Baixe o app para aproveitar ainda mais
Prévia do material em texto
67 ESTATÍSTICA DESCRITIVA Re vi sã o: E la in e – Di ag ra m aç ão : M ár ci o – 16 /0 2/ 11 / / 2ª R ev is ão : E la in e - Co rr eç ão : M ár ci o - 24 /0 2/ 20 11 Unidade II5 10 15 20 25 30 35 2 PROBABILIDADE 2.1 Panorama histórico O estudo científico da probabilidade é um fato moderno. Segundo Eves (2004), é surpreendente que os matemáticos tenham desenvolvido uma ciência (a teoria matemática das probabilidades) que estabelece leis racionais para reger situações determinadas puramente pelo azar. No entanto, apesar dessa característica inusitada no âmbito das ciências, ela é de grande aplicação prática. As experiências efetuadas em grandes laboratórios, o planejamento de grandes empresas de seguro, a logística de grandes empresas e estratégias de guerra, entre tantos outros exemplos, atestam sua aplicabilidade. Em verdade, o ser humano faz uso dos princípios das probabilidades cotidianamente. Ao atravessar uma rua, por exemplo, a pessoa faz uso de sua vivência para intuitivamente calcular a probabilidade de ser ou não atropelada. Inúmeras situações cotidianas são regidas por essas leis. A confiança no uso de elevadores, nas viagens aéreas, a carta esperada no jogo, a esperança de ganhar na Mega-Sena ou do time do coração ser campeão, expectativa de sobrevida de doentes terminais, expectativa de uma gravidez evoluir satisfatoriamente etc. fazem parte do mesmo jogo de azar. Portanto, a utilização das ideias da probabilidade fazem parte da história do ser humano, mas as descrições matemáticas de uso nesses problemas só apareceram por volta do final do século XV e início do século XVI, quando alguns matemáticos italianos tentaram avaliar as possibilidades em alguns jogos de azar, esclarece Eves (2004). 68 Unidade II Re vi sã o: E la in e – Di ag ra m aç ão : M ár ci o – 16 /0 2/ 11 / / 2ª R ev is ão : E la in e - Co rr eç ão : M ár ci o - 24 /0 2/ 20 11 Alguns filosófos gregos da Antiguidade, observa Eves (2004), discutiram sobre necessidade e contingência longa e detalhadamente, mas sem nenhum cuidado matemático. Girolamo Cardano tratou de alguns aspectos da probabilidade matemática, mas foi uma troca de correspondência entre dois matemáticos, Blaise Pascal e Pierre de Fermat, que lançou os fundamentos da moderna teoria das probabilidades, por volta de 1654. O assunto discutido por eles nesta correspondência tratava de um problema relacionado ao jogo de azar, denominado “problema dos pontos”. 2.2 Definições Fonte: Disponível em: <http://portaldoprofessor.mec.gov.br/storage/ recursos/11915/probabilidades.zip>. Acesso em: 27 jan. 2011. 2.2.1 Experimentos aleatórios São estes experimentos o interesse maior do estudo das probabilidades, pois antes deles ocorrerem é impossível prever o resultado. Além disso, ocorrendo várias vezes, nas mesmas condições, podem apresentar resultados diferentes. 69 ESTATÍSTICA DESCRITIVA Re vi sã o: E la in e – Di ag ra m aç ão : M ár ci o – 16 /0 2/ 11 / / 2ª R ev is ão : E la in e - Co rr eç ão : M ár ci o - 24 /0 2/ 20 11 Do ponto de vista matemático, o estudo das probabilidades é, na verdade, o estudo dos fenômenos aleatórios. Fenômenos dos quais já se sabe de antemão os resultados não necessitam das possibilidades probabilísticas, uma vez que já estão dadas. Ninguém vai apostar se um time se tornará campeão na próxima partida do campeonato se ele, matematicamente, já é o vencedor. Ou seja, se nenhum time tiver condições de superá-lo em pontos, quaisquer que sejam os resultados dos próximos jogos. No entanto, ninguém pode afirmar com certeza o resultado da soma das faces superiores de dois dados não viciados (experimento aleatório). 2.2.2 Espaço amostral Exemplos: 1 No lançamento de um dado, observe o resultado. A = {1, 2, 3, 4, 5, 6} 2 No lançamento de duas moedas, observe o resultado. A = {(c, c), (c, k), (k, c), (k, k)} Sendo c = cara e K = coroa 2.2.3 Evento Em relação a certo espaço amostral, é qualquer um dos seus subconjuntos. Exemplo: No lançamento de um dado não viciado, o número da face voltada para cima determina o espaço amostral: É o conjunto de todos os resultados possíveis de um experimento aleatório. 