Baixe o app para aproveitar ainda mais
Prévia do material em texto
Ir ESTATISTICA APLICADA Elizabeth Reis Paulo MeIo Rosa Andrade Teresa Calapez I2 J AG EM DE S. JO A 0 o LU z H COMPRA I C ?JOI3dflS V1OD E expressamente proibido reproduzir, no todo ou em parte, sob qualquer meio ou forma, NOMEADAMENTE FOTOCOPIA, esta obra. As transgressOes serão passiveis das penalidades previstas na legislaçao em vigor. FICHA TECNICA: TItulo: EstatIstica Aplicada Autores: Elizabeth Reis, Paulo Melo, Rosa Andrade, Teresa Calapez © EdiçOes Sliabo, Lda. !mpressao e acabamentos: Rolo & Filhos, Lda. Lisboa 1996 DepOsito legal: 96244/95 ISBN: 972-618-132-1 EDIçOEs SILABO, LDA. R. Passos Manuel, 99, 52 Esq. 1150 Lisboa Telfs: 3161281 /3145880 / 3161282 Fax: 3145880 r In dice PREFACIO • 13 Cap Itulo / - /ntrodução 1. DUAS RAZOES PARA SE ESTUDAR ESTATISTICA ........17 2. A NECESSIDADE DA ESTATISTICA NAS CIENCIAS ECONc5MICAS E DE GESTAO ...................17 3. METODO ESTATISTICO DE RESOLUçAO DE UM PROBLEM . . 19 4. ESTAT1STICA DESCRITIVA E INFERENCIA ESTATISTICA . . . . 20 5. ESCALAS DE MEDIDA DOS DADOS ESTATISTICOS .......22 5.1. Escala nominal ..........................23 5.2. Escala ordinal ..........................24 5.3. Escala por intervalos .......................24 5.4. Escala de rácios .........................25 6. ALGUMAS CONSIDERAQOES FINAlS ...............25 7. UTILIZAQAO DO COMPUTADOR ..................26 Cap Itulo II - To or/a das probabiidades 1. RESUMO HISTORICO ........................29 2. CONCEITOS DA TEORIA DAS PROBABILIDADES ........32 2.1. ExperiOncia aleatOria .......................32 2.2. Espaço de resultados ......................33 2.3. Acontecimentos .........................35 3. ALGEBRA DOS ACONTECIMENTOS ................ 39 3.1. União de acontecimentos .................... 39 3.2. Intersecção de acontecimentos ................. 40 3.3. Diferença de acontecimentos .................. 42 3.4. Propriedades das operaçöes .................. 44 4. CONCEITOS DE PROBABILIDADE . 45 4.1. Conceito ciássico do probabilidade (a priori) .......... 46 4.2. Concoito froquoncista do probabilidado (a poster/on) ..... 48 4.3. Concoito subjoctivo ou personalista do probabihdade .....49 5. AXIOMAS DA TEORJA DAS FROBABILIDADES ..........51 6. PROBABILIDADES CONDICIONADAS ...............62 6.1. Axiomática e tooromas da tooria das probabilidados na probabilidado condicionada .................65 7. PROBABILIDADE DE INTERSEC9A0 DE ACONTECIMENTOS. ACONTECIMENTOS INDEPENDENTES ..............68 7.1. Probabilidado de intorsecçäo do acontocimontos ........68 7.2. Acontecimontos indopendenfes .................70 7.3. Acontocimentos indopendentos versus acontecimontos incompatIveis ou mutuamonto oxciusivos ............76 8. TEOREMA DA PROBABILIDADE TOTAL E FORMULA DE BAYES 78 8.1. Teoroma da probabilidade total .................79 8.2. FOrmula do Bayes ........................80 EXERCICIOS PROPOSTOS ......................83 Capftuio III - Var/ave/s aleatarias 1. DEFINIçA0 ..............................89 1.1. Enquadramonto o oxemplos ...................89 1.2. Cálculo do probabilidados atravOs do variávois aloatOrias . . . 94 1.3. Variáveis aloatOrias unidimonsionais o bidimonsionais .....96 2. FUN9OE8 DE PROBABILIDADE E DE DISTRIBUIcAO DE VARIAVEIS ALEATORIAS UNIDIMENSIONAIS .........99 2.1. Variavejs aloatOrias discrotas ..................99 2.1.1. Funçào de probabilidade ..................99 2.1.2. Função do distribuiçao ....................104 2.2. Variavois aleatOrjas contInuas ..................107 3. FUNçOES DE PROBABILIDADE E DE DISTRIBUIQAO DE VARIAVEIS ALEATORIAS BIDIMENSIONAIS ..........115 3.1. Variávois aleatOrias discretas ..................115 3.1.1. Função do probabilidado conjunta .............115 3.1.2. Função do distribuição conjunta . 117 3.1.3. Função do probabilidade marginal ............. 119 3.1.4. lndependencia de variáveis aleatorias ........... 120 3.2. Variaveis aleatOrias contInuas .................. 121 3.2.1. Definição ........................... 121 3.2.2. Cálculo do probabilidades .................. 123 3.2.3. Funçöes do densidade do probabiUdade marginais . 125 3.2.4. IndepondOncia ........................ 126 4. FARAMETROS DE VARIAVEIS ALEATORIAS: VALOR ESPERADO E VARIANCIA ............................. 127 4.1. Media ou valor esperado .................... 127 4.1.1. Definição ........................... 127 4.1.2. Propriedades do valor esperado .............. 129 4.1.3. Valor esperado do função do variávol aleatOria ....... 131 4.1.4. Valor esperado monetário (V.E.M.) ............. 133 4.2. Variância e desvio-padrão .................... 137 4.2.1. Fropriodades da variância .................. 139 4.3. Covariância e coeficiente do correlaçäo linear ......... 140 5. MOMENTOS ............................. 145 5.1. Função goradora do momentos ................. 147 6. DESIGUALDADES DE MARKOV E CHEBISHEV .......... 148 EXERCICIOS PROPOSTOS ...................... 154 Cap[tub IV - D!stribuiçöes teáricas mais importantes 1. DISTRIBuIçOES DISCRETAS .................... 161 1.1. A distribuiçäo uniforme ...................... 161 1.2. Prova do Bernoulli ........................ 166 1.3. A distribuição do Bernoulli .................... 169 1.4. A distribuiçao binomial ...................... 171 1.4.1. Afunção do probabilidade da binomial ........... 172 1.4.2. Aspecto gráfico da função do probabilidade da binomial . . 177 1.4.3. Parâmetros da distribuição binomial ............ 181 1.4.4. A aditividade nas distribuiçoes binomiais .......... 184 1.4.5. Outras aplicaçOes da distribuiçao binomial ......... 185 1.5. A distribuição multinomial .................... 189 1.5.1. Parametros mais importantes da multinomial ........ 191 1.6. A distribuiçao binomial negativa . 195 1.6.1. Relaçao entre a binomial e a binomial negativa ...... 196 1.6.2. Parâmetros mais importantes da binomial negativa . . 197 1.7. A distribuiçao geométrica ou de Pascal . 198 1.7.1. Parâmetros mais importantes da distribuição geométrica . 199 1.8. A distribuiçào hipergeometrica .................. 200 1.8.1. Parâmetros mais importantes da distribuiçao hipergeomOtrica ....................... 203 1.8.2. Generalização da distribuiçao hipergeometrica ....... 204 1.9. A distribuiçao de Poisson .................... 206 1.9.1.0 processo de Poisson ................... 206 1.9.2. Parâmetros mais importantes da distribuiçao de Poisson . 209 1.9.3. A aditividade nas distribuiçoes de Poisson ......... 212 1.9.4. Aproximaçao da distribuiçao binomial a Poisson ...... 214 2. DISTRIBuIcOES CONTINUAS ................... 219 2.1. A distribuiçao uniforme ...................... 219 2.2. A distribuiçao normal ....................... 222 2.2.1. CaracterIsticas da distribuiçao normal ........... 223 2.2.2. Cálculo de probabilidades na distribuiçao normal . . . . 225 2.2.3. A aditividade da distribuiçao normal ............. 232 2.2.4. A distribuiçao normal como uma aproximaçäo da distribuição binomial ................... 234 2.2.5. A distribuiçao normal como aproximação da distribuiçao de Poisson .................. 235 EXERCICIOS PROPOSTOS ......................238 Capftulo V - 0 processo de amostragem 1.INTRODUçA0 ............................245 2. ALGUNS CONCEITOS IMPORTANTES NA TEORIA DA AMOSTRAGEM ..........................247 3. QUESTOES PREVIAS A0 PROCESSO DE AMOSTRAGEM . . . 250 4. AS FASES DO PROCESSO DE AMOSTRAGEM .......... 251 4.1. A identificaçao da população alvo I população inquirida . . 252 4.2. Os métodos de selecçao da amostra .............. 254 4.2.1. Métodos de amostragem aleatOria ............. 255 4.2.1.1.Amostragem aleatOria simples ............. 256 4.2.1.2. Amostragem casual sistematica . 259 4.2.1.3. Amostragem estratificada ................ 260 4.2.1.4. Amostragem por clusters ................263 4.2.1.5. Amostragem multi-etapas ................ 264 4.2.1.6. Amostragem multi-fásica .................. 265 4.2.2. Métodos de amostragem dirigida .............. 267 4.2.2.1. Amostragem por conveniência ............. 267 4.2.2.2. Amostragem intencional ................. 268 4.2.2.3. Amostragem snowball .................. 269 4.2.2.4. Amostragem sequencial ................. 269 4.2.2.5. Amostragem por quotas ................. 270 EXERCICIOS PROPOSTOS ......................273 Cap(tub VI— Distr!buiçães Amos trais 1.INTRODUQAO ............................277 1.1. Amostra aleatOria ........................278 1.2. Parametros e estatisticas ....................281 1.3. Lei dos grandes nümeros ....................283 1.4. Teorema do limite central ....................285 2. DISTRIBUIQOES AMOSTRAIS TEORICAS ............. 287 2.1. Distribuição normal ........................ 287 2.2. Outras distribuiçOes ....................... 290 2.2.1. Distribuição do Qui-quadrado ................ 290 2.2.1.1. Principais caracteristicas da distribuição do ...... 291 2.2.1.2. Alguns teoremas .................... . 291 2.2.2. Distribuição t de Student .................. 292 2.2.2.1. Principals caracteristicas da distribuiçäo t de Student ............... 293 2.2.2.2. Alguns teoremas ..................... 293 2.2.3. Distribuição Fde Snedecor ................. 294 2.2.3.1. Principals caracterIsticas da distribuição F ....... 295 2.2.3.2. Alguns teoremas ..................... 295 3. DISTRIBUI9OES AMOSTRAIS DAS ESTATISTICAS MAIS IMPORTANTES ........................297 3.1. Populaçoes Bernoulli .......................297 3.1.1. Distribuição de uma proporção amostral ..........299 3.1.2. Distribuição da diferença entre duas proporçöes amostrais . 301 3.2. Popufaçoes normals . 302 3.2.1. Distribujcao da media amostra! (X) quando a variancja a2 6 Conhecida .........................302 3.2.2. Distribuiçao da variancia amostral (.-S2) ........... 