Escolar Documentos
Profissional Documentos
Cultura Documentos
1. Origem da Estatística
O termo Estatística, provem do latin status que significa (estado) e foi introduzida na
Alemanha, em 1748, por Achenwall, para denominar levantamento de dados cuja finalidade era
orientar o estado em suas decisões.
A Estatística é uma ciência Matemática interessada nos métodos científicos para colecta,
organização, resumo, apresentação e a análise de dados referentes a uma população ou amostra,
bem como na obtenção de conclusões válidas e na tomada de decisões baseadas em tais análises.
Estuda-se Estatística para aplicar seus conceitos como auxilio nas tomadas de decisão diante de
incertezas, justificando cientificamente as decisões. Os princípios estatísticos são utilizados em
uma grande variedade de situações no governo, nos negócios e na indústria, bem como no âmbito
das ciências sociais, biológicas e físicas. A estatística presta-se a aplicações operacionais e de
pesquisa, sendo efectiva não só em experimentos de laboratório, mas também em estudos fora
dele.
i. População ou universo
Uma população pode ser finita (reais) ou infinita (Hipotéticas). É finita quando o processo
de contagem dos seus elementos tem fim. Por exemplo número de habitantes da cidade de
Nampula constitui uma população finita.
ii. Amostra
se alguém tem ou não malária, tira-se uma pequena amostra de sangue para o teste de plasmódio, e
não todo sangue do indivíduo. Para se saber a opinião dos munícipes da cidade de Nampula em
relação ao desempenho da edilidade selecciona-se de forma aleatória uma parte da população e não
todos os munícipes.
Raramente é possível analisar todos elementos de uma população finita. Vários factores
contribuem para este facto: limitações de tempo, custos, vantagens do uso de técnicas de recolha
de dados, factores geográficos e políticos, etc.
Uma amostra é aleatória se cada um dos seus elementos tem a mesma possibilidade, chance
ou probabilidade de ser escolhido.
iii. Unidade Estatística denota cada elemento que constitui a população observada. É
precisamente sobre este elemento que recai a observação estatística.
Definição do problema
Planejamento
Coleta de dados
Apuramento: esta etapa consiste em fazer uma análise exploratória dos dados para
identificar valores extremos, valores estranhos e erros na recolha e digitação dos dados.
1.3. Variáveis
Uma Variável é a característica em estudo numa população ou amostra. Antes de realizar qualquer
tratamento estatístico de um conjunto de dados, é importante identificar qual é o tipo de variável
que será analisado, pois, é mediante a este conhecimento que o pesquisador poderá ou não adoptar
determinadas técnicas estatísticas para a resolução de problemas.
Classificação de Variáveis
Variáveis Quantitativas - quando os valores que ela pode assumir são numéricos, os quais
podem ser obtidos através de uma contagem ou mensuração.
(b) Variáveis quantitativas contínuas - são variáveis numéricas cujos valores são obtidos
por um procedimento de mensuração, podendo assumir quaisquer valores num intervalo dos
números reais, como por exemplo, a temperatura, altura, salário, tempo de percurso de casa a
escola, etc.
Obs: O fato de uma variável ser expressa por números não significa que ela seja
necessariamente quantitativa. Por exemplo, para a variável peso de um lutador de boxe, se for
anotado o peso marcado na balança, a variável é quantitativa contínua; por outro lado, se esse peso
for classificado segundo as categorias do boxe, a variável é qualitativa ordinal.
Variáveis Qualitativas - quando os valores que elas podem receber são referentes à
qualidade, atributo ou categoria. Exemplos são:
Por sua vez, as variáveis qualitativas podem, ainda, ser classificadas como: Nominais ou Ordinais.
(a) As variáveis qualitativas nominais - são caracterizadas por dados que se apresentam
apenas sob o aspecto qualitativo (Ex: nível académico, o grupo sanguíneo, carreira profissional,
categoria profissional, etc).
(b) As variáveis qualitativas ordinais - são caracterizadas por categorias que apresentam
uma ordenação natural. Por exemplo: escolaridade ( 1ª classe, 2ª classe, etc).
Esquema resumo:
conhecimento que o pesquisador poderá ou não adoptar determinadas técnicas estatísticas para a
resolução de problemas.
Exercícios
1. Num estudo feito numa escola, recolheram-se dados referentes às seguintes variáveis:
(A) idade (E) tempo gasto diariamente no estudo
2. Uma socióloga quer saber a opinião de mulheres empregadas sobre a política do governo em
relação as creches. Ela tem uma lista de todas as mulheres que pagam cotas a um dos sindicatos.
Ela envia um questionário a 100 destas mulheres, escolhidas aleatoriamente. Destas, 68 preenchem
e devolvem o questionário.
3. Coloque-se no lugar de pesquisador que pretende estudar se há relação entre o peso e a pressão
arterial de um indivíduo. Que variáveis usarias neste caso? Classifique-as.
