos do diagrama de dispersão têm como
“imagem” uma curva.
n.∑ xi y i − (∑ xi )(
. ∑ yi )
r= , onde n é o número de observações.
[n.∑ x 2
i
2
][
− (∑ xi ) . n.∑ y i2 − (∑ y i )
2
]
Para ser possível descrever uma relação por meio do coeficiente de correlação de
Pearson é fundamental que a mesma se aproxime de uma função linear. Dessa forma
podemos afirmar que:
iv. sendo r = 0, isso indica que não há correlação entre as variáveis ou a relação entre
as variáveis não é linear.
58
vi. se 0 < r < 0,3 , há uma correlação é muito fraca, onde será impossível apresentar
Regressão linear
O trabalho com Regressão Linear tem como objetivo desenvolver um estudo sobre a
relação de duas variáveis partindo de n observações das mesmas. Esse tópico na
Estatística é chamado de análise de regressão, onde construímos por aproximação
uma linha reta, gerando um determinado patrão, ou conjunto, de pontos que indicam
uma relação entre as duas variáveis em estudo.
Y=a.X+b
Onde:
n.∑ xi . y i − ∑ xi .∑ y i
a= e b = y − a.x
n.∑ xi2 − (∑ xi )
2
59
Exemplo
A tabela a seguir apresenta notas de 10 alunos de uma turma formada por 78 alunos.
Apresente a função que determina a Regressão Linear para as notas dos alunos da
tabela.
Resolução:
60
2º Passo, calculamos as médias:
65
x= = 6,5
10
65
y= = 6,5
10
a = 0,86 e b = 0,89
Y=a.X+b
Yˆ = 0,86. X + 0,89
61
6º Passo, determinamos os dois pontos distintos atribuindo dois valores para X:
Portanto, a Regressão Linear gerada é uma reta que está entre os pontos do diagrama
de dispersão.
Nesse momento vamos utilizar o MS Excel para determinar algumas dessas funções
utilizando suas respectivas fórmulas.
Função mediana:
Função moda:
63
Agora, sem precisar fazer um passo a passo, é possível calcular e determinar essas e
outras funções utilizando a ferramenta Análise de Dados do MS Excel.
Em seguida:
64
E concluímos com a tabela que apresenta o resumo das funções:
Portanto, podemos afirmar que o MS Excel é uma ferramenta muito importante para
desenvolver inúmeras tarefas da Estatística, mas não podemos nos esquecer da
necessidade de dominar e compreender os métodos estudados sem o uso desse
programa.
65
Conclusão
REFERÊNCIAS
LEVIN, J.; FOX, J. A.; FORDE, D. R. Estatística para ciências humanas. São Paulo: Pearson,
2014.
66