Baixe o app para aproveitar ainda mais
Prévia do material em texto
PROBABILIDADE E ESTATÍSTICA LUIZ ROBERTO AULA 02 – ORGANIZAÇÃO DOS DADOS AULA 02 Apresentação e Organização de dados não agrupados AULA 02 – ORGANIZAÇÃO DOS DADOS Na aula 01 vimos que a primeira etapa para termos uma melhor visibilidade dos dados brutos extraídos de um fenômeno coletivo é a construção de um rol. Distribuição de Frequências É uma tabela que viabiliza a extração rápida de uma grande quantidade de informações sobre um problema aplicado. Vamos resolver o último exercício da Aula 1. Alltura ( fi ) N° atletas Freq. Relativa fri fri % 150 4 4/25 = 0,16 16% 152 8 8/25 = 0,32 32% 153 3 3/25 = 0,12 12% 157 2 2/25 = 0,08 8% 160 3 3/25 = 0,12 12% 165 1 1/25 = 0,04 4% 166 2 2/25 = 0,08 8% 170 2 2/25 = 0,08 8% () 25 1,00 100% 150 150 150 150 152 152 152 152 152 152 152 152 153 153 153 157 157 160 160 160 165 166 166 170 170 150, 166, 170, 152, 152, 156, 153, 152, 166, 153, 160, 152, 170, 160, 150, 160, 152, 165, 160, 153, 152, 150, 150, 152, 152 Rol AULA 02 – ORGANIZAÇÃO DOS DADOS Exemplo: Sejam as alturas de 25 atletas. Determine o Rol e a distribuição de frequências. AULA 02 – ORGANIZAÇÃO DOS DADOS Vamos construir uma tabela de distribuição de freqüências considerando o seguinte exemplo: A tabela representa os dados brutos sobre as vendas diárias de um aparelho TV 32”, durante um mês: AULA 02 – ORGANIZAÇÃO DOS DADOS O rol para estas informações pode ser descrito por uma série numérica ordenada de forma crescente do tipo: {10, 11, 11, 11, 12, 12, 12, 12, 13, 13, 13, 13, 13, 14, 14, 14, 14, 14, 14, 14, 15, 15, 16, 17} 14 12 11 13 14 13 12 14 13 14 11 12 12 14 10 13 15 11 15 13 16 17 14 14 AULA 02 – ORGANIZAÇÃO DOS DADOS {10, 11, 11, 11, 12, 12, 12, 12, 13, 13, 13, 13, 13, 14, 14, 14, 14, 14, 14, 14, 15, 15, 16, 17} Pelo rol observamos que as vendas de 11, 12, 13, 14, 15 aparelhos ocorreram em 3, 4, 5, 7 e 2 dias no mês, respectivamente, e, as vendas de 10, 16 e 17 aparelhos ocorreram em apenas em um dia. AULA 02 – ORGANIZAÇÃO DOS DADOS {10, 11, 11, 11, 12, 12, 12, 12, 13, 13, 13, 13, 13, 14, 14, 14, 14, 14, 14, 14, 15, 15, 16, 17} Vendas diárias do aparelho Número de dias 10 1 11 3 12 4 13 5 14 7 15 2 16 1 17 1 AULA 02 – ORGANIZAÇÃO DOS DADOS Frequências Simples ou absoluta Denotada por fi , representa o número de repetições com que o dado coletado i aparece no rol. O dado i = 1 é igual a 10 e a frequência é f1 =1; O dado i = 2 é igual a 11 e a frequência é f2 = 3; O dado i = 3 é igual a 11 e a frequência é f2 = 4; E assim por diante. Acrescentando a coluna das freqüências fi na tabela: AULA 02 – ORGANIZAÇÃO DOS DADOS Tabela de Frequências Simples i (dado) Número de dias 1 10 2 11 3 12 4 13 5 14 6 15 7 16 8 17 Frequência simples fi 1 3 4 5 7 2 1 1 1 ∑ f i = 24 AULA 02 – ORGANIZAÇÃO DOS DADOS Para facilitar a análise dos dados podemos inserir mais duas outras colunas, uma com os dados relativos ao tamanho da amostra e outra expressos percentuais. Novas colunas: Frequências Relativas ( fri ): razão entre a frequência simples e o tamanho da amostra. Frequências Relativas Percentuais (fri %): são escritas em forma percentual. AULA 02 – ORGANIZAÇÃO DOS DADOS i (dado) Vendas diárias fi fri fri % = fri . 100 1 10 1 1/24 0,04 4 2 11 3 3/24 0, 13 13 3 12 4 4/24 0, 17 17 4 13 5 5/24 0, 20 20 5 14 7 7/24 0, 30 ∑ f i = 24 i i f f fri = AULA 02 – ORGANIZAÇÃO DOS DADOS Podemos responder às questões? a. No mês, qual o % de vendas diárias de 12 aparelhos? Frequência relativa percentual do dado 3, fr3 % = 17%, isto é, em 17% dos dias no mês foram vendidos 12 aparelhos. b. Em quantos dias no mês foram vendidos 15 aparelhos? Basta analisar a frequência simples do dado 6, f6 = 2 dias. c. Qual o dado que aparece mais frequentemente na tabela ? Veja o dado com a maior frequência simples, x5 = 14 aparelhos. AULA 02 – ORGANIZAÇÃO DOS DADOS Gráficos: Histograma Cada linha vertical indica uma frequência. AULA 02 – ORGANIZAÇÃO DOS DADOS Gráficos: Diagrama de colunas Cada barra vertical indica uma frequência. AULA 02 – ORGANIZAÇÃO DOS DADOS Gráficos: Diagrama ou gráfico de barras Apresenta as freqüências simples ou relativas sob a forma de barras horizontais. Gráfico de Barras 0 1 2 3 4 5 6 7 8 10 12 14 16 vendas diárias frequência de vendas diárias AULA 02 – ORGANIZAÇÃO DOS DADOS Gráfico ou Diagrama de Setores Representa as frequências simples ou relativas sob a forma de setores circulares. Aponta os dados mais representativos da distribuição de frequências. Vendas diárias de um aparelho de TV 32” AULA 02 – ORGANIZAÇÃO DOS DADOS Vendas diárias de um aparelho de TV 32” O setor circular de maior área está associado a 14 aparelhos que é o dado com a maior freqüência simples 30%), seguido por 13 aparelhos (20%). AULA 02 – ORGANIZAÇÃO DOS DADOS Xi fi fi % Fi Fi% 12 5 16 13 17 32% 34 8 45 47 56 3 50 100% Exercício1: Em um determinado período alguns números sorteados (Xi) apresentaram as seguintes repetições (fi). Complete a distribuição de frequências. AULA 02 – ORGANIZAÇÃO DOS DADOS Xi fi fi % Fi Fi% 12 5 10% 5 10% 16 13 26% 18 36% 17 16 32% 34 68% 34 8 16% 42 84% 45 5 10% 47 94% 56 3 6% 50 100% 50 100% Frequência acumulada = Fi Frequência porcentual acumulada = Fi% AULA 02 – ORGANIZAÇÃO DOS DADOS Exercício 2: A distribuição a seguir indica o n° de acidentes ocorridos com 70 motoristas. No de Acidentes 0 1 2 3 4 5 6 7 No de Motoristas 20 10 16 9 6 5 3 1 a) Quantos motoristas sofreram pelo menos 5 acidentes? Resp: 9 b) Quantos sofreram no mínimo 2 e no máximo 4 acidentes? Resp: 31 c) Qual a % de motoristas que sofreram no máximo 2 acidentes? Resp: 46 / 70 = 65,7% AULA 02 – ORGANIZAÇÃO DOS DADOS Exercício 3: A parcela da população convenientemente escolhida para representá-la é chamada de: ( ) variável. ( ) rol. (x) amostra. ( ) dados brutos. ( ) Nada podemos afirmar, a informação é incompleta. AULA 02 – ORGANIZAÇÃO DOS DADOS Exercício 4: Ao nascer, os bebês são pesados e medidos, para se saber se estão dentro das tabelas de peso e altura esperados. Estas duas variáveis são: ( ) qualitativas. ( ) ambas discretas. (x) ambas contínuas. ( ) continua e discreta, respectivamente. ( ) discreta e contínua, respectivamente. AULA 02 – ORGANIZAÇÃO DOS DADOS Exercício 5: O rol é uma sequência ordenada de valores referentes a uma mesma variável. Dadas as sequências da mesma variável x: I. -2, 4, 5, 6, 7. II. 1, 3, 3, 6, 7. III. 8, 7, 5, 2, 1. IV. 5, 4, 4, -1. podemos afirmar que: ( x ) Todas constituem rol. ( ) Apenas I constitui rol. ( ) A sequência III não é um rol mas as outras sim. ( ) apenas I e IV não são rol. ( ) somente a sequência III é um rol, as demais não. AULA 02 – ORGANIZAÇÃO DOS DADOS Exercício 6: O método estatístico tem como objetivo: ( x ) estudar os fenômenos estatísticos. ( ) estudar qualidades concretas dos indivíduos que formam grupos. ( ) determinar qualidades abstratas dos indivíduos que formam grupos. ( ) determinar qualidades abstratas de grupos de indivíduos. ( ) estudar fenômenos numéricos. AULA 02 – ORGANIZAÇÃO DOS DADOS i xi fi fri Fi 1 2 3 4 5 6 7 8 0 1 2 3 4 5 6 7 1 .... 4 .... 3 2 .... .... 0,05 0,15 .... 0,25 0,15 .... .... .... .... 4 .... 13 .... 18 19 .... ∑ = 20 ∑ = 1,00 Exercício: Complete os dados que faltam na distribuição de frequência: AULA 02 – ORGANIZAÇÃO DOS DADOS i xi fi fri Fi 1 2 3 4 5 6 7 8 0 1 2 3 4 5 6 7 1 3 4 5 3 2 1 1 0,05 0,15 0,20 0,25 0,15 0,10 0,05 0,05 1 4 8 13 16 18 19 20 ∑ = 20 ∑ = 1,00 Exercício: Complete os dados que faltam na distribuição de frequência: AULA 02 – ORGANIZAÇÃO DOS DADOS fi Fri Fi Fri 2 5 12 10 8 3∑ = ∑ = Exercício: Dada a distribuição de frequência: PROBABILIDADE E ESTATÍSTICA LUIZ ROBERTO AULA 03 – dados agrupados em classes AULA 03 Organização de dados agrupados em classes AULA 03 – dados agrupados em classes Na aula 2 aprendemos a montar e representar graficamente uma distribuição de freqüências para um conjunto de dados não agrupados. Nesta terceira aula veremos que quando os dados coletados possuem valores diferentes, uma melhor distribuição de freqüências pode ser obtida por intermédio de agrupamentos desses dados em classes. AULA 03 – dados agrupados em classes Exemplo Suponha que tenha sido feita uma coleta de dados relativos às estaturas de quarenta alunos de uma Faculdade A, o resultado da pesquisa foi apresentado na tabela primitiva 166 160 161 150 162 160 165 167 164 160 162 161 168 163 156 173 160 155 164 168 155 152 163 160 155 155 169 151 170 164 154 161 156 172 153 157 156 158 158 161 AULA 03 – dados agrupados em classes ROL 150 154 155 157 160 161 162 164 166 169 151 155 156 158 160 161 162 164 167 170 152 155 156 158 160 161 163 164 168 172 153 155 156 160 160 161 163 165 168 173 o menor valor da variável é 150 cm e o maior valor é 173 cm. AULA 03 – dados agrupados em classes Amplitude do amostra (AA) É a diferença entre o maior valor e o menor valor da variável. Denotando por x a variável do problema temos: AA = x máximo – x mínimo AA = 173 – 150 = 23 AULA 03 – dados agrupados em classes Cálculo do número de classes Para determinar o número de classes adotaremos a Regra de Sturges, que nos dá o número de classes em função do tamanho da amostra: i = 1 + 3,3 . log n onde: i é o número de classes, n o tamanho da amostra e log n é