4. Uma estação biológica foi indicada para fazer um inquérito sobre nutrição numa província. Para
o efeito, foram enviados 8000 inquéritos. Destes, 6500 foram preenchidos pelos inqueridos e
posteriormente devolvidos. O que é neste caso a população? E a amostra?
6. Na impossibilidade de se trabalhar com toda a população, muitas vezes, retira-se dela uma
amostra.
a) Explique como é que cada um dos factores (Geográficos, custos, limitação de tempo e políticos)
pode motivar o recurso a uma amostra.
a) O que deve-se satisfazer para que uma amostra sege a mais representativa possível.
É o mais adequado para variáveis discretas, mas também pode ser utilizado para variáveis
qualitativas ordinais, ou ainda, para variáveis qualitativas nominais cujos nomes das categorias são
pequenos.
Livros Número
Matemática 30
Física 45
Historia 75
Química 12
Inglês 20
Desenho Técnico 16
TOTAL 198
Total_______________360 0
Parte_______________ X 0
30 x 3600
Para Matemática: 198_____360º então X 54,5o
198
30 _____ x
45 x 3600
Para Física: 198____360º então X 81,80
198
45_____x
Depois de calcular todos valores angulares para todos os restantes casos, tem o seguinte
gráfico em sectores:
Veracidade: deve expressar a verdade sobre o fenómeno observado, e não inventar dados.
2012 120 50 85
2013 90 100 50
A Estatística tem como objectivo encontrar leis de comportamento para todo o conjunto,
por meio da sintetização dos dados numéricos sob a forma de tabelas, gráficos e medidas. A seguir
são apresentados os procedimentos para representação dos dados por tabelas. Representação de
dados por tabelas baseia-se nas frequências dos valores. A seguir apresentam-se alguns
procedimentos para representação dos dados por tabela frequências:
É o conjunto dos dados numéricos e que ainda não foram numericamente organizados. Por
exemplo:
7, 4, 3, 6, 5, 3, 4, 4, 3
Rol
3, 3, 3, 4, 4, 4, 5, 6, 7.
Do exemplo anterior: F( 3) 3 F( 7 ) 1 ,
2. Distribuição de frequência
É o arranjo dos valores com as suas respectivas frequências.
X i (valor) Fi
3 3
4 3
5 1
6 1
7 1
Total 9
Eis um exemplo de distribuição de frequências para uma variável contínua, da vida útil de
ferramentas de corte em um processo industrial:
Horas antes da
0|--- 25 25|--- 50 50|--- 75 75|--- 100
reposição
Nº de
2 4 12 30
ferramentas
É a soma das frequências absolutas dos valores inferiores ou iguais ao valor dado.
Xi Fi Fac
5 8 8
6 10 18
7 12 30
8 6 36
36
Fonte: autor
A frequência relativa percentual obten-se multiplicando por 100 a frequência relativa, isto é,
F
f r % i 100
N
Xi Fi fr fr %
5 8 8 0.22x100=22
0.22
36
6 10 10 28
0.28
36
7 12 12 33
0.33
36
8 6 6 17
0.17
36
36 1 100
é, f r 1,0
R= Xmáx - Xmáx
Exemplo: supomos que uma amostra tenha 58 dados numéricos, isto é n = 58. Neste caso o
número de classes será
R
É a diferença entre o limite inferior e o superior das classes, e é dada por h , onde R é o
K
range e K o número de classes.
Linf Lsup
É a média aritmética entre o limite superior e o limite inferior da classe , isto é, xi .
2
Linf Lsup 10 20
Ex: O ponto médio da classe 10 |--- 20 é xi 15
2 2
6. Histograma
Salário ( $) Nr de
Operários
140|--- 160 11
160|--- 180 20
200|--- 220 25
220|--- 240 11
Total N=100
7. Polígono de frequências
35
33
30
25 25
20 20
Fi
15
11 11
10
0
140 - 160 160 - 180 180 - 200 200 - 220 220 - 240
salario semanal
Salário ( $) Nr de Fac
Operários
140 |---160 11 11
120
100 100
89
80
64
Fac
60
40
31
20
11
0
140 - 160 160 - 180 180 - 200 200 - 220 220 - 240
sa la rio se ma na l
As medidas de posição mais importantes são as medidas de tendência central, que recebem
tal denominação pelo facto de os dados observados tenderem, em geral, a se agruparem em torno
de valores centrais. Existem muitos tipos de medidas de tendência central. Dentre elas as mais
comuns são: a mediana, a moda, e a média aritmética.
