Baixe o app para aproveitar ainda mais
Prévia do material em texto
andré leme fleury estatística material-base das aulas 5-8 estatística material-base das aulas 5-8 2 APRESENTAÇÃO Na primeira semana apresentamos o que é Estatística, qual é a sua origem e seus principais conceitos, sua im- portância na vida em sociedade e como aplicá-la em seu contexto profissional. Destacamos também as principais áreas da Estatística: Probabilidade, Estatística Descritiva e Estatística Inferencial. E no contexto da Probabilidade apresentamos seus principais conceitos teóricos e algu- mas aplicações práticas, na forma dos exercícios comenta- dos que explicam como realizar operações probabilísticas. Nesta segunda etapa da disciplina você aprofundará os conhecimentos teóricos e práticos sobre probabilida- de. Entre os quatro vídeos desta semana, dois abordam os conceitos e dois demonstram – por meio dos exercí- cios comentados que você já conhece – como realizar operações probabilísticas. Teoremas do cálculo de probabilidades são tópicos trabalhados nas videoaulas e nos outros materiais dis- poníveis. Ao estudar estas técnicas você será capaz de estimar a ocorrência ou não-ocorrência de eventos in- certos. Para isto, deverá aplicar os principais conceitos sobre probabilidade, bem como as operações e os prin- cipais teoremas relacionados. Desta forma estará prepa- rado para resolver alguns problemas fundamentais de Estatística / Aulas 5–8 Material base 3 probabilidade no contexto da Engenharia utilizando as técnicas e ferra- mentas apresentadas. Você também foi apresentado ao conceito de variável aleatória, uma variável capaz de descrever o valor que corresponde ao conjunto de resul- tados de um determinado experimento. Para descrever estes valores uti- lizamos gráficos, tabelas e funções de probabilidade. Dentre as principais propriedades de uma função de probabilidade é importante destacar a sua média ou esperança e a sua variância. Diferentes exemplos de aplica- ções serão apresentados para ilustrar o que são as variáveis aleatórias, o que são funções de probabilidade e quais os seus principais parâmetros. Os conceitos e aplicações apresentados também lhe darão bases para ampliar o seu desempenho no Projeto Integrador. Sempre que possível, faca anotações, sintetizando suas conclusões, duvidas e ideias. Elas serão uteis como referência para você estudar ou fazer uma revisão antes da prova da disciplina. Bons estudos! Prof. André OBJETIVOS DAS AULAS DA SEMANA → Apresentar os principais teoremas do cálculo de probabilidades; → Apresentar exemplos práticos de aplicação dos conceitos e dos te- oremas da probabilidade, destacando as suas operações mais rele- vantes; → Apresentar os conceitos de variável aleatória e distribuições de pro- babilidade e suas aplicações; → Apresentar os principais parâmetros das distribuições de probabili- dade. Estatística / Aulas 5–8 Material base 4 1. EXERCÍCIOS RESOLVIDOS ExErcícIO 1 Em dias muito frios a chance dos funcionários de uma indústria faltarem ao trabalho é de 6%. Já em dias normais, ela é igual a 1%. Em 20% dos dias faz muito frio. Qual é a probabilidade de 1 funcionário ter faltado em um dia qualquer? Resolução Este exercício é importante para que você possa verificar uma aplicação direta do Teorema da Probabilidade Total. Considerando as seguintes informações apresentadas: → P(dia frio) = 20% = 0,2 → P(dia normal) = 1 - P(dia frio) = 1 - 0,2 = 0,8 → P(faltar/dia frio) = 6% = 0,06 → P(faltar/dia normal) = 1% = 0,01 Queremos calcular a chance de 1 funcionário faltar em determinado dia, independentemente de ter feito frio ou não. Logo: P(faltar) = P(dia frio E faltar) + P(dia normal E faltar) Estamos tratando de um evento intersecção: P(faltar) = P(dia frio ∩ faltar) + P(dia normal ∩ faltar) P(A ∩ B) = P(A) × P(B/A) Logo: P(faltar) = P(dia frio) × P(faltar/dia frio) + P(dia normal) × P(faltar/dia normal) P(faltar) = 0,2 × 0,06 + 0,8 × 0,01 = 0,012 + 0,08 = 0,02 = 2% Logo a probabilidade de um funcionário faltar é de 2%. Estatística / Aulas 5–8 Material base 5 ExErcícIO 2 Em certa linha de montagem, três máquinas, A, B e C produzem 30%, 45% e 25% dos produtos, respectivamente. Sabe-se de experiências anteriores que respectivamente 2%, 5% e 3% dos produtos feitos por cada máquina são defeituosos. Suponha que um produto acabado seja selecionado ale- atoriamente. a. Qual a probabilidade de que tal produto apresente algum defeito? b. Se um produto for selecionado aleatoriamente e for constatado que ele apresenta defeitos, qual a probabilidade de que o produto tenha sido fabricado pela máquina C? Resolução Neste exercício vamos apresentar inicialmente a resolução utilizando o formato gráfico e a seguir a resolução utilizando os teoremas da probabi- lidade. Inicialmente consideramos as informações relativas à quantidade produzida em cada máquina: Máquina A (30% produção) Máquina C (25% produção) Máquina B (45% produção) A seguir, acrescentarmos as informações relativas à produção de produ- tos bons e produtos defeituosos em cada máquina: Máquina A (30% produção) Máquina C (25% produção) Máquina B (45% produção) Bons (98%) Defeituosos (2%) Bons (95%) Defeituosos (5%) Bons (97%) Defeituosos (3%) Agora podemos calcular o número de produtos bons e de produtos defei- tuosos em cada máquina. Observe que a somatória de todos os valores à direita é 1 (ou 100%), ou seja, todo o espaço amostral S é representado considerando a representatividade de cada máquina e os produtos bons ou defeituosos que fabrica. Estatística / Aulas 5–8 Material base 6 Máquina A (30% produção) Máquina C (25% produção) Máquina B (45% produção) Bons (98%) Defeituosos (2%) Bons (95%) Defeituosos (5%) Bons (97%) Defeituosos (3%) = 0,294 = 0,006 = 0,4275 = 0,0225 = 0,2425 = 0,0075 O item a) questionava a probabilidade de um produto apresentar algum defeito. Estas possibilidades estão destacadas na imagem a seguir. Logo, a probabilidade de um produto apresentar defeito é obtida pela soma das probabilidades destacadas em negrito. Máquina A (30% produção) Máquina C (25% produção) Máquina B (45% produção) Bons (98%) Defeituosos (2%) Bons (95%) Defeituosos (5%) Bons (97%) Defeituosos (3%) = 0,294 = 0,006 = 0,4275 = 0,0225 = 0,2425 = 0,0075 P(defeito) = 0,006 + 0,0225 + 0,0075 = 0,036 = 3,6% Logo 3,6% dos produtos desta indústria apresentam algum defeito. Podemos também resolver da seguinte maneira: P(defeito) = P(defeito ∩ máquina A) + P(defeito ∩ máquina B) + P(defeito ∩ máquina C) P(defeito) = P(máquina A) × P(defeito/máquina A) + P(máquina B) × P(defeito/máquina B) + P(máquina C) × P(defeito/máquina C) P(defeito) = 0,3 × 0,02 + 0,45 × 0,05 + 0,25 × 0,03 = 0,06 + 0,0225 + 0,0075 = 0,036 = 3,6% O item b) questionava a probabilidade de um produto identificado como defeituoso ter sido produzido na máquina C. Como agora sabemos que o produto é