o logaritmo na base 10 de n. AULA 03 – dados agrupados em classes Assim, o número de classes que devemos adotar em nosso exemplo é de: i = 1 + 3,3 . log n i = 1 + 3,3 . log 40 = 6, 286797970 6 classes Arredonda-se sempre o valor de i para o número inteiro mais próximo, pois o número de classes deve ser sempre inteiro. AULA 03 – dados agrupados em classes Amplitude do intervalo de classe É obtido pela divisão entre a amplitude amostral e o número de classes: h = Assim, a amplitude do intervalo de classe do nosso problema é dada por: h = = 3,8 4 • arredondamento para o maior inteiro mais próximo. Os dados devem ser agrupados em 6 classes distintas de intervalos com amplitudes iguais a 4. i AA 6 23 AULA 03 – dados agrupados em classes Classes e tabulação dos dados Menor valor: 150 O limite superior da primeira classe deve ser o limite inferior da segunda classe e assim por diante. A convenção adotada para a representação de uma classe é a seguinte: |− Limite inferior incluído na classe e superior não. |−| Limite superior e inferior incluídos na classe. AULA 03 – dados agrupados em classes Exemplo: • A classe i = 1 terá como limite inferior 150 cm (inclusive) e limite superior 154 cm (exclusive) ; • A classe i = 2 terá como limite inferior 154 cm (inclusive) e superior 158 cm (exclusive) e assim por diante. A tabela de freqüências para as estaturas pode ser apresentada na seguinte forma: AULA 03 – dados agrupados em classes Tabela 3 - Distribuição de frequências Estatura de 40 alunos da faculdade A i Estaturas (cm) fi (freq. simples) 1 150|−154 4 2 154|−158 9 3 158|−162 11 4 162|−166 8 5 166|−170 5 6 170|−174 3 fi = 40 Exemplo: Na classe i=2, existem na amostra 9 alunos com estaturas entre 154 cm (inclusive) e 158 cm (exclusive). AULA 03 – dados agrupados em classes Distribuição de frequências Poderemos acrescentar na tabela outros tipos de frequências: • Frequências Relativas • Frequências Relativas Percentuais • Frequências Acumuladas Simples • Frequências Relativas Acumuladas AULA 03 – dados agrupados em classes Distribuição de frequências • Frequências Relativas Acumuladas Fri % = • Pontos médios de cada uma das classes: divide a classe em duas partes iguais. O ponto médio de uma classe é o valor que a representa. AULA 03 – dados agrupados em classes Tabela 4- Distribuição de freqüências i Estatura xi fi fri fri % Fi Fri Fri % 1 150|−154 152 4 0,100 10 4 0, 100 10 2 154|−158 156 9 0, 225 22,5 13 0, 325 32,5 3 158|−162 160 11 0, 275 27,5 24 0, 600 60 4 162|−166 164 8 0, 200 20 32 0, 800 80 5 166|−170 168 5 0, 125 12,5 37 0, 925 92,5 6 170|−174 172 3 0, 075 7,5 40 1, 000 100 fi = 40 fri = 1 AULA 03 – dados agrupados em classes Responda aos seguintes questionamentos: 1.Quantos alunos têm estatura entre 162, inclusive, e 166? 2.Qual a % de alunos cujas estaturas são < 158 cm? 3.Quantos alunos possuem estatura < 162 cm? 4.Quantos alunos possuem estatura > ou igual a 158 cm? 5.Qual o percentual de alunos cuja estatura é < 166 cm? 6.Qual a estatura que representa a classe cinco? 1.Basta observar f4 = 8 alunos. 2.Basta observar Fr2% = 32, 5% dos alunos. 3.Basta observar F3 = 24 alunos. 4.Basta fazer a seguinte conta: F6 – F2 = 27 alunos. 5.Basta observar Fr4% = 80 % dos alunos. 6.Basta observar o ponto médio da classe 5: x5 = 168 cm AULA 03 – dados agrupados em classes Gabarito: a. 900; b. 800; c. 1000; d. 950; e. 100; f. 76; g. 0, 155 AULA 03 – dados agrupados em classes Gabarito: h. 262; i. 194; j. 138; l. 29,5 %; m. 19 %; n. 78 %; o. i = 3; p. i = 5 AULA 03 – dados agrupados em classes Representação Gráfica de uma Distribuição A utilização de gráficos para representar problemas de natureza prática é usual em nossa cultura, se percorrermos os jornais e revistas no nosso dia a dia iremos nos defrontar a cada momento com essas figuras ilustrativas que nos possibilitam uma boa compreensão dos fatos estudados. No caso da Estatística, as representações gráficas de uma distribuição de freqüências para dados agrupados por classes que aparecem mais frequentemente são: AULA 03 – dados agrupados em classes Representação Gráfica de uma Distribuição Histograma Apresenta as freqüências das classes em colunas: • As freqüências representadas podem ser simples ou relativas. • As colunas possuem bases da mesma largura. • Não existem espaços entre as classes. AULA 03 – dados agrupados em classes Histograma 4 9 11 8 5 3 0 2 4 6 8 10 12 Estaturas (cm) F re q u ê n c ia d a s e s ta tu ra s O histograma da distribuição de freqüências da Tabela 3. Estaturas de 40 alunos. AULA 03 – dados agrupados em classes Polígono de Freqüência E um gráfico de linha que representa as frequências simples dos pontos médios das classes. Polígono de Frequências Simples 0 2 4 6 8 10 12 148 152 156 160 164 168 172 176 Pontos Médios das Classes F re q u ê n c ia s S im p le s Estatura (cm) xi fi 150|−154 152 4 154|−158 156 9 158|−162 160 11 162|−166 164 8 166|−170 168 5 170|−174 172 3 AULA 03 – dados agrupados em classes * Para obtermos um polígono que é representado por uma linha fechada, devemos completar a figura, ligando os extremos da linha obtida aos pontos médios da classe anterior à primeira classe e da posterior à última classe. AULA 03 – dados agrupados em classes Polígono de Freqüência Acumulada É um gráfico de linha representando as freqüências acumuladas dos limites superiores das classes. Polígono de Frequências Acumuladas 0 4 8 12 16 20 24 28 32 36 40 150 154 158 162 166 170 174 Limites Superiores das Classes F re q ê n c ia s A c u m u la d a s AULA 03 – dados agrupados em classes Atividade 2 O histograma foi construído com base numa pesquisa do tempo de serviço dos empregados de uma determinada empresa. Relação do número de empregados por tempo de serviço 3 6 7 4 5 0 1 2 3 4 5 6 7 8 Tempo de serviço (em anos) N ú m e ro d e E m p re g a d o s AULA 03 – dados agrupados em classes Determine: a. O númerode classes b. A amplitude total c. A freqüência total d. O limite inferior da 1ª classe e. O limite superior da 1ª classe f. A freqüência relativa da 1ª classe g. A freqüência acumulada da 2ª classe h. A freqüência cumulada relativa da 3ª classe i. O limite inferior da 4ª classe j. O limite superior da 5ª classe k. A amplitude da 4ª classe l. O ponto médio da 3ª classe m. A freqüência da 4ª classe n. A freqüência relativa da 4ª classe Relação do número de empregados por tempo de serviço 3 6 7 4 5 0 1 2 3 4 5 6 7 8 Tempo de serviço (em anos) N ú m e ro d e E m p re g a d o s Gabarito: a. 5; b. 30; c. 25; d. 0; e. 6; f. 0,12; g. 9; h. 0,64; i. 18; j. 30; k. 6; l. 15; m. 4; n. 0,16 0 6 12 18 24 30 AULA 03 – dados agrupados em classes Proposta de Atividade 3 A MKT Image é uma empresa de consultoria em marketing e iniciou um trabalho de pesquisa para a TDI, que pretende lançar um novo produto no mercado brasileiro. Foram aplicadas algumas pesquisas de mercado para verificar o potencial de compra por parte da população. A tabela abaixo mostra os dados sobre uma amostra da população pesquisada, referente à renda familiar mensal (em salário mínimo): AULA 03 – dados agrupados em classes Podemos afirmar (Falso ou Verdadeiro): a) 30% ganham 10 salários mínimos ou mais. b) 44,08% ganham abaixo de 10 salários mínimos. c) Menos de 10% ganham 15 salários mínimos ou mais. d) Mais de 75% ganham abaixo de 10 salários mínimos. e) Mais de 5% ganham 20 salários mínimos ou mais. Salário Mínimo (Sm) Número de pesquisados fi % 0 ≤ Sm < 5 734 44,08% 5 ≤ Sm < 10 526 31,59% 10 ≤ Sm< 15 205 12,31% 15 ≤ Sm< 20 140 8,4% 20 ≤ Sm< 25 60 3,6% 1665 100% AULA 03 – dados agrupados em classes GABARITO a) Falso, 24% da amostra ganham 10 salários mínimos ou mais; b) Falso, 76% da amostra ganham abaixo de 10 salários mínimos; c) Falso, 12% da amostra ganham 15 salários mínimos ou mais; d) Verdade, Mais de 75% da amostra ganham abaixo de 10 salários mínimos; e) Falso, 4% da amostra ganham 20 salários mínimos ou mais. PROBABILIDADE E ESTATÍSTICA LUIZ ROBERTO 1 AULA 04 – Medidas de Posição AULA 04 Medidas de Posição: Média Aritmética Mediana Moda 2 AULA 04 – Medidas de Posição Média Aritmética, Mediana e Moda São medidas de tendência central definidas na Estatística. São medidas importantes que tentam apontar para o valor central de um conjunto de dados. 3 AULA 04 – Medidas de Posição Média Aritmética A Média Aritmética é a medida de posição central da Estatística que encontra o ponto médio de um conjunto de dados. Vamos estudar as técnicas para cálculo da média nos casos de dados: Não agrupados Agrupados 4 AULA 04 – Medidas de Posição DADOS NÃO AGRUPADOS A Média Aritmética ou simplesmente Média é obtida pela soma de todos os valores numéricos do conjunto de dados, dividido pela quantidade de dados. Para o conjunto de n dados, X1, X2,..., Xn, a média aritmética pode ser obtida aplicando-se a fórmula: n X+...+X+X =X n21 5 AULA 04 – Medidas de Posição Exemplo 1 Suponha que as notas de um candidato, em seis provas de um concurso, sejam 8,4 9,2 7,1 6,8 8,7 7,2 Cálculo da Média das notas: 9,7= 6 4,47 = 6 2,7+7,8+8,6+1,7+2,9+4,8 =X 6 AULA 04 – Medidas de Posição Exemplo 2 Considere uma distribuição de frequências simples: Em uma prateleira de uma loja foram encontrados 4 tipos de produtos com os seguintes preços e respectivas quantidades: R$ (xi) 50 60 80 90 Quantidade ou frequência (fi) 8 5 4 3 7 f i = 20 AULA 04 – Medidas de Posição As quantidades atuam como fatores de ponderação. Logo, o preço médio dos produtos pela Média Aritmética Ponderada será: R$ (xi) 50 60 80 90 fi 8 5 4 3 5,64= 20 1290 = 20 3.90+4.80+5.60+8.50 =x O preço médio de todos os produtos da prateleira é R$64,50. 