Documente Academic
Documente Profesional
Documente Cultură
Educação a Distância
Caderno de Estudos
PROBABILIDADE E ESTATÍSTICA
UNIASSELVI
2013
NEAD
Copyright UNIASSELVI 2013
Elaboração:
Prof.ª Ana Luisa Fantini Schmitt
519
S355p Schmitt, Ana Luisa Fantini
Probabilidade e estatística / Ana Luisa Fantini Schmitt. Indaial :
Uniasselvi, 2013.
200 p. : il
1. Estatística.
I. Centro Universitário Leonardo da Vinci.
APRESENTAÇÃO
Nesta disciplina, você estudará duas importantes vertentes da matemática, a teoria das
probabilidades e a inferência estatística.
Dedique-se ao estudo desta disciplina e entenda que estes conceitos são essenciais
na formação do(a) futuro(a) professor(a) de Matemática.
UNI
PROBABILIDADE E ESTATÍSTICA iv
SUMÁRIO
PROBABILIDADE E ESTATÍSTICA v
TÓPICO 4: COMBINATÓRIA E PROBABILIDADE NO ENSINO ................................... 64
1 INTRODUÇÃO .............................................................................................................. 64
2 ALGUNS EXEMPLOS DE ATIVIDADES JÁ REALIZADAS DE COMBINATÓRIA ..... 67
2.1 ATIVIDADE 1: OS SINAIS DE TRÂNSITO E AS CORES .......................................... 68
2.2 ATIVIDADE 2: SALADA DE FRUTAS ......................................................................... 72
2.3 CONSIDERAÇOES DOS ESTUDANTES SOBRE AS ATIVIDADES ......................... 76
RESUMO DO TÓPICO 4 .................................................................................................. 77
AUTOATIVIDADE ............................................................................................................ 78
AVALIAÇÃO ..................................................................................................................... 79
PROBABILIDADE E ESTATÍSTICA vi
3.1.1 Qui-quadrado com (n – 1) graus de liberdade ...................................................... 130
3.2 DISTRIBUIÇÃO T–STUDENT .................................................................................. 132
3.3 DISTRIBUIÇÃO F ..................................................................................................... 134
RESUMO DO TÓPICO 3 ................................................................................................ 136
AUTOATIVIDADE .......................................................................................................... 137
AVALIAÇÃO ................................................................................................................... 138
COMBINATÓRIA, PROBABILIDADE E
TEOREMA DE BAYES
Objetivos de aprendizagem
PLANO DE ESTUDOS
P
R
TÓPICO 1 – COMBINATÓRIA O
B
A
B
TÓPICO 2 – PROBABILIDADE I
L
I
D
TÓPICO 3 – TEOREMA DE BAYES A
D
E
TÓPICO 4 – COMBINATÓRIA E PROBABILIDADE NO E
ENSINO E
S
T
A
T
Í
S
T
I
C
A
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
UNIDADE 1
TÓPICO 1
COMBINATÓRIA
1 INTRODUÇÃO
UNI
Basicamente são dois tipos de agrupamentos que podem ser formados: o primeiro tipo
P
leva em consideração a ordem dos elementos dentro do agrupamento, já o segundo tipo não R
O
leva em consideração a ordem dos elementos. B
A
B
I
Por exemplo, se você quiser contar quantas placas de automóveis podem ser feitas, L
I
constituídas por três letras seguidas de quatro números, deverá sempre levar em conta a ordem D
A
das letras e dos números. D
E
E
Placa 1 Placa 2
E
ALS 1987 e SLA 9178 são placas diferentes. S
T
A
T
Mas, se você quiser contar quantas quinas são possíveis de serem sorteadas na loteria, Í
S
veja que a ordem dos números que compõem o bilhete não importa. T
I
C
A
4 TÓPICO 1 UNIDADE 1
Por exemplo:
Jogo 1 Jogo 2
47, 13, 22, 23, 07 e 22, 47, 13, 07, 23 são jogos iguais.
Os dois exemplos citados servem também para mostrar que é importante existir uma
técnica de contagem indireta, em que você não precise escrever um por um os elementos de
um agrupamento e depois contá-los. Além disso, fazer uma contagem “manual” pode levar a
um erro por omissão ou por repetição de algum elemento ou agrupamento.
Os conceitos, definições e ideias de combinatória que você estudará nesta primeira parte
da Unidade 1 são aplicados em diversos campos de atividade. Mais adiante você verá que são
aplicáveis na Teoria das Probabilidades e no desenvolvimento do Binômio de Newton.
Talvez você se reconheça na condição de ter que ir a uma cidade qualquer e, como
caminho possível, ter que passar por algumas cidades e ter que escolher passar em algumas
estradas. Dependendo de sua região, quem sabe até faça isto para chegar ao seu polo presencial
de estudo, não é mesmo? Imagine então a seguinte situação:
P
R Exemplo 1
O
B
A Você trabalha no município de Indaial (IND) e precisava passar pelo município de
B
I Blumenau para chegar ao município de Gaspar (GSP), local em que reside. Para chegar a
L
I Blumenau (BLU) há duas opções de estradas (BR-470 e Estrada Velha) e para ir de Blumenau
D
A a Gaspar existem três opções de estradas (BR-470, Rua Itajaí e Estrada Gaspar Alto).
D
E
E
S
T
A
T
Í
S
T
I
C
A
UNIDADE 1 TÓPICO 1 5
Sendo assim, para ir de Indaial a Gaspar você pode optar por um entre seis caminhos.
Veja o esquema a seguir:
Você também pode representar estes caminhos num esquema como o seguinte, que
pode ser chamado de árvore de possibilidades:
Com base nos esquemas anteriores, você pode perceber que a ida de Indaial a Gaspar
se dá em duas etapas: a primeira, de Indaial a Blumenau, pode ser realizada de duas maneiras,
e para cada uma delas a segunda etapa, de Blumenau a Gaspar, pode ser realizada de três
maneiras. Sendo assim, a realização das duas etapas pode ser feita de 2 · 3 modos, que
correspondem a seis caminhos de Indaial a Gaspar.
Para ressaltar este princípio veja mais um exemplo comum no seu cotidiano.
Exemplo 2
Imagine-se tendo que escolher o que vestir diariamente para ir trabalhar, por exemplo.
De quantas maneiras diferentes você pode se vestir se houver no seu guarda-roupa exatamente
sete blusas, quatro calças e dois pares de sapatos?
P
R Então, pelo princípio fundamental da contagem há 7·4·2 modos de realizar a ação, ou
O
B seja, há 56 opções diferentes de se vestir com o que você tem no guarda-roupa, sem repetir
A
B nenhuma vez o conjunto.
I
L
I
D
A
D DE
E ATIVIDA
AUTO
E
Ei, que tal você exercitar um pouco mais o que aprendeu até aqui? Veja a seguir a
questão de múltipla escolha que estava no EXAME NACIONAL DE CURSOS 1998 (questão
20) – atual ENADE – do curso de Licenciatura em Matemática.
Segundo dígito: 9 opções, pois você já utilizou um número na primeira casa, restam os
outros nove.
Terceiro dígito: 9 opções, você pode voltar a utilizar o primeiro número, mas não poderá
utilizar o número da segunda casa, o que implica nove opções.
Quarto dígito: 9 opções, nesta casa, você também tem nove opções, pois pode utilizar
todos os números com exceção do que utilizou na terceira casa.