Na recolha dos dados de pesquisa sobre um determinado fenómeno, pode-se sintetizar pela
fórmula de tabelas, gráficos e distribuições de frequências. Mas também destaca-se o cálculo de
medidas que possibilitam representar um conjunto de dados relativos a observação de determinado
fenómeno de forma resumida para a sua análise. São as medidas de posição. Tais medidas
orientam-nos quanto a posição da distribuição no eixo do x (eixo dos números reais),
possibilitam comparações de séries de dados entre si pelo confronto desses números. São
chamadas medidas de tendência central, pois representam os fenómenos pelos seus valores
médios, em torno dos quais tendem a concentrar-se os dados, (cf.Fonseca, 1995:118).
Pesquisadores em muitos campos têm usado o termo “ média” em questões tais como:
qual a renda média de colegiais e universitários já graduados? Quantos cigarros fumam em média,
o adolescente? Qual a nota media de uma cadeira dos estudantes de um determinado curso em uma
universidade? Em média, quantos acidentes de viação que resultam da ingestão de álcool ou
droga? etc.
É obtida a partir da razão entre a soma dos valores observados e o total de observações, isto é:
Alberto Hermenegildo António Tépulo - Licenciado em Ensino de Matemática na UP Nampula | 23
Sebenta de Estatistica
Xi x1 x 2 ... x n
X i 1
ou X
n n
4 6 7 8 9 39
Exemplo: a média dos dados 4, 6, 7, 8, 9 é X 9,75
4 4
X .F i i
F1 X 1 F2 X 2 ... Fn X n
X i 1
ou X
n n
Confirmados, por escola de certa província, durante um ano lectivo. Calcule a média dos
números de casos:
Nº de 10 12 13 14 15
Casos
Nº de 20 16 19 24 30
Escolas
Um dispositivo mais prático e rápido para esse cálculo é a construção da seguinte tabela,
onde se acrescenta uma coluna para os produtos X i .Fi , como se segue:
Nº de Fi X i .Fi
Casos
10 20 200
12 16 192
13 19 247
14 24 336
15 30 450
109 1425
X i * Fi
1425
Assim, a média é X i 1
13,08 .
n 109
Exemplo: Para avaliar, na escala de 0 a 50, a satisfação dos munícipes de certa autarquia
em relação ao desempenho da respectiva edilidade, foi feito um estudo que forneceu os seguintes
dados:
Solução: tal como no caso anterior, dispomos a tabela da seguinte forma, introduzindo a
coluna dos pontos médios X i das classes e a coluna dos produtos X i .Fi , assim:
Pontuação Fi Xi X i .Fi
1040=n 31.400
X .F i i
31.400
O perímetro torácico médio é X i 1
32.440 .
n 1040
n .X i i
n1 .x1 n 2 .x 2 ... n k .x k
X i 1
ou X
k
n1 n 2 ... n k
ni
1
1) 4, 5, 6, 7, 8 observe que n1 5 e X1 6
2) 2, 4, 6 observe que n2 3 e X2 4
n 1
Se n for impar, a mediana será o elemento central (de ordem ). Caso n seja par, a mediana
2
n n
será a média entre elementos centrais (de ordem e 1 )
2 2
Exemplo1:
e a direita para o centro, veremos que o valor central que divide o conjunto dos numero é 2.
~
Logo mediana dos dados corresponde a 2, isto é, X 2
Exemplo2:
Dada a distribuição:
~ n 1 11 1
n 11, n é impar, logo X será o elemento que localiza na posição , ou seja, 60 .
2 2
O que indica que a mediana é o sexto elemento e para identifica-lo, abre-se a coluna das
frequências acumuladas crescente ( Fiac ). Neste caso a mediana será
~
X X n 1 X 111 X 12 X 6 0 3 .
2 2 2
Exemplo3:
~ n n 42
n 42, n é par, logo X será o elemento que localiza nas posições e 1 , ou seja, 210
2 2 2
42
1 22 0 . O que indica que a mediana identificam-se os elementos de ordem 21 e 22 pela
2
Fiac .
~ 87 87
X 87 .
2
n
1º Passo: calcula-se a ordem . Como a variável é continua, não se preocupe se n é
2
par ou impar;
n
F i 1
.h
~ 2
X L Md
n onde:
h amplitude da classe Md
n 58
1º Passo: calcula-se a ordem . Como n 58 temos 29 0
2 2
2º Passo: identifica-se a classe mediana Md. pela Fiac neste caso a classe Md é ]
n
F i 1
.h
~ 2
X L Md
n
Neste caso,
LMd 55 , n 58 , F i 1 17 , h 10 , FMd 18
Alberto Hermenegildo António Tépulo - Licenciado em Ensino de Matemática na UP Nampula | 30
Sebenta de Estatistica
58
17
Logo X 55
~ 2 10 55 29 17 10 55 12 10 55 120 55 6 , 67
18 18 18 18
~
X 61 , 67
2.3. Moda ( M o )
É o escore ou categoria que, numa distribuição ocorre com maior frequência. Por exemplo: No
conjunto de escores:
A moda é 1, uma vez que ocorre com maior frequência no conjunto (6 vezes), portanto Mo = 1.
