Você está na página 1de 91

MI ISTÉRIO DA EDUCAÇÃO U IVERSIDADE FEDERAL DO PIAUÍ CE TRO DE CIÊ CIAS DA ATUREZA DEPARTAME TO DE QUÍMICA

ESTATÍSTICA APLICADA À QUÍMICA

Prof. Dr. Alexandre Araujo de Souza

Teresina – PI 2010-2

SUMÁRIO
ASSUNTO 1. Conceitos Fundamentais em Estatística. Organização de dados quantitativos. Estatística descritiva. População e amostra. Distribuições de frequências. Tabelas. Gráficos. Histogramas. Medidas de tendência central e de dispersão: média, mediana, moda, variância, desvio-padrão. Freqüência relativa e probabilidade. 2. Aplicação da Matemática à Estatística. Variável aleatória. Distribuições de probabilidade. A distribuição normal. Esperança. Variância. Distribuição amostral das médias. Estatística inferencial. Teste de hipóteses. Hipótese nula. Testes unilaterais e bilaterais. Erros do tipo I e do tipo II. Nível de significância. Teste Z. Teste t. Teste F. Intervalos de confiança. 3. Métodos Gráficos e Numéricos. Diagramas de dispersão. Correlação linear. Coeficiente de correlação de Pearson, r. Coeficiente de determinação, r2. Teste de hipóteses sobre a correlação. Regressão linear simples. Método dos mínimos quadrados. Análise de resíduos. 4. Fontes de Erro em Análise Química. Algarismos significativos. Erro e desvio de uma medida. Exatidão e precisão. Tipos de erros: determinados e indeterminados. Precisão de uma medida. Limite de confiança da média. Propagação de erros. Rejeição de resultados: teste Q. Amostragem. Padronização. Calibração. Validação. Certificação da qualidade. CARGA HORÁRIA

04 h

12 h

04 h

10 h

Capítulo 1. Conceitos Fundamentais em Estatística.

Introdução

Estatística é a ciência que faz uso efetivo dos dados numéricos relativos a grupos de indivíduos ou experimentos. Nesse sentido, ela trata de todos os aspectos, incluindo não só a coleta, organização, análise e interpretação dos dados, mas também o planejamento da coleta de dados. Importante dizer que todos os métodos estatísticos baseiam-se na teoria das probabilidades. A Estatística é bastante útil para orientar a tomada de decisões baseada na análise de um número muito grande de dados, tal como pesquisas de opinião pública e de mercado. A palavra estatística também pode ser usada para significar o próprio conjunto de dados, ou as grandezas a ele associadas, tais como a média e o desvio-padrão. Assim, num conjunto de dados, podemos dizer que a média é uma estatística. A etimologia, ou origem da palavra Estatística, mostra que ela deriva da palavra Estado. De fato, a expressão em Latim Moderno, statisticum collegium (conselho de Estado) e a palavra em Italiano, statista (homem de Estado, Político), fizeram com que o filósofo alemão Gottfried Achenwall (1719-1772) introduzisse o termo em Alemão, Statistik, em 1749, significando “análise dos dados sobre o Estado”. Assim, a Estatística foi originalmente desenvolvida para resolver questões de Estado, tais como taxas de nascimento e de mortalidade, impostos, heranças, fortunas, etc. Apesar de sua origem peculiar, a Estatística é hoje utilizada nas mais diversas áreas. Ela está presente nas teorias mais fundamentais da Física Moderna, como a Mecânica Quântica, e hoje se sabe que a natureza das partículas fundamentais é governada por leis estatísticas. Nas áreas de Saúde, a Estatística é conhecida como Bioestatística. O nome pode ser diferente, mas os métodos são os mesmos, sendo apenas as aplicações específicas para as áreas de Saúde. A Química utiliza bastante a Estatística, em suas diversas áreas. Entretanto, a área que mais faz uso da Estatística é a Química Analítica. Nesse sentido, a compreensão da teoria de erros e da obtenção de retas de regressão, pelo método dos mínimos quadrados, estão entre os pontos mais relevantes. Reconhecer os tipos de erros em análises químicas, saber como é a propagação dos erros e como eles afetam o resultado é de suma importância para o químico. As retas de regressão são bastante usadas nas curvas de calibração, empregadas em diversas técnicas de análises quantitativas.

o tamanho da população será dado por 2n. ou resultados. O ensaio de resistência à tração danifica os postes. P = {cara/cara. P é constituída pelo conjunto de todos os resultados possíveis. a coleta de dados da população destruiria toda a população. coroa/coroa/coroa} . ou seja. muitas vezes é inviável. Não é sensato realizar esse experimento na população. cara/coroa/coroa.coroa}. Se uma moeda for jogada três vezes (n=3). coroa/coroa/cara. se formos fabricantes de postes de concreto para iluminação e tivermos de testar a resistência à ruptura dos postes. Se uma moeda for jogada n vezes. Nesses dois exemplos. No primeiro caso. pois o custo é muito alto. Outro exemplo. então toda a produção será a nossa população. as populações são finitas. Um exemplo são todos os brasileiros do sexo feminino. Uma população pode ser finita ou infinita. considere uma moeda sendo jogada várias vezes. Elas constituem uma população. cara/coroa/cara. Entretanto. cara/coroa. do grupo em que estamos interessados em estudar alguma característica. a população. nesse caso é infinita. P é constituída pelo conjunto de todos os resultados possíveis. dá cara ou coroa. Em outros casos. P = {cara. No segundo caso. Exercício Resolvido. coroa/cara/cara. a população tem 22 = 4 (quatro) elementos.População e Amostra População é o conjunto de todos os elementos. Se uma moeda é jogada duas vezes. coroa/cara. Se uma moeda é jogada uma única vez. coletar os dados de uma população. indefinidamente. como no caso da pesquisa com todas as brasileiras. a população tem 21 = 2 (dois) elementos. Resolução: Tamanho da população = 23 = 8 (oito) P = {cara/cara/cara. coroa/cara/coroa. pois consiste nas infinitas possibilidades de resultados possíveis. para atender às normas técnicas. pois se trata de toda a sua produção. por exemplo. a população. as populações são finitas. A cada jogada. como no caso dos postes de concreto para iluminação. caso queiramos estudar alguma característica delas. Nos casos acima. A população. coroa/coroa}. primeiro calcule o tamanho da população e depois escreva o conjunto de resultados P que representa a população. ou seja. Repare que. cara/cara/coroa. a estatura.

cara/coroa. e lembrando que o conjunto vazio { }. coletada da população. bem como o conjunto todo. Os dados geralmente são coletados a partir de amostras. coroa/coroa}. para fins de análise. a quantidade de amostras possíveis é bem grande. Uma amostra representativa deve conter brasileiras de diversas cidades. Só para se ter uma idéia. coroa/cara. então chegaremos à conclusão errada de que a mulher brasileira é mais alta do que realmente é. Por exemplo. O tamanho da amostra é o número de elementos da amostra. Esse processo de coleta de dados é denominado amostragem. um. cara/coroa. coroa/coroa} ∂ Afinal = {cara/cara. apesar do tamanho da população ser pequeno (22=4). três e quatro elementos. coroa/cara} A08 = {cara/cara. apenas uma pequena fração da produção (amostra) deverá ser sacrificada para atender à norma técnica. de regiões bem distintas do Brasil. para qualquer população.Amostra é um subconjunto de uma população. podemos escrever aqui apenas algumas das amostras possíveis para essa pequena população: P={cara/cara. No caso de uma moeda que foi jogada apenas duas vezes (n=2). são sempre subconjuntos de qualquer conjunto. coroa/coroa}. Este exemplo foi colocado para ilustrar que há sempre uma enorme quantidade de amostras. com estaturas médias bastante variadas. A amostra deve ser representativa da população. dois. No caso da produção de postes de concreto para iluminação. Esse é um exemplo de uma amostra que não é representativa. . coroa/cara} A10 = {cara/cara. pois cada subconjunto é uma amostra. • Amostras (subconjuntos) possíveis para uma população onde uma moeda foi jogada duas vezes: A01 = { } A02 = {cara/cara} A03 = {cara/coroa} A04 = {coroa/cara} A05 = {coroa/coroa} A06 = {cara/cara. cara/coroa. É uma fração de elementos. coroa/cara. cara/coroa} A07 = {cara/cara. cara/coroa. Teremos amostras com zero. coroa/coroa} A09 = {cara/cara. se resolvermos pesquisar apenas brasileiras de uma cidade onde a média das mulheres é mais alta que a média nacional.

Os valores das concentrações de cloreto na água.Organização de Dados Quantitativos Os dados quantitativos são representados por números e são denominados variáveis aleatórias. o valor 250 é observado numa fração de fr = 0. Concentração de íons cloreto [Cl–] medidos na água tratada de um município brasileiro. f pelo tamanho da amostra. f = frequência absoluta.12 249 4 0. N. fr =frequência relativa. =25. A Tabela 1 apresenta os dados obtidos de forma organizada. medidos em 25 coletas são apresentados abaixo.08 248 3 0.04 . colocando para cada valor obtido. 254 253 253 252 252 252 251 251 251 251 250 250 250 250 250 249 249 249 249 248 248 248 247 247 246 Os dados acima estão desorganizados. As unidades de concentração estão em mg/L. A frequência relativa. os dados devem ser organizados em tabelas e gráficos. O exemplo a seguir trata da análise de íons cloreto [Cl–] da água tratada em um município brasileiro. em mg/L. Concentrações de íons cloreto [Cl–] medidas em 25 coletas de água tratada em um município brasileiro. fr representa a fração que o valor é observado.20. o valor 250 foi observado em 5 (cinco) coletas. f com que ele é observado.20 251 4 0.16 252 3 0.08 254 1 0. Por exemplo. em 20% das observações. fr é calculada dividindo-se a frequência absoluta . a frequência absoluta. [Cl–] f fr 246 1 0. Por exemplo.04 247 2 0. Vamos colocá-los na forma de uma tabela. a frequência absoluta do valor 250 é f = 5.12 253 2 0. Ou seja. Para se utilizar a Estatística. = Tabela 1.16 250 5 0. As unidades estão em mg/L. Tamanho da amostra. Portanto. A frequência relativa.

A Figura 1 mostra o histograma de frequências para os dados da Tabela 1. a grandeza medida. Σ.A somatória de todas as frequências absolutas é numericamente igual ao tamanho da amostra.16 + 0. fazendo a conta: 0.12 + 0.12 + 0. Histograma de frequências para os dados da Tabela 1. . Podemos ver isso no exemplo da Tabela 1.05 0.15 fr 0. Nesse gráfico. onde foi utilizado o símbolo de somatória. Σ.20 + 0.04 = 1 Essa igualdade é representada pela equação abaixo. 0. ou a relativa. representado pela letra grega sigma maiúscula. Podemos ver isso no exemplo da Tabela 1. ou variável aleatória.10 0. representado pela letra grega sigma maiúscula.08 + 0.16 + 0. é colocada no eixo horizontal (abscissa) e a frequência absoluta. =1 Os dados da Tabela 1 podem ser visualizados na forma gráfica. = A somatória de todas as frequências relativas é numericamente igual à unidade.20 0. fazendo a conta: 1+2+3+4+5+4+3+2+1 = 25 Essa igualdade é representada pela equação abaixo. onde foi utilizado o símbolo de somatória.04 + 0. no eixo vertical (ordenada).00 246 247 248 249 250 251 252 253 254 [Cl ]/mg/L Figura 1.08 + 0. Uma forma bastante usual é o histograma de frequências.

que a distribuição dos valores da variável aleatória é simétrica em relação a um valor central. Considere o seguinte conjunto de dados: x1 = 40 x2= 41 x3 = 42 x4 = 43 x5 = 44 x6 = 45 A média aritmética simples de um conjunto de dados. Trata-se de uma medida de tendência central cujo significado vai ficar mais claro à medida que os exemplos forem sendo dados. Se o conjunto de dados for uma população. Quem vai determinar se o conjunto de dados é uma população ou uma amostra é a 1 40 + 41 + 42 + 43 + 44 + 45 6 . Vamos considerar que os dados acima sejam uma amostra.Observa-se. µ. a média populacional é representada pela letra grega mi minúscula. . denominada distribuição normal. a média amostral é representada pela por um pessoa que está fazendo a estatística dos dados. Medidas de Tendência Central Um conjunto de dados pode ser representado por um único número. com a subsequente divisão pelo número de elementos do conjunto. Caso o conjunto de dados seja uma amostra. igual a 250 mg/L. Então a média amostral será dada por: = = 1 6 + + + + + com uma barra em cima. Esse comportamento é compatível com um tipo de distribuição de probabilidade que será visto mais adiante. denominado média. no histograma de frequências da Figura 1. ou simplesmente média é definida pela soma entre todos os elementos do conjunto.

= 1 No caso de dados. O = 1 . de 1 a n. onde o i que aparece é denominado índice e é um número inteiro que varia. ou seja: i = 1. O tamanho da amostra é N. 2. por exemplo. usando as frequências absolutas. o cálculo da média pode ser feito de uma das seguintes formas: • Fórmula para a média amostral. 3. • Fórmula para a média populacional. em que temos as frequências. como os da Tabela 1.. = 1 • Fórmula para a média amostral.5 1 255 6 A fórmula geral da média aritmética simples é dada pelas equações abaixo.. n.. no caso de uma população. tamanho da amostra é N. O tamanho da população é n. .. ..= = 42.

a moda é 250 mg/L. usando as frequências relativas.08 253 + 0.• Fórmula para a média amostral.12 248 + 0. . Isso ocorre na distribuição normal. A moda é simplesmente o valor da variável que possui a maior frequência.16 249 + 0.08 247 + 0. usando as frequências relativas: = 0. não é preciso dividir pelo tamanho da amostra. Neste = Façamos os cálculos com os dados da Tabela 1.04 254 Observem que os valores calculados para as médias foram o mesmo.20 250 + 0. pelos dois métodos. Primeiro usando as frequências absolutas: 1 1 246 + 2 247 + 3 248 + 4 249 + 5 250 + 4 251 + 3 252 + 2 253 + 1 254 25 = 1 6250 25 = 250 = Agora. vemos que esse valor coincide com o valor central da distribuição de frequências. refaçamos o cálculo da média. das duas formas. caso. No caso dos dados da Tabela 1.04 246 + 0. a média é considerada uma medida de tendência central. Para uma distribuição simétrica como essa. Por esta razão.12 252 = 250 + 0. pois é o valor que possui a maior frequência.16 251 + 0. a qual será vista mais adiante. ou seja. Outras medidas de tendência central são a moda e a mediana. obteve-se uma média de íons cloreto na água tratada desse município brasileiro. Olhando para o histograma de = 250 mg/L para a concentração de frequências da Figura 1. a média coincide com o valor central da distribuição.

que divide o conjunto de dados em partes iguais.5. agora. o seguinte conjunto. Entretanto. 45.A mediana é o valor central.5. o valor da mediana será (44+45)/2 = 44. Sendo N o tamanho da amostra. as vendas de hambúrguer numa lanchonete foram medidas num período de 10 dias. com um número par de dados (N=10): 40. 44. Isso significa que a mediana está entre o 5º e o 6º lugar. Dia Vendas 1 48 2 47 3 52 4 320 5 50 6 45 7 46 8 53 9 44 10 49 Vamos calcular a média para os dados acima: 1 48 + 47 + 52 + 320 + 50 + 45 + 46 + 53 + 44 + 49 10 = = 75. 46. 43. 41. com um número ímpar de dados (N=11): 40. houve uma grande festa na lanchonete e a venda foi muito mais alta. 47. 43. 49 A posição da mediana será: (10+1)/2 = 5. Considere. Logo. em uma determinada lanchonete. 45. 44. o valor da mediana é a média entre os valores que estão no 5º e no 6º lugar. no 4º dia. çã = +1 2 Considere o seguinte conjunto. em um determinado dia. Por exemplo. Número de hambúrgueres vendidos. 46. 47. em um período de 10 dias. O valor da mediana será 45. 42. 42. Tabela 2. 49. 41. a posição da mediana pode ser encontrada pela equação abaixo.4 1 754 10 = . Vejamos os dados na Tabela 2. Os valores dos dados devem ser previamente colocados em ordem crescente. 48. 48. A mediana é bastante útil quando temos um valor muito discrepante dos demais. Neste caso. 50 A posição da mediana será: (11+1)/2 = 6º lugar.