70 Unidade II Re vi sã o: E la in e – Di ag ra m aç ão : M ár ci o – 16 /0 2/ 11 / / 2ª R ev is ão : E la in e - Co rr eç ão : M ár ci o - 24 /0 2/ 20 11 A = {1, 2, 3, 4, 5, 6} No entanto, podemos considerar a partir dele os seguintes eventos: E = sair um número par: E = {2, 4, 6} E = sair um número ímpar: E = {1, 3, 5} Evento simples ou elementar Trata-se de um evento com um único ponto amostral ou elemento. Exemplo: No lançamento de um dado. E = Ocorrência de um número primo par: E= {2} Probabilidade é um número compreendido entre 0 e 1 utilizado para exprimir o grau de certeza acerca da ocorrência de um evento associado a um experimento aleatório. Consiste em uma experiência cujo resultado não pode ser previsto com certeza. 2.2.4 Probabilidade de um evento Denomina-se probabilidade de um evento p(E) o número que exprime a possibilidade de ocorrer tal evento em relação a certo experimento aleatório. 71 ESTATÍSTICA DESCRITIVA Re vi sã o: E la in e – Di ag ra m aç ão : M ár ci o – 16 /0 2/ 11 / / 2ª R ev is ão : E la in e - Co rr eç ão : M ár ci o - 24 /0 2/ 20 11 p E numero de casos favoraveis numero de elementos do espa ( ) = cco amostral ´ ´ ´ ç No fundo, a teoria das probabilidades é apenas o senso comum expresso em números (Laplace). Exemplo: Eventos complementares No lançamento de um dado não viciado, o número da face voltada para cima determina o espaço amostral: A = {1, 2, 3, 4, 5, 6} Chamando o número de elementos do espaço amostral de n(A) temos: n(A) = 6 1 Considerar a partir dele o evento E = sair um número par. E = {2, 4, 6} Chamando o número de elementos do evento E de n(E) temos: n(E) = 3 p F numero de casos favoraveis numero de elementos do espa ( ) = cco amostral n F n A = = =( ) ( ) 3 6 1 2 ´ ´ ´ ç p F( ) = 1 2 72 Unidade II Re vi sã o: E la in e – Di ag ra m aç ão : M ár ci o – 16 /0 2/ 11 / / 2ª R ev is ão : E la in e - Co rr eç ão : M ár ci o - 24 /0 2/ 20 11 2 Considerar o evento F = sair um número ímpar. F = {1, 3, 5} Chamando o número de elementos do evento F de n(F) temos: n(F) = 3 p F numero de casos favoraveis numero de elementos do espa ( ) = cco amostral n F n A = = =( ) ( ) 3 6 1 2 ´ ´ ´ ç p F( ) = 1 2 No lançamento de um dado, o evento da ocorrência de um número menor ou igual a 3. O espaço amostral é: A = {1, 2, 3, 4, 5, 6} Chamando o número de elementos do espaço amostral de n(A), temos: n(A) = 6 Considerando a partir dele o evento E = ocorrência de um número menor ou igual a 3. E = {1, 2, 3} Chamando o número de elementos do evento E de n(E) temos: n(E) = 3 Observe que os conjuntos E e F são complementares em relação ao espaço amostral A. A soma da probabilidade de sair um número par mais a probabilidade de sair um número ímpar resulta 1. 73ESTATÍSTICA DESCRITIVA Re vi sã o: E la in e – Di ag ra m aç ão : M ár ci o – 16 /0 2/ 11 / / 2ª R ev is ão : E la in e - Co rr eç ão : M ár ci o - 24 /0 2/ 20 11 p E numero de casos favoraveis numero de elementos do espa ( ) = cco amostral n E n A = = =( ) ( ) 3 6 1 2 ´ ´ ´ ç p E( ) = 1 2 • Evento certo No lançamento de um dado, o evento da ocorrência de um número menor ou igual a 6. O espaço amostral é: A = {1, 2, 3, 4, 5, 6} Chamando o número de elementos do espaço amostral de n(A), temos: n(A) = 6 Considerando a partir dele o evento E = ocorrência de um número menor ou igual a 6. E = {1, 2, 3, 4, 5, 6} Chamando o número de elementos do evento E de n(E), temos: n(E) = 6 p E numero de casos favoraveis numero de elementos do espa ( ) = cco amostral n E n A = = =( ) ( ) 6 6 1 ´ ´ ´ ç p(E) = 1 Lembra-se do que foi dito de uma aposta em um time matematicamente campeão antes da realização da última rodada de jogos? É a mesma situação do exemplo. Eventos deste tipo são denominados eventos certos, ou seja, têm 100% de chance de ocorrer. 