8 AULA 04 – Medidas de Posição Outro exemplo de Média Aritmética Ponderada: 50 casais de um condomínio. N° de Filhos (xi ) N° de casais (fi ) fi . xi 0 6 0 1 16 16 2 9 1 8 3 8 24 4 3 12 5 3 15 6 3 18 7 2 14 Total () 50 117 X n iixf = 50 117 = 2,34 filhosX 9 = AULA 04 – Medidas de Posição DADOS AGRUPADOS COM INTERVALOS DE CLASSES Neste caso, a média aritmética é obtida utilizando-se a Média Ponderada, com as seguintes ressalvas: Os valores utilizados para as variáveis xi correspondem aos pontos médios dos intervalos de classes. As frequências fi correspondem às frequências simples dos intervalos de classes. 10 AULA 04 – Medidas de Posição Exemplo 3: DADOS AGRUPADOS COM INTERVALOS DE CLASSES Distribuição de frequências dos 40 alunos a faculdade A. i Estaturas (cm) xi (ponto médio) fi (frequências simples) xi fi 1 150|−154 152 4 608 2 154|−158 156 9 1404 3 158|−162 160 11 1760 4 162|−166 164 8 1312 5 166|−170 168 5 840 6 170|−174 172 3 516 fi = 40 6440 11 AULA 04 – Medidas de Posição Para o cálculo da estatura média dos alunos da turma aplicamos a fórmula da média ponderada. Concluímos que a altura média dos estudantes da amostra é de 161 cm. 161= 40 6440 = 40 3.172+5.168+8.164+11.160+9.156+4.152 =x 12 AULA 04 – Medidas de Posição Principais Características da Média Aritmética • O cálculo da média envolve todos os elementos do conjunto de dados. • A média é influenciada por dados com valores muito pequenos ou muito grandes. • Para qualquer conjunto de dados haverá sempre uma única média. 13 AULA 04 – Medidas de Posição MEDIANA - Dados não agrupados Neste caso, a MEDIANA é o valor da variável que ocupa a posição central de um conjunto de dados ordenados de forma crescente. 14 AULA 04 – Medidas de Posição MEDIANA - Dados não agrupados • Ordenar os dados de forma crescente. • Caso o número de dados seja ímpar, a mediana será o termo de ordem central que apresenta o mesmo número de elementos à direita e a esquerda, isto é, a mediana será o valor do termo de ordem (n + 1)/2. • Caso o número de dados seja par, a mediana será a média aritmética dos termos que ocupam as posições n/2 e (n/2) + 1. 15 AULA 04 – Medidas de Posição Exemplo 1 - Cálculo da Mediana 6,8 7,2 7,2 8, 4 8,7 9,2 Como n = 6 (número par de dados) a mediana do conjunto será a média aritmética entre os termos de posição 3 e de posição 4: Md = 8,7= 2 6,15 = 2 4,8+2,7 16 AULA 04 – Medidas de Posição Exercício 2- O cálculo da Mediana Para a série de dados: 5 13 10 2 4 7 6 qual é o valor da mediana? Em ordem crescente: 2 4 5 6 7 10 13 A mediana é dada por Md = (n + 1) / 2 = 4 (ou 4° dado) Md = 6 Observe que três termos estão situados à esquerda de 6 e os outros três termos a direita de 6. A mediana dividiu a série de dados em partes iguais. 17 AULA 04 – Medidas de Posição Dados agrupados SEM intervalos de classes 1° Passo: Incluir na distribuição de frequências simples uma coluna com as frequências acumuladas. 2° Passo: Identificar a frequência acumulada imediatamente superior à metade do somatório das frequências simples e observar o valor da variável associado a esta frequência, que é a MEDIANA (Md). 18 AULA 04 – Medidas de Posição Exemplo: Cálculo da Mediana 1º Passo: Incluir uma coluna com as frequências acumuladas na distribuição de frequências. xi fi Fi 50 8 8 60 5 13 80 4 17 90 3 20 fi = 20 19 AULA 04 – Medidas de Posição 2º Passo: calcular o valor de A frequência acumulada imediatamente superior ao número 10 encontrado é F2 = 13. Logo, a MEDIANA Md = 60, que corresponde ao valor da variável associado a frequência acumulada 13. xi fi Fi 50 8 8 60 5 13 80 4 17 90 3 20 fi = 20 10= 2 20 = 2 f i ∑ 20 AULA 04 – Medidas de Posição Atenção! Quando o valor de for igual a uma das frequências acumuladas Fi , o cálculo da mediana será a média aritméticaentre os valores das variáveis xi e xi+1. Exemplo: 21 2 ∑ if AULA 04 – Medidas de Posição xi fi Fi 50 20 20 58 30 50 66 50 100 fi = 100 50= 2 f∑ i A mediana da distribuição será dada pela média aritmética entre os valores das variáveis x2 e x3. Md = 62= 2 66+58 22 AULA 04 – Medidas de Posição Dados agrupados COM intervalos de classes • Acrescentar à tabela uma coluna com as frequências acumuladas Fi. • Calcular • Encontrar a classe mediana que corresponde à classe associada à frequência acumulada imediatamente superior a . 2 ∑ if 2 ∑ if 23 AULA 04 – Medidas de Posição Onde: Limd ➔ limite inferior da classe mediana f md ➔ frequência simples da classe mediana Fmd-1 ➔ frequência acumulada da classe anterior à classe mediana Amd ➔ amplitude da classe mediana. 24 AULA 04 – Medidas de Posição i Estaturas (cm) fi (frequências simples) Fi (frequências acumuladas) 1 150|−154 4 4 2 154|−158 9 13 3 158|−162 11 24 4 162|−166 8 32 5 166|−170 5 37 6 170|−174 3 40 fi = 40 Exemplo 3: Cálculo da Mediana 25 2 ∑ if = 20 Imediatamente acima Classe Mediana AULA 04 – Medidas de Posição Pela fórmula: LImd = 158 Amd = 4 fmd = 11 Fmd -1 = 13 Md = 158 + . ( 20 – 13) = 160, 54 11 4 26 i (cm) fi Fi 1 150|−154 4 4 2 154|−158 9 13 3 158|−162 11 24 4 162|−166 8 32 5 166|−170 5 37 6 170|−174 3 40 fi = 40 AULA 04 – Medidas de Posição Moda É a medida de posição da Estatística que encontra o dado que aparece mais frequentemente na distribuição. A moda é o valor que mais se repete no conjunto. 27 AULA 04 – Medidas de Posição Moda para dados NÃO agrupados Exemplo 1: Cálculo da moda A série de dados 8,4 9,2 7,2 6,8 8,7 7,2 tem moda igual a 7,2 que corresponde ao dado que mais se repete. 28 AULA 04 – Medidas de Posição xi fi 50 8 60 5 80 4 90 3 fi = 20 MODA: Dados Agrupados SEM intervalos de classes. A maior frequência é f1 = 8, logo a moda é o valor correspondente à variável x1, ou seja Mo = 50. 29 AULA 04 – Medidas de Posição MODA: Dados Agrupados COM intervalos de classes. Identificamos a classe modal que corresponde à classe com maior frequência de dados. Então o cálculo da Moda será dado por: Mo = onde: l = limite inferior da classe modal e L = limite superior da classe modal. 2 Ll + 30 AULA 04 – Medidas de Posição Exemplo 3: O cálculo da Moda i Estaturas (cm) fi (freq. simples) 1 150|−154 4 2 154|−158 9 3 158|−162 11 4 162|−166 8 5 166|−170 5 6 170|−174 3 fi = 40 cm160 2 162158 = + 31 AULA 04 – Medidas de Posição A Moda pode não ser única: bimodal A série de dados: 2; 3; 4; 6; 4; 8; 6, possui duas modas Mo= 4 e M’o= 6. Pode não existir: amodal A série de dados: 2; 3; 4; 6; 8, não possui valor repetido, logo não possui moda. 32 AULA 04 – Medidas de Posição 33 Mediana Exemplo: a) O número de valores observados (n) é impar X = (5, 2, 7, 10, 3, 4, 1) 1º) Colocar em ordem crescente: X = (1, 2, 3, 4, 5, 7, 10) 2º) A posição da Mediana por P = = = 4 ==> 4ª posição. Md = 4 2 1n + 2 17 + AULA 04 – Medidas de Posição 34 Mediana b) O número de valores observados (n) é par X = (4, 3, 9, 8, 7, 2, 10, 6) 1º) Ordem crescente: X = (2, 3, 4, 6, 7, 8, 9, 10) 2º) Determinar a posição da Mediana: Md = + 1 P1 = = 4➔ 4ª posição e P1 = + 1 = 5 ➔ 5ª posição Os números são 6 (4ª posição) e 7 (5ª posição). Tira-se a média aritmética entre os dois números. Md = = 6,5 2 n 2 8 2 8 2 76+ AULA 04 – Medidas de Posição 35 Moda – para dados agrupados com classes Taxas (xi) N°de Municípios (fi) 6 --- 16 29 16 --- 26 24 26 --- 36 16 36 --- 46 13 46 --- 56 4 56 --- 66 3 66 --- 76 2 76 --- 86 2 86 --- 96 1 Total () 94 1º passo: Identifica-se a classe de maior freqüência = 29 ➔ (1ª classe): 6 --- 16 amplitude=10 2º passo: Aplica-se a fórmula: Mo = Mo = = 11 2 LsLi + 2 166 + AULA 04 – Medidas de Posição 36 HISTOGRAMA É a representação gráfica de uma distribuição de freqüência por meio de retângulos justapostos. POLÍGONO DE FREQUÊNCIA É a representação gráfica de uma distribuição de freqüência por meio de um polígono. Idade Fi 2-4 3 4-6 5 6-8 10 8-10 6 10-12 2 26 1 2 3 4 5 6 7 8 9 10 11 12 10 9 8 7 6 5 4 3 2 1 Fi limite das classes PROBABILIDADE E ESTATÍSTICA LUIZ ROBERTO 1 AULA 05 – Medidas de Dispersão AULA 05 Medidas de Dispersão 2 AULA 05 – Medidas de Dispersão Média Geométrica A média geométrica é a raiz enésima dos produtos dos valores encontrados em um conjunto numérico. Para o conjunto X = {x1, x2,..., xn}, onde cada xi é um número real não negativo, a média geométrica (MG) será: MG = Exemplo: Seja o conjunto X = {3, 5, 7, 16}. Então a média geométrica dos valores de X é igual a 3 n n21 x...x.x 4 16.7.5.3 4 1680= = 6,402 AULA 05 – Medidas de Dispersão Considerações sobre a Média Geométrica Como a média geométrica é sempre menor ou igual à média aritmética, muitos a utilizam como uma forma de medida mais conservadora de análise central para um conjunto de dados. Sua grande aplicabilidade está em estimar a média de razões de crescimentos de dados populacionais e financeiros. 