10 · 9 · 9 · 9
P
O que resultará em 8.100 opções diferentes de senha. R
O
B
A
B
I
L
I
3 FATORIAL D
A
D
E
Indica-se por 6! (leia seis fatorial) o produto dos seis primeiros números naturais E
positivos. E
S
T
A
6! = 6 · 5 · 4 · 3 · 2 · 1 logo 6! = 720 T
Í
S
T
I
C
A
8 TÓPICO 1 UNIDADE 1
3! = 3 · 2 · 1 = 6
8! = 8 · 7 · 6 · 5 · 4 · 3 · 2 · 1 = 40.320
Por serem estas igualdades convenientes para as fórmulas que você estudará adiante,
note que:
0! = 1
1! = 1
2! = 2 · 1 = 2
3! = 3 · 2 · 1 = 6
4! = 4 · 3 · 2 · 1 = 24
Veja também que, com números maiores, você pode substituir as multiplicações de
algumas sequências pelos próprios fatoriais que estas representam:
5! = 5 · 4 · 3 · 2 · 1 = 5 · 4! = 5 · 24 = 120
6! = 6 · 5 · 4 · 3 · 2 · 1 = 6 · 5! = 6 · 120 = 720
7! = 7 · 6! = 7 · 720 = 5.040
8! = 8 · 7! = 8 · 5040 = 40.320
E, com a prática, ficará fácil utilizar esta ideia nas situações que exijam o uso do
P
R fatorial:
O
B
A
B 7! = 7 · 6!
I
L
7! = 7 · 6 · 5!
I 7! = 7 · 6 · 5 · 4!
D
A
D
E
E
UNI
S
T
A
T Ao desenvolver um fatorial, colocando os fatores em ordem
Í decrescente, você pode parar onde for conveniente, indicando
S
T os últimos fatores também como notação de fatorial. Lembre-
I se disto, será bastante útil no estudo de Permutação, Arranjo e
C Combinação!
A
UNIDADE 1 TÓPICO 1 9
Exemplo 1: 9!
7!
Lembre-se de que você pode simplificar a fração desenvolvendo o fatorial maior até
chegar ao menor! Neste caso existe o 9! em cima e o 7! embaixo. A melhor solução é desenvolver
o 9! de cima até que possa simplificá-lo com o 7! de baixo, restando a multiplicação do nove
pelo oito em cima:
Exemplo 2:
Já neste caso existe uma forma algébrica de fatorial, em que há o (n-2)! em cima e o
n! embaixo. Assim como no exemplo numérico, neste caso a melhor solução é desenvolver o
n! de baixo até que se possa simplificá-lo com o (n-2)! de cima, restando a multiplicação do n
pelo (n-1) embaixo:
(n+3)!
Exemplo 3:
n!
Este é outro exemplo de uma forma algébrica de fatorial, em que há o (n+3)! em cima
e o n! embaixo. Da mesma maneira, como no exemplo anterior, neste caso, a melhor solução
é desenvolver o (n+3)! de cima até que se possa simplificá-lo com o n! de baixo, restando a
multiplicação do (n+3) · (n+2) · (n+1) em cima:
P
R
O
B
A
B
I
L
I
D
Exemplo 4: A
D
E
E
Este último exemplo apresenta uma equação com fatorial. Por causa da existência dos E
S
fatoriais na equação devemos ter n natural e n ≥ 1. T
A
T
Í
O primeiro passo é resolver a equação normalmente, sem pensar nos fatoriais: S
T
I
, realizando a multiplicação em ‘X’ e tornando a dividir, temos a mesma C
A
10 TÓPICO 1 UNIDADE 1
(n+1)!
equação escrita de outra maneira: 20
(n-1)!
UNI
P
R
4 PERMUTAÇÃO
O
B
A
B Com as letras x, y e z você pode formar as seguintes sucessões: (x, y, z); (x, z, y); (y,
I
L z, x); (y, x, z); (z, x, y); (z, y, z). Cada uma dessas seis sucessões é chamada uma permutação
I
D das três letras.
A
D
E Permutação: denomina-se permutação de n elementos dados a toda sucessão de n
E termos formada com os n elementos dados.
E
S
T Duas permutações dos mesmos objetos são diferentes se a ordem dos objetos numa
A
T delas é diferente da ordem em que os objetos estão colocados na outra, conforme o exemplo
Í
S inicial. As permutações são representadas usando parênteses e separando os termos por
T
I vírgula ou ponto e vírgula (como sucessões).
C
A
UNIDADE 1 TÓPICO 1 11
É por meio de permutações que são feitos os anagramas das palavras. Se você quiser
formar os anagramas do seu nome, basta permutar as letras da palavra até que se esgotem as
possibilidades, independente se a palavra formada tenha ou não significado. Veja os exemplos
a seguir.
Exemplo 1: LEO
Os anagramas para o nome LEO são: LEO, LOE, ELO, EOL, OLE, OEL.
Exemplo 2: ANA
Os anagramas para o nome ANA são: ANA, AAN, NAA, NAA, ANA, AAN.
Perceba que neste exemplo há repetição de uma das letras, o A, por isso optou-se por
diferenciar cada um, sendo o primeiro em itálico e o segundo sublinhado.
UNI
Exemplo 3: NEAD
Os anagramas para a palavra NEAD são: NEAD, NEDA, NADE, NAED, NDAE, NDEA,
P
ENDA, ENAD, EDAN, EDNA, EAND, EADN, ADNE, ADEN, AEDN, AEND, ANDE, ANED, DENA, R
O
DEAN, DAEN, DANE, DNEA, DNAE. B
A
B
I
Perceba também que ao aumentar a palavra de que se deseja formar os anagramas, L
mais trabalhoso fica fazer isso sem uma regra ou fórmula. Imagine fazer, da mesma maneira I
D
como nos exemplos, os anagramas da palavra MATEMÁTICA, seria trabalhoso e demorado! A
D
E
E
S
T
4.1 QUANTIDADE DE PERMUTAÇÕES A
T
Í
S
T
Nas aplicações, geralmente, você está interessado na quantidade de permutações que I
C
podem ser feitas com determinados elementos. Para determinar o número de permutações, A
não é necessário que você faça uma por uma e depois conte, afinal, às vezes isto é inviável!
12 TÓPICO 1 UNIDADE 1
A seguir, você vai identificar a diferença entre permutações com elementos diferentes
e permutações com elementos repetidos.
Para iniciar, pense em quantas permutações podem ser formadas com as vogais a,
e, i, o e u. Você poderia resolver fazendo o mesmo procedimento dos anagramas, mas daria
certo trabalho.
Pense que para formar uma destas permutações você deve fazer uma ação que é
composta de cinco etapas sucessivas:
2ª etapa: você deve escolher a 2ª vogal. Para cada possibilidade da 1ª etapa, há quatro
possibilidades na 2ª etapa, pois uma das vogais já foi utilizada. Por exemplo, se você escolheu
na 1ª etapa a vogal i, então a 2ª letra poderá ser a ou e ou o ou u.
3ª etapa: você faz a escolha da 3ª vogal. Agora, para cada par de possibilidades da etapa
anterior, há três possibilidades na 3ª etapa, pois duas das vogais já foram utilizadas. Por exemplo,
se você escolheu nas outras etapas as vogais i e a, então a 3ª letra poderá ser e ou o ou u.
P
R
O 4ª etapa: você deve escolher a 4ª vogal. Aqui haverá duas possibilidades, pois três das
B
A vogais já foram utilizadas. Por exemplo, se você escolheu anteriormente as vogais i e a e u,
B
I então a 4ª letra poderá ser e ou o.
L
I
D
A 5ª etapa: você deve escolher a 5ª e última vogal. Nesta última etapa haverá apenas uma
D
E possibilidade, pois as outras quatro vogais já foram utilizadas. Por exemplo, se você escolheu
E anteriormente as vogais i e a e u e e, então a 4ª letra somente poderá ser o.