defeituoso nosso espaço amostral se altera e temos a seguinte construção: Estatística / Aulas 5–8 Material base 7 P(máquina C/defeito) = P(máquina C ∩ defeito) P(defeito) P(máquina C/defeito) = 0,0075 (0,006 + 0,0225 + 0,0075) P(máquina C/defeito) = 0,0075 0,036 = 0,21 = 21% ExErcícIO 3 Visando aprimorar a capacitação do seu quadro de colaboradores, uma indústria têxtil sorteia mensalmente quatro profissionais que participarão de cursos intensivos de estatística. Nessa indústria têxtil, 2/3 dos profis- sionais são mulheres. Estamos interessados na distribuição de probabili- dade da variável aleatória “número de profissionais do sexo feminino que vão participar do curso intensivo de estatística”. Considerando que o número de profissionais da indústria é suficiente- mente grande para que possamos aplicar a distribuição binomial, calcule: a. Qual é a probabilidade de nenhum dos 4 profissionais ser mulher “p(0)”? b. Qual é a probabilidade de 1 dos 4 profissionais ser mulher “p(1)”? c. Qualé a probabilidade de 2 dos 4 profissionais serem mulheres “p(2)”? d. Qual é a probabilidade de 3 dos 4 profissionais serem mulheres “p(3)”? e. Qual é a probabilidade de todos os 4 profissionais serem mulheres “p(4)”? Resolução Neste exercício, devemos descrever toda a distribuição de probabilidades da variável aleatória discreta X = “número de professoras sorteadas”. x 0 1 2 3 4 p(x) Isso significa que devemos calcular as probabilidades de cada um dos valores que a variável X pode assumir. Sabemos que a probabilidade de uma colaboradora ser mulher é p = 2/3, então: Estatística / Aulas 5–8 Material base 8 P(X = 0) = 4! 0!(4 - 0)! × 2 3 0 × 1 3 4 = 1 81 ≅ 0,012 P(X = 1) = 4! 1!(4 - 1)! × 2 3 1 × 1 3 3 = 8 81 ≅ 0,10 P(X = 2) = 4! 2!(4 - 2)! × 2 3 2 × 1 3 2 = 24 81 ≅ 0,30 P(X = 3) = 4! 3!(4 - 3)! × 2 3 3 × 1 3 1 = 32 81 ≅ 0,40 P(X = 4) = 4! 4!(4 - 4)! × 2 3 4 × 1 3 0 = 16 81 ≅ 0,20 Agora podemos completar a tabela da função de probabilidade: x 0 1 2 3 4 p(x) 0,01 0,10 0,30 0,40 0,20 Com base nessas informações chegamos aos seguintes resultados: → A probabilidade de nenhum dos 4 colaboradores ser mulher é de aproximadamente 1%. → A probabilidade de 1 dos 4 colaboradores ser mulher é de aproxima- damente 10% → A probabilidade de 2 dos 4 colaboradores serem mulheres é de aproximadamente 30% → A probabilidade de 3 dos 4 colaboradores serem mulheres é próxi- ma de 40%. → A probabilidade de todos os 4 colaboradores serem mulheres é de aproximadamente 20%. ExErcícIO 4 A transfusão de sangue é uma prática médica que ajuda a salvar muitas vidas. No entanto, para uma transfusão de sangue ser bem-sucedida, al- guns cuidados devem ser tomados. O sangue doado, além de ser testado para evitar a transmissão de doenças, deve ser de tipo compatível com o tipo sanguíneo do receptor. Esse procedimento é necessário pois cada organismo aceita ou rejeita o sangue recebido e isso pode causar sérios Estatística / Aulas 5–8 Material base 9 problemas ao doente. Podemos considerar uma pessoa que tenha san- gue do tipo “O-” como um “doador universal”. Considerando um grupo de cinco possíveis doadores, onde somente 2 deles são do tipo “O-”, se testarmos cada um dos 5 aleatoriamente, até que um dos indivíduos “O-” seja identificado,qual é a função de probabilidade da variável aleatória “número de indivíduos testados”? Resolução Para resolver este exercício considere os 5 doadores representados na próxima figura, onde