No caso de uma distribuição de frequências com dados isolados, onde os escores e as frequências
figuram em colunas separadas, a moda é o valor (escore) que aparece mais na tabela.
Segundo FONSEGA (1995:134), para dados agrupados em classes, há diversas fórmulas para o
cálculo da moda.
Em que
Exemplo: Determinar a moda para a distribuição anterior sobre a renda familiar (milhões
de $).
xi Fi
[2; 4 [ 5
[4; 6[ 10
[6; 8[ 14
[8; 10[ 8
[10; 12[ 2
Total 40
1
2º Passo: aplica-se a fórmula Mo L Mo .h
1 2
Em que
LMo 6 , 1 14 10 4 , 2 14 8 6 , h 2
Portanto Mo L Mo 1 4 8
.h 6 2 6 6 ,8
1 2 46 10
~
Mo 3 X 2 X
Ou seja, a moda é aproximadamente a diferença entre o triplo da mediana e dobro da média. Esta
fórmula dá uma boa aproximação quando a distribuição apresenta razoável simetria em relação à
média.
N.B: Se a distribuição tiver uma moda, denomina-se unimodal; duas modas diz-se bimodal;
três trimodal; e quatro ou mais diz-se multimodal. Se todos os valores ocorrem a mesma
quantidade de vezes, a amostra denomina-se amodal.
2.4. Os Quartís
Onde:
Eis as fórmulas para o cálculo dos quartís para uma variável contínua.
n
1º calcula-se a ordem ;
4
n
F *h
Q1 lQ1
4
3º Aplica-se a fórmula
FQ1
n
F *h
~ 2
Q2 X lMd
FMd
3n
1º Calcula-se a ordem ;
4
3n
F *h
3º Aplica-se a fórmula Q3 lQ 3
4
FQ 3
FQ 3 = Frequência da classe Q3 ;
Anos Fi Fac
0|--- 5 18 18
5|--- 0 22 40
10|--- 15 20 60
15|--- 20 14 74
Classe Q1
20|--- 25 10 84
25|--- 30 6 90
Classe Q2
N=90
Para o 1º Quartíl
n 90
Do 1º passo calculemos 22,5 , este valor situa-se na Fac 40 , isto é a classe Q1 é
4 4
5|--- 0 ( 2º passo).
l Q1 = 5 F = 18 h5 FQ1 22
Assim, vem:
n 90
F *h 18 * 5
Q1 lQ1 5
4 4
6,03
FQ1 22
Para o 2º Quartíl
Para o 3º Quartíl
3n 3 x 90
Do 1º passo calculemos 67,5 , este valor situa-se na Fac 74 , isto é a classe
4 4
Q1 é 15-20 ( 2º passo).
lQ 3 = 15 F = 18+22+20=60 h=5 FQ 3 = 14
Assim, vem:
3n 3 x90
F *h 60 * 5
4 4
Q3 l Q 3 15 17,68
FQ 3 14
Embora cada amostra tenha a mesma média aritmética, 30km, vê-se que há maior variabilidade
na amostra B do que na amostra A.
Desse modo, para descrever adequadamente uma amostra é necessária uma outra medida que,
alem da informação do valor representativo do conjunto de valores da amostra (fornecido pela
medida de tendência central), exprima a variabilidade desses valores em relação a uma
determinada referência. Quanto maior for a medida de variabilidade, maior é a dispersão do
conjunto de valores da amostra.
Medidas de dispersão ou de variabilidade são medidas estatísticas que permitem avaliar o grau
de variabilidade ou dispersão dos valores quantitativos em torno da média. As principais medidas
de dispersão são: Amplitude total, desvio médio, variância, desvio padrão e coeficiente de
variação.
Na nossa abordagem e por uma questão prática de aplicabilidade, sugerimos o estudo apenas
da variância, desvio padrão e coeficiente de variação.
3.1. Variância
É uma medida que representa a variabilidade de um conjunto de dados e, é obtida pelo
cálculo da média dos quadrados dos desvios em relação à média.
S
2
X i X Fi
2
2
2
X X F1 X 2 X F2 .... X n X Fn
ou seja S 2 1
2
n 1 n 1
2
X i X Fi
2
2
2
X X F1 X 2 X F2 .... X n X Fn
ou seja 2 1
2
N N
Exemplo: Um estudo levado a cabo, para avaliar a satisfação dos clientes pelos serviços prestados
por certa instituição, na escala de 0 a 50, forneceu os seguintes dados:
Fi 60 80 120 140 90
Solução:
Para facilitar os cálculos dispomos a tabela da seguinte forma. Saliente-se que a construção
da tabela não obedece alguma ordem rigorosa das colunas, pois elas devem ser introduzidas em
conformidade com as necessidades do que se pretende calcular e os resultados parciais.