E
S Neste caso, a permutação do exemplo anterior pode ser identificada pela quantidade
T
A de possibilidades em cada etapa:
T
Í
S
T Permutação ( ___ , ___ , ___ , ___ , ___ )
I
C Possibilidades 5 · 4 · 3 · 2 · 1 = 5! = 120
A
UNIDADE 1 TÓPICO 1 13
UNI
O número de permutações de cinco elementos diferentes é indicado por P5. Sendo assim:
P5 = 5! = 120
Outra situação deste tipo de permutação com elementos diferentes pode ser visto no
exemplo a seguir:
P
Exemplo 1: Com os algarismos 2, 4, 5, 6 e 7 quantos números ímpares de 4 algarismos R
O
distintos podemos escrever? B
A
B
I
Primeiro lembre-se de que para formar um número ímpar você deve levar em L
consideração que o algarismo da unidade, ou seja, o último da direita deve ser ímpar. Neste I
D
exemplo, o número a ser formado deve obrigatoriamente terminar em 5 ou 7. A
D
E
veja que para o algarismo
Permutação ( ___ , ___ , ___ , ___ , ___ ) E
das unidades há apenas duas
Possibilidades 4 · 3 · 2 · 1 · 2 E
S
possibilidades. T
A
Para cada uma destas possibilidades, os outros cinco algarismos que restarem poderão T
Í
ser permutados nas outras cinco casas. Como são algarismos distintos, a quantidade de S
T
números ímpares que você poderá formar é: I
C
2 · P4 = 2 · 4! = 2 · 24 = 48 A
14 TÓPICO 1 UNIDADE 1
UNI
Eis aqui uma dica. Para você resolver exercícios como este é sempre
necessário fazer o esquema que representa a situação e suas
possibilidades, prestando atenção às restrições, como a do exemplo
anterior em que o número deveria ser ímpar.
Perceba que neste exemplo há repetição de uma das letras, o A, por isso optou-se por
diferenciar cada um, sendo o primeiro em itálico e o segundo sublinhado.
P
R
O
B Você já sabia que o número de permutações de três elementos diferentes é P3 = 3!
A
B = 6. Mas, se você tiver entre os três elementos dois que repetem, este número fica dividido
I
L
por 2!. Isto ocorre porque 2! é o número de permutações dos dois elementos se eles forem
I considerados distintos. Sendo assim, o número de permutações de três elementos sendo dois
D
A deles repetidos é dado por P32:
D
E
E
S
T Outro exemplo de permutação com elementos repetidos é o cálculo de anagramas da
A
T palavra UNIASSELVI. Veja que as letras S e I se repetem duas vezes cada uma na palavra.
Í
S Se não fosse levada em consideração a repetição destas letras, e houvesse S e S e I e I, por
T
I exemplo, você teria uma permutação de 10 letras, ou seja, P10 = 10! = 3 628 800.
C
A
UNIDADE 1 TÓPICO 1 15
UNI
5 COMBINAÇÕES E ARRANJOS
E
Suponha que no local em que você trabalha, numa escola por exemplo, o diretor S
T
resolveu sortear entre os professores mais assíduos do semestre dois prêmios iguais, dois A
T
notebooks. Imagine então que os quatro professores (Jairo, Cristiane, Débora e Emília) foram Í
S
os mais assíduos do semestre e que o diretor deve decidir quais dois receberão os notebooks. T
I
As duplas de ganhadores podem ser: C
A
16 TÓPICO 1 UNIDADE 1
Veja que duas combinações são diferentes apenas quando têm elementos diferentes. As
combinações são representadas utilizando chaves e os elementos são separados por vírgula
ou ponto e vírgula, assim como conjuntos.
P
R
O 5.2 ARRANJOS
B
A
B
I Considere a mesma situação anterior, porém imagine que o diretor tenha dois prêmios
L
I diferentes para dar para os professores mais assíduos do semestre, um tablet e um netbook
D
A e que o primeiro professor sorteado receba o tablet e o segundo professor sorteado receba o
D
E netbook.
E
Ou seja, quando você agrupar elementos de modo que em cada agrupamento importa a
ordem dos elementos, estes agrupamentos são denominados arranjos. Em linguagem matemática,
os arranjos são sucessões cujos termos são escolhidos entre os elementos dados.
Veja que dois arranjos são diferentes se tiverem elementos diferentes, ou se tiverem os
mesmos elementos, porém em ordens diferentes. Os arranjos são representados colocando
os elementos entre parênteses, como sucessões.
DE
ATIVIDA
AUTO
E
O número de arranjos de n elementos tomados k a k pode ser representado pelo símbolo E
An,k (ou pelo símbolo Ank ). S
T
A
T
Para determinar a quantidade de arranjos imagine que você precisa formar um deles, Í
S
ou seja, formar uma sucessão de k termos escolhidos entre os n elementos dados: T
I
( 1º , 2º , 3º , ..., kº ) C
A
18 TÓPICO 1 UNIDADE 1
Para cada uma destas possibilidades, o 2º termo do arranjo poderá ser qualquer um dos
(n – 1) elementos restantes, excluído aquele já escolhido. Há, portanto, (n – 1) possibilidades
para o 2º termo.
Para cada par de elementos já escolhidos, o 3º termo poderá ser qualquer um dos (n –
2) elementos restantes. Há então (n – 2) possibilidades para o 3º termo. E assim por diante.
An,k =
Exemplo 3: Dez diretores de uma empresa são candidatos aos cargos de presidente
e vice-presidente. Quantos são os possíveis resultados da eleição?
A10,2 =
Você deve lembrar que para determinar esta quantidade de combinações com k
elementos
(a1, a2, a3, ... , ak), (a1, a2, a3, ... , ak), (a1, a2, a3, ... , ak) etc.
P
R
O
Sendo assim, a partir de uma combinação você pode obter k! arranjos dos n elementos B
A
tomados k a k. Então o número de combinações é igual ao número de arranjos dividido por k!: B
I
L
A n,k I
Cn,k = D
k! A
D
E
Logo,
E
E
Cn,k = S
T
A
em que n é o número de elementos e k o número de maneiras de combinação dos elementos (k a k). T
Í
S
T
I
C
A
20 TÓPICO 1 UNIDADE 1
Cn,k =
Dos 18 deputados, você deve escolher 4 para formar a comissão. Imagine que uma
comissão possível seja formada pelos deputados A, B, C e D. Veja que a ordem em que estão
os deputados não importa, uma vez que se você se referir à comissão como C, D, A e B estará
se referindo à mesma comissão. Isto significa que cada possível comissão corresponde a uma
combinação dos 18 deputados (n) tomados 4 a 4 (k).
C18,4 =
DE
ATIVIDA
AUTO
E
S 6 BINÔMIO DE NEWTON
T
A
T
Í Todo o estudo de Combinatória que você realizou até o momento servirá para que você
S
T obtenha o desenvolvimento do Binômio de Newton, identificado como (x + a)n, onde x ϵ R, a ϵ
I
C R e n ϵ N. Você também estudará propriedades sobre os coeficientes desse desenvolvimento,
A
o número de combinações de n elementos tomados k a k, 0 ≤ k ≤ n.
UNIDADE 1 TÓPICO 1 21
Assim, se tem:
Cn,k = onde n ϵ N, k ϵ N e 0 ≤ k ≤ n
Exemplo 1: C6,2 =
9.8.7.6!
Exemplo 2: C9,6 =
6! (3)!
ÇÃO!