74 Unidade II Re vi sã o: E la in e – Di ag ra m aç ão : M ár ci o – 16 /0 2/ 11 / / 2ª R ev is ão : E la in e - Co rr eç ão : M ár ci o - 24 /0 2/ 20 11 • Evento impossível No lançamento de um dado, o evento da ocorrência de um número maior que 6. O espaço amostral é: A = {1, 2, 3, 4, 5, 6} Chamando o número de elementos do espaço amostral de n(A), temos: n(A) = 6 Considerando a partir dele o evento E = ocorrência de um número maior do que 6. E = { } Chamando o número de elementos do evento E de n(E), temos: n(E) = 0 p E numero de casos favoraveis numero de elementos do espa ( ) = cco amostral n E n A = = =( ) ( ) 0 6 0 ´ ´ ´ ç p(E) = 0 Analisando os exemplos acima você percebeu a razão da probabilidade ser um número compreendido entre 0 e 1? Ela varia entre o evento impossível e o certo. Ou seja, o número que representa a probabilidade de um evento E pertence ao intervalo [0,1]. 75 ESTATÍSTICA DESCRITIVA Re vi sã o: E la in e – Di ag ra m aç ão : M ár ci o – 16 /0 2/ 11 / / 2ª R ev is ão : E la in e - Co rr eç ão : M ár ci o - 24 /0 2/ 20 11 Seja E um evento em relação a certo espaço amostral. Então: 0 < p (E) < 1 ou 0% < p (E) < 100% 2.2.5 Propriedade da união Se A e B são dois eventos quaisquer, não necessariamente mutuamente exclusivos, então: P(A U B) = P(A) + P(B) – P(A� B) Exemplo: 1 Uma urna contém 15 bolas numeradas de 1 a 15. Considere o experimento “retirada de uma bola” e os eventos: E = a bola retirada tem um múltiplo de 2. B = a bola retirada tem um múltiplo de 5. C = a bola retirada tem um múltiplo de 4. D = a bola retirada tem um número primo. a) Determine a probabilidade de uma bola retirada ter um múltiplo de 2 ou de 5. Solução O espaço amostral é: A = {1, 2, 3, 4, 5, 6,... 15} 76 Unidade II Re vi sã o: E la in e – Di ag ra m aç ão : M ár ci o – 16 /0 2/ 11 / / 2ª R ev is ão : E la in e - Co rr eç ão : M ár ci o - 24 /0 2/ 20 11 Chamando o número de elementos do espaço amostral de n(A) temos: n(A) = 15 Considerando a partir dele o evento E = a bola retirada tem um múltiplo de 2: E = {2, 4, 6, 8, 10, 12,14} Chamando o número de elementos do evento E de n(E) temos: n(E) = 7 p E numero de casos favoraveis numero de elementos do espa ( ) = cco amostral n E n A = = =( ) ( ) , 7 15 0 4667 ´ ´ ´ ç p(E) = 46,67% 2 Considerando a partir dele o evento B = a bola retirada tem um múltiplo de 5: B = {5, 10, 15} Chamando o número de elementos do evento B de n(B), temos: n(B) = 3 p B numero de casos favoraveis numero de elementos do espa ( ) = cco amostral n B n A = = =( ) ( ) , 3 15 0 2 ´ ´ ´ ç p(B) = 20% 77 ESTATÍSTICA DESCRITIVA Re vi sã o: E la in e – Di ag ra m aç ão : M ár ci o – 16 /0 2/ 11 / / 2ª R ev is ão : E la in e - Co rr eç ão : M ár ci o - 24 /0 2/ 20 11 3 Como E = {2, 4, 6, 8, 10, 12,14} e B = {5, 10, 15}: E ∩ B = {10}. Logo n(E ∩ B) = 1 p E B numero de casos favoraveis numero de elementos do es ( )∩ = ppaco amostral n E B n A = ∩ = =( ) ( ) , 1 15 0 067 ´ ´ ´ ç p (E ∩ B) = 6,7% 4 Como p(A ∪ B) = p(A) + p(B) — p(A ∩ B) Então: p(E ∪ B) = p(E) + p(B) — p(E ∩ B) p E B( )∪ = + −7 15 3 15 1 15 p E B( )∪ = + −7 3 1 15 p E B( ) ,∪ = =9 15 0 6 p(E ∪ B) = 60% 2.3 Distribuições de probabilidades 2.3.1 Distribuição binomial de probabilidades Utilizada para o cálculo de probabilidades para distribuições simétricas e para situações em que se trata de grandes amostras. São indicadas aos experimentos que apresentam apenas dois resultados (sucesso ou fracasso). 78 Unidade II Re vi sã o: E la in e – Di ag ra m aç ão : M ár ci o – 16 /0 2/ 11 / / 2ª R ev is ão : E la in e - Co rr eç ão : M ár ci o - 24 /0 2/ 20 11 Portanto, fundamenta-se nas seguintes hipóteses: N provas independentes e do mesmo tipo são realizadas e cada prova admite apenas dois resultados, sucesso ou fracasso. Sendo p a probabilidade de sucesso e q a probabilidade de fracasso sabemos que: p + q = 1 ou q = 1 - p p + q = 100% ou q = 100% - p A probabilidade de que se tenha x sucessos ou de que certo evento ocorra um x número de vezes, em um número N de tentativas, é dada por: P x N x N x p qx N x[ ] ! !( )! . .