Pontuação Fi Xi X i Fi X i 2
X Fi
X i Fi 13450
Média: X 27,5
N 490
Variância: S
2
2
X i X Fi 79.062
161,36
n 490
Exemplo: Numa fábrica de produtos químicos fez-se, durante 30 dias, o registo diário do número
de casos ocorridos de uma intoxicação de etiologia desconhecida, obtendo-se a distribuição:
Nr de casos 0 1 2 3 4 5 6
Nr de dias 12 10 4 2 1 0 1
i Fi X i Fi X i X Fi
2
0 12 0 0 1,142 12 15,6
1 10 10 0,2
2 4 8 2,96
3 2 6 6,92
4 1 4 8,18
5 0 0 0
6 1 6 23,62
N=30 34 57,48
X i Fi 34
Média: X 1,14
N 30
Variância: 2
2
X i X Fi 57,48
1,92
n 30
Trata-se de uma medida relativa de dispersão, útil para a comparação em termos relativos
do grau de concentração dos valores em torno da média de duas amostras ou populações distintas.
Não se deve comparar directamente duas ou mais medidas de dispersão. Como por
exemplo comparar a variabilidade da temperatura e a variabilidade do comprimento. Para tornar
compreensível uma comparação entre essas grandezas com relação a variabilidade é necessário
converte-las para um valor relativo. Karl Pearson, Matemático Inglês (1857-1936), que contribuiu
significativamente para ciência Estatística, desenvolveu uma medida relativa, denominado
coeficiente de variação (CV), calculado pela expressão
CV .100% para o caso populacional
X
S
CV .100% para o caso amostral
X
Observação:
Se CV for menor que 15%, diz-se que há baixa dispersão dos valores;
valores;
Se CV for maior que 30%, diz-se que há alta dispersão dos valores.
Exemplo: Numa instituição, o salário médio dos homens é de 12.800Mt com um desvio padrão
de 1100Mt e, o das mulheres é em média 10.200Mt com desvio padrão de 1.300 Mt. Avalie o grau
de dispersão dos referidos salários.
Solução: como não vem especificado que se trata de amostra, devemos considerar que os
dados populacionais. Assim vem:
1500
Para mulheres: CV .100% 100% 13%
X 12.800
1100
Para os homens: CV .100% 100% 9%
X 10.200
4. Medidas de Assimetria
Em uma distribuição simétrica tem-se igualdade dos valores da média, mediana e moda. Eis um
exemplo gráfico de distribuição simétrica
Mo Md X
Mo Md X
X Mo X Mo
C AS ou C AS
S
EXERCICIOS II
1. De 75.200 mortes por acidentes nos EUA, em um ano recente, 43500 foram causadas por
veículos motorizados, 12.200 por quedas, 6400 por envenenamento, 4600 por afogamento, 4200
por incêndios, 2900 por ingestão de alimentos 1400 por armas de fogo.
2. Para os conjuntos de valores seguintes, encontre a média, moda mediana, primeiro e terceiro
quartis.
b)Calcule a mediana.
3. Uma cadeia de 10 lojas comparou as vendas nos períodos natalícios dos anos 97 e 98, tendo
concluído que as vendas subiram em qualquer das lojas; as percentagens de subida foram as
seguintes (cada percentagem refere-se a uma loja): 10,2 3,1 5,9 7,0 3,7 2,9 6,8 7,3 8,2
4,3.
a)Calcule a média;
(i) 1, 2, 3, 4, 5, 6, 7, 8;
(ii) 1, 1, 1, 1, 8, 8, 8, 8;
(iii) 1, 1, 4, 4, 5, 5, 8, 8;
(iv) -6, -3, 0, 3, 6, 9, 12, 15.
Nos quatro casos a média é a mesma (4,5). Sem fazer cálculos, ordene as populações de acordo
com as magnitudes das suas variâncias, da menor para a maior. Confirme o seu ordenamento,
calculando as variâncias.
CLASSIFICAÇÃO 1 2 3 4 5
N° DE 1 7 15 10 7
ESTUDANTES
7. A tabela abaixo apresenta as nota dos 35 estudantes de uma determinada turma a Estatística:
b)Construa um histograma.
N° DE RESIDÊNCIAS 2 4 9 5
b)Construa um histograma;
N° DE CRIANÇAS 4 7 8 4 2
4.1. Introdução
As primeiras ideias sobre probabilidades surgiram por volta de 1500, seu objectivo era
associar a Matemática aos jogos de azar, que já existiam antes de Cristo. O inicio real da teoria das
Alberto Hermenegildo António Tépulo - Licenciado em Ensino de Matemática na UP Nampula | 48
Sebenta de Estatistica
probabilidades ocorrem por volta de 1600, com importantes estudos feitos por Matemáticos, em
sua maioria franceses, como Pascal, Fermat, Poncelet de De Moire. Mas o surgimento da teoria das
probabilidades deve-se mais ao matemático francês Laplace, do que a qualquer outro.