ATEN
E
C7,0 = 1 (pelo caso a) E
C7,1 = 7 (pelo caso b) S
T
C7,7 = 1 (pelo caso c) A
T
C0,0 = 1 (pelo caso c) Í
S
T
I
C
A
22 TÓPICO 1 UNIDADE 1
UNI
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
UNIDADE 1 TÓPICO 1 23
Substituindo pelo valor de cada combinação, o triângulo pode ser visualizado assim:
1
1 1
1 2 1
1 3 3 1
1 4 6 4 1
1 5 10 10 5 1
1 6 15 20 15 6 1
1 7 21 35 35 21 7 1
1 8 28 56 70 56 28 8 1
1 4 + 6 4 1
1 5 10 10 5 1
IDADE
ATIV
AUTO
Observação:
1 4 6 4 1
(x + 2)4 = 1 · x4 · 20 + 4 · x3 · 21 + 6 · x2 · 22 + 4 · x1 · 23 + 1 · x0 · 24
P
R (x + 2)4 = x4 + 8x3 + 24x2 + 32x + 16
O
B
A
B Já para desenvolver (x - 2)4 aplica-se o mesmo método, porém lembre-se de que x - 2
I
L
= x + (- 2), logo:
I
D
A (x - 2)4 = 1 · x4 · (-2)0 + 4 · x3 · (- 2)1 + 6 · x2 · (- 2)2 + 4 · x1 · (- 2)3 + 1 · x0 · (- 2)4
D
E (x - 2)4 = x4 - 8x3 + 24x2 - 32x + 16
E
E Sendo assim, você sempre deverá olhar para a linha do “numerador” do Triângulo de
S
T Pascal que corresponde ao n do Binômio de Newton (x + a)n, pois serão os coeficientes do
A
T desenvolvimento do Binômio de Newton.
Í
S
T
I Em seguida, multiplicando pelos coeficientes, encontrados a partir do Triângulo de
C
A Pascal, deverão se dispor os dois termos (x e a), lembrando que a potência do primeiro termo
decresce, enquanto a do segundo termo cresce.
UNIDADE 1 TÓPICO 1 25
(x + 2)4 = 1 · x4 · 20 + 4 · x3 · 21 + 6 · x2 · 22 + 4 · x1 · 23 + 1 · x0 · 24
E
Observe que: S
T
A
T
a) para k = 0, T é o primeiro termo; Í
S
para k = 1, T é o segundo termo; T
I
para k = 2, T é o terceiro termo; C
A
para k = 3, T é o quarto termo.
26 TÓPICO 1 UNIDADE 1
Conclua com isso que para k = n, T é o termo de ordem (n + 1), que é o último termo.
T= x8 – k 3k
Que tal, para exercitar, obter o sexto termo? Para obter o sexto termo (n = 6), considere
k = 5, pois k = n – 1.
8!
Sexto termo ⇒ k = 5 ⇒ T = x8 – 5 35 = 5!. 3! x3 · 243 = 13608x3
T= x8 – k 3k
P 8 8! 5
R quarto termo ⇒ k = 3 ⇒ T = x8 – 3 33 = x · 27 = 1512x5
O 3 3!. 5!
B
A
B
I
L
Sendo assim, o quarto termo de (x + 3)8 é 1512x5.
I
D
A A partir do exemplo 1 (x + 3)8 você calculou o quarto termo e o sexto termo. Mas, e
D
E se fosse necessário desenvolvê-lo aplicando o que você estudou sobre desenvolvimento do
E Binômio de Newton?
E
S
T 1º passo: Relembre o Binômio de Newton (x + a)n e o assemelhe com o exemplo (x +
A
T 3)8, assim você tem a = 3 e n = 8.
Í
S
T
I 2º passo: A partir do Triângulo de Pascal, encontre a linha de numerador n, ou seja, a
C
A linha de numerador 8.
1 8 28 56 70 56 28 8 1
UNIDADE 1 TÓPICO 1 27
(x + 3)8 = 1.x8.30 + 8.x7.31 + 28.x6.32 + 56.x5.33 + 70.x4.34 + 56.x3.35 + 28.x2.36 + 8.x1.37 +1.x0.38
Viu como é simples? Basta seguir os passos indicados para desenvolver o Binômio
de Newton. Aliás, com o desenvolvimento do Binômio de Newton a partir do exemplo 1, você
pode constatar e conferir que os valores para o quarto e o sexto termo estavam corretos, de
acordo com a resolução apresentada.
ID ADE
ATIV
AUTO
S!
DICA
E
S
T
A
T
Í
S
T
I
C
A
28 TÓPICO 1 UNIDADE 1
RESUMO DO TÓPICO 1
• Fatorial: dado um número natural qualquer n, sendo n >1 define-se: n! = n · (n-1) · (n-2) ·
... · 3 · 2 · 1. Nos casos especiais n = 1 e n = 0 define-se 1! = 1 e 0! = 1.
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
30 TÓPICO 1 UNIDADE 1
IDADE
ATIV
AUTO
Conte também com a Tutoria Interna do curso de Matemática, que está disponível
por meio do 0800, contato e atendimento on-line. Bons estudos!
1 Uma fábrica de bicicletas produz três modelos diferentes e para cada um deles os clientes
podem escolher entre cinco cores e dois tipos de assentos. Além disso, opcionalmente,
pode ser acrescentado o espelho retrovisor ou o assento traseiro ou ambos. Quantos
exemplares diferentes de bicicletas você pode escolher nesta fábrica?
P
R 5 Na figura a seguir há 9 pontos, entre os quais não há 3 colineares, exceto os 4 que
O
B marcamos numa mesma reta. Quantos triângulos existem com vértices nestes
A
B pontos?
I
L
I
D
A
D
E
E
S
T
A
T 6 De uma novela participam 8 atores e 12 atrizes. Para uma cena que será filmada na
Í
S Europa, apenas 6 participantes deverão viajar, sendo 3 atores e 3 atrizes. De quantos
T
I modos podem ser escolhidos os participantes desta cena?
C
A
UNIDADE 1 TÓPICO 1 31
8 Na loteria são sorteados 6 números entre os naturais 0, 1, 2, 3, ..., 60. Quantos são os
resultados possíveis para o sorteio? Quantos são os resultados possíveis formados
por três números pares e três ímpares? Quantos são os resultados possíveis com
pelo menos quatro números pares?
10 De quantos modos podemos formar uma sucessão de três números naturais (a, b,
c), não necessariamente distintos, cuja soma é igual a 10?
12 Num restaurante, o cardápio oferece escolha entre cinco sopas, três pratos principais,
quatro sobremesas e seis bebidas. Uma refeição consiste obrigatoriamente num prato
principal e numa bebida, podendo ser acrescidos, opcionalmente, de uma sopa, ou
de uma sobremesa, ou de ambas. Quantos tipos de refeições, todas diferentes entre
si, podem-se fazer?
13 Uma fábrica de automóveis produz três modelos de carros. Para cada um, os clientes
podem escolher entre sete cores diferentes; três tipos de estofamento, que podem
vir, seja em cinza, seja em vermelho; dois modelos distintos de pneus; e entre vidros P
R
brancos, ou vidros verdes. Ademais, opcionalmente em um pacote, é possível adquirir O
B
os seguintes acessórios: um porta-copos; uma de duas marcas de rádio ou um A
B
modelo de CD player; um aquecedor de bancos; e um câmbio automático. Quantos I
L
exemplares de carros distintos entre si a fábrica chega a produzir? I
D
A
D
14 Deseja-se dispor em fila cinco estudantes para uma apresentação na escola: Jairo, E
Débora, Emília, Cristiane e Rafael. Calcule o número das distintas maneiras que elas E
podem ser dispostas de modo que Cristiane e Rafael fiquem sempre vizinhos. E
S
T
A
15 Considere os números obtidos do número 12 345 efetuando-se todas as permutações T
Í
de seus algarismos. Colocando esses números em ordem crescente, qual o lugar S
T
ocupado pelo número 43 521? I
C
A
32 TÓPICO 1 UNIDADE 1
17 Uma pessoa faz uma relação de nomes de onze pessoas amigas. Calcule de quantas
maneiras ela poderá convidar cinco destas pessoas para jantar sabendo-se que na
relação há um único casal inseparável.
