Baixe o app para aproveitar ainda mais
Prévia do material em texto
1 UFF Eng. de Produção Revisão de Estatística Níveis de Mensuração das Variáveis Escala nominal (QUALITATIVA) Os indivíduos são classificados em categorias segundo uma característica. Ex: • sexo (masculino, feminino), • Setor da empresa (produção, montagem, financeiro, CQ, etc) • Pessoal (próprio, terceirizado) Não existe ordem entre as categorias e suas representações, se numéricas, são destituídas de significado numérico. Ex: sexo masculino=1, sexo feminino = 2. Os valores 1 e 2 são apenas rótulos. Escala ordinal (QUALITATIVA) Os indivíduos são classificados em categorias que possuem algum tipo de ordem inerente. Neste caso, uma categoria pode ser "maior" ou "menor" do que outra. Ex: classificação de fornecedores (A a E onde E é a pior classificação de excluído); Embora exista ordem entre as categorias, a diferença entre categorias adjacentes não tem o mesmo significado em toda a escala. Níveis de Mensuração das Variáveis Níveis de Mensuração das Variáveis Nível intervalar (quantitativo/intervalar) Nos indica a distância exata entre as categorias. Pode ser uma escala discreta ou contínua. Escala discreta: Existe um número finito de valores possíveis entre dois valores quaisquer. Ex: nota em prova objetiva, número de NC em um lote de produtos. Escala contínua: Existe um número infinito de valores possíveis entre dois valores quaisquer. Ex: tempo de vida , peso (g), altura (cm), pressão arterial (mmHg). Dados Quantitativos Histogramas Distribuição de dados de Variáveis Quantitativas: HISTOGRAMA R = Maior valor – Menor valor 1. Tabule os dados disponíveis. 2. Verifique o número de dados disponíveis, contando-os (n). 3. Determine a amplitude R dos dados. 4. Divida R em um número de classes pela regra de Sturges (k = 1 + 3,222 x log n) ou pela tabela 5. Largura aprox. da classe = R/(nº de classes) Pode ser arredondado para um número mais conveniente HISTOGRAMA Exemplo: • R = 33 – 12 = 21 • Número de intervalos para n=20 => 5 • Largura aproximada da classe = 21/5 = 4,2 => 5 • Limites de classe (opção) (10 – 14) a (30 – 34) 12 14 19 18 15 15 18 17 20 27 22 23 22 21 33 28 14 18 16 13 TABELA 2.2 TEMPO EM DIAS DE AUDITORIA DE SMS TABELA 2.3 DISTRIBUIÇÃO DE FREQÜÊNCIA DOS TEMPOS DE AUDITORIA Tempo de auditoria (dias) Freqüência .10 |-| 14 4 15 |-| 19 8 20 |-| 24 5 25 |-| 29 2 30 |-| 34 1 Total 20 Em algumas situações usa-se o ponto médio entre os limites de classe. Neste caso: 12, 17, 22, 27 e 32. 12 17 22 27 32 Tempo de auditoria (dias) Freqüência 12 4 17 8 22 5 27 2 32 1 Total 20 12 17 22 27 32 FREQ. 4 8 5 2 1 Tempo de Auditoria em dias (ponto médio) 10 5 10|-|14 15|-|19 20|-|24 25|-|29 30|-|34 11 Medidas de Variabilidade Variância, Desvio-padrão 12 VARIÂNCIA (σ2 ou s2) • É a medida de variabilidade que utiliza todos os dados. • É a média do quadrado das diferenças dos indivíduos em relação à média da população envolvida. Aluno Média Antônio 10 10 5 0 0 5 Notas Dispersão = (10-5) + (10-5) + (5-5) + (0-5) + (0-5) = 5 + 5 + 0 + (-5) + (-5) = 0 Logo, eleva-se ao quadrado a diferença para eliminar os valores negativos VariânciaAntônio:….[52 + 52 +02 +(-5)2 +(-5)2 ]/4= 25 1 )( 2 2 − − = ∑ n xxs i 13 Variância de uma amostra (s2) Geralmente, entretanto, lidamos com amostras e não com o universo completo de indivíduos. Assim a definição de variância para amostra deve levar em consideração os graus de liberdade e como para a Variância usamos uma outra estatística (a Média), perdemos um grau de liberdade, logo: 1 )( 2 2 − − = ∑ n xxs i A Variância do Universo é definida por: N ix 2)(2 ∑ −= µσ 14 A desvantagem da variância: Apresenta uma medida da dispersão em que é o quadrado da unidade da variável estudada. Ex: Estatura das pessoas em metros (m) Variância em metros quadrados (m2). 