os doadores em laranja são do tipo “O-”. Nosso problema então consiste na realização de testes de sangue até que sejamos capazes de identificar os doadores do tipo O-. Podemos então ter os seguintes eventos: Evento 1: testar 1 “O-” no primeiro teste – 2 chances em 5 possibilidades: P(x = 1) = 2 5 = 0,4 Evento 2: testar 1 “não O-” e então 1 “O-” – 3 chances em 5 possibilidades e então 2 chances em 4 possibilidades: P(x = 2) = 3 5 × 2 4 = 0,3 Evento 3: testar 2 “não O-” e então 1 ”O-” - 3 chances em 5 possibilidades, então 2 chances em 4 possibilidades, então 2 chances em 3 possibilidades: P(x = 3) = 3 5 × 2 4 × 2 3 = 0,2 Estatística / Aulas 5–8 Material base 10 Evento 4: testar 3 “não O-” e então 1 “O-”: 3 chances em 5 possibilidades, então 2 chances em 4 possibilidades, então 1 chance em 3 possibilidades, então 2 chances em 2 possibilidades P(x = 4) = 3 5 × 2 4 × 1 3 × 2 2 P(x = 4) = 0,1 Logo, a tabela que representa esta função de probabilidade é a seguinte: x 1 2 3 4 p(x) 0,4 0,3 0,2 0,1 Na forma gráfica a função de probabilidade fica da seguinte maneira: 1 432 0,5 0,1 0,2 0,3 0,4 p(x) 2. EXERCÍCIOS PROPOSTOS ExErcícIO 1 Um meteorologista acerta 80% dos dias em que chove e 90% dos dias em que faz tempo bom. Chove em 10% dos dias. Tendo havido previsão de chuva, qual a probabilidade de chover? Estatística / Aulas 5–8 Material base 11 ExErcícIO 2 Num departamento de manutenção, uma caixa contém 8 peças de repo- sição, das quais 5 foram produzidas pelo Fabricante A e 3 foram produ- zidas pelo Fabricante B. Se um operador pegar duas peças de reposição da caixa aleatoriamente, qual será a distribuição da probabilidade para a variável aleatória “peças de reposição produzidas pelo Fabricante B”? 3. MATERIAIS DE APOIO 1. Vídeo: variáveis aleatórias discretas e contínuas https://www.khanacademy.org/math/probability/random-variables- topic/random_variables_prob_dist/v/random-variables Neste vídeo, Salman Khan introduz o conceito de variáveis aleatórias e diferencia variáveis aleatórias discretas de contínuas. Além disso, exemplifica função de probabilidade. 2. Vídeo: função densidade de probabilidade https://www.khanacademy.org/math/probability/random-variables- topic/random_variables_prob_dist/v/probability-density-functions Veja como utilizar a função densidade de probabilidade para calcu- lar a probabilidade de uma variável aleatória pertencer a um certo intervalo. 3. Vídeo: aplicação de probabilidade em seguros http://www.khanacademy.org/math/probability/v/term-life- insurance-and-death-probability Salman Khan mostra uma aplicação de probabilidade em atuária – mais precisamente, em seguros de vida – e calcula a probabilidade de ele morrer nos próximos 20 anos. 4. Applet: “The Canonical Roulette” http://www.math.psu.edu/dlittle/java/probability/canonicalroulette/ index.html Veja a relação entre função densidade de probabilidade e função de distribuição acumulada. 