18 Num zoológico há dez animais, dos quais devem ser selecionados cinco para
ocupar determinada jaula. Se entre eles há dois que devem permanecer sempre
juntos, encontre o total de maneiras distintas de escolher os cinco que vão ocupar
tal jaula.
19 Tomam-se 6 pontos sobre uma reta e 8 pontos sobre uma paralela a esta reta.
Quantos triângulos existem com vértices nesse conjunto de 14 pontos?
21 Uma urna contém 10 bolas brancas e 6 pretas. De quantos modos é possível tirar
7 bolas das quais pelo menos 4 bolas sejam pretas?
23 Num exame, um professor dispõe de 12 questões que serão entregues a três alunos,
P
R cada um recebendo quatro questões. Quantas situações diferentes teremos?
O
B
A
B 24 Qual é o valor do termo médio do desenvolvimento de (2x + 1)8?
I
L
I 3
D
25 Determine o coeficiente de x do desenvolvimento de (4x – 5)5.
A
D
E 26 Determine o termo geral do desenvolvimento de (3x + 5)7.
E
TÓPICO 2
PROBABILIDADE
1 INTRODUÇÃO
No entanto, existem fenômenos cujo resultado você não poderá prever, mesmo que ele
se repita inúmeras vezes e nas mesmas condições. Um bom exemplo é o lançamento de um
dado. Se você jogar um dado honesto (não viciado), jamais poderá saber qual será o próximo
resultado antes de lançá-lo.
São resultados como estes, imprevisíveis, que são chamados de aleatórios. Para
Fonseca e Martins (1996), os fenômenos aleatórios levam a diferentes resultados: mesmo que
se faça o experimento em condições normais e iguais, não há como prever o resultado. Não P
R
há como prever, mas há como palpitar. Justamente para que este palpite possa ser levado em O
B
consideração e seja coerente, os matemáticos criaram a Teoria das Probabilidades. A
B
I
L
A probabilidade quantifica a chance de alguma resposta para determinado fenômeno. I
D
Essa quantificação será dada em forma de um número entre 0 e 1, em que o 0 representa a A
D
resposta impossível, no fenômeno realizado, e o 1, a certeza absoluta de que sairá a resposta, E
na próxima jogada. Um simples exemplo se dá no lançamento de uma moeda. A probabilidade E
de sair cara é de 0,5, pois metade das opções da moeda (cara ou coroa) representa a resposta E
esperada e nenhum lado tem vantagem sobre o outro. S
T
A
T
Quando se estuda a probabilidade, há dois conceitos importantes a serem entendidos, Í
S
o espaço amostral e o evento, pois eles subsidiarão os cálculos iniciais. De certa maneira, a T
I
probabilidade é baseada no cálculo da razão entre esses dois conceitos. C
A
34 TÓPICO 2 UNIDADE 1
2 ESPAÇO AMOSTRAL
O espaço amostral nada mais é do que o conjunto de todas as soluções possíveis dentro
de um experimento qualquer, chamado S. O número de soluções possíveis dentro do espaço
amostral é chamado n(S). Compreenda esta definição a partir de alguns exemplos:
Exemplo 1:
Exemplo 2:
Exemplo 3:
Lembre-se do Princípio Fundamental da Contagem, pois você tem duas etapas com
seis maneiras cada uma. Assim, para cada número que sair no primeiro lançamento há seis
opções de números para o segundo lançamento!
S = {(1,1), (1,2),...,(2,3),...,(3,4),...,(4,5),...(5,6),...,(6,6)}
n(S) = 36.
Exemplo 5:
E se você quiser saber o S e o n(S) que resultam do jogo de seis dezenas feito na
mega-sena?
Lembre-se de que você quer saber quantas combinações simples de 6 elementos pode
formar com os 60 números. Sendo assim, para determinar o n(S), basta aplicar a fórmula da
combinação:
, ou seja, o n(S) é 50.063.860.
UNI
P
R
3 EVENTO O
B
A
O evento é um subconjunto do espaço amostral, ou seja, uma parte de S. O evento pode B
I
ser considerado também o conjunto das respostas esperadas, podendo ser representado por L
I
uma letra maiúscula (A, B,…, Z). Neste caso, o n(A, B,…, Z) identifica o número de respostas D
A
esperadas. Compreenda esta definição também com base em alguns exemplos: D
E
E
Exemplo 1:
E
S
T
Suponha que você lançou um dado e quer saber a probabilidade de sair um número A
T
menor ou igual a três. Í
S
T
I
As soluções são sair o 1 ou o 2 ou o 3 no lançamento do dado. Então o evento pode C
A
ser chamado de A = {1,2,3}. Assim, n(A) = 3, pois há 3 elementos no conjunto A.
36 TÓPICO 2 UNIDADE 1
Exemplo 2:
Exemplo 3:
Você deve obter um número ímpar, entre os números de 2 dígitos distintos, que se
podem formar com os dez algarismos de 0 a 9.
4 PROBABILIDADE
P onde:
R
O A = conjunto evento
B
A S = conjunto espaço amostral
B
I
n(A) = número de elementos do conjunto A
L n(S) = número de elementos do conjunto S
I
D P(A) = probabilidade de ocorrer A.
A
D
E
Existem algumas propriedades relacionadas à probabilidade de A, listadas a seguir:
E
E
S (i) 0 ≤ P(A) ≤ 1
T
A
T
Í Se A é subconjunto de S, pode-se afirmar que n(A) ≤ n(S), o que implica que P(A) é
S
T um número entre 0 e 1.
I
C
A
UNIDADE 1 TÓPICO 2 37
ii) P(S) = 1
Se então P(S) = 1.
Então:
Exemplo 1:
Solução:
D
A! A
NOT D
E
Exemplo 2:
Qual é a probabilidade de a face que cair voltada para cima ser um número menor ou
igual a três, no lançamento de um dado de seis faces?
Solução:
Exemplo 3:
Qual é a probabilidade, ao sortear uma letra do alfabeto, de esta ser uma vogal a ou i?
Solução:
P
R
O
B 5 PROBABILIDADE DA UNIÃO DE EVENTOS
A
B
I
L A união de eventos pode ser caracterizada de duas maneiras, pois existem eventos
I
D mutuamente exclusivos e eventos não mutuamente exclusivos. Observe o esquema a seguir
A
D que representa esta diferença:
E
E
S
T
A
T
Í
S
T
I
C
A
UNIDADE 1 TÓPICO 2 39
Eventos:
A = sair dama.
n(A) = 4
B = sair rei.
n(B) = 4
A∩B = conjunto vazio, pois não há carta que é, ao mesmo tempo, dama e rei.
Eventos:
A = sair qualquer carta de paus.
n(A) = 13
B = sair qualquer dama.
n(B) = 4 P
R
A∩B = damas de paus O
B
n(A∩B) = 1, pois existe uma dama de paus no baralho comum. A
B
I
L
Agora, pense o que acontece na união entre os eventos A e B nos dois exemplos I
D
anteriores. Primeiramente, analisaremos o caso do exemplo 1, no qual a intersecção entre A A
D
e B é vazia. E
Analisando o exemplo 2, perceba que o conceito acima tem que ser ajustado, porque,
unindo os eventos A e B (paus e dama), dá um total de 16 cartas, mas, se fizer n(A) + n(B),
dará 17.