= − − Onde: N = número de tentativas x = número de sucessos p = probabilidade de sucesso q = probabilidade de fracasso 79 ESTATÍSTICA DESCRITIVA Re vi sã o: E la in e – Di ag ra m aç ão : M ár ci o – 16 /0 2/ 11 / / 2ª R ev is ão : E la in e - Co rr eç ão : M ár ci o - 24 /0 2/ 20 11 Exemplo: Em um torneio do qual participam várias equipes, a equipe A acredita que tem 65% de probabilidades de vencer cada um dos jogos. Se a equipe A realizar 5 partidas, qual é a probabilidade de que: a) Vença todos os jogos? b) Vença apenas 2 jogos? Solução: a) Vença todos os jogos P x N x N x p qx N x[ ] ! !( )! . .= − − Solução N = 5 p = 65% = 0,65 q = 35% = 0,35 Seja n um número inteiro tal que n > 0. Chama-se fatorial de n, e se escreve n! o seguinte número: Se: • n = 0, n! = 1 • n = 1. n! = 1 • n > 1, n! = n(n — 1).(n — 2) ... 2.1 Lembre-se: q = 1 – p q = 1 – 0,65 q = 0,35 80 Unidade II Re vi sã o: E la in e – Di ag ra m aç ão : M ár ci o – 16 /0 2/ 11 / / 2ª R ev is ão : E la in e - Co rr eç ão : M ár ci o - 24 /0 2/ 20 11 a) P[ ] ! !( )! . , . ,5 5 5 5 5 0 65 0 355 5 5= − − P[ ] ! ! ! . , . ,5 5 5 0 0 65 0 355 0= P[ ] ! ! . . , .5 5 5 1 0 65 15= P[ ] ! ! . ,5 5 5 0 655= P[5] = 0,655 P[5] = 0,1160 P[5] = 11,60% b)Vença apenas 2 jogos P x N x N x p qx N x[ ] ! !( )! . .= − − P[ ] ! !( )! . , . ,2 5 2 5 2 0 65 0 352 5 2= − − P[ ] ! ! ! . , . ,2 5 2 3 0 65 0 352 3= P[ ] . . ! ! ! . , . ,2 5 4 3 2 3 0 65 0 352 3= P[ ] . ! . , . ,2 5 4 2 0 65 0 352 3= 81 ESTATÍSTICA DESCRITIVA Re vi sã o: E la in e – Di ag ra m aç ão : M ár ci o – 16 /0 2/ 11 / / 2ª R ev is ão : E la in e - Co rr eç ão : M ár ci o - 24 /0 2/ 20 11 P[ ] . . . , . ,2 5 4 2 1 0 65 0 352 3= P[ ] . . , . ,2 5 4 2 0 65 0 352 3= P[2] = 5.2.0,652.0,353 P[2] = 10.42.0,043 P[2] = 0,1806 P[2] = 18,06% Lembre-se: Você pode parar o produto decrescente de um fatorial conforme a conveniência. Essa operação é denominada de “truncar o fatorial”. Assim são equivalentes: 5! = 5.4! 5! = 5.4.3! 5! = 5.4.3.2! 5! = 5.4.3.2.1 2.3.2 Distribuição Poisson de probabilidades Essa distribuição de probabilidade deve ser utilizada quando a amostra N se torna infinitamente grande e a probabilidade de sucesso ou de ocorrer o fenômeno em estudo tende a zero. A probabilidade de se ter x sucessos em N tentativas nesse caso é dada por: P x e x x [ ] . ! = 1µ µ 82 Unidade II Re vi sã o: E la in e – Di ag ra m aç ão : M ár ci o – 16 /0 2/ 11 / / 2ª R ev is ão : E la in e - Co rr eç ão : M ár ci o - 24 /0 2/ 20 11 Onde: e = 2, 718 (número de Euler) µ = média x = número de sucessos µ = λ.t λ = frequência média com que o fenômeno ocorre. t = comprimento do intervalo de observação (amostra observada ou número de tentativas). Exemplo: O controle de qualidade de um laboratório acusa 1% de falha no controle microbiológico de determinado equipamento. Calcule a probabilidade de que nenhum dos 200 equipamentos de certo lote apresente a falha citada. Resolução λ = 1% t = 200 Logo como µ = λ.t µ = 0,01 x 200 µ = 2 P x e x x [ ] . ! = 1µ µ 83 ESTATÍSTICA DESCRITIVA Re vi sã o: E la in e – Di ag ra m aç ão : M ár ci o – 16 /0 2/ 11 / / 2ª R ev is ão : E la in e - Co rr eç ão : M ár ci o - 24 /0 2/ 20 11 P x[ ] , . ! = =0 1 2 718 2 02 0 P[ ] , .0 1 2 718 1 12 = P[ ] , 0 1 2 7182 = P[ ] , 0 1 7 3875 = P[0] = 0,1354 P[0] = 13,54% 2.3.3 Distribuição normal de probabilidades As distribuições normais são muito importantes porque representam, com boa aproximação, as distribuições de frequências observadas em muitos fenômenos naturais e físicos, especialmente para grandes amostras. 2.3.3.1 Características das distribuições normais de probabilidades 1 A curva normal apresenta-se na forma de um sino e é simétrica em relação à media. 2 Prolonga-se de -∞ a +∞ 3 Existe uma distribuição normal para cada combinação de média e de desvio padrão. 84 Unidade II Re vi sã o: E la in e – Di ag ra m aç ão : M ár ci o – 16 /0 2/ 11 / / 2ª R ev is ão : E la in e - Co rr eç ão : M ár ci o - 24 /0 2/ 20 11 4 A área total sob a curva normal é considerada como 100%, isto é, representa 100% da probabilidade associada à variável em questão. 