4 AULA 05 – Medidas de Dispersão 5 Exemplo: A tabela reflete as vendas e a razão de crescimento anual de uma empresa: A razão média de crescimento nas vendas ao longo desses anos é medida com base na média geométrica entre as razões anuais: MG = = 1,2854 Ano Vendas Razão 2005 100000 2006 140000 1,4 2007 210000 1,5 2008 273000 1,3 2009 273000 1 4 13,15,14,1 xxx = 4 73,2 AULA 05 – Medidas de Dispersão 6 Exercício: Suponha que nos últimos 4 anos a inflação tenha sido respectivamente de i1= 15%; i2= 20%; i3= 25% e i4= 50%. Qual a inflação média anual? Sugestão: MG = (1 + iMG) = (1 + iMG) = = 1,2683 Logo a inflação média anual = 26,83% 4 50,125,120,115,1 xxx AULA 05 – Medidas de Dispersão 7 Medidas de Posição Relativa Além da média, moda e mediana que são consideradas medidas de posições centrais existem outras medidas de posições denominadas de relativas. Dentre elas destacamos os: QUARTIS, DECIS e PERCENTIS. Todas essas medidas são destinadas a indicar a posição que um determinado dado ocupa em relação à amostra como um todo. Já sabemos que a MEDIANA divide um conjunto de dados em duas partes iguais. AULA 05 – Medidas de Dispersão 8 QUARTIS Os QUARTIS são os valores que dividem a série de dados em quatro partes iguais. Após a ordenação dos dados: O primeiro quartil (Q1) é o valor que deixa a quarta parte ou 25% das observações dos dados abaixo dele. O segundo quartil (Q2) coincide com a mediana (Md) do conjunto. O terceiro quartil (Q3) é o valor que deixa três quartos (3/4) ou 75% das observações dos dados abaixo dele. AULA 05 – Medidas de Dispersão 9 Determinação dos Quartis Caso1: Dados NÃO agrupados Para determinar os quartis para um conjunto com n devemos ordenar o conjunto. Q1 será o valor que ocupar a posição (n/4) Q2 o que ocupar (2n/4) Q3 o que ocupar a posição (3n/4). AULA 05 – Medidas de Dispersão 10 Determinação dos Quartis - Se a divisão indicada no item anterior for um número fracionário, arredonde-o para cima e o valor do quartil será o dado encontrado nesta posição. - Se a divisão for um número inteiro, o quartil será a média aritmética do valor que ocupar a posição encontrada na divisão com o valor que ocupar a posição seguinte. AULA 05 – Medidas de Dispersão 11 Exemplo: Suponha uma análise sobre o tempo para se aprontar para o trabalho de modo a minimizar atrasos excessivos ou chegar com muita antecedência. Para tal foram coletados, durante dez dias, os tempos uma pessoa levou desde do levantar da cama até sair de casa. Dia 1 2 3 4 5 6 7 8 910 minutos 31 35 52 44 44 40 29 39 39 43 Tempo (min.) 29 31 35 39 39 40 43 44 44 52 Para calcular os quartis vamos ordenar. AULA 05 – Medidas de Dispersão 12 Posição de Q1 Observe que Como 2,5 é um número fracionário devemos arredondar para 3. Pelas regras, a posição do quartil Q1 será definida pelo 3°elemento, i.e, tempo de 35 minutos. Para se aprontar a pessoa em 25% dos dias um tempo ≤ 35 min e em 75% dos dias um tempo ≥ 35 min. 5,2 4 10 4 == n Tempo (min.) 29 31 35 39 39 40 43 44 44 52 AULA 05 – Medidas de Dispersão 13 Observe que Como 5 é um número inteiro, o quartil 2 ou Mediana será dado pela média aritmética dos tempos situados nas posições cinco e seis da série ordenada. Q2 = Md = (39 + 40)/2 = 39, 5 Podemos concluir que para a metade dos dias a pessoa levou um tempo ≤ 39, 5 minutos para ficar pronto e para a outra metade dos dias um tempo ≥ 39, 5 minutos. 5 2 10 2 == n Tempo (min.) 29 31 35 39 39 40 43 44 44 52 Para calcular o quartil Q2 AULA 05 – Medidas de Dispersão 14 Observe que Como 7,5 é um número fracionário devemos arredondar para 8. Então Q3 será definida pelo 8°elemento: 44 minutos. Conclusão: em 75% dos dias a pessoa levou um tempo ≤ 44 minutos para ficar pronto e em 25% dos dias levou um tempo ≥ 44 minutos. 5,7 4 30 4 3 == n Tempo (min.) 29 31 35 39 39 40 43 44 44 52 Para calcular o quartil Q3 AULA 05 – Medidas de Dispersão 15 Caso 2: Dados Agrupados Determinação QUARTIL Q1: a) Acrescentar a coluna frequências acumuladas (Fi). b) Calcular . c) Encontrar a classe que corresponde à frequência acumulada imediatamente superior a . (cont ...) ∑ 4 f i ∑ 4 f i AULA 05 – Medidas de Dispersão 16 d) Aplicar a fórmula: Onde: l* é o limite inferior (da classe) f* é a freqüência simples (da Classe) h* é a amplitude da classe encontrada no item (c); F(ant) é a frequência acumulada da classe anterior encontrada em “c”. AULA 05 – Medidas de Dispersão 17 QUARTIL Q2 é a MEDIANA do conjunto de dados. QUARTIL Q3 é calculado de forma parecida a do quartil Q1 e poderá ser obtido pela fórmula: AULA 05 – Medidas de Dispersão 18 Exemplo: Cálculo do Quartil Q1 da distribuição de frequências das estaturas dos 40 alunos da faculdade A. 1) Encontrar o valor de: 2) Marcar a classe que possui frequência acumulada imediatamente superior a 10 (é a 13). 10= 4 40 = 4 f∑ i AULA 05 – Medidas de Dispersão 19 i Estaturas (cm) Fi freq. simples Fi freq. acumulada 1 150|−154 4 4 2 154|−158 9 13 3 158|−162 11 24 4 162|−166 8 32 5 166|−170 5 37 6 170|−174 3 40 fi = 40 l* = 154 h* = 4 f* = 9 F(ant) = 4 Q1 = 154 + (10 - 4) Q1 = 156, 66 cm 9 4 Cálculo do Quartil Q1 AULA 05 – Medidas de Dispersão 20 Cálculo do Quartil Q3 Onde: l* = 162 h* = 4 f* = 8 F(ant) = 24 Q3 = 162 + (30 - 24) = 165 cm 8 4 3010.3 4 40.3 4 3∑ === if i Estaturas (cm) Fi freq. simples Fi freq. acumulada 1 150|−154 4 4 2 154|−158 9 13 3 158|−162 11 24 4 162|−166 8 32 5 166|−170 5 37 6 170|−174 3 40 fi = 40 AULA 05 – Medidas de Dispersão 21 PERCENTIL Os PERCENTIS são os valores que separam uma série de dados em 100 (cem) partes iguais. Determinação dos PERCENTIS Caso1: Dados não agrupados Para determinarmos os percentis para um conjunto com n dados devemos adotar os seguintes passos: AULA 05 – Medidas de Dispersão 22 Passos para determinação dos PERCENTIS 1) Ordenar o conjunto. 2) O percentil Pk é o valor que ocupar a posição (k.n)/100 - Se essa divisão der um número fracionário, arredonde-o para cima; o valor do quartil será o dado nesta posição. - Se a divisão for um número inteiro, o quartil será a média aritmética do valor que ocupar a posição encontrada na divisão com o valor que ocupar a posição seguinte. AULA 05 – Medidas de Dispersão 23 Passos para determinação dos PERCENTIS Vamos calcular o percentil P30 na série ordenada dos tempos gastos para se aprontar para o trabalho. (k. n)/100 = Como 3 é inteiro, a posição do percentil P30 será definida pela média aritmética dos terceiro e quarto. P30 = minutos 29 31 35 39 39 40 43 44 44 52 3 100 300 100 10.30 == utosmin37= 2 74 = 2 39+35 AULA 05 – Medidas de Dispersão 24 Caso 2: Dados Agrupados Como os quartis, os PERCENTIS podem ser calculados para dados agrupados em classes, pela fórmula: Pk = l* + - F(ant)] onde k é a ordem do percentil que se deseja encontrar. Assim no exemplo das estaturas dos 40 alunos: 100 fk [ *f *h ∑ i AULA 05 – Medidas de Dispersão 25 No exemplo das estaturas vamos calcular o percentil P20 i (cm) fi Fi 1 150|−154 4 4 2 154|−158 9 13 3 158|−162 11 24 4 162|−166 8 32 5 166|−170 5 37 6 170|−174 3 40 fi = 40 Pk = l* + - F(ant)] 100 fk [ *f *h ∑ i Onde: l* = 154 h* = 4 f* = 9 F(ant) = 4 Imediatamente acima = 13 AULA 05 – Medidas de Dispersão 26 Medidas de dispersão Medem o grau de variabilidade, ou a dispersão dos valores observados em torno da média aritmética. Deseja-se comparar o desempenho de dois funcionários com base na produção diária de uma peça, durante cinco dias: Empregado A : 70, 71, 69, 70, 70 → = 70 Empregado B : 60, 80, 70, 62, 83 → = 71 A performance média da A é de 70 peças (varia de 69 a 71) A performance média de B é de 71 peças (varia de 60 a 83). A performance de A é bem mais uniforme do que de B. Qual o melhor empregado? AULA 05 – Medidas de Dispersão 27 Amplitude total (AT) É a diferença entre o maior e o menor valor observado. AT = xmax − xmin Empregado A = 71 − 69 = 2 Empregado B = 83 − 60 = 23 Qual o melhor empregado? AULA 05 – Medidas de Dispersão Desvio médio (DM): Analisa todos os desvios em relação à média. Cálculo dos desvios (di) Empregado A d1 = 70 – 70 = 0 d2 = 71 – 70 = +1 d3 = 69 – 70 = - 1 d4 = 70 – 70 = 0 d5 = 70 – 70 = 0 di = 0 Empregado B d1 = 60 – 71 = - 11 d2 = 80 – 71 = +9 d3 = 70 – 71 = -1 d4 = 62 – 71 = - 9 d5 = 83 – 71 = +12 di = 0 Empregado A : 70, 71, 69, 70, 70 → = 70 Empregado B : 60, 80, 70, 62, 83 → = 71 AULA 05 – Medidas de Dispersão 29 Desvio Médio: DM = = Para eliminar a soma zero ➔ desvios em módulo Empregado A d1 = 0 = 0 d2 = +1 = 1 d3 = - 1 = 1 d4 = 0 = 0 d5 = 0 = 0 di = 2 Empregado B d1 = - 11 = 11 d2 = +9 = 9 d3 = - 1 = 1 d4 = - 9 = 9 d5 = +12 = 12 di = 42 n di || n Xxi || − 5 2 A ➔ DM = = 0,4 B ➔ DM = = 8,4 5 42 AULA 05 – Medidas de Dispersão 30 Variância Denotada por (s2) ou (2 ), é a medida de dispersão que mede a variação média dos dados de uma amostra em relação a sua média aritmética. Fórmula: = n 2(di) n 2)X-(xi AULA 05 – Medidas de Dispersão 31 Variância (2) Para eliminar a soma zero, eleva-se os desvios ao quadrado: Empregado A d1 = (0) 2 = 0 d2 = (+1) 2 = 1 d3 = (−1) 2 = 1 d4 = (0) 2 = 0 d5 = (0) 2 = 0 (di) 2 = 2 Empregado B d1 = (–11) 2 = 121 d2 = (+9) 2 = 81 d3 = (−1) 2 = 1 d4 = (–9) 2 = 81 d5 = (+12) 2 = 144 (di) 2 = 428 n 2(di) n 2x)-(xi 2 = = 2 A = = 0,4 2 B = = 85,6 5 2 5 428 AULA 05 – Medidas de Dispersão 32 Desvio-padrão É a raiz quadrada da variância: 2 = Desvio Padrão do funcionário A: = = 0,63 Desvio Padrão do funcionário B: = = 9,25 4,0 6,85 A A AULA 05 – Medidas de Dispersão 33 Desvio-padrão