Parece que está errado? Mas não está! Está correto! Veja bem, como a intersecção
no caso acima é vazia, omitiu-se sua interferência no cálculo. Porém, no exemplo 2, como a
intersecção existe, acaba interferindo.
P
R Exemplo 3:
O
B
A
B Numa urna, há 10 bolas verdes, 8 azuis e 4 brancas. Qual é a probabilidade de uma
I
L
bola azul ou branca ser retirada, ao acaso?
I
D
A Solução:
D
E
Exemplo 4:
Solução:
Como a intersecção não é vazia, temos um caso de eventos não mutuamente exclusivos.
Com isso, a probabilidade da união dos eventos A com B será:
P
R
O
UNI B
A
B
I
L
Se na pergunta do exercício de probabilidade aparecer a conjunção I
D
OU entre os eventos, como nos exemplos anteriores, você deverá A
calcular a união entre os eventos envolvidos. D
E
E
S
T
A
T
Í
S
T
I
C
A
42 TÓPICO 2 UNIDADE 1
6 PROBABILIDADE CONDICIONADA
Exemplo 1:
Considere um lote de 200 peças, no qual 190 são perfeitas e 10 têm defeitos. Qual a
probabilidade de retirar, ao acaso, duas peças com defeito desse lote?
Com reposição:
Você tira a primeira peça, devolve-a ao lote novamente antes de tirar a segunda
peça. Observe que e a peça tirada é reposta no lote
Sem reposição:
P
A primeira peça retirada do lote não participa do sorteio para a retirada da segunda peça.
R Sendo assim, P(A) não muda, ou seja, P(A) = 0,05. Mas, como a peça retirada não é reposta,
O
B restam 9 peças defeituosas de um total de 199 peças, então: .
A
B
I
L De um baralho de 52 cartas, foram retiradas, aleatoriamente e sem reposição, duas
I
D cartas. Sabendo que a primeira carta retirada é de espadas, qual é a probabilidade de a segunda
A
D carta ser uma dama vermelha?
E
E
Neste caso, a segunda probabilidade (B) é influenciada pela ocorrência da primeira (A),
E
S o que caracteriza uma probabilidade condicionada, chamada P(B/A) (lê-se: probabilidade de
T
A B se ocorreu o evento A).
T
Í
S Para calcular P(B/A), basta saber que você está calculando P(B) em relação ao espaço
T
I amostral A, e não ao espaço amostral S.
C
A
UNIDADE 1 TÓPICO 2 43
Suponha que ocorreu o evento A, ou seja, já foi feita a primeira etapa do processo (foi
retirada uma carta de espadas). Como você vai calcular a probabilidade de ocorrer B, sendo
que já ocorreu A, ou seja, P(B/A)?
Basta imaginar que o espaço amostral é o conjunto A e que a única maneira de ocorrer
elementos de B no conjunto A é na intersecção dos dois. Então:
Ou seja: .
P
Exemplo 3: R
O
B
A
Em um grupo de 40 estudantes do Ensino Médio existem as seguintes características: B
I
L
SEXO I
IDADE TOTAL D
M F A
D
Menos de 15 anos 15 12 27 E
Mais de 15 anos 5 8 13
E
TOTAL 20 20 40
E
S
T
Qual é a probabilidade de sortear, ao acaso, entre os estudantes, um menino, sabendo A
T
que ele tem mais de 15 anos? Í
S
T
I
C
A
44 TÓPICO 2 UNIDADE 1
Solução:
Olhando o quadro, sabemos que a probabilidade é , onde B é o evento de
ser menino e, nesse caso, o espaço amostral desconsidera as meninas, pois se afirma que o
sorteado é menino!
Também deve ser feito o cálculo de P(B/A), onde A é o evento de ser menino e B o
evento de ter mais de 15 anos:
7 TEOREMA DA MULTIPLICAÇÃO
E
S
T
A
T
Í Calcular é fácil, pois como a primeira peça retirada tinha defeito, ficaram
S
T
I
ainda 9 peças com defeito e 190 peças perfeitas.
C
A
UNIDADE 1 TÓPICO 2 45
Assim, .
Nos exemplos a seguir, você poderá identificar outros casos com e sem reposição.
ÇÃO!
ATEN
Exemplo 1:
Qual é a probabilidade de, em duas retiradas com reposição, saírem duas cartas de
copas de um baralho normal?
Solução:
P
R
O
Calcule a probabilidade de sair copas na primeira carta e copas na segunda carta. B
Lembre que o e representa um caso de intersecção! A
B
I
L
A = sair a primeira carta de copas. I
D
n(A) = 13, pois há 13 cartas deste naipe no baralho. A
D
B = sair a segunda carta de copas. E
E
S
Como o problema é com reposição, o primeiro evento A não influencia o evento T
A
secundário B, ou seja, eles são independentes. Veja: T
Í
S
T
I
C
A
46 TÓPICO 2 UNIDADE 1
Exemplo 2:
Qual é a probabilidade de, em duas retiradas sem reposição, saírem duas cartas de
copas de um baralho normal?
Solução:
Mesmo que agora o segundo evento B seja influenciado pelo primeiro evento A, pois
não há a reposição da primeira carta de copas, o objetivo é calcular a probabilidade de sair
copas na primeira carta e sair copas na segunda carta. Veja que novamente há um caso de
intersecção de eventos!
Exemplo 3:
Uma urna contém 2 bolas pretas e 3 bolas brancas. Qual é a probabilidade de retirar
duas bolas, ao acaso e sem reposição, e sair uma bola branca e uma preta?
Solução:
P
R Nesse caso, fique atento(a) à ordem em que as bolas estão saindo, pois pode-se obter
O
B a bola branca na primeira retirada e a bola preta na segunda retirada ou ao contrário. São dois
A
B casos, veja:
I
L
I 1º caso:
D
A A = sair bola branca na primeira retirada.
D
E B = sair bola preta na segunda retirada.
E
E
S
T
A
T 2º caso:
Í
S B = sair bola preta na primeira retirada.
T
I A = sair bola branca na segunda retirada.
C
A
UNIDADE 1 TÓPICO 2 47
NOT
A!
É possível chegar à resposta 0,6 multiplicando o primeiro caso por
2. Esse número representa a quantidade de combinações possíveis
de A e B.
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
48 TÓPICO 2 UNIDADE 1
RESUMO DO TÓPICO 2
E
S
T
A
T
Í
S
T
I
C
A
UNIDADE 1 TÓPICO 2 49
IDADE
ATIV
AUTO
Agora, acadêmico(a), é a sua vez de exercitar o que aprendeu até aqui. Lembre-se
de que você tem à disposição no “Material de Apoio” do Ambiente Virtual de Aprendizagem
os gabaritos das autoatividades. Consulte-os sempre que necessário.
Conte também com a Tutoria Interna do curso de Matemática, que está disponível
por meio do 0800, contato e atendimento on-line. Bons estudos!
2 Suponha que você lançou um dado equilibrado apenas uma vez. Determine então a
probabilidade de a face de cima conter:
a) Um 3.
b) Um número par.
c) Um número ímpar.
d) Um número menor que 6.
P
3 Agora, suponha que você lançou um dado equilibrado duas vezes e observou a face R
O
que caiu voltada para cima. Determine: B
A
a) Os elementos do espaço amostral. B
I
b) Os elementos do evento B: sair soma 7 em suas faces. L
I
c) Os elementos do evento C: sair o mesmo número em ambas as faces. D
A
d) Os elementos do evento D: sair soma menor que 10 em suas faces. D
E
e) Os elementos do evento E: sair soma maior que 12 em suas faces.