303 3.2.3. Distribuicao da media amostra: (X) quando a variancja a2 nao 6 conhecida .......................304 3.2.4. Distribuicao do quociente de variancias amostrais (S,2 A9 j) ............. 305 3.2.5. Distribuicao da diferença entre mOd las amostrais (X - 1 - X2) ............. 306 EXERCICIOS PROPOSTos ........................ 308 Capftulo VII - Estimaçao de parAmetros 1.INTRODUcAO ......................... 313 2. ESTIMAcAO PONTUAL ....................... 314 2.1. Estimadores 0 estjmj., .................... 314 2.2. Propriecjades dos esfimadores ................. 315 2.3. MOtodos de estimação pontuaf ................. 327 2.3.1. 0 mOtodo da maxima verosimilhanca ............327 3. ESTIMAQAO FOR INTERVALOS .................. 335 EXERCICIOS PROPOSTOS ...................... 347 Cap[tWo VIII - Ensaio de Hip áteses l.A NECESSIDADE DOS ENSAIDS DE HIPOTESES ........ 355 2. HIPOTESES E ERROS ....................... 357 3. COMQ FAZER UM ENSAJO DE HIPOTESES ............359 4. ERROS NOS ENSAIOS DE HIPOTESES ..............367 4.1. Análjse do erros ......................... 369 4.l.l.Oerrot/poi ......................... 370 4.l.2.Oerrot/poll .........................373 4.1.3. Minimizacao dos erros ....................377 4.2. Funçao potOncia do ensajo ...................383 5. ESCOLHA DA ESTATISTICA ADEQUADA AO ENSAIO . 389 5.1. Introduçao ............................ 389 5.2. Ensalos do hipOteses corn uma arnostra ............ 390 5.2.1. Ensaio para a media ji do universo .............. 390 5.2.1.1. A população é normal e a variäncia do universo e conhecida ................. 390 5.2.1.2. A popu!açäo é normal e a variäncia do universo O desconhocida ............... 390 5.2.1.3. A populaçäo O desconhecida .............. 394 5.2.2. Ensaio para a proporção .................. 395 5.2.3. Ensaio para a variância ................... 396 5.3. Ensaios do hipOtoses com duas amostras ........... 398 5.3.1. Ensaio para a diferença do mOdias ............. 398 5.3.1.1. Populaçoes norrnais e variâncias conhecidas ..... 399 5.3.1.2. Qualquer população, variâncias desconhecidas, mas amostras grandes ................. 399 5.3.1.3. Arnostras pequenas, populaçoes normals e variâncias desconhecidas mas iguais ......... 402 5.3.1.4. Arnostras empareihadas ................. 404 5.3.2. Ensaio para a diferença de proporçOes ........... 408 5.3.3. Ensaio para comparação do duas variâncias ........ 411 5.4. Ensaio do hipOteses para rnais de duas amostras ....... 415 5.4.1. Ensaio para a diforonça do k medias - — analise do variância simples ............... 416 5.4.2. Testes do comparação mültipla ............... 422 5.4.3. Ensalos para a diferença do kvariancias ......... 429 EXERCICIOS PROPOSTOS ......................432 Cap [tWo IX - Testes não-paramétricos 1. INTRODUQAO ............................441 2. TESTES DEAJUSTAMENT0 ....................445 2.1. Teste do ajustamento do qui-quadrado .............447 2.2. Teste do Kolrnogorov-Smirnov ..................456 3. TABELAS DE CONTINGENCIA ...................462 3.1. Teste do Qui-quadrado do IndependOncia ...........462 3.2. Modidas do Associação .....................469 4. TESTES A IGUALDADE DE DUAS OU MATS DISTRIBUICOES. . 472 4.1. Testes a igualdade de distribuiçöes em duas amostras independentes ................ 474 4.1.1. Teste de Mann-Whitney ................... 474 4.1.2. Teste de Kolmogorov-Smirnov para duas amostras . . . . 483 4.2. Teste a igualdade de distribuiçoes em mais de duas amostras independentes - o teste de Kruskall-Wallis ..... 487 5. COMPARAçOES ENTRE DUAS AMOSTRAS EMPARELHADAS . 495 5.1. Teste de McNemar ou de mudança de opiniao ......... 496. 5.2. Teste do Sinai .......................... 501 5.3. Tests de Wiiooxon ........................ 504 EXERCICIOS PROPOSTOS ...................... 510 Apên dice - Tabelas de distribuiçao Distribuiçäo binomial ......................... 515 Distribuiçao de Poisson ....................... 520 Distribuição normal padrão ...................... 527 Distribuiçao do qul-quadrado ..................... 528 Distribuição de t de Student ..................... 529 Distribuição Fde Snedcor ...................... 530 Valores crIticos da distribuição do studentized range para comparaçöes mültip!as ............... 532 Quantis da estatIstica de Kolmogorov-Smirnov para uma amostra . . 536 Quantis da estatistica de Mann-Whitney ............... 537 Quantis da estatIstica de Koimogorov-Smirnov para duàs amostras de igual dimensão ............. 541 Quantis da estatIstica de Koimogorov-Smirnov para amostras de dimensoes diferentes ............ 542 Quantis da estatistica de Kruskai-Wallis para pequenas amostras . 544 BIBLIOGRAFIA ............................. 545 Este livro de EstatIstica Aplicada destina-se a profissionais licenciados ou não e a estudantes universitários que, na vida prática ou no processo de aprendizagern, tern necessidade de saber EstatIstica e de a aplicar aos pro- blernas mais variados do dia-a-dia. Como objectivos finais, este livro pretende tornar compreensIveiS a linguagem e notação estatIsticas, bern como exern- plificar as suas potenciais utilizaçOes, sem descurar os pressupostos subjacentes e o rigor teOrico necessário. Deverá referir-se que a escolha do tItulo não foi pacffica. De entre os vários alternativos - Probabilidades e Estatistica, lnferência EstatIstica, etc. - a preferência por Estatistica Aplicada justifica-se pela abordagem diferenciada de outras obras já publicadas sobre lnferência Estatfstica, e que resumidamen- te pode ser assim descrita: mais do que <<ensinar>>, pretende-se corn este livro, a) despertar e estimular 0 interesse dos leitores pelo método estatIstico de resolução dos problemas; b) utilizando urna linguagem simples e adessIvel, apresentar os conceitos e mOtodos de análise estatisticade modo mais intuitivo e informal; c) acompanhar a apetëncia teórica corn exemplos apropriados a cada situação. o livro encontra-se dividido ern nove capItulos. No capItulo I (Introduçao) são explicitadas várias razOes para que urn profissional, técnico, estudarite ou mero cidadão adquira urn nIvel mInimo de conhecimentos em EstatIstica. A Teoria das Probabilidades é objecto de estudo do capitulo II. Nele são apresentados os diferentes conceitos de probabilidade e a sua axiomática, dando especial relevo aos teorernas da probabilidade total e de Bayes. Os terceiro e quarto capitulos, tal como o segundo, são essencials para a compreensão dos seguintes, relativos a lnferencia EstatIstica. 0 capitulo Ill respeita as Variáveis AleatOrias, sua definição, caracterIsticas e propriedades. No quarto capItulo estudam-se em pormenor as distribuiçöes de algumas variáveis aleatOrias de importãncia major nas areas de aplicação das ciOncias sOcio-económicas como sejam as distribuiçoes de Bernoulli, binomial, Poisson, binomial negativa, hipergeornétrica, multinomial, uniforme e normal. o capItulo V e dedicado ao estudo dos processos de arnostragem, incluindo os diferentes métodos de recolha de urna amostra, enquanto que no capftulo VI se apresentarn as distribuiçöes amostrais mais importantes. Os trës Oltirnos capItulos são dedicados a lnferencia EstatIstica propriamen- to dita. No capitulo VII apreseritam-so métodos do estimação de parâmotros, corn Onfase especial para o método do maxima verosimilhança. Inclui-se ainda a estirnação por intervalos. Os capItulos VIII e IX destinam-se a apresentaçãô, respectivamente, dos ensaios de hipOteses pararnétricos e não-pararnétricos. Corn excepção do prirneiro, todos os restantes capItulos são finalizados corn urn conjunto do exercIcios não resolvidos, acompanhados geralmente das respectivas soluçoes. No ApOndice estão incluldas as Tabelas (das distribuiçbes) necessárias a compreensão do texto e a resolução dos exemplos e dos exercicios propostos. Este livro é o resultado do alguns anos do experiOncia docente dos seus autores na equipa do Estatistica do ISCTE e da tentativa do responder as necessidades sentidas por rnuitos - alunos e docentes de variadas licencia- turas, docentes do ensino secundário, profissionais e técnicos do diferentes areas cientIficas (gestão, econornia, sociologia, psicologia, medicina, enferrna- gem, engenharia, inforrnática, etc.) - quo, no decorrer destes anos, e na falta do urna obra quo os ajudasse a encontrar as soluçoes estatisticas apropriadas aos seus problernas, procuraram ajuda junto dos autores. Sern dUvida que a responsabilidade desta obra é assurnida pelos seus autores, mas a sua concretização so so tornou possIvel corn a ajuda, apoio e disponibilidade do rnuitos. Por isso, não deixarido do agradecer a todos os quo, directa ou iridirectamente, contribuIrarn para a sua realização, gostarlamos do, nominalmente, dar urna palavra especial do agradecimonto aos seguintes docentes do Estatistica do ISCTE: Ana Cristina Ferreira, Ana Paula Marques, Antonio Robalo, Fatima Ferrão, Graça Trindade, Helena Carvalho, Helena Pestana, João Figueira, J.C. Castro Pinto, J.J. Dias Curto, Margarida Peres- trelo e Paula Vicente. Finalmente, uma palavra de apreço a todos os alunos, quer das licenciatu- ras do ISCTE, quer dos mestrados do INDEG/ISCTE, cujas sugestöes, düvidas e problernas certamonte contribufram para enriquecer este livro. Os autores n = 1. Duas razOes para so estudar estatIstica Existem duas boas razöes para so saber Estatfstica. Primeira, qualquer cidadão está diariamente exposta a urn enorme conjunto de informaçoes resultantes de estudos sociolOgicos e do mercado ou econOmicos, de sonda- gens palIticas ou mesmo de pesquisa cientIfica. Muitos destes resultados baseiam-se em inquOritos par amastragem. Alguns deles utilizam, para a efeito, uma amostra representativa de dirnensaa adequada e recalhida par um pro- cessa aleatOria. Outros nãa. Para estes, a validade dos resultados nãa ultrapassa a arnostra que as ariginau. A afirmaçaa de que e fácil mentir cam EstatIstica e quaso urn lugar camurn. Qualquor manual que se preze apresenta nas primeiras páginas a farnosa citaçãa atribuida a Benjamin Disraeli: "There is three kinds of lies: lies, damned lies and statistics)). E o pior é que, do coda forma, esta citaçäo é verdadeira: O Mcii distorcer e manipular resultados e canclusöes e enganar alguem não-(in)farmado. Mas saber Estatistica permite que so avaliom as métados de recolha, as prOprias resultados, se detectem e rejeitem falsas conclusoes. So, para muitas, a nocessidade do saber Estatistica advém do facto do serern cidadäos do mundo, para alguns essa nocessidade é acrescida par uma actividado prafissianal que requer a utilizaçãa do métadas estatisticas de recolha, análise e interpretaçao de dados. F osta é a sogunda razâo para so estudar EstatIstica. A utilização da EstatIstica nas ciOncias sociais, pailticas, econOmicas, biolOgicas, fisicas, médicas, de engenharia, etc, é por dernais canhecida: as métados de arnostragem o do inferOncia estatIstica tornaram-se urn dos principals instrumentos do rnétoda cientifico. Para tados as quo traba- Iham nestas areas, é vital urn canhocirnenta básica dos conceitas, passibilidados e limitaçoes desses mOtadas. 