Calcular o desvio-médio, a variância e o desvio padrão da seguinte distribuição: xi 5 7 8 9 11 Fi 2 3 5 4 2 AULA 05 – Medidas de Dispersão 34 Solução: 1°) Cálculo do desvio médio: DM = ou Primeiramente, precisa-se do valor da média: 129/16 = 8,06 n fi |X- xi| n fi |di| xi fi xi . fi |di| |di| 2 |di| fi 5 2 10 | 5 - 8,06 | = - 3,069,36 6,12 7 3 21 | 7 - 8,06 | = - 1,06 1,12 3,18 8 5 40 | 8 - 8,06 | = - 0,06 0,00 0,30 9 4 36 | 9 - 8,06 | = 1,06 1,12 3,76 11 2 22 | 11 - 8,06 | = 3,06 9,36 5,88 ∑ 16 129 20,96 19,24 xi 5 7 8 9 11 Fi 2 3 5 4 2 AULA 05 – Medidas de Dispersão 35 Portanto, DM = = = 1,20 2°) Cálculo da variância: 2 = = = 1,31 3°) Desvio Padrão: n 2(di) 16 96,20 2 = = = 1,1431,1 n fi |di| AULA 05 – Medidas de Dispersão 36 PROBABILIDADE E ESTATÍSTICA LUIZ ROBERTO 1 AULA 06 – Análise Combinatória AULA 06 Análise Combinatória 2 AULA 06 – Análise Combinatória 3 ANÁLISE COMBINATÓRIA A Análise Combinatória é um ramo da matemática que estuda coleções finitas de objetos e se preocupa com a contagem de objetos, ou seja, o número de elementos de um conjunto, estando esses elementos agrupados sob certas condições. AULA 06 – Análise Combinatória 4 Exemplo: Uma lanchonete oferece a seus clientes apenas dois tipos de sanduíches: hot dog e hambúrger. Como sobremesa, há três opções: sorvete, torta ou salada de frutas. Pergunta-se: quantas são as possibilidades de uma pessoa fazer uma refeição incluindo um sanduíche e uma sobremesa? AULA 06 – Análise Combinatória 5 Podemos ter as seguintes refeições: 1) hot dog e sorvete 2) hot dog e torta 3) hot dog e salada de frutas 4) hamburger e sorvete 5) hamburger e torta 6) hambuger e salada de frutas AULA 06 – Análise Combinatória 6 Diagrama de árvore 1ª coluna: possibilidades de escolha do sanduíche 2ª coluna: possibilidades de escolha da sobremesa. AULA 06 – Análise Combinatória 7 Fazer uma refeição completa representa uma ação constituída de duas etapas sucessivas: 1ª) Tipo de sanduíche: há duas possibilidades. 2ª) Sobremesa: para cada um dos sanduíches há três escolhas de sobremesa. Assim, a realização da ação (duas etapas sucessivas) pode ser feita assim: 2 x 3 = 6 maneiras distintas de se escolher uma refeição. AULA 06 – Análise Combinatória 8 Princípio Fundamental da Contagem - PFC Suponhamos que uma ação seja constituída de duas etapas sucessivas. A primeira etapa pode ser realizada de p maneiras distintas. Para cada uma dessas possibilidades, a 2ª etapa pode ser realizada de q maneiras distintas. Então, o número de possibilidades de se efetuar a ação completa é dado por p x q. AULA 06 – Análise Combinatória 9 Princípio Fundamental da Contagem – PFC Este princípio vale para mais de duas etapas sucessivas. Se a primeira etapa ocorrer de k1 maneiras diferentes, a segunda de k2 maneiras diferentes, e assim sucessivamente, então o número total de maneiras de ocorrer o acontecimento é: T = k1. k2 . k3 . ... . kn AULA 06 – Análise Combinatória 10 Exemplo 1: Placas dos veículos: 3 letras e 4 algarismos. Quantos veículos poderão ser licenciados? São 26 letras e o 10 algarismos possíveis: 1ª posição: 26 alternativas (pode haver repetição) 2ª e 3ª posições: 26 alternativas (pode haver repetição). Algarismos: 10 alternativas para cada um dos 4 lugares. Então, podem ser licenciados: 26 . 26 . 26 . 10 . 10 . 10 . 10 = 175.760.000 veículos. AULA 06 – Análise Combinatória 11 Exemplo 2 Nos anos 60 as placas dos veículos tinham 2 letras e 4 algarismos. Qual o número máximo de veículos que podia ser licenciado? O número total de veículos que podiam ser licenciados: 26 . 26 . 10 . 10 . 10 . 10 = 6.760.000. Obs: A inclusão de apenas uma letra faz com que sejam licenciados a mais quase 170 milhões de veículos. AULA 06 – Análise Combinatória 12 Fatorial n! = n . (n-1) . (n-2) ... 4 . 3 . 2 . 1 para n ≥ 2. n! = n . (n-1)! | n ∈ ℕ e n ≥ 2 a) 1! = 1. b) 0! = 1. b) 6! = 6 . 5! = 6 . 5 . 4 . 3 . 2 . 1 = 720 c) 4! = 4. 3! = 4 . 3 . 2 . 1 = 24 d) 7! = 7 . 6! = 7 . 6 . 5 . 4 . 3 . 2 . 1 = 5040 e) 10! = 10 . 9 . 8 . 7 . 6 . 5 . 4 . 3 . 2 . 1 = 3.628.800 AULA 06 – Análise Combinatória 13 Arranjo Dado um conjunto com n elementos distintos, chama- se Arranjo dos n elementos, tomados k a k, a qualquer sequência ordenada de k elementos distintos escolhidos entre os n existentes. Temos um Arranjo quando os agrupamentos conseguidos ficam diferentes ao se inverter a posição dos seus elementos. AULA 06 – Análise Combinatória 14 Exemplo: Formar centenas com os algarismos 1,3,5,7,9. 135; 137; 139; 153, 157 e assim sucessivamente. Se invertermos a posição dos elementos de qualquer uma destas centenas conseguiremos outra centena diferente: 135 e 351. Temos um ARRANJO de 5 elementos tomados 3 a 3. AULA 06 – Análise Combinatória 15 Exemplo 1 Dado o conjunto C = (1, 2, 3, 4), escreva todos os arranjos desses quatro elementos tomados dois a dois. (1, 2); (1, 3); (1, 4); (2, 1); (2, 3); (2, 4); (3, 1); (3, 2); (3, 4); (4, 1); (4, 2); (4, 3) Notamos que (2, 3) ≠ (3, 2), isto é, a troca na ordem dos elementos gera um agrupamento diferente. Neste caso é ARRANJO. AULA 06 – Análise Combinatória 16 Exemplo 2 O segredo de um cofre é marcado por uma sequência de 3 dígitos distintos. Se uma pessoa tentar abrir o cofre, quantas tentativas deverá fazer (no máximo) para conseguir abri-lo? Para a primeira posição teremos 10 alternativas, para a segunda, 9 e para a terceira, 8 (lembrando que são dígitos distintos, ou seja, diferentes). Pela fórmula de arranjos pelo PFC: 10.9.8 = 720. A10,3 = 720 AULA 06 – Análise Combinatória 17 Cálculo do número de Arranjos Seja um conjunto de n elementos distintos. Vamos encontrar uma expressão para o número de arranjos dos n elementos tomados k a k: (An,k). A fórmula do Arranjo é: An,k = | n ≥ k )!( ! kn n − AULA 06 – Análise Combinatória 18 Exemplo 3 Obter o valor de A4,2 + A7,3. A4,2 = = = = 12 A7,3 = = = = 210 Logo: A4,2 + A7,3 = 12 + 210 = 222 )!24( !4 − !2 2.3.4 !2 !4 )!37( !7 − !4 !4.5.6.7 !4 !7 AULA 06 – Análise Combinatória 19 Permutações simples Permutações simples de n elementos distintos são os agrupamentos formados com todos os n elementos e que diferem uns dos outros pela ordem de seus elementos. É um caso especial de arranjo, onde n = k, ou seja: An,k = = = = n! Fórmula da Permutação: Pn = n! )!( ! kn n − !0 !n 1 !n AULA 06 – Análise Combinatória 20 Exemplo 1 Escrever todos os anagramas da palavra MAR. Um anagrama da palavra MAR é qualquer permutação das letras M, A, R de modo que se forme uma palavra com ou sem sentido. Assim, temos: MAR, MRA, AMR, ARM, RMA, RAM. AULA 06 – Análise Combinatória 21 Exemplo 2 De quantas maneiras cinco pessoas: João, Luiz, Carlos, Maria e Joana podem ser dispostas em fila indiana? Cada maneira de compor a fila é uma permutação das cinco pessoas, pois qualquer fila obtida é uma sequência na qual comparecem sempre as cinco pessoas. Assim, o resultado esperado é: P5 = 5! = 5 . 4 . 3 . 2. 1 = 120 AULA 06 – Análise Combinatória 22 Exemplo 3 Com as cinco pessoas, quantas filas podem ser compostas começando por Maria ou por Joana? A 1ª posição da fila pode ser escolhida de duas maneiras (tanto Maria como Joana pode iniciá-la). Definido o início da fila, restarão sempre quatro lugares para serem preenchidos pelas quatro pessoas restantes, num total de: P4 = 4! = 24 possibilidades. Pelo PFC, o resultado é: 2 x 24 = 48. AULA 06 – Análise Combinatória 23 Permutação com elementos repetidos Se entre os n elementos de um conjunto, existem a elementos repetidos b elementos repetidos c elementos repetidos e assim sucessivamente, o número total de permutações que podemos formar é dado por: Pn (a,b,c) = !!! ! cba n AULA 06 – Análise Combinatória 24 Exemplo 1: Determine o número de anagramas da palavra MATEMATICA.São 10 elementos com repetições. A letra M repete duas vezes, a letra A três, a letra T, duas. n = 10 a = 2 b = 3 c = 2 P10 (2,3,2) = = 151200 !2!3!2 !10 AULA 06 – Análise Combinatória 25 Exemplo 2 Quantos anagramas podem ser formados com as letras da palavra MARIA? Temos: n = 5 (cinco letras) a = 2 (a letra A se repete duas vezes) P5 (2) = = = 5.4.3 = 60 !2 !5 2 2.3.4.5 AULA 06 – Análise Combinatória 26 Combinações Dado um conjunto A com n elementos distintos, chama-se combinação dos n elementos de A, tomados k a k, a qualquer subconjunto formado por k elementos. Ex: de cinco pessoas desejamos formar grupos de três; o grupo formado por João, Pedro e Luís é o mesmo grupo formado por Luís, Pedro e João. Temos uma COMBINAÇÃO quando os agrupamentos conseguidos permanecem iguais ao se inverter a posição dos seus elementos. AULA 06 – Análise Combinatória 27 A fórmula da Combinação é dada por: Cn,k = )!(! ! knk n − AULA 06 – Análise Combinatória 28 Exemplo 1: Em uma turma de 10 alunos, quantos grupos de três alunos podemos formar? Como ao trocar a ordem das pessoas em cada grupo não altera o grupo, temos que trabalhar com combinação. n = 10 k = 3 Cn,k = C10,3 = = = 120 )!(! ! knk n − )!310(!3 !10 − !7!3 !7.8.9.10 AULA 06 – Análise Combinatória 29 Exemplo 2: Faça todas as combinações dos cinco elementos de M = {a, e, i, o, u} tomados dois a dois. {a, e} = {e, a}; portanto é combinação. Cn,k = = = = 10 As combinações pedidas são: {a, e}; {a, i}; {a, o}; {a, u}; {e, i}; {e, o}; {e, u}; {i, o}; {i, u}; {o, u} )!(! ! knk n − !3!2 !5 !3.2 !3.4.5 AULA 06 – Análise Combinatória 30 Exemplo 3: Três livros serão sorteados entre Pedro, Luís, José, Claudia e Márcio. Quais os possíveis resultados? Cada resultado do sorteio é uma combinação dos cinco alunos tomados três a três. n = 5 k = 3 Cn,k = = = = 10 Os possíveis resultados do concurso são: {P, J, M}; {P, J, A}; {P, M, A}; {P, L, J}; {P, L, M}; {P, L, A}; {L, J, A}; {L, J, M}; {J, A, M}; {L, A M} )!(! ! knk n − !2!3 !5 !3.2 !3.4.5 AULA 06 – Análise Combinatória 31 Quando é Arranjo e quando é Combinação? Arranjo: quando os agrupamentos conseguidos ficam diferentes ao se inverter a ordem dos elementos. Combinação: quando os agrupamentos conseguidos não se alteram ao inverter a ordem dos elementos. AULA 06 – Análise Combinatória 32 Exercícios de revisão 1) Há quatro estradas ligando as cidades A e B, e três estradas ligando as cidades B e C. De quantas maneiras distintas pode-se ir de A a C, passando por B? Viagem de A a C é constituída de duas etapas sucessivas: 1ª ir de A até B: são quatro possibilidades 2ª ir de B a C: para cada uma das possibilidades anteriores, há três maneiras de chegar a C, a partir de B. Assim, o resultado procurado é 4 x 3 = 12. AULA 06 – Análise Combinatória 33 2) Um torneio mundial de basquete é disputado por quatro seleções: Brasil, China, Holanda e Itália. De quantas maneiras distintas podemos ter os três primeiros colocados? Holanda (campeã), Brasil (2°) e Itália (3°) Brasil (campeão), Itália (2°) e Holanda (3°) Cada resultado do torneio é um arranjo de 4 três a três. An,,k = A4,3 = = = 4 . 3 . 2 = 24 )!( ! kn n − )!34( !4 − !1 !4 AULA 06 – Análise Combinatória 34 3) Quantas possibilidades de agrupamentos há com os elementos A,B,C? São possíveis as seguintes permutações: ABC, ACB, BAC, BCA, CAB e CBA. P3 = 3! = 3 . 2 . 1 = 6 AULA 06 – Análise Combinatória 35 4) Uma prova de 15 questões, o aluno deve resolver 10. De quantas formas ele poderá escolher as 10 questões? Observe que a ordem das questões não muda o teste. Logo, podemos concluir que trata-se de um problema de combinação de 15 elementos, 10 a 10. Cn,k = = = = 3003)!(! ! knk n − !5!10 !15 2.3.4.5!10 !10.11.12.13.14.15 AULA 06 – Análise Combinatória 36 5) Um coquetel é preparado com três bebidas distintas. Se existem 7 bebidas distintas, quantos coquetéis diferentes podem ser preparados? C7,3 = = = = 35 PROBABILIDADE E ESTATÍSTICA LUIZ ROBERTO 1 Aula 07 – Conceitos de Probabilidade AULA 07 CONCEITOS DE PROBABILIDADE 2 A História da probabilidade O homem das cavernas sentia temor ante os fenômenos naturais porque não podia explicá-los. Mitos e magias dominavam o seu pensamento. De forma lenta e gradual, o passou a compreender a natureza e respeitá-la. Assimilou que diversos dos fenômenos incertos poderiam ser modelados e melhor entendidos. Assim, nasciam as primeiras aplicações práticas para as probabilidades. 3 Aula 07 – Conceitos de Probabilidade Na antiguidade, acreditava-se que somente os deuses poderiam explicar a ocorrência de alguns eventos naturais. Na Grécia antiga, antever o futuro era um privilégio de Tirésias. Cego por vingança divina, Tirésias recebeu de Zeus o dom da profecia. 4 Aula 07 – Conceitos de Probabilidade A partir do século XVII a incerteza passou a ser objeto de estudo dos matemáticos, resultando na Teoria das Probabilidades. Para eles, probabilidade é porcentagem: frequência com que ocorre um evento em relação às alternativas possíveis. Iniciava-se assim, os estudos matemáticos para compreender os jogos de azar e os riscos dos seguros, possibilitando o surgimento da Teoria da Probabilidade. 5 Aula 07 – Conceitos de Probabilidade A necessidade de calcular o número de possibilidades existentes nos jogos de azar levou ao desenvolvimento da Análise Combinatória. Trata-se de uma parte da Matemática que estuda os métodos de contagem. 6 Aula 07 – Conceitos de Probabilidade Esses estudos foram iniciados no século XVI, pelo matemático italiano Niccollo Fontana (1500-1557), conhecido como Tartaglia. Depois dele vieram os franceses Pierre de Fermat (1601-1665) e Blaise Pascal (1623-1662). 7 Aula 07 – Conceitos de Probabilidade Pascal Fermat Tartaglia DEFINIÇÃO DE PROBABILIDADE A Estatística estuda fenômenos cujos resultados variam de uma observação para outra. Para a explicação desses fenômenos – fenômenos aleatórios – adota-se um modelo matemático probabilístico. Nesse caso, o modelo utilizado será o CÁLCULO DAS PROBABILIDADES. 8 Aula 07 – Conceitos de Probabilidade A probabilidade representa a relação entre o número de eventos favoráveis ao que se estuda em relação ao número possível de eventos. Exemplo: Ao jogar um dado, qual a probabilidade de dar o número 6? 9 Aula 07 – Conceitos de Probabilidade %7,16167,0 6 1 ==== PossíveisEventos FavoráveisEventos p Podemos também representar: Para quantificar o número de eventos favoráveis e o número de eventos possíveis, empregamos diferentes métodos: 10 Aula 07 – Conceitos de Probabilidade Método clássico: Quando o resultado é provável, seu emprego é comum nas situações que envolvem dados, moedas e baralhos. Nesses casos, se sabe previamente quais os resultados possíveis e desses, quantos são favoráveis. Exemplos: a) Moeda: probabilidade de sair “cara” é 50% ou 1/2. b) a probabilidade de extrair uma carta de copas de um baralho é 25% ou 1/4. 11 Aula 07 – Conceitos de Probabilidade Método empírico: A frequência de ocorrer o evento é determinada a partir de uma série de observações práticas anteriores. Por exemplo, em uma cidade de 10.000 habitantes 4.800 são do sexo feminino, estima-se que a probabilidade de um habitante escolhido ao acaso seja do sexo feminino é igual a 4.800/10.000, ou 0,48, ou 48%. Neste caso, a probabilidade está associada à frequênciarelativa (fi%). 12 Aula 07 – Conceitos de Probabilidade Método subjetivo A probabilidade é estimada com base na opinião pessoal. Por exemplo, um cientista político pode estimar que a probabilidade de vitória da oposição nas próximas eleições seja de 60%. A probabilidade do Fluminense ser campeão é de 85%. 13 Aula 07 – Conceitos de Probabilidade Exemplo 1: (Método clássico) Qual a probabilidade de se extrair uma bola vermelha de uma caixa com 12 bolas, sendo que lá existem três vermelhas? Resp: 3/12 = 25% 14 Aula 07 – Conceitos de Probabilidade Exemplo 2: (Método clássico) Quando dois dados são jogados simultaneamente, existem seis resultados possíveis em cada dado, ou seja, 36 resultados possíveis. Qual é a probabilidade de se obter a soma sete? Para que a soma seja sete os pares devem ser: {(6,1)}; {(5,2)}; {(4,3)}; {(3,4)}; {(2,5)}; {(1,6)}. Assim, a probabilidade é igual a 6/36 = 1/6 15 Aula 07 – Conceitos de Probabilidade Exemplo 3: (Método empírico) Qual a probabilidade de encontramos um aluno maior de idade em um colégio, sabendo que uma pesquisa com 1400 alunos apontou 800 maiores de idade. A probabilidade seria de 800/1400 = 57,14%. 16 Aula 07 – Conceitos de Probabilidade Experimento aleatório: É quando repetido em iguais condições, podem fornecer resultados diferentes. Exemplo: possibilidades de ganho na loteria, a abordagem envolve cálculo de experimento aleatório, que apresenta as seguintes características: • É possível conhecer previamente o conjunto dos resultados possíveis. • Não é possível prever o resultado. • Podem repetir-se várias vezes nas mesmas condições. 17 Aula 07 – Conceitos de Probabilidade Exemplos de experimentos 1: Retirar uma carta de um baralho com 52 cartas e observar seu naipe. 2: Jogar uma moeda 10 vezes e observar o número de coroas obtidas. 3: Retirar com ou sem reposição, bolas de uma urna que contém 5 bolas brancas e seis pretas. 4: Jogar um dado e observar o número mostrado na face de cima. 5: Contar o número de peças defeituosas da produção diária de uma determinada máquina. 18 Aula 07 – Conceitos de Probabilidade A análise desses experimentos revela a) Cada experimento poderá ser repetido indefinidamente sob as mesmas condições. b) Não se conhece um particular valor do experimento “a priori”, porém podemos descrever todos os possíveis resultados – são as possibilidades. 19 Aula 07 – Conceitos de Probabilidade c) Quando o experimento for repetido um grande número de vezes surgirá uma regularidade, uma estabilidade da fração f = s/n (frequência relativa), onde s é o número de sucessos e n é o número de repetições. 20 Aula 07 – Conceitos de Probabilidade ESPAÇO AMOSTRAL: É o conjunto de todos os resultados possíveis de um experimento aleatório. A letra que representa o espaço amostral, “S” ou Ω. Para cada experimento aleatório E, o espaço amostral é o conjunto de todos os resultados possíveis do experimento. O conjunto de todos os possíveis resultados do experimento é denominado espaço amostral (Ω). O número de elementos de um espaço amostral = n(Ω). 21 Aula 07 – Conceitos de Probabilidade Exemplo 1: a) E = Jogar um dado e observar o número Ω = {1, 2, 3, 4, 5, 6} b) E = jogar duas moedas e observar os resultados. Ω = {(C,C), (C,K), (K,C), (K,K)} Onde K = Cara C = Coroa 22 Aula 07 – Conceitos de Probabilidade Exemplo 2: Lançamos uma moeda honesta e observamos a face voltada para cima: Temos: Ω = {K, C} Logo o número de elementos do Espaço Amostral n(Ω) = 2. Chamamos cada um dos resultados possíveis de Ponto Amostral. 