Experiências Determinísticas: são aqueles cujos resultados podem ser determinados antes
da sua realização. Por exemplo: quanto tempo levará um carro para percorrer um trajecto de 200
Km numa velocidade média de 100 Km/h? Não é necessário executar a experiência para
determinar a resposta: 2 horas.
Experiências Aleatórias: são aquelas que, mesmo repetidas várias vezes sob condições
idênticas, apresentam resultados imprevisíveis. Assim, da afirmação ʺ é provável que a minha
ganhe a partida de hoje ˮ pode se resultar:
Como vimos, o resultado final depende do acaso, fenómenos como esses são chamados fenómenos
aleatórios e as experiencias associadas a eles de Experiencias Aleatórias.
Espaço Amostral
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 ;....; 6,6 .
Eventos
temos:
Um evento é sempre definido por uma sentença. Assim, os eventos acima podem ser
definidos pelas sentenças:
Dois ou mais eventos de um mesmo espaço amostral podem ser agrupados em operações
de união e intersecção, assim definidas:
A operação união de eventos A e B gera um novo evento formado pelos elementos comuns
e não comuns e dos dois conjuntos A e B.
A operação Intersecção dos eventos A e B gera um novo elemento formado apenas pelos
elementos comuns aos dois conjuntos A e B.
Os resultados possíveis do lançamento de uma moeda são apenas dois eventos elementares
Ca e Co. Pela própria característica da experiência, se o resultado de um lançamento for cara este
resultado não poderá ser também e ao mesmo tempo coroa, pois são eventos mutuamente
exclusivos. São mutuamente excludentes se sua intersecção for vazia: A B não tem nenhum
elemento em comum.
Dado uma experiência aleatória, sendo S o seu espaço amostral, vamos admitir que todos os
elementos de S tenham a mesma chance, ou seja, que S é um conjunto equiparável.
Chamamos de probabilidade de um evento A (A o número real P(A), tal que:
n A
P A
n S
Onde:
n(A) é o número de elementos de A;
Exemplos:
A Ca n A 1 Logo: P A
1
.
2
O resultado acima nos permite afirmar que, ao lançarmos uma moeda equilibrada, temos 50%
de chance de que apareça cara na face superior.
Temos:
S 1, 2, 3, 4, 5, 6 n S 6
A 2, 4, 6 n A 3 Logo: P A
3
.
6
S 1, 2, 3, 4, 5, 6 n S 6
Pelos exemplos que acabamos de ver, podemos concluir que, sendo n S n :
a. A probabilidade do evento certo é igual a 1: P(S) 1.
b. A probabilidade do evento impossível é igual a 0: P( ) 0
c. A probabilidade de um evento E que qualquer (E⊂S) é um número real P(E), tal que:
0 PE 1
d. A probabilidade de um evento elementar E qualquer é, lembrando que n(E)=1:
P E
1
n
Sabemos que um evento pode ocorrer ou não, Sendo P a probabilidade de que ele ocorra
(sucesso) e que a probabilidade de que ele não ocorra (insucesso), para um mesmo evento existe
sempre a relação:
p + q = 1⇒ q = 1 - p
1
Assim, se a probabilidade de se realizar um evento é P ,
5
1 4
a probabilidade de que ele não ocorra é: p q 1 q 1 p q 1
5 5
P A B P PABB , P B 0
Isso significa que a probabilidade de A ocorrer, dado que B ocorreu, é igual a probabilidade
de ocorrência simultânea de A e B dividida pela probabilidade de ocorrência de B.
Exemplo:
A B 13 , n A B 1
B PPAB B 101
P A
Teorema do Produto
B PPAB B P A B PB * P A B
P A
A P PAAB P A B P A* P B A
P B
Exemplo:
São retiradas sem reposição duas cartas de um baralho de 52 cartas. Qual a probabilidade
de que as duas cartas sejam de ouros?
13
P (probabilidade de se retirar a primeira carta de ouros)
52
A 1251 (probabilidade de se retirar a segunda carta de ouros, tendo sido já retirada a primeira
P B
carta de ouros).
P A B P A * P B A 13 12 152
*
52 51 2625 51
3
Diz – se que dois eventos são independentes quando a realização ou não realização de um dos
eventos não afecta a probabilidade da realização o outro e vice - versa.
Exemplo 1: São retiradas com reposição, duas cartas de um baralho de 52 cartas. Qual a
probabilidade de que as duas cartas sejam ouro?
P A P A
13 13
e
52 52
P A B P A * P B
13 13 1
*
52 52 16
Diz - se que dois eventos são mutuamente exclusivos quando a realização de um exclui a
realização do outro ou seja: A B
P A B P A P B
Neste caso:
se A B ; A B ; A B , P A B C P A P B PC
Assim, no lançamento de uma moeda, o evento ʺtirar cara ʺ e o evento ʺ tirar coroaʺ são
mutuamente exclusivos, já que, ao se realizar um deles, o outro não se realiza.