2. A necessidade da estatIstica nas ciências econámicas e de gestão Nas areas econOrnicas e de gestãa do empresas, a EstatIstica pade ser utilizada cam três objectivas: (1) descrever e campreender roiaçöos ontre diforentes caracterIsticas de uma populaçaa, (2) lamar decisöos mais carrectas e (3) fazor face a mudança. 7 A quantidade de informaçào recoihida, procossada e finalmente apresenta- da a urn comum mortal cresce tao rapidarnente quo urn procosso de selecção o identificaçâo das relaçöes mais irnportantes so torna imprescindIvel. E aqul que a EstatIstica poderá dar o seu prirneiro contributo, quer atravOs de métodos merarnente descritivos, quer utilizando métodos mais sofisticados do genera- !ização dos resultados do uma arnostra a toda a popuiação. Urna vez identificadas as relaçoes, estas poderão constituir uma ajuda prociosa a tornada de decisOes correctas em situaçöes de incerteza. Veja-se o seguinte exernplo. AtravOs do métodos estatIsticos adequados, detorminada instituição bancá- na idenfificou as caracterIsticas sócio-econOrnicas daquoles que considera serern bons clientes. Esta identificação pormite-Ihe, no futuro, rejeitar pedidos do crédito por patio do potenciais clientos, cujas caracterIsticas mais se afas- tarn das anteriores. Pianoar significa determinar antecipadamente as acçöes a ernpreender no futuro. Para fazer face a rnudança, é nocessário que as decisoes e o planiea- monto se apoiern nurna análise cuidada da situação presonte e riuma previsão realista do quo acontecerá no futuro. Os mOtodos estatisticos de previsão nao permitorn adivinhar corn uma precisão absoluta os acontecimontos futuros, rnas perrnitem modir as variaçOos actuais e estabolecer os conários futuros mais provávois, dirninuindo, de algurn rnodo, a incerteza inorente a osses acontecirnontos futuros. Na gestão das empresas, a tomada do docisão é crucial e faz parte do dia-a-dia de qualquer gestor. As consequOncias dossas docisoes são derna- siado irnportantos para quo possarn basoar-so apenas na intuição ou feeling rnornentânoos. Os gostores são rosponsáveis polas decisoes rnesrno quando ostas se baseiarn ern inforrnaçoes incornpletas ou incertas. E precisarnente porque a inforrnação disponfvol estã associado urn elevado grau do incerteza que a Estati'sfica se tornou tao irnportanto no processo de tornada de decisOos: a Estatistica perrnito a extracção do conclusbes válidas a partir de informação incompleta. O arnbionte de forrnação do uma decisão varia do urn extrerno em que muita, pouca, ou nenhuma inforrnação ostã disponIvel, ao oxtrernooposto orn que o decisor detOm toda ou quase toda a informação sobre a situação. Este Ultimo extrerno significa que o decisor conhoce a situação do todos os elemen- tos da popu!ação. A inforrnação disponIvel a partir dos rocensearnentos do INE, roalizados de 10 em 10 anos, 6 urn exomplo. Mas a situação mais cornum para Os gestores é aque!a em que quase nenhuma inforrnação so encontra disponIvel. Veja-se 0 exemplo do Iançarnento de urn novo produto utihzanclo tecnologia de ponta praticamente desconhecida dos consurnidores. Como iräo estes reagir ao !ançarnento do novo produto? A partida, pouca ou nenhuma inforrnaçâo existe para que o gestor possa responder a esta pergunta. A EstatIstica fornece aos gestores instrumentos para que possarn responder a estas questOes e tomar decisoes corn alguma confiança, mesrno quando a quantidade de inforrnaçäo disponIvel O pequena e as situaçOes futuras são de elevada incerteza. 3. Método estatIstico de resoluçao de urn problema Para que se obtenharn resultados vá!idos, o investigador deve seguir todos os passos que definem o metodo estatIstico de resolução do problornas: 1. Identificar correctamente o problema ern anátise. Mesmo em estudos exp!oratarios cujo objectivo 6 identificar possIveis relaçöes entro as caracterIs- ticas dos indivIduos sem quo, a partida, se defina urn rnodelo regulador dessas relaçöes, 6 necessário identificar o problema para o qual se pretendem encon- trar respostas. 2. Recolhera informaçao necessária, relevante para 0 problema em estudo, em tempo ütil e tao completa quanto possIvel. Esta informação podera consistir em dados primários, recoihidos através do urn questionário, ou dados secun- dários, recoihidos e publicados através do outra fonte de inforrnaçao. 3. ClassY/car e organizar os dados, por exemplo, através da codificação e criação do uma base de dados em suporte informatico. Urna vez ultrapassada esta fase, é ja possIvel reduzir a quantidade de informaçao, fazendo desapa- recer os porrnenores menos irnportantes através do medidas do estatIstica descritjva (medidas de tendêncja central, dispersão, concentração, etc ), qua- dros e grãficos. 4. Análise dos dados e apresentação dos resultados: identificar relaçoes, testar hipOteses, definir modelos corn a ajuda de métodos estatIsticos apro- priados. ESTA TISTICA APLICADA 5. Tomar a decisäo mais adequada, ponderando as possíveis opçöes face aos objectivos inicialmente propostos. A qualidade da inforrnação recoihida e as capacidades do investigador determinam, em grande parte, a adequabitida- de das opçöes propostas. 4. EstatIstica descritiva e inferéncia estatIstica Embora a ctassificação e organização dos dados a quo se faz referenda no terceiro passo seja ainda urn capItu!o importante da EstatIstica - a Esta- tIstica Descritiva - urn segundo capItulo torna-se muito mais importante, quando Os dados recoihidos respeitarn apenas a urn subconjunto da popuiação ern estudo e não a toda a populaçao - a !nferência Estatfstica. SO quando a grupo sobre o qual so pretende obter informação é de dimensão reduzida, so torna viável rocoiher essa inforrnaçao para todos os elementos desse grupo. 0 recensearnento de uma poputaçao envoive custos e tempos dernasiado elevados para serern suportados por organizaçOes não vocacionadas para o efeito. For essa razäo, so tornaram populares e se generalizaram a todos as dornfnios cientificos as técnicas de arnostragern. Contrariarnente a urn recenseamento, onde so recoihe inforrnação sobre as caracterIsticas de toda uma populaçao, uma amostra fornece inforrnação sobre um subconjunto dessà populaçao. Os rnétodos de Inferencia Estatistica permitem (1) estirnar as caractorIsticas desconhecidas do urna população (por exernplo, a proporçäo de consumidores que preferem uma dada rnarca de detergentes) e (2) testar se determinadas hipOteses sobre essas caracterIsticas desconhecidas são plausIveis (por exempto, so a afirmação de urn vendedor de que as resultados de lavagern da marca quo vende são superiores aos de outras rnarcas concorrentes). Nos exernplos anteriores, as caracterIsficas das populaçöes (proporçao de consurnidores o resuttados medios da aplicação do produto) são os parámc- tros. Quando respeitarn a uma amostra, ostes indicadores estatIsticos passam a charnar-se estatIsticas. Os rnétodos de Inferência Estatistica envolvern a cálcu!o do estatIsticas, a partir das quais se infere sobre os parâmetros da populaçao, isto e, perrnitem, com determinado grau de probabilidade, generalizar a população cortas con- clusoes, por cornparação com as resuitados amostrais. Exemplos do parâmetros são a media do uma população (l.t), a variâncja (a2) ou o desvio-padrão (ci). Como exemplos do estatIsticas: a media (X), a variãncia (S) ou o desvio-padrao (s) amostrais. A distinção ontre parâmetro o estatistica torna-se extremarnonto importanto na Inferéncia EstatIstica. Muitas vezes protendo-se ostimar 0 valor do urn parãmotro ou fazer urn teste de hipáteses sabre a seu valor. No entanto, a cálculo dos parâmetros é, goraimonto, irnpossIvel ou irnpraticävej, dovido aos requisitos de tempo e dinheiro a que obriga. Nestes casos, a escoiha do uma amostra aloatOria permito quo so obtenha uma estimativa para o parâmotro. A base da InferOncia EstatIstica consiste, assim, na possibifldado do so tomarem decisöos sobre as parämetros do uma população, sem que seja nocessário procoder a urn recensearnento do toda a população. Urn industrial de máquinas de lavar quer determinar qual o nürnero medlo de lavagens de determinado tipo do máquina (lavar e secar), ate quo necessitem de reparação. 0 paràrnetro quo pretende conhecer é a nOmero medio de lavagens das máquinas ate serern reparadas. 