23 Aula 07 – Conceitos de Probabilidade Exemplo 3: Uma urna contém cinco bolas vermelhas e quatro azuis. Duas bolas são extraídas, ao acaso, sucessivamente e sem reposição. 24 Aula 07 – Conceitos de Probabilidade Para determinar Ω, construímos um diagrama de árvore: Ω = {(V, V), (V,A), (A,V), (A,A)} ➔ n(Ω) = 4 Cada par é um ponto amostral de Ω. Evento É um conjunto de resultados do experimento. É um subconjunto de Ω. Podemos formar novos eventos: A ∪ B é o evento que A ou B ocorre ou ambos. A ∩ B é o evento que A e B ocorrem. 25 Aula 07 – Conceitos de Probabilidade Exemplo 1: Sejam os experimentos: a) jogar três moedas e observar os resultados: Ω = {(c,c,c), (c,c,k), (c,k,c), (k,c,c), (k,k,k), (k,k,c), (k,c,k), (c,k,k)} Determine o evento que ocorre pelo menos duas caras. E = {(c,c,c),(c,c,k), (c,k,c), (k,c,c)} 26 Aula 07 – Conceitos de Probabilidade b) Lançar um dado e observar o número de cima. E = Ω = {1, 2, 3, 4, 5, 6} é um evento certo. c) Lançar um dado e observar a ocorrência de número maior que 8. E = Ø é um evento impossível. 27 Aula 07 – Conceitos de Probabilidade Ω = {1, 2, 3, 4, 5, 6} d) lançar um dado e observar a ocorrência de múltiplo de 2. E = {2, 4, 6}; E ⊂ Ω. e) lançar um dado e observar a ocorrência de número ímpar. E = {1, 3, 5}; E ⊂ Ω. 28 Aula 07 – Conceitos de Probabilidade Probabilidade de um Evento Podemos quantificar o grau de confiança de um evento. Exemplo: O experimento consiste em extrair uma bola do interior de uma caixa e observar sua cor. Há um total de nove bolas na caixa: duas brancas, três vermelhas e quatro pretas. Qual a probabilidade de tirar uma bola que não seja preta? 29 Aula 07 – Conceitos de Probabilidade Probabilidade de um Evento Para solucionar temos que determinar o espaço amostral: Elemento Probabilidade (B) Branca 2/9 (V) Vermelha 3/9 (P) Preta 4/9 Ω = {Branca, Vermelha, Preta} 30 Aula 07 – Conceitos de Probabilidade O evento “tirar uma bola de cor diferente do preto”, E = {B,V}, consta de dois elementos. Se somarmos as probabilidades da bola branca, 2/9 e da vermelha, 3/9, vamos conhecer o valor da probabilidade do evento A: P(E) = + = 31 Aula 07 – Conceitos de Probabilidade 9 2 9 3 9 5 Em alguns experimentos aleatórios, cada um dos resultados (eventos elementares) tem a mesma frequência relativa esperada. Este é o caso de lançar uma moeda ou um dado e comprovar o resultado. Dizemos, então, que o espaço amostral é equiprovável, e que sua probabilidade é uniforme. 32 Aula 07 – Conceitos de Probabilidade 33 Aula 07 – Conceitos de Probabilidade Exercícios: 1. Um experimento é composto de duas etapas: primeiro, uma moeda é lançada e, em seguida, um dado é lançado. Construa o espaço amostral. Ω = {(C,1), (C,2), (C,3), C,4), (C,5), (C,6), {(K,1), (K,2), (K,3), K,4), (K,5), (K,6)} Exercícios: 2. Será realizado um sorteio para saber que mês haverá uma feira de artesanato. Construa o espaço amostral. Ω = {jan, fev, mar, abr, mai, jun, jul, ago, set, out, nov, dez} 3. Uma carta de um baralho de 52 cartas será sorteada. Determine: a) Ω b) n(Ω) Ω = {Áscopas, Ásouros, Ásespadas, Áspaus, ... Reicopas, Reiouros, Reiespadas, Reipaus} n(Ω) = 52 34 Aula 07 – Conceitos de Probabilidade 4. Um diálogo está gravado em seis idiomas: português, francês, italiano, inglês, alemão e espanhol. Podemos escolher um desses idiomas. Determine o espaço amostral. Ω = {português, francês, italiano, inglês, alemão, espanhol} 35 Aula 07 – Conceitos de Probabilidade 5. Uma urna contém três bolas vermelhas e uma azul. Retiramos, sucessivamente, duas bolas dessa urna. Construa o espaço amostral correspondente, se a extração é feita: a) com reposição Ω = {(V, V), (V, A), (A, A), (A, V)} b) sem reposição Ω = {(V, A), (V, V), (A, V)} 36 Aula 07 – Conceitos de Probabilidade PROBABILIDADE E ESTATÍSTICA LUIZ ROBERTO 1 Aula 08 – Axiomas AULA 08 Axiomas 2 3 Aula 08 – Axiomas Axiomas da Probabilidade Os conceitos básicos a partir dos quais se constróia definição de probabilidade são conhecidos como os axiomas da probabilidade, sendo o seu conhecimento importante para compreender claramente as condições necessárias à sua aplicação. http://www.oderson.com/educacao/estatistica/axiomas.htm http://www.oderson.com/educacao/estatistica/axiomas.htm 4 Aula 08 – Axiomas Axiomas de Kolmogorov Em 1933 o matemático russo Andrei Nikolaevich Kolmogorov (1903 - 1982) lançou as bases axiomáticas da probabilidade e desenvolveu toda uma teoria que constituiu um enorme avanço, estabelecendo um marco histórico. Os seus princípios básicos são relativamente simples e intuitivos, permitindo que se tenha uma boa compreensão dos conceitos e suas aplicações práticas. 5 Aula 08 – Axiomas Axiomas de Kolmogorov 1°) Em um experimento aleatório, existe sempre um espaço amostral e uma álgebra de eventos. 2°) Para todo evento existe um número não-negativo chamado de probabilidade. 3°) A probabilidade do espaço amostral é igual a 1. 4°) Para quaisquer dois eventos disjuntos a probabilidade da união deles é igual à soma das suas probabilidades. 5°) O 4° Axioma é verdadeiro para infinitas uniões, desde que todos os pares de eventos sejam disjuntos. 6 Aula 08 – Axiomas Propriedades Fundamentais da Probabilidade (P) P de qualquer evento é sempre um número maior ou igual a zero e menor ou igual a um. P de um evento impossível é zero. Se a ocorrência de um evento implica na ocorrência de um segundo, então P do primeiro < P do segundo. P da união de dois eventos = P do primeiro + P do segundo – P da ocorrência simultânea dos dois. 7 Aula 08 – Axiomas Importância do Conceito de Partição A partição de um conjunto é uma coleção de conjuntos tal que a sua união é igual ao conjunto original, e que a interseção de quaisquer dois deles é vazia. Ao se particionar um evento, é possível calcular a sua probabilidade (P) somando-se P dos eventos da partição. Para isso é necessário apenas dispor da P dos elementos da partição (vide Axiomas 4° e 5°). 8 Aula 08 – Axiomas Importância do Conceito de Partição Através do particionamento de conjuntos, é possível não apenas calcular a probabilidade de eventos a partir de outras probabilidades já conhecidas mas também deduzir diversas propriedades e implicações do próprio conceito de probabilidade. 9 Aula 08 – Axiomas Evento Complementar Consideremos um evento E relativo a um espaço amostral Ω. Chamamos evento complementar de ao evento que ocorre quando E não ocorre. Observe o seguinte diagrama: __ E E ∩ = ∅ E ∪ = Ω __ E __ E 10 Aula 08 – Axiomas Exemplo Uma urna contém 10 bolas numeradas de 1 a 10. Retira-se da urna, ao acaso, uma bola. Se E é o evento “ocorre múltiplo de 3”, então será? Temos: Ω = {1, 2, 3, ..., 10} e E = {3, 6, 9}; logo: = {1, 2, 4, 5, 7, 8, 10} evento “não ocorre múltiplo de 3”. E ∪ = Ω __ E __ E __ E 11 Aula 08 – Axiomas Probabilidades em Espaços Amostrais Equiprováveis Consideremos o espaço amostral Ω formado por k pontos amostrais: Ω = {a1, a2, a3, ..., ak } Vamos associar a cada um desses pontos amostrais um número real, p{ai }, ou simplesmente pi, chamado probabilidade do evento {ai }, ou seja, probabilidade de ocorrência do ponto amostral ai, tal que: 12 Aula 08 – Axiomas Probabilidades em Espaços Amostrais Equiprováveis Consideremos o espaço amostral Ω formado por k pontos amostrais: Ω = {a1, a2, a3, ..., ak } Vamos associar a cada um desses pontos amostrais um número real, p{ai }, ou simplesmente pi, chamado probabilidade do evento {ai }, ou seja, probabilidade de ocorrência do ponto amostral ai, tal que: 13 Aula 08 – Axiomas (I) 0 ≤ pi ≤ 1 (II) = = 1 , isto é: p1 + p2 + ... + pk = 1 = k i pi 1 14 Aula 08 – Axiomas Consideremos aqui os espaços amostrais equiprováveis, isto é, aqueles cujos pontos amostrais têm a mesma probabilidade de ocorrer. Assim, se denotarmos por p a probabilidade de ocorrência de cada um dos pontos amostrais de Ω, temos, em (II): K vezes p + p + p + ... + p = 1 ➔ k . p = 1 ➔ p = k 1 K vezes 15 Aula 08 – Axiomas A probabilidade de ocorrência de um evento E, formado por r pontos amostrais E = {a1, a2, a3, ..., ar } , com r ≤ k, é dada por: p (E) = p1 + p2 + ... + Pr ➔ p(E) = + + + ... + p (E) = k 1 k 1 k 1 k 1 = deelementosdenúmero Edeelementosdenúmero k r 16 Aula 08 – Axiomas Como E ⊂ Ω, temos que n(E) ≤ n(Ω). Assim: p(E) = | 0 ≤ p(E) ≤ 1 A probabilidade de ocorrer determinado evento é dada pela razão entre o número de casos favoráveis e o número de casos possíveis. )( )( n En possíveiscasosdenúmero favoráveiscasosdenúmero n En Ep = = )( )( )( 17 Aula 08 – Axiomas No lançamento de um dado, se o evento A consiste em obter um “5”, o número de casos favoráveis será 1, pois num dado honesto só existe um “5”, e o número de casos possíveis é 6, portanto o espaço amostral é: Ω = {1,2,3,4,5,6} E a probabilidade do evento A será: p (A) = 1/6. 18 Aula 08 – Axiomas Quando dizemos que a probabilidade do evento A é 1/6, isto não significa que, se jogarmos o dado seis vezes, em uma delas sairá o número “5”. Pode ser que o número “5” não saia nenhuma vez ou que saia mais de uma vez. A probabilidade 1/6 indica apenas que, se repetirmos esse experimento um número grande de vezes, o evento A vai ocorrer em aproximadamente 1/6 do total de jogadas. 19 Aula 08 – Axiomas Exemplo 1 Uma urna contém 15 bolas numeradas de 1 a 15. Uma bola é extraída ao acaso. Qual a probabilidade de ser sorteada uma bola com número maior ou igual a 11? Temos: Ω = {1, 2, 3, ..., 15} Seja o evento E: “número da bola sorteada ≥ 11”. Logo: E = {11, 12, 13, 14, 15}. p(E) = = = = 33,3% )( )( n En 15 5 3 1 20 Aula 08 – Axiomas Exemplo 2: Um dado é lançado. Qual a probabilidade de dar: a) menor que 3? b) Maior ou igual a 3? a) Temos Ω = {1, 2, 3, 4, 5, 6} E = {1, 2}. Então, p(E) = = b) Podemos usar o evento complementar: = {3, 4, 5, 6} Assim, p ( ) = = = )( )( __ n En 6 2 3 1 __ E __ E 6 4 3 2 Obs: p( E ) + p( ) = 1 = 100% __ E 21 Aula 08 – Axiomas Exemplo 3: Uma moeda é lançada três vezes, sucessivamente. Qual a probabilidade de observarmos: a) exatamente uma cara? b) No máximo duas caras? Diagrama de Árvore 22 Aula 08 – Axiomas O espaço amostral é formado pelas oito sequências indicadas no Diagrama de Árvore. a) Exatamente uma cara: E1 = {(K,C,C), (C,C,K), (C,K,C)} p(E1) = = = 37,5% b) No máximo duas caras E2 = {(C,C,C),(K,C,C),(C,K,C),(C,C,K),(K,K,C),(K,C,K),(C,K,K)} p(E2) = = 87,5%. )( )( __ 1 n En 8 3 8 7 23 Aula 08 – Axiomas Exemplo 4: Uma turma tem 20 homens e 25 mulheres. Deseja-se formar uma comissão de cinco alunos para representantes de turma. Qual a probabilidade dessa comissão vir a ser formada exclusivamente por meninos? Solução: Comissões total: n(Ω) = C45,5 Comissões só de meninos = C20,5 P(E) = = 0,0126 = 1,26% 5,45 5,20 C C 24 Aula 08 – Axiomas Exemplo 5: Nos anagramas da palavra XADREZ, qual a probabilidade da palavra escolhida começar por XA? Solução: O número de elementos de Ω é o número de permutações da palavra XADREZ. Então, n(Ω) = P6 = 6! = 720. O evento E = X A __ __ __ __ Definidas as duas primeiras letras, há P4 = 4! = 24 Logo: p(E) = = 3,33% 720 24 25 Aula 08 – Axiomas Exemplo 6: Numa comunidade residem 100 pessoas. Uma pesquisa sobre os hábitos alimentares dessa comunidade revelou que: • 25 pessoas consomem carnes e verduras • 83 pessoas consomem verduras • 39 pessoas consomem carnes Qual é a probabilidade de uma pessoa: a)Consumir exclusivamente carne? b) De não comer nem carne nem verdura? 26 Aula 08 – Axiomas Solução: Diagrama de Venn Euler: carne (C) e verdura (V). 27 Aula 08 – Axiomas Solução: 1°) Há 25 pessoas na interseção de C e V. 2°) Consomem exclusivamente verduras: 83 – 25 = 58 3°) Consomem exclusivamente carnes: 39 – 25 = 14 4°) 25 + 58 + 14 = 97 (3 que não comem carnes nem verduras. a) Exclusivamente carne = 0,14 = 14% b) Não comer nem carne nem verdura = 0,03 = 3% 100 14 100 3 PROBABILIDADE E ESTATÍSTICA LUIZ ROBERTO 1 Aula 09 – Axiomas da Probabilidade AULA 09 Probabilidade Condicional 2 Aula 09 – Axiomas da Probabilidade Objetivos da AULA 09 - Probabilidade de dois eventos. - Teorema do Produto - Probabilidade Condicional. 3 Aula 09 – Axiomas da Probabilidade 4 Relembrando o que é Evento a) Lançar um dado e observar o número de cima. E = Ω = {1, 2, 3, 4, 5, 6} é um evento certo. b) Lançar um dado e observar a ocorrência de pares. E = Ω = {2, 4, 6} é um evento de números pares. c) Lançar um dado e observar a ocorrência de número maior que 8. E = Ø é um evento impossível. Aula 09 – Axiomas da Probabilidade 5 PROBABILIDADE DA UNIÃO DE DOIS EVENTOS Sejam A e B eventos de um mesmo espaço amostral. Vamos encontrar uma expressão para a probabilidade de ocorrer o evento A ou o evento B, isto é, a probabilidade da ocorrência do evento A B. Consideremos dois casos: Aula 09 – Axiomas da Probabilidade 6 1°) Teorema da soma: eventos mutuamente exclusivos A B = Ø n(A B) = n(A) + n(B) Como n( Ω ) ≠ 0: ) n( )n(B ) n( )n(A ) n( )Bn(A + = Aula 09 – Axiomas da Probabilidade 7 Da definição de probabilidade: a probabilidade da união de (A) com (B) é a soma da probabilidade de (A) com a probabilidade de (B). P( A B ) = p(A) + p(B) Aula 09 – Axiomas da Probabilidade 8 2°) Eventos com ocorrências simultâneas: Aplica-se nas operações multiplicativas de probabilidades, que são aquelas que envolvem a expressão “e” e são representadas por “”. A B ≠ Ø p( A B ) = p(A) + p(B) - A B O evento A B representa a ocorrência simultânea dos eventos A e B. Aula 09 – Axiomas da Probabilidade 9 Exemplo 1 Uma caixa contém 25 bolas numeradas de 1 a 25. Uma bola é extraída ao acaso. Qual é a probabilidade da bola sorteada ser múltiplo de 2 ou de 3? Consideremos os eventos: A “o número é múltiplo de 2” e B “o número é múltiplo de 3”. Queremos encontrar p(A B) A = {2, 4, 6, 8, 10, 12, 14, 16, 18, 20, 22, 24} B = {3, 6, 9, 12, 15, 18, 21, 24} Aula 09 – Axiomas da Probabilidade 10 Lembrando que: Podemos calcular a probabilidade da interseção: 25 12 ) n( )n(A )A( = =p 25 8 ) n( )n(B )B( = =p Aula 09 – Axiomas da Probabilidade 11 A B = {6, 12, 18, 24} ➔ é o evento formado pelos múltiplos de 2 e 3 ao mesmo tempo, isto é, pelos múltiplos de 6. Temos: p(A B) = Como p(A B) = p(A) + p(B) – p(A B) Temos p(A B) = %6464,0 25 4 25 8 25 12 ==−+ 25 4 Aula 09 – Axiomas da Probabilidade 12 Exemplo 2: Uma caixa contém 25 bolas numeradas de 1 a 25. Uma bola é extraída ao acaso. Qual é a probabilidade da bola sorteada ser múltiplo de 5 ou de 7? A = {5, 10, 15, 20, 25} Logo: p(A) = B = {7, 14, 21} Logo: p(B) = Como A B = Ø temos: p(A B) = p(A) + p(B) - p(A B) = 25 5 25 3 %3232,0 25 8 25 3 25 5 ===+ Aula 09 – Axiomas da Probabilidade 13 Exemplo 3: A probabilidade de um policial aplicar quatro ou mais multas em um dia é de 63%; a probabilidade de ele aplicar quatro ou menos multas em um dia é de 56%. Qual é a probabilidade de o guarda aplicar exatamente quatro multas? Consideremos os eventos: A: “quatro ou mais multas”; p(A) = 0,63 B: “quatro ou menos multas”; p(B) = 0,56 Temos: Aula 09 – Axiomas da Probabilidade 14 1°) A B é o evento “aplica exatamente quatro multas”. Queremos determinar p(A B). 2°) p(A B) = (o guarda aplica menos de quatro multas ou quatro multas ou mais de quatro multas). Assim, p(A B) = p(Ω) = 1 (pois A B é o evento certo). Então: p(A B) = p(A) + p(B) – p(A B) 1 = 0,63 + 0,56 - p(A B) p(A B) = 1 – 1,19 = 0,19 = 19% ≤ 4 4 ≥4 Aula 09 – Axiomas da Probabilidade 15 Exemplo 4: Observe a roleta. a) Qual a probabilidade de cada evento elementar? P(1) = P(2) = P(4) = P(5) = P(6) = P(7) = 1/8 P(3) = 2/8 b) Qual a probabilidade do número ser par? P({2,4,6}) = 3/8 c) Qual a probabilidade de dar o número 3? P(3) = 2/8 = 1/4 Aula 09 – Axiomas da Probabilidade 16 PROBABILIDADE CONDICIONAL Seja o evento E: lançar um dado Seja o evento A = {sair o nº 4} p (A) = 1/6 Seja o evento B = {sair um número par} = {2, 4, 6} É importante para o cálculo das probabilidades calcular a probabilidade condicional. Aula 09 – Axiomas da Probabilidade 17 Estamos interessados em avaliar a probabilidade do evento A condicionada à ocorrência do evento B. A probabilidade condicionada é representada por: p(A/B) ➔ lê-se: probabilidade de A dado B Observe que uma vez dada a informação da ocorrência de um evento, teremos a redução do espaço amostral. Aula 09 – Axiomas da Probabilidade 18 Sabemos que B = {2, 4, 6} Ω = {1, 2, 3, 4, 5, 6} foi reduzido para Ω = {2, 4, 6} e é nesse espaço amostral reduzido é que se avalia a probabilidade do evento. Dados dois eventos A e B, a p(A/B) é a probabilidade condicionada do evento A quando B tiver ocorrido: p(A/B) = )B( B) (A p p Aula 09 – Axiomas da Probabilidade 19 Podemos concluir: p(A/B) = = = Assim, para avaliar a probabilidade de A, dado B, basta contar o número de casos favoráveis ao evento (A B) e dividir pelo número de casos favoráveis ao evento B. )B( B) (A p p NTC BNCF NTC )( B) NCF(A )( B) NCF(A BNCF Aula 09 – Axiomas da Probabilidade 20 Exemplo: Dois dados são lançados. Consideremos os eventos: A = {(x1 , x2 ) | x1 + x2 = 10} B = {( x1 , x2 ) | x1 > x2 } Onde x1 é o resultado do dado 1 e x2 é o resultado do dado 2. Pede-se avaliar p(A); p(B); p(A/B) e p(B/A) Solução: Aula 09 – Axiomas da Probabilidade 21 p(A) = p(B) = Lembrando A = {(x1 , x2 ) | x1 + x2 = 10} e B = {( x1 , x2 ) | x1 > x2 } Apenas (6,4) é favorável ao evento A B e que 15 pares são favoráveis a B. 12 1 36 3NCF(A) == NTC 12 5 36 15NCF(B) == NTC 15 1 )( )NCF(A = BNCF B 3 1 )( )NCF(A = ANCF B p(A/B) = p(B/A) = Aula 09 – Axiomas da Probabilidade 22 TEOREMA DO PRODUTO “A probabilidade da ocorrência simultânea de dois eventos, A e B, do mesmo espaço amostral, é igual ao produto da possibilidade de um deles pela probabilidade condicional do outro, dado o primeiro”. Logo: p(A B) = p(B) . p(A/B) Logo: p(A B) = p(A) . p(B/A) )( B) p(A )/( Bp BAp = )( B) p(A )/( Ap ABp = Aula 09 – Axiomas da Probabilidade 23 TEOREMA DO PRODUTO Exemplo: Em um lote de 12 peças, 4 são defeituosas, duas são retiradas uma após a outra sem reposição. Qual a probabilidade de que ambas sejam boas? A = {a primeira peça é boa} ➔ p(A) = B = {a segunda peça é boa} ➔ p(B/A) = p(A B) = p(A) . p(B/A) = 33 14 11 7 12 8 =x 12 8 11 7 Aula 09 – Axiomas da Probabilidade 24 Exercícios: 1) Calcule A B. São dados: p(A) = p(B) = P(A B) = Solução: Pela fórmula p(A B) = p(A) + p(B) – p(A B) 5 2 3 1 5 1 15 8 5 1 3 1 5 2 =−+ Aula 09 – Axiomas da Probabilidade 25 2) Dado p(A) = p(B) = p (A B) = Calcule p(A/B). Solução: 5 2 4 1 5 1 5 4 4 1 5 1 )( B) p(A )/( == = Bp BAp Aula 09 – Axiomas da Probabilidade 26 3) Dado p(A) = p(B) = p (A B)
Compartilhar