5 A probabilidade é dada pela área entre dois pontos sob a curva normal. A distribuição normal padronizada A distribuição normal constitui, na verdade, um conjunto infinitamente grande de distribuições, um para cada combinação possível de média e desvio padrão. Assim, seria inútil elaborar tabelas que atendessem a todas as necessidades. Existe, porém, uma alternativa simples para resolver o problema. O fato de se considerar a área total sob a curva como 100% a padroniza. Todas as distribuições normais podem ser transformadas em distribuições normais padronizadas mudando-se a escala da distribuição original. A distribuição normal padronizada tem média zero e desvio padrão 1. 2.3.3.2 Distribuição normal padrão 0 µ = 0 e σ = 1 x → z 85 ESTATÍSTICA DESCRITIVA Re vi sã o: E la in e – Di ag ra m aç ão : M ár ci o – 16 /0 2/ 11 / / 2ª R ev is ão : E la in e - Co rr eç ão : M ár ci o - 24 /0 2/ 20 11 Tabela: Distribuição Normal Padrão (z) Z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09 0,0 0,0000 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359 0,1 0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0753 0,2 0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141 0,3 0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406 0,1443 0,1480 0,1517 0,4 0,1554 0,1591 0,1628 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879 0,5 0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224 0,6 0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2517 0,2549 0,7 0,2580 0,2611 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 0,2852 0,8 0,2881 0,2910 0,2939 0,2967 0,2995 0,3023 0,3051 0,3078 0,3106 0,3133 0,9 0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315 0,3340 0,3365 0,3389 1,0 0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621 1,1 0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770 0,3790 0,3810 0,3830 1,2 0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997 0,4015 1,3 0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131 0,4147 0,4162 0,4177 1,4 0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279 0,4292 0,4306 0,4319 1,5 0,4332 0,4345 0,4357 0,4370 0,4382 0,4394 0,4406 0,4418 0,4429 0,4441 1,6 0,4452 0,4463 0,4474 0,4484 0,4495 0,4505 0,4515 0,4525 0,4535 0,4545 1,7 0,4554 0,4564 0,4573 0,4582 0,4591 0,4599 0,4608 0,4616 0,4625 0,4633 1,8 0,4641 0,4649 0,4656 0,4664 0,4671 0,4678 0,4686 0,4693 0,4699 0,4706 1,9 0,4713 0,4719 0,4726 0,4732 0,4738 0,4744 0,4750 0,4756 0,4761 0,4767 2,0 0,4772 0,4778 0,4783 0,4788 0,4793 0,4798 0,4803 0,4808 0,4812 0,4817 2,1 0,4821 0,4826 0,4830 0,4834 0,4838 0,4842 0,4846 0,4850 0,4854 0,4857 2,2 0,4861 0,4864 0,4868 0,4871 0,4875 0,4878 0,4881 0,4884 0,4887 0,4890 2,3 0,4893 0,4896 0,4898 0,4901 0,4904 0,4906 0,4909 0,4911 0,4913 0,4916 2,4 0,4918 0,4920 0,4922 0,4925 0,4927 0,4929 0,4931 0,4932 0,4934 0,4936 2,5 0,4938 0,4940 0,4941 0,4943 0,4945 0,4946 0,4948 0,4949 *0,4951 0,4952 2,6 0,4953 0,4955 0,4956 0,4957 0,4959 0,4960 0,4961 0,4962 0,4963 0,4964 2,7 0,4965 0,4966 0,4967 0,4968 0,4969 0,4970 0,4971 0,4972 0,4973 0,4974 2,8 0,4974 0,4975 0,4976 0,4977 0,4977 0,4978 0,4979 0,4979 0,4980 0,4981 2,9 0,4981 0,4982 0,4982 0,4983 0,4984 0,4984 0,4985 0,4985 0,4986 0,4986 3,0 0,4987 0,4987 0,4987 0,4988 0,4988 0,4989 0,4989 0,4989 0,4990 0,4990 86 Unidade II Re vi sã o: E la in e – Di ag ra m aç ão : M ár ci o – 16 /0 2/ 11 / / 2ª R ev is ão : E la in e - Co rr eç ão : M ár ci o - 24 /0 2/ 20 11 Padronização da variável aleatória: se a média é diferente de zero ou o desvio padrão é diferente de 1 (ou ambas as situações), é necessário converter os valores para os valores padronizados na distribuição normal padrão. z x= −( )µ σ 0µ x z Exemplo: 1 A vida média de um trator é de 20 anos, com desvio padrão de 0,5 ano. Qual a probabilidade de que este trator não dure mais do que 21 anos? Resolução: µ = 20 anos σ = 0,5 ano x > 21 anos Primeiro devemos padronizar a variávelaleatória x = 21: z x= −( )µ σ z = −( ) , 21 20 0 5 z = 2 87 ESTATÍSTICA DESCRITIVA Re vi sã o: E la in e – Di ag ra m aç ão : M ár ci o – 16 /0 2/ 11 / / 2ª R ev is ão : E la in e - Co rr eç ão : M ár ci o - 24 /0 2/ 20 11 Verificando na tabela de distribuição normal, z =2 corresponde a uma área de 0,4772. 