0 técnico da sua fábrica selecciona aleato- riarnente algurnas máquinas da sua produçao mensal, e verifica as lavagens efectuadas ate ocorrer uma avaria, calculando, em seguida, para as rnáquinas da amostra, o nUmero médio do lavagens, isto e, a media amostral. LI.. A figura seguinte domonstra a processo seguido. Amostra aieatOria Populaçao Amostra Estatfstjcas (conhecidas) Parâr-netros (desconfiecidos) Inferencia Estatistica ES TA TIS TI CA APLICADA o processo do gonoralizar a população Os resultados recolhidos na amostra ë foito num ambionto do incortoza. A nao sor quo o valor dos parâmotros soja calculado a partir do todos os olornontos da população, nunca so saberá corn certeza so as ostirnativas ou inferOncias feitas são verdadeiras ou não. Num esforço para modir o grau do confianga ou de certeza associado aos rosultados do procosso do inferencia, a EstatIstica utiliza a teoria das probabilidados. Por ossa razão so dedica urn capItulo desto livro ao ostudo das probabilidados. 5. Escalas de medida dos dados estatIsticos Os oxomplos do dados quo diariarnonte se podom rocolhor são dos mais variados. Vojamos alguns: a temporatura maxima na cidado do Lisboa; - a cotação do escudo e das rostantes moodas do Sistoma Monetário Europou; as taxas do inflação dos paisos da União Europoia; as oxportaçöes de material oloctrOnico dos paisos da Asia Oriental; a distribuiçao otãria da população do concelho de Lisboa; a distribuição por sexos dossa mosma população; as profissöos da população da Marinha Grande; a distribuição dos omigrantos portuguosos por paisos do acolhimonto; as proforencias da população portu- guesa no quo respoita as suas viagons do férias; as preforOncias dos portuguesos orn rolação aos quatro canals do telovisão nacional; as quotas do mercado das diforontos rnarcas do automOveis utiutarios. Estes oxernplos do dados ostatisticos diforenciam-so, não so por se rofori- rem a caractorIsticas do diferontos populaçöos, rnas tambern por ostarern dofinidos em diforontos oscalas de medida o, portanto, por nocossitarom do diforontos métodos ostatIsticos para os doscrevorom o analisarom. São quatro os tipos do oscalas do medida: nominal,ordinal, por intorvalos o por rácios. Nem sompro é ovidonte a distinção ontro ostas oscalas, sobrotudo ontro as duas Ultirnas. Aclassificação quo so doscrovorá em soguida é a adoptada polos autoros dosto livro, ombora se reconhoça não oxistir unanimidado noste dornI- nio. 5. 1. Escala nominal Os dados definidos nurna escala nominal são dados qualitativos por exce- léncia. For exemplo, suponha-se que se pretendia conhecer a caracterIstica pro flssão da populaão constitulda pelos pais dos alunos universitärios. 0 estudo desta caracter(stica permitiria descrever 0 conjunto do profissOes desta populacão, através do uma hstagem que incluiria: - trabalhador qualificado - medico - advogado - militar - professor - bancário - etc, etc, etc. Suponha-se ainda que, para efeitos do processamento dos dados, SO GO- dificava cada urn dos valores desta caracteristica, dando o valor 1 ao trabaihador qualificado, 2 ao medico, 3 ao adVogado, 4 ao militar, e assirn por diante. Estes nürneros são utilizados apenas corno cOdigos e não corno valores quantitativos, urna vez que, por exemplo, ao valor 4, não está associada urna rnaior quantidade do que aos valores 1, 2 e 3. Os cOdigos numéricos são utilizados para diferenciar as categorias desta caracterIstica, não fazendo qualquer sentido calcular indicadores quantitativos (corno a media ou desvio-padrao) a partir destes nUrneros. -)Outros exernplos de caracterIsticas definidas em escalas norninais são a religiao, a raga, a localização geográfica, o local de nascirnento, o sexo, os sectores de actividade econOmica. Urn caso particular deste tipo de escala do medida ocorre quando a carac- terIstica ern estudo tern apenas duas categorias: são as chamadas caracteristicas binárjas ou dicotOrnicas. São exemplos doste tipo de caracte- rIsticas o soxo (que pode set- masculino ou ferninino), e a rosposta a seguinte pergunta: <<Reside em Lisboa?" (podendo ser Sim ou Näo). 23 ESTATISTICA APLICADA 52. Es ca/a ordinal Quando numa caracteristica nominal a ordem das categorias obedece a uma sequOncia corn significado, está-se ern presença do uma caracterIstica definida numa escala ordinal. Os cOdigos nurnOricos que identificam as cate- gorias já não são dados de forma arbitraria mas sirn de tal modo que as categorias as quais foram dados o primeiro e Ultimo cOdigos são as quo mais distam e rnais se diferenciam entre si. As escalas ordinais tornarn-se extremamente Uteis para medir opiniöes subjectivas sobre as qualidades de certos atributos, cuja mediçâo objectiva é impossivél. For exemplo, poder-se-á perguntar a um consumidor qual a sua opinião sobre o sabor de determinado produto alimentar, de acordo com a seguinte escala: 1 - detesta 2— gosta pouco 3— indiferente 4— gosta 5— adora. As respostas a esta questão podem ser resumidas numa escala ordinal, corn cinco categorias, vulgarrnente conhecida por escala de Likert. Outro exemplo consistiria em solicitar aos consurnidores quo ordenassem por ordem decrescente de preferencia, de 1 ate 8, oito marcas de sabonetes. Urn outro modo de obtenção do uma escala ordinal consiste em dividir uma escala continua em rnUltiplos intervalos. For exemplo, os indivIduos de uma população podem ser classificados em trés grandes grupos, resultantes da divisão de um intervalo contInuo de idades: jovens (ate 18 anos), adultos (do 18 a 65 anos) e idosos (rnais de 65 anos). 5.3. Escala por intervalos Para alOm das propriedades da escala ordinal, a escala por intervalos tern ainda a propriedade de a distãncias iguais corresponderem quantidades iguais. As escalas por intervalos podem ser continuas ou discretas. São contInuas se podem tornar um nUmero infinito não nurnerável de valores e são discretas se o nUmero de valores que tornam e finito ou, sendo infinito, é numerável. For exemplo, a temperatura do ar em graus Fahrenheit está definida numa escala continua, enquanto que o nUmero de automOveis que atravessa a ponte 25 de Abril, em cada hora, é uma caracteristica definida numa escala por intervalos discretos. 5.4. Escala de rácios Esta escala tem as mesmas propriedades de uma escala por intervalos continua, e adicionalmente apresenta a caracterIstica de possuir um zero absoluto como valor minimo. Exemplos de dados definidos nesta escala são a altura, o peso, o tempo, o volume, etc. Corn dados deste tipo, alteraçOes nas unidades de medida não afectam os rácios entre dois valores. For exemplo, o rácio entre o peso de duas embalagens de acücar e sempre o rnesmo, qualquer que seja a unidade de medida (quilos, gramas, libras, etc). Feio contrário, a temperatura do ar não define uma escala de rácios: em bo ra 10° C= 50° F e 30° C= 86° F, 10°c 50° F 30° C 86° F 6. Algumas consideraçöes finals A diferença entre uma escala por intervalos e uma escala de rácios nem sempre é evidente o que leva alguns autores a agregarem estes dois tipos numa so categoria. Os dados definidos nestas duas escalas são considerados corno métricos dado que são quantitativos por natureza. Os dados norninais e ordinais são dados qualitativos e, portanto, não-mé- tricos. Agrande maioria dos 6t 'dos estatistidos requer a utilização de dados metricos. Os dados nomjnaisso os rnais limitados em termos de tOcnicas estatisticas disponiveis para a sua análise. Aos dados ordinais podem aplicar- se todas as tëcnicas definidas para dados nominais e, adicionalmente, as tëcnicas especificarnente concebidas para este tipo do dados. Na realidade, constitui urna perda de inforrnação tratar dados ordinais corno norninais, polo quo muitos autores propOern ate que estes dados sejarn tratados corn tOcnicas definidas para dados em escalas por intervalos. Os métodos de !nferencia EstatIstica podern ser classificados em dois grandes tipos: métodos paramétricos 0 näo paramétricos. De urn rnodo geral os primeiros requerern quo Os dados estejarn definidos numa escala por intervalos ou do rácios, o que não acontece corn os sogundos. .Os dados ordinais, apesar de serem qualitativos, por obedecerorn a uma relaçâo do ordem, são, corno so disse, muitas vezes anausados corn rnétodos pararnétri- cos. Este livro proocupar-se-ã, sobretudo, corn a apresentação do métodos pararnétricos do anãlise do dados, embora urn dos capitulos seja especialrnen- to dedicado aos métodos não-pararnétricos. 7. Utilização do computador As inovaçöes do hardware e software, e a sua acessibilidade ern termos do preço, vierarn criar novas oportunidades do aplicação dos rnétodos estatIs- ticos a grandes bases do dados. Esta acessibilidade, e o desenvolvirnento do software estatistico apropriado, vierarn pormitir a aplicação genoralizada do rnuitos rnétodos estatIsticos que, por serern complexos quando rnanualrnente aplicados, se tornavarn domora- dos e aborrocidos. Para alérn do software não espocIfico, cornô sejarn as folhas do cálculo (Lotus e Excol),que porrnitern, polo rnonos, urna arialise prelirninar da inforrna- cáo, desenvolverarn-so rnuitos prograrnas espocIficos para a análise estatIstica. Do entre as rnültiplas hipOteses existentos no rnercado, devern referir-se, pela sua popularidado o abrangencia, o SPSS, o SAS e o MINITAB. Mas rnuitos outros so encontrarn disponIvois a préços relativarnente acessI- veis, para quern possuir urn rnicrocornputador, corn urn mInirno do 640 K do RAM e 20 Mgb do disco, corno sejarn o SYSTAT, CSS o STATGRAFHS. Para grandes sistornas, os prograrnas SFSS, BMDF, SAS e GENSTAT continuarn a sor os rnais utiljzados. Para alern destos, rnuito outro software tern sido do- sonvolvido para aplicaçöes pontuals, sobrotudo do rnétodos do estatIstica rnultivariada. !iJ*ii1IPfff.i*3 Nao é possivol fazor a histOria da Estatistica sern falar em probabilidades. Estas tiverarn a sua origom no estudo dos jogos do azar, ja conhocidos dos EgIpcios 3500 anos A.C. Mas so no século xvi so assisto a primeira tentativa do desenvolver urnatooria das probabilidades. Cardano foi urn dos prirnoiros a tentar doscrever urn rnétodo do cálculo das probabilidades born como as suas leis básicas. Cardano pode ser consi- derado como urn verdadeiro ciontista da Epoca Renascontista: escrevou sobre todas as areas de ostudo da época incluindo a rnaternática, a teologia, a cosmologia 0 a medicina. Corn o sou livro intitulado The book on games of change, Cardano não so oxplica as leis da probabilidade corno anaflsa os jogos do azar e onsina a jogar e a dotoctar os "batoteiros". A sua experiëncia como jogador inveterado ajuda-o a analisar corroctarnento os jogos do dados o a comproonder, tambOrn do modo correcto, o cálculo do probabilidades para os casos simétricos ou igualmento prováveis. Nostes casos, a probabilidade de urn acontecirnento é o quociente ontre o nUrnero de rosultados que pormitorn a realização desso acontecirnonto e o nümoro total do rosultados possIvois. For oxernplo, a probabilidade do que saia urna face par no lançarnonto do urn dado 6 urna voz quo ha sois rosultados possIveis (1, 2, 3, 4, 5, 6) o trés doles são nürneros pares (2, 4, 6). Urna irnportanto lei probabilIstica doscoborta por Cardano foi a lei do produto do acontocirnentos indopondontos. A proba- bilidade do sair "Face>> quando so lança urna mooda 6 ½. A probabilidade do sair "Face 2)) quando so lança urn dado 6 1/6. A probabilidade do ostos doEs acontocimontos ocorrorom quando so lança urna mooda o urn dado é o produto das duas: (1/2) (1/6) = 1/12 Cinco décadas mais tardo, Galileu rospondou aos jogadoros sobro urna quostà.o quo, aparontomonto os proocupava: quando so Iançam trés dados, 0 total de 10 pontos ocorre mais vezos quo urn total do 9, o quo lhos parocia contradjtorio urna vez quo é igual o nümoro de combinaçöes (6) quo sornam 9 (621, 531, 522, 441, 432, 333) o 10 pontos (631, 622, 541, 532, 442, 433). Mas Galilou rnostrou quo sO é possIvol quo os rosultados tenham diforonto probabilidade so a ordorn for tarnbérn tornada em consideração e, nesso caso, 29 APLICADA o nUrnero de resultados corn soma igual a 9 é de 25, e corn soma igual a 10, de 27, resultarido ern probabilidades de 25/216 e 27/216, respectivamente. 0 que rnuitos autores se admirarn é que Os jogadores se tenharn apercebido desta diferença tao dirninuta! 0 estudo sisternático das leis das probabilidades teve urn contributo impor- tante corn Pascal e Fermat e a correspondencia trocada entre arnbos. Tudo corneçou quando Chevalier de Méré, conhecido escritor e ardente jogador da corte de Luis xcv, consultou Fermat sobre problernas de divisão de apostas e interrupçOes antes de se completar urn jogo. Blaise Pascal (1623 - 1662) era urna criança prodIgio que aos dezasseis anos ja tinha escrito urn livro e aos dezoito inventado urna rnáquina calcula- dora. Pierre de Fermat (1601 —1665) era urn jurista de Toulouse que nos tempos livres se dedicava ao estudo da rnaternática, tendo já sido considerado corno o rnaior rnaternático puro de todos os tempos. Se de Cardano se pode afirrnar que rnarcou o firn da prO-histOria da Teoria das Probabilidades, Fermat e Pascal derarn o passo decisivo no desenvolvi- rnento desta teoria e na fundarnentação teOrica da Inferéncia EstatIstica. No final do século xvii, Leibniz publicou duas obras, urna sobre problernas corn- binatOrios, e outra sobre a aplicação das probabilidades as questbes financeiras. Foi sob o seu conselho que Jacques Bernoulli estudou o assunto de tal rnodo que o cálculo das probabilidades adquire finalmente o estatuto de cléncia. 0 teorerna de Bernoulli apresenta pela prirneira vez a correspondOncia entre frequéncias e probabilidades, dando origern a urn novo conceito de probabilidade. 0 conceito de probabilidade inversa é definido por Thomas Bayes ainda no século xviii. A irnportância dos resultados de Bayes so vem a ser reconhecida quase dois séculos depois, quando se forma, dentro da Esta- tIstica, urna nova corrente: a escola Bayesiana. Durante o século XIX o desenvolvirnento do cálculo das probabilidades deveu-se ao contributo de trés astrOnornos: Laplace, Gauss e Quetelet. Muitos dos desenvolvimentos posteriores, norneadamente da escola russa (Chebyshev, Markov e Lyapunov), baseiarn-se na análise e desenvolvirnento da obra de Laplace. Gauss explanou urna teoria sobre a análise de observação aplicável a qualquer rarno da ciéncia, contribuindo, assirn, para alargar 0 carnpo de aplicação do cálculo das probabilidades. Quetelet iniciou a sua aplicação aos fenórnenos sociais. A ele se deve a introduçäo do conceito de hornern rnédio e a charnada de atenção para a consistOncia dos fenórnenos sociais. TEORIA DAS PROBAB/LIDADES A distinçäo entre Estatistica & Probabilidades parece ja ser impassive! Desde a final do seculo Xix que muitos contribuirarn para o desenvolvimento da EstatIstica corn valiosas antecipaçoes que sO rnais tarde puderarn ser plenamente cornpreendidas. De entre estes talvez se possarn destacar Karl Pearson, William Gosset que escrevou sob o pseudOnirno de Student" & Ronald Fisher, polo vigoroso impulso dado a Estatistica. Pearson, quo so dedicou ao ostudo da correlação, cuja descoborta e atribuida a Galton, foi urn entusiasta do evolucianismo de Darwin, desenvolveu extraordinariamonte os metodos do tratarnento do dados, para alern de so interessar pelo calculo das probabilidades Em 1894, depois do analisar urn elevado nurnero de resultadas das roletas num casino, chegou a conclusão do quo estas estavarn viciadas e quo não serviam coma laboratorio para analiso das probabilidades, ern suma, a razäo do ser dos casinos não era, de modo nenhurn, cientifica Mas estas experiOncias no inicia da sua carreira não doixaram do ser uteis na aplicaçäo que fez da teoria das probabilidades a evoiução biologica e a importantes descobertas ostatisticas coma a teste do qut-quadrado, utilizada para tostar se urna dada distribuiçâo de frequencia segue doterminada distnbuição probabi- listica Gosset, ou seja, "Student", trabalhava para urna empresa produtora de cervejas - a Guiness - e comoçou uma nova fase nos estudos estatisticos corn os motodos do tratarnento de pequenas amostras Fisher deu, talvoz, a mais importante contribuição a Estatistica Matematica e a sua divulgaçaa 0 livro quo publicou em 1925, Statiscal Methods for Research Workers, permitiu aos investigadores a familiarizaçao nocessaria corn as metodos ostatisticos e a sua aplicaçâo a problemas práticos. Muitos outros nomes podoriam ser referidos nesto percurso de quase quatro sOculos. Todas contribufram para que, quando Fisher publicou a seu livro, ha muito se tivesso doixado do definir EstatIstica corno "a estudo dos assuntos de Estado" e de a associar a teoria das probabilidades. Corn a século xx, a EstatIstica tornau-se urn instrurnenta do analise podoroso aplicado em todas as areas do saber o a quo a desenvolvirnento inforrnatico veio dar nova fôlego. Se ihe perguntassern o significado da seguinte frase - "Se Iançar urna moeda ao ar, a probabihdade de sair "Face>' é ½" - a sua resposta talvez fosse: "SO ha dots resultados possIveis corn iguais hipOteses de ocorrerem". Mas suponha que Ihe perguntavarn tarnbérn: "Qual a probabilidade de urn carro avariar ao atravessar a ponte 25 de Abril?". Tarnbérn aqui existern apenas dois resultados possIveis: ao atravessar a ponte ou o carro avaria ou não avaria. Mas ja será irnpossivel responder que essa probabikdade e 1/2. A sirnetria ou equiprobabihidade existente na prirneira experiOncia (lançarnento de uma rnoeda ao ar) ja não se verifica na segunda. Esta é a situação mais cornurn, a de experiOncias cujos resultados são influenciados pelo acaso e aos quais estão associadas diferentes probabilidades. 2.1. Experiência a!eatória São objecto de estudo na teoria das probabilidades os fenómenos aleató- rios, ou seja, acontecimentos influenciados pelo acaso. Na base desta teoria estáo conceito de experiOncia aleatOria, isto é, o processo de observação ou de acção cujos resultados, ernbora podendo ser descritos no seu conjunto, não são determinãveis a priori, antes de realizada a experiência. Urna experiência aleatOria tern como caracterIsticas: - A possibilidade de repetição da experiOncia ern condiçoes uniforrnes; - Não se poder dizer a partida qual o resultado (fenOrneno aleatOrio) da experiëncia a realizar, rnas poder descrever-se o conjunto de todos Os resultados possIveis; - A existéncia de regularidade quando a experiência é repetida rnuitas vezes. TEORIA DAS PROBASIL/DADES E corn base nesta Ultirna caracterIstica que so desenvolve toda uma teoria o urn conjunto de rnodelosprobabilisticos tendentes a explicar os fenOrnenos a!eatOrios e a dar uma indicaçao da major ou menor probabilidade da sua ocorréncia. A experlOncia aleatOria contrapoe-se a experiência não aleatoria ou determinIstica, aquola cuJo resultado pode ser conhecido antes da sua reaH- zação. For exemplo, o valor da velocidade do propagaçäo do som (340 m/s) O conhecido mesmo antes de realizada a experiencia, o mesrno acontecendo corn a rnedição da temperatura de entrada em ebuliçao da água, cujo resultado (100° C) 4 conhecido a priori. Já a rnesrno não sucede quando langamos ao ar urn dado ou ext ralmos uma carta dum baraiho, quando medimos a duraçao de vida de uma lârnpada ou observarnos o resultado do exame do urn estu- dante escoihido ao acaso. Embora se possa dizer, no caso do exame, que a estudante ira obter uma classificaçao entre 0 e 20 valores, não podemos afirmar qual a classificaçao exacta que a estudante obterá, so por exemplo 10, 14 ou 18 valores. Essa classificaçao so será conhecida depois de reaUzado o exame. 0 rnesrno acontece corn a duraçao do vida do uma lâmpada; talvez se possa afirmar que ela durará entre 0 o 100 horas, rnas o valor exacto da sua duração näo 0 conhecido senão depois de a lâmpada se ter fundido. Quando lançarnos ao ar urn dado e observamos a nürnero inscrito na face voltada para cirna, podornos descrevor o conjunto de todos Os resultados quo poderão ocorror (1, 2, 3, 4, 5 e 6), rnas ja 0 irnpossIvel, antes do efoctuarrnos o Iançarnonto, afirmar qual a face quo Ira sair. Depois do efectuado a lança- rnento, certarnente quo alguma face terá ocorrido, por exemplo a face 3. Dizernos entâo qua "3" 4 o resultado desta experiencia aleatOria. 2.2. Espaço de resultados Numa determinada experlOncia aleatOria, o conjunto de todos as resultados possiveis designa-se por espaço de resultados, e representa-so pela letra grega a No exemplo do lançarnento do dado, Q = {i, 2, 3, 4, 5, 6 }. A major parte das vezes não so descrevem em detaihe as condicOes e as circunstancias quo caracterizarn uma experiência ateatoria. E esta de resto a dificuldade de fundo do cálculo das probabilidades: descrição das condiçbes unhformes em quo urn acontocirnonto aleatOrio so verifica ou flão. ESTI4TISTJCA APLICADA Se o nümoro do olementos do ospago de resultados for finito ou infinito numorávol trata-se de urn ospaço de resultados discreto; havondo urn nUmoro infinito nao nurnorávol do olornontos dispöe-se do urn ospaço do resultados continuo. Urn ospaço do resultados pode ser ainda quantitativo ou qualitativo, conforme a naturoza dos elernentos quo o compöem. A indicação dos olornon- tos do ospaço de resultados pode fazor-se, quor pela enurnoração do todos os olornentos quo o compOorn (quando são em nürnero finito, evidontornonto) - definição por extonsão - quor pola descrição abreviada dessos elernentos - definição por cornpreonsão. Uma loja abre as 9 horas e encerra as 19. Urn cliente, tornado ao acaso, entra na loja no momento X sal no momento Y (tanto X como Y são expressos em horas com origem nas 9). Pretends observar-se os momentos de entrada e salda do cliente. Como a chegada e salda de urn cliente se processa ao acaso, logicamente que poderá ocorrer em qualquer momento no tempo, entre as 9 e as 19 horas, peIO que X e Y são variáveis contInuas corn X c Y. Portanto, 0 espaço de resultados c2 é infinito não nurnerável, podendo descrever-se da forma seguinte: = ((X, Y):9 <Xc Y< 191 (definiçao de Q por compreensao). Considere-se a experléncia aleatoria que consiste no Iançamento de urn dado e observaçao do nUrnero inscrito na face voltada para cirna. 0 espaço de resultados é 92 = (1,2,3,4,5,6} (definicão de 0 por extensao). TEORIA DAS PROBAB/LIDADES 2.3. A con tecimentos Retorne-se 0 oxomplo da oxporiência aleatória quo consisto no Iancarnento do urn dado e cujo espaço do resultados e cz = {1, 2, 3, 4, 5, 6 } Sondo o ospaço do resultados urn conjunto, 6 possIvol formar subconjuntos dos seus olornontos, corno, por exemplo: A = {2} B = { 1,3,5} C = { 3,61 cujo significado 6, respectivarnonto; A: salda do face 2 B: saIda do face Impar C: saIda do face divisIvel por 3. A, B e C, sondo subconjuntos de U, são sirnultanearnonto conjuritos de resultados possiveis da experlOncia aleatOria. Dosignarn-so por acontecimentoa Urn acontocirnento é, pois, urn conjunto do resultados possIvois do uma oxperiOncia aleatoria ou, de rnodo oquivalonto, qualquer subconjunto do espa- 90 do resultados 6 urn acontecirnento definido em U (ovontualrnente o prOprio U ou o conjunto vazio 0). Urn acontecimento A rolativo a urn detorrninado ospaço do resultados U o associado a uma oxperiência aloatorja 6 sirnplosrnente urn conjunto de resul- tados possIveis. Diz-se que A so roalizou, se o resultado da exporiêncja a!oatOria, co, 6 urn olornonto de A, isto 6, so co c A. Não so dovera confundir acontecirnonto corn resultado. Enquanto quo o prirneiro significa algo quo a exporiOncia aleatoria podo produzir, mas não so realiza necossariarnonte urn resultado indica algo quo a oxporiência aloatOria produziu. Ou soja, o conceito de resultado so torn sentido dopois do roalizada a oxperiencia enquanto que o conceito de acontocirnenfo torn pleno sontido mesrno antes da oxporléncia aleatOria so roalizar. Urn acontecirnento A, diz-so acontecjmento elementar so a sua realizaçao dopondor da ocorréncia de sornonto urn resultado ospecIfico da exporiencia aloatc5ria ES TA TIS TI CA APLICADA Por oposiçäo poder-se-á definir urn acoritecimento complexo ou composto aquele cuja realização impuca a ocorrëncia do urn resultado da experiência aleatOria, qualquer urn de entre Os vários possIveis para aquele acontecimento. Admita-se a seguinte experiência aleatória: contagem do nUrnero de peças produzidas por uma máquina ate ao aparecirnento de uma peça defeituosa. A experléncia consiste, portanto, em contar as peças produzidas pela rnáqui- na, interrompendo-se essa contagem no mornento em que surgir uma defeituosa. Como se poderá verificar, qualquer nümero inteiro pode ser urn resultado da experiência: - pode ser 0, so a prirneira peça retirada for defeituosa; - pode ser 1, se a prirneira peça for boa e a segunda defeituosa; - pode ser 2, se as duas primeiras forem boas e a terceira defeituosa; - e assirn por diante. Ern geral, poderá ser n se as prirneiras n peças forem boas e a n + 1 defeituosa. o espaço de resultados associado a esta esperiência aleatOria é o conjunto dos nümeros inteiros El = {O, 1, 2, 3, 4..... n, ... } Serão acontecimentos, por exemplo, os seguintes subconjuntos de El: A = {6} B = { 2,4,6,..., 2n,...} at A: Contarn-se se/s peças ate sair uma defeituosa. B: Conta-se urn nürnero par de peças ate sair uma defeituosa. Para que A se realize terá que ocorrer um, e sOmente urn, dos possIveis resultados da experiéncia aleatOria (6); diz-se então que A é urn acontecirnento elernentar. Polo contrário, para que B se realize, basta que ocorra urn, rnas qualquer urn, de entre os vários resultados possfveis, e que são todos os que correspondern a contagens pares (2, 4, 6, 8 ...). Trata-se, portanto, de urn acon- tecimento cornptexo. 0 TEORIADAS PROSABJLIDADES Torna-so ainda mais nItida a diforença entre acontecimento 0 resultado quando so trata de acontecirnentos cornplexos: onquanto quo o prirnoiro prevê a possibilidado do ocorrëncia do vários resultados, dopois do realizacja a exporiëncia aloatOria apenas Ocorrerá urn desses resultados possIvois. Na Tooria das Frobabihdados, urn acontecimento não é, nern urn conceito reforente ao passado, nom urn concoito corn ocorréncia assegurada no futuro. E apenas uma oventualidado (acontecimento olernentar) ou urn conjunto de ovontualidades (acontecimento cornplexo) cuja 000rr6ncia dopende do acaso. E a probabilidado de ocorrência do cada acontecimento quo perrnite classifi- ca-los ern acontecimentos CCrtOS, possIveis e impossIveis, Considere-se a experiência aleatória quo consiste em medir o tempo neces- sário para que urn aluno corn o 12 ano obtenha uma licenciatura em gestao de empresas. Admitindo-se que nenhum destes alunos poderá levar mais do 20 anos para tal e considerando que em algurnas instituiçöes universitárias a duraçâo minima da licenciatura ó de quatro anos, o espaço de resultados desta experiOn- cia aleatOria será: Q = [4, 201 Sejam os seguintesacontecimentos A: o tempo necessário para obtençao da licenciatura e de 5 anos B: o tempo necessário 6 igual ou superior a 4 anos mas não superior a 20 anos. C: o tempo necossãrio 6 do 2 anos. Poder-se-á dizer que A é um acontecimento possIvel, B é urn acontecimento certo e C O um acontecimento impossivel. B e urn acontecimento certo porque ocorre sempre, sendo o conjunto que o define B = [4, 20] exactarnente coincidente com o prOprio espaço de resultados. Já o acontecimento C não ocorre, qualquer que seja o resultado da experiência aleatOria e, corno não existe qualquer resultado que tome viávei a sua realizaçao, o conjunto que define C é o vazio: C=ø ESTATISTICA APLIGADA o acontecimentO A situa-se, relativarnonte a B e C, numa situação intermedia quanto ao grau do possibilidade do so realizar. A é apeflas possivel, podendo ocorrer ou não depois de realizada a experienCia aieatOtia. Considere-Se urn novO acontecirnento 0: o tempo necessário para obtencâo da licenciatura é superior a 4 a inferior a 6 anOs ou D = ] 4, 6 [. Verifica-Se que quando A so realizar, V tambérn so realiza, urna vez quo A é urn subcofljunto do D. Então, A 6 urn subaCOfltCCim0nt0 de D, A c 0, pois a realizacãO do A irnplica a realizacãO de D. mx Algebra dos acontecimentos 0 Dofiniu-se acontecimento corno urn conjunto do resultados possiveis do uma exporiênCia aleatOria. Esta definição sugere quo so podera utihzar todos os instrumentos da teoria dos conjuntos para representar as acontecimentos e as operaçöes quo so definern sabre estes. Por exemplo, a diagrama do Venn revela-se do extrema utilidade na representação do acontecimentos: a conjunto universal é identificado como a espaço do resultados fl da experléncia aba- tória e cada acontecimento A por urna região interior a Q Do modo identico, a diagrama do Venn pode ser utilizado para representar, do forma simplificada e sugestiva, as operaçöes quo so definom sobre acon- tecimentos: união ou soma IOgica, intersecçäo ou produto lOgico e diferença. 3 1. União do acontecimentos 39 ESTATISTICA APLICADA A união de acontecimentos implica, pois, a idela de disjunção, de alterna- tiva, traduzida por ou; para que so realize 0 acontecimento união basta quo ocorra polo menos urn dos acontecimentos: ou A, ou B ou ambos. Diagrarnaticamente, a uniäo de A corn B pode representar-se da seguinte forma: Q II A operaçäo união de acontecimentos pode ser generalizada a mais de dois acontecimentos. Dada urna sucessão infinita de acontecimentos Al, A2, ..., A,-, ..., define- se a sua uniao ij A corno sendo o acontecimento que 000rrerá se e sornente se ocorrer pelo menos urn dos acontecimentos A. 3.2. Intersecçao do acontecimentos Contrariarnente a uniáo, a intersecçao implica a ideia de conjunçao, sirnul- taneidade ou sequência, a ideia de e: o acontecimento A n B so se realiza TE0R149A5 PROBABILIDADES quando se realizarem Os acontecirnentos A e B. Diagramaticarnente, a inter- seccâo de A e B pode ser representada da seguinte forma: Q TambOm esta operação pode ser generalizada a urn conjunto, finito ou infinito, de acontecirnentos. Ha certos acontecirnentos que nao podem ocorrer simultanearnente, logo a sua intersecção O o acontecirnento impossIvel, isto é, corresporide a urn conjunto vazio. Acontecimentos nestas condiçOes, em que a 000rr6ncia de urn exclui a ocorrOncia dos restantes, dizern-se mutuamente exciusivos ou incom- patIveis. No diagrarna de Venn anterior representarn-se trés acontecimentos rnutua- mente exciusivos. ESTATISTICA APLICADA Seja a experiência aleatOria que consiste no Iançamento de urn dado e os dois acontecimentos a ela associados: A:saIdade face par; A = {2,4,6} B:saIdade face !mpar; B={1,3,5} A e B são mutuamente exciusivos ou incompativeis, urna vez que não podem ocorrer simuitaneamente: se ocorre A, isto é, sai face par, não pode ocorrer B e vice-versa. 3.3. Diferença de acontecimentos Diagramaticamente r;i TEORIA DAS PROBABILIDADES Seja a experléncia aleatOria que consisfe em medir o consumo médio per capita de cerveja em Portugal (em litros) e A e B Os seguintes acontecimentos: A: 0 consumo mOdio per capita é Superior ou igual a 30 litros mas inferior a 50 litros. B: o consumo medio per capita é igual ou superior a 40 litros mas inferior a 75 iltros. A - B é 0 acontecimento <o consumo médio per capita é igual ou superior a 30 iltros mas inferior a 40 iltros" dado que A = [30, 50 B = [40, 75 A - B = [30,40[. ES TA lIST! CA APLICADA 3.4. Propriedades das opera çäes Em seguida apresentam-se as propriedades mais importantes das opera- çOes de uniao e intersecção do acontecimentos. PROPRIEDADES UNIAO INTER5ECçAQ 1.Comutativa AUB=BUA AflB=BflA 2.Associativa Au(BUC)=(AuB)UC Afl(BflC)=(AB)C 3.D/stribut/va Au(BnC)= =(AUB)n(AUC) Afl(BUC)= =(AflB)u(AnC) 4. /dempotênc/a AuA=A AA=A 5. Lei do complemento A A=Q AA=ø 6. Leis de De Morgan AuB=AnB AnB=AUB 7.Elernentoneutro AUØ=A AQ=A 8. Elemento absorvente Au £2 = £2 A 0 = 0 rJaM4iDz.frailajjjimrafl. Quais as hipOteses do que o rio Douro venha a ter urn caudal abaixo do normal no prOxirno Vorão? Qual a probabilidade do quo a procura de automO- veis movidos a energia oléctrica venha a aumontar no prOxirno ano? Qual a proba-bilidade do que Os trabalhadoros do Motropolitano do Lisboa ontrem em grove na prOxima sexta-foira? As respostas a ostas perguntas são dadas em termos da probabilidade ou verosimuhança de quo cada urn destos aconteci- mentos ocorra, sondo esta idontificada corno urna rnedida da certeza da ocorrOncia do cada acontocimento. Nas areas económica o do gestão, os diforentos concoitos do probabilidade são largamento utilizados. Por exomplo, quando o prirnoiro-ministro afirrna quo a inflação no corrento ano não ultrapassara 6% ou quando urn industrial prove quo as matérias-prirnas importadas para a sua produção não sofrerao urn aumonto do proços no curio prazo. As probabilidados fornocern aos gostoros o 000nornistas as bases para a tornada do docisao, quando oxisto incortoza sobro a ovoluçao futura e sobro os ofeitos práticos das suas docisoos, isto é, quando a partir do passado não é possIvol prover doterrninistjcarnonto o futuro, dovido a i nflubncia do acaso, sondo no ontanto possIvof prover as linhas do ovoluçao futura o as possibilidados do ostas so concrotizarem. Do acordo corn a definiçao o o rnétodo do cálculo, podom dofinir-so trés concoifos do probabilidade: cléss/ca, emp fr/ca ou frequenc/sta o subjectiva. As probabilidados quo so basolam nas caractoristicas intrInsocas dos acontoci- montos são dofinidas Segundo o concoito c!ássjco. Aquolas quo so basoiarn numa quantidade razoávoj doovidéncia objoctiva são ompiricas ou froquon- cistas, onquanto quo as probabilidades dofinidas corn base em cronças ou Opirflöos individuals so donominam subjoctivas. ES TA TISTICA APLICADA 4.1. Concefto c!ássico de probabilidade (a priori) Se a uma experiência aleatOria se podern associar N resultados possIveis, mutuamente exciusivos e igualmente prováveis, e se 17,4 desses resultados - - tiverem a atributo A, entao a probabilidade de A e a fracçao 11,4 P[A] = nA onde: 11,4 - nümero de resultados favoráveis a A N - nUmero de resultados possIveis Repare-se que, para o conceito clássico de probabilidade, as resultados possfveis são todos igualmente prováveis, isto é, tOrn todos igual probabilidade de se realizarem. E este o conceito subjacente aos chamados jogos de azar, cuja prOvia apresentação sisternática foi feita par Cardano. Este define coma probabilidade de urn acantecimenta o rácia entre a nUrnera de resultados que fazem cam que a acantecimenta se realize e a nUmero total de resultados. Par exemplo, a probabilidade de sair urn nürnera par quando se lança urn dada é de % parque existern seis resultados passIveis e trOs deles são nümeros pares. Galileu, rneia século mais tarde, utilizau a rnesrno conceito de probabilidade para responder a uma dUvida dos jagadores que notaram, no lançamenta de trOs dadas, saIrem rnais vezes faces que sarnarn um total de 10 pontos do que 9. pontos. Tal carna Cardana, Galileu sabia que era necessária ter em cansideraçãa a ordem dos resultados para que se possarn associar probabi- lidades diferentes aas resultados. Assim, de 6 x 6 x 6 = 216 resultados possiveis, 25 somam 9 pantos e 27 somam um total de 10 pontos, de onde resultam, respectivarnente, probabilidades de 25/216 e 27/216. Este ültimo exempla ilustra bern a necessidade de recorrer a análise cornbinatória corno rnOtada auxiliar para a contagem do nürnero de casas favoráveis e do nUmero de casas possIveis. TEQAJA DAS PROBABIL/DADES Na experiência aieatoria que COnsiste no lancarnento de urn dado e observa- cáo do nUrnero inscrito na face voltada para dma, seja A o acontecimerito: saIda da face 3. 0 espaço de resultados O definido pelos seguintes elernentos £2 = { 1, 2, 3, 4, 5, 6 }. A probabilidade de se reahzar a acontecirnento A é: corn: nA - nümero do resultados favoráveis ao acontecimento A N - nOmero do resultados possIveis. * Consideremos a experiência aleatOria que consiste no Iançamento de urna moeda equilibrada ao ar. Seja A 0 acontecirnento: saIda de face. 0 espaço de resultados será constituido por £2 = { F, C}. A probabilidade de A será: P[AJ= -- -i — Urn investigador mostra a urn individuo 12 cores e pede-Ihe quo escreva 4 que sejarn suas favorites. a) Quantos resultados possiveis existern? c2 = (12 124 = 495 b) Se uma das cores do lote das 12 for azul, quantos resultados possiveis iräo conter essa cor? = 3) (11-3)131 -165 POis 0 azul 6 sempre escothido e portanto sO 3 cores das restantes 11 podern ser escoihidas. ESTI4TISTICA APLICADA c) Qual a probabilidade de escoiher a cor azul como uma das suas preferidas? (ii 3)_ 165 (12 - 495 - 3 4.2. Con ceito frequenc!sta de probabilidade (a posterior!) Se em N roalizaçöes do uma exporiência, o acontocimento A so verificou n vezes, diz-se quo a froquência relativa do A nas N realizaçöes e n sondo fA a trequência relativa do acontecimento A. Noutras N realizaçôos da mesma exporiOncia, desde quo N soja suficion- temente elevado, a frequOncia relativa corn quo se realiza o acontecimonto A é ern geral diforonte mas prOxirna da anterior. A modida quo o nUmoro do provas aumonta, verifica-se uma regularidade das froquências rolativas, do tal modo quo a irrogularidade dos rosuitados individuals se opoo uma coda regu- laridade estatIstica ao tim do uma longa série do provas, isto 6, fA = / iv tendo a estabilizar. E osta caracteristica das oxperiências aloatOrias quo pormite definir o concoito froquoncista de probabilidade. Ao nUmoro para quo tonde a frequOncia relativa fA , quando se aumonta o nümero de provas, chama-se probabilidade do acontocimento A: P[A] = jim 1A 00 Isto oquivale a acoitar quo numa sucessáo numerosa do oxporiências 6 praticamonto certo quo a froquência relativa do A soja aproximadamonte igual a P [A]. Esta rogra ostá na base da definição frequoncista de probabilidade. M. TEORIA DAS PROBASILIDADES o valor da froquOncia rolativa 0 uma ind:cação do valor da probabilidade na exporlOncia aloatoria considorada, quando so repote ossa exporlOncia urn nürnoro suficientomento grando do vozes. A exporiência aleatória quo consiste na obsorvaçao do soxo de urn recém- -nascido pode considerar-se 0 exemplo tIpico para aplicacao do conceito frequen- cista de probabilidade. Porque esta experiéncja já se realizou inürneras vezes e existern registos do seu resultado, sabo-se quo a probabilidade do sexo do recém-nascido ser masculino é do aproximadamento 0,52 e de ser feminino e do cerca do 0,48. A utilizaçao do concoito clássico de probabilidade teria conduzido ao valor do 0,5 para cada urna das reforidas probabilidades, o quo constituiria urn erro. Este seria proveniente do facto do so considorarern oquiprovavejs os elernentos do espaço de resultados Q = { Masculino, Forninino }, quando ostes a não são. a 4.3. Conceito subjectivo ou persona jista de probabilidade Utilizarido esto concoito, a probabilidade de urn acontecimonto é dada polo grau do crodibiudado ou do confiança quo cada pessoa dá a rea!izaçao do urn acontecirnento Basoja-se na inforrnaçao quantitativa (ox: froquencia do ocor- réncia do urn acontecirnento) o/ou qualitativa (ox: informaçâo sobre experiencia passada em situaçöos sornolhantes) quo o docisor possui sobro o acontoci- rnento orn causa. Diferentos decisores podorn atribuir diferontos probabilidados ao rnosrno acontocirnento docorrontos da experiencja, atitudos, valores, etc, quo possuorn. Esta noçao do probabilidade pode ser aplicada a oxporiOncias quo, ornbora de resultado sujoito ao acaso, não so podorn efectuar várias vozos nas rnos- rnas condiçoos, casos em quo os concoitos froquoncista o clássico nao so podem aplicar. ESTATIST/C.4 Se o Primoiro Ministro afirmasse "a inflação para o próxirno ano sorá de 3% corn urna probabilidade do 0,9' estaria aaplicar o conceito subjectivo ou perso- nalista do probabilidade. Urna outra figura polItica, da Oposiçao, diria certamente quo tat meta soda difIcil do atingir, o sendo instada a quantificar o quo para eta era "dificit>' podetia mesmo afirmar: "Tal nivet do inflaçao so será atingido corn urna probabilidade do 0,25". TambOrn osta figura polItica estará, desto rnodo, a apticar o conceito porsonatista do probabilidade. Kfj Da necessidade de sistematizaçâo dos conceitos empregues na Teoria das Frobabilidades e da construção de urn corpo teórico coerente surgem os trés axiornas em que so baselarn todos Os desenvoivimentos posteriores deste campo das matemáticas. Assirn, consideramos que P (.) é urna funçao quo associa a todo o acontecimento A definido em £2 urn nUmero compreendido no intervaio [0, 1] e que satisfaz os seguintes axiomas: APLICADA Corn base nos axiomas referidos O possIv& demonstrar diversos teorernas, entre Os quais se destacarn os seguintes: Considerese urn acontecirnento A qualquer associado a urn espaço de resultados n, e o seu cornplernentar A. Atendendo a prOpria definição de acoritecirnento cornplementar, é evidente que A e A curnprern as seguirites condiçbes: - não podern ocorrer simultaneamente, isto é, A e A são rnutuarnente exciusivos, logo a sua intersecção 6 o acontecirnento irnpossIvel; - quando so realiza a experiência aleatOria, ocorrerá sernpre urn dos acontecirnentos A ou A, logo, a sua união 6 o acontecirnento certo Q, isto 6, AUA=cL Então, aplicando probabilidades P[A U A] = P[Q] e, pelos axiornas 2) e3) anteriores, P[A] + P[A] = 1 EM P[A] = 1 - P[A] c.q.d. Seja a exporléncia aleatOria quo consisto na extracçäo do uma carta do urn baraiho do 52 cartas. 0 acontocirnento A: sa[cja de urn re/ tern probabilidade P[A] = dado quo oxistom 4 rois nas 52 cartas. Logo, a probabificjade do acontecirnento cornplornontar do A, A: não sal rei, é PIAJ=1 - - -= -fQ 52 52 quo so poderia facilmento Cornprovar urna vez quo, nurn baraiho do 52 cartas, existom 48 quo não são reis. Atenderido as propriodades do elemento neutro na uniao do acontecimen tos, e agora possivej determinar a probabilidade do 000rr6ncia do acontecimonto impossfvel. Assim o, aphoando probabilidades, P[c2 u øJ = mas, porque os dois acontecimentos são mutuamento exciusivos, P{Q} + P[øJ = P[Q] 53 ESTATISTIGA APLIGADA ou seja, P[ø] = P{C2J - P[] P[ø] = 0 c.q.d. o acontecimento irnpossivel tern probabilidade nula mas a recIproca não ë verdadeira. A raridade durn acontecimento pode levar a quo a sua probabui- dade seja zero sern quo, no entanto, este seja impossfvel. E o caso em quo, no Iançamento durna moeda ao ar, esta fica ern p6 sern cair para nenhum dos lados. Sejarn dois acontecimentos A e B quaisquer. Atendendo as propriedades das operaçbes sobre acontecimentos, faciirnente so dernonstra o seguinte B=Bn(AUA) B= (B fl A) U (B A) Os acontecimentos (B () A) e (B fl A) são mutuarnente exciusivos e (B n A) 6 o acontecimento quo se realiza quando se realiza B mas não se realiza A, logo III AnB (a- BnA=B-A TEORIA DAS PROBABILIDADES Polo axioma 3, teremos então P[B] = P[B n A] + P[B A] ou P[B] = P[B A] + 98 - A] logo P[B - A] = P[B] - P[B '--i A] c.q.d. Na produçao de artigos do vestuário de uma empresa, 10% dos artigos produzidos tern defeitos de material (tecido), 5% tern defeitos de acabarnento e 2% defeitos de ambos os tipos. Qual a probabilidade de uma peça de vestuário retirada ao acaso ter apenas defeitos de tecido? Considerando os acontecimentos A: o art/go tern dde/to do matEr/a prima (tecido) B: o art/go tern do!c/to do acabam onto e o acontecimento A - B: o artigo tern apenas dole/to do maté na prima a sua probabilidade será P[A - B] = P[A] - P[A B]. De acordo corn os dados disponIveis P[A] = 0,10 PEA B] = 0,02 então PEA - B] = 0,10 - 0,02 = 0,08 isto é, a probabilidade de uma peça de vestuário ter apenas defeitos de tecido é do 0,08. 0 ES TA TISTICA APLICADA - AUB=(AUB)nn= = (A U B) fl (A U A) = = A U (B A) = = A U (B - A) Aplicando probabilidades P[AU B] = P[A u (B - A)] Mas, porque A e (B - A) são mutuamente exciusivos, P[A Li B] = P[A] + P[B - A] e utilizando o teorema anterior sobre a probabilidade da diferença de dois acontecimentos P[A u B] = P[A] + P[B] - P[B n A] c.qxi. TEORIA DAS PROBABIL/DADES Seja a experléncia aleatOria que consiste em retirar urna carta de urn baraiho de 52 cartas e considerern-se os acontecimentos: A: sal ml B: sal paus cujas probabilidades são, respectivamente, 4/52 e 13/52. A probabilidade do acontecimento uniao A u B: saircioupaus o P[A u B] =52uma vez que existern 16 resultados favoráveis (13 de saIrem paus mais 3 de sairem reis que não são de paus) em 52 resultados possiveis. Esta probabilidade 0 diferente de 17 P[A} + P[B] = - 52 pois ao somarmos P[A] corn P[B], conta-se duas vezes a probabilidade do acontecimento "sal rei de paus,, (acontecimento A -- B) cornurn aos aconteci- mentos A e B. E necessário, portanto, deduzir a probabilidade deste Ultimo acontecimento: P[A B] = P[A] + P[B] - P[A B] = 413 1 - 52 52 - 52 - 16 52 j Em determinada cidade, 30% da população de leitores de jomais diários cornpra o jornal "Diario", 40% o jornal <<PQbIico e 10% compra os dois jornais. Se desta população escoihermos urn leitor ao acaso, qual a probabilidade de ele comprar palo menos urn destes jomais, isto 6, de ler o "Diádo", ou o cPüb!ico>> ou ambos? Considerando os acontecimentos: A: o leitor corn pra o aDiárlo.0 B: o leitor cornpra o ('Pubilco" 57 ESTATIS TI CA APLICADA e sabendo que P[A] = 0,30 P[A n B] = 0,10 o que se pretende conhecer é PEA u B] P[A U B] = PEA] + P[B] - P[A B] = = 0,30 + 0,40 - 0,10 = = 0,60 isto é, 60% dos leitores compra pelo menos urn destes jornais. L TEQR/A DAS PROBAS/LIDADES Paran =3 P[Ai k) A2 13 As] = 3 2 3 =P[Aj] - Y, I P[A/nAJ]+(1)4P[A1nA2nA3] 1=1 1=1 j=i+1 = P[Ai] + P[A2} + P[A3] - P[k -- A2J - - P[A1 nA3]_P[A2nAS}+P[A1nA2nA3 I Para n=4 P[Aj U A2 u A3 U A41 = 4 3 4 =P[A1]- 1=1 i=1j=f+1 2 3 1=1 j=!-i-1 k=j+1 P [A/nAJnAK]_P[A1nA2nA3nA4] = P[A1} + P[A2] + P[A3] + P[A41 - - P [Al nA2I_P [Al nAS]_P[A1nA4I - P[A2 nA3]_P[A2nA4]p[kn]+ +P[A2flA3 flA4J - P[A1flA2 flA3flA4} ES TA TISTICA APLICADA A mesma populaçao do leitores do exemplo anterior fol inquirida sobre as suas preferências relativamente a três revistas mensais A, B e C. Os resultados obtidos foram Os seguintes: Re vista Leitores (%) A 9,8 8 22,9 C 12,1 A e B 5,1 A e C 3,7 B e C 6,0 A e B e C 2,4 Qual a probabilidade de, urn leitor escolhido ao acaso, ser leitor de a) Somente A e C? b) Polo menos urna revista? As respostas a estas duas questoes sao irnediatas so se atender ao teorema 3 e a generalizaçao do teorema 4: a) A probabilidade pedida é PEA C B] = P[A C] - P[A n C B] = = 0,037 - 0,024 = = 0,013 b) A probabilidade pedida é P[AUBuC] = P[A] + P[B] + P[C] - P[A B] - - P[A ç C] - P[B C] + P[A B C] = = 0,098 + 0,229 + 0,121 - 0,051 - 0,037 - 0,06 + 0,024 = = 0,324. TEORIA 0,45 PROBABILIDADES Este problema poderia também ser resolvido corn o auxIlio de urn diagrarna de Venn. 61, 0,042 B 61 A partir do momento em que se conhece a probabilidade de o acontecimen- to B (do espaço do resultados £2) ocorrer, O possIvel calcular a probabilidade de qualquer outro acoritecimento A se realizar condicionado polo acontecimento B. Urn jogador da loteria cornpra trés bilhetes para a extracção do Natal corn os nUmeros 01011, 15555 e 22444, realizando-se 0 sorteio entre urn total do 40000 nUrneros, de 00000 a 39999. 0 acontecirnento: A: o jogador obtém o primeiro prémio comporta três resultados favoráveis A = {01011, 15555, 22444} nurn total do 40000 resultados possIveis = {00000, 00001 ......, 399991. TEORIA DAS PROBABILIDADES Aplicando 0 concoito c!ássico do probabilidade facilmente se obtem a proba- bilidade do o jogador obter 0 primeiro prOmio: 3 40000 Admita-se agora quo, no dia da extracçâo, o jogador soubo acidentalmonte que o nUmero premiado em primeiro !ugar era um nQmero par, embora não tivesso ainda conhecimento do nUmero premiado. Qual será agora a probabilidade do jogador obter o primeiro prémio considorando a informaçao adicional de que, entretanto, tomou conhecimento? Isto é, qual a probabilidade do o jogador obter O primeiro prémlo dado quo o nUmero premiado é par? 0 nümero de resultados favorávois O agora apenas de 1, uma vez que o jogador apenas possui um bilhete com nUrnero par, enquanto quo os resultados possivois passaram a ser de 20000 (a total de nUmeros pares nos 40000): P[AIB] = 20000 sendo B: a primeiro prérnia saiu a urn nOrnero par. A probabilidade anterior não ropresenta a probabilidade absoluta ou total do A so roahzar (igual a 3/40 000 como se viu anteriormento), mas a probabilidade de A condicionada pela ocorréncia de B, ou probabilidade de A dado B. 0 facto do ser dado B opera uma reduçao no espaço do resultados, que passa de Q, constituldo por 40 000 resultados possIveis, para a próprio B, formado por apenas 20 000 resultados. A probabilidade de A ontão será P[AIB] = 20000 Dividindo ambos as termos da fracçao por 40000 obtém-se 1 P[A!BJ = 40000 20000 40000 ficando I) no denominador o nUmera de resultados favoréveis a B sabre o nOmero total de resultados
Compartilhar