Cálculo das Probabilidades e Estatística I. Departamento de Estatistica

Tamanho: px
Começar a partir da página:

Download "Cálculo das Probabilidades e Estatística I. Departamento de Estatistica"

Transcrição

1 Cálculo das Probabilidades e Estatística I Departameto de Estatistica Versão

2

3 Sumário 1 Itrodução à Estatística Coceitos básicos de amostragem Tipos de variáveis Níveis de Mesuração Tipos de estudos Tipos de Amostragem Pricipais plaos de amostragem probabilística Erros de amostragem Estatística Descritiva Tabela de distribuição de freqüêcias Distribuição de freqüêcias por valores Distribuição de Freqüêcias por classes ou itervalos Regras para elaboração da Tabela de Distribuição de Freqüêcias Elemetos em uma tabela de Distribuição de Freqüêcias Medidas de Tedêcia Cetral Média Aritmética Moda Mediaa Assimetria Medidas de Dispersão Itrodução a Probabilidade Probabilidade Codicioal Variáveis aleatórias Coceitos e defiições Classificação das variáveis aleatórias Esperaça de uma variável aleatória Propriedades da Esperaça Variâcia de uma variável aleatória Propriedades da Variâcia Modelos Probabilísticos para variáveis aleatórias Modelos Probabilísticos para variáveis aleatórias discretas Distribuição de Beroulli iii

4 5.1.2 Distribuição Biomial Distribuição de Poisso Modelos Probabilísticos para variáveis aleatórias cotíuas Distribuição Normal Distribuição t-studet Distribuições Amostrais Distribuição Amostral da Média Distribuição Amostral da Proporção Iferêcia Estatística Estimação Potual Propriedades de um estimador Itervalo de Cofiaça Itervalo de Cofiaça para a Média Caso 1: X possui distribuição ormal com Variâcia cohecida Caso 2: X possui distribuição ormal com Variâcia descohecida Caso 3: Grades Amostras: Itervalo de Cofiaça para a proporção Teste de Hipótese Procedimeto Geral do Teste de Hipótese - Uma Amostra Teste de hipótese para a média Caso 1: X possui distribuição ormal com Variâcia cohecida Caso 2: X possui distribuição ormal com Variâcia descohecida Caso 3: Grades Amostras: Teste de hipótese para a proporção Correlação e Regressão Liear Simples Coeficiete de Correlação Liear(ρ) Iterpretação geométrica Teste de hipótese para o Coeficiete de Correlação Regressão Liear Simples Estimação dos parâmetros Coeficiete de Determiação (R 2 ) Bibliografia 66

5 Capítulo 1 Itrodução à Estatística Aida hoje o coceito popular, a palavra estatística evoca dados uméricos apresetados em quadros ou gráficos, publicados por agêcias goverametais, referetes a fatos demográficos ou ecoômicos. A palavra estatística é derivada da palavra latia status, que sigifica estado, usada aqui para desigar a coleta e a apresetação de dados quatitativos de iteresse do Estado. Etretato, a mera coleta de dados assim apresetados está loge de ser o que etedemos, hoje, por Estatística. Na verdade, sua feição essecial é a de ser um cojuto de métodos estatísticos, especialmete apropriados ao tratameto de dados afetados por uma multiplicidade de causas. Esses métodos fazem uso da Matemática, particularmete do cálculo de probabilidades, a coleta, apresetação, aálise e iterpretação dos dados. Essa prática tem sido cotiuada os tempos moderos, por meio dos receseametos, dos quais temos um exemplo aquele que se efetua a cada decêio, em osso País, pela Fudação IBGE, órgão resposável por ossas estatísticas (dados estatísticos) oficiais. A primeira tetativa para se tirar coclusões a partir de dados uméricos foi feita somete o século 17, a Iglaterra em GRAUNT (1662). Graut baseou sua aálise sobre razões e proporções de fatos vitais, os quais ele observou uma regularidade estatística em um grade úmero de dados. Graut colocou os dados em tabelas e através de cálculos básicos produziu algus cometários sobre os resultados obtidos, aalisado a cofiabilidade dos dados e comparado o úmero dos ascimetos e das mortes masculias e femiias. No capitulo XI, GRAUNT (1662), Graut produz uma tabela de vida primitiva, estas tabelas trasformam-se mais tarde em uma das pricipais ferrametas da demografia e do seguro. Etretato, a estatística só começou realmete a existir como disciplia autôoma o iício do século 20, o verdadeiro iício da estatística modera. Fisher ( ) foi um dos mais ifluetes estatísticos do século 20. Em FISHER (1922) são apresetados os fudametos matemáticos da Teoria Estatística, este trabalho Fisher itroduz os termos estimação e estimativa. Neste mesmo trabalho é apresetado três critérios de estimação, mais precisamete, propriedades que os estimadores devem ter: Cosistêcia, eficiêcia e suficiêcia. Um marco importate a Teoria da Estatística modera foi a formalização da teoria das probabilidades feita por Kolmogorov em 1933, KOLMOGOROV (1956),. Uma defiição modera para estatística poderia ser: uma coleção de métodos para plaejar experimetos, obter e orgaizar dados, resumí-los, aálisá-los, iterpretá-los e deles extrair coclusões. Pode-se afirmar portato, que o foco da estatística é estudar os feômeos coletivos. Sedo assim, a primeira etapa em uma pesquisa que evolverá procedimetos estatísticos é 1

6 a coleta de dados. A coleta de dados é uma fase crucial a estatística pois se os mesmos ão forem colhidos de maeira adequada as outras fases do processo de aálise estatística estarão defiitivamete comprometidos. A seguir serão dados algums coceitos e iformações básicas sobre o plaejameto e coleta de dados. 1.1 Coceitos básicos de amostragem Amostragem é o procedimeto utilizado a obteção da amostra, que deve ser de tal forma que a amostra obtida seja represetativa da população de iteresse. Todos ós em osso dia a dia temos cotato com a amostragem, por exemplo, quado alguém está adoçado uma xícara de café ele primeiro coloca um pouco de açucar, mistura bem e depois prova(coleta uma amostra) para verificar se precisa ou ão mais açucar. Note que, o processo de mexer bem ates de provar é um procedimeto(plao) amostral ituítivo. Etretato, este caso, a amostra poderia ão ser represetativa do todo se a pessoa ão mexesse bem, e por coseguite, poderia-se colocar mais açucar quado a verdade ão precisaria de mais ou, ão colocar mais açucar quado de fato precisaria de mais. Logo, um procedimeto amostral mal elaborado ou mal executado pode levar a uma coclusão errôea devido a um viés de iterpretação do resultado. Portato, plaos(plaejametos) amostrais que produzam amostras represetativas e coseqüetemete resultados cofiáveis e livres de possíveis viéses é o objetivo pricipal do pesquisador. A seguir, serão apresetados algus coceitos e termos técicos que são utilizados a Teoria da Amostragem. Defiição 1.1 (População ou População alvo). É o cojuto de todos os seres, objetos ou iformações que estão sob ivestigação. Notação: Um população de tamaho N será deotada por U = (1,..., N ). Exemplo 1.1. Um grupo de pesquisadores desejam aalisar a ifluêcia de fatores sociodemográficos, físicos e metais sobre a mobilidade de idosos, pessoas com 60 aos ou mais, residetes o muicípio de Sata Cruz, Rio Grade do Norte. Neste caso a população são todas as pessoas com 60 aos ou mais residetes o muicípio de Sata Cruz. Defiição 1.2 (População de estudo). É o cojuto de todos os seres, objetos ou iformações que poderiam ser icluídas o estudo. Teoricamete, o mesmo que a população alvo, porém muitas vezes diferete. Exemplo 1.2. No Exemplo 1.1 supoha que a pesquisa teha sido realizada durate um determiado mês do ao, e que este mês possívelmete algumas das pessoas desta população poderiam ão estar a cidade e deste modo ão poderiam ser icluídas a pesquisa. Deste modo, este caso, a população alvo é diferete da população de estudo. Defiição 1.3 (Ceso). É o levatameto de iformações de toda uma população. Defiição 1.4 (Amostra). É o cojuto dos elemetos selecioados de uma população. Notação: Uma amostra de tamaho será deotada por s = k 1,..., k para ki U. Defiição 1.5 (Uidade amostral ou elemetar). São os elemetos alvo da pesquisa. Podem ser pessoas, aimais,objetos, domicílios, empresas, etc. Deve ser defiida o iício da ivestigação de acordo com o iteresse do estudo. É muito importate que a uidade elemetar seja claramete defiida, para que o processo de coleta e aálise teha sempre um sigificado preciso e uiforme.

7 Defiição 1.6 (Variáveis). É uma característica qualitativa ou quatitativa que observamos em cada uidade amostral. Ex.: altura, sexo, peso, idade, classe social, etc. Notação: As variáveis são usualmete deotadas pelas letras maiúsculas X, Y,Z, W. Em um população U = (1,..., N ), o cojuto de valores que essas variáveis assumem são deotadas por x = (x 1,x 2,...,x N ); Em uma amostra s = k 1,..., k, os valores que essas variáveis podem assumir são deotadas por X = (X 1, X 2,..., X ) em que cada X i pode assumir qualquer valor x u, para u U e x u x. Defiição 1.7 (Parâmetro). Uma medida umérica que descreve alguma característica de uma população, por exemplo, peso médio ao ascer de criaças a cidade de João Pessoa, proporção de peças defeituosas produzidas em um dia em uma liha de produção. Notação: Utiliza-se usualmete letras gregas,µ,σ 2,τ para se deotar parâmetros. Etretato, existem exceções, por exemplo, para o parâmetro proporção utiliza-se p. Defiição 1.8 (Estimador). É qualquer fução dos elemetos X 1,..., X da amostra X, que assume valores em Θ(espaço paramétrico), em que Θ é o cojuto de todos os valores que o parâmetro θ pode assumir. Notação: Usualmete utiliza-se µ, σ 2, p para se deotar parâmetros. Etretato, existem exceções, por exemplo, para o parâmetro µ utiliza-se X. Exemplo 1.3. Seja X = (X 1, X 2,..., X ), etão um estimador para a média populacioal µ para essa amostra é dada por: X = X X. Defiição 1.9 (Estimativa). É o valor observado de um estimador após a amostra ser coletada. Exemplo 1.4. Cosidere a seguite amostra da variável X, X = (5, 3, 4, 2, 6), etão X = Defiição 1.10 (Cadastro amostral). Lista das uidades da população de pesquisa de ode a amostra será extraída. Nem sempre aplicável. = Tipos de variáveis As variáveis podem ser: qualitativas ou quatitativas. Qualitativas: são variáveis categóricas. Nomial: Não existe ehuma relação etre as categorias. Ex.: sexo(masc, fem), curso(fisioterap Efermagem, etc), procedêcia. Ordial: Existe uma ordeação atural etre as categorias. Ex.: Grau de istrução(1o grau, 2o grau,superior), ível socio-ecoômico(a,b,c,d). Quatitativas: são variáveis uméricas.

8 Discreta: Admitem somete úmeros iteiros. Ex: batimetos cardíacos, úmero de filhos. cotíuas: os valores podem ser qualquer úmero real. Ex.: tempo de coagulação, peso, altura Níveis de Mesuração 1. Escala Nomial: as uidades amostrais são classificadas em categorias segudo uma característica. Ex.: sexo(masc, Fem), Hábito de fumar(fumate, ão fumate), sobrepeso(sim, ão). Observação 1.1. Note que, ão existe ordem etre as categorias e suas represetações, se úmericas são destituídas de sigificado úmerico. Ex.: sexo masculio=1, sexo femiio=2 2. Escala Ordial: as uidades amostrais são classificadas em categorias que possuem algum tipo ierete de ordem. Ex.: ível socio-ecoômico(a,b,c,d), ível de retiol sérico(alto, aceitável, baixo, deficiete). Observação 1.2. Embora exista ordem etre as categorias, a difereça etre as categorias adjacetes ão tem o mesmo sigificado em toda a escala. 3. Escala itervalar: Neste ível de mesuração podemos quatificar as difereças etre as categorias. Etretato, o zero esta escala é arbitrário. Ex.: Temperatura (graus Celsius, Fahreheit). Observação 1.3. Nesta escala, embora pode-se quatificar as difereças etre as categorias, essas difereças ão são absolutas. Por exemplo, 50 o C embora seja o dobro de 25 o C, ão implica que é duas vezes mais quete, pois se mudarmos a uidade de medida para Fahreheit teremos 50 o C = 50 1, = 122 o F e 25 o C = 25 1, = 77 o F o que implica que esta uidade a razão etre as duas temperaturas é 1, Escala das razões: Nesta escala o zero é absoluto, isto implica que a razão etre duas medidas é igual idepedetemete da uidade que está sedo utilizada. Ex.: Altura(cm, m), peso(g, Kg) Tipos de estudos Em pricípio, pode-se dizer que os estudos cietíficos se dividem em dois grupos: estudos observacioais e os estudos experimetais. Estudos Observacioais. Se caracterizam pela ão iterveção do pesquisador sobre os dados do estudo. De um modo geral, esses estudos efetuam descrições a respeito de um determiado problema, como, por exemplo: a estimativa da proporção de peças defeituosas em uma liha de produção, ou a estimativa do úmero médio de chamadas atedidas em cetral PABX. Em resumo, em um estudo observacioal, o pesquisador observa e mede, mas ão modifica;

9 Estudos Experimetais. Nos estudos experimetais, o pesquisador itervém sobre os elemetos pesquisados, mediate a adoção de algum tratameto ou mediate a alteraçäo da situação. Nesses casos, pretede-se comparar os resultados obtidos as diversas situações ou tratametos com a fialidade de detectar difereças os dados. Exemplo 1.5. Um egeheiro precisa saber se a quatidade de corrosão em uma tubulação utilizada pela sua empresa depede do tipo do revestimeto usado ou do tipo de solo em que se ecotra a tubulação. Deste modo, plaejou-se o seguite experimeto: utilizou-se quatro diferetes revestimetos e três diferetes tipo de solo o experimeto. Selecioaram-se 12 peças de tubulação e cada uma é revestida com um dos quatro revestimetos e eterrada em um dos três tipos de solo durate um período fixo de tempo, após o qual se determia a quatidade de corrosão Tipos de Amostragem Quado se realiza um estudo dos estudo observacioal, a coleta dos dados pode ser feita através de uma amostragem probabilística ou de uma amostragem ão probabilística. Defiição 1.11 (Amostragem Probabilística). É o procedimeto pelo qual se utilizam mecaismos aleatórios de seleção dos elemetos de uma amostra, atribuido a cada elemeto uma probabilidade de pertecer a amostra. Defiição 1.12 (Amostragem ão Probabilística). É o procedimeto pelo qual se ão utilizam mecaismos aleatórios de seleção dos elemetos de uma amostra, tais como: amostras itecioais, as quais os elemetos são escolhidos com o auxílio de especialistas; e amostras de volutários, como ocorre em algus experimetos sobre ovos medicametos e vacias. Observação 1.4. A grade vatagem da amostra probabilística é medir a precisão da amostra obtida, baseado-se apeas o resultado cotido a própria amostra. 1.2 Pricipais plaos de amostragem probabilística Serão apresetados os plaos de amostragem, para os casos mais comus a prática. Estes casos satisfazem os seguites pressupostos: População fiita e amostragem sem reposição. Amostragem aleatória(aa): Procedimeto pelo qual cada elemeto da população tem a mesma chace(probabilidade) de ser selecioada. Amostragem aleatória simples(aas): Procedimeto pelo qual uma amostra de tamaho é selecioada de tal forma que cada amostra possível de tamaho tem a mesma chace(probabilidade) de ser selecioada. Esse plao amostral subdivide-se aida em dois outros: Amostragem aleatória simples com reposição(aascr) e Amostragem aleatória simples sem reposição(aassr). Exemplo 1.6 (Difereça etre AA e AAS). Imagie uma sala com 48 aluos, distribuídos em 8 fileiras. Supoha que o professor deseja selecioar uma amostra de 8 aluos. Assim, coloca-se em uma ura 8 bolas umeradas de 1 a 8. Selecioa-se ao acaso uma bola e verifica-se seu úmero. A amostra será a fileira selecioada. A amostra selecioda é uma amostra aleatória(aa)? É uma amostra aleatória simples(aas)?

10 Exemplo 1.7. Cosidere uma população U = (1, 2, 3, 4, 5) e uma amostra s = k 1, k 2, k 3. Determie todas as amostra possíveis para um plao amostral com reposição, S(A), e para um plao amostral sem reposição, S(B), de tamaho 3. Para o plao amostral com reposição tem-se que: S(A) = s 1 = 1, 1, 1, s 2 = 1, 1, 2, s 3 = 1, 1, 3, s 4 = 1, 1, 4, s 5 = 1, 1, 5, s 6 = 1, 2, 1, s 7 = 1, 2, 2, s 8 = 1, 2, 3, s 9 = 1, 2, 4, s 10 = 1, 2, 5,. s 121 = 5, 5, 1, s 122 = 5, 5, 2, s 123 = 5, 5, 3, s 124 = 5, 5, 4, s 125 = 5, 5, 5 Para o plao amostral sem reposição tem-se que: S(B) = s 1 = 1, 2, 3, s 2 = 1, 2, 4, s 3 = 1, 2, 5, s 4 = 1, 3, 2, s 5 = 1, 3, 4, s 6 = 1, 3, 5. s 55 = 5, 3, 1, s 56 = 5, 3, 2, s 57 = 5, 3, 4, s 58 = 5, 4, 1, s 59 = 5, 4, 2, s 60 = 5, 4, 3 Amostragem sistemática: É realizada quado os elemetos da população estão ordeados e a seleção dos elemetos da amostra é feita periodicamete ou sistematicamete. Exemplo 1.8. Deseja-se selecioar uma amostra de tamaho 30 de um cadastro amostral com 500 elemetos. Seja, k = 500 = 16, Etão, como k ão é iteiro arredodamos para o maior iteiro meor igual a 16, 7. Assim, k = 16. Agora selecioamos ao acaso um úmero etre 1 e k, para isso utilize um gerador de úmeros aleatórios, por exemplo. Supoha que o úmero sorteado seja 9. Assim os elemetos da amostra serão 9, 25, 41,..., 473. Amostragem estratificada: Esse procedimeto cosiste em dividir a população em sub-populações (estratos). Estratos são divisões de acordo com algum critério, por exemplo: sexo, faixa etária, estado civil, assim detro de cada estrato teremos uma maior homogeeidade. Dessa forma, para uma população com N uidades amostrais e d estratos com tamahos N 1,..., N d, tem-se que d N i =1 i = N, portato teremos os seguite coeficiete de proporcioalidade c i = N i. Deste modo, para uma amostra de tamaho devemos selecioar uma AAS de N tamaho i = c i de cada estrato. Exemplo 1.9. Supoha o exemplo aterior que tehamos dois estratos(masculio, femiio), em que N 1 = 290 e N 2 = 210. Assim, c 1 = 290 = 0, 58 e c = 210 = 0, 42. Logo, 0, = , 4 e 0, = 12, 6. Portato, 1 = 17 e 2 = 13. O próxima etapa é coletar uma amostra utilizado o plao AASCR ou AASSR de tamaho 1 = 17 para o 1o. estrato e 2 = 13 para o 2o. estrato.

11 Observação 1.5. Este é o tipo de amostragem que produz o meor erro. Amostragem por coglomerado: Neste procedimeto cada uidade amostral é um grupo (coglomerado) de elemetos. Coglomerados são partes represetativas da população, por exemplo, dividimos um bairro em quarteirões. Assim cada quarteirão é uma uidade amostral. Deste modo, selecioamos uma AAS dos quarteirões para depois proceder-se o levatameto dos dados de todos os elemetos do Coglomerado. Observação 1.6. Este é o tipo de amostragem que produz o maior erro etre os procedimetos apresetados Erros de amostragem Sempre que coletamos uma amostra e a partir dela procuramos estimar certos parâmetros populacioais de iteresse, estaremos sujeitos a cometer algum erro, ão importa o quão bem plaejado teha sido a coleta dos dados. Pode-se classificar os erros de amostragem em dois tipos: Erro amostral e erro ão amostral. Erro amostral(e). é a difereça etre o resultado amostral e o verdadeiro resultado da população. Tais erros resultam das flutuações amostrais devidas ao acaso. Exemplo Seja x = (x 1,...,x 100 ) os valores de uma certa característa em uma população. Seja X = (X 1,..., X 5 ) uma amostra de tamaho 5 do vetor de característica da população x. Supoha que X 1 = x 3, X 2 = x 52, X 3 = x 11, X 4 = x 77, X 5 = x 31. Etão, por exemplo, a média populacioal é dada por, e a média amostral, X = X 1 + X X 5 5 Assim o erro amostral este caso será E = X µ. µ = x 1 + x x = x 3 + x 52 + = x 11 + x 77 + x 31 5 Erro ão amostral. ocorre quado os dados amostrais são coletados ou registrados icorretamete. Exemplos de erros ão amostrais: seleção de uma amostra por coveiêcia, uso de um istrumeto de medida defeituoso, digitação icorreta dos dados, etc. Observação 1.7. Se coletarmos uma amostra de maeira apropriada de modo que ela seja represetativa da população, poderemos utilizar os métodos estatísticos para avaliar o erro amostral.

12

13 Capítulo 2 Estatística Descritiva Após coletado os dados, a próxima etapa o processo de aálise estatística cosiste em descrever os dados coletados, isto é, resumir e descrever suas características mais importates. Esta etapa do processo é deomiada de estatística descritiva. Três métodos básicos da estatística descritiva são: costrução de tabelas de freqüêcia, costrução de gráficos e cálculo de medidas resumo. Quado se descreve um cojuto de dados, que pode ser composto de uma úica variável, caso uivariado, ou por um cojuto de variáveis, caso multivariado, algumas características devem ser observadas: 1. Cetro: O cetro de um cojuto de dados é um valor que seja represetativo do todo, isto é, uma medida que possa represetar o cojuto de dados; 2. Dispersão ou variação: Uma medida de dispersão ou variação é uma medida que resume a variabilidade presete um cojuto de dados; 3. Valores discrepates ou outliers: Elemetos da amostra que se ecotram muito distates da grade maioria dos dados; 4. Distribuição: A distribuição de freqüêcias dos dados forece iformação sobre a forma da distribuição de probabilidade dos dados, por exemplo, a distribuição pode ser simétrica, assimétrica, pode ter a forma de um sio ou pode ser achatada. 2.1 Tabela de distribuição de freqüêcias É uma tabela em que se colocam as freqüêcias observadas de cada categoria ou classe. Um dos objetivos de se costruir uma tabela de distribuição de freqüêcias é obter iformações sobre a forma da distribuição de probabilidade dos dados. Esta iformação ajudará a escolha de um modelo probabilístico. Mais adiate, iremos estudar algums modelos probabilísticos comums a prática. Existem dois tipos de tabela de distribuição de freqüêcias. 1. tabela de distribuição de freqüêcias por valores: esta tabela é adequada para variáveis qualitativas, ou quatitativas dicretas que ão possuam muitos valores diferetes; 2. tabela de distribuição de freqüêcias por classes ou itervalos: esta tabela é adequada para variáveis quatitativas cotíuas, ou dicretas que possuam muitos valores diferetes; 9

14 2.2 Distribuição de freqüêcias por valores É costruída cosiderado-se todos os diferetes valores ou categorias, levado-se em cosideração suas respectivas repetições(freqüêcias). Tabela 2.1: Procedêcia dos aluos Procedêcia N o de aluos % Capital 10 33,33 Iterior 12 40,00 O. região 8 26,67 Total Fote: Pesquisa em classe Tabela 2.2: Número de disciplias matriculadas Número de disciplias N o de aluos % , , , , ,33 Total Fote: Pesquisa em classe

15 2.3 Distribuição de Freqüêcias por classes ou itervalos Utiliza-se a Distribuição de Freqüêcias por itervalos ou classes quado temos uma grade variabilidade o dados, isto é tem-se muitos valores diferetes Regras para elaboração da Tabela de Distribuição de Freqüêcias 1. Efetua-se um rol estatístico os dados brutos, isto é, ordear os dados em ordem crescete; Tabela 2.3: Idade dos aluos Tabela 2.4: Rol Estatístico Determia-se a amplitude total(at) dos dados: AT = X m a x X m i em que X m i e X m a x são os valores míimo e máximo do cojuto de dados respectivamete. Para o osso exemplo te-se que AT = = 9; 3. Escolhe-se coveietemete o úmero de classes(k). Geralmete, etre 5 e 20 classes são satisfatórios. Um maeira prática de determiar o úmero de classes é utilizar k. No exemplo temos que: 30 = 5, 47, portato K = Determiar a amplitude de classe: h AT K. Assim, Obs.: Deve-se ter sempre h K AT. AT K = 9 5 = 1, 8 h = 2 5. Efetua-se o agrupameto em classes e elabora-se a tabela de Distribuição de Freqüêcias. Tabela 2.5: Tabela de distribuição de freqüêcias Idades (aos) Número de aluos % , , , , 67 Total Fote: Pesquisa em classe

16 2.4 Elemetos em uma tabela de Distribuição de Freqüêcias Limites de classe: L i f i L s u pi = [L i f i, L s u pi ); Amplitude de classe: h i = L s u pi L i f i ; Poto médio da classe: X i = L s u p i + L i f i 2 Observação 2.1. No caso em que todas as classes possuem a mesma amplitude tem-se que X i +1 = X i + h ou X i = X 1 + (i 1) h, para i 2; Freqüêcia simples ou absoluta: f i : freq. simples da i-ésima classes, isto é, o úmero de elemetos da classe. Portato, f i =1 i = ; Freqüêcia relativa: f ri = f i ; Freqüecia percetual: f i % = f ri 100;. Freqüêcia simples acumulada: F i = i i =1 f j = f 1 + f f i ; Freqüêcia relativa acumulada: F ri = i i =1 f r i = f r1 + f r2 + + f ri ; Freqüêcia percetual acumulada: F i % = i i =1 f j % = f 1 % + f 2 % + + f i %; Exemplo 2.1. Cotiuação do exemplo aterior. Tabela 2.6: Procedêcia dos aluos Procedêcia f i f ri f i % F i F ri F i % Capital 10 0, , , ,33 Iterior 12 0, , , ,33 Outras regiões 8 0, , Total Fote: Pesquisa em classe

17 Figura 2.1: Gráfico em setores Outros Estados Capital Iterior Figura 2.2: Gráfico de barras Capital Iterior Outros Estados Para a variável quatitativa tem-se que: Tabela 2.7: Tabela de distribuição de freqüêcias Idade(Aos) X i f i f ri f i % F i F ri F i % [18, 20) , , , ,00 [20, 22) , , , ,67 [22, 24) , , , ,00 [24, 26) ,0333 3, , ,33 [26, 28) ,0667 6, Total Fote: Pesquisa em classe Questões: 1. Qual a proporção de aluos com idade míima de 22 aos? Resposta: = , 67 = 23, 33% Qual a proporção de aluos com idade iferior a 24 aos mas que teham o míimo 20 aos? Resposta: = = 50%. 30

18 Figura 2.3: Histograma e Polígoo de freqüêcias Exemplo 2.2. Uma amostra aleatória de 36 aluos da disciplia de Estatística Vital foi selecioada e o curso de cada aluo foi aotada. Tabela 2.8: Curso Tabela 2.9: Rol Estatístico Elabore uma tabela de distribuição de freqüêcias adequada para os dados; Faça um gráfico baseado os valores da tabela acima. 2.5 Medidas de Tedêcia Cetral Detre as medidas de tedêcia cetral, destacamos: 1. Média Aritmética ou Média; 2. Moda; 3. Mediaa

19 Tabela 2.10: Amostra de 36 aluos da variável Curso Curso f i f ri f i % F i F ri F i % ,0278 2,78 1 0,0278 2, ,0833 8,33 4 0, , , , , , , , , , ,0833 8, Total Fote: Pesquisa em classe Média Aritmética A) Dada uma população x = (x 1,...,x N ), etão a média, chamada de média populacioal e deotada por µ, é dada por, µ = x x N N B) Dada uma amostra X = (X 1,..., X ), etão a média, chamada de média amostral e deotada por X, é dada por, X = X X ; Exemplo 2.3. Para a amostra de idades de 30 aluos do exemplo calcular a idade média dos aluos X = = 20, 6; 30 C) Para uma tabela de distribuição de freqüêcias, a média é dada por, X = X 1 f X f. em que, f i é a freqüêcia simples da i-ésima classe e X i é o poto médio da i-ésima classe. Exemplo 2.4. Para a tabela de distribuição de freqüêcias da amostra de 30 aluos calcular a idade média dos aluos. DESVANTAGENS DA MÉDIA X = = 21; 30 É uma medida de tedêcia cetral que por uiformizar os valores de um cojuto de dados, ão represeta bem os cojutos que revelam tedêcias extremas. Ou seja, é grademete iflueciada pelos valores extremos (grades) do cojuto; Exemplo 2.5. Cosidere os salários de 6 empregados de uma determiada empresa: ; R$1180 R$1230 R$1250 R$1240 R$1220 R$2940

20 Portato o salário médio pago pela empresa é: X = = Não pode ser calculada para distribuições de freqüêcias com limites idetermiados (idefiidos); VANTAGENS É a medida de tedêcia cetral mais cohecido e de maior emprego; É facilmete calculável; Tem propriedades iteressates; Depede de todos os valores do cojuto de dados. Propriedades 1. A soma dos desvios em relação a média é zero, isto é, (X 1 X ) + (X 2 X ) + + (X X ) = 0 Para as propriedades seguites cosidere as duas amostras (X 1,..., X ) e (Y 1,..., Y ) das variáveis X e Y respectivamete e c > 0 uma costate arbitrária. 2. Se Y = X + c etão Y = X + c. Se Y = X c etão Y = X c ; 3. Y = c X etão Y = c X. Y = X c etão Y = X c. 4. Seja Z = X + Y uma outra variável etão Z = X + Y Moda A) Dada uma amostra de elemetos (X 1,..., X ), etão a moda, deotada por Mo, será o valor mais freqüete a amostra, isto é, de maior freqüecia simples f. Exemplo 2.6. Para a amostra de idades da Tabela 2.3 a moda é Mo = 21 pois é o valor com maior freqüecia simples f = 7; B) Para uma tabela de distribuição de freqüêcias por classes ou itervalos, a moda será um valor detro da classe modal(classe com maior freqüecia simples f i ). Portato, para dados agrupados, a moda será dada por: Mo = L i f Mo + 1 h Mo 1 + 2

21 em que, L i f Mo = Limite iferior da classe modal; h Mo = Amplitude da classe modal; 1 = f Mo f A ; 2 = f Mo f P ; f A = freqüecia simples da classe aterior a classe modal; f P = freqüecia simples da classe posterior a classe modal; Exemplo 2.7. Para a Tabela 2.5 de distribuição de freqüêcias das idades dos aluos, a moda é dado por: A classe modal é 18 20; L i f Mo = 18; h Mo = 2; f Mo = 12 f A = 0, f P = 11 1 = 12 0 = 12; 2 = = 1; Portato, Mo = = , 8 = 19, DESVANTAGENS DA MODA Nem sempre é úica e em sempre existe; Seu valor ão depede de todos os valores da amostra; VANTAGENS DA MODA Não é iflueciada por extremos; Pode ser calculada a maioria das vezes para distribuições de freqüêcia com limites idetermiados Mediaa A) Dada uma amostra de elemetos (X 1,..., X ), etão a mediaa, deotada por M e, será o valor que divide a amostra em duas partes iguais. Se o tamaho da amostra for ímpar etão M e = X ( +1 2 ). Ex: 2,9,5,8,3,13,11 etão M e = X ( ) = X (4) = 8. X ( Se o tamaho da amostra for par etão M e = 2 ) +X ( 2 +1 ). Ex: 2,9,5,8,3,13,11,13 etão M e = X (4) +X (5) 2 = = 8, 5. Exemplo 2.8. Para a amostra de idades da Tabela?? a mediaa é M e = X (15)+X (16) 2 2 = = 20;

22 B) Para uma tabela de distribuição de freqüêcias por classes ou itervalos, a mediaa será um valor detro da classe da mediaa. A classe da mediaa será a classe que F i satisfazer: O meor F i maior ou igual a. Portato, para os dados agrupados a mediaa será dado por: 2 em que: M e = L i f M e + 2 F A h M e f M e L i f M e = Limite iferior da classe da mediaa; h M e = Amplitude da classe da mediaa; f M e = freqüecia simples da classe da mediaa; F A = freqüecia simples acumulada da classe aterior a classe da mediaa; Exemplo 2.9. Para a Tabela 2.5 de distribuição de freqüêcias das idades dos aluos, a mediaa é dado por: A classe modal é 20 22; L i f M e = 20; h M e = 2; f M e = 11 F A = 12 1 = 12 0 = 12; 2 = = 1; Portato, M e = = = 20, Assimetria Para verificar se uma distribuição é simétrica ou assimétrica é usual utilizar a relação etre a média e a mediaa, Assim: Se média Mediaa a distribuição é simétrica; Se média>mediaa a distribuição é assimétrica à direita; Se média<mediaa a distribuição é assimétrica à esquerda; 2.6 Medidas de Dispersão Uma medida de dispersão que os forece iformação sobre a variabilidade de um cojuto de dados, coseqüetemete da população. Diz-se que cojuto de dados é mais homogêeo que outro quado possui variabilidade meor que o do outro cojuto de dados. 1. Amplitude Total: AT = X m a x X m i

23 Exemplo Seja X = (3, 5, 5, 7) e Y = (4, 5, 5, 6, 5) duas amostras aleatória das variáveis X e Y respectivamete. Etão, X = = 5 e Y = AT X = 7 3 = 4 e AT Y = 6 4 = 2 = 5 2. Variâcia e Desvio padrão: (A) Variâcia(σ 2 ) e Desvio padrão(σ) populacioal: Para uma população de tamaho N, tem-se que N N σ 2 i =1 = (X i µ) 2 e σ = (X i =1 i µ) 2 N N (B) Variâcia(S 2 ) e Desvio padrão(s) amostral: Para uma amostra de tamaho N, tem-se que S 2 i =1 = (X i X ) 2 e S = (X i =1 i X ) 2 Observação 2.2. Como S 2 é um estimador viciado para σ, isto é, o valor esperado de S 2, E (S 2 ), ão é σ 2, ou seja, E (S 2 ) σ 2. Assim, a prática utilizamos, S 2 i =1 = (X i X ) 2. 1 que é ão viciado, isto é, E (S 2 ) = σ 2. Apesar disso, é um estimador viciado para σ. S = i =1 (X i X ) 2 1 Exemplo Para a amostra do exemplo aterior temos que: S 2 x = (3 5)2 + (5 5) 2 + (5 5) 2 + (7 5) S 2 y = (4 5)2 + (5 5) 2 + (5 5) 2 + (6 5) 2 + (5 5) = 2, 67 e S x = 2, 67 = 1, 63 (C) Variâcia(S 2 ) e Desvio padrão(s) amostral para dados agrupados: S 2 = i =1 m i (X i X ) 2 1 = 0, 5 e S y = 0, 5 = 0, 71 em que X i é o poto médio da classes ou itervalo, f i é a freqüêcia simples da classes ou itervalo.

24 Exemplo Para os dados sobre a idade dos aluos temos que: S 2 = 12 (19 21) (21 21) (23 21) (25 21) (27 21) = = 5, 24 e S = 5, 24 = 2, Coeficiete de variação: Utilizamos esta medida quado desejamos comparar cojutos de dados diferetes em escala ou em uidade. C V = S X 100 Exemplo Para X = (3, 5, 5, 7) e Y = (4, 5, 5, 6, 5) tem-se que: C V X = S X 100 = 14, 2 X Exemplo Os dados da tabela abaixo são de 11 pessoas do sexo masculio, aparetemete ormais, com idades variado etre 14 e 24 aos: Verificar qual variável apreseta: 1, = = 32, 6 e C V Y = S Y Y 100 = 0, 71 5 Nível de colesterol o sague a Peso(Kg) Pressão sistólica saguíea b a em mg/100cc b em mm de Hg (a) Maior variabilidade; (b) Meor variabilidade. Solução: Deotado X =Nível de colesterol o sague, Y =Peso e Z =Pressão sistólica saguíea, tem-se que: X = = 165, Y = = 57, Z = = 118, 7 11 S 2 = ( , 5)2 + ( , 5) ( , 5) 2 = 109, 9 X 10 S 2 = (51 57, 3)2 + (53 57, 3) (61 57, 3) 2 = 10 Y 10 S 2 = ( , 7)2 + ( , 7) ( , 7) 2 = 35 Z 10 C V X = S2 X 109, 9 X 100 = 165, = 6, 33%, C V Y = S2 Y 10 Y 100 = 100 = 5, 52% 57, 3 C V Z = S2 Z 35 Z 100 = 100 = 4, 98% 118, 7

25 Portato, o ível de colesterol o sague é o que tem maior variabilidade e a pressão sistólica saguíea é a que tem meor variabilidade.

26

27 Capítulo 3 Itrodução a Probabilidade Objetivo: O objetivo da teoria da Probabilidade é criar modelos teóricos que reproduzam de maeira razoável a distribuição de freqüêcias de feômeos(experimetos) aleatórios de iteresse. Tais modelos são chamados modelos probabilísticos. Defiição 3.1 (Experimeto aleatório). Um experimeto que pode forecer diferetes resultados, muito embora seja repetido toda vez da mesma maeira, é chamado experimeto aleatório. Características essecial de um experimeto aleatório: Imprevisibilidade: o resultado do experimeto ão pode ser cohecido a priori; Exemplos de experimetos aleatórios (E1) Laçar uma moeda uma vez. Aota-se o resultado; (E2) Laçar uma moeda duas vezes. Aota-se a seqüêcia obtida; (E3) Laçar uma moeda duas vezes. Aota-se o úmero de caras obtido; (E4) Numa liha de produção cota-se o úmero de peças defeituosas um dia de trabalho; (E5) Uma ura cotém duas bolas bracas e três bolas vermelhas. Retira-se uma bola ao acaso da ura. Se for braca, laça-se uma moeda; se for vermelha, ela é devolvida à ura e retira-se outra bola. Aota-se o resultado obtido. Defiição 3.2 (Espaço amostral). É o cojuto de todos os resultados de um experimeto aleatório. Notação: Ω Cada resultado possível é deomiado poto ou elemeto de Ω e deotado geericamete por ω. Assim, escrevemos ω Ω para idicar que o elemeto ω está em Ω. Exemplos de espaço amostral: (E1) Ω = c, r, em que c=cara e r=coroa; (E2) Ω = (c, c),(c, r ),(r, c),(r, r ) ; (E3) Ω = 0, 1, 2 ; 23

28 (E4) Ω = 0, 1, 2,... ; (E5) Ω = (B, c),(b, r ),(V, B),(V, V ), em que B=bola braca, V=bola vermelha; Defiição 3.3. Sejam A e B dois cojutos. Etão diz-se que A é um subcojuto de B se, e somete se ω A implicar ω B. Notação: A B. Observação 3.1. Da Defiição 3.3 segue que A A, pois ω A implicar ω A. Observação 3.2. Se A ão é um subcojuto de B, etão existe pelo meos um ω A tal que ω / B. Notação: A B. Defiição 3.4 (Igualdade de cojutos). Sejam A e B dois cojutos. Etão diz-se que A = B se, e somete se, A B e B A, isto é, ω A implicar ω B e ω B implicar ω A. Observação 3.3. Se A ão é igual a B, etão existe pelo meos um ω A tal que ω / B ou um ω B tal que ω / A. Defiição 3.5 (Eveto). É um subcojuto do espaço amostral Ω. Os subcojutos de Ω serão deotados por letras latias maiúsculas (A,B,C,... ). Se A é um subcojuto de Ω etão deotamos A Ω. Exemplo 3.1. Cosidere o experimeto aleatório (E2). Seja A=Obteção de faces iguais. Portato, A = (c, c),(r, r ) ; Observação 3.4. Diz-se que " ocorre o eveto A" quado o resultado do experimeto aleatório for um elemeto de A. Observação 3.5. O espaço amostral Ω e o cojuto vazio também são evetos, em que Ω é o eveto certo e é o eveto impossível. Operações básicas etre cojutos Sejam A Ω e B Ω, etão: Complemetar: A c = ω Ω : ω / A ; Iterseção: A B = ω Ω : ω A e ω B ; Uião: A B = ω Ω : ω A ou ω B = ω Ω : ω a pelo meos um dos evetos ; Difereça: A B = ω Ω : ω A e ω / B, deste modo segue que A B = A B c ; Difereça simétrica: A B = ω Ω : ω A e ω / B ou ω / A e ω B, deste modo segue que A B = (A B c ) (A c B) ou também A B = (A B) (A B). Defiição 3.6 (Evetos disjutos). Dois evetos são disjutos se e somete se A B =. Observação 3.6. Da Defiição 3.6 segue que o cojuto vazio é disjuto de qualquer outro eveto, pois para todo eveto A tem-se que A =.

29 Defiição 3.7 (Partição de um eveto). Seja A um subcojuto de Ω. Etão A 1,..., A formam uma partição de A se e somete se A i A j = para todo i j e i =1 A i = A. Deste modo, se A = Ω etão A 1,..., A formam uma partição de Ω se e somete se A i A j = para todo i j e i =1 A i = Ω. Proposição 3.1 (Leis de De Morga). Sejam A 1,..., A tal que A i Ω para todo i, etão: (i) i =1 A c i = i =1 Ac i Imterpretação: o complemetar da ocorrêcia de pelo meos um dos evetos é a ão ocorrêcia de todos os evetos; (ii) i =1 A c i = i =1 Ac i. Imterpretação: o complemetar da ocorrêcia de todos os evetos é a ão ocorrêcia de pelo meos um dos evetos. Defiição 3.8 (σ-álgebra). Uma classe de subcojutos de Ω é deomiada uma σ-álgebra se ela satisfaz: (F1) Ω ; (F2) Se A etão A c ; (F3) Se A i para todo i 1 etão i =1 A i ; Exemplo 3.2. Exemplos de σ-álgebras: 1. = {,Ω}, esta é a σ-álgebra trivial; 2. = {,Ω, A, A c }, para Ω = A A c ; 3. Cosidere o experimeto (E3), assim Ω = {0, 1, 2}. Portato, =,Ω, 0, 1, 2,{0, 1},{0, 2},{1, 2} é uma σ-álgebra de subcojutos de Ω. Neste caso, é chamado de σ-álgebra das partes de Ω e é deotado por. Defiição 3.9. Seja Ω fiito eumerável, um espaço de evetos equiprováveis. Assim, para todo A segue que a probabilidade de A é dada por, P(A) = #A #Ω em que # é o úmero de elemetos do cojuto. Esta defiição é também cohecida como regra de Laplace. A Defiição 3.9 é a defiição clássica de probabilidade. Exemplo 3.3. Cosidere o experimeto aleatório (E2). Seja A=Obteção de faces iguais. Portato, A = (c, c),(r, r ). Deste modo, P(A) = 2 = 0, 5. 4

30 Defiição Seja Ω um espaço amostral de um experimeto aleatório. Seja repetições idepedetes de um experimeto aleatório e A o úmero de ocorrêcias do eveto A as repetições idepedetes do experimeto. Etão, a probabilidade de A é dada por, A P(A) = lim p A em que 0 p A 1. Esta covergêcia é garatida pelas Lei dos Grades Numeros. Defiição Seja (Ω, ) um espaço mesurável. Etão uma fução P : [0, 1] é uma probabilidade se, (P1) P(Ω) = 1; (P2) Para todo A tem-se P(A) 0; (P3) P é σ-aditiva, isto é, se A 1, A 2,..., são dois a dois disjutos etão, P A = P(A ). =1 Esta é a defiição axiomática devida a Kolmogorov. A trica (Ω,, P) é chamada de espaço de probabilidade. Propriedades de uma medida de probabilidade (C1) Para todo A tem-se P(A c ) = 1 P(A). De fato, como Ω = A A c e A A c = segue que, (C2) P( ) = 0, pois Ω = c logo por (C1) P(Ω) = 1 = P(A A c ) = P(A) + P(A c ) P(A c ) = 1 P(A) 0; =1 P( ) = 1 P(Ω) = 1 1 = 0; (C3) P é uma fução ão decrescete, isto é, para todo A, B tal que A B tem-se que P(A) P(B). Para ver isso, basta otar que B = A (B A) e A (B A) =, portato, P(B) = P A (B A) = P(A) + P(B A) pela codição (P2) segue que P(B A) 0 portato P(B) P(A); (C4) Para todo A, B tal que A B tem-se que P(B A) = P(B) P(A); Este resultado segue diretamete do aterior; (C5) Para todo A, B arbitrários tem-se que: De fato, P(A B) = P(A) P(A B) e P(B A) = P(B) P(A B). e P(A B) = P(A B c ) = P(A (Ω B)) = P(A Ω A B) = P(A A B) = P(A) P(A B), por (C4), pois A B A P(B A) = P(A c B) = P((Ω A) B) = P(Ω B A B) = P(B A B) = P(B) P(A B), por (C4), pois A B B

31 (C6) Para todo A tem-se que 0 P(A) 1. Este resultado segue de (P1), (P2) e (C3) e do fato que A Ω; 3.1 Probabilidade Codicioal Seja (Ω,, P) o espaço de probabilidade para um determiado experimeto aleatório. Supoha que tehamos a priori alguma iformação a respeito do resultado do experimeto aleatório. Por exemplo, supoha que saibamos que um determiado eveto B ocorreu. Isto elimia qualquer icerteza que tíhamos a respeito da ocorrêcia ou ão do eveto B. Além do mais, esta ova iformação a respeito do experimeto aleatório pode mudar as icertezas a respeito de outros evetos em e portato uma ova medida de probabilidade deve ser cosiderada. Esta ova medida de probabilidade é também uma medida o espaço mesurável (Ω, ), será chamada de Probabilidade codicioal. Exemplo 3.4. Seja Ω = 1, 2, 3, 4, 5, 6 um espaço de evetos equiprováveis. Seja = a σ-álgebra das partes de Ω e P a medida de probabilidade defiida em (Ω, ) assim, para todo A. Cosidere os seguites evetos, P(A) = #A #Ω A = {1, 2, 6} e B = {2, 3, 5}. Deste modo, tem-se que P(A) = 3 6 = 1 2 e P(B) = 3 6 = 1 2. Supoha agora que tehamos a iformação que o eveto B ocorreu. Essa iformação poderá alterar a probabilidade atribuída aos evetos em. A ova medida de probabilidade será deotada por P(. B). Observe que podemos cosiderar que temos um ovo espaço amostral Ω B = B e uma ova σ-álgebra B = C B : C = A B, para algum A. Desta maeira, tem-se que B, por este motivo B é deomiada uma restrição de ao eveto B. Assim, o ovo espaço de probabilidade seria B, B, P(. B). Para o exemplo acima, dado que o eveto B ocorreu, etão o eveto A só irá ocorrer se o eveto C = {1} = A B ocorrer, assim #(A B) P(A B) = = 1 #(B) 3. Etretato, ão é ecessária a costrução deste ovo espaço de probabilidade, pois pode-se cosiderar apeas uma ova medida de probabilidade para o mesmo espaço mesurável (Ω, ). Para fazer isso, basta que a ova medida de probabilidade P(. B) seja válida para todo A e ão apeas para A B. Deste modo, para um dado eveto B tem-se A (B B c ) P(A) = P(A) P(Ω) = P P(B B c ) = P(A B) + P(A B c ) P(B) + P(B c )

32 Nestas codições segue que, dado que o eveto B ocorreu, tem-se que P(B c ) = 0 e P(A B c ) = 0 logo pode-se defiir P(. B) para todo A, com segue, Para o exemplo assim tem-se que, P(A B) P(A B) =. P(B) P(A B) = 1 6 = Defiição 3.12 (Probabilidade Codicioal). Seja (Ω,, P) um espaço de probabilidade. Seja B um eveto tal que P(B) > 0. Etão a probabilidade codicioal, dado o eveto B, é uma fução deotada por P(. B) e defiida para todo A como segue, P(A B) P(A B) =. (3.1) P(B) em que P(A B) é chamada a probabilidade codicioal de A dado B. Teorema 3.1 (Regra do Produto). Seja A i, i = 1,..., evetos tais que, P 1 A > 0 i =1 etão, P A = P(A 1 )P(A 2 A 1 )P(A 3 A 1 A 2 ) P(A A 1 A 2 A 1 ). i =1 Demostração. Fazer por idução. Para = 2 tem-se que P(A 1 A 2 ) = P(A 1 )P(A 2 A 1 ) pela Defiição 3.12 de probabilidade codicioal. Supor que é valido para = k, isto é, P(A 1 A k ) = P(A 1 )P(A 2 A 1 ) P A k k 1 A i =1 i e etão mostrar que vale para = k + 1. Assim, seja B k = k i =1 A i, logo P(B k A k +1 ) = P(B k )P(A k +1 B k ). Exemplo 3.5. Uma ura cotém 2 bolas bracas, 3 pretas e 4 verdes. Duas bolas são retiradas ao acaso sem reposição. Qual a probabilidade de que: (a) Ambas sejam verdes? (b) Ambas sejam da mesma cor?

33 Solução: Tem-se que Ω = (b,b),(b, p),(b, v ),(p,b),(p, p),(p, v ),(v,b),(v, p),(v, v ), em que b=bola braca; p=bola preta e v=bola verde, assim: (a) sejam os evetos A =retirar verde o 1o. sorteio e B =retirar verde o 2o. sorteio, logo, A = (v,b),(v, p),(v, v ) ; B = (b, v ),(p, v ),(v, v ) e A B = (v, v ). Assim, (b) Seja C =Ambas sejam da mesma cor, logo, C = P(A B) = P (v, v ) = P(A)P(B A) = = 1 6. (b,b),(p, p),(v, v ). Portato, de modo semelhate ao item (a) tem-se que: P C = P (b,b) + P (p, p) + P (v, v ) = = = 5 18 Teorema 3.2 (Probabilidade Total). Seja para todo i = 1,...,. Etão, para todo B tem-se que, Demostração. De fato, pois assim, P(B) = A i, i = 1,..., uma partição de Ω com P(A i ) > 0 P(A i )P(B A i ). i =1 B = B Ω = B i =1 A i, P(B) = P B A i =1 i = P (A i =1 i B) = P(A i B) = i =1 P(A i )P(B A i ). i =1 Exemplo 3.6. Seja U 1 e U 2 duas uras. A ura U 1 cotém 3 bolas pretas e 2 vermelhas e a ura U 2 cotém 4 bolas pretas e 2 vermelhas. Escolhe-se ao acaso uma ura e dela retira-se ao acaso uma bola. Qual a probabilidade de que a bola seja preta? Solução: Seja A =bola preta. Note que U 1 e U 2 formam uma partição de Ω, assim P(A) = P(U 1 )P(A U 1 ) + P(U 2 )P(A U 2 ) = = = 19 30

34 Teorema 3.3 (Fórmula de Bayes). Seja {A i, i = 1,..., } uma partição de Ω com P(A i ) > 0 para todo i = 1,...,. Etão, para todo B para o qual P(B) > 0 tem-se que, P(A j B) = P(A j )P(B A j ) i =1 P(A i )P(B A i ) Exemplo 3.7. Do exemplo aterior, calcule a probabilidade de que dado uma bola preta teha sido sorteada, ela seja da ura U 1? Solução: Primeiro ote que U 1 e U 2 são uma partição de Ω. Assim, P(U 1 )P(P U 1 ) P(U 1 P) = P(U 1 )P(P U 1 ) + P(U 2 )P(P U 2 ) = = = Defiição Sejam A, B e ((Ω, ), P) um espaço de probabilidade. Etão A e B são idepedetes se P(A B) = P(A) com P(B) > 0 ou se P(B A) = P(B) com P(A) > 0. Isto é, o fato de um dos evetos ocorrer ão altera a probabilidade do outro ocorrer, assim da Defiição 3.12 de probabilidade codicioal segue que, P(A B) = P(A)P(A B) = P(A B)P(B) = P(A)P(B). Observação 3.7. Note que os coceitos de evetos disjutos e evetos idepedetes ão iguais. De um modo geral, dois evetos disjutos ão são idepedetes e vice-versa. A úica possibilidade para que dois evetos disjutos sejam idepedetes é se um deles tiver probabilidade zero. Por outro lado, dois evetos idepedetes só serão disjutos se um dos evetos for o cojuto vazio. Exemplo 3.8. Sejam dois evetos A e B tal que P(A) = 1, P(A B) = 1 e P(B A) = 1. Esses evetos são idepedes? Solução: Os evetos A e B são idepedetes, pois, P(A B) = P(A)P(B A) = = 1 8 P(A B) = P(B)P(A B) P(B) = P(A)P(B) = = 1 = P(A B) 8 P(A B) P(A B) = 1 8 = Defiição Seja (Ω,, P) um espaço de probabilidade e A 1,..., A evetos em. Etão os evetos são idepedetes se, P(A 1 A ) = P(A 1 ) P(A ) Etretato, os evetos são completamete idepedetes se, P(A i 1 A i k ) = P(A i 1 )... P(A i k ) para k = 2,..., e i 1,..., i k = 1,..., tal que 1 i 1 <... < i k.

35 Capítulo 4 Variáveis aleatórias Neste capítulo serão estudados o coceito de variável aleatória, sua classificação: discreta e cotíua; os tipos de distribuição de probabilidade: fução de probabilidade, fução de distribuição e desidade de probabilidade; e os coceitos de esperaça e variâcia para cada tipo de variável aleatória apresetada. 4.1 Coceitos e defiições Defiição 4.1 (Variável aleatória). Seja um experimeto aleatório e (Ω,, P) o espaço de probabilidade associado a. Etão uma fução X : Ω, que associa a cada elemeto de ω Ω um úmero real é uma variável aleatória se, X 1 (B) = ω Ω : X (ω) B. Observação 4.1. A fução X deve ser uívoca, isto é, para cada ω Ω deve haver apeas um X (ω) associado. Etretato, diferetes valores de ω podem levar a um mesmo valor de X. Exemplo 4.1. Cosidere o seguite experimeto: selecioar uma peça em uma liha de produção e observar se a peça é boa ou ruim. Nestas codições, segue que Ω = {b, r } em que b=boa e r=ruim. Cosideremos a seguite variável aleatória, X (ω) = 0 se ω = b, 1 se ω = r, Assim, cosiderado a σ álgebra das partes de Ω, isto é, = itervalo I tal que: {0, 1} / I, por exemplo I = ( 5, 0), assim X 1 (I ) = ; 0 I e 1 / I, por exemplo I = 0, 1 2, assim X 1 (I ) = X 1 (0, 0] 0, 1 2 = X 1 (0) X 1 0, 1 2,Ω,b, r tem-se que para todo = {b} = {b} ; 31

CAPÍTULO 5 - INTRODUÇÃO À INFERÊNCIA ESTATÍSTICA

CAPÍTULO 5 - INTRODUÇÃO À INFERÊNCIA ESTATÍSTICA CAPÍTULO 5 - INTRODUÇÃO À INFERÊNCIA ESTATÍSTICA 5. INTRODUÇÃO É freqüete ecotrarmos problemas estatísticos do seguite tipo : temos um grade úmero de objetos (população) tais que se fossem tomadas as medidas

Leia mais

ActivALEA. ative e atualize a sua literacia

ActivALEA. ative e atualize a sua literacia ActivALEA ative e atualize a sua literacia N.º 29 O QUE É UMA SONDAGEM? COMO É TRANSMIITIIDO O RESULTADO DE UMA SONDAGEM? O QUE É UM IINTERVALO DE CONFIIANÇA? Por: Maria Eugéia Graça Martis Departameto

Leia mais

AMOSTRAGEM. metodologia de estudar as populações por meio de amostras. Amostragem ou Censo?

AMOSTRAGEM. metodologia de estudar as populações por meio de amostras. Amostragem ou Censo? AMOSTRAGEM metodologia de estudar as populações por meio de amostras Amostragem ou Ceso? Por que fazer amostragem? população ifiita dimiuir custo aumetar velocidade a caracterização aumetar a represetatividade

Leia mais

Testes de Hipóteses para a Diferença Entre Duas Médias Populacionais

Testes de Hipóteses para a Diferença Entre Duas Médias Populacionais Estatística II Atoio Roque Aula Testes de Hipóteses para a Difereça Etre Duas Médias Populacioais Vamos cosiderar o seguite problema: Um pesquisador está estudado o efeito da deficiêcia de vitamia E sobre

Leia mais

Introdução ao Estudo de Sistemas Lineares

Introdução ao Estudo de Sistemas Lineares Itrodução ao Estudo de Sistemas Lieares 1. efiições. 1.1 Equação liear é toda seteça aberta, as icógitas x 1, x 2, x 3,..., x, do tipo a1 x1 a2 x2 a3 x3... a x b, em que a 1, a 2, a 3,..., a são os coeficietes

Leia mais

CAP. I ERROS EM CÁLCULO NUMÉRICO

CAP. I ERROS EM CÁLCULO NUMÉRICO CAP I ERROS EM CÁLCULO NUMÉRICO 0 Itrodução Por método umérico etede-se um método para calcular a solução de um problema realizado apeas uma sequêcia fiita de operações aritméticas A obteção de uma solução

Leia mais

EQUAÇÕES DIFERENCIAIS LINEARES DE ORDEM N

EQUAÇÕES DIFERENCIAIS LINEARES DE ORDEM N EQUAÇÕES DIFERENCIAIS LINEARES DE ORDEM N Estudaremos este capítulo as equações diereciais lieares de ordem, que são de suma importâcia como suporte matemático para vários ramos da egeharia e das ciêcias.

Leia mais

DISTRIBUIÇÃO AMOSTRAL DA MÉDIA E PROPORÇÃO ESTATISTICA AVANÇADA

DISTRIBUIÇÃO AMOSTRAL DA MÉDIA E PROPORÇÃO ESTATISTICA AVANÇADA DISTRIBUIÇÃO AMOSTRAL DA MÉDIA E PROPORÇÃO Ferado Mori DISTRIBUIÇÃO AMOSTRAL DA MÉDIA E PROPORÇÃO ESTATISTICA AVANÇADA Resumo [Atraia o leitor com um resumo evolvete, em geral, uma rápida visão geral do

Leia mais

VII Equações Diferenciais Ordinárias de Primeira Ordem

VII Equações Diferenciais Ordinárias de Primeira Ordem VII Equações Difereciais Ordiárias de Primeira Ordem Itrodução As equações difereciais ordiárias são istrumetos esseciais para a modelação de muitos feómeos proveietes de várias áreas como a física, química,

Leia mais

Duas Fases da Estatística

Duas Fases da Estatística Aula 5. Itervalos de Cofiaça Métodos Estadísticos 008 Uiversidade de Averio Profª Gladys Castillo Jordá Duas Fases da Estatística Estatística Descritiva: descrever e estudar uma amostra Estatística Idutiva

Leia mais

Teste de Hipóteses VÍCTOR HUGO LACHOS DÁVILAD

Teste de Hipóteses VÍCTOR HUGO LACHOS DÁVILAD Teste de ióteses VÍCTOR UGO LACOS DÁVILAD Teste De ióteses. Exemlo. Cosidere que uma idustria comra de um certo fabricate, ios cuja resistêcia média à rutura é esecificada em 6 kgf (valor omial da esecificação).

Leia mais

O erro da pesquisa é de 3% - o que significa isto? A Matemática das pesquisas eleitorais

O erro da pesquisa é de 3% - o que significa isto? A Matemática das pesquisas eleitorais José Paulo Careiro & Moacyr Alvim O erro da pesquisa é de 3% - o que sigifica isto? A Matemática das pesquisas eleitorais José Paulo Careiro & Moacyr Alvim Itrodução Sempre que se aproxima uma eleição,

Leia mais

Jackknife, Bootstrap e outros métodos de reamostragem

Jackknife, Bootstrap e outros métodos de reamostragem Jackkife, Bootstrap e outros métodos de reamostragem Camilo Daleles Reó camilo@dpi.ipe.br Referata Biodiversa (http://www.dpi.ipe.br/referata/idex.html) São José dos Campos, 8 de dezembro de 20 Iferêcia

Leia mais

INTRODUÇÃO A TEORIA DE CONJUNTOS

INTRODUÇÃO A TEORIA DE CONJUNTOS INTRODUÇÃO TEORI DE CONJUNTOS Professora Laura guiar Cojuto dmitiremos que um cojuto seja uma coleção de ojetos chamados elemetos e que cada elemeto é um dos compoetes do cojuto. Geralmete, para dar ome

Leia mais

Equação Diferencial. Uma equação diferencial é uma expressão que relaciona uma função desconhecida (incógnita) y com suas derivadas.

Equação Diferencial. Uma equação diferencial é uma expressão que relaciona uma função desconhecida (incógnita) y com suas derivadas. Equação Difereial Uma equação difereial é uma epressão que relaioa uma fução desoheida (iógita) om suas derivadas É útil lassifiar os diferetes tipos de equações para um desevolvimeto sistemátio da Teoria

Leia mais

1.4- Técnicas de Amostragem

1.4- Técnicas de Amostragem 1.4- Técicas de Amostragem É a parte da Teoria Estatística que defie os procedimetos para os plaejametos amostrais e as técicas de estimação utilizadas. As técicas de amostragem, tal como o plaejameto

Leia mais

FACULDADE DE ADMINISTRAÇÃO E NEGÓCIOS DE SERGIPE

FACULDADE DE ADMINISTRAÇÃO E NEGÓCIOS DE SERGIPE FACULDADE DE ADMINISTRAÇÃO E NEGÓCIOS DE SERGIPE CURSO: ENGENHARIA DE PRODUÇÃO ASSUNTO: INTRODUÇÃO ÀS EQUAÇÕES DIFERENCIAIS, EQUAÇÕES DIFERENCIAIS DE PRIMEIRA ORDEM SEPARÁVEIS, HOMOGÊNEAS, EXATAS, FATORES

Leia mais

Lista 9 - Introdução à Probabilidade e Estatística

Lista 9 - Introdução à Probabilidade e Estatística UNIVERSIDADE FEDERAL DO ABC Lista 9 - Itrodução à Probabilidade e Estatística Desigualdades e Teoremas Limites 1 Um ariro apota a um alvo de 20 cm de raio. Seus disparos atigem o alvo, em média, a 5 cm

Leia mais

Séries de Potências AULA LIVRO

Séries de Potências AULA LIVRO LIVRO Séries de Potêcias META Apresetar os coceitos e as pricipais propriedades de Séries de Potêcias. Além disso, itroduziremos as primeiras maeiras de escrever uma fução dada como uma série de potêcias.

Leia mais

INTRODUÇÃO. Exemplos. Comparar três lojas quanto ao volume médio de vendas. ...

INTRODUÇÃO. Exemplos. Comparar três lojas quanto ao volume médio de vendas. ... INTRODUÇÃO Exemplos Para curar uma certa doeça existem quatro tratametos possíveis: A, B, C e D. Pretede-se saber se existem difereças sigificativas os tratametos o que diz respeito ao tempo ecessário

Leia mais

CAPÍTULO 5 CIRCUITOS SEQUENCIAIS III: CONTADORES SÍNCRONOS

CAPÍTULO 5 CIRCUITOS SEQUENCIAIS III: CONTADORES SÍNCRONOS 60 Sumário CAPÍTULO 5 CIRCUITOS SEQUENCIAIS III: CONTADORES SÍNCRONOS 5.1. Itrodução... 62 5.2. Tabelas de trasição dos flip-flops... 63 5.2.1. Tabela de trasição do flip-flop JK... 63 5.2.2. Tabela de

Leia mais

1.5 Aritmética de Ponto Flutuante

1.5 Aritmética de Ponto Flutuante .5 Aritmética de Poto Flutuate A represetação em aritmética de poto flutuate é muito utilizada a computação digital. Um exemplo é a caso das calculadoras cietíficas. Exemplo:,597 03. 3 Este úmero represeta:,597.

Leia mais

Lista 2 - Introdução à Probabilidade e Estatística

Lista 2 - Introdução à Probabilidade e Estatística UNIVERSIDADE FEDERAL DO ABC Lista - Itrodução à Probabilidade e Estatística Modelo Probabilístico experimeto. Que eveto represeta ( =1 E )? 1 Uma ura cotém 3 bolas, uma vermelha, uma verde e uma azul.

Leia mais

Unesp Universidade Estadual Paulista FACULDADE DE ENGENHARIA

Unesp Universidade Estadual Paulista FACULDADE DE ENGENHARIA Uesp Uiversidade Estadual Paulista FACULDADE DE ENGENHARIA CAMPUS DE GUARATINGUETÁ MBA-PRO ESTATÍSTICA PARA A TOMADA DE DECISÃO Prof. Dr. Messias Borges Silva e Prof. M.Sc. Fabricio Maciel Gomes GUARATINGUETÁ,

Leia mais

onde d, u, v são inteiros não nulos, com u v, mdc(u, v) = 1 e u e v de paridades distintas.

onde d, u, v são inteiros não nulos, com u v, mdc(u, v) = 1 e u e v de paridades distintas. !"$# &%$" ')( * +-,$. /-0 3$4 5 6$7 8:9)$;$< =8:< > Deomiaremos equação diofatia (em homeagem ao matemático grego Diofato de Aleadria) uma equação em úmeros iteiros. Nosso objetivo será estudar dois tipos

Leia mais

A TORRE DE HANÓI Carlos Yuzo Shine - Colégio Etapa

A TORRE DE HANÓI Carlos Yuzo Shine - Colégio Etapa A TORRE DE HANÓI Carlos Yuzo Shie - Colégio Etapa Artigo baseado em aula miistrada a IV Semaa Olímpica, Salvador - BA Nível Iiciate. A Torre de Haói é um dos quebra-cabeças matemáticos mais populares.

Leia mais

Matemática Ficha de Trabalho

Matemática Ficha de Trabalho Matemática Ficha de Trabalho Probabilidades 12º ao FT4 Arrajos completos (arrajos com repetição) Na liguagem dos computadores usa-se o código biário que é caracterizado pela utilização de apeas dois algarismos,

Leia mais

5. A nota final será a soma dos pontos (negativos e positivos) de todas as questões

5. A nota final será a soma dos pontos (negativos e positivos) de todas as questões DEPARTAMENTO DE ESTATÍSTICA - UFMG PROVA DE ESTATÍSTICA E PROBABILIDADE SELEÇÃO - MESTRADO/ UFMG - 2013/2014 Istruções: 1. Cada questão respodida corretamete vale 1 (um) poto. 2. Cada questão respodida

Leia mais

somente um valor da variável y para cada valor de variável x.

somente um valor da variável y para cada valor de variável x. Notas de Aula: Revisão de fuções e geometria aalítica REVISÃO DE FUNÇÕES Fução como regra ou correspodêcia Defiição : Uma fução f é uma regra ou uma correspodêcia que faz associar um e somete um valor

Leia mais

Equações Diferenciais Lineares de Ordem n

Equações Diferenciais Lineares de Ordem n PUCRS Faculdade de Matemática Equações Difereciais - Prof. Eliete Equações Difereciais Lieares de Ordem Cosideremos a equação diferecial ordiária liear de ordem escrita a forma 1 d y d y dy L( y( x ))

Leia mais

Definição 1.1: Uma equação diferencial ordinária é uma. y ) = 0, envolvendo uma função incógnita y = y( x) e algumas das suas derivadas em ordem a x.

Definição 1.1: Uma equação diferencial ordinária é uma. y ) = 0, envolvendo uma função incógnita y = y( x) e algumas das suas derivadas em ordem a x. 4. EQUAÇÕES DIFERENCIAIS 4.: Defiição e coceitos básicos Defiição.: Uma equação diferecial ordiária é uma dy d y equação da forma f,,,, y = 0 ou d d ( ) f (, y, y,, y ) = 0, evolvedo uma fução icógita

Leia mais

Capitulo 6 Resolução de Exercícios

Capitulo 6 Resolução de Exercícios FORMULÁRIO Cojutos Equivaletes o Regime de Juros Simples./Vecimeto Comum. Descoto Racioal ou Por Detro C1 C2 Cm C1 C2 C...... 1 i 1 i 1 i 1 i 1 i 1 i 1 2 m 1 2 m C Ck 1 i 1 i k1 Descoto Por Fora ou Comercial

Leia mais

AULA: Inferência Estatística

AULA: Inferência Estatística AULA: Iferêcia Estatística stica Prof. Víctor Hugo Lachos Dávila Iferêcia Estatística Iferêcia Estatística é um cojuto de técicas que objetiva estudar uma oulação através de evidêcias forecidas or uma

Leia mais

CAPÍTULO 8 - Noções de técnicas de amostragem

CAPÍTULO 8 - Noções de técnicas de amostragem INF 6 Estatística I JIRibeiro Júior CAPÍTULO 8 - Noções de técicas de amostragem Itrodução A Estatística costitui-se uma excelete ferrameta quado existem problemas de variabilidade a produção É uma ciêcia

Leia mais

UFRGS 2007 - MATEMÁTICA

UFRGS 2007 - MATEMÁTICA - MATEMÁTICA 01) Em 2006, segudo otícias veiculadas a impresa, a dívida itera brasileira superou um trilhão de reais. Em otas de R$ 50, um trilhão de reais tem massa de 20.000 toeladas. Com base essas

Leia mais

Equações Diferenciais (ED) Resumo

Equações Diferenciais (ED) Resumo Equações Difereciais (ED) Resumo Equações Difereciais é uma equação que evolve derivadas(diferecial) Por eemplo: dy ) 5 ( y: variável depedete, : variável idepedete) d y dy ) 3 0 y ( y: variável depedete,

Leia mais

Guia do Professor. Matemática e Saúde. Experimentos

Guia do Professor. Matemática e Saúde. Experimentos Guia do Professor Matemática e Saúde Experimetos Coordeação Geral Elizabete dos Satos Autores Bárbara N. Palharii Alvim Sousa Karia Pessoa da Silva Lourdes Maria Werle de Almeida Luciaa Gastaldi S. Souza

Leia mais

APONTAMENTOS DE ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA

APONTAMENTOS DE ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA UNIVERSIDADE DO ALGARVE ESCOLA SUPERIOR DE TECNOLOGIA APONTAMENTOS DE ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA (III ) ÁREA DEPARTAMENTAL DE ENGENHARIA CIVIL Ídice Itrodução Aplicação do cálculo matricial aos

Leia mais

5- CÁLCULO APROXIMADO DE INTEGRAIS 5.1- INTEGRAÇÃO NUMÉRICA

5- CÁLCULO APROXIMADO DE INTEGRAIS 5.1- INTEGRAÇÃO NUMÉRICA 5- CÁLCULO APROXIMADO DE INTEGRAIS 5.- INTEGRAÇÃO NUMÉRICA Itegrar umericamete uma fução y f() um dado itervalo [a, b] é itegrar um poliômio P () que aproime f() o dado itervalo. Em particular, se y f()

Leia mais

Computação Científica - Departamento de Informática Folha Prática 1

Computação Científica - Departamento de Informática Folha Prática 1 1. Costrua os algoritmos para resolver os problemas que se seguem e determie as respetivas ordes de complexidade. a) Elaborar um algoritmo para determiar o maior elemeto em cada liha de uma matriz A de

Leia mais

Exercício 1. Quantos bytes (8 bits) existem de modo que ele contenha exatamente quatro 1 s? Exercício 2. Verifique que

Exercício 1. Quantos bytes (8 bits) existem de modo que ele contenha exatamente quatro 1 s? Exercício 2. Verifique que LISTA INCRÍVEL DE MATEMÁTICA DISCRETA II DANIEL SMANIA 1 Amostras, seleções, permutações e combiações Exercício 1 Quatos bytes (8 bits) existem de modo que ele coteha exatamete quatro 1 s? Exercício 2

Leia mais

PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE TRANSPORTES E GESTÃO TERRITORIAL PPGTG DEPARTAMENTO DE ENGENHARIA CIVIL ECV

PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE TRANSPORTES E GESTÃO TERRITORIAL PPGTG DEPARTAMENTO DE ENGENHARIA CIVIL ECV PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE TRANSPORTES E GESTÃO TERRITORIAL PPGTG DEPARTAMENTO DE ENGENHARIA CIVIL ECV DISCIPLINA: TGT410026 FUNDAMENTOS DE ESTATÍSTICA 8ª AULA: ESTIMAÇÃO POR INTERVALO

Leia mais

INTERPOLAÇÃO. Interpolação

INTERPOLAÇÃO. Interpolação INTERPOLAÇÃO Profa. Luciaa Motera motera@facom.ufms.br Faculdade de Computação Facom/UFMS Métodos Numéricos Iterpolação Defiição Aplicações Iterpolação Liear Equação da reta Estudo do erro Iterpolação

Leia mais

Os juros compostos são conhecidos, popularmente, como juros sobre juros.

Os juros compostos são conhecidos, popularmente, como juros sobre juros. Módulo 4 JUROS COMPOSTOS Os juros compostos são cohecidos, popularmete, como juros sobre juros. 1. Itrodução Etedemos por juros compostos quado o fial de cada período de capitalização, os redimetos são

Leia mais

COMPOSIÇÕES DE FUNÇÕES GERATRIZES E A FÓRMULA EXPONENCIAL

COMPOSIÇÕES DE FUNÇÕES GERATRIZES E A FÓRMULA EXPONENCIAL COMPOSIÇÕES DE FUNÇÕES GERATRIZES E A FÓRMULA EXPONENCIAL Grade parte do poder de fuções geratrizes vêm de composição delas! Observação. Sejam F (x) = 0 G(x) = 0 f x g x duas séries formais. A composição

Leia mais

MAE 116 - Noções de Estatística Grupo A - 1 o semestre de 2014 Lista de exercício 8 - Aula 8 - Estimação para p - CASA

MAE 116 - Noções de Estatística Grupo A - 1 o semestre de 2014 Lista de exercício 8 - Aula 8 - Estimação para p - CASA MAE 116 - Noções de Estatística Grupo A - 1 o semestre de 2014 Lista de exercício 8 - Aula 8 - Estimação para p - CASA 1. (2,5) Um provedor de acesso à iteret está moitorado a duração do tempo das coexões

Leia mais

Modelos Conceituais de Dados. Banco de Dados Profa. Dra. Cristina Dutra de Aguiar Ciferri

Modelos Conceituais de Dados. Banco de Dados Profa. Dra. Cristina Dutra de Aguiar Ciferri Modelos Coceituais de Dados Baco de Dados Motivação Objetivo da abordagem de BD: oferecer abstração dos dados separar aplicações dos usuários dos detalhes de hardware ferrameta utilizada: modelo de dados

Leia mais

INE 5111- ESTATÍSTICA APLICADA I - TURMA 05324 - GABARITO LISTA DE EXERCÍCIOS SOBRE AMOSTRAGEM E PLANEJAMENTO DA PESQUISA

INE 5111- ESTATÍSTICA APLICADA I - TURMA 05324 - GABARITO LISTA DE EXERCÍCIOS SOBRE AMOSTRAGEM E PLANEJAMENTO DA PESQUISA INE 5111- ESTATÍSTICA APLICADA I - TURMA 534 - GABARITO LISTA DE EXERCÍCIOS SOBRE AMOSTRAGEM E PLANEJAMENTO DA PESQUISA 1. Aalise as situações descritas abaixo e decida se a pesquisa deve ser feita por

Leia mais

Probabilidades. José Viegas

Probabilidades. José Viegas Probabilidades José Viegas Lisboa 001 1 Teoria das probabilidades Coceito geral de probabilidade Supoha-se que o eveto A pode ocorrer x vezes em, igualmete possíveis. Etão a probabilidade de ocorrêcia

Leia mais

Matemática Alexander dos Santos Dutra Ingrid Regina Pellini Valenço

Matemática Alexander dos Santos Dutra Ingrid Regina Pellini Valenço 4 Matemática Alexader dos Satos Dutra Igrid Regia Pellii Valeço Professor SUMÁRIO Reprodução proibida. Art. 84 do Código Peal e Lei 9.60 de 9 de fevereiro de 998. Módulo 0 Progressão aritmérica.................................

Leia mais

O QUE SÃO E QUAIS SÃO AS PRINCIPAIS MEDIDAS DE TENDÊNCIA CENTRAL EM ESTATÍSTICA PARTE li

O QUE SÃO E QUAIS SÃO AS PRINCIPAIS MEDIDAS DE TENDÊNCIA CENTRAL EM ESTATÍSTICA PARTE li O QUE SÃO E QUAIS SÃO AS PRINCIPAIS MEDIDAS DE TENDÊNCIA CENTRAL EM ESTATÍSTICA PARTE li Média Aritmética Simples e Poderada Média Geométrica Média Harmôica Mediaa e Moda Fracisco Cavalcate(f_c_a@uol.com.br)

Leia mais

MÉDIA ARITMÉTICA MÉDIA PONDERADA MODA MEDIANA

MÉDIA ARITMÉTICA MÉDIA PONDERADA MODA MEDIANA MÉDIA ARITMÉTICA MÉDIA PONDERADA MODA MEDIANA Em um amostra, quando se têm os valores de uma certa característica, é fácil constatar que os dados normalmente não se distribuem uniformemente, havendo uma

Leia mais

PG Progressão Geométrica

PG Progressão Geométrica PG Progressão Geométrica 1. (Uel 014) Amalio Shchams é o ome cietífico de uma espécie rara de plata, típica do oroeste do cotiete africao. O caule dessa plata é composto por colmos, cujas características

Leia mais

A seguir, uma demonstração do livro. Para adquirir a versão completa em papel, acesse: www.pagina10.com.br

A seguir, uma demonstração do livro. Para adquirir a versão completa em papel, acesse: www.pagina10.com.br A seguir, uma demostração do livro. Para adquirir a versão completa em papel, acesse: www.pagia10.com.br Matemática comercial & fiaceira - 2 4 Juros Compostos Iiciamos o capítulo discorredo sobre como

Leia mais

Estatística stica para Metrologia

Estatística stica para Metrologia Estatística stica para Metrologia Aula Môica Barros, D.Sc. Juho de 28 Muitos problemas práticos exigem que a gete decida aceitar ou rejeitar alguma afirmação a respeito de um parâmetro de iteresse. Esta

Leia mais

2.1 Dê exemplo de uma seqüência fa n g ; não constante, para ilustrar cada situação abaixo: (a) limitada e estritamente crescente;

2.1 Dê exemplo de uma seqüência fa n g ; não constante, para ilustrar cada situação abaixo: (a) limitada e estritamente crescente; 2.1 Dê exemplo de uma seqüêcia fa g ; ão costate, para ilustrar cada situação abaixo: (a) limitada e estritamete crescete; (b) limitada e estritamete decrescete; (c) limitada e ão moótoa; (d) ão limitada

Leia mais

Eventos independentes

Eventos independentes Eventos independentes Adaptado do artigo de Flávio Wagner Rodrigues Neste artigo são discutidos alguns aspectos ligados à noção de independência de dois eventos na Teoria das Probabilidades. Os objetivos

Leia mais

Capítulo 2 Análise Descritiva e Exploratória de Dados

Capítulo 2 Análise Descritiva e Exploratória de Dados UNIVERSIDADE FEDERAL DE SÃO CARLOS C E N T R O D E C I Ê N C I A S E X A T A S E D E T E C N O L O G I A D E P A R T A M E N T O D E E S T A T Í S T I C A INTRODUÇÃO AO PLANEJAMENTO E ANÁLISE ESTATÍSTICA

Leia mais

Faculdade de Engenharia Investigação Operacional. Prof. Doutor Engº Jorge Nhambiu

Faculdade de Engenharia Investigação Operacional. Prof. Doutor Engº Jorge Nhambiu Programação Diâmica Aula 3: Programação Diâmica Programação Diâmica Determiística; e Programação Diâmica Probabilística. Programação Diâmica O que é a Programação Diâmica? A Programação Diâmica é uma técica

Leia mais

Profa. Regina Maria Sigolo Bernardinelli. Estatística. Gestão Financeira / Gestão de Recursos Humanos / Logística / Marketing

Profa. Regina Maria Sigolo Bernardinelli. Estatística. Gestão Financeira / Gestão de Recursos Humanos / Logística / Marketing Profa. Regia Maria Sigolo Berardielli Estatística Gestão Fiaceira / Gestão de Recursos Humaos / Logística / Marketig REGINA MARIA SIGOLO BERNARDINELLI ESTATÍSTICA Esio a Distâcia E a D Revisão 09/008 LISTA

Leia mais

Otimização e complexidade de algoritmos: problematizando o cálculo do mínimo múltiplo comum

Otimização e complexidade de algoritmos: problematizando o cálculo do mínimo múltiplo comum Otimização e complexidade de algoritmos: problematizado o cálculo do míimo múltiplo comum Custódio Gastão da Silva Júior 1 1 Faculdade de Iformática PUCRS 90619-900 Porto Alegre RS Brasil gastaojuior@gmail.com

Leia mais

Módulo 4 Matemática Financeira

Módulo 4 Matemática Financeira Módulo 4 Matemática Fiaceira I Coceitos Iiciais 1 Juros Juro é a remueração ou aluguel por um capital aplicado ou emprestado, o valor é obtido pela difereça etre dois pagametos, um em cada tempo, de modo

Leia mais

INFERÊNCIA ESTATÍSTICA

INFERÊNCIA ESTATÍSTICA Uiversidade Federal da Bahia Istituto de Matemática Departameto de Estatística Estatística IV (MAT027) e Itrodução à Estatística (MAT050) NOTAS DE AULA UNIDADE III INFERÊNCIA ESTATÍSTICA 1 1 INTRODUÇÃO

Leia mais

PROBABILIDADES E ESTATÍSTICA

PROBABILIDADES E ESTATÍSTICA ESCOLA SUPERIOR DE TECNOLOGIA DE SETÚBAL DEPARTAMENTO DE MATEMÁTICA PROBABILIDADES E ESTATÍSTICA o Teste 7 o SEMESTRE 5/6 Data: Sábado, 7 de Jaeiro de 6 Duração: 9:3 às :3 Tópicos de Resolução. O úmero

Leia mais

SUMÁRIO 1. AMOSTRAGEM 4. 1.1. Conceitos básicos 4

SUMÁRIO 1. AMOSTRAGEM 4. 1.1. Conceitos básicos 4 SUMÁRIO 1. AMOSTRAGEM 4 1.1. Coceitos básicos 4 1.. Distribuição amostral dos estimadores 8 1..1. Distribuição amostral da média 8 1... Distribuição amostral da variâcia 11 1..3. Distribuição amostral

Leia mais

O oscilador harmônico

O oscilador harmônico O oscilador harmôico A U L A 5 Meta da aula Aplicar o formalismo quâtico ao caso de um potecial de um oscilador harmôico simples, V( x) kx. objetivos obter a solução da equação de Schrödiger para um oscilador

Leia mais

III Simpósio sobre Gestão Empresarial e Sustentabilidade (SimpGES) Produtos eco-inovadores: produção e consumo"

III Simpósio sobre Gestão Empresarial e Sustentabilidade (SimpGES) Produtos eco-inovadores: produção e consumo 4 e 5 de outubro de 03 Campo Grade-MS Uiversidade Federal do Mato Grosso do Sul RESUMO EXPANDIDO COMPARAÇÃO ENTRE REDES NEURAIS ARTIFICIAIS E REGRESSÃO LINEAR MÚLTIPLA PARA PREVISÃO DE PREÇOS DE HORTALIÇAS

Leia mais

ANDRÉ REIS MATEMÁTICA. 1ª Edição NOV 2013

ANDRÉ REIS MATEMÁTICA. 1ª Edição NOV 2013 ANDRÉ REIS MATEMÁTICA TEORIA 6 QUESTÕES DE PROVAS DE CONCURSOS GABARITADAS EXERCÍCIOS RESOLVIDOS Teoria e Seleção das Questões: Prof. Adré Reis Orgaização e Diagramação: Mariae dos Reis ª Edição NOV 0

Leia mais

INTERVALOS DE CONFIANÇA ESTATISTICA AVANÇADA

INTERVALOS DE CONFIANÇA ESTATISTICA AVANÇADA INTERVALOS DE CONFIANÇA ESTATISTICA AVANÇADA Resumo Itervalos de Cofiaça ara médias e roorções com alicações a Egeharia. Ferado Mori Prof.fmori@gmail.com Itervallos de Cofiiaça ara Médiias e Proorções

Leia mais

Probabilidade e Estatística. Probabilidade e Estatística

Probabilidade e Estatística. Probabilidade e Estatística Probabilidade e Estatística i Sumário 1 Estatística Descritiva 1 1.1 Coceitos Básicos.................................... 1 1.1.1 Defiições importates............................. 1 1.2 Tabelas Estatísticas...................................

Leia mais

Portanto, os juros podem induzir o adiamento do consumo, permitindo a formação de uma poupança.

Portanto, os juros podem induzir o adiamento do consumo, permitindo a formação de uma poupança. Matemática Fiaceira Deixar de cosumir hoje, visado comprar o futuro pode ser uma boa decisão, pois podemos, durate um período de tempo, ecoomizar uma certa quatia de diheiro para gahar os juros. Esses

Leia mais

MATEMÁTICA FINANCEIRA

MATEMÁTICA FINANCEIRA MATEMÁTICA FINANCEIRA VALOR DO DINHEIRO NO TEMPO Notas de aulas Gereciameto do Empreedimeto de Egeharia Egeharia Ecoômica e Aálise de Empreedimetos Prof. Márcio Belluomii Moraes, MsC CONCEITOS BÁSICOS

Leia mais

Noções de Probabilidade

Noções de Probabilidade Noções de Probabilidade Bacharelado em Economia - FEA - Noturno 1 o Semestre 2015 Gilberto A. Paula G. A. Paula - MAE0219 (IME-USP) Noções de Probabilidade 1 o Semestre 2015 1 / 59 Objetivos da Aula Sumário

Leia mais

PROBABILIDADES E ESTATÍSTICA

PROBABILIDADES E ESTATÍSTICA ESCOLA SUPERIOR DE TECNOLOGIA DE SETÚBAL DEPARTAMENTO DE MATEMÁTICA PROBABILIDADES E ESTATÍSTICA Exame - Época Normal 006/00 Data: 14de Julhode 00 Tópicos de Resolução Duração: 3 horas 1. SejaΩumespaçoamostraleA,BeCacotecimetoscomasseguitescaracterísticasA

Leia mais

Aplicação de geomarketing em uma cidade de médio porte

Aplicação de geomarketing em uma cidade de médio porte Aplicação de geomarketig em uma cidade de médio porte Guilherme Marcodes da Silva Vilma Mayumi Tachibaa Itrodução Geomarketig, segudo Chasco-Yrigoye (003), é uma poderosa metodologia cietífica, desevolvida

Leia mais

CAP5: Amostragem e Distribuição Amostral

CAP5: Amostragem e Distribuição Amostral CAP5: Amostragem e Distribuição Amostral O que é uma amostra? É um subconjunto de um universo (população). Ex: Amostra de sangue; amostra de pessoas, amostra de objetos, etc O que se espera de uma amostra?

Leia mais

JUROS COMPOSTOS. Questão 01 A aplicação de R$ 5.000, 00 à taxa de juros compostos de 20% a.m irá gerar após 4 meses, um montante de: letra b

JUROS COMPOSTOS. Questão 01 A aplicação de R$ 5.000, 00 à taxa de juros compostos de 20% a.m irá gerar após 4 meses, um montante de: letra b JUROS COMPOSTOS Chamamos de regime de juros compostos àquele ode os juros de cada período são calculados sobre o motate do período aterior, ou seja, os juros produzidos ao fim de cada período passam a

Leia mais

1- REFRAÇÃO LUMINOSA é a variação de velocidade da luz devido à mudança do meio de propagação. refração do meio em que o raio se encontra.

1- REFRAÇÃO LUMINOSA é a variação de velocidade da luz devido à mudança do meio de propagação. refração do meio em que o raio se encontra. REFRAÇÃO - LENTES - REFRAÇÃO LUMINOSA é a variação de velocidade da luz devido à mudaça do meio de propagação. - Ídice de refração absoluto: é uma relação etre a velocidade da luz em um determiado meio

Leia mais

ESTIMATIVA DA EMISSIVIDADE ATMOSFÉRICA E DO BALANÇO DE ONDAS LONGAS EM PIRACICABA, SP

ESTIMATIVA DA EMISSIVIDADE ATMOSFÉRICA E DO BALANÇO DE ONDAS LONGAS EM PIRACICABA, SP ESTIMATIVA DA EMISSIVIDADE ATMOSFÉRICA E DO BALAÇO DE ODAS LOGAS EM PIRACICABA, SP Kare Maria da Costa MATTOS (1) ; Marcius Gracco Marcoi GOÇALVES (1) e Valter BARBIERI () (1) Aluos de Pós-graduação em

Leia mais

Projetos Agropecuários - Módulo 4 ANÁLISE FINANCEIRA DE INVESTIMENTO

Projetos Agropecuários - Módulo 4 ANÁLISE FINANCEIRA DE INVESTIMENTO Projetos Agropecuários - Módulo 4 ANÁLISE FINANCEIRA DE INVESTIMENTO A parte fiaceira disciplia todas as áreas de uma orgaização que esteja direta ou idiretamete ligadas à tomada de decisão. Todo profissioal

Leia mais

Faculdade Campo Limpo Paulista Mestrado em Ciência da Computação Complexidade de Algoritmos Avaliação 2

Faculdade Campo Limpo Paulista Mestrado em Ciência da Computação Complexidade de Algoritmos Avaliação 2 Faculdade Campo Limpo Paulista Mestrado em Ciêcia da Computação Complexidade de Algoritmos Avaliação 2. (2,0): Resolva a seguite relação de recorrêcia. T() = T( ) + 3 T() = 3 Pelo método iterativo progressivo.

Leia mais

PRESTAÇÃO = JUROS + AMORTIZAÇÃO

PRESTAÇÃO = JUROS + AMORTIZAÇÃO AMORTIZAÇÃO Amortizar sigifica pagar em parcelas. Como o pagameto do saldo devedor pricipal é feito de forma parcelada durate um prazo estabelecido, cada parcela, chamada PRESTAÇÃO, será formada por duas

Leia mais

IND 1115 Inferência Estatística Aula 9

IND 1115 Inferência Estatística Aula 9 Coteúdo IND 5 Iferêca Estatístca Aula 9 Outubro 2004 Môca Barros Dfereça etre Probabldade e Estatístca Amostra Aleatóra Objetvos da Estatístca Dstrbução Amostral Estmação Potual Estmação Bayesaa Clássca

Leia mais

Aula 1: Introdução à Probabilidade

Aula 1: Introdução à Probabilidade Aula 1: Introdução à Probabilidade Prof. Leandro Chaves Rêgo Programa de Pós-Graduação em Engenharia de Produção - UFPE Recife, 07 de Março de 2012 Experimento Aleatório Um experimento é qualquer processo

Leia mais

Lista de Exercícios #4. in Noções de Probabilidade e Estatística (Marcos N. Magalhães et al, 4ª. edição), Capítulo 4, seção 4.4, páginas 117-123.

Lista de Exercícios #4. in Noções de Probabilidade e Estatística (Marcos N. Magalhães et al, 4ª. edição), Capítulo 4, seção 4.4, páginas 117-123. Uiversidade de São Paulo IME (Istituto de Matemática e Estatística MAE Profº. Wager Borges São Paulo, 9 de Maio de 00 Ferado Herique Ferraz Pereira da Rosa Bach. Estatística Lista de Exercícios #4 i Noções

Leia mais

Análise de Projectos ESAPL / IPVC. Critérios de Valorização e Selecção de Investimentos. Métodos Estáticos

Análise de Projectos ESAPL / IPVC. Critérios de Valorização e Selecção de Investimentos. Métodos Estáticos Aálise de Projectos ESAPL / IPVC Critérios de Valorização e Selecção de Ivestimetos. Métodos Estáticos Como escolher ivestimetos? Desde sempre que o homem teve ecessidade de ecotrar métodos racioais para

Leia mais

MOMENTOS DE INÉRCIA. Física Aplicada à Engenharia Civil II

MOMENTOS DE INÉRCIA. Física Aplicada à Engenharia Civil II Física Aplicada à Egeharia Civil MOMENTOS DE NÉRCA Neste capítulo pretede-se itroduzir o coceito de mometo de iércia, em especial quado aplicado para o caso de superfícies plaas. Este documeto, costitui

Leia mais

COLÉGIO ANCHIETA-BA. ELABORAÇÃO: PROF. ADRIANO CARIBÉ e WALTER PORTO. RESOLUÇÃO: PROFA, MARIA ANTÔNIA C. GOUVEIA

COLÉGIO ANCHIETA-BA. ELABORAÇÃO: PROF. ADRIANO CARIBÉ e WALTER PORTO. RESOLUÇÃO: PROFA, MARIA ANTÔNIA C. GOUVEIA Questão 0. (UDESC) A AVALIAÇÃO DE MATEMÁTICA DA UNIDADE I-0 COLÉGIO ANCHIETA-BA ELABORAÇÃO: PROF. ADRIANO CARIBÉ e WALTER PORTO. PROFA, MARIA ANTÔNIA C. GOUVEIA Um professor de matemática, após corrigir

Leia mais

Solução de Equações Diferenciais Ordinárias Usando Métodos Numéricos

Solução de Equações Diferenciais Ordinárias Usando Métodos Numéricos DELC - Departameto de Eletrôica e Computação ELC 0 Estudo de Casos em Egeharia Elétrica Solução de Equações Difereciais Ordiárias Usado Métodos Numéricos Versão 0. Giovai Baratto Fevereiro de 007 Ídice

Leia mais

Tópicos de Mecânica Quântica I. Equações de Newton e de Hamilton versus Equações de Schrödinger

Tópicos de Mecânica Quântica I. Equações de Newton e de Hamilton versus Equações de Schrödinger Tópicos de Mecâica Quâtica I Equações de Newto e de Hamilto versus Equações de Schrödiger Ferado Ferades Cetro de Ciêcias Moleculares e Materiais, DQBFCUL Notas para as aulas de Química-Física II, 010/11

Leia mais

Estimação por Intervalo (Intervalos de Confiança):

Estimação por Intervalo (Intervalos de Confiança): Estimação por Itervalo (Itervalos de Cofiaça): 1) Itervalo de Cofiaça para a Média Populacioal: Muitas vezes, para obter-se a verdadeira média populacioal ão compesa fazer um levatameto a 100% da população

Leia mais

Testes χ 2 (cont.) Testes χ 2 para k categorias (cont.)

Testes χ 2 (cont.) Testes χ 2 para k categorias (cont.) Testes χ 2 de ajustameto, homogeeidade e idepedêcia Testes χ 2 (cot.) Os testes χ 2 cosiderados este último poto do programa surgem associados a dados de cotagem. Mais cocretamete, dados que cotam o úmero

Leia mais

Problema de Fluxo de Custo Mínimo

Problema de Fluxo de Custo Mínimo Problema de Fluo de Custo Míimo The Miimum Cost Flow Problem Ferado Nogueira Fluo de Custo Míimo O Problema de Fluo de Custo Míimo (The Miimum Cost Flow Problem) Este problema possui papel pricipal etre

Leia mais

Carteiras de Mínimo VAR ( Value at Risk ) no Brasil

Carteiras de Mínimo VAR ( Value at Risk ) no Brasil Carteiras de Míimo VAR ( Value at Risk ) o Brasil Março de 2006 Itrodução Este texto tem dois objetivos pricipais. Por um lado, ele visa apresetar os fudametos do cálculo do Value at Risk, a versão paramétrica

Leia mais

Neste capítulo, pretendemos ajustar retas ou polinômios a um conjunto de pontos experimentais.

Neste capítulo, pretendemos ajustar retas ou polinômios a um conjunto de pontos experimentais. 03 Capítulo 3 Regressão liear e poliomial Neste capítulo, pretedemos ajustar retas ou poliômios a um cojuto de potos experimetais. Regressão liear A tabela a seguir relacioa a desidade (g/cm 3 ) do sódio

Leia mais

a taxa de juros i está expressa na forma unitária; o período de tempo n e a taxa de juros i devem estar na mesma unidade de tempo.

a taxa de juros i está expressa na forma unitária; o período de tempo n e a taxa de juros i devem estar na mesma unidade de tempo. UFSC CFM DEPARTAMENTO DE MATEMÁTICA MTM 5151 MATEMÁTICA FINACEIRA I PROF. FERNANDO GUERRA. UNIDADE 3 JUROS COMPOSTOS Capitalização composta. É aquela em que a taxa de juros icide sempre sobre o capital

Leia mais

Apresentação de Dados em Tabelas e Gráficos

Apresentação de Dados em Tabelas e Gráficos Apresentação de Dados em Tabelas e Gráficos Os dados devem ser apresentados em tabelas construídas de acordo com as normas técnicas ditadas pela Fundação Instituto Brasileiro de Geografia e Estatística

Leia mais

Influência do ruído aéreo gerado pela percussão de pavimentos na determinação de L n,w

Influência do ruído aéreo gerado pela percussão de pavimentos na determinação de L n,w Ifluêcia do ruído aéreo gerado pela percussão de pavimetos a determiação de,w iogo M. R. Mateus CONTRAruído Acústica e Cotrolo de Ruído, Al. If.. Pedro, Nº 74-1º C, 3030 396 Coimbra Tel.: 239 403 666;

Leia mais

Stela Adami Vayego DEST/UFPR

Stela Adami Vayego DEST/UFPR Resumo 3 Resumo dos dados uméricos por meio de úmeros. Medidas de Tedêcia Cetral A tedêcia cetral da distribuição de freqüêcias de uma variável em um cojuto de dados é caracterizada pelo valor típico dessa

Leia mais