15 DESVIO-PADRÃO Para evitar diferenças de unidade usa-se a raiz quadrada da variância que é chamada de DESVIO-PADRÃO, assim as unidades da variável da dispersão ficam iguais. ( ) 1 2 − − = ∑ n xx s i 16 MEDIDAS DE POSIÇÃO RELATIVA • Onde z é a distância de xi à média em desvios-padrão • Se zi = 2, então xi está a 2s da média s xxz i −= • Em uma distribuição podemos usar a média e o desvio padrão para encontrarmos a posição de um indivíduo i em relação ao ponto central da distribuição. • Podemos comparar esta distância com o desvio-padrão, assim: x- Distância de xi à média = (xi - ) • Comparando com s temos: INTRODUÇÃO À PROBABILIDADE Prof. Fernando Toledo Ferraz PROBABILIDADE • Probabilidade é a medida numérica da possibilidade de ocorrência de um evento. • O valor de uma Probabilidade será sempre entre 0 e 1. • Uma Probabilidade próxima a 0 indica um evento com poucas ou quase nenhuma esperança de ocorrer. • Uma Probabilidade próxima de 1 indica um evento muito possível de ocorrer. • Uma Probabilidade de 0,5 indica um evento em que é tão esperada sua ocorrência como sua não ocorrência. Experimento, espaço amostral e ponto amostral • Um experimento é um processo que gera resultados bem definidos. • O espaço amostral de um experimento é o conjunto de resultados experimentais. • Um ponto amostral é um elemento de um espaço amostral, qualquer um resultado experimental particular. EXEMPLO Um investidor investe em duas empresas (X e Y) e considera que seus rendimentos em 3 meses podem ser os seguintes em função da evolução dos cenários: 30 5 0 -10 PERDAS E GANHOS EM 3 MESES (x R$ 1.000,00) Empresa X Empresa Y 15 5 0 REGRAS DE CONTAGEM • Consideremos as letras A, B e C, de quantas maneiras podem ser arrumadas? ABC, BAC, BCA, ACB, CAB, CBA ou Ax1x2 x1Ax2 x1x2A By yB C A variando de posição Pode assumir 3 posições B variando de posição Pode assumir 2 posições C variando de posição Pode assumir 1 posição Poderíamos formar 3x2x1 arranjos diferentes Etapa 1 Etapa 2 Etapa 3 REGRA DE CONTAGEM PARA MÚLTIPLAS ETAPAS (1,2...i) N = n1.n2. ... .ni, onde : N= número total de possibilidades em todas as etapas n1= número de possibilidades para etapa 1 n2= número de possibilidades para etapa 2 ... ni= número de possibilidades para etapa i PERMUTAÇÕES SIMPLES O número de arranjos possíveis, portanto, seria: 3x2x1 = 6 Para n objetos teríamos n . (n-1) . (n-2)..... 2 . 1 = n! Caso quiséssemos arranjar um grupo de letras de uma palavra onde houvesse r letras repetidas como CARRO (5 letras com 2 repetições), teríamos que dividir o total pelas possibilidade de arranjo das letras repetidas (r!): P5(2)= 5!/2!=(5 . 4 . 3 . 2. 1)/(2 .1) = 60 possibilidades Obs: A permutação é um caso parXcular de experimento de múlXpla etapa onde cada etapa tem 1 possibilidade a menos que a anterior. ARRANJO SIMPLES Arranjos simples de N elementos p a p são agrupamentos de p elementos distintos tomados de um conjunto de N que se diferenciam pela natureza ou ordem dos elementos. Por exemplo, com os elementos de A = {a, b, c} podemos formar os arranjos dois a dois: ab, ba, ac, ca, bc, cb. Ou: A(3,2)=3.2.1/(3-2)!=6/1 De um modo geral:AN,p=N!/(N-p)! COMBINAÇÕES Combinações simples dos elementos de um conjunto tomados p a p são agrupamentos de p elementos de A, que se diferenciam apenas pelanatureza de seus elementos. As combinações simples dos elementos de {a, b, c} tomados 2 a 2 são: ab, ac e bc. ab ≡ ba, ac ≡ ca, cb ≡ bc Assim: 3 )1.