Baixe o app para aproveitar ainda mais
Prévia do material em texto
ESTATÍSTICA Jamur Silveira Cálculo de probabilidade Objetivos de aprendizagem Ao final deste texto, você deve apresentar os seguintes aprendizados: � Diferenciar eventos mutuamente excludentes de eventos comple- mentares. � Distinguir eventos independentes de eventos dependentes. � Realizar cálculos simples de probabilidade. Introdução Neste texto, você vai estudar um dos conceitos mais importantes da estatística: a probabilidade. A partir dele, você terá informações adicionais da situação que está analisando e, com isso, mais êxito na tomada de decisões. Probabilidade A teoria das probabilidades é um ramo da matemática que cria, elabora e pesquisa modelos para estudar experimentos ou fenômenos aleatórios. Há certos fenômenos (ou experimentos) que, embora sejam repetidos muitas vezes e sob condições idênticas, não apresentam os mesmos resultados. Por exemplo, no lançamento de uma moeda perfeita, o resultado é imprevisível, não se pode determiná-lo antes de ser realizado e não podemos prever, mas podemos saber quais são os possíveis resultados. Aos fenômenos (ou expe- rimentos) desse tipo damos o nome de fenômenos aleatórios (ou casuais). Pelo fato de não sabermos o resultado exato de um fenômeno aleatório é que buscamos os resultados prováveis, as chances e as probabilidades de um determinado resultado ocorrer. Identificação interna do documento PYDB0XJZAK-D1SFU31 Segundo Mann, a probabilidade corresponde à medida numérica da possibilidade de que um determinado evento venha a ocorrer. Espaço amostral Em um experimento (ou fenômeno) aleatório, o conjunto formado por todos os resultados possíveis é chamado espaço amostral, que vamos indicar por U ou Ω. Veja os seguintes exemplos. � Lançar uma moeda e observar a face voltada para cima: U = {cara, coroa}. � Lançar um dado e observar a face voltada para cima: U = {1, 2, 3, 4, 5, 6}. Evento Chama-se evento todo subconjunto de um espaço amostral, ou seja, os resul- tados que poderão ocorrer em um determinado fenômeno. Resultados esses que queremos que aconteçam ou não. No lançamento de um dado, por exemplo, em relação à face voltada para cima, podemos ter os seguintes eventos. � O número é par: {2, 4, 6}. � O número é menor que 5: U = {1, 2, 3, 4}. � O número é 8: {}. Cálculo de probabilidade2 Identificação interna do documento PYDB0XJZAK-D1SFU31 Uma urna contém 10 bolas numeradas de 1 a 10. Retira-se uma bola ao acaso e se observa o número indicado. Descrever de forma explícita os seguintes conjuntos e dar o número de elementos de cada um: a) o espaço amostral U. b) o evento A: o número da bola é ímpar. c) o evento B: o número da bola é múltiplo de 3. Solução: a) O conjunto de todos os resultados possíveis é representado pelo seguinte espaço amostral: U = {1, 2, 3, 4, 5, 6, 7, 8, 9, 10}. O número de elementos desse conjunto é n(U) = 10. b) Se o número da bola é ímpar, temos o evento: A = {1, 3, 5, 7, 9}. O número de elementos desse conjunto é n(A) = 5. Se o número da bola é múltiplo de 3, temos o evento: B = {3, 6, 9}. O número de elementos desse conjunto é n(B) = 3. Eventos mutuamente excludentes e eventos complementares Eventos que não podem ocorrer conjuntamente são conhecidos com eventos mutuamente excludentes (também chamados de eventos mutuamente exclu- sivos). Caso dois ou mais eventos sejam mutuamente excludentes, no máximo um deles irá ocorrer a cada vez que repetirmos o experimento. Por conseguinte, a ocorrência de um evento exclui a ocorrência do outro, ou de outros eventos. Considerando, por exemplo, dois lançamentos de uma moeda, esse expe- rimento tem quatro resultados possíveis: cara/cara, cara/coroa, coroa/cara, coroa/coroa. Esses resultados são mutuamente excludentes, uma vez que um, e somente um, deles irá ocorrer ao lançarmos a moeda duas vezes. Chama-se evento complementar de um evento A e é representado por Ā o conjunto formado por todos os elementos do espaço amostral U que não pertencem ao evento A. No lançamento de um dado, temos o seu espaço amostral: U = {1, 2, 3, 4, 5, 6}. Considere os eventos a seguir. � O evento A: o número obtido é menor que 3. � O evento Ā: o número obtido é maior ou igual a 3. 3Cálculo de probabilidade Identificação interna do documento PYDB0XJZAK-D1SFU31 Observe que os eventos A = {1, 2} e Ā = {3, 4, 5, 6}. Estes são complemen- tares, pois, A ∩ Ā = { } e A Ā = U, a interseção (o que há de comum entre os conjuntos) entre os dois conjuntos resulta em um resultado vazio, visto que os dois conjuntos não possuem resultados em comum, e a união (unir todos os elementos dos conjuntos envolvidos) entre os dois conjuntos resulta no conjunto espaço amostral U. Eventos independentes e eventos dependentes Dois eventos são independentes quando a ocorrência ou a não ocorrência de um evento não tem efeito algum na probabilidade de ocorrência do outro evento. Dois eventos são dependentes quando a ocorrência ou a não ocorrência de um evento afeta a probabilidade de ocorrência do outro evento. Os eventos independentes e dependentes são chamados de com e sem reposição, respectivamente. Com reposição significa o retorno do evento sorteado ao seu conjunto de origem. É isso que mantém a probabilidade de sorteio constante, portanto, não se altera a probabilidade de sorteio do evento seguinte. Sem reposição significa o não retorno do evento sorteado ou do seu con- junto de origem, alterando a probabilidade de sorteio do evento seguinte. Exemplo de evento independente: Dois lançamentos sucessivos de uma moeda não viciada são considerados como eventos independentes, uma vez que o resultado do primeiro lançamento não tem efeito algum nas probabilidades de ocorrer uma cara ou uma coroa no segundo lançamento. Exemplo de evento dependente: A retirada de duas bolas, sem reposição, de uma urna contendo 20 bolas numeradas de 1 a 20 são dependentes, pois as probabilidades do resultado da retirada da segunda bola estão diretamente ligadas a retirada da primeira bola. Especificamente, se na primeira