Vamos calcular a mediana. Logo.5. Então. primeiro temos que colocar os dados em ordem crescente. O tamanho da população é n. caso o conjunto de dados seja uma população. Tabela 3. σ. E sabe por quê? Porque a mediana não é afetada por valores extremos. Qual dessas duas medidas reflete melhor as vendas diárias da lanchonete? É óbvio que é a mediana. na Tabela 3. o valor da mediana é a média entre os valores que estão no 5º e no 6º lugar. em uma determinada lanchonete. • Fórmula para a variância populacional. Dia Vendas 9 44 6 45 7 46 2 47 1 48 10 49 7 50 3 52 8 53 4 320 A posição da mediana será: (10+1)/2 = 5. Dados colocados em ordem crescente. em um período de 10 dias. Mas. Já o valor da média ficou bem alto. var(x)=σ 2. Medidas de Dispersão A dispersão de um conjunto de dados pode ser representado por um único número. justamente por causa do valor extremo. Nem sempre a média é a melhor medida. denominado variância cujo significado vai ficar mais claro à medida que os exemplos forem sendo dados. A variância é calculada de forma diferente. para isso.5. ou uma amostra. A média é 75.5. E lembre-se que é a pessoa que está fazendo a estatística dos dados que vai determinar se o conjunto de dados é uma população ou uma amostra. Número de hambúrgueres vendidos. agora. na Tabela 3. a mediana está entre o 5º e o 6º lugar.4 e a mediana. 320. = = 1 − . 48. Neste caso. A variância populacional é representada pelo quadrado da letra grega sigma minúscula. o valor da mediana será (48+49)/2 = 48.

A variância amostral é representada pelo quadrado da letra romana s minúscula.5 ≈ . Se todos esses desvios fossem zero.91666 … 1 17.5 6 + 43 − 42.5 + 45 − 42. A diferença só é relevante para amostras pequenas. = 1 −1 − A variância tem o significado de ser uma média dos quadrados dos desvios entre cada valor e a média amostral.5 6 = + 41 − 42. − = 0. cuja média é 42. então a variância populacional é calculada da seguinte forma: 1 40 − 42. . ou populacional. O tamanho da amostra é N. a variância seria zero.5 + 44 − 42.5 e tamanho n=6.• Fórmula para a variância amostral.5 = = 2.5. Considere o seguinte conjunto de dados abaixo. Verifique que. x1 = 40 x2= 41 x3 = 42 x4 = 43 x5 = 44 x6 = 45 Se o conjunto de dados acima for uma população de media µ=42. se o tamanho da amostra for muito grande. não fará diferença usar N–1 ou N no denominador da última equação para s2.5 + 42 − 42.

então a variância amostral é calculada da seguinte forma: 1 6−1 = 42.1666 … = 1 10855 6 ≈ 1809.5 + 45 − 42. Existe uma fórmula prática para calcular a variância populacional. = = 42.17 . é obtido a partir da média dos quadrados dos valores de x.5 5 + 43 − 42.5 e tamanho = 40 − 42.5 1 17.5 = + 42 − 42. x12 = (40)2= 1600 x22= (41)2= 1681 x32 = (42)2= 1764 x42 = (43)2= 1849 x52 = (44)2= 1936 x62 = (45)2= 2025 = 1 1600 + 1681 + 1764 + 1849 + 1936 + 2025 6 = 1809.5 = .25. que é a seguinte.5 − É fácil obter o valor de O valor de = 1806.5 + 41 − 42.Se o conjunto de dados acima for uma amostra de media N=6.5 + 44 − 42.

Assim.08 254 64516 1 0. para ficar mais fácil calcular a variância. a variância é calculada pela diferença: = 1809. Na Tabela 4. Tamanho da amostra. = − A variância tem a desvantagem de ter unidades da variável ao quadrado.17 − 1806.08 248 61504 3 0.16 250 62500 5 0. Tabela 4. Por isso. define-se uma medida de dispersão muito utilizada denominada desvio-padrão como sendo a raiz quadrada da variância. fr =frequência relativa. Concentração de íons cloreto [Cl–] medidos na água tratada de um município brasileiro. que esses dados sejam referentes a uma população.25 = . somente por simplicidade de cálculo. reproduzimos esses dados e acrescentamos os quadrados das concentrações de cloreto. Primeiramente. =25.16 252 63504 3 0. As unidades de concentração estão em mg/L. • Desvio-padrão populacional: = = • Desvio-padrão amostral: = Vamos agora comparar dois conjuntos de dados amostrais.04 247 61009 2 0. f = frequência absoluta. vamos utilizar os dados da Tabela 1. Vamos supor.12 253 64009 2 0.20 251 63001 4 0.12 249 62001 4 0.Assim. com variâncias distintas. teremos as seguintes equações. [Cl–] [Cl–]2 f fr 246 60516 1 0.04 .

Vamos calcular.04 247 61009 1 0.04 . muito similar a uma distribuição normal e possuem média 250 mg/L e desvio-padrão ±2 mg/L. fr =frequência relativa. =25.12 253 64009 1 0.08 254 64516 1 0. Tamanho da amostra. As unidades de concentração estão em mg/L. A Figura 2 apresenta o histograma de frequências para os dados da Tabela 5.16 250 62500 8 0. assumindo que se trata de uma população. f = frequência absoluta. a média e a variância para o conjunto de dados da Tabela 5. [Cl–] [Cl–]2 f fr 246 60516 1 0.16 252 63504 2 0.08 248 61504 2 0.= = 1 1 60516 + 2 61009 + 3 61504 + 4 62001 + 5 62500 + 4 63001 + 3 63504 25 + 2 64009 + 1 64516 = = = 1 1562600 25 = 62504 − 62500 = = 2 − 2 • Desvio-padrão populacional: = √ = ± mg/L Os dados da Tabela 1 constituem uma distribuição simétrica. agora.12 249 62001 8 0.20 251 63001 8 0. Concentração de íons cloreto [Cl–] medidos na água tratada de um município brasileiro. Tabela 5.

.05 0.15 fr 0. Histograma de frequências para os dados da Tabela 5.0.10 0. = = 1 1 246 + 1 247 + 2 248 + 8 249 + 8 250 + 8 251 + 2 252 + 1 253 + 1 254 25 1 8000 32 = = = 1 1 60516 + 1 61009 + 2 61504 + 8 62001 + 8 62500 + 8 63001 + 2 63504 32 1 2000082 32 .00 246 247 248 249 250 251 252 253 254 [Cl ] / mg/L Figura 2. + 1 64009 + 1 64516 = = = = 62502.20 0. . = 2 − 2 • Desvio-padrão populacional: = =± .5625 − 62500 = .25 0.

enquanto que.00 [Cl ]/mg/L [Cl ] / mg/L Figura 1. a média manteve-se a mesma.15 0. a dispersão dos dados é maior no primeiro caso e esse fato é medido pelo valor maior do desvio-padrão da distribuição de frequências. µ = 250 mg/L . Em outras palavras.20 0.6 mg/L.10 0. Histograma de frequências para os dados da Tabela 5. 0.Os dados da Tabela 5 constituem uma distribuição simétrica.15 fr fr 0. muito similar à uma distribuição normal e possuem média 250 mg/L e desvio-padrão ±1. Histograma de frequências para os dados da Tabela 1. os dados estão mais concentrados em torno do valor central. Entretanto. No primeiro caso.6 mg/L . Esse fato pode ser visualizado pela comparação dos histogramas de frequência das Figuras 1 e 2.05 0.0 mg/L Figura 2. Com relação aos dados da Tabela 1. no segundo caso.25 0.05 0.00 246 247 248 249 250 251 252 253 254 246 247 248 249 250 251 252 253 254 0. σ = ±2. µ = 250 mg/L .10 0.20 0. os dados estão mais dispersos. o desviopadrão apresentou-se menor no segundo caso. σ = ±1.

Histograma de frequências para os dados agrupados da Tabela 6. Peso de pessoas que trabalham em certa companhia. Tabela 6. O histograma de frequências da Figura 3 ilustra esse conceito. devemos fazer a suposição de que a distribuição dos pesos é uniforme dentro de cada classe. 20 frequência absoluta 15 10 5 0 64 65 66 67 68 69 70 71 pesos / kg Figura 3. Assim. Façamos o cálculo para o exemplo da 1 Tabela 6. os dados aparecem na forma de dados agrupados. onde é o ponto médio de cada classe.Dados Agrupados Muitas vezes. a média da distribuição pode ser calculada através da equação abaixo. como ocorre na Tabela 6. = . (N=40) Peso / kg 64-66 67-69 70-72 Frequência Absoluta 16 21 2 Para se calcular a média em um conjunto de dados como esse.

O histograma de frequências da Figura 4 mostra a real distribuição dos pesos. . Peso de pessoas que trabalham em certa companhia. Histograma de frequências para os dados da Tabela 7. com a suposição de que a distribuição dos pesos é uniforme dentro de cada classe. = Vamos supor que tivéssemos acesso aos dados mais completos e pudéssemos construir a tabela de dados agrupados mostrada na Tabela 7. (N=40) Peso / kg 64 65 66 67 68 69 70 72 Frequência Absoluta 3 5 8 11 7 3 2 1 Agora podemos calcular a média e comparar com aquela anteriormente feita. Tabela 7.= 1 40 16 65 + 21 68 + 2 71 = 1 2610 40 . 10 Frequência Absoluta 8 6 4 2 0 64 65 66 67 68 69 70 71 72 Pesos / kg Figura 4.

ele é denominado experimento aleatório. agrupados das Tabelas 6 e 7. O que se obteve como resultado foi uma distribuição de valores.43. Uma variável medida em um experimento aleatório. muitas vezes. como a concentração dos íons cloreto. Entretanto. caras e coroas. Por que não se obteve um valor único? Por várias razões. . Esse é o tipo de experimento que interessa para a Estatística. temos de aceitar o fato de que haverá um erro. A jogada de uma moeda. verificamos que há um erro: ∆ = 68. pela falta de dados.25 = 3. a concentração de íons cloreto foi medida na água tratada de um município brasileiro. ou então pode ter havido erros de vários tipos durante as determinações quantitativas. Talvez a concentração dos íons cloreto seja realmente diferente em cada ponto de coleta. pois resulta em uma distribuição de resultados possíveis. não há outra suposição razoável que se possa fazer. que são as variáveis aleatórias.68 − 65. também é um experimento aleatório. Logo.= 1 3 64 + 5 65 + 8 66 + 11 67 + 7 68 + 3 ∗ 69 + 3 70 + 1 72 40 = = 1 2747 40 . é denominada variável aleatória. M vezes. Esse erro se deveu ao fato de termos poucos dados agrupados na Tabela 6 e de termos feito a suposição de que a distribuição dos pesos é uniforme dentro de cada classe. Quando um experimento pode resultar em uma distribuição de resultados possíveis. = 1 O mesmo se dará ao se calcular a variância. Comparando com os resultados da médias calculadas com os dados Probabilidade Experimento Aleatório No experimento exemplificado anteriormente.

como é o caso do experimento aleatório de uma moeda sendo jogada M vezes. Nesse sentido. CKK. CCK. O tamanho do espaço amostral. O espaço amostral. No caso das concentrações de íons cloreto. para a jogada de uma moeda. A1 abaixo. evento tem o mesmo sentido da amostra definida anteriormente. O espaço amostral. podemos escrever alguns eventos abaixo. KC. CK. da jogada de três moedas. KKC. para a jogada de três moedas. representaremos o resultado cara pela letra K e coroa pela letra C. possui 23 = 8 elementos e é dado pelo conjunto. possui 21 = 2 elementos é dado pelo conjunto. A1 = {K. possui 22 = 4 elementos é dado pelo conjunto. CC} A3 = {KKK. A3 abaixo. A2 abaixo. neste caso. Entretanto. o espaço amostral tem o mesmo sentido da população definida anteriormente. Para simplificar a notação. C} A2 = {KK. em relação ao espaço amostral A3.Espaço Amostral O conjunto de todos os resultados possíveis para a variável aleatória é denominado espaço amostral. com os mesmos espaços amostrais. KCC. Usando o exemplo acima. Nesse sentido. CCC} Evento Evento é todo subconjunto de um espaço amostral. O espaço amostral. KCK. pois há uma quantidade infinita de valores possíveis para os resultados. CKC. esse conjunto tem um tamanho infinito. . com seus significados escritos ao lado. será dado por 2M. Cara Coroa = = K C Desde já vamos deixar bem claro que a jogada de uma única moeda M vezes e uma única jogada de M moedas são experimentos aleatórios completamente equivalentes. há espaços amostrais de tamanho finito. para a jogada de duas moedas.

CKC. O resultado foi P E =0. vamos usar os exemplos vistos anteriormente.5 = {KKK}: Não sair nenhuma coroa. A3 = {KKK. o cálculo da probabilidade fica assim: = = 4 1 = = 0. KCC. E3. KKC. E3. KCK. A pergunta é a seguinte: no lançamento de três moedas. KKC. A3 e o evento que seja sair pelo menos duas caras.50 ou seja. KCC. E3. E3.50 8 2 N A = número de elementos do espaço amostral. CCK}: Sair no máximo duas coroas. no espaço = Para o exemplo acima.4 = {KKK. CCC} E3. qual é a probabilidade de sair pelo menos duas caras? A maneira formal de definir probabilidade considera o seguinte: N E = número de elementos do evento. há 50% de chance de sair pelo menos duas . KCK.4.1 = {KKK. CKK}: Sair pelo menos duas caras. KCC}: Sair cara no lançamento da primeira moeda. CKK.E3. CKK}: Sair exatamente uma coroa. KCK.4 = {KKK.3 = {KKK. amostral A. KKC. KKC. KCK. Considere o espaço amostral para o lançamento de três moedas. KKC. P(E) de ocorrência do evento E. é dada pela seguinte razão: Assim. KCK. Probabilidade de um Evento Para chegar ao conceito de probabilidade. E3. caras no lançamento de três moedas. CKK. CKC. CKK}: Sair pelo menos duas caras. a probabilidade. CCK. KCK.2 = {KKC.

Uma moeda é jogada 2 vezes. neste caso foi f=0. é dada pela seguinte razão: = No lançamento de três moedas. Calcule a probabilidade de sair cara na primeira jogada e coroa na segunda. definimos as seguintes grandezas: nE = número de vezes que o evento E é observado. Assim. a frequência relativa. calcula-se a probabilidade do evento.1 = {KC}. f de ocorrência do evento E. Frequência Relativa e Probabilidade Uma segunda forma de definir probabilidade é através do conceito de frequência relativa.48. Neste caso. A2 ={KK. Se o experimento foi repetido N=100 vezes e obtiveram-se pelo menos duas caras em nE = 48 vezes.Exercício Resolvido. com os respectivos tamanhos. = = 48 = 0.48 100 . a frequência relativa de sair pelo menos duas caras depende do número de repetições e do que foi observado. há 25% de chance de sair cara na primeira jogada e coroa na segunda. a frequência relativa de sair pelo menos duas caras.25 4 E2. N = números de vezes que o experimento aleatório é repetido. N(E) = 1 Logo. pela equação abaixo. CK. A seguir. Resolução: Primeiro escrevem-se o espaço amostral e o evento. então Acompanhe o cálculo abaixo. = = 1 = 0. N(A) = 4. CC}. no experimento aleatório. KC.

Por exemplo. o valor da frequência relativa tende para o valor da probabilidade. quando o experimento aleatório for repetido um número muito grande de vezes. = ∪ = + (Eventos mutuamente excludentes) . A probabilidade da união de dois eventos A e B é interpretada como a probabilidade de ocorrência do evento A ou do evento B. é o conjunto que contém todos os elementos dos dois conjuntos.8} Os conjuntos A e B acima não contêm nenhum elemento em comum.1. ou mutuamente excludentes.7. é válida a seguinte definição de probabilidade.9} Agora vamos tratar da probabilidade da união de dois eventos mutuamente excludentes. quando N tender a infinito (∞).8. Por isso.7.6. ou seja.2.50). A união A»B será o conjunto dado abaixo: A»B = {0. = lim → Verifique que o valor obtido aproxima-se bastante do valor calculado para a Probabilidade da União de dois Eventos Mutuamente Excludentes A união de dois conjuntos A e B. simbolizada por A«B. mutuamente excludentes.3. considere os conjuntos A e B a seguir: A = {1.6.9} B = {0.5. é igual à soma das probabilidades de cada evento individual.probabilidade (P=0.5. De fato. A…B = { }.4. A probabilidade da união de dois eventos A e B.3.4. Diz-se que a interseção entre eles é vazia. São assim chamados conjuntos disjuntos. que utiliza o conceito de limite.2.

uma moeda sendo jogada duas vezes. Já vimos que o espaço amostral é dado pelo conjunto abaixo: A2 = {KK. . Por exemplo: E2. . Vamos aprender. pois não apresentam nenhum elemento em comum. Então podemos calcular a probabilidade da união dos dois eventos pela equação acima. CC} Vamos considerar dois eventos que sejam mutuamente excludentes.2 2.1 = {KK}: Sair duas caras. a calcular a probabilidade da união de eventos que não são mutuamente excludentes. mais a frente. CK.2 Interpretamos a resposta assim: a probabilidade de sair duas caras ou exatamente uma cara (ou uma coroa) é de 75%.50 4 A seguir. E2.2 é de 75%. calculamos as probabilidades dos eventos individuais.1»E2.2 = 0. para calcular a probabilidade da união dos eventos. agora.1 e E2. .2 são mutuamente excludentes. 2.1»E2. Primeiro. Também podemos dizer que a probabilidade de ocorrência do evento união E2.Considere. aplicamos a equação da soma.1 ∪ 2.2 = 2. A união desses dois eventos é o seguinte conjunto: E2. KC.1 ∪ 2.75 2.2={KC.2 = {KK. . CK} Pode-se ver que os eventos E2.25 4 2 = 0.25 + 0.50 = 0.1 ∪ 2. KC.1 + 2. = = 1 = 0.CK}: Sair exatamente uma cara (ou uma coroa). Essa conta só foi válida dessa forma porque os dois eventos eram mutuamente excludentes. = = .

E3. A interseção desse dois eventos é dada pelo conjunto abaixo: E2. simbolizada por A»B.9} B = {0. A probabilidade da interseção de dois eventos A e B é interpretada como a probabilidade de ocorrência do evento A e do evento B.5. KCC. KKC.8} A interseção entre os conjuntos A e B acima é o conjunto dado abaixo: A…B = {2.2 = {KKC} Logo. Portanto não são disjuntos.1 = {KKC. os conjuntos A e B acima possuem dois elementos em comum. Por isso. CCC} Vamos considerar os dois eventos seguintes. . Consideremos uma moeda sendo jogada três vezes. considere os conjuntos A e B a seguir: A = {1. E3.1…E2. é o conjunto que contém todos os elementos que pertencem simultaneamente aos dois conjuntos.4. CKK. A partir daí. Não há uma fórmula geral para calcular a probabilidade da interseção entre dois eventos A e B. Já vimos que o espaço amostral é dado pelo conjunto abaixo: A3 = {KKK.6.Probabilidade da Interseção de dois Eventos A interseção de dois conjuntos A e B. Por exemplo. a interseção passa a ser vista como um evento e a probabilidade é calculada com a fórmula da probabilidade de um evento.2 = {KKC. ou seja. CKC. KCK. não são mutuamente excludentes. KCK. a probabilidade da interseção desses dois eventos é calculada pela equação abaixo. teremos de obter a interseção e contar seu número de elementos.6.6} Como se vê.2. CKK}: Sair exatamente duas caras. nas duas primeiras jogadas.2. CCK}: Sair duas caras ou duas coroas. CCK.

E2. E2. KC.1 …E2. Assim.1…E2. sejam eles mutuamente excludentes. ou não. No caso dos eventos mutuamente excludentes.2 = E2. CC} Vamos considerar dois eventos que não sejam mutuamente excludentes. Por exemplo: E2.2 . A interseção entre os eventos é dada pelo conjunto abaixo: E2.5%. = ∪ = + − ∩ equação torna-se igual àquela que foi vista anteriormente. que tenham pelo menos um elemento em comum. ou seja. A fórmula é bastante geral e é dada abaixo. vê-se que aquela equação é um caso particular desta última. Já vimos que o espaço amostral é dado pelo conjunto abaixo: A2 = {KK. 2. o termo P A…B =0 e a Por exemplo. uma moeda sendo jogada duas vezes.1…E2.2 = {KK.1 = {KK}: Sair duas caras.2 = 2.2 = {KK} Vamos agora calcular a probabilidade da união dos dois eventos. considere. KC. CK.1 …E2. Probabilidade Geral da União de dois Eventos Agora estamos em condições de formular a equação que estabelece a probabilidade da união de dois eventos A e B.5%.1 + 2.2 é de 12.1 ∪ 2.2 − 2. Também podemos dizer que a probabilidade de ocorrência do evento interseção E2.1 ∩ 2.2 = 1 = 0. agora. usando a última equação.125 8 Interpretamos a resposta assim: a probabilidade de sair duas coroas.CK}: Sair pelo menos uma cara. nas duas primeiras jogadas e sair exatamente duas caras é igual a 12.

ou seja. 42. 42. + + .1… E2. . 41. 64. . N(A2) = 36 N(E2.167 − 0. 1 = 0.1 = {11. 16. 32. = Jogando um dado duas vezes.2.1 ∩ 2. 22.2 2. Note que.306 36 36 36 = = . 15.1… E2. 62. N(E2. Exercício Resolvido. E2. com os respectivos tamanhos. 31.1 = ∪ 2.26. 21. ∩ .167 + 0. Calcule (a) a probabilidade de sair 1 na primeira jogada e 2 na segunda jogada.1 ∪ 2. 56.78% de sair 1 na primeira jogada e 2 na segunda jogada. 1 3 1 3 + − = = 0.2 = {12}. 24. 14. . = . Os eventos não são mutuamente excludentes. .0278 36 (b) A probabilidade de sair 1 na primeira jogada ou 2 na segunda jogada é a probabilidade da união entre os dois eventos.2) = 1 (a) A probabilidade de sair 1 na primeira jogada e 2 na segunda jogada é a probabilidade da interseção entre os dois eventos.2 Resolução: Primeiro escrevem-se o espaço amostral e os eventos.2 = {12. A interseção entre os eventos é o conjunto: E2. ou seja. há uma chance de 30. 25. 12. 65. se não fosse a subtração do termo de probabilidade de interseção.1) = 6 N(E2. . 54. 45. 33.6% de sair 1 na primeira jogada ou 2 na segunda jogada.2 2. 43. 51. Uma dado de seis faces é jogado 2 vezes. 6 6 1 + − = 0. é dado pelo cálculo abaixo: . a soma teria chegado a 100%. = Jogando um dado duas vezes. 53. 55. 32. dando um resultado errado. 13. 35. − − . 52.14. (b) a probabilidade de sair 1 na primeira jogada ou 2 na segunda jogada. 52. Eles têm um elemento em comum. ∩ ∩ .2 − 2. 16}: Sair 1 na primeira jogada. . 46. 44.1) = 6 E2.0278 = 0. 23. . é dado pelo cálculo abaixo: . 62}: Sair 2 na segunda jogada. 12. 15. 63. A2 ={11. 22. 34. 66}. ∩ . . 61. 36.1 = Interpretamos a resposta assim: a probabilidade de sair duas caras ou de sair pelo menos uma cara é de 75%. ∪ ∪ ∪ . há uma chance de 2. 13.75 4 4 4 4 + 2. .

para serem usadas durante a semana. pois vai para o cesto de roupas para serem lavadas. ele pode voltar a ser escolhido novamente. Qual é a probabilidade de tirar a nota máxima na prova.Amostragem com Reposição Amostragem significa escolher alguns elementos da população. o número de resultados possíves é dado por 6M. Ela pode ser feita com reposição. Verifica-se que o resultado P=10–21 é extremamente baixo para que alguém consiga acertar a prova toda. ele não pode voltar a ser escolhido novamente. Quando se joga uma moeda M vezes. o número de resultados possíveis é dado por 2M. Como há apenas uma maneira de se responder a prova para tirar a nota máxima. com cinco alternativas em cada questão.07 × 10 Amostragem sem Reposição Veremos agora a amostragem sem reposição. = 1 9. mas não é devolvida. com reposição. podemos considerar que estamos escolhendo M=30 questões. Uma vez que deu resultado cara. a cada dia. No . Vamos analisar um exemplo interessante. usando amostragem com reposição. uma vez que o elemento é escolhido uma vez. uma camisa é retirada da gaveta. ou sem reposição. Suponha que. Na amostragem com reposição. De um modo geral. apenas na sorte. Na amostragem sem reposição. na jogada de uma moeda. com reposição.31 × 10 = 1. quando se joga um dado M vezes. apenas na sorte? Neste caso. Esse é o caso das jogadas de moedas e dados. nada impede que dê cara novamente na próxima jogada. Considere que há sete camisas em uma gaveta. essa probabilidade será dada pela conta abaixo. O número total de respostas possíveis é dado por AM = 530 = 9. uma vez que o elemento é escolhido uma vez.31 x 1020. de uma população de A objetos.Considere uma prova com 30 questões de múltipla escolha. Da mesma forma. de uma população de A=5 alternativas. uma cada dia. quando escolhemos M objetos. teremos AM maneiras distintas de selecionar os objetos.

Por definição. O fatorial de um número é muito importante na teoria das probabilidades. o fatorial de zero é 1. assumindo que a retirada das camisas é sem reposição. haverá seis. há sete camisas. cinco. Continuando o processo. Na segunda-feira. haverá 7x6=42 escolhas possíveis para os dois primeiros dias. por exemplo. Este é uma caso de permutação de 7 camisas. há 5040 maneiras diferentes de se escolher as camisas durante a semana. Na terça-feira. dando a idéia do conceito. há 7 escolhas possíveis de camisas. esse número seria bem maior: 7 =823 543. Caso a escolha tivesse sido feita com reposição. E assim por diante. Na segunda-feira. Abaixo estão os valores dos fatoriais de zero a dez. 70! ≈ 10100.domingo. 7! = 7 x 6 x 5 x 4 x 3 x 2 x 1 = 5 040 Em outras palavras. podemos concluir que haverá o seguinte número de escolhas possíveis de camisas para toda a semana. No sábado só haverá uma camisa na gaveta. O valor 7! é denominado fatorial de 7. Então. Os valores dos fatoriais crescem muito depressa e números grandes têm fatoriais gigantescos. De quantas maneiras diferentes podem-se escolher as camisas para os sete dias da semana? No domingo. 7 0! =1 1! = 1 2! =2x1 =2 3! = 3x2x1 = 6 4! = 4x3x2x1 = 24 5! = 5x4x3x2x1 = 120 6! = 6x5x4x3x2x1 = 720 7! = 7x6x5x4x3x2x1 = 5 040 8! = 8x7x6x5x4x3x2x1 = 40 320 9! = 9x8x7x6x5x4x3x2x1 = 362 880 10! = 10x9x8x7x6x5x4x3x2x1 = 3 628 800 . há 6 escolhas possíveis.

escolhidos sem reposição. Podemos escrever uma fórmula conveniente para arranjos. em termos de fatoriais. neste caso. No sábado haverá 4 camisas na gaveta.Arranjos Vamos considerar ainda a amostragem sem reposição. São 60 dezenas e você tem de acertar seis. Podemos concluir que haverá o seguinte número de escolhas possíveis de camisas para toda a semana: 10 x 9 x 8 x 7 x 6 x 5 x 4=604 800 Em outras palavras. De quantas maneiras diferentes podem-se escolher as camisas para os sete dias da semana? Há 10 escolhas para o domingo. nem todas as camisas serão usadas. e assim por diante. de uma população de n objetos pode ser escrita na forma abaixo. Este é uma caso de arranjo de 10 camisas durante os 7 dias da semana. assumindo que a retirada das camisas é sem reposição. Entretanto. = ! − ! de j objetos. Vamos considerar uma exemplo bastante conhecido na loteria. A pergunta é. para serem usadas durante a semana. Vamos usar o último exemplo para deduzir essa fórmula. uma cada dia. há 604 800 maneiras diferentes de se escolher as camisas durante a semana. a Mega-Sena. Combinações Vamos considerar ainda a amostragem sem reposição. considere agora que há dez camisas em uma gaveta. 8 para a terça. Note que. de quantas formas distintas pode-se escolher as seis dezenas? . 9 para a segunda. Note que a última expressão pode ser reescrita na forma abaixo: 10 × 9 × 8 × 7 × 6 × 5 × 4 × 3 × 2 × 1 10! 10! = = = 604 800 3×2×1 3! 10 − 7 ! A expressão acima mostra que a fórmula para o arranjo.

ou seja 6! = 720. 60! 60! 60 × 59 × 58 × 57 × 56 × 55 × 54! 36 045 979 200 60 = = = = = 50 063 860 6 6! 60 − 6 ! 6! 54! 720 6! 54! . 39. Isto porque a ordem em que os resultados saem não importa. Depois de sorteada a primeira dezena. sobram 59. 23.Poderíamos pensar em um arranjo. Esse cálculo conta todas as permutações possíveis dessas dezenas. tomados j de cada vez é ! − ! Fazendo o cálculo da combinação de 60 objetos. = 60! 60! 60 × 59 × 58 × 57 × 56 × 55 × 54! = = = 36 045 979 200 54! 60 − 6 ! 54! O único problema com esse cálculo é o seguinte. 37. Depois de sorteada a segunda. = ! de n objetos. dada abaixo. chegamos ao número de formas distintas que se pode escolher as seis dezenas na Mega-Sena. tomados 6 de cada vez. E assim por diante. temos de dividir o resultado pelo número de permutações. sobram 58. a fórmula para a combinação dada pela fórmula abaixo. 05. Suponha que tenha saído as dezenas: 01. 25. Pode-se pensar no seguinte cálculo de arranjo: 60 x 59 x 58 x57 x56 x55 = 36 045 979 200 Esse resultado seria calculado pela fórmula do arranjo . No início tem-se 60 dezenas. Então. Assim.

21. 21}: Obter soma 3 nas duas jogadas. 41. então a probabilidade condicional será Um exemplo é a jogada de um dado duas vezes. 25. 62. 26}: Obter 2 na primeira jogada. N(E2. . é dada pela equação abaixo. . 22.2)=6 A interseção entre os dois eventos é dada pelo conjunto abaixo: E2. P A|B =0. 15. 35. Note que se a interseção A…B for vazia. ou seja.7%.2 = {21. 65. 63. 51. 54. 32. | = ∩ = de elementos e P B a probabilidade de ocorrência do evento B. . 42. 44. 53.Probabilidade Condicional Dados dois eventos A e B. ∩ . 45. . 43. 24. 12.1)=2 E2. 55. dado que o evento B tenha ocorrido. 66} Considere os seguintes eventos: E2. 34. 25.1…E2. N(E2. a probabilidade condicional P A|B Considere N A…B o número de elementos e P A…B é a probabilidade de ocorrência do evento A. 56.2) = 1 = .2 = {21}. dado que se obteve 2 na primeira jogada é de 16. 24. 22. O espaço amostral tem N(A2)=36 elementos e é dado pelo conjunto abaixo. 31. 23. a probabilidade condicional de obter soma 3 nas duas jogadas. A expressão para o ∩ zero.1…E2.1 = {12. 14. 16. = 1 = 0. 33. 61. 64. . também N B o número a probabilidade de cálculo da probabilidade condicional P A|B é dada abaixo. A2 ={11. 46.167 6 Então. A probabilidade condicional . 23. N(E2. 52. 13. ocorrência da interseção entre os eventos A e B. Considere. 36.26.

na jogada de dois dados. 31. 45. 56. 41. N(A2) = 36 Considere os seguintes eventos independentes: E2. 35. 33. No que isso afeta a probabilidade de aparecer qualquer outro número na próxima jogada? A resposta é que não afeta em nada. 25. 23. 63. 25. 44. 35. 61. 53. 62. a probabilidade de aparecer 3 na primeira jogada e 5 na segunda jogada é de 2. 55. 13.0278 36 36 6 6 36 Então. N(E2. 16. para eventos independentes pode-se escrever a expressão abaixo. na jogada de dois dados. 22. 46. 65}: Aparecer 5 na segunda jogada. 65.Eventos Independentes Dois eventos A e B são independentes se a equação abaixo for verdadeira: | = Considere que apareça um 3 na primeira jogada de um dado. 32. 64. 14. 42. 35.1)=6 E2. 34. = ∩ Lembrando que P(A…B)=P(A e B). = . os eventos são independentes. = 6 6 1 1 1 ∙ = ∙ = = 0.2 = {15. 51. 66}. 43. Nesse caso. 54. 21.2)=6 .78%. 45. 33.1 = {31. N(E2. qual é a probabilidade de aparecer 3 na primeira jogada e 5 na segunda jogada? A2 ={11. ∙ . . 24. 55. essa última expressão pode ser rearranjada ∙ (eventos independentes) Por exemplo. 36}: Aparecer 3 na primeira jogada. 34. 32. 12. = na forma abaixo. 36. 52. 15.26. . Portanto.

100. 76} (b) B={1010. 215. 73. 220. 213. Os visitantes do Parque Nacional de Yellowstone. 30. de: (a) população. 1011} 5. Para cada um. Tempo / minutos 40-49 50-59 60-69 70-79 80-89 90-99 100-109 Freqüência 8 44 23 6 107 11 1 . 72. 33. (d) população de tamanho finito. 213. 1020. nos Estados Unidos. 75. usando as duas fórmulas. (b) amostra.Problemas 1. 28} (b) B={213. 1018. A tabela de freqüências a seguir resume uma amostra de tempos (em minutos) entre erupções. Se um guia turístico deseja garantir que seus turistas presenciem uma erupção. 210. a mediana e a moda. (a) A={70. 211. 1017. qual o tempo mínimo que devem permanecer no parque? Calcule a média e o desvio-padrão da distribuição de frequências. (e) amostra representativa. (c) população de tamanho infinito. 1018. 30. Construa um histograma para a tabela de frequências dada. 1015. a da definição e a fórmula prática. (a) A={28. Defina e dê exemplos. calcule as respectivas variâncias e desviospadrão. 77. 214. 22 . calcule a média. Para as populações de dados abaixo. 78. 28. 27. Quais são os significados da palavra Estatística? 2. 74. consideram uma erupção do gêiser Old Faithful uma atração que não pode ser perdida. 215} 4. abaixo. 1014. (f) amostra não representativa. 3. 213. 79. diferentes daqueles dados no texto. 71. 25. Considere os conjuntos de dados amostrais A e B.

referentes ao número de carros de estudantes e de professores e servidores e seus respectivos anos de uso. O que o histograma sugere quanto às idades dessas vítimas fatais? Calcule as médias e os desvios-padrão para cada distribuição de frequências. Com base nos resultados. de motoristas multados pela polícia de uma cidade brasileira. Freqüência 22 10 6 2 4 5 1 Idade na Morte 16-25 26-35 36-45 46-55 56-65 66-75 76-85 . Ano do carro 0-2 anos 3-5 6-8 9-11 12-14 15-17 18-20 21-23 Estudantes 23 carros 33 63 68 19 10 1 0 Professores e Servidores 30 carros 47 36 30 8 0 0 1 7. Construa um histograma para essa tabela de freqüências. Construa um histograma de freqüências relativas para cada um dos dois conjuntos de dados. A tabela de freqüências a seguir dá as velocidades.6. O que essa distribuição sugere sobre o limite fixado comparado com o limite de velocidade constatado? Calcule as médias e os desvios-padrão para cada distribuição de frequências. quais são as diferenças perceptíveis entre as duas amostras? Calcule as médias e os desvios-padrão para cada distribuição de frequências. Obtiveram-se. em uma universidade brasileira. As companhias de seguro pesquisam continuamente as idades e as causas de morte. Os dados se baseiam em um estudo da revista Veja sobre vítimas fatais de armas de fogo no Brasil. os dados da tabela abaixo. Freqüência Absoluta 14 11 8 6 4 3 1 2 1 Velocidade / km/h 42-43 44-45 46-47 48-49 50-51 52-53 54-55 56-57 58-59 8. Construa um histograma de frequências relativas correspondente à tabela de freqüências abaixo. onde o limite de velocidade estabelecido era de 40 km/h. durante uma semana.

(c) Sair duas caras ou duas coroas. 10. (a) Sair exatamente uma cara. (d) permutação. Discuta a diferença conceitual entre as duas definições de probabilidade de um evento apresentadas. Se você tem 15 camisas em uma gaveta. De quantas formas distintas 9 pessoas podem ficar dispostas em fila indiana? 15. (d) Sair duas caras e duas coroas. participam 20 times. para ilustrar sua discussão. (b) amostragem sem posição. (c) espaço amostral. (c) Sair coroa no lançamento da primeira moeda. 11. Uma moeda é jogada três vezes. (e) combinação. Dica: escreva os conjuntos que representam o espaço amostral e os eventos. sem reposição. (a) Sair três caras ou três coroas. (b) variável aleatória. 13. (c) fatorial de um número. de quantas maneiras diferentes pode-se escolher as camisas para os sete dias da semana? 18. (e) arranjo. (b) Sair no máximo duas caras. Defina e dê exemplos. Em uma prova com 10 questões de múltipla escolha. Calcule as probabilidades que se pedem abaixo. com 4 alternativas cada. Uma moeda é jogada três vezes. (d) evento. uma cada dia. para serem usadas durante a semana (7 dias). 14. Em um campeonato de futebol. diferentes daqueles dados no texto. Calcule a probabilidade dos eventos abaixo. (b) Sair três caras e três coroas. (e) Sair uma cara e uma coroa. diferentes daqueles dados no texto. diferente daquele dado no texto. Quantos anagramas podemos formar com a palavra TEORIA? 16. 12. ou seja: = e = lim → . (e) união de eventos (f) interseção de eventos. (f) Sair uma cara ou uma coroa.9. (g) eventos mutuamente excludentes. Quantos resultados são possíveis para os 3 primeiros lugares? . Utilize um exemplo. de: (a) amostragem com reposição. qual é a probabilidade de um candidato responder a prova e acertar todas a questões apenas no palpite? 17. de: (a) experimento aleatório. Defina e dê exemplos. (d) Não sair nenhuma cara.

Assim. 3. apenas (n. Seja X uma variável aleatória. Uma distribuição de frequência coloca a variável aleatória no eixo horizontal (abscissa) e a probabilidade de ocorrência de cada valor da variável no eixo vertical (ordenada).p). podemos definir uma variável aleatória X discreta como sendo o número de vezes que sai o resultado cara. A probabilidade P X=i de se obter X=i sucessos.. Ela é caracterizada por dois parâmetros.Capítulo 2. = = 1− Na equação acima. 1. a moeda pode ser lançada n = 1. 4. 20. dada abaixo. foi utilizada a notação de combinação. . Por exemplo. no lançamento de uma moeda. A Distribuição Binomial Uma variável aleatória discreta é aquela que pode ser descrita por meio de números inteiros.. 2. quando se joga uma moeda 20 vezes. no lançamento de uma moeda. p). O parâmetro n é o número de vezes que o experimento é executado. Aplicação da Matemática à Estatística. . 2.. vezes. p=½ pode representar a probabilidade de sair cara (ou coroa). Por exemplo. A distribuição binomial é uma distribuição de probabilidade para variável discreta. os valores possíveis de X podem ser: X = 0. Por consequência. em uma distribuição binomial (n. Por exemplo.. é dada pela equação abaixo. 1–p é a probabilidade de fracasso. 5. 3. O parâmetro p é a probabilidade de sucesso em cada vez que o experimento é executado.. = ! ! − ! .

P X=1 . Distribuição binomial n.0000009537 . pela distribuição binomial 20. ½ . a destacado.1761970000 0. =1 = 20! 0.0046205500 0. p = 20.0369644000 0.0010871900 0.0010871900 0.0000190735 0. A probabilidade de sucesso.0739288000 0.0000009537 0. nas outras 19 moedas.0001811980 0.0000190735 0.1601790000 0. ½ é calculada da forma abaixo.0000190735 Por exemplo.0046205500 0. O valor central X=10 está P X=i 0.Exemplo da Jogada de 20 moedas Vamos calcular a distribuição binomial n. p = 20.1601790000 0. a probabilidade de sair cara em apena 1 moeda e coroa A Tabela 8 e a Figura 5 mostram os resultados de todos os cálculos.5 = 0.5 1! 20 − 1 ! 1 − 0.0001811980 0.0369644000 0. ½ para uma jogada de 20 (vinte) moedas. Seja X a variável aleatória e P X=i . i 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 probabilidade de se obter X=i sucessos. em cada jogada. Tabela 8. pode ser definida arbitrariamente como a probabilidade de sair cara e seu valor é p = ½.0147858000 0.0739288000 0.0147858000 0.1201340000 0.1201340000 0.

Portanto. No exemplo dado acima.0. já que este é o valor da esperança de X. P X=10 = 0.00 0 2 4 6 8 10 12 14 16 18 20 i Figura 5.5 = 5 Logo. distancia de 10. . a esperança e a variância = 20 ∙ 0. p = 20. ou seja. p = 20.18 0.16 0. Como interpretamos a distribuição de probabilidades acima? Ao jogarmos 20 (vinte) moedas. ½ .04 0. = ∙ ∙ = ∙ 1− de X possuem os seguintes valores. a probabilidade de se obter 10 caras (X=10) é máxima. n. E X e a variância.02 0.5 ∙ 1 − 0. As probabilidades diminuem à medida que X se A esperança (valor médio).14 0. Var X de uma variável aleatória com distribuição binomial são calculadas a partir dos valores dos parâmetros n e p.10 0. Seja X a variável aleatória e P X=i . ½ . Distribuição binomial n.12 P(X=i) 0.176197 é o valor máximo.06 0.08 0. a probabilidade de se obter X=i sucessos.5 = 10 = 20 ∙ 0. é de se esperar o valor central X=10 para a distribuição binomial acima. de acordo com as equações abaixo.

07 × 10 Esse é o mesmo resultado encontrado anteriormente. Assim. com 30 questões e 5 alternativas em cada questão. De fato.31 x 1020 respostas possíveis. 30. na sorte.2 = 6 .2. podemos calcular a probabilidade de acertar qualquer número de questões. usando a distribuição binomial.0179%. a probabilidade é de 0. .Exemplo das 30 questões de múltipla escolha Outro exemplo de utilização da distribuição binomial foi o caso abordado anteriormente de uma prova de múltipla escolha. 1.2 6! 30 − 6 ! 1 − 0.179 = 30 ∙ 0. vamos calcular P(X=15). pois esta probabilidade é bem maior que as de muitas loterias! Calculemos a esperança e a variância de X para este caso.1/5). Vamos agora encontrar a probabilidade de acertar metade da prova na sorte. usando a mesma distribuição binomial. Vimos que há um total de 530 = 9. =6 = 30! 0. = 15 = 30! 0.p) = (30.2 15! 30 − 15 ! 1 − 0. mas já é possível que alguém consiga.000179 A probabilidade encontrada é muitas vezes maior que a anterior. ou seja. Como há 5 alternativas.2 30! 30 − 30 ! 1 − 0.2 = 0.2 = 1. os valores possíveis para essa variável aleatória discreta serão: X = 0. ou seja. para alguém acertar metade da prova.2 ∙ 1 − 0. de acertar uma questão é p=1/5. vamos calcular P(X=30). ou seja. da ordem de P=10–21. a probabilidade de sucesso. vamos calcular P(X=6). = 30 ∙ 0. 3. = 30 = 30! 0. usando a fórmula da distribuição binomial. na sorte.2 = 0.. 2.8 Vamos calcular a probabilidade de acertar apenas 6 (seis) questões.. Considerando X o número de questões que um candidato acertou na prova. Podemos considerar que essa variável siga uma distribuição binominal (n. apenas na sorte. ou seja.. usando a mesma distribuição binomial.2 = 4. com n=30 e p=1/5=0. Vamos calcular a probabilidade de acertar a prova inteira na sorte. O valor continua sendo pequeno para que alguém consiga acertar na sorte.

A distribuição normal é uma distribuição de probabilidade para variável contínua. Portanto. respectivamente. em forma de sino. a concentração dos íons cloreto em amostras de água. Uma das curvas possui σ=1. a probabilidade é máxima e é igual a A Distribuição Normal Uma variável aleatória contínua é aquela que pode ser descrita por meio de números reais. sendo que o valor central é a média da população. σ=2.0. Seja x probabilidade.9%. Por exemplo. ambas com µ=0. em uma distribuição normal. σ da população. nome dado em homenagem ao matemático alemão Johann Carl Friedrich Gauss (1777-1855). µ e a medida da dispersão é o desvio-padrão. são dadas pelas equações abaixo.17.8 = ±2.0 e a outra. uma variável aleatória contínua. A curva com σ maior é mais larga e menos alta. . O desvio padrão é igual à √4.2. espera-se que a 18% dos candidatos que façam a prova no puro palpite acertem 6±2 questões. A curva gaussiana é a função densidade de = √2 1 A esperança E(x) e a variância Var(x) da variável aleatória contínua x. σ). Ela é caracterizada por dois parâmetros populacionais (µ. Para se acertar 6 questões na sorte. E(x) = µ Var(x) = σ2 A Figura 6 apresenta duas curvas gaussianas. f x para a variável aleatória x e é dada pela equação abaixo. Ela é uma distribuição simétrica. A distribuição normal é dada pela curva gaussiana.

Curva gaussiana para µ=0. − = Aplicando a transformação acima para uma função gaussiana. mediante o uso da equação de transformação abaixo.0. A Distribuição Normal Reduzida Qualquer conjunto de dados {x}. σ=1. . com media µ e desvio-padrão σ.Figura 6. denominada distribuição normal reduzida: (µ. σ) = (0.0 e σ=2. = √2 1 2 Note que a Figura 6 apresenta o gráfico da distribuição normal reduzida. obtemos a equação abaixo. pode ser transformado em outro conjunto de dados {Z}. 1). com média µ=0 e desvio padrão σ=1.

47 − 1. σ = 0.47 m e x2 = 1. os valores não têm unidade. indicando se são maiores ou menores que a média. duas mulheres da população que tivessem estaturas x1 = 1. Além disso.40 Os valores na distribuição normal reduzida podem ser positivos ou negativos.20 = −0.20 = = 1. Neste caso.60 0. ou seja.mulheres. Vamos supor que essa variável siga uma distribuição normal e que a média e o desvio padrão dessa população sejam. respectivamente: µ = 1. Na distribuição normal reduzida. a distribuição normal reduzida é adimensional.60 m. o valor Z=0 significa que a variável tem o valor médio. passariam a ter as seguintes estaturas na distribuição normal reduzida: 1. As estaturas são representadas pela variável aleatória x. Consideremos as estaturas de uma população de distribuição normal.60 0.20 m. .65 = +0.68 m na Vejamos um exemplo.68 − 1. são números puros.

45%. vamos usar a distribuição normal reduzida. Por exemplo. < < = 1 √2 1 −2 Figura 7. A função gaussiana f Z dá a densidade de probabilidade para a variável reduzida Z. . A equação abaixo é integrada numericamente. Na prática. σ=1) na faixa –2 < Z < 2. Usando a expressão da distribuição gaussiana reduzida. entre os valores Z1 e Z2.Probabilidade de uma variável aleatória contínua Para discutir a probabilidade de uma variável aleatória contínua assumir um determinado valor.os valores são tabelados. a última equação assume a forma dada abaixo. < < = A Equação acima significa que a probabilidade P da variável reduzida Z assumir um valor entre Z1 e Z2 é dada pela área abaixo da curva de f Z . O valor da probabilidade P da variável reduzida Z assumir um valor entre Z1 e Z2 é dado pela integral definida abaixo. a Figura 7 mostra que a probabilidade de a variável reduzida Z assumir valores entre -2 < Z < 2 é de 95. Área abaixo da curva gaussiana reduzida (µ=0.

0455. P(Z>2). a probabilidade de a variável assumir um determinado valor seria zero. significando 100% (vide Figura 7). pois a área sob a curva seria zero. Observando a Figura 7.04550 = = 0.A área total sob a curva é 1. Uma coisa é importante notar. =1 A partir da condição de normalização. Como a função é simétrica.97725 Há uma série de valores de probabilidade que podemos calcular para os valores da variável reduzida Z.02275 2 2 Se quisermos saber a probabilidade de Z assumir valores menores que 2. como a probabilidade é uma área sob a curva. a probabilidade de Z ser maior que 2 é metade desse valor. por exemplo. . a probabilidade de a variável Z assumir valores maiores que 2. ou seja.9545 0. Que. Essa é a denominada condição de normalização. vemos que a probabilidade de Z estar na faixa -2>Z>2 é dada por: 1 – 0. No Apêndice A1 é mostrada a tabela para a probabilidade de Z assumir valores menores que a. ou seja. P(Z<a).9545 = 0. P(Z>2) é só fazer o seguinte cálculo: < 2 = 1 − 0.02275 = 0. a probabilidade de a variável Z assumir valores na faixa –∞ < Z < +∞ é P=1. Em outras palavras. = = =0 Na prática são utilizadas tabelas de probabilidades. expressa pela equação abaixo. podemos calcular. ou seja: >2 = 1 − 0.

14 ppm e o desvio-padrão σ = 0.01 ppm.00) = 0. Na tabela de probabilidades. = − = 0. Como a área total sob a curva é 1. o problema é determinar a probabilidade P(Z>0. encontramos P(Z<0.00). com exemplos. .14 − 0. Suponha que a concentração do gás poluente SO2 apresente uma distribuição normal em uma cidade brasileira e que a média da concentração seja µ = 0. então a probabilidade que se deseja calcular é dada pelo cálculo abaixo.5000 = 0.5000. Figura 8.01 Agora. Calcule o que se pede abaixo: (a) A probabilidade de que a concentração de SO2 seja maior do que a média.14 ppm).5000 Concluímos que a probabilidade de que a concentração do gás poluente SO2 venha a assumir um valor acima da média. ou seja. queremos a probabilidade P(X>0.00 = 1 − 0. Neste caso.14 = 0.00 = 1 − < 0. é de 50%. como a curva é normalizada. Vamos transformar em variável reduzida primeiro.Vamos aprender a usar as tabelas de probabilidades para distribuição normal reduzida. na cidade.00 0. > 0. como mostra a Figura 8. P(Z>0)=0. ou seja.5000. Probabilidade de que a variável Z assuma valores acima da média.

87%. Neste caso.14 = 1. P(Z>1.8413 = 0. o problema é determinar a probabilidade P(Z>1. > 0. como a curva é normalizada.00. Figura 9. é de 15. Na tabela de probabilidades.1587 Concluímos que a probabilidade de que a concentração do gás poluente SO2 venha a assumir um valor acima de 0. .00). Vamos transformar em variável reduzida primeiro.8413. na cidade.15 − 0.(b) A probabilidade de a concentração de SO2 ser maior que 0.00 0. como mostra a Figura 9.00)=0.01 Agora.00) = 0. Como a área total sob a curva é 1.00 = 1 − < 0. Ou seja.1587.00 = 1 − 0.15 ppm). Probabilidade de que a variável Z assuma valores acima de 1.15 ppm. queremos a probabilidade P(X>0. ou seja.15 ppm. encontramos P(Z<1. = − = 0. então a probabilidade que se deseja calcular é dada pelo cálculo abaixo.

(c) A probabilidade da concentração de SO2 ser maior do que 0,17 ppm. Neste caso, queremos a probabilidade P(X>0,17 ppm). Vamos transformar em variável reduzida primeiro. = − = 0,17 − 0,14 = 3,00 0,01

Agora, o problema é determinar a probabilidade P(Z>3,00). Na tabela de probabilidades, encontramos P(Z<3,00) = 0,9987. Como a área total sob a curva é 1, ou seja, como a curva é normalizada, então a probabilidade que se deseja calcular é dada pelo cálculo abaixo. > 3,00 = 1 − < 3,00 = 1 − 0,9987 = 0,0013

Concluímos que a probabilidade de que a concentração do gás poluente SO2 venha a assumir um valor acima de 0,17 ppm, na cidade, é de 0,13%, o que representa um valor muito baixo. (d) A probabilidade de que a concentração de SO2 tenha um valor entre 0,141 ppm e 0,142 ppm. Neste caso, queremos a probabilidade P(0,141 ppm < X > 0,142 ppm). Vamos transformar em variáveis reduzidas primeiro. = = − = 0,141 − 0,14 = 0,100 0,01

=

0,142 − 0,14 = 0,200 0,01

A probabilidade que se quer pode ser obtida da tabela de probabilidades, através do seguinte cálculo: P(0,100 < Z< 0,200) = P(Z<0,200) – P(Z<0,100) = 0,5793 – 0,5398 = 0,0395 Concluímos que a probabilidade de que a concentração do gás poluente SO2 venha a assumir valores entre 0,141 ppm e 0,142 ppm, na cidade, é de 3,95%.

A Distribuição Amostral das Médias

Já vimos que, para uma dada população, existe um grande número de amostras possíveis. Cada amostra tem um tamanho padrão . Se estivermos amostrando uma população que tenha uma distribuição de probabilidades desconhecida, com média amostral e variância , caso o tamanho , uma média e um desvio-

seja grande o suficiente, a distribuição amostral das médias será e a variância, da média

aproximadamente normal. A esperança,

amostral são dadas, respectivamente, pelas equações abaixo. Esse resultado é conhecido como Teorema do Limite Central.

= =

O desvio-padrão da média amostral, seja, é dado pela equação abaixo.

é a raiz quadrada da variância, ou

=

=

A Figura 10 ilustra a idéia por trás do Teorema do Limite Central, usando o experimento aleatório da jogada de n dados. Quando se joga apenas 1 (um) dado, as probabilidades são todas iguais para os seis números, ou seja P=1/6. Quando se joga mais de um dado, as probabilidades de se obter cada número vão ficando diferentes, podendo ser calculadas pela distribuição binomial. À medida que o número de jogadas aumenta, a distribuição se aproxima da distribuição normal.

Figura 10. Ilustração do Teorema do Limite Central. À medida que o número de jogadas de dados aumenta, a distribuição se aproxima da distribuição normal.

Suponha que a concentração do gás poluente SO2 apresente uma distribuição populacional desconhecida em uma cidade brasileira. .141 − 0.00 0.00) – P(Z<1.142 ppm) = ? Resolução: Pelo Teorema do Limite Central.00) = P(Z<2.141 ppm e 0. Qual a probabilidade de a média amostral ter um valor entre 0.140 ppm e o desvio-padrão.1359 Resposta: A probabilidade de a média amostral ter um valor entre 0.141 ppm e 0.001 0.Exercício Resolvido.00) = 0.14 ppm e desvio-padrão. σ = 0.141 ppm < < 0.00 < Z< 2. calcule a seguinte probabilidade: P(0. A média da concentração é µ = 0. Vamos agora usar a variável reduzida Z.001 ppm. na cidade e mediu o teor de SO2. = √ = √ . temos que a média amostral segue uma distribuição aproximadamente normal.142 ppm. ou seja.142 ppm. será de 13.001 A probabilidade que se quer pode ser obtida da tabela de probabilidades. na população considerada. − = √ = = 0. com esperança. através do seguinte cálculo: P(1.59%.8413 = 0. ppm = 0. = 0.14 = 2. Você coletou uma amostra aleatória de tamanho n=100.00 0.9772 – 0.010 ppm são conhecidos na população.14 = 1.142 − 0. para calcular as probabilidades.

Teste de Hipóteses

Muitas vezes precisamos aceitar ou rejeitar o valor de algum parâmetro. Para tanto, devemos estabelecer critérios. Os critérios que iremos adotar são estatísticos e obedecem a leis probabilísticas. Uma afirmação sobre um parâmetro estatístico, tal como a média, µ ou a variância, σ2 de uma, ou mais de uma população, é denominada hipótese estatística. O procedimento de tomada de decisão sobre a hipótese é denominado teste de hipótese. A hipótese que se quer testar é denominada hipótese nula e é normalmente denotada por Ho. Por exemplo, a hipótese nula pode ser a de que a média populacional seja zero. Podemos expressá-la da seguinte forma: Ho: µ = 0. A hipótese oposta à hipótese nula é denominada hipótese alternativa e é denotada por H1 ou por Ha. No exemplo usado, podemos expressá-la da seguinte forma: H1: µ π 0. É importante ressaltar que as hipóteses estatísticas são sempre afirmações sobre a população, nunca sobre a amostra. • Rejeitar a hipótese nula Ho, quando de fato ela for verdadeira, é definido como erro do tipo I. Vamos supor que hipótese nula seja Ho: µ = 0 e que chegássemos, através de um teste de hipótese, à conclusão de que ela devesse ser rejeitada. Nesse caso, haveria uma probabilidade de cometer o erro do tipo I. Essa probabilidade é denotada por a (alfa). O valor dessa probabilidade é denominado nível de significância do teste e deve ser fixado pelo estatístico logo no início do teste de hipótese. Normalmente, o nível de significância é estabelecido em 1% ou 5%, ou seja, a = 0,01 ou a = 0,05.

a = nível de significância do teste.

O teste de hipótese tem determinadas etapas a serem seguidas. A ordem em que elas aparecem abaixo deve ser respeitada, caso contrário o teste não funciona.

(1) Formular as hipóteses, nula e alternativa. Por exemplo: Ho: µ = 0; H1: µ ∫ 0. (2) Fixar o nível de significância do teste de hipótese. Por exemplo: a = 0,05.

(3) Se a hipótese nula for verdadeira, então existe uma variável aleatória denominada estatística de teste, que deve ser calculada e essa estatística de teste segue uma distribuição de probabilidade conhecida.
Por exemplo: uma amostra de tamanho n=100 obteve média amostral padrão da população é conhecido, σ = 0,01. verdadeira, = 0,10. O desvio=

este caso, sabemos que, se a hipótese nula for =
√ ,

reduzida:

0,010. Portanto, a estatística de teste escolhida, denominada teste Z, será a distribuição normal =

terá distribuição normal com média µ = 0 e desvio-padrão

=

.

(4) Estabelecer valores críticos para a estatística de teste, em função do nível de significância fixado (a = 0,05). A Figura 11 mostra que acima de Z = 1,96 e abaixo de Z = –1,96, a área total é igual a 0,05. Isto significa que a probabilidade de a variável Z assumir valores na faixa –1,96 > Z >1,96 é de 5%. Se a estatística de teste calculada assumir um valor nessa faixa, então Ho será rejeitada com um nível de significância de 5%. O valor crítico é Zcrít. = ±1,96. Esse valor foi encontrado a partir das tabelas de probabilidades. Como se quer P(Z>a) = 0,025 (α/2), então se tem que P(Z<a)=1–0,025=0,975. Procurando na tabela de probabilidades, encontra-se o valor crítico Z = 1,96. Este é um teste bicaudal, ou bilateral.

Figura 11. Distribuição normal reduzida. Valores críticos Z = –1,96 e Z = 1,96. Acima e abaixo desses valores, a área total é igual a 0,05. A região de rejeição de Ho é denominada região de significância.

(5) Calcular a estatística de teste.
.

=

=

(6) Decisão. Compara-se a estatística de teste calculada com o valor crítico. No caso, verifica-se que |Zcalc.|>Zcrit. Em outras palavras, o valor de Zcalc. cai na região de rejeição de Ho (vide Figura 11). Por isso, rejeita-se Ho com nível de significância de 5% (α=0,05). Isso significa que a probabilidade de estarmos rejeitando Ho, dado que de fato ela é verdadeira, ou seja, a probabilidade de estamos cometendo um erro do tipo I é de 5%. (7) Conclusão. No exemplo dado, pelos dados amostrais e pelo teste de hipótese efetuado, não temos razões significativas (α=0,05) para supor que a média populacional seja zero. É costume chamar a estatística de teste (e os dados) de significantes quando a hipótese nula Ho for rejeitada. Inclusive, a região de rejeição de Ho é denominada região de significância.

0,10 − 0 = 100 0,01 √100

Valor p

O valor p é o menor nível de significância que conduz à rejeição da hipótese nula Ho, com os dados fornecidos. Por exemplo, vamos supor que em um teste de hipótese, usando a estatística de teste Z, calculou-se o seguinte valor, na etapa 5: Zcalc. = 2,56. Consultando a tabela de probabilidades, para Z<2,56, encontra-se P(Z<2,56) = 0,9948. O valor p é calculado pela expressão abaixo e possui o valor p = 0,0104. Isso quer dizer que o menor nível α em que esses dados são sinificantes seria α = 0,0104. p = 2 x [1 – P(Z<2,56)] = 2 x [1 – 0,9948] = 2 x [0,0052] = 0,0104 A Figura 12 ilustra a idéia do valor p. Ele é simplesmente a soma das áreas sombreadas, à direita e à esquerda no gráfico. Quanto maior o valor de Zcalc., menor o valor p. no exemplo usado para explicar o teste de hipótese, encontrou-se Zcalc. = 100. Nesse caso, recorrendo-se à tabela de probabilidades, conclui-se que o valor p é praticamente zero nesse caso (p=0).

• Rejeitar a hipótese nula Ho.0104. • Não rejeitar a hipótese nula Ho. é definido como erro do tipo II. = 2. então falhe em rejeitar Ho.56. p = 2 x [0. Regras de decisão. Se p§α. então rejeite Ho. Erros do Tipo I e II Tipo I Vimos o erro do tipo I cuja probabilidade se expressa por a (alfa). quando de fato ela for verdadeira. Valor p para Zcalc. . Tipo II Veremos agora o erro do tipo II cuja probabilidade se expressa por β (beta).Figura 12. em um teste de hipótese. • Vimos que. essa probabilidade é o nível de significância do teste e deve ser pré-estabelecida pelo estatístico. Se p>α. é definido como erro do tipo I. quando de fato ela não for verdadeira. 2.0052] = 0. baseadas em um valor p 1.

H1: µ ∫ 0. Exemplo: Suponha que o desvio-padrão da concentração do gás poluente SO2 em uma população seja conhecido. √ . Como Zcalc. = . |Zcalc. = 1.|<Zcrit.Para se calcular β é necessário ter uma hipótese alternativa bastante específica. . não se rejeita Ho. caso a média populacional de fato fosse µ = 0.147 ppm. está na zona de aceitação.040 ppm. = ±1.05 ( = probabilidade do erro do tipo I) (3) Estatística de teste: = √ (4) Valores críticos (para a = 0. . . Fixar (b) Calcular a probabilidade. Considere que tomamos uma amostra de tamanho n =100 e que obtivemos uma média amostral = 0. (b) Calcular o valor p. β de erro do tipo II.147 ppm. (a) Testar a hipótese nula de que a média populacional seja nível de significância em 5%.75 (6) Decisão.05): Zcrít.140 ppm. Vamos usar um exemplo para calcular a probabilidade de erro do tipo II.96 (5) Cálculo da estatística de teste.140 ppm.140 ppm (2) Nível de significância: a = 0. = 0. σ = 0. Resolução: (a) Teste de hipótese: (1) Hipótese nula e alternativa: Ho: µ = 0.

147 ppm os limites da região crítica. (c) Cálculo de β : Primeiro vamos formular a hipótese nula.75)] = 2 x [1 – 0.140 ppm. √ − os valores críticos = −1. (b) Cálculo do valor p.04 0.9599] = 2 x [0.140 ppm cair entre Neste caso. abaixo. = Rearranjando a equação acima. : = 0. Portanto. um erro do tipo II será cometido se a média amostral. Ho original e uma hipótese alternativa.96.96 = +1.0802 Como p>α. p = 2 x [1 – P(Z<1.0401] = 0.147 ppm. então falhe em rejeitar Ho. Vamos agora nos basear na transformação para variável reduzida.13916 + 0. quando na verdade : = 0. = 0.15484 √ + .04 = + 0. não há razão para não supor que a média populacional da concentração de SO2 seja = 0. H1 bastante específica.96 √100 √100 0. encontramos em correspondentes aos valores reduzidos: Zcrít. = ±1.(7) Conclusão.147 = 0. Não há razão significativa para rejeitar Ho.147 = 0.

0. = 0.96 = = = 0.96 < = .13916 < < 0.15484.13916 < < 0.96 Figura 13. β=95%. . β é dada pelas expressões abaixo. | .004 √2 1 < < .950.975 − 0. ou seja. o valor de β. ppm) < 1.025 = = 0. = = −1. . ou seja.147 ppm) Veja que a probabilidade de falhar em rejeitar Ho neste caso é bastante alta.15484| : = 0. : = . = 0. Probabilidade de erro do tipo II. Trata-se da probabilidade condicional da variável aleatória assumir valores na faixa 0.950 < −1. dado que é verdadeira.A Figura 13 ilustra o significado da probabilidade de cometer o erro do tipo II. .96 − = 0.950 < 1. .

. µ) se aproxima do valor usado em Ho. a média. a potência do teste era 1−0. − Alguns pontos importantes devem ser destacados. o valor de β (beta) aumenta à medida que o valor verdadeiro do parâmetro (p. 4. A potência de um teste é dada por 1−β. valor de β (beta) diminui à medida que aumenta a diferença entre o valor verdadeiro do parâmetro e o valor usado em Ho. 1. Quando Ho for falsa. − No último exemplo. Uma diminuição em α (alfa) implica em um aumento em β (beta) e vice-versa. apena 5%.95 = 0.05. O tamanho da região crítica sempre pode ser reduzida pela seleção apropriada do valor de α (alfa). ou seja. desde que o tamanho da amostra não varie. desde que o valor de α (alfa) seja mantido constante. 3. Os erros do tipo I e do tipo II estão relacionados.ex.Potência de um teste A potência de um teste pode ser definida como a probabilidade de rejeitar corretamente uma hipótese nula falsa. Um aumento no tamanho da amostra reduzirá o valor de β (beta). 2.

Ela tem esse nome devido ao estatístico inglês William Sealy Gosset (1876-1937). No Apêndice A3 é mostrada a tabela de probabilidades para a distribuição t de Student bilateral. Quanto maior for esse parâmetro. ou seja. tem forma de sino e é bem semelhante à curva normal padrão. . em um artigo publicado em 1908. passaremos a usar a estatística de teste t. o número de graus de liberdade depende do tamanho da amostra. ao invés de se usar a estatística de teste Z. As graus de liberdade também podem ser encontradas em uma tabela de probabilidades. O único parâmetro que a define e que caracteriza a sua forma é o número de graus de liberdade. que a criou sob o pseudônimo de Student. mais próxima da curva normal ela será. = √ − Na equação acima. gl. A utilidade da distribuição t é para aqueles casos onde não se conhece a variância populacional. relacionada à distribuição normal é a distribuição t. a distribuição t pode gerar valores mais extremos que a curva normal. ou seja. calculada de acordo com a equação abaixo.Teste t Uma distribuição de probabilidade importante. como temos usado até agora. porém com caudas mais largas. σ2. é o desvio-padrão amostral e = − é o tamanho da amostra. em um teste de hipóteses. também denominada distribuição t de Student. Nestes casos. No Apêndice A2 é mostrada a tabela de probabilidades para a distribuição t de Student unilateral. neste caso possui probabilidades para uma distribuição t com graus de liberdade. A distribuição t. A distribuição t é simétrica.

7735 .056 (bilateral) .05 √ Testar a hipótese de que a amostra foi extraída de uma população com distribuição = 100 kg. não há razão significativa (α=0. Como tcalc. . Pelos dados amostrais e pelo teste de hipótese. rejeita-se Ho com nível de significância de 5%. (7) Conclusão.|>tcrit. √ . Considere uma amostra de n = 27 jogadores de um time de futebol com média amostral de massa corpórea normal com média Resolução: (1) Hipótese nula e alternativa: Ho: (2) Nível de significância: (3) Estatística de teste: (4) Valores críticos ( = = 0. está na região de rejeição. (Considere nível de significância de 5%) = 90 kg.Exemplo. = − 1 = 27 − 1 = 26): (5) Cálculo da estatística de teste.05) para supor que a média populacional tenha sido extraída de uma população com distribuição normal com média = 100 kg. H1: ≠ 90 kg. = 90 kg e desvio-padrão amostral = 9. =±2.0 kg. = (6) Decisão. |tcalc. = −5.

Em uma amostra aleatória de 100 chuveiros.05? 3. 1.5 mg. com idades até 02 anos. quanto o valor p. com desvio-padrão (populacional) de $ 1 540. utilize como critério de decisão no teste de hipótese tanto o valor crítico Zcrit. com α=0. Certo fabricante de cereal matinal afirma que em cada porção de 100 g do cereal há uma massa média (populacional) de 230 mg de sódio com desviopadrão (populacional) de 10. na zona rural revelou um custo médio (amostral) de $ 10 345.05? 5.8 oC. Há evidência significativa para se apoiar o relatório do Departamento de Agricultura dos EUA. Há evidência significativa para se apoiar a afirmação do fabricante. com α=0. com desviopadrão (populacional) de 4.05? . o tempo médio (populacional) que leva para os fumantes pararem de fumar permanentemente é de 15 anos.05? 2. Uma amostra aleatória de 64 porções de cereal forneceu uma massa média (amostral) de 232 mg de sódio.0 mg. Segundo o Instituto Gallup.Problemas • Teste Z para uma média.05? 4. Uma amostra aleatória com 36 ex-fumantes revelou um tempo médio (amostral) de 14. com desvio-padrão (populacional) de 1. Uma empresa fabrica um refrigerante e afirma que em uma lata de 350 mL de refrigerante há uma massa média (populacional) 40 mg de cafeína com desviopadrão (populacional) de 7. Um fabricante de chuveiros para proteção contra incêndios afirma que a temperatura média (populacional) de ativação do sistema é de 57.2 mg. Nos problemas abaixo. com α=0. Há evidência significativa para se apoiar a afirmação do Instituto Gallup.2 oC. com α=0. Uma amostra aleatória de 900 crianças.1 oC. encontra-se uma temperatura média (amostral) de 56. Há evidência significativa para se apoiar a afirmação do fabricante.8 anos. com α=0. Há evidência significativa para se apoiar a afirmação do fabricante.3 anos. O Departamento de Agricultura dos EUA reportou que o custo médio (populacional) para se criar um filho até a idade de 02 anos na zona rural é de $ 10 460. Uma amostra aleatória com 49 latas de refrigerante apresentou massa média (amostral) de 39.

8. Há evidência significativa para se apoiar a afirmação da indústria.05? 7. 08. 10.Teste t para a uma média. 12. 6. Uma amostra aleatória de 19 porções de água forneceu um pH (amostral) de 6. 14. 13.7 e um desvio-padrão (amostral) de 0. Uma indústria afirma que a média (populacional) do pH na água do rio mais próximo é de 6.24. 06. Há evidência significativa para apoiar a afirmação da universidade. Um representante estudantil decide estudar uma amostra aleatória de 09 professores e obtém os seguintes resultados.05? . 12. com α=0. Uma universidade afirma que o número médio (populacional) de horas-aula semanais do corpo docente é de 12 h. 12. em horas-aula semanais: 11. com α=0.

8 120 120 100 80 y 60 40 20 0 0 2 4 6 8 10 x Figura 14. A curva em vermelho na Figura 14 foi obtida por regressão dos dados. Correlação Há correlação entre duas variáveis aleatórias quando existe uma relação estatística entre elas. A Tabela 9 mostra valores para dados amostrados das variáveis x e y. As variáveis x e y estão correlacionadas positivamente.Capítulo 3. A regressão dos dados permite encontrar a função matemática que melhor representa a relação entre as variáveis.0 43.8 64. Em vermelho está a curva de regressão dos dados. Temos aqui uma correlação positiva.2 19.2 76. . Diagrama de dispersão para os dados da Tabela 9.8 4.0 0. Tabela 9.2 39. pois y tende a aumentar à medida que x aumenta.8 7.2 20. A Figura 14 mostra o gráfico desses valores e é chamada de diagrama de dispersão. x 0 1 2 3 4 5 6 7 8 9 10 y 0. Métodos Gráficos e Numéricos.

consumo. Define-se transmitância. contendo o analito de concentração c e absortividade molar ε. Se o sistema seguir a lei de Beer-Lambert. Após passar pela solução. =− = . A luz incidente tem intensidade I0 e a luz transmitida. a absorbância. Em Química Analítica. Neste caso. A absorbância. onde ε é a absortividade molar da substância e l é o caminho ótico. = ∙ ∙ . renda vs. A será função linear da concentração. A é definida pela Figura 15. c. taxa de juros vs. T pela relação: equação abaixo. idade. contendo uma solução do analito. ou seja. a luz transmitida possui intensidade I1. etc. conforme mostrado na equação abaixo. A Figura 15 mostra uma solução em uma cubeta de comprimento l. Cubeta de comprimento l. de concentração c e absortividade molar ε. empréstimos. como a absorbância (absorção de luz em um dado comprimento de onda) e a concentração de um analito em solução. temos uma correlação linear entre A e c. normalmente busca-se a correlação entre uma propriedade física. A luz incidente tem intensidade I0.Muitas vezes busca-se correlação entre pares de variáveis aleatórias. Parte da luz incidente foi absorvida pelo analito. a distância que a luz atravessa pelo material. tais como peso vs. intensidade I1.

128 0.10 c / mol L -1 Figura 16.20 0.01 0. A absorbância e a concentração.08 0.00 0. que corresponde à curva de calibração.132 0.07 0.02 0. c do analito em uma amostra.04 0.10 0. .052 0.10 0.048 0.00 0.168 0. a partir da leitura da respectiva absorbância.003 A notação corresponde ao valor previsto para a absorbância.05 0.02 0. Em vermelho está a curva de regressão dos dados. onde foi medida a absorbância.092 0. Tabela 10. Após a regressão dos dados. A.06 0.03 0.172 0.08 0. constrói-se uma curva de calibração que permite obter a concentração. Diagrama de dispersão para os dados da Tabela 10.05 0.A Tabela 10 mostra os dados de uma análise química.06 0. 0.09 0. A reta de regressão é mostrada na Figura 16 e corresponde à seguinte equação de regressão: = 2.012 0.15 Absorbância 0.208 A Figura 16 mostra o diagrama de dispersão dos dados.048 − 0. A para cada concentração c de um analito em solução. c tem correlação linear positiva. c / mol L–1 Absorbância 0.088 0.04 0.

1 < =0 < −0.8 < =1 <1 Intensidade da Correlação Perfeita Positiva Forte Positiva Moderada Positiva Fraca Positiva Ínfima Positiva Nula <0 Ínfima Negativa Fraca Negativa Moderada Negativa Forte Negativa Perfeita Negativa 0. Em geral.5 −0. r 0.5 < 0.5 < −0.1 < 0.Coeficiente de Correlação Linear O coeficiente de correlação linear. Intensidade da correlação para cada faixa de valores de r. Ele é calculado pela equação abaixo. onde n é o número de pontos. Coeficiente de Correlação.1 < −0.8 < −1 < −0. em Química Analítica interessam apenas as correlações fortes. ∑ − ∑ ∑ = ∑ − ∑ ∑ − ∑ A Tabela 11 apresenta a intensidade da correlação para cada faixa de valores de r.8 . Ele também chamado de coeficiente de correlação de Pearson. Tabela 11. r mede a intensidade da relação linear entre os valores das variáveis x e y.5 = −1 < −0.8 < 0.1 < 0< < 0.

09 0.000144 0.04 0.15624 0. Vamos reescrever a Tabela 10. a é o coeficiente angular e b é o coeficiente linear da reta.172 0.01344 0.9912 De acordo com a Tabela 11.00096 0.0049 0.00768 0. o número de pontos é n = 10.088 0.05 0.0001 0. x2 e y2 e depois calcular as somatórias que aparecem na equação para r: Σx.03 0.55 1. dada abaixo. Regressão Linear O objetivo da regressão linear é encontrar a equação da reta que melhor descreve os dados.002704 0. x y xy 0.00156 0.016384 0.0036 0.0774 x2 0.048 0.029584 0. Σx2.012 0.55 0.02080 Σxy = 0.00352 0.1 Usando a equação para r.07 0.08 0.55 10 0.008464 0.0100 2 = 0.002304 0.128 0. onde x e y são as variáveis. Σy.01 0.0004 0.0025 0.0009 0.06 0.208 Σy = 1.092 0.Vamos agora calcular o valor de r para os dados da Tabela 10.007744 0. trata-se de uma correlação forte positiva. = + .0016 0.1 = 0. Σy2.1 10 0. Σxy.0385 − 0. Isto é bastante adequado para uma curva de calibração.028224 0.0064 0. Vamos chamar a concentração de x e a absorbância de y.00460 0.00012 0.01548 0. utiliza-se a equação da reta. No caso. acrescentando as colunas xy.02 0.052 0.00924 0.132 0.0081 0.017424 0.0774 − 0.0385 Σx y2 0. Para tanto. calculamos o seguinte valor: = 10 0. abaixo.10 Σx = 0.043264 Σy2 = 0.168 0.15624 − 1.

a somatória dos quadrados das diferenças entre yi e = − em relação aos coeficientes a e b. Neste método. conforme mostrado abaixo. da equação (yi)calc. chegamos às seguintes equações: 2 2 − − − − − =0 −1 = 0 Dividindo as equações acima por –1/2. derivam-se os 2 da reta e igualam-se a zero. temos: 2 2 − − − − =0 =0 Resolvendo as derivadas. a e b. que minimizem ∑ + O objetivo do método é encontrar os valores dos coeficientes a e b. ou seja: = da reta. Para tanto. ∑ 2 2 2 ∑ Substituindo as expressões para ∑ ∑ =0 =0 em termos de a e b. chamam-se yi os valores experimentais da variável y e chamam-se (yi)calc. da equação 2. resultando em um sistema de duas equações e duas incógnitas.A regressão linear é feita através do método dos mínimos quadrados. dados pela equação abaixo. obtemos as equações abaixo: . os valores de y calculados pela regressão linear.

ou seja.012 0.007744 0.00768 0.00096 0.10 Σx = 0. novamente.1 .03 0.15624 0.06 0.55 0.0081 0.01548 0.092 0.002704 0.208 Σy = 1.0100 Σx2 = 0.0036 0.00924 0. podemos resolver o sistema de = = ∑ ∑ ∑ ∑ − ∑ − ∑ − ∑ Vamos agora calcular os valores de a e b para os dados da Tabela 10.0001 0.05 0.132 0.008464 0.02 0.00352 0.168 0.0774 x2 0.00460 0.043264 Σy2 = 0.0009 0.016384 0.01344 0.08 0.000144 0.028224 0. o número de pontos.0025 0.0016 0.0004 0.02080 Σxy = 0.07 0. ∑ − ∑ ∑ ∑ Como ∑ 1 = .00156 0.048 0. Vamos reescrevê-la.0064 0.017424 0.04 0.0385 y2 0.172 0.− − − − =0 =0 As equações acima podem ser reescritas na forma: − − − − =0 1 =0 duas equações acima e chegar às equações para as constantes a e b.088 0.0049 0.09 0.029584 0.01 0.052 0.128 0.00012 0. x y xy 0.002304 0.

a seguinte reta de regressão: = 2.048 − 0.0774 − 0.0385 − 0.048 10 0.0385 1.0385 − 0.1 − 0.55 0.003 .0774 = −0.55 1.1 = 2.55 = 0.003 10 0.55 = Chegamos então. 10 0.Vamos usar as equações para a e b.

espectroscopia de absorção atômica (AAS). Técnicas espectroquímicas: espectroscopia de ultravioleta-visível (UV-vis). Em análise química. que pode ser usado para analisar uma amostra. uma técnica é um princípio químico. corrente elétrica. na água. pelo mesmo método. é o erro da medida. Fontes de Erro em Análise Química. coulometria. indica a precisão (reprodutibilidade) da medida. etc. A repetição de uma medida. ou o teor de um analito em uma amostra. Por exemplo. têm por objetivo final determinar a concentração. Precisão e Exatidão As medidas que são feitas em uma análise química (massas. etc. volumes. . assumido como o “valor verdadeiro”. Assim como existe um método para determinação do teor de vitamina C. Um tipo particularmente importante de desvio é o desvio-padrão. Uma medida precisa é aquela que possui um desvio-padrão baixo. voltametria. A diferença entre a média dos valores medidos e um valor de referência. As causas dos erros e dos desvios serão discutidas na seção de Teoria de Erros. existem métodos para determinar a concentração de chumbo (Pb) no solo. Uma medida exata é aquela que possui um erro baixo. ou no sangue. por espectroscopia de absorção atômica com forno de grafite. absorção de luz. por volumetria de oxirredução. em suplementos vitamínicos. A Figura 17 ilustra os conceitos de precisão e exatidão. • Técnicas eletroquímicas: potenciometria. considerando uma série de medidas efetuadas por um mesmo método. etc. A diferença entre os valores medidos pelo mesmo método é denominada desvio. ou físico. Um método é a aplicação de uma técnica para a determinação de um analito específico em uma matriz específica.Capítulo 4. Geralmente utiliza-se uma das seguintes técnicas analíticas: • • Técnicas clássicas: gravimetria (pesagens) e volumetria (titulações). A concordância entre resultados obtidos por métodos diferentes também indica a exatidão (veracidade) da medida. espectroscopia no infravermelho com transformada de Fourier (FTIR).).

A exatidão é a diferença entre a média dos valores medidos e um valor de referência.01) g. • Se a incerteza na leitura do volume em uma bureta calibrada for de ±0. • Se a incerteza na leitura da massa em uma balança for de ±0.02 mL de incerteza absoluta na leitura do volume. chamamos a grandeza ±0. ou equipamento utilizado na medida. Incertezas Absoluta e Relativa A incerteza absoluta expressa a margem de incerteza associada a uma medida.Figura 17. A precisão é a medida da dispersão dos valores medidos por um mesmo método.68 g medido nessa balança deve ser reportada da seguinte forma: (2.01 g. medido nessa bureta. Um volume de um líquido igual a 18. deve ser reportado da seguinte forma: (18.68±0.01 g de incerteza absoluta na leitura da massa.03 mL. geralmente dada pelo desvio-padrão. chamamos a grandeza ±0.02) mL.02 mL.03±0. . assumido como o “valor verdadeiro”. Ela depende do instrumento. Um objeto de massa 2.

A incerteza relativa compara o tamanho da incerteza absoluta. = • Para um objeto de massa (2. Quando multiplicada por 1000. não tem unidade.01) g.03±0. × 100% = 0. com o valor da medida. a incerteza relativa percentual é de . Ela é definida pela razão entre a incerteza absoluta e o valor da medida. é adimensional. . Esse resultado experimental pode ser obtido de duas formas distintas: (1) diretamente. como na determinação da concentração de uma espécie em solução. como na medida da massa de uma substância. ou uma bureta. (2) indiretamente. sem perda de exatidão. temos a incerteza relativa percentual (%). . temos a incerteza relativa em partes por mil (%o).1% Algarismos Significativos Algarismos significativos são o número mínimo de algarismos necessários para expressar o valor de um resultado experimental. Quando multiplicada por 100. usando uma pipeta. a incerteza relativa percentual é de × 100% = 0. pela pesagem em uma balança.68±0.02) mL.4% . • Para um volume de um líquido igual a (18. ou na medida do volume de uma solução. Por isso. ou seja. . através de cálculos envolvendo as massas e volumes medidos experimentalmente.

Assim.O número de algarismos significativos expressa a precisão de uma medida. Por exemplo.00001 g).01 mg pode ser expressa como 0.0001 g (ou ±0. existem balanças analíticas cuja incerteza na medida da massa é de ±0. à direita. em uma massa de 3.01 g. uma massa de 1. O algarismo zero. pois expressam apenas conversão 1 mg = 0. pois apenas expressa a relação de conversão 1 g = 1000 mg.01 mg os dois últimos algarismo (os zeros) são significativos.01 g). usando a notação científica. ficaria 2. Esta medida possui apenas três algarismos significativos que podem ser expressos de forma mais conveniente. pois o seu valor não é conhecido com certeza. é significativo se fizer parte da medida. Os zeros à esquerda não são significativos neste caso. o último algarismo.30385 g. A medida feita com a balança analítica possui uma precisão maior que aquela efetuada com a balança técnica. Pode-se expressar essa massa como 2460 g. O último algarismo é denominado algarismo duvidoso. ou seja ±0. representa-se apropriadamente a medida da massa do corpo como (2. medida em uma balança com incerteza de ±0.00123 g.01 g. Essa medida é mais apropriadamente representada como (2. com incerteza de ±0.0000001 g (ou ±0. é útil expressar a medida em notação científica.23 mg. em princípio. não é significativo. O mesmo acontece no caso de uma massa de 2. Neste caso.1 mg) e a balança técnica. Neste caso. pois os desvios entre medidas efetuadas na balança analítica são.00001 g a ±0. medida em uma balança com incerteza de ±0. Assim. pesado em uma balança técnica deveria apresentar o valor 2. Existem também as microbalanças cuja incerteza é bem menor.30 g.30385 ± 0.81900 g. Por exemplo. Esse mesmo objeto. possui seis algarismos significativos.46 g. Por exemplo. a medida possui apenas três algarismos significativos.23 × 10–3 g.1 µg). medida em uma balança com incerteza de ±0.46 × 103 mg. Neste caso. colocando apenas os algarismos significativos e a potência de dez. . com três algarismos significativos. menores.30 ± 0. o zero. ficaria 1. um objeto pesado como 2. O algarismo duvidoso está agora na segunda casa decimal. já que a incerteza na medida está na quinta casa decimal. O algarismo zero não é significativo quando apenas expressar a ordem de grandeza.01 mg a ±0. Neste caso. em uma balança analítica.001 g. Entretanto.

Adição e Subtração com Algarismos Significativos Na adição e subtração. ou seja.01 g. Cortou-se um pedaço do material e a massa desse pedaço foi determinada como 1.31 g em uma balança com incerteza de ±0.4032 O resultado deve ser expresso com uma casa decimal. ou seja. Calcule a massa do restante do material. . Considere os seguintes exemplos: (1) Uma massa foi determinada como 3.1 g e outra massa foi determinada como 0.2 +0.0001 g.2032 g em uma balança com incerteza de ±0. (2) A massa de um material foi determinada como 7.2058 ______ 6. Calcule a soma das duas massas. envolvendo algarismos significativos. 7. 6. 3.10 g.2058 g em uma balança com incerteza de ±0.0001 g. 3. de duas ou mais quantidades.2032 ______ 3.31 –1.4 g.2 g em uma balança com incerteza de ±0. deverá ter tantas casas decimais quantas existirem na parcela de menor número de casas decimais. vale a seguinte regra prática: A soma ou a diferença.1042 O resultado deve ser expresso com duas casas decimais.

Cortou-se um pedaço do material e a massa desse pedaço foi determinada como 1. deve ser seguida a seguinte regra: Se o dígito que segue o último algarismo significativo do resultado for maior ou igual a 5. 6.1 g e outra massa foi determinada como 0.2 g em uma balança com incerteza de ±0.4532 g em uma balança com incerteza de ±0.0001 g.4532 ______ 3.01 g. aumentando uma unidade na segunda casa decimal.7 g. aumentando uma unidade na primeira casa decimal. 3.0001 g. então se aumenta o último algarismo significativo do resultado em uma unidade. . Calcule a massa do restante do material. permanece inalterado o último algarismo significativo do resultado. Considere os seguintes exemplos: (1) Uma massa foi determinada como 3.31 g em uma balança com incerteza de ±0.31 –1. 3. Calcule a soma das duas massas.2 +0.Arredondamento Quando for necessário arredondar números.1226 g em uma balança com incerteza de ±0.6532 O resultado deve ser expresso com uma casa decimal e deve ser arredondado. 7.1874 O resultado deve ser expresso com duas casas decimais. Caso contrário.19 g. após operações matemáticas. ou seja.1226 ______ 6. (2) A massa de um material foi determinada como 7. ou seja.

Felizmente.1041 24.98 mL de uma solução de HCl.11 mL de solução de NaOH 0.Multiplicação e Divisão com Algarismos Significativos Na multiplicação e divisão. vale a seguinte regra: O produto ou o quociente. a partir do erro aleatório. em muitos casos vale a seguinte regra prática: O produto ou o quociente.1041 mol/L. deverá ter tantos algarismos significativos quantos existirem no fator de menor número de algarismos significativos. foram gastos 25. Determine a concentração da solução de HCl. [HCl] =0. = ∙ = 25.1046417 … / O resultado deve ser expresso com quatro algarismos significativos. . ou seja.98 / = 0. Na seção sobre propagação da incerteza. de duas ou mais quantidades. não poderá ter uma incerteza relativa menor que o fator que possui a menor incerteza relativa.11 ∙ 0. envolvendo algarismos significativos. aprenderemos que nem sempre a regra prática é válida para multiplicações e divisões.1046 mol/L. deveremos calcular a propagação das incertezas e utilizar a regra que diz que o resultado não poderá ter uma incerteza relativa menor que o fator que possui a menor incerteza relativa. Para tanto. Considere o seguinte exemplo: (1) Na titulação de 24. de duas ou mais quantidades.

o uso de um indicador inadequado leva a um erro sistemático de método. Os erros de método são os mais difíceis de serem detectados. é reprodutível. Quando se faz uma análise por volumetria. devido às interpolações subjetivas que são feitas entre as marcações da escala. Neste caso. o erro sistemático repete-se sempre da mesma forma. os erros sistemáticos podem ser descobertos. . Se realizarmos o experimento repetidas vezes. em princípio. Por isso.95 no medidor de pH. • Erros aleatórios (ou indeterminados). lendo a mesma escala de um instrumento diversas vezes. levando a leituras de pH sistematicamente menores que o valor verdadeiro.Teoria de Erros Existem dois tipos básicos de erros que acompanham uma medida: • Erros sistemáticos (ou determinados). A probabilidade de o erro aleatório ser positivo ou negativo é a mesma. Este tipo de erro sempre está presente e não pode ser corrigido. na pureza dos reagentes. 0. provavelmente obterá leituras diferentes a cada vez. nos métodos. Por sua natureza aleatória. Uma pessoa. Ruídos elétricos aleatórios em equipamentos também levam a flutuações positivas e negativas nas medidas. uma solução cujo pH verdadeiro fosse 7. em por exemplo. ou seja.00 produziria uma leitura de 6. Um medidor de pH pode ter sido padronizado incorretamente. este tipo de erro pode ser tratado estatisticamente. São devidos a falhas nos equipamentos.05 unidades. ou na realização dos experimentos. São devidos a variáveis que não estão sob controle durante o experimento. calculados e corrigidos.

do resultado? 1. cada um deles associado a um erro aleatório.0017 .59 (±0.03 + 0.06 (±e4) O valor da incerteza absoluta e4.02 = 0. Qual é a incerteza do resultado de uma operação aritmética envolvendo números associados a erros aleatórios? Adição e Subtração Considere a operação aritmética abaixo. envolvendo adição e subtração de números e suas respectivas incertezas absolutas (e1.0004 = = ±0.02) ←e3 _______________ 3. o valor da incerteza absoluta e4.Propagação da Incerteza. As incertezas se propagam durante as operações aritméticas. do resultado de somas e adições é dado pela equação abaixo: = + + No caso da operação aritmética acima.89 (±0. Na maioria dos experimentos é necessário realizar operações aritméticas envolvendo diversos números.76 (±0.0009 + 0. do resultado é calculado pela equação acima. conforme mostrado abaixo. e3).02) ←e2 −0. e2.03) ←e1 +1.04 0. Qual é o valor da incerteza absoluta e4.0004 + 0. = 0.02 + 0. a partir do Erro Aleatório Considere que todos os erros sistemáticos foram detectados e corrigidos.

utiliza-se representar o primeiro algarismo não significativo como subscrito (±0. A incerteza relativa percentual. 3.06(±1%) incerteza relativa percentual.03 ∙ 1. Qual é o valor da incerteza absoluta.04) incerteza absoluta.89 ±0.02 × 100% = 3.06 do resultado é dada pela equação abaixo.Normalmente. % 1.64 ± 0.04 × 100% = 1. % % = 0. Resultado: 3. % = % +% +% do resultado? Primeiro temos que encontrar as incertezas relativas percentuais dos fatores da operação. % 1. e3=±0.02 × 100% = 1.59 .03 × 100% = 1. % 0. % 3.76 0. % 1.02). e4 e da incerteza relativa percentual. envolvendo multiplicação e divisão de números e suas respectivas incertezas absolutas (e1=±0.02 = 5. % % % = = = 0. Multiplicação e Divisão Considere a operação aritmética abaixo.03. envolvendo as incertezas relativas percentuais dos fatores da operação.76 ±0. e2=±0.89 0.59 ±0.02.041) para evitar erros de arredondamento nos cálculos subseqüentes que utilizem esse número.02 O valor da incerteza relativa percentual %e4. do resultado de multiplicações e divisões é dado pela equação abaixo.06(±0.

64 Resultado: 5.7 2 % 2. 5.1 2 + 3. O resultado possui apenas dois algarismos significativos.0 × 5.64(±4.Calcula-se. . o valor da incerteza relativa percentual %e4.21 + 11.56 + 1. % 15.64(±0.89 + 1. e4 do resultado é então encontrado conforme mostrado abaixo.23) incerteza absoluta. do resultado da operação acima. conforme mostrado abaixo.0%) incerteza relativa percentual. 2 100 4.66 A incerteza absoluta.4 2 % = = 4. % × 100 = = = ±0. % % = = 1. assim.

os erros aleatórios seguem a lei de distribuição normal. do tamanho da amostra. . Com esses dados. Usam-se as equações abaixo. discutidas anteriormente. Em uma série de medidas experimentais. . em cada caso. pode-se calcular a média amostral. com uma certa probabilidade. σ ou da amostra. … . s. tem-se um conjunto de dados amostrais . = = 1 − 1 −1 O intervalo de confiança para a média populacional. = = ± ± √ √ Um intervalo de confiança diz que o valor da média populacional está compreendido em um certo intervalo. ou seja. µ pode ser estimado a partir da média amostral. . onde N é o número de dados amostrais. os erros aleatórios permanecem e não podem ser detectados e corrigidos. Entretanto.Tratamento Estatístico dos Erros Aleatórios Na ausência de erros sistemáticos. As probabilidades são dadas pelos valores de z ou t e são encontradas nas tabelas dos Apêndices. . o tamanho da amostra. desvio-padrão amostral. eo utilizando as equações abaixo. discutida no Capitulo 2. N e do desvio-padrão da população.

Na presença de erro sistemático.78 ± 2.96 × 0.01 = 9 medidas de concentração de um analito produziu = 3. o erro é dado por = − .78 ± 0.01 Na ausência de erro sistemático o valor da média populacional.02 0.05/2 = 0.03 / .306 × = 3. a área fora desse intervalo é dada pelo cálculo 1–0.78 ± 2.03 3 √9 = 3.025 = 0. a área acima de z é dada por 0. Nesse caso. Temos de encontrar o valor de t cuja área entre -t e +t seja de 95%. Determine o intervalo de confiança da média com uma probabilidade = 3. µ coincide com o valor verdadeiro Xv. com probabilidade de 95%. Procurando na Tabela A3.78 ± 1. Sabe-se que o desvio-padrão amostral é Solução: Usaremos a Tabela A3 do apêndice.78 ± 1.03 0. Portanto a média populacional está no intervalo de confiança abaixo.05.78 ± 0.78 = 9 medidas de concentração de um analito produziu / .78 ± 2. . Sabe-se que o desvio-padrão populacional é Solução: Usaremos a Tabela A1 do apêndice.03 0.96 × 0.306 × 0.975.03 / . Logo. Procurando na Tabela A1. = ±0. encontramos z = 1.306 × = 3.03 3 √9 = 3. Determine o intervalo de confiança da média com uma probabilidade = 3.306. com probabilidade de 95%. temos de encontrar o valor de z cuja área à esquerda seja 1–0.78 ± 1. para 95% e gl=9.96 × = 3. Temos de encontrar o valor de z cuja área entre -z e +z seja de 95%. encontramos t = 2.78 / .01 Exemplo 2. com N–1 = 9–1 = 8 graus de liberdade (gl). Portanto a média populacional está no intervalo de confiança abaixo.95 = 0. = 3. A Tabela A1 fornece as áreas abaixo de z. = 3.Exemplo 1. Portanto. Uma série de uma média amostral de de 95%. Uma série de uma média amostral de de 95%.025.96. = ±0.

APÊNDICES .

00 0.5438 0.9830 0.9582 0.9979 0.9952 2.9535 0.9982 0.9357 0.9671 0.9985 0.9961 0.5636 0.9783 0.9656 0.9940 0.9713 0.01 0.4 | 0.7389 0.3 | 0.9878 0.7324 0.8289 0.8186 0.9772 0.9864 0.9564 0.9429 0.9949 0.9115 0.9904 0.8621 1.9987 0.9990 0.9989 0.9868 0.6406 0.5 | 0.7291 0.8413 0.9382 0.6517 0.9932 0.8389 1.9826 0.9941 0.9975 0.9332 0.9370 0.9525 0.6736 0.9984 0.9976 0.9846 0.6772 0.6808 0.9983 0.9953 0.7611 0.9977 0.9608 0.0 | 0.8531 0.9929 0.8643 0.8729 0.9838 0.5239 0.7486 0.9951 0.9474 0.9964 2.7357 0.9896 0.9821 0.9920 0.9901 0. Tabela de probabilidades para distribuição normal reduzida.8159 0.06 0.8599 0.9884 0.8554 0.9934 0.5040 0.8051 0.8944 0.9686 0.6255 0.0 | 0.08 0.5080 0.5596 0.5948 0.9732 0.9990 .6 | 0.9251 0.9015 1.9962 0.9761 0.9972 0. Probabilidades à Esquerda P(Z<a) a a | 0.8770 0.9987 0.9986 3.8133 0.9649 0.8106 0.6443 0.9484 0.7881 0.9452 0.8340 0.8686 0.9881 0.5793 0.9898 0.9082 0.9966 0.8485 0.3 | 0.9418 0.9974 0.9798 0.9678 0.6915 0.5832 0.5871 0.9916 2.9817 2.6064 0.4 | 0.5478 0.8888 0.4 | 0.7190 0.9495 0.9970 0.7 | 0.9788 0.9981 0.02 0.9664 0.7939 0.9515 0.9967 0.9463 0.0 | 0.6591 0.9971 0.6700 0.7454 0.9988 0.9591 0.9906 0.8907 0.9973 0.9812 0.9573 0.9756 0.9192 0.8980 0.7422 0.6950 0.9948 0.8023 0.9441 1.9265 0.9793 0.9306 0.5199 0.5 | 0.5359 0.5714 0.6480 0.9925 0.9599 0.7995 0.05 0.7 | 0.6879 0.9394 0.8238 0.9957 0.8438 0.6179 0.9616 0.8 | 0.9236 0.9985 0.9554 0.7704 0.9 | 0.9927 0.7673 0.9279 0.9699 0.9641 0.7794 0.9625 0.5910 0.9 | 0.5517 0.9319 1.7967 0.5987 0.9861 0.09 ----+------------------------------------------------------------------------------0.9345 0.7517 0.6628 0.9984 0.5 | 0.9980 0.7 | 0.9850 0.04 0.8 | 0.8708 0.9979 0.6844 0.9943 0.6368 0.8508 0.8461 0.8577 0.8810 0.2 | 0.9738 0.9049 0.9207 0.9977 0.8962 0.7852 0.8869 0.7823 0.7764 0.9974 2.A1.9726 0.9066 0.7157 0.9945 0.9406 0.7224 0.9911 0.5557 0.5753 0.8830 1.9913 0.6331 0.9706 1.9965 0.9162 0.9505 0.9960 0.6217 0.9222 0.9978 0.8 | 0.5675 0.7910 0.9986 0.9909 0.8749 0.5279 0.7123 0.6985 0.9959 0.8665 0.9946 0.9922 0.7580 0.6554 0.2 | 0.9931 0.6293 0.9890 2.1 | 0.03 0.9803 0.9982 0.8925 0.6141 0.5319 0.8997 0.8264 0.9854 0.9032 0.9938 0.9808 0.6103 0.7257 0.9918 0.3 | 0.9131 0.9887 0.9987 0.1 | 0.1 | 0.0 | 0.9719 0.9177 1.9988 0.9969 0.5398 0.8212 0.6 | 0.9857 2.5160 0.7642 0.7734 0.6 | 0.9834 0.9956 0.5120 0.7019 0.9744 0.8315 0.9633 1.9292 0.7088 0.9545 1.2 | 0.5000 0.9750 0.9099 0.9871 0.8849 0.9981 2.9963 0.9 | 0.8365 0.9893 0.9875 0.9147 0.9955 0.7054 0.9989 0.9989 0.6026 0.9842 0.8790 0.8078 0.6664 0.07 0.9968 0.9767 2.9936 2.9693 0.7549 0.9778 0.

289 0.260 0. Tabela de probabilidades para a distribuição t de Student unilateral com graus de liberdade.850 3.747 0.032 3.069 2.686 1.055 3.717 2.080 2.965 3.326 ≤ p=0.528 0.706 2.132 2.179 2.707 3.000 3.776 3.440 1.860 2.328 1.086 2.688 1.692 1.959 5.330 1.975 p=0.060 2.764 0.924 8.256 0.725 2.821 0.101 2.333 1.303 1.694 1.541 0.587 4.765 1.686 1.660 3.263 0.841 4.423 0.681 0.315 1.353 3.257 0.812 2.289 1.052 2.583 0.658 1.610 6.960 2.691 1.697 1.845 2.267 0.816 1.457 0.679 1.533 2.485 0.576 p=0.350 1.687 1.9995 636.313 1.476 2.257 0.684 1.771 2.711 2.995 63.718 1.819 3.042 2.674 3.291 .169 3.258 0.782 2.316 1.703 1.922 3.797 2.256 0.256 0.254 0.462 0.638 2.306 2.990 0.499 3.947 2.021 2.602 0.345 1.256 0.257 0.201 2.140 4.552 0.900 p=0.012 2.258 0.551 3.397 1.262 2.734 2.255 0.598 12.681 1.787 2.358 0.318 1.045 2.878 2.372 1.706 31.740 2.689 3.683 1.624 0.727 1.323 1.998 0.796 2.325 1.015 3.706 1.684 1.373 3.310 1.110 2.965 0.259 0.781 4.078 6.064 2.619 31.500 0.898 2.745 3.277 0.684 2.258 0.253 0.539 0.131 2.617 2.319 1.671 2.282 1.567 0.390 0.683 1.262 0.228 2.771 2.714 2.920 4.725 3.A2.356 1.896 0.363 1.341 1.311 1.365 0.383 1.337 1.674 1.718 0.314 12.056 2.685 1.833 2.703 2.355 3.895 2.182 4.408 5.792 3.259 0.265 0.977 2.256 0.257 0.318 4.821 0.746 2.460 3.645 1.492 0.321 1.074 2.831 2.015 2.685 1.160 2.756 2.518 0.980 2.143 0.950 p=0.779 2.721 2.660 2.600 p=0.437 4.260 0.467 0.741 1.254 0.657 9.257 0.704 2.365 2.508 0.869 5.256 0.120 2.753 2.447 3.314 1.000 2.073 4.677 1.571 3.695 1.707 3.325 1.711 1.763 2.921 2.473 0.684 1.750 2. gl 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 40 60 120 ∞ Os valores tabelados correspondem aos pontos a tais que: p=0.861 2.925 5.761 2.708 2.048 2.256 0.750 p=0.041 4.819 2.479 0.689 1.646 3.700 1.256 0.886 2.261 0.250 3.221 4.256 0.650 0.303 6.145 2.688 1.604 4.699 2.883 3.271 0.093 2.106 3.690 1.697 2.768 3.683 1.701 2.415 1.296 1.729 2.807 2.943 2.

725 3.447 3.587 4.499 4.779 3.078 6.721 2.01 0.197 1.306 2.069 2.539 2.533 2.080 2.761 2.610 6.571 3.80 0.740 2.807 3.060 2.029 1.073 4.930 3.947 3.734 2.567 2.796 2.002 0.179 2.473 2.920 4.508 2.706 31.208 4.005 0.98 0.501 4.067 1.052 2.064 2.819 3.453 1.841 7.505 3.328 1.492 2.650 3.321 318.02 0.309 636.95 0.598 1.725 2.965 9.365 2.977 3.132 2.325 1.041 4.943 2.619 1 2 3 4 5 6 7 8 9 1.201 2. Tabela de probabilidades para a distribuição t de Student bilateral com graus de liberdade.372 1.297 4.440 1.314 1.365 4.528 2.604 5.415 1.638 2.153 1.500 2.012 3.747 4.485 3.771 3.497 1.074 2.106 3.90 0.333 1.959 5.897 3.252 1.581 1.055 3.771 2.860 2.015 2.437 4.797 3.924 7.764 3.717 2.998 3.708 2.314 12.599 1.383 1.625 2.745 3.397 1.657 127.182 4.776 3.646 3.518 2.131 2.228 2.541 5.093 2.119 1.921 3.330 1.999 P 0.782 2.852 3.321 1.286 1.773 1.610 3.686 3.602 2.579 3. gl A 0.922 3.690 1.527 3.110 2.408 5.001 3.781 4.820 63.552 3.831 3.690 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 .025 3.703 2.169 3.350 1.833 1.467 3.140 4.056 2.450 3.10 0.090 1.707 4.718 3.345 1.753 2.886 2.104 1.869 5.681 3.833 2.845 3.337 1.160 2.057 10.746 2.303 6.883 3.898 3.787 3.318 4.222 1.812 2.356 1.878 3.101 2.707 3.785 4.421 8.355 3.787 3.317 1.552 2.353 3.714 2.221 4.729 2.326 1.476 2.819 3.215 12.584 2.078 1.262 2.327 31.323 1.143 3.319 1.925 14.99 0.089 22.316 1.315 1.174 1.086 2.861 3.144 4.485 2.965 3.850 3.998 0.435 3.428 1.363 1.20 0.015 3.A3.479 2.821 3.145 2.895 2.05 0.995 0.792 3.706 2.250 3.318 1.733 3.120 2.893 5.768 3.711 2.173 5.341 1.135 1.372 1.032 4.

756 3.763 3.648 1.937 1.680 2.035 2.609 2.738 3.340 3.688 2.971 1.980 2.381 2.601 3.333 3.296 1.045 2.028 2.551 3.131 3.987 2.309 1.965 2.744 3.915 1.396 3.887 1.311 1.021 2.429 2.040 2.323 3.418 2.687 2.299 1.690 2.282 1.307 3.339 2.526 3.708 2.107 3.467 2.174 3.691 2.968 2.963 1.820 1.828 1.719 2.030 1.294 1.728 3.410 2.632 2.697 2.286 3.011 2.030 2.576 2.026 2.660 2.261 3.015 2.000 2.750 3.515 3.348 3.232 3.462 2.037 2.586 2.326 2.340 3.839 1.698 2.304 1.048 2.407 2.660 1.582 3.733 3.334 2.313 3.645 1.684 2.145 3.686 2.990 2.648 2.28 29 30 31 32 33 34 35 36 37 38 39 40 42 44 46 48 50 60 70 80 90 100 120 150 200 300 500 1.364 2.976 2.306 1.423 2.996 1.374 2.694 2.678 2.269 3.426 2.667 1.538 3.373 3.289 1.309 1.303 1.118 3.015 1.860 1.002 1.283 1.300 1.682 2.356 3.358 2.385 3.687 2.286 1.991 1.287 1.617 2.943 1.375 3.807 3.453 2.308 1.692 2.639 2.659 3.042 2.949 1.712 2.390 2.313 1.023 2.676 2.319 3.724 2.704 2.403 2.985 1.438 2.695 2.195 3.090 3.457 2.566 3.299 1.291 .038 1.679 2.441 2.369 2.976 1.351 2.301 1.435 3.633 3.646 3.622 3.047 1.611 3.701 2.496 3.972 2.291 1.652 1.655 1.601 2.402 3.682 2.658 1.160 3.626 2.871 1.414 2.677 2.878 1.662 1.306 1.685 2.664 1.956 1.391 3.650 1.505 3.292 1.984 2.211 3.345 2.326 3.304 1.460 3.699 2.018 2.284 1.591 3.032 2.013 2.310 1.357 3.592 2.009 2.849 1.434 2.980 1.302 1.449 2.899 1.994 2.574 3.365 3.022 1.715 2.416 3.671 2.445 2.431 2.310 3.296 3.307 1.408 3.558 3.290 1.674 3.183 3.024 2.960 2.277 3.008 1.305 1.692 2.