Exemplo:
Solução:
P A B P A P B
2 3 5
6 6 6
Diz - se que dois eventos não são mutuamente exclusivos se: A B , assim, obtemos:
P A B P A P B P A B
Exemplo:
Os eventos não são mutuamente exclusivos, pois, a intersecção de A e B não é um conjunto vazio:
A B 2, 6
P A B P A P B P A B
4 3 2 5
6 6 6 6
A1 A2 A3 ... An S
P Ai * P B
P Ai B Ai
P i
A
B P B
P A1 * P B P A2 * P B ..... P An * P B
A1 A2 An
Exemplo:
5.1. Generalidades
Contagem directa
Contagem indirecta
Exemplo:
A Ana tem 3 saias, 4 blusas e 2 pares de sapatos. De quantas maneiras diferentes a Ana
pode-se vestir no seu dia de aniversário?
R: de 24 maneiras
Desse modo, podemos dizer que o número de formas diferentes que pode ocorrer em um
acontecimento é igual ao produto .
Exemplo: Alice decidiu comprar um carro novo, e inicialmente ela quer se decidir qual o
modelo e a cor do seu novo veículo. Na concessionária onde Alice foi há 3 tipos de modelos que
são do interesse dela: A, B e C, sendo que para cada carro há 5 opções de cores: preto, vinho, azul,
vermelho e prata. Qual é o número total de opções que Alice poderá fazer?
Segundo o Princípio Fundamental da Contagem, Alice tem opções para fazer, ou seja, ela
5.3. Arranjos
Exemplos:
1) Calcule:
2) Com os algarismos 1, 3, 4, 5 quantos números diferentes podem ser escritos sem repetir os
algarismos:
a) Com 2 números.
b) Com 3 números.
Solução
Note que para este caso, a troca de sequência dos algarismos escolhidos dentes os 4 algarismos,
obtém-se um novo número, isto é, um elemento.
a)
b)
Arranjos de 1ª ordem
Arranjos de 2ª ordem
Arranjos de 3ª ordem
E assim sucessivamente.
5.4. Factorial
, ou seja
Exemplo: determine.
a)
b)
Solução
a) b)
5.5. Permutações
A permutação é um caso particular de arranjos em que , isto é, aquele em que cada
Esta designação indica o número total das aplicações bijectivas dum conjunto de m
elementos.
ou seja
É obvio que neste caso, as maneiras de as pessoas se sentarem dizem respeito unicamente
aos lugares por uma ordem determinada (1º, 2º, etc.). Cada uma dessas maneiras é uma aplicação
injectiva do conjunto 1, 2, 3, 4, 5, 6 (conjunto dos lugares) ao conjunto das pessoas (6
elementos).
Solução:
MATEMÁTICA
Números da palavra: 10
5.6. Combinações
os elementos do conjunto A?
Note que os produtos pedidos são agrupamentos de três elementos de A, que apenas se
distinguem se forem diferentes os seus elementos. Neste caso,
representa o mesmo produto, isto é, o
Definição:
se, combinações de m, p a p.
É obvio que duas combinações serão distintas quando e, só quando, existir pelo menos
um elemento de uma que não seja elemento da outra.
ou seja:
Convenções
i)
ii)
iii)
Triângulo d pascal
Exercícios resolvidos
Solução:
2. Os números de telefones de uma operadora de telefonia fixa têm 8 dígitos. Sabendo que o
primeiro dígito deve ser diferente de zero, quantos telefones no máximo a operadora pode
instalar?
Solução:
telefones.
9 10 10 10 10 10 10 10
Então tem-se:
Representamos as variáveis aleatórias por letras maiúsculas e suas ocorrências por letras
minúsculas.
Exemplo:
S = {(c; c; c); (c; c; r); (c; r; c); (c; r; r); (r; c; c); (r; c; r); (r; r; c); (r; r; r)}.
X Evento Correspondente
X s {x1 , x2 ....};s S .
Exemplos.
X Evento Correspondente
X 0 1 2 3 Soma
X 2 3 4 5 6 7 8 9 10 11 12
p xi 1 2 3 4 5 6 5 4 3 2 1
36 36 36 36 36 36 36 36 36 36 36
b) Considere o experimento no qual uma moeda é jogada dez vezes e seja X ser o
número de caras que são obtidas. Neste experimento, o s possíveis valores de X são 0, 1, 2,
n 1
3, 4, 5, 6, 7, 8, 9, 10 e P X 10 ; x 1,2,3,4,...,9,10
x2
seja um intervalo ou uma coleção de intervalos. Então diremos que X é uma variável
aleatória contínua.