5. Applet: “Random Babies” http://www.rossmanchance.com/applets/randomBabies/Babies.html Da maternidade os bebês são entregues aleatoriamente nas casas das famílias que tiveram bebês. O objetivo é estudar a distribuição https://www.khanacademy.org/math/probability/random-variables-topic/random_variables_prob_dist/v/random-variables https://www.khanacademy.org/math/probability/random-variables-topic/random_variables_prob_dist/v/random-variables mailto:https://www.khanacademy.org/math/probability/random-variables-topic/random_variables_prob_dist/v/probability-density-functions mailto:https://www.khanacademy.org/math/probability/random-variables-topic/random_variables_prob_dist/v/probability-density-functions http://www.khanacademy.org/math/probability/v/term-life-insurance-and-death-probability http://www.khanacademy.org/math/probability/v/term-life-insurance-and-death-probability http://www.math.psu.edu/dlittle/java/probability/canonicalroulette/index.html http://www.math.psu.edu/dlittle/java/probability/canonicalroulette/index.html http://www.rossmanchance.com/applets/randomBabies/Babies.html Estatística / Aulas 5–8 Material base 12 do número de bebês que são corretamente entregues, isto é, do número de pareamentos. 6. Applet: “Birthday Experiment” http://www.math.uah.edu/stat/applets/BirthdayExperiment.html No clássico Problema do Aniversário, mostra-se que a probabilidade de que ao menos duas pessoas, num grupo de n, façam aniversário no mesmo dia é maior do que a noção intuitiva sugere. Neste applet, você pode considerar amostras aleatórias simples de n unidades amostrais com reposição de qualquer conjunto com m elementos (não necessariamente m = 365). 7. Applet: “Die-Coin Experiment” http://www.math.uah.edu/stat/applets/DieCoinExperiment.html Um dado (honesto ou não) é lançado para determinar quantas mo- edas serão lançadas. A probabilidade de cara da moeda pode ser definida por você. O número de caras é mostrado no histograma, assim como a distribuição teórica dessa variável. 8. Applet: “Dice Experiment” http://www.math.uah.edu/stat/applets/DiceExperiment.html O experimento consiste em rolar n dados (honestos ou não) e obser- var os valores das variáveis “soma dos pontos”, “pontuação média”, “pontuação mínima”, “pontuação máxima” e “número de uns”. Ao lado do resultado dos dados, aparece a distribuição de probabilida- des da variável selecionada. 9. Curso online http://www.veduca.com.br/assistir/probabilidade-e-estatisticaProbabilidade & Estatística: ministrado pelos professores André Leme Fleury e Melvin Cymbalista. Disponível no portal de educação online Veduca. http://www.math.uah.edu/stat/applets/BirthdayExperiment.html http://www.math.uah.edu/stat/applets/DieCoinExperiment.html http://www.math.uah.edu/stat/applets/DiceExperiment.html http://www.veduca.com.br/assistir/probabilidade-e-estatistica Estatística / Aulas 5–8 Material base 13 SÍnTeSe daS aulaS Considerando dois eventos A e B: a b 1. Probabilidade Condicional P (A/B) = P(A ∩ B) P(B) 2. Teorema do Produto P(A ∩ B) = P(A)P(B/A) = P(B) P(A/B) 3. Quando A e B são eventos independentes P(A ∩ B) = P(A) × P(B) 4. Variável Aleatória → Conceito: Descreve o valor que corresponde ao resultado de de- terminado experimento. → Variáveis Aleatórias Discretas: admitem um número finito de valores ou tem uma quantidade enumerável de valores. → Variáveis Aleatórias Contínuas: podem tomar um número infi- nito de valores e esses valores podem ser associados a mensura- ções em uma escala contínua. 5. Propriedades das Distribuições de Probabilidade → Média ou esperança μ = E(x) = ∑xi × p (xi) Estatística / Aulas 5–8 Material base 14 μ = E(x) = ∫ - ∞ + ∞ xf (x) dx → Variância σ2 = ∑(xi - μ) 2 × p(xi) = E [(X - μ) 2] σ2 = [∑x2 × p(x)] - μ2 = E(X2) - [E(X)]2 15Estatística / Aulas 5–8 Material base gabariTo – exercicioS propoSToS EXERCICIO 1 Resposta: 0,4705 EXERCICIO 2 x 0 1 2 p(x) 10 28 15 28 3 28
Compartilhar