bola retirada saiu a de número 10, e se não houver reposição, com certeza não existirá a probabilidade de que, na segunda retirada, a bola 10 apareça, pois esta não se encontra mais na urna, ou seja, a primeira retirada afetou completamente as probabilidades de retirada da segunda bola. Cálculo de probabilidade4 Identificação interna do documento PYDB0XJZAK-D1SFU31 Todo experimento que tiver dois ou mais eventos e aparecer no enunciado as palavras com reposição ou sem reposição, automaticamente já saberemos se são indepen- dentes (com reposição) ou dependentes (sem reposição). Cálculo de probabilidade Como se calcular questões e/ou experimentos de probabilidade? Considere uma área muito visitada no Museu de Animais. Em um recipiente, existem 12 aranhas, das quais 8 são fêmeas. A probabilidade de se retirar uma aranha macho para um experimento é de? No lançamento de um dado perfeito, qual é a probabilidade de sair um número maior do que 4? Em uma urna existem 20 bolas numeradas de 1 a 20. Sorteando-se uma bola, ao acaso, qual é a probabilidade, em porcentagem, de que o número da bola sorteada seja divisível por 3? Considere o lançamento de três dados comuns. Qual é a probabilidade de que a soma dos valores sorteados seja igual a 5? Maria ganhou de João nove pulseiras, quatro delas de prata e cinco de ouro. Maria ganhou de Pedro onze pulseiras, oito delas de prata e três de ouro. Ela guarda todas essas pulseiras – e apenas essas – em sua pequena caixa de joias. Uma noite, arrumando-se apressadamente para ir ao cinema com João, Maria retira, ao acaso, uma pulseira de sua pequena caixa de joias. Ela vê, então, que retirou uma pulseira de prata. Levando em conta tais informações, a probabilidade de que a pulseira de prata que Maria retirou seja uma das pulseiras que ganhou de João é igual a? Uma urna contém 8 bolas, das quais três são vermelhas e as restantes são brancas. Qual a probabilidade de, ao retirarduas bolas sucessivamente, sem reposição, obtermos a 1ª vermelha e a 2ª branca? Para se calcular as probabilidades de ocorrer determinado evento, como os casos apresentados acima, além dos conceitos de espaço amostral, eventos e tipos de eventos, apresentados neste capítulo anteriormente, foi preciso saber diferenciar os tipos de probabilidade, que veremos adiante: probabilidade de um evento em um espaço amostral finito; probabilidade condicional; e probabilidades de eventos independentes. Além de sabermos apresentar os 5Cálculo de probabilidade Identificação interna do documento PYDB0XJZAK-D1SFU31 cálculos de probabilidade nas 3 maneiras diferentes de apresentação: valor fracionário, valor numérico e valor percentual. Resultados da probabilidade Como citado anteriormente, podemos apresentar os resultados obtidos nos cálculos de probabilidade de três maneiras diferentes. � Valor fracionário: quando se faz um cálculo de probabilidade, como veremos adiante, o primeiro resultado obtido é o fracionário, em que temos um número que fica na parte superior da fração, chamado de numerador, e outro valor, na parte inferior da mesma fração, chamado de denominador (a/b). 1. Exemplo: 2 5 . � Valor numérico: quando acharmos o valor fracionário e realizarmos a divisão proposta, ou seja, o numerador (em cima) dividido pelo de- nominador (embaixo) obterá um resultado, que chamaremos de valor numérico. É o resultado da divisão do valor fracionário. 2. Exemplo: 25 = 0,40 . � Valor percentual: ao chegarmos ao valor numérico, podemos trans- formar qualquer um deles em valor percentual, apenas multiplicando o valor por 100 (cem) e após colocar o símbolo de porcentagem (%). 3. Exemplo: 0,40 × 100 = 40% (quarenta por cento). Os resultados podem ser apresentados em qualquer uma das três maneiras, isso vai depender do que for pedido no enunciado de algum problema/questão/ experimento. Probabilidade de um evento em um espaço amostral finito A probabilidade de um evento em um espaço amostral finito também é co- nhecida como probabilidade clássica. A regra da probabilidade clássica é aplicada para se calcularem as probabilidades de eventos a um experimento para o qual os resultados sejam igualmente possíveis. Dado um experimento aleatório, sendo U o seu espaço amostral, vamos admitir que todos os elementos de U tenham a mesma chance de acontecer. Cálculo de probabilidade6 Identificação interna do documento PYDB0XJZAK-D1SFU31 Chamamos de probabilidade de um evento A o número real P(A), tal que: P(A) = n(A)n(U) , em que: n(A) é o número de elementos do conjunto A e n(U) é o número de elementos do conjunto U. Em outras palavras: P(A) = número de casos favoráveis número total de casos possíveis Todas as possíveis respostas favoráveis (eventos) são divididas por todas de respostas possíveis (espaço amostral). Encontre a probabilidade de se obter um número par em um lançamento de um dado. Solução: Esse experimento tem um total de seis resultados: 1, 2, 3, 4, 5 e 6. Todos estes são igualmente possíveis. Considere A um evento em que um número par seja observado no dado. O evento A inclui três resultados possíveis: 2, 4 e 6, ou seja, A = {2, 4, 6} Caso qualquer um desses três números seja obtido, considera-se que o evento A tenha ocorrido. Assim sendo, P(A) = número de casos favoráveis número total de casos possíveis P(A) = 36 . Simplificando, ou seja, dividindo o numerador e o denominador pelo mesmo valor, neste caso, dividindo os dois valores por 3, obtemos: 1 2 (valor fracionário). Se dividirmos o valor fracionário 1 2 , ou seja, 1 ÷ 2 = 0,50 (valor numérico). E se multiplicarmos por 100 esse valor numérico, iremos obter o valor fracionário: 0,50 x 100 = 50% (cinquenta por cento). Resumindo: qualquer uma das 3 respostas são iguais (válidas) e podem ser apresentadas. 1 2 = 0,50 = 50% Interpretando o resultado obtido: 1 2 – a cada 2 vezes que o dado for jogado, temos a probabilidade de 1 dessas jogadas ser o valor par. 0,5 – a probabilidade de acontecer um evento é exatamente a metade, ou seja, cada vez que se joga 2 vezes o dado, a probabilidade é que a metade das vezes (0,5) aconteça de sair o valor par. 50% – a probabilidade de acontecer o evento favorável, no caso números pares, é de exatamente 50% a cada 2 vezes que for jogado o dado. 7Cálculo de probabilidade Identificação interna do documento PYDB0XJZAK-D1SFU31 Os valores do espaço amostral: no exemplo acima, foi jogado apenas um dado. Como ficaria o valor do espaço amostral se jogássemos, ao mesmo tempo, 2, 3 ou mais dados? Ao jogarmos 1 dado, chegamos a conclusão de que teremos 6 possíveis respostas, todas as mesmas possibilidades. Mas, ao jogarmos 2 dados ao mesmo tempo, esse valor não será o mesmo. Vamos pensar um pouco e verificar as possíveis respostas: (1, 1), (1, 2), (1, 3), (1, 4), (1, 5), (1, 6), (2, 1), (2, 2), (2, 3), (2, 4), (2, 5), (2, 6), (3, 1), (3, 2), (3, 3), (3, 4), (3, 5), (3, 6), (4, 1), (4, 2), (4, 3), (4, 4), (4, 5), (4, 6), (5, 1), (5, 2), (5, 3), (5, 4), (5, 5), (5, 6), (6, 1), (6, 2), (6, 3), (6, 4), (6, 5) e (6, 6). Isso totaliza 36 possíveis respostas, mas podemos chegar a esse valor de uma maneira muito mais rápida, utilizando a seguinte operação: 6n. n é a quantidade de dados que estão sendo utilizados. Dois dados: 62 = 6 × 6 = 36. Três dados: 63 = 6 × 6 × 6 = 216. E assim por diante. No início do texto referente ao título Cálculo de probabilidade, apresentamos várias questões sobre probabilidade. Vamos aproveitar agora que aprendemos a calcular a probabilidade de um evento em um espaço amostral finito (pro- babilidade clássica) e resolvermos estas: 1. Considere uma área muito visitada do Museu de Animais. Em um recipiente existem 12 aranhas, das quais 8 são fêmeas. A probabilidade de se retirar uma aranha macho para um experimento é de quanto? Solução: No total, existem 12 aranhas no recipiente e todas elas possuem a mesma possibilidade de serem sorteadas (espaço amostral) e queremos sortear aranhas- -macho. Se o problema apresenta que 8 das aranhas são fêmeas, então 4 são machos (evento). Colocando os valores na fórmula: P(A) = número de casos favoráveis número total de casos possíveis P(A) = 4 12 P(A) = 13 (valor fracionário, que significa que a cada 3 aranhas retiradas, temos a probabilidade 1 delas ser macho). Cálculo de probabilidade8 Identificação interna do documento PYDB0XJZAK-D1SFU31 Ou P(A) = 13 = 0,333 ... (valor numérico). Ou P(A) = 0,333... x 100 = 33,33% (valor percentual). 2. No lançamento de um dado perfeito, qual é a probabilidade de sair um número maior do que 4? Solução: Um dado possui 6 faces numeradas, ou seja, os números 1, 2, 3, 4, 5 e 6 possuem as mesmas possibilidades, ao jogarmos o dado, da face desse número cair voltada para cima (espaço amostral). O problema pede a probabilidade de sair a face para cima de um número maior do que 4. Temos como possíveis respostas os números 5 e 6 (evento). Colocando na fórmula: P(A) = 2 6 , simplificando (dividindo os dois valores por 2), obtemos o valor final de 1 3 . Ou P(A) = 1 3 = 0,333 ... (valor numérico). Ou P(A) = 0,333... x 100 = 33,33% (valor percentual). 3. Em uma urna existem 20 bolas numeradas de 1 a 20. Sorteando uma bola, ao acaso, qual é a probabilidade, em porcentagem, de que o número da bola sorteada seja divisível por 3? Solução: Na urna existem 20 bolas numeradas de 1 a 20, em que todas possuem a mesma possibilidade de serem retiradas (espaço amostral). O problema quer calcular a probabilidade de se retirar uma bola, cujo número seja divisível por 3. Esses números são: 3, 6, 9, 12, 15 e 18, ou seja, temos 6 possíveis números que são favoráveis ao que o problema está solicitando (evento). Colocando na fórmula: P(A) = 6 20, simplificando, fica como resultado final 3 10 (a cada 10 retiradas de bolas, temos a probabilidade de 3 delas serem divisíveis por 3). Ou P(A) = 3 10 = 0,3 (valor numérico).Ou P(A) = 0,3 x 100 = 30% (valor percentual). 9Cálculo de probabilidade Identificação interna do documento PYDB0XJZAK-D1SFU31 4. Considere o lançamento de três dados comuns. Qual é a probabilidade de que a soma dos valores sorteados seja igual a 5? Solução: Em primeiro lugar, precisamos calcular o valor do espaço amostral e da quantidade de possíveis respostas. Utilizando a operação que foi citada no Fique Atento acima, como estamos jogando 3 dados ao mesmo tempo, vamos utilizar a operação: 6n. 63 = 216 possíveis respostas. O problema está solicitando as respostas em que a soma de todos os dados ao mesmo tempo sejam 5. Vamos achar essas possíveis respostas: (1, 1, 3), (1, 3, 1), (3, 1, 1), (1, 2, 2), (2, 1, 2) e (2, 2, 1), totalizando 6 possíveis respostas favoráveis. Colocando na fórmula: P(A) = 6216. Simplificando, ou seja, dividindo os dois valores por 6, chega- mos ao valor final 1 36 (valor fracionário). A cada 36 vezes que jogarmos os 3 dados ao mesmo tempo, 1 das jogadas dará como soma de todos os números o valor 5. Ou P(A) = 136 = 0,02777 ... Ou P(A) = 0,02777... x 100 = 2,77% (valor percentual). Probabilidade condicional Se a probabilidade de ocorrência de um evento B interfere na probabilidade de ocorrência de um evento A, então dizemos que a probabilidade de A está condicionada à probabilidade de B e representamos por P(A/B). Lê-se: pro- babilidade de A dado B. A/B significa a ocorrência do evento A sabendo que o evento B já ocorreu ou que a ocorrência de B esteja garantida (os eventos A e B são dependentes). P(A/B) = n(A ∩ B) n(B) Cálculo de probabilidade10 Identificação interna do documento PYDB0XJZAK-D1SFU31 Para se calcular uma probabilidade condicional, no denominador se coloca o total de possíveis respostas da condição e, no denominador, coloque a quantidade de possíveis respostas favoráveis (eventos) dentro da condição. Uma concessionária A tem em seu estoque 25 carros de um modelo B. O quadro a seguir divide os 25 carros disponíveis em tipo de motor e cor. Motor Cor Branca Preta Prata Vermelha 1.0 2 2 5 1 1.6 1 1 4 1 2.0 2 2 3 1 Um carro do modelo B foi comprado nessa concessionária. Dado que esse carro é de cor prata, qual a probabilidade que seu motor seja 1.0? Solução: Esse problema de probabilidade é um caso de probabilidade condicional, pois o cálculo está condicionado à informação de que já sabemos que o carro é prata (condição). Utilizando a fórmula da probabilidade condicional: P(A/B) = n(A ∩ B) n(B) No denominador colocamos a quantidade de possíveis respostas da condição (cor prata), conforme tabela. Verificou-se que a concessionária possui 12 carros pratas. Na parte superior, no numerador, colocamos as possibilidades de respostas favoráveis (motor 1.0) dentro dos carros de cor prata: 5 carros com motor 1.0 e que são de cor prata. P(A/B) = 5 12 (valor fracionário). P(A/B) = 5 12 = 0,4166... (valor numérico). P(A/B) = 0,4166... x 100 = 41,66% (valor percentual). 11Cálculo de probabilidade Identificação interna do documento PYDB0XJZAK-D1SFU31 Resolvendo o problema citado anteriormente: � Maria ganhou de João nove pulseiras, quatro delas de prata e cinco de ouro. Maria ganhou de Pedro onze pulseiras, oito delas de prata e três de ouro. Ela guarda todas essas pulseiras – e apenas essas – em sua pequena caixa de joias. Uma noite, arrumando-se apressadamente para ir ao cinema com João, Maria retira, ao acaso, uma pulseira de sua pequena caixa de joias. Ela vê, então, que retirou uma pulseira de prata. Levando em conta tais informações, a probabilidade de que a pulseira de prata que Maria retirou seja uma das pulseiras que ganhou de João é igual a? Solução: Verificamos que a condição é ser uma pulseira de prata, por isso, precisamos saber o total de pulseiras de prata que Maria ganhou: 12. Ela que saber a probabilidade de que essa pulseira que ela está pegando no escuro tenha sido dada de presente pelo João. Então, precisamos verificar quantas pulseiras de prata João deu de presente: 4. Utilizando a fórmula: P(A/B) = n(A ∩ B) n(B) P(A/B) = 4 12 . Simplificando, 1/3 (valor fracionário). P(A/B) = 13 = 0,3333 ... (valor numérico). P(A/B) = 0,3333... × 100 = 33,33%. Probabilidade de eventos independentes Dois eventos, A e B, são chamados independentes quando a probabilidade de ocorrência de um deles não interfere na probabilidade de ocorrência do outro, ou seja: P(B/A) = P(B) ou P(A/B) = P(A) Se A e B são eventos independentes, então a probabilidade de ocorrência de A e B será: P(A ∩ B) = P(A) × P(B) Cálculo de probabilidade12 Identificação interna do documento PYDB0XJZAK-D1SFU31 No caso da probabilidade de eventos independentes, calcula-se cada evento se- paradamente e após obter todas as respostas, faz-se a multiplicação entre todas as probabilidades de cada evento (resultados). De acordo com os cálculos de sinistro de uma determinada seguradora, o cliente Antonio tem uma probabilidade de sinistro para o ano de vigência de seu seguro de 22%. Já a cliente Maria tem uma probabilidade de sinistro de 10% para o ano de vigência de seu seguro. Qual seria a probabilidade de ambos terem um sinistro durante a vigência de seu seguro? Como temos duas apólices distintas de pessoas que provavelmente nem se conheçam, temos eventos independentes. P (Antonio ter sinistro) = 0,22 P (Maria ter sinistro) = 0,10 P (ambos com sinistro) = P (Antonio ter sinistro) ∩ P (Maria ter sinistro) Por serem eventos independentes, calculamos da seguinte forma: P (ambos com sinistro) = 0,22 ∙ 0,10 = 0,022 ou 2,20% Agora, qual é a probabilidade de ambos não terem um sinistro durante a vigência de seu seguro? P (Antônio não ter sinistro) = 1 – 0,22 = 0,78 P (Maria não ter sinistro) = 1 – 0,10 = 0,90 P (nenhum com sinistro) = P (Antonio não ter sinistro) ∩ P (Maria não ter sinistro) Por serem eventos independentes calculamos da seguinte forma: P (nenhum com sinistro) = 0,78 ∙ 0,90 = 0,7020 ou 70,20% 13Cálculo de probabilidade Identificação interna do documento PYDB0XJZAK-D1SFU31 Resolvendo o problema citado anteriormente: � Uma urna contém 8 bolas, das quais três são vermelhas e as restantes são brancas. Qual a probabilidade de serem retiradas duas bolas, suces- sivamente, sem reposição, sendo a 1ª vermelha e a 2ª branca? Solução: Calculando a probabilidade de ocorrer o primeiro evento, em que dentro da urna há 8 bolas (espaço amostral) e queremos sortear uma bola vermelha, tendo, dentro da urna, um total de 3 dessa cor (evento): P(A) = 38 Calculando a probabilidade de ocorrer o segundo evento, e sabendo que não houve reposição, dentro da urna há 7 bolas (espaço amostral), e queremos sortear, desta vez, uma bola branca, sabendo que, dentro dessa urna, há um total de 5 bolas dessa cor (evento): P(B) = 57 Calculando a probabilidade de que os eventos ocorram como fora solicitado, utilizaremos a fórmula da probabilidade dos eventos independentes: P(A ∩ B) = P(A) × P(B) P(A ∩ B) = P(A) × P(B) = 3 8 5 7 × = 15 56 P(A ∩ B) = 15 56 = 0,2678 ... (valor numérico). P(A∩B) = 0,2678... × 100 = 26,78% (valor percentual). Cálculo de probabilidade14 Identificação interna do documento PYDB0XJZAK-D1SFU31 ANDERSON, D. R.; SWEENEY, D. J.; WILLIAMS, T. A. Estatística aplicada à administração e economia. 2. ed. São Paulo: Cengage Learning, 2011. BARBETTA, P. A.; REIS, M. M.; BORNIA, A. C. Estatística: para cursos de engenharia e informática. 3. ed. São Paulo: Atlas, 2010. MANN, P. S. Introdução à estatística. Rio de Janeiro: LTC, 2006. MORETTIN, L. G. Estatística básica: probabilidade e inferência. São Paulo: Pearson Prentice Hall, 2010. SILVEIRA, J. F. Raciocínio lógico matemático: curso completo preparatório para con- cursos. [2015?]. Disponível em: <http://www.professorjamur.com.br/downloads/ APOSTILA%20-%20RACIOC%C3%8DNIO%20L%C3%93GICO%20-%20PROF.%20JAMUR. pdf>. Acesso em: 19 ago. 2017. Leituras recomendadas 15Cálculo de probabilidade Identificaçãointerna do documento PYDB0XJZAK-D1SFU31 ESTATÍSTICA Juliane Silveira Freire da Silva Distribuições discretas de probabilidade: binomial e de Poisson Objetivos de aprendizagem Ao final deste texto, você deve apresentar os seguintes aprendizados: � Definir as distribuições de probabilidade. � Reconhecer as distribuições discretas de probabilidade. � Calcular probabilidades utilizando os métodos binomial e de Poisson. Introdução Neste capítulo, você entenderá o que são distribuições de probabilida- des, conhecerá as distribuições discretas de probabilidade e aprenderá a calcular probabilidades utilizando os métodos binomial e de Poisson. Distribuições de probabilidade Assim como as variáveis quantitativas discretas e quantitativas contínuas, também existem as distribuições de probabilidade discretas e distribuições de probabilidade contínuas. A lógica de entendimento é a mesma: assim como a variável quantitativa discreta resulta de uma contagem, a distribuição de probabilidade discreta tem seu espaço amostral com resultados possíveis que resultam de uma contagem. A variável quantitativa contínua resulta de uma medição, e a distribuição de probabilidade contínua tem, em seu espaço amostral, medidas que resultam de alguma medição em um espaço contínuo. As distribuições de probabilidade são descritas por uma variável aleatória X, que é uma função que, a cada valor do espaço amostral, associa um número real. Experimento é tudo que possa ser reproduzido n vezes sob as mesmas condições e será aleatório quando não pudermos prever o resultado, apenas saber de antemão todos os resultados possíveis. Espaço amostral são todos os resultados possíveis de um experimento. Variável aleatória discreta Uma variável aleatória X é dita discreta quando puder assumir apenas valores inteiros ao longo de uma escala. Se, para cada um dos valores da variável aleatória discreta, teremos a sua probabilidade definida por: f(x) = P(X = x) onde: f(x) função matemática de x; P(X = x) probabilidade da variável aleatória X em determinado ponto da escala x. Como estamos lidando com um valor discreto do espaço amostral da variável em estudo, para , teremos apenas valores inteiros. A função de probabilidade da variável aleatória discreta também é chamada função massa de probabilidade (fmp) e satisfaz os seguintes pressupostos: � 0 ≤ f(x) ≤ 1 � ∑ f(xi) = 1 Por exemplo, uma moeda equilibrada é lançada duas vezes. A variável X é o número de caras nesses lançamentos. O espaço amostral é descrito por: C = coroa K = cara Ω = (CC, CK, KC, KK) X = 0 → f(0) = P(CC) = 14 Distribuições discretas de probabilidade: binomial e de Poisson2 X = 1 → f(1) = P(CK ∙ KC) = 2 4 X = 2 → f(2) = P(KK) = 14 x 0 1 2 f(x) ¼ 2/4 ¼ Variável aleatória contínua Uma variável aleatória é dita contínua quando X puder assumir qualquer valor do intervalo do espaço amostral. Diferentemente das funções discretas de probabilidade, em que podemos calcular os valores no ponto em que a variável X assume nas distribuições continuas. Como a função f(x) será contínua, nesse caso, calculamos a probabilidade de intervalos para a variável X, pois, mate- maticamente, quando temos uma função contínua, precisamos calcular áreas abaixo da curva para chegarmos às probabilidades associadas à variável X. Vamos a um exemplo de variável contínua: seja X o tempo médio de vida útil de uma lâmpada. O espaço amostral pode ir de um tempo 0 até um tempo que pode tender ao infinito. Para calcularmos a probabilidade, precisaríamos de intervalos, como a duração de uma lâmpada em um tempo superior a 3000 horas. Esse espaço amostral e a probabilidade seriam representados por: Ω = (t∈R, 0, +∞) f(x > 3000) = P(X > 3000) Um exemplo de distribuição contínua de probabilidade é a distribuição normal, a mais importante dentro da estatística. Distribuições discretas de probabilidade Muitas vezes, ficar pensando em espaço amostral e todas as possibilidades de funções pode ser complicado e desnecessário. Por esse motivo, algumas distribuições foram criadas por sua frequência de uso e seu uso ser útil em variáveis com comportamentos similares e predefinidos. Essas distribuições têm funções matemáticas predefinidas. 3Distribuições discretas de probabilidade: binomial e de Poisson Existem várias distribuições discretas de probabilidade: a uniforme, a geométrica, a binomial, a de Poisson, entre outras. Aqui, trataremos das duas distribuições mais usuais, devido à sua aplicação com dados de variáveis aleatórias discretas: a distribuição binomial e a de Poisson. Distribuição binomial A distribuição binomial é utilizada quando temos um número de repetições de um experimento, uma probabilidade de sucesso associada ao acontecimento positivo do que estamos estudando e uma probabilidade de fracasso sobre esse mesmo evento. São situações em que pode haver sucesso ou não, e nenhuma outra hipótese é permitida como o número de caras em 50 lançamentos de uma moeda. Então, temos um experimento com espaço amostral associado , além de repetições desse experimento. Temos, também, p probabilidade de um evento desse espaço amostral ocorrer em cada uma das repetições do experimento. Na distribuição binomial, o evento ocorre ou não — temos somente essas duas opções. Então, se temos uma probabilidade p desse evento ocorrer, temos uma probabilidade q = 1 – p desse evento não ocorrer. Costuma-se denominar como p sendo a probabilidade de sucesso e q como sendo a probabilidade de fracasso. Vale ressaltar que, dependendo do evento que estejamos estudando, o sucesso não necessariamente seja uma afirmativa positiva. Quando utilizamos o termo sucesso, estamos dizendo que é a probabi- lidade de sucesso de ocorrer o evento em particular que estamos investigando, independentemente de ele ter um resultado considerado positivo ou não. A forma da distribuição binomial é demonstrada no gráfico da Figura 1, a seguir, considerando 60 repetições de um experimento e uma probabilidade de sucesso de 15%. Anotamos uma distribuição binomial por B(n,p), no caso do gráfico B(20;0,15). Distribuições discretas de probabilidade: binomial e de Poisson4 Figura 1. Comportamento distribuição B(60;0,15). A fórmula da função matemática para cálculo de uma distribuição binomial é dada por: f(x) = P(X = x) = · px · qn-x n x( ( onde: x é o valor do espaço amostral que se quer calcular a probabilidade; n é o número de repetições; p é a probabilidade de sucesso; q = 1 – p é a probabilidade de fracasso. Observe que, na fórmula, temos o termo n x( ) Isso é resolvido por análise combinatória e significa n combinação x, ou seja: n x( ) = n! x!. (n – x)! em que o ponto de exclamação significa fatorial. Em algumas calculadoras científicas, a tecla para a resolução desse termo da função é nCr. 5Distribuições discretas de probabilidade: binomial e de Poisson Por exemplo, atualmente, sabemos que as redes sociais são utilizadas para comercialização de produtos. Sabe-se, por uma pesquisa realizada, que cerca de 15% dos itens postados são efetivamente vendidos. Primeiramente, queremos saber a probabilidade de, pelo menos, 2 itens serem vendidos em um dia que 10 itens foram postados para venda. Os valores que pode assumir são x = (2,3,4,5,6,7,8,9,10). Para não precisarmos calcular todas essas probabili- dades, podemos fazer uso da propriedade do complementar e tirar do espaço amostral os valores que não fazem parte dessa sentença e têm probabilidade 1. P(X ≥ 2) = 1 – P(X < 2) = 1 – (P(X = 0) + P(X = 1) = 1 – ∙ 0,150 ∙ 0,8510–0 + ∙ 0,151 ∙ 0,8510–1 = 0,4557 = 45,57%100( ) 100( )( ( A segunda questão é a probabilidade de vender um produto. Para isso, calculamos apenas x = 1. P(X = 1) = ∙ 0,151 ∙ 0,8510–1 = 0,3474 = 34,74%10 1( ) Por fim, calcularemos a probabilidade de que sejam vendidos menos de 3 produtos. Aqui, o x pode assumir os seguintes valores: x = 0,1,2. P(X < 3) =∙ 0,150 ∙ 0,8510–0 + ∙ 0,151 ∙ 0,8510–1 + ∙ 0,152 ∙ 0,8510–2 = 0,8202 = 82,02%( )100 ( )100 ( ) )100( P(X < 3) = ∙ 0,150 ∙ 0,8510–0 + ∙ 0,151 ∙ 0,8510–1 + ∙ 0,152 ∙ 0,8510–2 = 0,8202 = 82,02%( )100 ( )100 ( ) )100( Distribuição de Poisson Assim como a distribuição binomial, a de Poisson também conta sucessos. Porém, ao invés de eles serem observados em um número de repetições, são feitos em um intervalo contínuo de tempo ou espaço. O sucesso da distribui- ção Poisson é observado em um intervalo contínuo, e o da binomial é em um número de repetições. Segundo Doane e Seward (2014), a distribuição de Poisson foi assim de- nominada em homenagem ao matemático francês Simèon Denis Poisson (1781-1840) e descreve o número de ocorrências de um evento dentro de uma unidade de tempo (por exemplo, minuto ou hora), escolhida aleatoriamente, ou de espaço (por exemplo, metro quadrados ou quilômetros lineares). Para se Distribuições discretas de probabilidade: binomial e de Poisson6 usar a distribuição, os eventos devem ocorrer aleatória e independentemente no espaço ou em tempo contínuo. Por exemplo, se nossa variável X fosse número de chamadas não atendidas em uma central telefônica, caso observássemos essa variável em um dia que ocorreram 300 ligações, teríamos a proporção de chamadas não atendidas (nossa probabilidade de sucesso) em 300 repetições do experimento, o que caracterizaria uma distribuição binomial. Porém, se observássemos a quantidade de chamadas não atendidas em um turno de 8 horas de trabalho, teríamos a taxa de ocorrência por 8 horas de trabalho, o que caracterizaria uma distribuição de Poisson. A distribuição de Poisson é representada por P(λ), sendo λ a taxa de ocor- rência do evento em estudo da variável x. Para percebermos o comportamento da função da distribuição de Poisson, observaremos o gráfico resultante de uma Poisson com λ = 5. P(5), na Figura 2. Figura 2. Comportamento distribuição P(5). A função matemática para o cálculo dessa distribuição é dada por: f(x) = P(X = x) = e –λ · λx x! onde: x é o valor do espaço amostral em que se quer calcular a probabilidade; λ é a taxa de ocorrência. 7Distribuições discretas de probabilidade: binomial e de Poisson Observe que, na fórmula, temos o termo e, que representa a constante Euler. É um valor constante igual a 2,718281828459045235360287..., assim como o conhecido π. Para calcular a expressão e-λ nas calculadoras científicas, utilizamos a tecla ex. Relembrando: o ponto de exclamação representa o fatorial. Imagine essa central telefônica e que a taxa de chamadas não atendidas em um turno de 8 horas é de 10 chamadas. Queremos investigar a probabilidade de não termos chamadas não atendidas em uma hora. Observem que a taxa é dada por 8 horas, mas queremos calcular a probabilidade por hora. e então, a primeira coisa a se fazer é descobrir a taxa por hora de chamadas não atendidas. Isso se resolve com uma regra de três. 10 chamadas 8horas λ 1 hora Então temos λ = 1,25. Agora, calcularemos a probabilidade de não termos chamada não atendida. e então, queremos calcular a probabilidade de x = 0. f(0) = P(X = 0) = = 0,2865 = 28,65%e –1,25 ∙ 1,250 0! Propriedades das distribuições binomial e de Poisson Como temos modelos conhecidos, podemos verificar características de modo geral dessas variáveis. Podem ser calculados o valor esperado, a variância e o desvio-padrão dessas variáveis. Distribuições discretas de probabilidade: binomial e de Poisson8 Quando temos uma variável aleatória discreta que se aproxima de uma distribuição binomial, podemos calcular o valor esperado da variável x, como sendo: μ = E(X) = n ∙ p A variância dessa variável aleatória discreta sendo: 𝜎² = VAR(X) = n ∙ p ∙ q Consequentemente, o desvio-padrão dessa variável aleatória discreta como sendo: σ = √n · p · q O mesmo pode ser feito para uma variável aleatória discreta que siga aproximadamente uma distribuição de Poisson. A média, ou valor esperado da variável aleatória x, é dada por: μ = E(X) = λ A variância dessa variável aleatória discreta como: 𝜎² = VAR(X) = λ Consequentemente, o desvio-padrão dessa variável aleatória discreta sendo: σ = √λ DOANE, D. P.; SEWARD, L. E. Estatística aplicada à administração e economia. 4. ed. Porto Alegre: Bookman, 2014. Referência 9Distribuições discretas de probabilidade: binomial e de Poisson ESTATÍSTICA Ana Laura Bertelli Grams Distribuições de probabilidade: esperança matemática, variância e desvio-padrão Objetivos de aprendizagem Ao final deste texto, você deve apresentar os seguintes aprendizados: � Resolver cálculos de esperança matemática. � Definir medidas de dispersão. � Realizar cálculos de variância e desvio-padrão. Introdução A análise estatística e a inferência sobre populações com base em amostras dependem de muitas medidas para que a tomada de decisões seja a melhor possível. Em estatística, dizemos que, quanto mais informações das características da variável em estudo tivermos, mais acertada será nossa decisão sobre ela. Neste capítulo, você descobrirá o que significa esperança matemática, variância e desvio-padrão. Esperança matemática A inferência estatística baseia-se no estudo de dados amostrais, e a busca da estimativa amostral (ou do valor esperado) ocorre para podermos estimar o verdadeiro parâmetro populacional para a tomada de decisão. A esperança matemática (estimativa) estuda como prever medidas populacionais desco- nhecidas, fundamentadas em resultados conhecidos na amostra. A rotina das pessoas é estabelecida pela inferência de fatos amostrais. Os exemplos citados por Milone (2006) revelam a naturalidade dessas apli- cações: em dias em que o céu está recheado de nuvens escuras, inferimos a possibilidade de chuvas; o fato de haver muita fumaça em uma edificação remete a uma eventualidade de um incêndio. Esses casos são eventos prováveis, mas nem sempre acontecem de fato. Na prática, há diversos fatos que buscam pela estimação e baseiam suas previsões, por exemplo, de vendas, de eleitores, de defeitos das peças em uma linha de produção, dos custos dos produtos, de dívidas, entre outros. Os dados descritivos amostrais são estimadores dos parâmetros populacionais. Por exemplo, a média amostral e a proporção amostral são consideradas esti- mativas pontuais, quando apresentadas a partir de um único número (ponto). Para estudos estatísticos, utilizamos com mais frequência a estimação por intervalo, que fornece um intervalo de valores possíveis, admitindo uma margem de confiança, considerando a estimativa pontual. Suponha que 500 pessoas são questionadas sobre seu consumo anual de carne vermelha, e a média amostral seja de 20 kg por pessoa, com desvio-padrão de 0,2 kg. � A média amostral de 20 kg é uma estimativa pontual para o consumo anual de carne vermelha por pessoa. � A média da população provavelmente está próxima de 20 kg, mas, possivelmente, não é exatamente igual a 20 kg. O intervalo de confiança estima o quanto a média amostral aproxima-se da média populacional. Se o intervalo de confiança fosse 20 ± 0,08, poderíamos calcular um nível de confiança que define a média populacional no intervalo ]19,92; 20,08[. Cálculo Seja p a probabilidade de um evento S ocorrer, a esperança matemática (E) é definida por: E = p ∙ S Distribuições de probabilidade: esperança matemática, variância e desvio-padrão2 Em um conjunto de dados de uma variável aleatória discreta x1, x2, ..., xn, em que a probabilidade de cada dado é p1, p2, ..., pn, respectivamente, define-se esperança matemática por: E(x) = p1 ∙ x1 + p2 ∙ x2 + ... pn ∙ xn Ou seja, E(x) = ∑ pi · xi n i = 1 Duas moedas são jogadas 14 vezes, e os resultados foram: � 5 jogadas sem nenhum resultado cara; � 6 jogadas, sendo apenas uma moeda cara; � 3 jogadas, sendo as duas moedas cara. Qual é o valor esperado de caras por lançamento?Temos que a probabilidade de nenhum resultado cara é: 5 14 , de apenas uma moeda ser cara: 6 14 ; e de as duas moedas serem cara: 3 14 . Assim, a esperança da variável cara ocorrer, por lançamento, é: 5 14 6 14 3 14 ∙ 0 + ∙ 1 + ∙ 2 = = 0,865 ∙ 0 + 6 ∙ 1 + 3 ∙ 2 14 Medidas de dispersão O estudo das medidas de posição é útil para fornecer boa parte das carac- terísticas de um conjunto de dados. Contudo, existem outros parâmetros que complementam a caracterização dos conjuntos, principalmente quando estes possuem uma disparidade consideravelmente grande para uma simples análise por medidas de posição. Chamamos esses parâmetros de medidas de dispersão, e eles indicam a variabilidade da variável em torno de uma medida de posição — comumente, a média aritmética. 3Distribuições de probabilidade: esperança matemática, variância e desvio-padrão Amplitude A amplitude é o mesmo que a variação entre dois elementos. Em um conjunto de dados, a amplitude total é encontrada por meio do cálculo da diferença entre o limite superior e o limite inferior, conforme segue: Ar = xmáx – xmin onde xmáx representa o limite superior, e xmin, o limite inferior. A amplitude é considerada uma medida instável, pois é influenciada pelas extremidades dos conjuntos. As próximas medidas não possuem essa caracte- rística, já que consideram todos os valores sob análise, sendo, assim, medidas mais utilizadas e com índices de variabilidade estáveis. Desvio médio O desvio médio é uma medida de dispersão, pela qual temos a média dos des- vios em relação a uma medida de posição, podendo ser a média das diferenças absolutas entre cada elemento do conjunto e a média aritmética. A seguinte expressão representa o desvio médio da população: D– m = ∑|x – μ| N onde x representa cada elemento do conjunto de dados, μ, a média da população, e N, a quantidade de desvios. Contudo, os dados analisados, na maioria dos estudos estatísticos, referem-se a uma amostra. Assim, para o cálculo do desvio médio amostral, utiliza-se a seguinte expressão, a qual fornece uma estimativa sem tendenciosidade do desvio médio da população. d – m = ∑|x – x–| n – 1 onde x representa cada elemento do conjunto de dados, x–, a média da população, e n, a quantidade de elementos na amostra. Distribuições de probabilidade: esperança matemática, variância e desvio-padrão4 Perceba que o desvio médio é uma medida não negativa. Por isso, calcula-se o módulo (valor absoluto) de cada desvio, pois entre cada uma das diferenças (de cada um dos valores com relação à média) pode-se ter valores positivos ou negativos. Ao se aplicar o módulo, elimina-se esse sinal. Variância A variância da população baseia-se no desvio médio. Para seu cálculo, os desvios em torno da média do conjunto são elevados ao quadrado. Sendo assim: σ2 = ∑(xi – μ) 2 N Em que xi representa cada elemento, μ, a média da população, e N, a quan- tidade de observações. A mesma explicação dada no cálculo do desvio médio vale para a variância, de modo que a variância de uma amostral é dada por: s2 = ∑(xi – x –)2 n – 1 onde 𝜎² é o valor numérico da variância, xi, representa cada elemento, x –, a média aritmética amostral, e n, o tamanho da amostra. Uma interpretação razoável do valor numérico da variância é dada por Anderson et al. (2006), quando sugere que a variância seja considerada como uma medida útil ao comparar a variabilidade entre variáveis, de modo que, em uma comparação de variáveis, aquela que tem a maior variância exibe maior variabilidade. Desvio-padrão A medida de dispersão, chamada desvio-padrão, é definida como a raiz qua- drada positiva da variância, simplesmente denotada por σ = √σ2, desvio-padrão da população. 5Distribuições de probabilidade: esperança matemática, variância e desvio-padrão O interesse em calcular e considerar o desvio-padrão como uma medida útil na análise estatística é que a variância se restringe a uma análise das unidades elevadas ao quadrado — por exemplo, a variância de medidas de comprimento é dada em medidas de área, enquanto que o desvio-padrão é medido nas mesmas unidades que os dados originais. Sendo assim, é facilmente comparado a outras medidas de posição ou outros dados estatísticos. Há, ainda, uma descrição de dados muito utilizada e derivada do desvio-padrão: o coeficiente de variação. Este é utilizado quando queremos comprar dois ou mais grupos de dados quanto à sua variabilidade e temos médias aritméticas distintas. Quanto menor for o coeficiente de variação, mais homogêneos serão os dados. Para casos com coeficiente de variação muito elevado, a média nem sempre será a medida de posição mais apropriada para resumir a variável. O coeficiente de variação é calculado em situações em que é preciso indicar o “tamanho” de , em relação à média aritmética. Ele é expresso em porcentagem, a partir de σ x– ∙ 100 % . Cálculos de variância e desvio-padrão A aplicação das expressões matemáticas indicadas anteriormente será mostrada aqui, a partir de alguns exemplos de cálculos de cada medida de dispersão. A resistência é uma característica importante para analisar materiais pré-fabricados. Cada um dos 8 elementos de placas pré-fabricadas de concreto foi submetido a um teste de tensão, e a largura máxima (mm) das trincas resultantes foi registrada no seguinte quadro: 0,794 3,870 0,483 0,924 2,230 1,038 1,285 0,598 Distribuições de probabilidade: esperança matemática, variância e desvio-padrão6 Qual é o desvio-padrão da largura das trincas? Solução: Para a resolução, utilizaremos três etapas: o cálculo da média, o cálculo da variância e, por fim, o desvio-padrão. 1. Cálculo da média aritmética: x– = ∑x n x– = 0,794 + 3,870 + 0,483 + 0,924 + 2,230 + 1,038 + 1,285 + 0,598 8 x– = 1,4 mm 2. Cálculo da variância: A partir da média, calculamos os desvios de cada elemento. s2 = ∑(xi – x –)2 n – 1 σ2 = (0,794 – 1,4) 2 + (3,87 – 1,4)2 + (0,483 – 1,4)2 + (0,924 – 1,4)2 + (2,23 – 1,4)2 + (1,038 – 1,4)2 + (1,285 – 1,4)2 + (0,598 – 1,4)2 8 – 1 s2 = 9,012 7 = 1,287 mm2 3. Cálculo do desvio-padrão: Sendo a variância 1,287, temos que: s = √1,287 = 1,135 mm Qual é o desvio-padrão da vida útil (em horas) de um determinado tipo de lâmpada, considerando as 20 observações amostrais a seguir? xi fi 612 4 666 3 7Distribuições de probabilidade: esperança matemática, variância e desvio-padrão xi fi 744 6 883 5 964 2 Total 20 Solução: As mesmas etapas do exemplo anterior devem ser seguidas. Entretanto, agora temos uma distribuição de frequências. Para o cálculo da média, será necessário multiplicarmos cada variável (vida útil) pela sua respectiva frequência. 1. Cálculo da média aritmética: x– = ∑(xi · fi) ∑fi x– = (612 · 4) + (666 · 3) + (744 · 6) + (883 · 5) + (964 · 2) 4 + 3 + 6 + 5 + 2 x– = 15.253 20 = 762,65 h 2. Cálculo da variância: s2 = ∑(xi – x –)2 n – 1 σ2 = 4 · (612 – 762,65) 2 + 3 · (666 – 762,65)2 + 6 · (744 – 762,65)2 + 5 · (883 – 762,65)2 + 2 · (964 – 762,65)2 20 –1 s2 = 274.396,6 19 = 14.441,93 h2 3. Cálculo do desvio-padrão: s = √14441,93 = 120,17 h Distribuições de probabilidade: esperança matemática, variância e desvio-padrão8 Os dados a seguir representam o tempo (em segundos) para carga de um aplicativo, num sistema compartilhado. Classes de tempo Número de observações [6, 7[ 14 [7, 8[ 4 [8, 9[ 7 [9, 10[ 3 [10, 11[ 0 [11, 12[ 0 [12, 13[ 2 Total 30 Determine o desvio-padrão e o coeficiente de variação dessa amostra. Solução: Nesse caso, temos uma distribuição de frequência em intervalos de classe. Por isso, precisamos encontrar o ponto médio de cada intervalo para, então, calcular a média e prosseguir com os cálculos das medidas de dispersão. Classes de tempo xi (ponto médio da classe) Número de observações [6, 7[ 6,5 14 [7, 8[ 7,5 4 [8, 9[ 8,5 7 [9, 10[ 9,5 3 [10, 11[ 10,5 0 [11, 12[ 11,5 0 [12, 13[ 12,5 2 Total 30 9Distribuições de probabilidade: esperança matemática, variância e desvio-padrão ANDERSON,D. R.; SWEENEY, D. J.; WILLIAMS, T. A. Estatística aplicada à administração e economia. 2. ed. São Paulo: Cengage Learning, 2008. MILONE, G. Estatística: geral e aplicada. São Paulo: Thomson Learning, 2006. Leitura recomendada MORETTIN, L. G. Estatística básica: probabilidade e inferência. São Paulo: Pearson Pren- tice Hall, 2010. 1. Cálculo da média aritmética: x– = (6,5 · 14) + (7,5 · 4) + (8,5 · 7) + (9,5 · 3) + (10,5 · 0) + (11,5 · 0) + (12,5 · 2) 14 + 4 + 7 + 3 + 0 + 0 + 2 x– = 234 30 = 7,8 s (Em distribuições de frequência como essas, os valores de x_i são expressos pelos respectivos pontos médios dos intervalos de classe). x– = (6,5 · 14) + (7,5 · 4) + (8,5 · 7) + (9,5 · 3) + (10,5 · 0) + (11,5 · 0) + (12,5 · 2) 14 + 4 + 7 + 3 + 0 + 0 + 2 x– = 234 30 = 7,8 s 2. Cálculo da variância: s2 = ∑(xi – x –)2 n – 1 s2 = 14 · (6,5 – 7,8) 2 + 4 · (7,5 – 7,8)2 + 7 · (8,5 – 7,8)2 + 3 · (9,5 – 7,8)2 + 2 · (12,5 – 7,8)2 30 –1 s2 = 80,3 29 = 2,769 s 2 3. Cálculo do desvio-padrão: s = √2,769 = 1,664 s Distribuições de probabilidade: esperança matemática, variância e desvio-padrão10 Conteúdo:
Compartilhar