0 A = 0,4772 z = 2 O percentual de tratores que duram mais do que 21 anos corresponde à diferença de área: 0,5 – 0,4772 = 0,0228, ou seja, a 2,28%. Logo 100% - 2,28% = 97,72% não duram mais do que 21 anos. 2 Os valores das massas corporais de 600 alunos são normalmente distribuídos com média de 65 kg e desvio padrão de 5 kg. Encontrar a probabilidade de um aluno escolhido ao acaso ter peso superior a 66 kg. Resolução: Primeiro devemos padronizar a variável aleatória x = 66: z x= −( )µ σ z = −( )66 65 5 z = 0,2 Lembre-se: a área total sob a curva corresponde a 1. Portanto, metade da área corresponde a 0,5. 88 Unidade II Re vi sã o: E la in e – Di ag ra m aç ão : M ár ci o – 16 /0 2/ 11 / / 2ª R ev is ão : E la in e - Co rr eç ão : M ár ci o - 24 /0 2/ 20 11 Verificando na tabela de distribuição normal, z =0,2 corresponde a uma área de 0,0793. Z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09 0,0 0,0000 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359 0,1 0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0753 0,2 0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141 0,3 0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406 0,1443 0,1480 0,1517 0,4 0,1554 0,1591 0,1628 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879 0,5 0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224 0 A = 0,0793 z = 0,2 O percentual de valores de massa corporal acima de 66 kg corresponde à diferença de área: 0,5 – 0,0793 = 0,4207, ou seja, 42,07%. 0x z0z 89 ESTATÍSTICA DESCRITIVA Re vi sã o: E la in e – Di ag ra m aç ão : M ár ci o – 16 /0 2/ 11 / / 2ª R ev is ão : E la in e - Co rr eç ão : M ár ci o - 24 /0 2/ 20 11 Observe a figura acima. Considere que os valores de z nos dois gráficos sejam iguais em valor absoluto. Quando for necessário calcular a área à esquerda da média, é preciso lembrar que, embora o escore z possa ser negativo, a área sob a curva (ou a probabilidade correspondente) nunca será negativa. Nos dois gráficos as áreas destacadas são equivalentes, graças à simetria da curva em relação à origem. Esquema para interpretação das áreas sob a curva Caso 1: Quando o problema propõe questões como: Maior do que x Pelo menos x Mais do que x Não menos do que x 0x x0x Adicionar a 0,5 Subtrair de 0,5 Caso 2: Quando o problema propõe questões tais como: Menor do que x No máximo x Não mais do que x Não maior do que x 90 Unidade II Re vi sã o: E la in e – Di ag ra m aç ão : M ár ci o – 16 /0 2/ 11 / / 2ª R ev is ão : E la in e - Co rr eç ão : M ár ci o - 24 /0 2/ 20 11 x x0x Subtrair de 0,5 Subtrair de 0,5 Caso 3: Quando o problema propõe a questão “entre x1 e x2” 0x1 Somar as áreas x2 Subtrair as áreas x1 x2 0 2.3.3.3 Determinação dos escores z, dadas as probabilidades a) Determinação do 950 percentil 0 95% 0,50 0,45 5% 5% ou 0,05 z = 1,645 91 ESTATÍSTICA DESCRITIVA Re vi sã o: E la in e – Di ag ra m aç ão : M ár ci o – 16 /0 2/ 11 / / 2ª R ev is ão : E la in e - Co rr eç ão : M ár ci o - 24 /0 2/ 20 11 b) Determinação do 100 percentil 0 10% 0,40 90% z = —1,28 0,10 10% inferiores Exercícios Nos exercícios de 1 a 10 escolha a alternativa correta e justifique. Analise a tabela a seguir que corresponde a uma amostra de 30 pessoas e responda às perguntas 1, 2 e 3. Homens Mulheres Menores 10 6 Adultos 10 4 Total 20 10 1 Qual a probabilidade de uma pessoa, dessa amostra, escolhida ao acaso, ser homem? a) 50% b) 55,5% c) 65,1% d) 66,67% e) 40,2% 92 Unidade II Re vi sã o: E la in e – Di ag ra m aç ão : M ár ci o – 16 /0 2/ 11 / / 2ª R ev is ão : E la in e - Co rr eç ão : M ár ci o - 24 /0 2/ 20 11 2 Qual a probabilidade de ser menor e mulher? a) 10% b) 25% c) 15% d) 20% e) 22% 3 Qual a probabilidade de ser adulto? a) 46,67% b) 45,2% c) 40% d) 70% e) 60% 4 Com base em uma pesquisa levantada por pesquisadores de uma universidade, 67% dos entrevistados são de opinião de que alguns programas de televisão trazem problemas para a família. Calcule a probabilidade de, em 8 pessoas entrevistadas, apenas três concordarem com a pesquisa. a) 10% b) 5% c) 5,5% d) 6,52% e) 5,06% 5 Estatísticas de tráfego mostram que 75% dos veículos interceptados numa autoestrada passam no teste de 93 