a) f x 0; x x
b) x f x dx 1
d
Além disso, definimos, para qualquer c d (em X ) P c x d f x dx
c
Obs:
Exemplo:
2 x Se 0 x 1,
f x
0 Caso contrario.
1/ 2
Evidentemente, f x 0 e f x dx 2 xdx 1 . Para calcular, P X 1 / 2 2 xdx 1 / 4
1
0
0
b) Seja X a duração de vida (em horas) de um certo tipo de lâmpada. Admitindo que
X seja uma variável aleatória contínua, suponha que a f.d.p. f de X seja dada por:
a
1500 x 2500
f x x 3
a
. Para calcular, se efectua
2500
dx 1 a 7031250
0 outros
1500 x3
FX (x) = P (X ≤ x) (3.2)
Observação:
Teoremas:
FX x p x j
j
x
b) Se X for uma variável aleatória contínua com f.d.p. f , F X x f s ds Exemplos:
0; x 0
1 / 3;0 x 1
F x
1 / 2;1 x 2
1;0 x 2
Suponha que um certo experimento envolve duas v.a. X e Y, cada qual com uma
distribuição discreta.
p x, y P X x e PY y (3.5)
Observação:
a) p(xi, yi) = 1
Alberto Hermenegildo António Tépulo - Licenciado em Ensino de Matemática na UP Nampula | 74
Sebenta de Estatistica
Exemplo:
YX 1 2 3 4
1 0,1 0 0,1 0
3 0 0,2 0 0
a) P (X ≥ 2 e Y ≥ 2);
b) P (X = 1).
f x, y 0; para x ; y
f x, y dxdy 1
(3.7)
A probabilidade que o par (X, Y) pertença a uma região do plano xy pode ser
encontrada integrando a f.d.p. conjunta sobre esta região. A Figura 3.5 mostra um exemplo
de f.d.p. conjunta.
Fig. 3.6
Caso Discreto
Se X e Y são v.a. discretas com f.p. conjunta p (x, y), então a f.p. marginal de X é
obtida por:
PX x P X x p x, y (3.8)
y
Exemplo:
Y 1 2 3 4 Marginal de X
X
1 0,1 0 0,1 0 0,2
2 0,3 0 0,1 0,2 0,6
3 0 0,2 0 0 0,2
Marginal de Y 0,4 0,2 0,2 0,2 1,0
linha da tabela.
Caso Contínuo
Se X e Y possuem uma distribuição conjunta com f.d.p. conjunta f (x, y), então a
f.d.p. marginal fX (x) de X é obtida por:
f X x f x, y dy (3.10)
f Y x f x, y dx (3.11)
Observação
Se X e Y forem independentes
P x, y PX x PY y (Caso discreto)
f x, y f X x f Y y (Caso contínuo)
Exemplo:
3 2
y 0 x 2 e 0 y 1
f x, y 2
0 caso contrario
Sol.
1
3 2
a) Tem - se que y dy 1 / 2. Logo, a f.d.f. marginal de X é dada por
0
2
1 / 2 0x2
f X x
0 caso contrario
2
3 2
b) Tem - se que y dy 3 y 2 . Logo, a f.d.f marginal de Y é dada por
0 2
3 y 2 0 y 1
f X x .
0 caso contrario
Suponha que uma variável aleatória (v.a.) X possua uma distribuição discreta cuja
f.d.p. é p (x). A esperança de X, denotada por E(X), é um número definido por
E X xp x
x
Exemplo
Suponha que uma v.a. X possa assumir somente quatro valores: −2, 0, 1, e4, e que
Se uma variável aleatória (v.a.) X possui uma distribuição contínua com f.d.p. f (x),
então a esperança E(X) é definida p o r
EX xf x dx
Exemplo
Suponha que a f.d.p. de uma v.a. X com uma distribuição contínua seja:
2x 0 x 1
f X x
0 caso contrario
1
1 1
Então, E X x2 x dx 2 x dx
2 3 2/3
3 x
2
0 0
0
Observação
P1.
P3.
Se X1 , X2 , , Xn são n variáveis aleatórias tais que E(Xi ) existe (i = 1, 2, ..., n), então
E(X1 + X2 + ... + Xn ) = E(X1 ) + E(X2 ) + ... + E(Xn )
Definição
Suponha que uma v.a. X possua uma distribuição discreta, cuja f.d.p. é p x . Então
Var X x . p x x 2 . p x 2
2
x x
Exemplo:
Suponha que uma v.a. X possa assumir somente quatro valores: −2, 0, 1, e 4, e que
Var X 2 0.9 * 0.1 0 0.9 * 0.4 1 0.9 0.3 4 0.9 * 0.2 3.09
2 2 2 2
Suponha que a f.d.p. de uma v.a. X com uma distribuição contínua seja:
2x para 0 x 1
f x
0 o caso contrario
2
2
1
Var X x .2 x dx
2 1
2
0 3 36 18
Bibliografia: