Prévia do material em texto
UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE CENTRO DE CIÊNCIAS EXATAS E DA TERRA DEPARTAMENTO DE ESTATÍSTICA Estatística Aplicada a Engenharia I Prof. Msc. André Luiz Sena da Rocha andrerochaest@yahoo.com.br UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE CENTRO DE CIÊNCIAS EXATAS E DA TERRA DEPARTAMENTO DE ESTATÍSTICA Estatística Aplicada a Engenharia I Prof. Msc. André Luiz Sena da Rocha andrerochaest@yahoo.com.br Natal / RN UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE CENTRO DE CIÊNCIAS EXATAS E DA TERRA Estatística Aplicada ÍNDICE UNIDADE I - ESTATÍSTICA DESCRITIVA ......................................................... 1 1.1 - NATUREZA E CAMPO DA ESTATÍSTICA ................................................................................................................. 1 1.2 - O MÉTODO ESTATÍSTICO ..................................................................................................................................... 1 1.3 - POPULAÇÃO, AMOSTRA E TIPOS DE VARIÁVEIS .................................................................................................. 2 1.4 - REPRESENTAÇÃO TABULAR .................................................................................................................................. 7 1.4.1 - Distribuição de Frequências ........................................................................................................................... 8 1.5 - REPRESENTAÇÃO GRÁFICA ....................................................................................................................... 16 1.5.1 - Gráfico de Setores ........................................................................................................................................ 16 1.5.2 - Gráfico de Colunas e Barras ........................................................................................................................ 17 1.5.3 - Histograma e Polígono de Frequências ........................................................................................................ 18 1.6 – MEDIDAS DE TENDÊNCIA CENTRAL................................................................................................................... 20 1.6.1 - Média Aritmética ......................................................................................................................................... 21 1.6.2 – Mediana ....................................................................................................................................................... 23 1.6.3 - Moda ............................................................................................................................................................ 27 1.6.4 – Separatrizes ................................................................................................................................................. 30 1.7 - MEDIDAS DE DISPERSÃO .................................................................................................................................... 32 1.7.1 – Variância ..................................................................................................................................................... 34 1.7.2 - Desvio Padrão .............................................................................................................................................. 36 1.7.3 - Coeficiente de Variação ............................................................................................................................... 38 1.8 - ANÁLISE EXPLORATÓRIA DE DADOS .................................................................................................................. 39 1.8.1 - Esquema dos 5-Números ............................................................................................................................. 39 1.8.2 - Box-Plot ....................................................................................................................................................... 40 UNIDADE II - PROBABILIDADE ......................................................................... 43 2.1 - EXPERIMENTOS ALEATÓRIOS ............................................................................................................................. 43 2.2 - ESPAÇO AMOSTRAL ............................................................................................................................................ 44 2.3 - EVENTOS .............................................................................................................................................................. 44 2.4 - RESULTADOS EQUIPROVÁVEIS ........................................................................................................................... 47 2.5 – DEFINIÇÕES DE PROBABILIDADE ....................................................................................................................... 48 2.6 - PROBABILIDADE CONDICIONAL ......................................................................................................................... 50 2.7 - EVENTOS INDEPENDENTES .................................................................................................................................. 53 2.8 – VARIÁVEL ALEATÓRIA UNIDIMENSIONAL ........................................................................................................ 54 2.9 - MODELOS DE PROBABILIDADE DISCRETOS ....................................................................................................... 55 2.9.1 - Distribuição de Bernoulli ............................................................................................................................. 55 2.9.2 - Distribuição Binomial .................................................................................................................................. 57 2.9.3 - Distribuição de Poisson ................................................................................................................................ 61 2.10 - PRINCIPAIS DISTRIBUIÇÕES CONTÍNUAS ......................................................................................................... 63 2.10.1 - Distribuição Uniforme ............................................................................................................................... 63 2.10.2 - Distribuição Exponencial ........................................................................................................................... 64 2.10.3 – Distribuição Normal .................................................................................................................................. 64 2.10.4 - Distribuição t de Student ............................................................................................................................ 73 UNIDADE III - INFERÊNCIA ESTATÍSTICA .................................................... 76 4.1 - DISTRIBUIÇÃO AMOSTRAL DA MÉDIA E DA PROPORÇÃO .................................................................................. 78 4.1.1 – Distribuição Amostral da Média ................................................................................................................. 78 4.1.2 – Distribuição Amostral da Proporção ........................................................................................................... 79 4.2 - ESTIMAÇÃO POR PONTO E INTERVALO ............................................................................................................... 80 4.2.1 - Estimação Pontual ........................................................................................................................................ 80 4.2.2 - Estimação Intervalar ....................................................................................................................................80 4.2.2.1- Intervalo de confiança para a média ........................................................................................................................ 82 4.2.2.2 - Intervalo de confiança para a proporção ................................................................................................................ 86 4.3 - TESTES DE HIPÓTESES ........................................................................................................................................ 87 4.3.1 - Teste para a Média quando σ2 é conhecido .................................................................................................. 90 4.3.2 - Teste para a Média quando σ2 é desconhecido............................................................................................. 95 4.3.3 - Teste para Proporções .................................................................................................................................. 99 4.3.4 - Valor-P ...................................................................................................................................................... 101 REFERÊNCIAS ANEXOS ANEXO A - DISTRIBUIÇÃO NORMAL PADRÃO TABELA B - DISTRIBUIÇÃO T DE STUDENT EST0323– Estatística Aplicada a Engenharia I – Prof. Msc. André Luiz Sena da Rocha andrerochaest@yahoo.com.br 1 UNIDADE I ESTATÍSTICA DESCRITIVA 1.1 - Natureza e Campo da Estatística Estatística é a ciência que diz respeito à coleta, apresentação e análise de dados quantitativos, de tal forma que seja possível efetuar julgamentos sobre os mesmos. Ramos da Estatística: a) Estatística descritiva → trata da observação de fenômenos de mesma natureza, da coleta de dados numéricos referentes a esses fenômenos, da sua organização e classificação através de tabelas e gráficos, bem como da análise e interpretação. b) Probabilidade estatística → utilizada para analisar situações que envolvem o acaso (aleatoriedade). c) Inferência estatística → estuda as características de uma população com base em dados obtidos de amostras. OBS: Estatística Indutiva pode ser denominada como inferência. Portanto, a estatística indutiva estuda as características de uma população, com base em dados obtidos de amostras. Inferência = Indução + Margem de Erro 1.2 - O Método Estatístico A realização de uma pesquisa deve passar, necessariamente pelas fases apresentadas abaixo: Coletas dos Dados Definição do problema Planejamento Crítica dos Dados Apresentação dos dados Tabelas e Gráficos Análise e interpretação dos dados →→→→ →→→→ →→→→ →→→→ →→→→ EST0323– Estatística Aplicada a Engenharia I – Prof. Msc. André Luiz Sena da Rocha andrerochaest@yahoo.com.br 2 1) Definição do problema →→→→ Saber exatamente o que se pretende pesquisar, ou seja, definir corretamente o problema. 2) Planejamento →→→→ determinar o procedimento necessário para resolver o problema, como levantar informações sobre o assunto objeto do estudo. É importante a escolha das perguntas em um questionário, que na medida do possível, devem ser fechadas. � O levantamento de dados pode ser de dois tipos: Censitário e Amostragem. � Outros elementos do planejamento de uma pesquisa são: • Cronograma das atividades; • Custos envolvidos; • Exame das informações disponíveis; • Delineamento da amostra. 3) Coleta de Dados →→→→ consiste na busca ou compilação dos dados. Pode ser classificado, quanto ao tempo em: • Contínua (inflação, desemprego, etc); • Periódica (Censo); • Ocasional (pesquisa de mercado, eleitoral) 4) Crítica dos dados →→→→ objetiva a eliminação de erros capazes de provocar futuros enganos. Faz-se uma revisão crítica dos dados suprimindo os valores estranhos ao levantamento. 5) Apresentação dos dados →→→→ a organização dos dados denomina-se “Série Estatística”. Sua apresentação pode ocorrer por meio de tabelas e gráficos. 6) Análise e Interpretação dos Dados →→→→ consiste em tirar conclusões que auxiliem o pesquisador a resolver seu problema, descrevendo o fenômeno através do cálculo de medidas estatísticas, especialmente as de posição e as de dispersão. 1.3 - População, Amostra e Tipos de Variáveis Inferência Obtenção de resultados para uma população com base em observações Estatística extraídas a partir de uma amostra retirada desta população. EST0323– Estatística Aplicada a Engenharia I – Prof. Msc. André Luiz Sena da Rocha andrerochaest@yahoo.com.br 3 POPULAÇÃO: É o conjunto de elementos (na totalidade) que têm, em comum, uma determinada característica. Pode ser finita, como o conjunto de alunos de uma determinada escola, ou infinita, como o número de vezes que se pode jogar um dado. AMOSTRA: É qualquer subconjunto da população. A técnica de seleção desse subconjunto de elementos é chamada de Amostragem. Como já vimos, a inferência estatística tem como objetivo a estimação de parâmetros para uma população tendo como base às informações extraídas através de uma amostra. Neste contexto, o estudo dos mais diversos tipos de procedimentos de amostragem se faz necessário. Exercício 1.1: Dentre os 3000 alunos de uma escola, selecionaram-se 30 e inquiriram-se sobre o programa de televisão preferido. Sendo respondidos como programas preferidos “Telejornal”, “Novelas” e “Cinema”, com 10, 12 e 8 alunos, respectivamente. Responda: a) a população; b) a amostra. Exercício 1.2: Para saber a aceitação de uma nova ração canina para filhotes de médio porte, uma empresa selecionou 200 filhotes com até 6 meses de idade de diversas raças de médio portem, e contabilizou a engorda deles. Indique: a) a população; b) a amostra; Exercício 1.3: Para realizar um estudo sobre o tempo gasto, em segundos, por 100 atletas na corrida dos 100 metros com obstáculos, registrou-se o tempo gasto por 16 desses atletas e obtiveram-se os seguintes resultados: Indique: a) a população; b) a amostra; EST0323– Estatística Aplicada a Engenharia I – Prof. Msc. André Luiz Sena da Rocha andrerochaest@yahoo.com.br 4 Exercício 1.4: Um aluno da UFMG do curso de “Cinema de Animação e Artes Digitais ” realizou um sorteio dentre todas as fitas de VHS da biblioteca de sua Universidade, de 8 fitas para seu Trabalho de Conclusão de Curso. a) a população; b) a amostra; Exercício 1.5: Um aluno de Biblioteconomia da UFRN está fazendo um levantamento de todas as Dissertações do curso de História, Geografia e Pedagogia, defendidas a partir do ano de 2000 e que estão cadastradas no banco de dados da Biblioteca Zila Mamede. Dentre elas eles selecionou 10 de cada curso e contabilizou as datas de defesa.. a) a população; b) a amostra; As técnicas de amostragem podem ser classificadas em dois grandes grupos: a amostragem probabilística e a amostragem não probabilística. 1. Amostragem Probabilística: neste grupo encontram-se os planos amostrais que utilizam mecanismos aleatórios de seleção dos elementos da amostra, atribuindo a cada um deles uma probabilidade, conhecida à priori, de pertencer à amostra. 2. Amostragem Não Probabilística: neste grupo encontram-se os planos amostrais que não utilizam mecanismos aleatórios de seleção dos elementos da amostra, e dessa forma, não existe nenhuma probabilidade associada à seleção desses elementos. Ambos os procedimentos têm vantagens e desvantagens. A grande vantagem das amostras probabilísticas é medir a precisão da amostra obtida. Tais medidas já são bem mais difíceis para os procedimentos do outro grupo. Diante disso, amostras probabilísticas são comumente utilizadas na prática. Os tipos de planos de amostragem probabilísticos são os seguintes: • Amostragem Aleatória Simples: cada elementoda população tem a mesma chance (ou probabilidade) de ser selecionado. Os elementos são escolhidos através de sorteio. Para isso, tabelas de números aleatórios são frequentemente utilizadas. Por exemplo, selecionar 5 alunos de uma turma usando a lista de chamada. EST0323– Estatística Aplicada a Engenharia I – Prof. Msc. André Luiz Sena da Rocha andrerochaest@yahoo.com.br 5 • Amostragem Estratificada: a população é dividida em estratos (ou grupos) homogêneos, sendo selecionada uma amostra aleatória simples de cada estrato. Por exemplo, selecionar alunos de 5ª a 8ª série de uma determinada escola. Neste caso, cada série corresponde a um estrato, e de cada estrato uma amostra aleatória simples dos alunos é extraída, lembrando que pra tanto seria necessário sorteio a partir da lista de chamada também. • Amostragem Sistemática: os elementos são selecionados segundo uma regra pré-definida. É bastante utilizada quando os elementos da população estão arranjados em uma ordem. Por exemplo, se em uma concessionária deseja-se estimar o preço total dos seus carros a partir de uma amostra de 10 carros selecionar possuindo para tanto uma lista dos carros em ordem de preço do maior para o menor, ou do menor para o maior. Uma observação importante é que, por exemplo, se os elementos escolhidos estiverem em ordem não se deve pegar os primeiros elementos, ou os últimos, ou os do meios, deve-se percorrer elementos de cada parte. Exercício 1.6: Para cada uma das seguintes situações diga qual o tipo de amostragem foi utilizada. − O conselho universitário de uma universidade deseja conhecer a opinião dos alunos e professores sobre uma resolução a ser votada, que estabelece horários fixos para o atendimento de alunos pelos professores. Para compor a amostra foram sorteados aleatoriamente 10% dos alunos matriculados e 10% dos professores. − Um treinador de uma confederação esportiva deseja dividir 20 times em dois grupos. Para o primeiro grupo seleciona aleatoriamente 10 times, e considera os 10 restantes para o segundo grupo. − Uma lista de corredores de uma maratona contém 1000 nomes, numerados consecutivamente de 1 a 1000. Iniciando-se do 5º nome, uma amostra foi composta considerando sorteados os nomes referentes aos números 15º, 25º, 35º, 45º, 55º e assim sucessivamente até que fossem escolhidos 100 nomes. − Um sociólogo na Universidade de Charleston seleciona 12 homens e 12 mulheres de cada uma de quatro turmas de educação física. EST0323– Estatística Aplicada a Engenharia I – Prof. Msc. André Luiz Sena da Rocha andrerochaest@yahoo.com.br 6 − Um treinador sorteia 6 jogadores de seu time de futebol sem mais critério s de seleção e tira uma amostra de urina de cada um. − O programa Planned Parenthood (Planejamento Familiar) pesquisa 500 homens e 5000 mulheres sobre seus pontos de vista sobre o uso de anticoncepcionais. TIPOS DE VARIÁVEIS: É condição inerente a uma população natural existir variação quanto aos atributos que lhe podem ser estudados. Portanto, a variabilidade é uma característica comum aos dados de observação e experimentos. Um atributo sujeito à variação é descrito em Estatística por uma variável. Nominal Qualitativa Ordinal Variável Discreta Quantitativa Contínua Variável Qualitativa: os dados podem ser distribuídos em categorias mutuamente exclusivas. Por exemplo, sexo (masculino, feminino), cor, causa de morte, grupo sanguíneo, etc. - Nominal: as categorias podem ser permutáveis (não existe ordem natural dos seus níveis); Exemplo: [masculino, feminino], [sim, não], [fuma, não fuma]; - Ordinal: as categorias descrevem uma ordenação natural dos seus níveis. Exemplo: [péssimo, ruim, regular, bom, ótimo]. Variável Quantitativa: os dados são expressos através de números. Por exemplo, idade, estatura, peso, etc. - Discreta: Assumem valores que podem ser associados aos números naturais ( 1, 2,3,...=� ). Dá uma ideia de contagem. Exemplo: Número de irmãos dos 30 alunos da turma de Engenharia [0, 1, 2, 5, 3, 4, 1, 0, 2, 3, 5, 4, 0, 1, 2, 2, 1, 0, 1, 1, 2, 0, 0, 3, 2 , 3, 4, 2, 1, 2]. EST0323– Estatística Aplicada a Engenharia I – Prof. Msc. André Luiz Sena da Rocha andrerochaest@yahoo.com.br 7 - Contínua: Assume infinitos valores em um dado intervalo. Dá uma ideia de medição. Exemplo: altura e/ou peso de animais ou de pessoas. [1.70, 1.57, 1.80, 1.94, 1.68, 1.71] Exercício 1. 7: Classifique com relação ao tipo de variável as seguintes informações: • Sexo (“Masculino” ou “Feminino”); • Tempo de uso de um HD de 1 TB (em meses completos); • Tempo em horas para término de uma simulação num software; • Altura de jogadores de vôlei de certo time (em metros); • Fuma (“Sim” ou “Não”); • Peso de vigas de concreto (em quilogramas); • Número de filhotes de uma ninhada; • Tolerância ao cigarro (indiferente, incomoda pouco, incomoda muito); • Horas que gasta estudando. • Resultado final de uma disciplina da UFRN (“Aprovado” ou “Reprovado”) 1.4 - Representação Tabular Consiste em dispor os dados em linhas e colunas, distribuídas de modo ordenado, segundo algumas regras práticas e obedecendo (ainda) à Resolução nº 886/66, de 26 de outubro de 1966, do Conselho Nacional de Estatística. As tabelas devem conter: a) Título - O quê? (fenômeno). Onde? (época). Quando? (local). b) Cabeçalho - indica o conteúdo das colunas c) Coluna Indicadora - especifica o conteúdo das linhas d) Cabeçalho da coluna indicadora - indica o conteúdo da coluna indicadora e) Corpo - caselas ou células, onde são registrados os dados. f) Rodapé - notas e identificação da fonte de onde foram coletados os dados. EST0323– Estatística Aplicada a Engenharia I – Prof. Msc. André Luiz Sena da Rocha andrerochaest@yahoo.com.br 8 1.4.1 - Distribuição de Frequências Tabelas com grandes números de dados são cansativas e não dão uma visão rápida e geral do fenômeno. Dessa forma, é necessário que os dados sejam organizados em uma tabela de distribuição de frequências. Estas podem ser simples (dados não-agrupados) ou por classes (dados agrupados). DISTRIBUIÇÃO DE FREQUÊNCIAS SIMPLES: Série estatística para dados nominais, ordinais e discretos, organizados em uma tabela. Construção de uma Distribuição de Frequências: Para a construção de uma distribuição de frequências os seguintes componentes são necessários: � Dados Brutos: são os dados apresentados desordenadamente, da forma como foram coletados. Exemplo 1.1: Peso (kg) de 14 blocos de concreto (dados brutos): 74 58 69 80 74 95 56 74 76 81 60 57 64 62 � Rol: são os dados apresentados em ordem crescente. Exemplo 1.1: Peso (kg) de 14 blocos de concreto (em forma de rol): 56 57 58 60 62 64 69 74 74 74 76 80 81 95 EST0323– Estatística Aplicada a Engenharia I – Prof. Msc. André Luiz Sena da Rocha andrerochaest@yahoo.com.br 9 Construção de uma Distribuição de frequências simples 1. Ordenar os dados brutos em forma de rol (ordem crescente) 2. Listar todos os elementos diferentes, numa coluna de nome “X”. 3. Listar a frequência de todos os elementos diferentes numa coluna de nome "fi" ou "frequência". 4. Somar todos os elementos da coluna "fi" (total). Exemplo 1.2: Numa pesquisa feita para detectar o número de filhos de empregados de uma multinacional, foram encontrados os seguintes valores: 1 4 2 5 3 2 0 3 2 1 5 4 2 5 0 3 2 4 2 3 2 3 2 1 4 2 1 3 4 2 Solução: � Rol (dados em ordem crescente): 0 0 1 1 1 1 2 2 2 2 2 2 2 2 2 2 3 3 3 3 3 3 4 4 4 4 45 5 5 � Tabela de Distribuição de Frequências: Número de filhos por empregado de uma multinacional Número de filhos (X) fi f i% 0 2 6,7 1 4 13,3 2 10 33,3 3 6 20 4 5 16,7 5 3 10 Total 30 100 Fonte: Dados Fictícios Algumas considerações ou conclusões: Qual o número de funcionários que não tem filhos? Qual o seu percentual? Quantos funcionários têm cinco filhos e qual o seu percentual? A maioria dos funcionários tem quantos filhos? E a minoria? Informe o percentual de ambos. EST0323– Estatística Aplicada a Engenharia I – Prof. Msc. André Luiz Sena da Rocha andrerochaest@yahoo.com.br 10 INFORMAÇÕES ADICIONAIS NUMA DISTRIBUIÇÃO DE FREQUÊNCIAS Além das informações contidas na tabela, destaca-se outros parâmetros relevantes: - LI = limite inferior de cada classe; - LS = limite superior de cada classe; - Pm = ponto médio de cada classe � x = (Li + Ls) / 2; - fi = frequência absoluta = número de ocorrências de cada classe; - fi % = frequência percentual � fi % = (fi / n) 100; - ↓F = frequência absoluta acumulada "abaixo de"; - ↑F = frequência absoluta acumulada "acima de"; - ↓F% = frequência percentual acumulada "abaixo de"; - ↑F% = frequência percentual acumulada "acima de"; Exemplo 1.3: Veremos como fica a distribuição de frequências simples com essas informações adicionais: Número de filhos de empregados de uma multinacional Nº de filhos fi f % F↓ F↑ F↓% F↑% 0 2 6,7 2 30 6,7 100 1 4 13,3 6 28 20 93,3 2 10 33,3 16 24 53,3 80 3 6 20 22 14 73,3 46,7 4 5 16,7 27 8 90 26,7 5 3 10 30 3 100 10 Total 30 100 - - - - Fonte: Dados fictícios Responda: a) Quantos empregados têm até 2 filhos? Resp: Se dá por F↓, sendo igual a 16 filhos. b) Quantos empregados têm ao menos 4 filhos? Resp: Se dá por F↑, sendo igual a 8 filhos. c) Qual o percentual de empregados com no máximo 1 filho? Resp: Se dá por F%↓, sendo igual a 93,3%. d) Qual o percentual de empregados com no mínimo 2 filhos? Resp: Se dá por F↑%, sendo igual a 80%. EST0323– Estatística Aplicada a Engenharia I – Prof. Msc. André Luiz Sena da Rocha andrerochaest@yahoo.com.br 11 DISTRIBUIÇÃO DE FREQUÊNCIAS POR CLASSES: Série estatística para dados contínuos. Os números são agrupados em classes, com suas respectivas frequências absolutas, relativas e percentuais, com o objetivo de facilitar ao analista o seu estudo. Os seguintes componentes são utilizados apenas em distribuição de frequências em classes: � Amplitude Total (A): é a diferença entre o maior valor do rol (LS) e o menor valor (LI). A = LS - LI � Número de Classes (c): corresponde à quantidade de classes, nas quais serão agrupados os elementos do rol. Para determinar c, utiliza-se a fórmula de Sturges: C = 1 + (3,33333.....) · log(n) em que n = número de elementos do rol. � Amplitude ou Intervalo de Classe (i): geralmente utilizam-se intervalos iguais, obtidos através da fórmula: i = A/C Construção de uma Distribuição de frequências por classes a) Ordenar os dados brutos em forma de rol (ordem crescente) b) Calcular a amplitude total: A = LS - LI c) Calcular o número de classes e arredondar o valor final para um número inteiro utilizando a regra e arredondamento: C = 1 + (3,33333.....) • log(n) d) Calcular o intervalo entre classes: i = A / C. e) A 1º coluna será a das classes. O menor número dos dados em rol será o limite inferior da primeira classe (“LI” da fórmula utilizada na amplitude total “A”), a partir do qual todas as outras classes serão definidas a partir deste número, somando ele ao intervalo entre classes. Exemplo: Para C = 5, i = 1,5 e LI = 7,4 (menor número dos dados em forma de rol). O limite inferior da 1º classe será 7,4 e o limite superior da mesma classe será LI + i = 7,4 + 1,5 = 8,9. Por sua vez, o limite inferior da 2º classe será 8,9 e o superior: 8,9 + i = 8,9 + 1,5 = 10,4. Este procedimento será realizado até termos o número “C” de classes (este previamente calculado). EST0323– Estatística Aplicada a Engenharia I – Prof. Msc. André Luiz Sena da Rocha andrerochaest@yahoo.com.br 12 f) Para indicar o intervalo, utilizaremos o símbolo |- . Por exemplo, no caso de haver o limite inferior 7,4 e o limite superior 8,9. Indicaremos este intervalo como : 7,4 |- 8,9. Isso significa todos os números que estão entre 7,4 e o mais próximo possível de 8,9, porém, caso haja um número igual ao limite superior dessa classe, este deverá ser computado apenas na próxima classe (para o Exemplo do número 5, na 2º classe, sendo esta: 8,9 |- 10,4). g) Uma vez definidas as classes, a tabela de frequências pode ser construída, a partir da 2º coluna de nome “frequência” ou simplesmente “fi”, fazendo-se o processo de contagem, que consiste em verificar a qual classe cada dado pertence. OBS: Em algumas situações, pode-se utilizar uma distribuição de frequências por classes para dados discretos quando todos os números ou a maioria são diferentes. Exemplo 1.4: Construir uma distribuição de frequências para o número diário de experimentos realizados em um laboratório durante duas semanas. [0, 2, 3 ,4 , 5, 10, 12, 7, 9, 0, 5, 13, 17, 10, 6]. Para essa situação, a mais viável será uma distribuição por classes, que deverá seguir o mesmo procedimento, apenas com o cuidado ao calcular o intervalo entre classes (i), o mesmo deverá ser arredondado para um número inteiro. Exemplo 1.5: Construa de uma Distribuição de Frequências com CLASSES para os dados referentes ao Peso (kg) de 14 blocos de concreto: 56 57 58 60 62 64 69 74 74 74 76 80 81 95 Solução: Amplitude Total (A): A = LS – LI = 95 – 56 = 39. Número de Classes (C): C = 1 + (3,33333.....) · log(n) = 1 + 3,333 · log (14) = 4,82 ≈ 5. Intervalo de Classe (i): A=39 e C=5 � i = A/C = 39/5 = 7,8. EST0323– Estatística Aplicada a Engenharia I – Prof. Msc. André Luiz Sena da Rocha andrerochaest@yahoo.com.br 13 Peso de blocos de concreto Peso (kg) fi fi% 56,0 |- 63,8 5 35,71% 63,8 |- 71,6 2 14,28% 71,6 |- 79,4 4 28,58% 79,4 |- 87,2 2 14,28% 87,2 |-| 95 1 7,14% Total 14 100% Fonte: Dados Fictícios Exemplo 1.6: Um determinado hospital está interessado em analisar a quantidade de creatinina (em miligramas por 100 mililitros) encontrada na urina (de 24 horas) de seus pacientes internados com problemas renais. Os dados são os seguintes: 1,51 1,65 1,58 1,54 1,65 1,40 1,61 1,08 1,81 1,38 1,56 1,83 1,69 1,22 1,22 1,68 1,47 1,68 1,49 1,80 1,33 1,83 1,50 1,46 1,67 1,60 1,23 1,54 1,73 1,43 2,18 1,46 1,53 1,60 1,59 1,49 1,46 1,72 1,56 1,43 1,69 1,15 1,89 1,47 2,00 1,58 1,37 1,40 1,76 1,62 1,96 1,66 1,51 1,31 2,29 1,58 2,34 1,66 1,71 1,44 1,66 1,36 1,43 1,26 1,47 1,52 1,57 1,33 1,86 1,75 1,57 1,83 1,52 1,66 1,90 1,59 1,47 1,86 1,73 1,55 1,52 1,40 1,86 2,02 EST0323– Estatística Aplicada a Engenharia I – Prof. Msc. André Luiz Sena da Rocha andrerochaest@yahoo.com.br 14 Solução: � Rol (dados em ordem crescente): 1,08 1,15 1,22 1,22 1,23 1,26 1,31 1,33 1,33 1,36 1,37 1,38 1,40 1,40 1,40 1,43 1,43 1,43 1,44 1,46 1,46 1,46 1,47 1,47 1,47 1,47 1,49 1,49 1,50 1,51 1,51 1,52 1,52 1,52 1,53 1,54 1,54 1,55 1,56 1,56 1,57 1,57 1,58 1,58 1,58 1,59 1,59 1,60 1,60 1,61 1,62 1,65 1,65 1,66 1,66 1,66 1,66 1,67 1,68 1,68 1,69 1,69 1,71 1,72 1,73 1,73 1,75 1,76 1,80 1,81 1,86 1,86 1,86 1,86 1,86 1,86 1,89 1,90 1,96 2,00 2,02 2,18 2,29 2,34 � Amplitude Total (dá uma ideia do campo de variação dos dados): A = LS - LI = (2,34) - (1,08) = 1,26 Analisando-se a quantidade de creatinina encontrada na urina dos 84 pacientes verificou-se que, ocorreu a variação de 1,26 no seu campo (de 1,08 a 2,34). � Estabelecer o Número de Classes (c): c = 1 + (3,3333.....) · log(n) = 1 + (3,3333....) · log(84) = 7,414 ���� c= 7 � Estabelecer o Intervalo de Classe (i): i = A / c = (1,26) / 7 = 0,18 Quantidade de creatinina (ml) encontrada na urina de 84 pacientes com problemas renais. Classes fi f % Pm (X) ↓%f ↑%f ↓F ↑F 1,08 ├ 1,26 5 5,9 1,17 5,9 100 5 84 1,26 ├ 1,44 13 15,5 1,35 21,4 94,1 18 79 1,44 ├ 1,62 32 38,1 1,53 59,5 78,6 50 66 1,62 ├ 1,80 18 21,4 1,71 80,9 40,5 68 34 1,80 ├ 1,98 11 13,1 1,89 94,0 19,1 79 16 1,98 ├ 2,16 2 2,4 2,07 96,4 6,0 81 5 2,16 2,34 3 3,6 2,25 100 3,6 84 3 Total 84 100 - - - - - Fonte: Dados fictícios EST0323– Estatística Aplicada a Engenharia I – Prof. Msc. André Luiz Sena da Rocha andrerochaest@yahoo.com.br 15 Observação 1: O melhor valor para representar cada classe é o ponto médio (Pm), o qual se obtém pela fórmula: Pm = Li + (i / 2), ou ainda, Pm = (Li + Ls) / 2 Observação 2: 1,08 |- 1,26, intervalo fechado à esquerda (pertencem a classe valores iguais ao extremo inferior) e aberto à direita (não pertencem a classe valores iguais ao extremo superior). De forma análoga, 2,16 |-| 2,34, intervalo fechado à esquerda e à direita. Responda: a) Quantos pacientes têm até 1,79 ml de creatinina? Resp: Se dá por F↓, sendo igual a 68 pacientes. b) Quantos pacientes têm ao menos 1,98 ml de creatinina? Resp: Se dá por F↑, sendo igual a 5 pacientes. c) Qual o percentual de pacientes com no máximo 1,61 ml de creatinina? Resp: Se dá por F%↓, sendo igual a 59,5%. (mais da metade). d) Qual o percentual de pacientes com no mínimo 1,98 ml de creatinina? Resp: Se dá por F↑%, sendo igual a 6%. Exercício 1.8: Na fabricação de semicondutores, o ataque químico por via úmida é frequentemente usado para remover silicone da parte posterior das pastilhas antes da metalização. A taxa de ataque é uma característica importante no processo. Um tipo de solução pra ataque químico foi estudada, usando uma amostra de 50 pastilhas. As taxas observadas de ataque (10-3 mils/min) são dadas a seguir: 2,1 4,2 2,7 28,2 9,9 9 2 6,6 3,9 1,6 14,7 9,6 16,1 8,1 8,2 20,2 6,9 4,3 3,3 1,2 4,1 18,4 0,2 6,1 13,5 7,4 0,2 8,3 0,3 1,3 14,1 1,0 2,4 2,4 16,2 8,7 24,1 1,4 8,2 5,8 1,6 3,5 12,2 18 26,7 3,7 12,3 23,1 5,6 0,4 EST0323– Estatística Aplicada a Engenharia I 1.5 - REPRESENTAÇÃO GRÁFICA Todo o gráfico deve apresentar título (pode ser colocado tanto acima como abaixo) e escala (crescem da esquerda para a direita e de baixo para cima). As legendas devem ser direita ou abaixo do gráfico. A seguir vemos os principais tipos de gráficos: 1.5.1 - Gráfico de Setores Também conhecido como Gráfico de Pizza, este grá parte de um todo. É, então, usado um círculo de raio qualquer, com a área ou ângulo total sendo proporcional ao total (100%) da série de dados a representar e a ár circular sendo proporcional a cada dado da série. Exemplo 1.7: Exemplo de um gráfico de setores Tabela 1.1: Principais rações caninas vendidas numa certa cidade em 2010 Marca da Ração Figura 1.1: Principais rações caninas vendidas numa certa cidade em 2010 Estatística Aplicada a Engenharia I – Prof. Msc. André Luiz Sena da Rocha andrerochaest@yahoo.com.br REPRESENTAÇÃO GRÁFICA Todo o gráfico deve apresentar título (pode ser colocado tanto acima como abaixo) e escala (crescem da esquerda para a direita e de baixo para cima). As legendas devem ser direita ou abaixo do gráfico. A seguir vemos os principais tipos de gráficos: Também conhecido como Gráfico de Pizza, este gráfico é usado quando cada valor representa uma parte de um todo. É, então, usado um círculo de raio qualquer, com a área ou ângulo total sendo proporcional ao total (100%) da série de dados a representar e a área ou ângulo de cada setor circular sendo proporcional a cada dado da série. Exemplo de um gráfico de setores : Principais rações caninas vendidas numa certa cidade em 2010 Marca da Ração Percentual (%) Caninu’s 18 Campeão 15 Foster 24 Pedigree 43 Fonte: Dados Fictícios : Principais rações caninas vendidas numa certa cidade em 2010 16 Todo o gráfico deve apresentar título (pode ser colocado tanto acima como abaixo) e escala (crescem da esquerda para a direita e de baixo para cima). As legendas devem ser colocadas à fico é usado quando cada valor representa uma parte de um todo. É, então, usado um círculo de raio qualquer, com a área ou ângulo total sendo ea ou ângulo de cada setor : Principais rações caninas vendidas numa certa cidade em 2010 : Principais rações caninas vendidas numa certa cidade em 2010 EST0323– Estatística Aplicada a Engenharia I 1.5.2 - Gráfico de Colunas e Barras As variações quantitativas da tabela são r horizontalmente. É usado para representar qualquer tipo de série. Exemplo 1.8: Exemplo de um Gráfico de Barras Tabela 1.2: Principais causas de morte nos EUA em 2004 Tipo de morte Acidentes de carro Álcool Armas de fogo Cigarro Doenças Infecciosas Doenças Venéreas Drogas Obesidade Outras Total Fonte: Ie Estatísticas, 2004. Figura 1. Estatística Aplicada a Engenharia I – Prof. Msc. André Luiz Sena da Rocha andrerochaest@yahoo.com.br Gráfico de Colunas e Barras As variações quantitativas da tabela são representadas por colunas dispostas verticalmente ou horizontalmente. É usado para representar qualquer tipo de série. Gráfico de Barras : Principais causas de morte nos EUA em 2004 morte Frequência Percentual (%) Acidentes de carro 856 23,70 457 12,65 Armas de fogo 985 27,27 247 6,84 Doenças Infecciosas 112 3,10 Doenças Venéreas 98 2,71 631 17,47 124 3,43 102 2,82 3612 100 Figura 1.2: Principais causas de morte nos EUA em 2004 17 epresentadas por colunas dispostas verticalmente ou Percentual (%) EST0323– Estatística Aplicada a Engenharia I Exemplo 1.9: Exemplo de um Gráfico de Colunas Figura 1.3: Principais rações caninas vendidas numa certa cidade 1.5.3 - Histograma e Polígono de Frequências A apresentação tabular dos dados é feita através de uma distribuição de frequências. Fica complementada com uma representação grá de frequências são tipos de gráficos usados para representar uma distribuiç de uma variável quantitativa contínua. Exemplo 1.10: Exemplo de um histograma e de um polígono de frequências Tabela 1.3: Distribuição de frequências dos preços de ovos Preço dos ovos 47 ├ 68 68 ├89 89 ├110 110 ├131 131 ├152 Total Fonte: GUJARATI. Basic Econometrics Estatística Aplicada a Engenharia I – Prof. Msc. André Luiz Sena da Rocha andrerochaest@yahoo.com.br Gráfico de Colunas Principais rações caninas vendidas numa certa cidade em 2010 Histograma e Polígono de Frequências A apresentação tabular dos dados é feita através de uma distribuição de frequências. Fica complementada com uma representação gráfica desses mesmos dados. O histograma e o polígono ficos usados para representar uma distribuição de frequências simples de uma variável quantitativa contínua. Exemplo de um histograma e de um polígono de frequências : Distribuição de frequências dos preços de ovos - EUA - 1990 f fr F↓ F% 19 38 19 19 38 38 9 18 47 2 4 49 1 2 50 50 100 - Basic Econometrics. McGraw-Hill, 3a ed. 1995. 18 em 2010 A apresentação tabular dos dados é feita através de uma distribuição de frequências. Fica fica desses mesmos dados. O histograma e o polígono de frequências simples F%↓ 38 76 94 98 100 - EST0323– Estatística Aplicada a Engenharia I – Prof. Msc. André Luiz Sena da Rocha andrerochaest@yahoo.com.br 19 Um histograma é um conjunto de retângulos com bases sobre um eixo horizontal dividido de acordo com os comprimentos de classes, centros nos pontos médios das classes e áreas proporcionais ou iguais às frequências. Um polígonode frequências é um gráfico de linha que se obtém unindo por uma poligonal os pontos correspondentes às frequências das diversas classes, centradas nos respectivos pontos médios. Para obter as interseções da poligonal com o eixo, cria-se em cada extremo uma classe com frequência nula. Note que esses gráficos podem ser construídos com base nas frequências absolutas ou relativas. O importante é que a escala nos eixos horizontal e vertical, bem como os retângulos, sejam construídos de forma a que suas áreas espelhem a proporcionalidade dessas frequências. Na Figura 1.10 apresentamos o histograma para a distribuição de frequências dada na Tabela 1.17, referente ao preço da dúzia de ovos nos estados americanos em 1990. Aqui cabe uma observação sobre o histograma, que foi construído com o software free R; cada retângulo foi construído de modo que sua área fosse exatamente igual à frequência relativa. Por exemplo, todos os retângulos têm base 21, que é a amplitude de classe. A altura dos dois primeiros retângulos é [área/base = 0,38 / 21 = 0,0180952], de modo que a área resultante é 0,38. Para a terceira classe, temos que [altura = área/base = 0,18 / 21 = 0,0085714]. O ponto fundamental na interpretação de um histograma é compreender que as áreas dos retângulos representam as frequências de cada classe. Como a variável é contínua e a frequência dada se refere a uma classe de valores, a suposição que se faz é que essa frequência se distribui uniformemente pela classe. Na Figura 1.10, a frequência relativa da classe 47 ├ 68 é 0,38 (ou 38%) e ela está uniformemente distribuída pela classe, o que significa que subclasses de mesmo comprimento teriam a mesma frequência. Por exemplo, as frequências das classes 47├57,5 e 57,5├68 seriam ambas iguais 0,19. Já a subclasse 89├95 teria uma frequência de 0,0085714 × (95−89) = 0,0514286. Mais uma vez, o princípio é que área = frequência. Com relação ao polígono de frequências, a ideia é representar o comportamento “típico” de cada classe através do seu ponto médio. Assim, o polígono de frequência está representado na Figura 1.11 EST0323– Estatística Aplicada a Engenharia I – Prof. Msc. André Luiz Sena da Rocha andrerochaest@yahoo.com.br 20 HISTOGRAMA Figura 1.4: Histograma da distribuição de frequência dos preços dos ovos nos estados POLÍGONO DE FREQUÊNCIAS Figura 1.5: Polígono de frequência dos preços dos ovos nos estados americanos 1.6 – Medidas de Tendência Central Os dados quantitativos, apresentados em tabelas e gráficos, constituem a informação básica do problema. Mas é conveniente apresentar medidas que mostrem a informação de maneira resumida. EST0323– Estatística Aplicada a Engenharia I – Prof. Msc. André Luiz Sena da Rocha andrerochaest@yahoo.com.br 21 Medidas de Tendência Central São medidas que tendem para o centro da distribuição e têm a capacidade de representá-la como um todo. Dão o valor do ponto em torno do qual os dados se distribuem. As principais são: Média Aritmética, Mediana e Moda e algumas. 1.6.1 - Média Aritmética A média aritmética pode ser definida em dois tipos: populacional (µ ) e amostral ( X ). Nos dois casos existem três situações quanto aos cálculos. 1. Dados apresentados em forma de rol: A média será: rol do elementos de número rol do elementos os todosde soma n x X n i == ∑ =1i Exemplo 1.11: Número de tonadas a serem trocadas em 12 hotéis de Natal (50, 62, 70, 86, 60, 64, 66, 77, 58, 55, 82, 74) � X =67 Análise: O número médio de tomadas para serem trocadas é de 67 por hotel. Exercício 1.9: Um gerente de supermercado quer estudar a movimentação de pessoas em seu estabelecimento, constata que 195, 1.002, 941, 768 e 1.283 pessoas entraram no seu estabelecimento nos últimos cinco dias. Descubra o número médio de pessoas que entraram diariamente neste estabelecimento nos últimos cinco dias. 2. Dados apresentados em forma de distribuição de frequência simples: A média será: ∑ ∑ = = = n 1i i n ii f fx X 1i Exemplo 1.12: Número de peças com defeitos produzidas em 27 dias em certa fábrica X 0 1 2 3 4 Total f 2 4 10 6 5 27 EST0323– Estatística Aplicada a Engenharia I – Prof. Msc. André Luiz Sena da Rocha andrerochaest@yahoo.com.br 22 2,3 27 (4).(5) (3).(6) (2).(10) (1).(4)(0).(2) f fx X n 1i i n ii = ++++ == ∑ ∑ = =1i Análise: Verifica-se que o número médio de peças com defeitos é de 2,3 por dia. Exercício 1.10: As informações abaixo apresentam a idade dos usuários de drogas internos numa clínica para tratamento. Determine a idade média dos internos. Idade fi 17 2 18 4 19 5 20 6 21 3 22 4 23 2 Total 26 3. Dados apresentados em forma de distribuição de frequência em classes: A média será: ∑ ∑ = = = n 1i i n 1i im f fP X EST0323– Estatística Aplicada a Engenharia I – Prof. Msc. André Luiz Sena da Rocha andrerochaest@yahoo.com.br 23 Exemplo 1.13: Nascidos vivos segundo o peso ao nascer, em kg. Classes fi Pm 1,5 |- 2,0 3 1,75 2,0 |- 2,5 16 2,25 2,5 |- 3,0 31 2,75 3,0 |- 3,5 34 3,25 3,5 |- 4,0 11 3,75 4,0 |- 4,5 4 4,25 4,5 |-| 5,0 1 4,75 Total 100 - 3 100 (4,75).(1) )(2,25).(16(1,75).(3) f fP X n 1i i n im = +++ == ∑ ∑ = = …1i Análise: Verifica-se que o peso médio dos 100 nascidos vivos observados é 3 kg. 1.6.2 – Mediana Valor que divide a distribuição em duas partes iguais, em relação à quantidade de elementos. Isto é, é o valor que ocupa o centro da distribuição, de onde se conclui que 50% dos elementos ficam abaixo dela e 50% ficam acima. Colocados em ordem crescente, a mediana (Med ou Md) é ou valor que divide a amostra, ou população, em duas partes iguais. 0 Med 100% a) Variável Discreta: os dados estão dispostos em forma de rol ou em uma distribuição de frequência simples. EST0323– Estatística Aplicada a Engenharia I – Prof. Msc. André Luiz Sena da Rocha andrerochaest@yahoo.com.br 24 � Se “n” for ímpar: Med = elemento central (de ordem 1 2 n + ) - Exemplo 1.14: Dados em forma de rol: Seja a amostra: 8, 10, 12, 14, 16 � Med = 5 1 3 2 + = � elemento do rol = 12 Interpretação: o 3º elemento do rol (12) divide 50% da distribuição dos dados à direita e à esquerda. - Exemplo 1.15: Dados em uma distribuição de frequência simples: Suponha a seguinte distribuição de frequência simples. X fi ↓F 1 1 1 2 3 4 3 5 9 4 2 11 Total 11 - n = 11 (ímpar) Elemento mediano: [(n+1)/2]º = 6º elemento 3ª classe contém o 6º elemento � Med = 3. � Se “n” for par: Med = média aritmética dos dois elementos centrais (de ordem 2 n e 1 2 n + ) - Exemplo 1.16: Dados em forma de rol: Seja a amostra: 8, 10, 12, 14, 16, 19 6 3 elemento do rol 2 2 61 1 4 elemento do rol 2 2 n n = = + = + = � � Med = 3 elemento 4 elemento 12 14 13 2 2 Mediana + += = = � � Interpretação: a média do 3º e 4º elemento do rol (13) divide 50% da distribuição dos dados à direita e à esquerda. EST0323– Estatística Aplicada a Engenharia I – Prof. Msc. André Luiz Sena da Rocha andrerochaest@yahoo.com.br 25 - Exemplo 1.17: Dados em uma distribuição de frequência simples: Suponha a seguinte distribuição de frequência simples. X fi ↓F 82 5 5 85 10 15 87 15 30 89 8 38 90 4 42 Total 42 - Fonte: Dados fictícios n = 42 (par) Elemento mediano: (n/2)º = 21º elemento (n/2)º + 1 = 22º elemento 3ª classe contém o 21º e o 22º elemento Med= (87 + 87)/2 = 87 b) Variável Contínua: os dados estão agrupados em uma distribuição de frequências em classes, então: • 1º Passo: Organizar os dados em forma de rol (ordem crescente); • 2º Passo: Calcular a ordem (n/2)º. Como a variável é contínua não importa se é par ou ímpar. • 3º Passo: Através da ↓F identificar a classe que contém a mediana, isto é, a posição da mediana. • 4º Passo: Utilizar a fórmula: Med Med Med Med .if FP LIMed ↓− += − - LIMed = limite inferior da classe que contém a mediana; - PMed = posição da mediana = 2f i /∑ = xº elemento; - -F ↓ = frequência absoluta acumulada "abaixo de" da classe anterior à classe que contém a mediana; - fMe = frequência absoluta da classe que contém a mediana; - iMe = intervalo da classe que contém a mediana; EST0323– Estatística Aplicada a Engenharia I – Prof. Msc. André Luiz Sena da Rocha andrerochaest@yahoo.com.br 26 Exemplo 1.18: Temperatura (Cº) para o derretimento de certo material eletrônico. Temperatura fi Pm F↓ 150 |- 200 35 175 35 200 |- 250 164 225 199 250 |- 300 31 275 230 300 |- 350 344 325 574 350 |- 400 112 375 686 400|- 450 32 425 718 455 |-| 500 10 475 728 Total 728 - - Fonte: Dados fictícios PMe = (n/2)� (728/2)� 364º elemento � 4ª classe: [300; 350) 0Med Med Med Med P F 364 - 230Med LI .i 300 .(50) 319,75 f 344 C − − ↓ = + = + = Exercício 1.11: Um determinado hospital está interessado em analisar a quantidade de creatinina (em miligramas por 100 mililitros) encontrada na urina (de 24 horas) de seus pacientes internados com problemas renais. Calcule a Mediana. Quantidade de creatinina (ml) encontrada na urina de 84 pacientes com problemas renais. Classes fi F↓ 1,08 |- 1,26 5 5 1,26 |- 1,44 13 18 1,44 |- 1,62 32 50 1,62 |- 1,80 18 68 1,80 |- 1,98 11 79 1,98 |- 2,16 2 81 2,16 |-| 2,34 3 84 Total 84 - Fonte: Dados fictícios EST0323– Estatística Aplicada a Engenharia I – Prof. Msc. André Luiz Sena da Rocha andrerochaest@yahoo.com.br 27 1.6.3 - Moda É o valor que ocorre com maior frequência na série, ou seja, aquele que mais se repete. Exemplo: Na série 3, 4, 5, 7, 7, 7, 9, 9 � Mo = 7 � SÉRIE UNIMODAL (TEM UMA ÚNICA MODA) Exemplo: Na série 3, 5, 6, 6, 6, 7, 8 � Mo = 6 � SÉRIE BIMODAL (OCORREM DUAS MODAS) Exemplo: Na série 2, 5, 5, 5, 6, 7, 9, 9, 9, 10, 10 � Mo1 = 5 e Mo2 = 9 � SÉRIE TRIMODAL (OCORREM TRÊS MODAS) Exemplo: Na série 4, 4, 4, 5, 6, 7, 7, 7, 8, 9, 9, 9 � Mo1 = 4, Mo2 = 7 e Mo3 = 9 � SÉRIE POLIMODAL (OCORREM QUATRO OU MAIS MODAS) Exemplo: Na série 0, 0, 1, 3, 3, 4, 7, 8, 8, 11, 12, 12, 13, 13 � Mo1 = 0, Mo2 = 3, Mo3 = 8, Mo4 = 12 e Mo5 = 13 � SÉRIE AMODAL (NÃO EXISTE MODA) Exemplo: Na série 0, 1, 3, 4, 7, 8 � não existe moda a) DADOS APRESENTADOS EM UMA DISTRIBUIÇÃO DE FREQUÊNCIA SIMPLES. Mo = elemento que tenha maior frequência Exemplo 1.19: X fi 1 13 3 15 6 25 10 8 Total 61 Mo = 6 EST0323– Estatística Aplicada a Engenharia I – Prof. Msc. André Luiz Sena da Rocha andrerochaest@yahoo.com.br 28 Exemplo 1.20: Tipo de Sangue fi O 547 A 441 B 123 AB 25 Total 1136 Mo = sangue do tipo "O" b) DADOS APRESENTADOS EM UMA DISTRIBUIÇÃO DE FREQUÊNCIA CLASSES. Nesse caso, a moda pode ser determinada através de quatro processos. 1. Moda Bruta (MoB) Corresponde ao ponto médio da classe modal, ou seja, MoB = (li + ls)/2 Exemplo 1.21: Quantidade de Creatinina Classes fi 1,08 ├ 1,26 5 1,26 ├ 1,44 13 1,44 ├ 1,62 32 1,62 ├ 1,80 18 1,80 ├ 1,98 11 1,98 ├ 2,16 2 2,16 2,34 3 Fonte: Dados fictícios 2. Moda de Pearson (MoP) Utilizada mais especificamente, juntamente com X e Med, para mostrar o comportamento da distribuição, em relação a concentração ou não de seus elementos. Mo 3 Med - 2 X= ⋅ ⋅ EST0323– Estatística Aplicada a Engenharia I – Prof. Msc. André Luiz Sena da Rocha andrerochaest@yahoo.com.br 29 Utiliza-se a MoP para a análise da assimetria. a) Assimetria à esquerda: oPMMedX << (concentração à direita ou nos valores maiores); b) Simétrica: XMedM oP == (concentração no centro); c) Assimetria à direita: XMedM oP << (concentração à esquerda ou nos valores menores). Exemplo 1.22: Calcule a moda de Pearson para os seguintes dados X = 1,61 e Med = 1,57. Mo 3 Med- 2 X = 3(1,57) - 2(1,61) =1,49= ⋅ ⋅ Análise: XMedM oP << , o que indica uma assimetria à direita, isto é, uma maior concentração à esquerda (ou em direção aos valores menores). Exercício 1.12: Calcule a moda de pearson para a distribuição de frequências abaixo: Quantidade (ml) encontrada numa amostra de 320 soluções utilizadas num processo químico. Quantidade (ml) fi F↓ 4,08 |- 5,44 49 49 5,44 |- 6,80 70 119 6,80 |- 8,16 142 261 8,16 |- 9,52 29 290 9,52 |-| 10,88 30 320 Total 320 - Fonte: Dados fictícios EST0323– Estatística Aplicada a Engenharia I – Prof. Msc. André Luiz Sena da Rocha andrerochaest@yahoo.com.br 30 1.6.4 – Separatrizes Além das medidas de posição que estudamos, há outras que, consideradas individualmente, não são medidas de tendência central, mas estão ligadas à mediana, já que se baseiam em sua posição na série. Essas medidas - os quartis, os percentis e os decis - são, juntamente com as medianas, conhecidas pelo nome genérico de separatrizes. Os quartis, decis e percentis são muito similares à mediana, uma vez que também subdividem a distribuição de medidas de acordo com a proporção das frequências observadas. Enquanto a mediana divide a distribuição em duas metades, os quartis dividem-se em quatro quartos, os decis em 10 partes e os pontos percentis dividem a distribuição em 100 partes. Mediana (Me) divide em duas partes iguais Quartis (Q1, Q2 e Q3) dividem em quatro partes iguais Decis (D1, D2, ..., D9) dividem em dez partes iguais Percentis (P1, P2, ..., P99 ) dividem em cem partes iguais São utilizadas para se conhecer, com precisão, as distribuições dos dados como um todo. As separatrizes podem ser utilizadas tanto em dados não-agrupados (em forma de rol ou em distribuição de frequência simples) tanto quanto em dados agrupados (distribuição de frequências em classes). Relação visual das separatrizes !-------------------!-------------------! Md !---------!---------!---------!---------! Q1 Q2 Q3 !-----!-----!-----!-----!-----!-----!-----!-----!-----!-----! D1 D2 D3 D4 D5 D6 D7 D8 D9 !----------!----------!----------!----------!----------!----------!----------!----------!----------!----------! P10 P20 P30 P40 P50 P60 P70 P80 P90 EST0323– Estatística Aplicada a Engenharia I – Prof. Msc. André Luiz Sena da Rocha andrerochaest@yahoo.com.br 31 SEPARATRIZES PARA DADOS NÃO-AGRUPADOS Primeiro encontra-se a posição e em seguida identifica a classe para cada separatriz. As posições são calculadas da seguinte maneira: 1 – Posição da Mediana: PMe = 2 n 2 – Posição dos Quartis: PQx = . n4 x , x = 1, 2, 3 3 – Posição dos Decis: PDx = . n 10 x , x = 1, 2, ..., 9 4 – Posição dos Percentis: PPx = . n 100 x , x = 1, 2, ..., 99 em que: x refere-se à determinação da separatriz (exemplo para quartil, x=1,2,3); n refere-se ao número de elementos dos dados ou distribuição. Exemplo 1.23: Considere o tempo (anos) de 24 máquinas utilizadas numa indústria. Calcule os Quartis. 17 18 19 20 21 22 23 24 25 26 27 29 32 33 35 38 39 42 44 46 48 50 54 57 Calculando os quartis, temos: 1 2 3 1 246 elemento=22 4 4 2 24 12 elemento=29 4 3 24 18 elemento=42 4 o o o x nEq Eq Mediana Eq ⋅ ⋅ = = = ⋅ = = = ⋅ = = Em relação aos quartis, encontramos os 6º, 12º e o 18º elemento da distribuição dos dados, que correspondem aos números 22, 29 e 42. Assim, podemos concluir que 25% das máquinas têm idade de até 22 anos de uso, como também metade delas têm até 29 anos e 25% têm ao menos 42 anos. 25% das máquinas têm mais de 42 anos de uso na indústria. EST0323– Estatística Aplicada a Engenharia I – Prof. Msc. André Luiz Sena da Rocha andrerochaest@yahoo.com.br 32 Calculando os Decis 3, 7 e 9, temos: 3 5 9 3 24 7 8 23 247,2 23,5 10 10 2 2 5 24 12 elemento=29 10 9 24 21 22 48 5021,6 49 10 2 2 o o o o o x n elemento elementoEd Ed Mediana elemento elementoEd ⋅ ⋅ + + = = = ≈ = = ⋅ = = = ⋅ + + = = ≈ = = Em relação aos decis calculados, encontramos os 7º, 12º e o 22º elemento da distribuição dos dados, que correspondem aos números 23,5, 29 e 49. Assim, podemos concluir que 30% das máquinas têm até 23,5 anos de uso, como também metade delas têm até 29 anos e 90% têm ao menos 49 anos. 10% das máquinas têm mais de 49 anos de uso na indústria. Calculando os Percentis 30, 70 e 90, temos: 17 35 83 17 24 4 5 20 214,08 elemento 20,5 100 100 2 2 35 24 8 9 24 258,4 elemento 24,5 100 2 2 83 24 19 20 44 4619,92 elemento 45 100 2 2 o o o o o o o o o x nEp Ep Ep ⋅ ⋅ + + = = = ≈ = = ⋅ + + = = ≈ = = ⋅ + + = = ≈ = = Em relação aos percentis calculados, encontramos os 4º, 8º e o 20º elemento da distribuição dos dados, que correspondem aos números 20,5; 24,5 e 45. Assim, podemos concluir que 17% das máquinas têm até 20,5 anos de uso, como também 35% deles têm até 24,5 anos e 65% têm ao menos 24,5 anos. Conclui-se também que 83% têm até 45 anos de utilização na indústria e 17% têm no mínimo 45 anos. 1.7 - Medidas De Dispersão Utilizaremos o termo dispersão para indicar o grau de afastamento de um conjunto de números em relação a sua média, pois ainda que consideremos a média como um número que tem a faculdade de representar uma série de valores ela não pode por si mesma, destacar o grau de homogeneidade ou heterogeneidade que existe entre os valores que compõem o conjunto. O nosso EST0323– Estatística Aplicada a Engenharia I – Prof. Msc. André Luiz Sena da Rocha andrerochaest@yahoo.com.br 33 objetivo é construir medidas que avaliem a representatividade da média, para isto usaremos as medidas de dispersão. Uma breve reflexão sobre as medidas de tendência central permite-nos concluir que elas não são suficientes para caracterizar totalmente uma sequência numérica. Se observarmos as seguintes sequências: X: 70, 70, 70, 70, 70 Y: 68, 69, 70, 71, 72 Z: 1, 38, 70, 76, 165 Calculando a média aritmética de cada um desses conjuntos, obtemos: 350 70 5 ixX X n = ⇒ = = ∑ iy 350Y 70 n 5 = = = ∑ iz 350Z 70 n 5 = = = ∑ Observamos, então, que os três conjuntos apresentam a mesma média aritmética igual a 70. Calculando a mediana para os três, dará também o mesmo resultado, ou seja, 70. Assim, pensaríamos que essas três variáveis são iguais, no entanto, são sequências completamente distintas do ponto de vista da variabilidade de dados. Na sequência X, não há variabilidade dos dados. A média 70 representa bem qualquer valor da série. Na sequência Y, a média 70 representa bem a série, mas existem elementos da série levemente diferenciados da média 70. Na sequência Z, existem muitos elementos bastante diferenciados da média 70. Concluímos que a média 70 representa otimamente a sequência X, representa razoavelmente bem a sequência Y, mas não representa bem a sequência Z. Nosso objetivo é construir medidas que avaliem a representatividade da média. Para isto, usaremos as medidas de dispersão. Observe que na sequência X os dados estão totalmente concentrados sobre a média 70, não há dispersão de dados. Na sequência Y, há forte concentração dos dados sobre a média 70, mas há fraca dispersão de dados. Já na série Z há fraca concentração de dados em torno da média 70 e forte dispersão de dados em relação à média 70. As principais medidas de dispersão absolutas são: amplitude total, variância, desvio padrão e coeficiente de variação. EST0323– Estatística Aplicada a Engenharia I – Prof. Msc. André Luiz Sena da Rocha andrerochaest@yahoo.com.br 34 1.7.1 – Variância È a medida de dispersão mais utilizada. É definida como sendo o quociente entre a soma dos quadrados dos desvios e o número de elementos. É classificada em dois tipos: Variância Populacional ( 2σ ) ⇒ ( ) ( )2 22 21i i i X X X X N N N σ − = = − ∑ ∑ ∑ Variância Amostral (s2) ⇒ ( ) ( )2 22 21 1 1 i i i X X X S X n n n − = = − − − ∑ ∑ ∑ Exemplo 1.24: Calcule a variância da estatura do tempo em anos do funcionamento de 5 geradores de certa indústria automobilística: 1,92 1,72 1,82 1,80 1,84 Antes de calcular a variância, é necessário calcular a média ( X ). Logo: 1,92 1,72 1,82 1,80 1,84 9,1 1,82 5 5 X + + + += = = ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) 2 2 2 2 2 2 2 2 2 2 2 2 1,92 1,82 1,72 1,82 1,82 1,82 1,80 1,82 1,84 1,82 1 5 1 0,1 0,1 0 0,02 0,02 0,01 0,01 0 0,0004 0,0004 4 4 0,0208 0,0052. 4 iX XS n − − + − + − + − + − = = − − + − + + − + + + + + = = = = = ∑ EST0323– Estatística Aplicada a Engenharia I – Prof. Msc. André Luiz Sena da Rocha andrerochaest@yahoo.com.br 35 Exercício 1.13: Calcule a variância do número de incisões feitas em três crianças numa cirurgia dos membros superiores e inferiores. Comenta sobre a variabilidade. Laboratório Corpo de prova I II III IV A 2,59 1,45 1,09 4,79 B 1,99 1,99 1,99 1,99 C 0,80 0,01 3,98 7,59 IMPORTANTE: Quando os dados estão dispostos em uma tabela de distribuição de frequência (simples ou em classes), utilizam-se as seguintes fórmulas: 1º Caso – Frequência Simples ( ) ⋅ −⋅ − = ∑ ∑ n fxfx n s i i 2 22 1 1 ( ) ⋅ −⋅= ∑ ∑ N fxfx N i i 2 22 1σ 2º Caso – Frequência em Classes ( ) ⋅ −⋅ − = ∑ ∑ n fPmfPm n s 2 22 1 1 ( ) ⋅ −⋅= ∑ ∑ N fPmfPm N 2 22 1σ ATENÇÃO: “Desvantagem” do uso da variância No cálculo da variância, quando elevamos ao quadrado a diferença )x(x i −−−− , a unidade de medida da série fica também elevada ao quadrado. Portanto, a variância é dada sempre no quadrado da unidade de medida da série. Se os dados são expressos em metros, a variância é expressa em metros quadrados. Em algumas situações, a unidade de medida da variância nem faz sentido. É o caso, por exemplo, em que os dados são expressos em litros. A variância será expressa em litros quadrados. Logo, o valor da variância não pode ser comparado diretamente com os dados da série, ou seja: variância não tem interpretação. Solução: Utilizar o DESVIO PADRÃO como medida. EST0323– Estatística Aplicada a Engenharia I – Prof. Msc. André Luiz Sena da Rocha andrerochaest@yahoo.com.br 36 1.7.2 - Desvio Padrão Medida de dispersão que apresenta as propriedades da variância e tem a mesma unidade de medida dos dados. É a raiz quadrada da variância. Notações: 1) Quando a sequência de dados representa uma população a variância será denotada por 2σ e o desvio padrão correspondente por σ . 2) Quando a sequência de dados representa uma amostra a variância será denotada por 2S e o desvio padrão correspondente por S . Desvio Padrão Populacional (σ) ⇒ ( ) 2 iX X N σ − = ∑ Desvio Padrão Amostral (s) ⇒ ( )2 1 iX XS n − = − ∑ OBS: Quanto maior o valordo desvio padrão significa que mais dispersos estão os elementos em torno da média. Exercício 1.14: Calcule o desvio-padrão do Exercício 1.13. Interpretação do Desvio Padrão O desvio padrão é, sem dúvida, a mais importante das medidas de dispersão. É fundamental que o interessado consiga relacionar o valor obtido do desvio padrão com os dados da série. Quando uma curva de frequência representativa da série é perfeitamente simétrica ( MoMdX ======== ), podemos afirmar que os intervalos: ] x ,x[ σσσσσσσσ ++++−−−− contém aproximadamente 68% dos valores da série. ]2 x ,2x[ σσσσσσσσ ++++−−−− contém aproximadamente 95% dos valores da série. ]3 x ,3x[ σσσσσσσσ ++++−−−− contém aproximadamente 99% dos valores da série. EST0323– Estatística Aplicada a Engenharia I OBS: Quando a distribuição não é perfeitamente simétrica, estes percentuais apresentam pequenas variações para mais ou para menos, segundo as três propriedades definidas acima não ocorrem com exatidão. Exemplo 1.25: Suponha uma série com média estes valores da seguinte forma: 1. Os valores da série estão concentrados em torno de 100. 2. O intervalo [95, 105] contém aproximadamente 68% dos valores da série. O intervalo [90, 110] contém aproximadamente 95% dos valores da série. O intervalo [85, 115] contém aproximadamente 99% dos valores da série. Estatística Aplicada a Engenharia I – Prof. Msc. André Luiz Sena da Rocha andrerochaest@yahoo.com.br Quando a distribuição não é perfeitamente simétrica, estes percentuais apresentam pequenas variações para mais ou para menos, segundo o caso. Ou seja, na presença de assimetria ou as três propriedades definidas acima não ocorrem com exatidão. Suponha uma série com média 100====x e desvio padrão 5====σσσσ Os valores da série estão concentrados em torno de 100. O intervalo [95, 105] contém aproximadamente 68% dos valores da série. O intervalo [90, 110] contém aproximadamente 95% dos valores da série. 15] contém aproximadamente 99% dos valores da série. 37 Quando a distribuição não é perfeitamente simétrica, estes percentuais apresentam pequenas o caso. Ou seja, na presença de assimetria ou outliers, 5 , podemos interpretar EST0323– Estatística Aplicada a Engenharia I – Prof. Msc. André Luiz Sena da Rocha andrerochaest@yahoo.com.br 38 1.7.3 - Coeficiente de Variação Dissemos antes que, por serem as unidades do desvio-padrão as mesmas que as unidades dos dados originais, é mais fácil entender o desvio-padrão do que a variância. No entanto, aquela mesma propriedade torna difícil comparar a variação para valores originados de diferentes populações, ou seja, quando as medidas de duas ou mais variáveis são expressas em unidades diferentes como peso/altura, capacidade/comprimento, etc. Usa-se então o Coeficiente de Variação (CV), que é uma medida relativa, que expressa o desvio padrão como uma porcentagem da média aritmética e ele não tem unidade específica. Quanto mais próximo de zero, mais homogênea é a distribuição. Quanto mais distante, mais dispersas. O CV mede a dispersão em relação à média. É a razão entre o desvio padrão e a média. O resultado obtido dessa operação é multiplicado por 100, para que o coeficiente de variação seja dado em porcentagem. 100sCV X = ⋅ ANÁLISE 1. DISPERSÃO BAIXA: CV ≤ 15% 2. DISPERSÃO MÉDIA: 15% ≤ CV ≤ 30% 3. DISPERSÃO ALTA: CV ≥ 30% OBS.: Um CV alto indica que a dispersão dos dados em torno da média é muito grande. Exemplo 1.26: Alturas e Pesos de Homens. Usando os dados amostrais de alturas e pesos de 40 homens de uma turma de estatística, encontramos as estatísticas dadas na tabela a seguir. Média - X Desvio padrão - S Altura (cm) 168 7,56 Peso (kg) 72 10,98 Calcule o coeficiente de variação para altura e peso, e a seguir, compare os dois resultados. EST0323– Estatística Aplicada a Engenharia I – Prof. Msc. André Luiz Sena da Rocha andrerochaest@yahoo.com.br 39 Solução: CV para Altura: 7,56100 100 0,045 100 4,5%. 168Altura SCV X = ⋅ = ⋅ = ⋅ = CV para Peso: 10,98100 100 0,1525 100 15,25%. 72Peso SCV X = ⋅ = ⋅ = ⋅ = Reparem que se fôssemos comparar apenas o desvio padrão (fazendo isso já estaríamos errando, pois não se podem comparar desvios-padrão de populações com unidades de medição diferentes, neste caso cm e kg), iríamos erroneamente deduzir que as duas populações tinham variabilidade muito próximas. No entanto, ao calcular os coeficientes de variação para as duas populações, analisa-se que a variabilidade das alturas dos homens é quase quatro vezes menos que a variabilidade dos pesos. Isso faz sentido intuitivamente, porque vemos rotineiramente que os pesos entre homens variam muito mais do que as alturas. Por exemplo, é muito raro ver dois homens adultos com um deles tendo duas vezes a altura do outro, mas é muito comum ver dois homens com um deles pesando duas vezes o peso do outro. Exercício 1.14: Em um grupo de pacientes, foram tomadas as pulsações (batidas por minuto) e dosadas as taxas de ácido úrico (mg/100ml). Mas médias e os desvios-padrão foram: Variável Média - Desvio padrão - S Pulsação 68,7 8,7 Ácido úrico 5,46 1,03 Compare a dispersão da Pulsação com as taxas de ácido úrico. 1.8 - Análise Exploratória de Dados 1.8.1 - Esquema dos 5-Números No caso de uma distribuição com outliers, não é ideal representar um conjunto de valores com o uso da média e do desvio-padrão, pois devido a presença de valores extremos, elas foram afetados. Tukey (1970, 1977) sugeriu o uso de cinco medidas para analisar casos como esse, sendo elas: EST0323– Estatística Aplicada a Engenharia I – Prof. Msc. André Luiz Sena da Rocha andrerochaest@yahoo.com.br 40 a) Limite Inferior (Li) e Limite Superior ( Ls) b) Q1, Q2 e Q3 Forma de representação: Notações: a) Q3 - Q1 = Intervalo interquartil (dj) b) Me - Li = Dispersão inferior c) Ls - Me = Dispersão superior. Estas cinco medidas são chamadas de estatística de ordem e são medidas resistentes de posição de uma distribuição. Dizemos que uma medida de posição é resistente quando for pouco afetada por mudanças de uma pequena porção dos dados. A mediana é uma medida resistente, ao passo que a média não o é. 1.8.2 – BOX-PLOT É a representação gráfica dos 5-números, em que são destacados o intervalo interquartil (dj) e as observações discrepantes, ou seja: valores menores que Q dj1 3 2 − ou maiores que Q dj3 3 2 + . (Os pontos discrepantes são representados por um asterisco ou travessão). O desenho esquemático (Figura abaixo) dá uma ideia da posição, dispersão, assimetria, caudas e dados discrepantes. A posição central dos valores é dada pela mediana e a dispersão por dj. As posições relativas de Q1, Q2 e Q3, dão uma noção da assimetria. As caudas são as linhas acima e abaixo do retângulo (ou caixa). Ls Q2 = Med Li Q3 Q1 EST0323– Estatística Aplicada a Engenharia I – Prof. Msc. André Luiz Sena da Rocha andrerochaest@yahoo.com.br 41 (Q3 + 3/2dj) LS Q1 LI (Q1 - 3/2dj) Q2 = Med Q3 Desenho esquemático do Box-plot Exemplo 1.27: Os dados abaixo são referentes ao tempo em segundos até uma reação química realizada em 40 tubos de ensaio. Construa um Boxplot e faça uma breve descrição sobre os dados. 47,5 50 50 57,5 60 62,3 63,2 63,56 64,5 65,1 72,2 72,3 74,1 74,8 75,7 76,2 79 79,2 79,3 81,5 82,1 84 85,3 88,1 88,5 90 92,6 94,7 95,5 96 98,3 98,7 99,2 100 101,2 110 122,7 125,9 134,6 136,2 O que vamos precisar: LI = 47,5 LS= 136,2 1 2 3 1 40 10 elemento = 65,1 4 4 2 40 20 elemento = 81,5 4 3 40 30 elemento = 96 4 o o o x nQ Q Mediana Q ⋅ ⋅ = = = ⋅ = = = ⋅ = = dj = Q3 - Q1 = 96 – 65,1 = 30,9. Me - Li = 81,5 – 47,5 = 34 EST0323– Estatística Aplicada a Engenharia I Ls - Me = 136,2 – 81,5 = 54,7 Assim, podemos calcular os limites que informarão se há pontos discrepantes ( 3 1 3 396 30,9 142,35 2 2 3 365,1 30,9 18,75 2 2 Q dj Q dj + = + = − = − = Logo, não há nenhum outlier, uma vez que não existe nenhum segundos ou com tempo inferior a 1. Podemos analisar que 25% dos e que metade deles houve reação em reação química acima de 81 segundos 2. Analisa-se também que 75% dos 25% delas no mínimo 96 s. 3. Chama-se atenção que a reação mais rápida segundos. 4. Não há outliers na distribuição dos dados. Estatística Aplicada a Engenharia I – Prof. Msc. André Luiz Sena da Rocha andrerochaest@yahoo.com.br Assim, podemos calcular os limites que informarão se há pontos discrepantes ( 96 30,9 142,35 65,1 30,9 18,75 , uma vez que não existe nenhuma reação com tempo superior tempo inferior a 18 segundos. O gráfico é representado abaixo: Podemos analisar que 25% dos experimentos tiveram uma reação química em houve reação em até 81 segundos. Assim como na outra segundos. se também que 75% dos reações ocorreram no máximo em 96 segundos a reação mais rápida foi em 47 segundos e a mais demorada, na distribuição dos dados. 42 Assim, podemos calcular os limites que informarão se há pontos discrepantes (outliers). empo superior a 142 . O gráfico é representado abaixo: experimentos tiveram uma reação química em até 65 segundos, na outra metade, teve segundos, assim como, a mais demorada, de 136 EST0323– Estatística Aplicada a Engenharia I – Prof. Msc. André Luiz Sena da Rocha andrerochaest@yahoo.com.br 43 UNIDADE II PROBABILIDADE A Teoria da probabilidade é útil para analisar situações que envolvem o acaso. Jogos de dados e de cartas, ou o lançamento de uma moeda para o ar. As distribuições de probabilidade incorporam a estatística descritiva e a teoria da probabilidade. Ambas formam a base da inferência estatística. Algumas aplicações: - Na maioria dos jogos esportivos (futebol, basquete, surfe...), até certo ponto; - Na decisão de parar de imunizar pessoas com menos de 20 anos contra determinada doença; - Na decisão de arriscar-se a atravessar uma rua no meio do quarteirão; - Na engenharia, com uso na tomada de decisões, sendo aplicado principalmente conceitos de planejamento de experimentos e amostragem; - Todas utilizam a probabilidade consciente ou inconscientemente. 2.1 - Experimentos Aleatórios São experimentos que ao serem repetidos nas mesmas condições não produzem sempre o mesmo resultado, ou seja, exibem variação nos seus resultados. Exemplo 2.1: Considere alguns exemplos de experimentos aleatórios, denotados aqui por ε. • ε1: Tempo, em horas, até a falha de um equipamento; • ε2: Número de itens defeituosos em uma linha de produção em um período de 24 horas; • ε3: Ocorrência ou não da ruptura de uma viga a um peso x em toneladas; • ε4: A sequência de caras e coroas verificada no lançamento de uma moeda 4 vezes; • ε5: Lançamento de uma moeda até que apareça cara pela primeira vez. Embora não sejamos capazes de afirmar qual o particular resultado deste experimento, poderemos descrever o conjunto de todo os seus possíveis resultados. EST0323– Estatística Aplicada a Engenharia I – Prof. Msc. André Luiz Sena da Rocha andrerochaest@yahoo.com.br 44 2.2 - Espaço Amostral Denotado por S ou Ω, é definido como o conjunto de todos os possíveis resultados de um experimento aleatório. Exemplo 2.2: Consideramos a seguir o espaço amostral associado a cada um dos experimentos citados no Exemplo 2.1. • Tempo, em horas, até a falha de um equipamento; Ω1 = { t ; t ≥ 0 } • Número de itens defeituosos em uma linha de produção em um período de 24 horas; Ω2 = {0, 1, ..., n}; sendo n o número máximo de itens produzidos em 1 dia. • Ocorrência ou não da ruptura de uma viga a um peso x em toneladas; Ω3 = { sim , não } • A sequência de caras e coroas verificada no lançamento de uma moeda 4 vezes; Ω4 = {cccc, ccck, cckc, ckcc, kccc, kkkk, kkkc, kkck, kckk, ckkk, cckk, ckck, kckc, kkcc, ckkc, kcck} • Lançamento de uma moeda até que apareça cara pela primeira vez. Ω5 = {c, kc, kkc, kkkc, kkkkc, ...} 2.3 - Eventos É um subconjunto de um espaço amostral. Exemplo 2.3: Os eventos Ai a seguir referem-se aos espaços amostrais dados no Exemplo 2.2. • Tempo, em horas, até a falha de um equipamento; A1 = {“ ocorre falha em menos de 3 horas ”} � A1 = { t, t > 3}; • Número de itens defeituosos em uma linha de produção em um período de 24 horas; A2 = {“ menos de 5 itens defeituosos ”}� A2 = { 0, 1, 2, 3, 4 }; • Ocorrência ou não da ruptura de uma viga a um peso x em toneladas; A3 = {“ viga com ruptura”} � A3 = { sim }; • A sequência de caras e coroas verificada no lançamento de uma moeda 4 vezes; A4 = {“ somente caras ”} � A4 = { cccc }; • Lançamento de uma moeda até que apareça cara pela primeira vez. A5 = {“ apareça cara em até 3 lançamentos ”} � A5 = { c, kc, kkc }. EST0323– Estatística Aplicada a Engenharia I Obs: Também são eventos o próprio conjunto vazio Ø (chamado de evento impossível individual de Ω. Dado que os eventos associados a um espaço amostral são por sua vez conjuntos, podemos efetuar as operações do tipo: união, intercessão, complementação e diferença, às respectivas operações que se realizam com os subconjuntos de qualquer conjunto abstrato, e formar a partir destas operações, novos eventos tais como: • { ouAx:xBA ∈=∪ A ou sempre que ocorre B, e somente neste caso. • { eAx:xBA ∈=∩ ocorrem A e B simultanea • Ac = {x : x ∈ Ω, x ∉ ocorre, (e não ocorre, se A ocorre). Claramente nota • A – B = {x : x ∈ A e x ocorre A e não ocorre B. Estatística Aplicada a Engenharia I – Prof. Msc. André Luiz Sena da Rocha andrerochaest@yahoo.com.br Também são eventos o próprio Ω (chamado de evento certo, ou seja, sempre ocorre), evento impossível, ou seja, nunca ocorre), ou qualquer resultado Dado que os eventos associados a um espaço amostral são por sua vez conjuntos, podemos união, intercessão, complementação e diferença, às respectivas operações que se realizam com os subconjuntos de qualquer conjunto abstrato, e formar a partir destas operações, novos eventos tais como: }Bxou ∈ , isto é: A ∪ B é o evento que ocorre sempre que ocorre A ou sempre que ocorre B, e somente neste caso. A B∪ }Bx ∈ isto é: A ∩ B é o evento que ocorre somente quando simultaneamente. A B∩ A}, isto é Ac é o evento contrário de A, somente ocorre se A não ocorre, (e não ocorre, se A ocorre). Claramente nota-se que Ac ∪ A = A e x ∉ B}, isto é: (A – B) é o evento que ocorre unicamente quando ocorre A e não ocorre B. A-B A B A Ac 45 , ou seja, sempre ocorre), o , ou qualquer resultado Dado que os eventos associados a um espaço amostral são por sua vez conjuntos, podemos união, intercessão, complementação e diferença, de forma semelhante às respectivas operações que se realizam com os subconjuntos de qualquer conjunto abstrato, e B é o evento que ocorre sempre que ocorre B é o evento que ocorre somente quando é o evento contrário de A, somente ocorre se A não A = Ω. B) é o evento que ocorre unicamente quando EST0323– Estatística Aplicada a Engenharia I – Prof. Msc. André Luiz Sena da Rocha andrerochaest@yahoo.com.br 46 Quando dois eventos são tais que, eles nunca podem ocorrer simultaneamente, neste caso se tem que A ∩ B = ∅, eles