ESTATÍSTICA DESCRITIVA Re vi sã o: E la in e – Di ag ra m aç ão : M ár ci o – 16 /0 2/ 11 / / 2ª R ev is ão : E la in e - Co rr eç ão : M ár ci o - 24 /0 2/ 20 11 segurança. De 5 veículos interceptados, determine a probabilidade de nenhum passar pelo teste de segurança. a) 1% b) 2,5% c) 0,1% d) 0,01% e) 0,2% 6 Uma cia. seguradora de automóveis realiza seguro para automóveis de uma grande indústria. No ano passado, de cada 5.000 veículos assegurados, dois foram roubados. Calcule a probabilidade de não ocorrer roubo de nenhum dos próximos 10.000 carros segurados. a) 1,5% b) 1,22% c) 2,7 d) 3% e) 1,83% 7 Ao testar seus pneus nas pistas, uma indústria de pneus verificou que havia em média um estouro de pneu a cada 4.000 km. Qual a probabilidade de que em um teste de 12.000 km haja um pneu estourado? a) 14,94% b) 12,5% c) 8,51% d) 3,22% e) 12,50% 94 Unidade II Re vi sã o: E la in e – Di ag ra m aç ão : M ár ci o – 16 /0 2/ 11 / / 2ª R ev is ão : E la in e - Co rr eç ão : M ár ci o - 24 /0 2/ 20 11 8 As vendas de certo produto apresentam distribuição normal, com média 600 toneladas e desvio padrão de 60 toneladas. Se a empresa decide fabricar 680 toneladas no mês em estudo, qual é a probabilidade de que não possa atender a todos os pedidos desse mês por estar com a produção esgotada? a) 7,22% b) 9,18% c) 8,51% d) 8,22% e) 1,33% 9 Uma empresa comercializa um equipamento cuja vida útil admite distribuição normal com média de 620 h e desvio padrão de 20 h. Se a empresa garantiu uma vida útil de pelo menos 580 h para um dos equipamentos vendidos, qual a probabilidade de ela ter que repor essa unidade? a) 1% b) 2,5% c) 3,51% d) 4,22% e) 2,28% 10 As vendas de determinado produto de uma linha “diet” têm distribuição normal, com média de 600 reais mensais e desvio padrão de 50 reais. Qual a probabilidade de no próximo mês ter uma venda entre 680 e 690 reais? a) 1,29% b) 1,89% c) 2,57% 95 ESTATÍSTICA DESCRITIVA Re vi sã o: E la in e – Di ag ra m aç ão : M ár ci o – 16 /0 2/ 11 / /2ª R ev is ão : E la in e - Co rr eç ão : M ár ci o - 24 /0 2/ 20 11 d) 2,29% e) 2,32% Resolução dos exercícios 1 d) 66,67% O espaço amostral A obtido da tabela corresponde a 30 pessoas. Portanto n(A) = 30 p H numero de casos favoraveis numero de elementos do espa ( ) = cco amostral n H n A = = =( ) ( ) , 20 30 0 6667 ´ ´ ´ ç p(H) = 66,67% 2 d) 20% O espaço amostral A obtido da tabela corresponde a 6 pessoas (cruzamento da linha “menor” com a coluna “mulher”). Portanto n(A) = 6 p m M numero de casos favoraveis numero de elementos do es ( , ) = ppaco amostral n m M n A = = =( , ) ( ) , 6 30 0 20 ´ ´ ´ ç p(H) = 20% 3 a) 46,67% O espaço amostral A obtido da tabela corresponde a 6 pessoas (linha “adulto”: 10 homens e 4 mulheres). Portanto n(A) =14 p Ad numero de casos favoraveis numero de elementos do esp ( ) = aaco amostral n Ad n A = = =( ) ( ) , 14 30 0 4667 ´ ´ ´ ç p(H) = 46,67% 96 Unidade II Re vi sã o: E la in e – Di ag ra m aç ão : M ár ci o – 16 /0 2/ 11 / / 2ª R ev is ão : E la in e - Co rr eç ão : M ár ci o - 24 /0 2/ 20 11 4 d) 6,52% P x N x N x p qx N x[ ] ! !( )! . .= − − N = 8 p = 67% = 0,67 q = 33% = 0,33 P X[ ] ! !( )! . , . ,= = − −3 8 3 8 3 0 67 0 333 8 3 P X[ ] ! ! ! . , . ,= =3 8 3 5 0 67 0 333 5 P X[ ] . . . ! . . . ! . , . ,= =3 8 7 6 5 3 2 1 5 0 67 0 333 5 P X[ ] . . . . . , . ,= =3 8 7 6 3 2 0 67 0 333 5 P X[ ] . . . . , . ,= =3 8 7 6 6 0 67 0 333 5 P[X = 3] = 56.0,673.0,335 P[X = 3] = 56.0,0.0,0039 P[X = 3] = 0,06552 Lembre-se: q = 1 – p q = 1 – 0,67 q = 0,33 97 ESTATÍSTICA DESCRITIVA Re vi sã o: E la in e – Di ag ra m aç ão : M ár ci o – 16 /0 2/ 11 / / 2ª R ev is ão : E la in e - Co rr eç ão : M ár ci o - 24 /0 2/ 20 11 5 c) 0,1% N = 5 p = 75% = 0,75 q = 25% = 0,25 P x N x N x p qx N x[ ] ! !( )! . .= − − P x[ ] ! !( )! . , . ,= = − −0 5 0 5 0 0 75 0 250 5 0 P[x = 0] = 0, 001 P[x = 0] = 0,1% 6 e) 1,83% µ = λ.t λ µ= t λ = 2 5000 Para 10.000 carros, a média deveria ser µ = λ.t µ = 2 5000 10000. 