(1.2 1.2.3 )!23(!2 !33 2 ==− =C De um modo geral: )!(! ! nNn NCNn − = Um auditor tem 50 relatórios para auditar. Decide tomar 4 ao acaso. Quantas possibilidades ele teria de combinar os 50 relatórios em grupos de 4? A ordem dos relatórios não importa, isto é: R13, R25, R44 e R48 ≡ R44, R48, R25 e R13 ARRANJOS E COMBINAÇÕES LOGO: 230300 )!46!.(4 !46.47.48.49.50 )!450(!4 !5050 4 ==− =C Um pesquisador identificou 9 variáveis importantes para seu tema. Ele busca relações entre variáveis de 2 a 2. Quantas possibilidades de experimentos ele tem caso considere a definição de variável dependente e independente importante para a metodologia e quantas caso isto não seja relevante? a) Se definição de var. depend/independente importa => Arranjo Simples b) Se NÃO importa => Combinação LOGO: 36 ) ! 7 !.( 2 ! 7 . 8 . 9 )! 2 9 ( ! 2 ! 9 ) 9 2 = = - = C b 72 ) ! 7 ( ! 7 . 8 . 9 )! 2 9 ( ! 9 ) 9 2 = = - = A a EXERCÍCIO Quantos resultados são possíveis para o experimento Lançar um dado, jogar uma moeda e reXrar um naipe de um baralho? • Um evento é uma coleção de pontos amostrais. • A probabilidade de qualquer evento é igual à soma das probabilidades dos pontos amostrais do evento. Eventos e suas Probabilidades EXEMPLO Qual o evento do investidor ter lucro? (i.e. um resultado >0) 30 5 0 -10 PERDAS E GANHOS EM 3 MESES (x R$ 1.000,00) Empresa X Empresa Y 15 5 0 30,15 5,15 0,15 -10,15 30,5 5,5 0,5 -10,5 30,0 5,0 0,0 -10,0 30,15 5,15 0,15 -10,15 30,5 5,5 0,5 -10,5 30,0 5,0 0,0 -10,0 Atribuição de Probabilidades a resultados experimentais • Método Clássico A atribuição de probabilidades é feita a parXr da premissa de que todos os resultados têm a mesma chance de ocorrência. (dados ou cartas) • Método da Freqüência RelaXva A probabilidade é atribuída em função de dados históricos disponíveis. (vendas ou acidentes) • Método SubjeXvo A atribuição de probabilidades é feita a parXr da experiência ou intuição. (cenários políXcos) Considere que um analista experiente atribuiu as probabi- lidades (método subjetivo) abaixo para os resultados da sua carteira de investimento. Dado isto, qual a probabilidade do evento lucro maior que R$ 10.000,00 na sua carteira? Resultado (xR$1.000,00) Lucro/Perda Probabilidade (30,15) $45,000 Lucro .10 (30, 5) $35,000 Lucro .10 (30, 0) $30,000 Lucro .10 (5, 15) $20,000 Lucro .05 (5, 5) $10,000 Lucro .05 (5, 0) $5,000 Lucro .05 (0, 15) $15,000 Lucro .05 (0, 5) $5,000 Lucro .10 (0, 0) $0 - .20 (-10, 15) $5,000 Lucro .05 (-10, 5) ($5,000) Perda .05 (-10, 0) ($10,000) Perda .10 RESP.: 40% Complemento de um Evento • O complemento de um evento A é definido como o evento composto de todos os pontos amostrais que não pertencem a A. • O complemento de A é denotado por Ac. • O Diagrama de Venn abaixo ilustra o conceito de complemento. Ac Evento A • A união de dois eventos A e B é o evento que contém todos os pontos amostrais de A e todos os pontos amostrais de B. • A união é denotada por A ∪ B. • A união de A e B é representada abaixo. União de Dois Eventos Espaço Amostral S Evento A Evento B Interseção de dois Eventos • A interseção dos eventos A e B é o conjuntos de todos os pontos amostrais que estão tanto em A como em B. • A interseção é denotada por A ∩ Β. • A interseção de A e B é a área da sobreposição na figura abaixo. Espaço Amostral S Evento A Evento B interseção EVENTOS EXAUSTIVOS P(azul) = 3/9 P(verm.) = 2/9 P(verde) = 2/9 P(laranja) = 1/9 P(lilás) = 1/9 Se P(A∪B) = 1, então A e B são exaus`vos ou se P(A∪B∪C∪D)=1 , então A, B, C e D são exaus`vos ∑Pi = 1 P (azul ou verm. ou verde ou laranja ou lilás) = 1 P(todos) = 1 EVENTOS MUTUAMENTE EXCLUSIVOS Qual a probabilidade de um Mineiro com Pais