E
E
4 No famoso jogo de loteria, a mega-sena, são sorteadas 6 dezenas. Você pode montar S
T
seu jogo escolhendo algumas entre as 60 dezenas. Suponha que você escolheu 10 A
T
dezenas, qual é a probabilidade de você acertar: Í
S
a) 4 dezenas? T
I
b) 5 dezenas? C
A
c) 6 dezenas?
50 TÓPICO 2 UNIDADE 1
5 Você jogou dois dados perfeitos e pretende analisar a soma das faces voltadas para
cima. Qual é a probabilidade de essa soma ser 6?
9 Uma máquina produziu 200 peças, das quais 25 estavam com defeito. Ao retirar,
aleatoriamente, 4 peças, com reposição, qual é a probabilidade de que:
a) Todas sejam perfeitas?
b) Todas tenham defeito?
c) Pelo menos uma seja perfeita?
d) Pelo menos uma tenha defeito?
10 Numa sala de aula com 28 estudantes, 15 são meninos e 12 são morenos, dos quais
7 são meninas. Escolhendo um estudante ao acaso, qual é a probabilidade de ele
ser moreno ou menina?
1
2
11 A probabilidade de que o filho de um casal nasça com olhos verdes é . Se o casal
3
4
P
R tiver três filhos, qual é a probabilidade de todos terem olhos verdes? E de nenhum
O
B
ter olhos verdes? E de pelo menos um ter olhos verdes?
A
B
I 12 Um grupo de 83 estudantes apresenta, de acordo com o sexo e a altura, a seguinte
L
I situação:
D
A
D
E
Menos de 1,40 m De 1,40 m a 1,60 m Mais de 1,60 m
Meninos 15 12 8
E Meninas 11 24 13
E
S
T Escolhendo uma pessoa desse grupo ao acaso, determine:
A
T a) A probabilidade de ser um menino.
Í
S b) A probabilidade de ser uma menina com menos de 1,40 m.
T
I c) A probabilidade de ser um menino, se o escolhido tiver de 1,40 m a 1,60 m.
C
A d) A probabilidade de ser uma menina, se o escolhido tiver no máximo 1,60 m.
UNIDADE 1 TÓPICO 2 51
13 Uma prova é composta por 15 questões e cada uma possui 4 alternativas, das quais
apenas uma é correta. Para alguém que esteja respondendo aleatoriamente uma
alternativa em cada questão, qual é a probabilidade de:
a) Acertar as 15 questões?
b) Errar as 15 questões?
c) Acertar 1
2 das questões?
3
4
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
52 TÓPICO 2 UNIDADE 1
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
UNIDADE 1
TÓPICO 3
TEOREMA DE BAYES
1 INTRODUÇÃO
Por exemplo, numa disputa de cara ou coroa, você certamente concorda que a chance
de ganhar é de 50%. Mas se a moeda for jogada três vezes, segundo Bayes, a previsão deve P
R
ser ajustada a cada jogada. Imagine que nas duas primeiras jogadas deu ‘cara’, então a chance O
B
para a terceira jogada não será mais de 50%. A
B
I
L
Outro exemplo comum do que propôs Bayes é o possível resultado de um jogo de I
D
futebol. Se você quer prever a chance de um time A vencer um time B, deve levar em conta as A
D
informações que se têm sobre resultados das partidas anteriores, como, por exemplo, quantas E
vezes A venceu B e vice-versa, além de levar em consideração as opiniões de especialistas E
sobre o jogo, sobre os times, sobre o campeonato e sobre os jogadores.
E
S
T
Usar o cálculo da probabilidade é justamente fazer palpites sobre determinados eventos, A
T
se vão ocorrer ou não. Apesar de estar baseado rigidamente na lógica e na razão, o Teorema Í
S
de Bayes passou por várias controvérsias à medida que os estudos sobre probabilidade e T
I
estatística evoluíam. Ainda hoje Bayes é criticado por incluir a subjetividade no ajuste dos C
A
54 TÓPICO 3 UNIDADE 1
2 TEOREMA DE BAYES
Com base no que você estudou até aqui, lembre-se de que a probabilidade condicional
permite obter a probabilidade de ocorrer um evento A, dado que ocorreu o evento B anterior a
A. Porém, você também pode querer saber o contrário, ou seja, a probabilidade de um evento
anterior A ter ocorrido, sabendo que um evento posterior B ocorreu.
Seja um espaço amostral S subdividido em vários eventos A1, A2, A3,..., Ak que
satisfazem as propriedades:
P(B) = P(B ∩ A1) + P(B ∩ A2) + P(B ∩ A3) + P(B ∩ A4) (a)
Essa igualdade é válida porque todos os Ai são mutuamente exclusivos dois a dois.
Observe, ainda, que a probabilidade de ocorrer o evento B, dado que ocorreu, por exemplo,
Para saber a probabilidade de ocorrer, por exemplo, A1, dado que ocorreu B, é:
E
Imagine que você está diante de duas urnas. Uma urna (U1) contém 4 bolas amarelas
E
e 3 pretas. Uma segunda urna (U2) contém 6 bolas amarelas e 2 pretas. Escolhe-se uma S
T
urna ao acaso e dela se retira uma bola ao acaso, verificando que ela é amarela. Qual é a A
T
probabilidade de ela ter vindo da urna U1? Í
S
T
I
Resolução: C
A
56 TÓPICO 3 UNIDADE 1
Lembrando que existem duas urnas, considere A o evento: sair bola amarela.
- A probabilidade de sair bola amarela, dado que se escolheu a U1, é 4/7. P(A/U1) = 4/7
Você quer saber a probabilidade de a bola ter vindo da U1, dado que saiu uma bola
amarela, ou seja, P(U1/A) = ?
Exemplo 2:
Exemplo 3:
Uma empresa possui 4 máquinas que fazem os mesmos tipos de peças (X, Y, Z) e que
se distinguem pela nacionalidade. A probabilidade das peças defeituosas de cada máquina é
apresentada no seguinte quadro:
Resolução:
Admitindo que cada máquina tem a mesma chance de ser escolhida, tem-se que: P(A)
= P(B) = P(C) = P(D) = 1/4 = 0,25.
Assim, a probabilidade de a peça Y ter sido produzida pela máquina brasileira, dado
P
que a peça é defeituosa, é: R
O
B
A
B
I
L
I
D
A
D
Assim, pode-se calcular, da mesma maneira, a probabilidade de a peça Y ter sido E
E
S
T
A
T
Í
S
T
I
C
A
58 TÓPICO 3 UNIDADE 1
NOT
A!
O denominador (0,175), que é o mesmo em todos os casos,
representa a probabilidade de escolher, ao acaso, uma peça Y com
defeito. Observe que a soma das probabilidades das quatro máquinas
é 1.
Esse fato também poderia ter sido percebido analisando o quadro de probabilidade
de peças defeituosas, uma vez que a probabilidade de escolher as máquinas é igual e a
probabilidade de a máquina americana produzir uma peça Y defeituosa P(Y/A) é maior do que
a das outras máquinas.
Agora se, ao invés de a empresa ter comprado a máquina chinesa, tivesse optado por
mais uma dinamarquesa, será que a peça Y com defeito teria mais chance de ter sido produzida
pela máquina americana? Verifique isso no seguinte exemplo.
Exemplo 4:
Calculando a probabilidade de a peça Y ter sido produzida por cada uma das máquinas,
dado que a peça é defeituosa:
Isso não quer dizer que o fato de haver mais máquinas do tipo dinamarquesa sempre
contribuirá para que isso aconteça, pois, se a probabilidade de a máquina dinamarquesa
produzir uma peça Y defeituosa P(Y/D) fosse de 0,10, a peça Y com defeito teria mais chance
de ter sido produzida pela máquina americana.