98 Unidade II Re vi sã o: E la in e – Di ag ra m aç ão : M ár ci o – 16 /0 2/ 11 / / 2ª R ev is ão : E la in e - Co rr eç ão : M ár ci o - 24 /0 2/ 20 11 P x e x x [ ] . ! = 1µ µ P x[ ] , . ! = =0 1 2 718 4 04 0 P x[ ] , = =0 1 2 7184 P[x = 0] = 0,0183 P[x = 0] = 1,83% 7 a) 14,94% µ = λ.t λ µ= t λ = 1 4000 Para 12.000 km, a média deveria ser µ = λ.t µ = 2 4000 12000. µ = 3 P x e x x [ ] . ! = 1µ µ P x[ ] , . ! = =1 1 2 718 3 13 1 99 ESTATÍSTICA DESCRITIVA Re vi sã o: E la in e – Di ag ra m aç ão : M ár ci o – 16 /0 2/ 11 / / 2ª R ev is ão : E la in e - Co rr eç ão : M ár ci o - 24 /0 2/ 20 11 P[x = 1] = 0, 0498 x 3 = 0,1494 P[x = 1] = 14,94% 8 b) 9,18% µ = 600 toneladas σ = 60 toneladas x > 680 toneladas Primeiro devemos padronizar a variável aleatória x = 680: z x= −( )µ σ z = −( )680 600 60 z = 1,3333 Verificando na tabela de distribuição normal, z = 1,33 corresponde a uma área de 0,4082. 0 A = 0,4082 z = 1,33 Lembre-se: a área total sob a curva corresponde a 1. Portanto, metade da área corresponde a 0,5. 100 Unidade II Re vi sã o: E la in e – Di ag ra m aç ão : M ár ci o – 16 /0 2/ 11 / / 2ª R ev is ão : E la in e - Co rr eç ão : M ár ci o - 24 /0 2/ 20 11 Logo 50% - 40,82% = 9,18% P[z > 1,33] = 9,18% 9 e) 2,28% µ = 620 horas σ = 20 horas x < 580 horas Primeiro devemos padronizar a variável aleatória x = 580: z x= −( )µ σ z = −( )580 620 20 z = —2 Verificando na tabela de distribuição normal, z = - 2,00 corresponde a uma área de 0,4772. 0 A = 0,4772 z = —2,00 101 ESTATÍSTICA DESCRITIVA Re vi sã o: E la in e – Di ag ra m aç ão : M ár ci o – 16 /0 2/ 11 / / 2ª R ev is ão : E la in e - Co rr eç ão : M ár ci o - 24 /0 2/ 20 11 O percentual de peças que duram mais do que 580 horas corresponde à diferença de área: 0,5 – 0,4772 = 0,0228, ou seja, a 2,28%. Resposta P[z < -2] = 50% - 47, 72% P[z < -2] = 2,28% 10 b) 1,89% µ = 600 reais σ = 50 reais 680 < x < 690 Primeiro deveremos padronizar a variável aleatória Para x = 680: z x= −( )µ σ z = −( )680 600 50 z = 1,60 Verificando na tabela de distribuição normal, z = 1,60 corresponde a uma área de 0,4452. Para x = 690: z x= −( )µ σ 102 Unidade II Re vi sã o: E la in e – Di ag ra m aç ão : M ár ci o – 16 /0 2/ 11 / / 2ª R ev is ão : E la in e - Co rr eç ão : M ár ci o - 24 /0 2/ 20 11 z = −( )690 600 50 z = 1,80 Verificando na tabela de distribuição normal, z = 1,80 corresponde a uma área de 0,4641. 0 A = 0,4641 — 0,4452 = 0,0189 z = 1,8 1,6 P[1,6 < z < 1,8] = 46,41% – 44,52% P[1,6 < z < 1,8] = 1,89% Bibliografia BARROS, Gilian Cristina. Probabilidades: será que meu time ganha? Portal do Professor. Disponível em: <http://portaldoprofessor.mec.gov.br/fichaTecnicaAula. html?aula=2099>. Acesso em: 10 jan. 2011. BERNARDES, Marisa Rezende. As várias vozes e seus regimes de verdade: um estudo sobre profissionalização (docente?). 2003. Dissertação (Mestrado) - Universidade Estadual Paulista, Bauru, 2003. Disponível em: < http://www.ghoem.com/textos/ h/dissertacao_marisa.pdf>. Acesso em: 10 jan. 2011. 103 ESTATÍSTICA DESCRITIVA Re vi sã o: E la in e – Di ag ra m aç ão : M ár ci o – 16 /0 2/ 11 / / 2ª R ev is ão : E la in e - Co rr eç ão : M ár ci o - 24 /0 2/ 20 11 EVES, Howard. Introdução à história da matemática. Tradução: Hygino H. Domingues. Campinas: Editora da UNICAMP, 2004. FOUCAULT, Michel. Microfísica do poder. Rio de Janeiro: Edições Graal, 1996. ___. História da sexualidade I. Rio de Janeiro: Edições Graal, 1988 FREIDSON, Eliot. Renascimento do profissionalismo: teoria, profecia e política. São Paulo: Edusp, 1998. JELIN, Daniel. Crimes no Brasil. O Estado de S. Paulo, 08 dez. 2009. Disponível em: <http://blogs.estadao.com.br/crimes-no- brasil/2009/12/>. Acesso em: 09 jan. 2011. LAPLACE, Pierre-Simon. Ensaio filosófico sobre as probabilidades. Tradução: Pedro Leite de Santana. Rio de Janeiro: Contraponto Editora, 2010. LARSON, Ron. FARBER, Betsy. Estatística aplicada. São Paulo: Prentice Hall, 2007. MSPC. Informações Técnicas. Alguns conceitos. Disponível em: <http://www.mspc.eng.br/matm/prob_est300.shtml>. Acesso em: 09 jan. 2011. 104 Unidade II Re vi sã o: E la in e – Di ag ra m aç ão : M ár ci o – 16 /0 2/ 11 / / 2ª R ev is ão : E la in e - Co rr eç ão : M ár ci o - 24 /0 2/ 20 11
Compartilhar