Belgas? P(Mineiro e P.Belgas) = 0 (zero) Evento MINEIROS e evento PAIS BELGAS são MUTUAMENTE EXCLUSIVOS, Cariocas Pais Japoneses Comunidade Mineiros João Joaquina Maria Carlos José Takashi Pedro Pais Belgas Hans pois M∩PB é vazio e P(M∩PB) = 0 LEI DA ADIÇÃO É úXl quando queremos calcular a probabilidade de acontecer um evento ou outro. Se quisermos saber a probabilidade de Xrarmos um elemento do conjunto A ou um do conjunto B temos a UNIÃO de dois conjuntos: A ∪ B A B A∩B SOMA DE PROBABILIDADES Qual a probabilidade de um membro ser Mineiro ou ter Pais Japoneses? Cariocas PJ = Pais Japoneses Comunidade M = Mineiros João Joaquina Maria Carlos José Takashi Pedro Pais Belgas Hans Contei Carlos duas vezes!!! N = 8 Carlos é {M ∩ PJ} P(M ou PJ) = P(M ∪ PJ) = P (M) + P(PJ) = 3/8+3/8 = 6/8 = ¾ P(M ou PJ) = P(M ∪ PJ) = P (M) + P(PJ) = 3/8+3/8 = 6/8 = ¾ Mas não são 5 mineiros ou com pais japoneses??????? Carlos LEI DA ADIÇÃO Se queremos calcular P (A ∪ B), portanto, temos que subtrair a interseção deles. Assim: A B A∩B P (AUB) = P(A) + P(B) - P (A∩B) E no nosso exemplo: P (MUPJ) = 3/8 + 3/8 – 1/8 = 5/8 CARLOS EVENTOS MUTUAMENTE EXCLUSIVOS Para eventos MUTUAMENTE EXCLUSIVOS, temos: P(Mineiros∩Pais Belgas) = 0 (ZERO) e P(Mineiros U Pais Belgas) = P(M) + P(PB) Cariocas Pais Japoneses Comunidade Mineiros João Joaquina Maria Carlos José Takashi Pedro Pais Belgas Hans Se E1 é o evento “extração de uma dama de um baralho” e E2 é o da “extração de uma carta de copas”, qual a probabilidade de se extrair uma dama ou uma carta de copas? P(E1 U E2) = P(E1) + P(E2) - P(E1∩E2) = 4/52 + 13/52 – 1/52 = 16/52 = 4/13 SOMA DE PROBABILIDADES Alunos Um professor descobriu que 5 dos seus 50 alunos não faziam as listas de exercícios, que 10 chegavam sempre atrasados e que 3 não faziam as listas nem chegavam na hora. Qual a probabilidade de um aluno chegar na hora e fazer as listas? P(ÑH) = 0,20 P(ÑL) = 0,10 P(ÑH ∩ ÑL) = 0,06 P(H e L) = 1- P(ÑH ou ÑL) = 1-(0,10 + 0,20 – 0,06) = 0,76 ÑL ÑH ÑL∩ÑH Homens (H) Mulheres (M) Promovidos (P) 288 36 324 Não Promovidos (NP) 672 204 876 960 240 1.200 PROMOÇÕES NA POLÍCIA NOS ÚLTIMOS 2 ANOS PROBABILIDADE CONDICIONAL Seja: P – Evento oficial promovido NP – Evento oficial não promovido (Pc) H – Evento oficial Homem M – Evento oficial Mulher P (P∩H) = 288/1200 = 0,24 P (NP∩H) = 672/1200 = 0,56 P (P∩M) = 36/1200 = 0,03 P (NP∩M) = 204/1200 = 0,17 PROBABILIDADE CONDICIONAL Qual a probabilidade do oficial ter sido promovido dado que ele é homem? Homens (H) Mulheres (M) Promovidos (P) 0,24 0,03 0,27 Não Promovidos (NP) 0,56 0,17 0,73 0,80 0,20 1,00 PROBABILIDADE PARA PROMOÇÕES Probabilidades marginais P(P|H) = 288/960 = 288 36 672 204 (288/1200)/(960/1200) = = 0,24/0,80 = P(P∩H)/P(H) 960 240 324 876 1200 288960 Logo: P (A|B) = P (A∩B) P(B) P (B|A) = P (A∩B) P(A) PROBABILIDADE CONDICIONAL Se tirarmos dois clipes, qual a probabilidade dos dois serem azuis? • Se eu recoloco o clipe teremos 3 chances em 9 nas duas retiradas (do primeiro e do segundo), logo: P(2 azuis) = P(1 azul) x P (1 azul) = 3/9 x 3/9 • Se não recoloco o 1º clipe teremos apenas 2 chances em 8 se o 1º for azul (que é o que queremos calcular), logo: P(2 azuis) = P(1º azul) x P´(1azul) = 3/9 x 2/8 =1/12 EVENTOS DEPENDENTES E INDEPENDENTES • No primeiro caso dizemos que as retiradas são EVENTOS INDEPENDENTES. P(E1 e E2) = P(E1∩E2) = P(E1E2 ) = P(E1) . P(E2) No segundo caso são eventos DEPENDENTES e precisamos considerar a PROBABILIDADE CONDICIONAL, probabilidade de x dado y. P(E1∩E2) = P(E1) . P(E2|E1) ou P(E2|E1) = P(E1∩E2) / P(E1) (lê-se probabilidade de E2 dado E1) EVENTOS DEPENDENTES E INDEPENDENTES
Compartilhar