LEITURA COMPLEMENTAR
P
R
THOMAS BAYES: O ‘CARA’! O
B
Sérgio Danilo Pena A
[...] B
I
L
I
Milagres: ocorrem ou não? D
A
D
E
A possibilidade da ocorrência de milagres e a crença neles têm historicamente sido
E
objeto de análise científica e filosófica. O local clássico da discussão moderna e contemporânea
E
sobre milagres é o décimo capítulo (‘Dos milagres’) de um livro de 1748, Investigação acerca S
T
do entendimento humano, do filósofo e historiador escocês David Hume (1711-1776). Nesse A
T
capítulo, ele diz: “Não há testemunho suficiente para fundamentar um milagre, a menos que o Í
S
testemunho seja tal que a sua falsidade seria ainda mais miraculosa que o fato que se pretende T
I
estabelecer.” C
A
60 TÓPICO 3 UNIDADE 1
Para testar isso, estudamos um grupo de 200 indivíduos com câncer, distribuídos
aleatoriamente em dois grupos de 100. Um grupo é tratado por três meses com vitamina C,
de modo duplo-cego (paciente e pesquisador não sabem se o que é dado ao primeiro contém
mesmo a vitamina, o que é controlado à parte). O outro grupo é tratado com um placebo
(substância sem qualquer efeito). Ao final, descobre-se que o câncer não progrediu em 65
dos pacientes que de fato tomaram a vitamina C, e que o mesmo aconteceu a 50 dos que
não tomaram a vitamina. Um teste estatístico confirma que essa diferença é significativa ao
nível de 5% (porque a chance de que seja fruto do acaso é menor que 5%). Com base nisso,
P
R é possível escrever um artigo científico defendendo a hipótese de que a vitamina C tem ação
O
B contra o câncer.
A
B
I
L
Esse procedimento está correto? Obviamente, não. O problema, nesse caso, é que
I não foi levado em conta o consenso, existente na literatura médica e baseado em inúmeros
D
A experimentos semelhantes, de que a vitamina C não cura o câncer. Assim, a probabilidade a
D
E priori de que um estudo isolado revele uma verdade oculta e revire os cânones da medicina é
E infinitesimalmente pequena. A não ser que a evidência experimental seja fabulosamente forte,
E é melhor ficar calado.
S
T
A
T [...]
Í
S
T FONTE: PENA, Sérgio Danilo. Revista Ciência Hoje, Rio de Janeiro, v. 38, n. 228, p. 22-29, 2006.
I Disponível em: <http://www.ime.usp.br/~abe/lista/pdfqEjLYxHl2w.pdf>. Acesso em: 18 dez. 2011.
C
A
UNIDADE 1 TÓPICO 3 61
RESUMO DO TÓPICO 3
• O Teorema de Bayes: a probabilidade de ocorrer um anterior evento Ai, dado que ocorreu
um evento posterior B, é:
P(Ai/B) = P(Ai).P(B/Ai)
P(A1).P(BA1)+P(A2).P(B/A2)+...+P(Ak).P(B/Ak)
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
62 TÓPICO 3 UNIDADE 1
IDADE
ATIV
AUTO
Conte também com a Tutoria Interna do curso de Matemática, que está disponível
por meio do 0800, contato e atendimento on-line. Bons estudos!
1 Uma caixa em forma de urna contém 5 bolas azuis e 3 rosa. E uma segunda caixa
contém 3 bolas azuis e 2 rosa. Se uma bola branca é sorteada ao acaso, qual é a
probabilidade de ela ter vindo da primeira caixa?
P 4 Uma urna contém 9 bolas: 3 pretas, 1 branca e 5 vermelhas. Uma segunda urna
R
O contém 9 bolas: 4 bolas pretas, 3 brancas e 2 vermelhas. E uma terceira urna contém
B
A 8 bolas: 2 pretas, 3 brancas e 3 vermelhas. Escolheu-se uma urna, ao acaso, e dela
B
I se extraiu uma bola, ao acaso. Verificando-se que a bola sorteada é branca, qual é
L
I a probabilidade de a bola ter saído da terceira urna?
D
A
D 5 O proprietário de uma facção estima que uma roupa feita por um funcionário
E
experiente tem 90% de chance de não apresentar defeito e que uma roupa feita
E
por um funcionário novato tem 50% de chance de não apresentar defeito. Se uma
E
S roupa selecionada ao acaso apresentar defeito, determine a probabilidade de ela
T
A ter sido feita por um funcionário novato, sabendo-se que 2/3 das roupas são feitas
T
Í por funcionários experientes.
S
T
I
C
A
UNIDADE 1 TÓPICO 3 63
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
64 TÓPICO 3 UNIDADE 1
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
UNIDADE 1
TÓPICO 4
COMBINATÓRIA E PROBABILIDADE
NO ENSINO
1 INTRODUÇÃO
O ensino de Combinatória, que inclui o estudo dos arranjos, das permutações e das
combinações, inicia, geralmente, apenas no Ensino Médio. Basta você se lembrar de suas
aulas de matemática no Ensino Médio para saber que estes conteúdos acabam sendo difíceis
para muitos estudantes. Mecanicamente, eles tentam descobrir se o problema exige a fórmula
do arranjo, da permutação ou da combinação para que se chegue a uma solução.
NOT
A!
O princípio multiplicativo da contagem também pode ser chamado
de princípio fundamental da contagem.
P
R
O
B
A
B Com isso, você pode concluir que os documentos oficiais que regem o ensino evidenciam
I
L a importância do ensino e da aprendizagem da Combinatória e da Probabilidade, desde as
I
D séries iniciais, aprofundando-os a cada nível de ensino. O contato do estudante, sobretudo com
A
D a Combinatória, desde as séries iniciais servirá para que ele se familiarize com os problemas.
E
Com isso, o estudante aprenderá a descrever e contar as possibilidades utilizando uma
E
representação de sua escolha, sem se prender às regras inicialmente. Desta maneira, este
E
S estudante adquirirá uma forma ordenada para a resolução de problemas de Combinatória, o
T
A
que certamente acarretará uma formalização no Ensino Médio.
T
Í
S Uma possibilidade para introduzir a noção de Combinatória já no Ensino Fundamental,
T
I tanto nas Séries Iniciais quanto nas Finais, é a utilização de situações que envolvam o Princípio
C
A
UNIDADE 1 TÓPICO 4 67
Parte dos exemplos e até mesmo alguns trabalhos de estudantes, listados a seguir,
foram retirados do artigo intitulado Atividades Experimentais de Análise Combinatória no Ensino
Médio em uma Escola Estadual, da autoria de Vazquez e Malagutti, publicado em 2009. Os
autores fizeram uma pesquisa com estudantes do Ensino Médio e coletaram a resolução das
atividades propostas de Combinatória.
P
UNI R
O
B
A
B
Acadêmico(a)! Analise com atenção a resolução dos estudantes a I
L
partir das imagens que constarão a seguir. É interessante identificar I
os erros cometidos, além de verificar as distintas maneiras de D
resolução para a mesma atividade. Como futuro(a) professor(a), A
D
é uma oportunidade de exercitar também a maneira como você E
avalia.
E
E
S
T
A
T
Í
S
T
I
C
A
68 TÓPICO 4 UNIDADE 1
Descrição da atividade:
A primeira atividade teve como objetivo explorar o semáforo como uma estratégia para
ensinar elementos básicos de Análise Combinatória, nesse caso os arranjos simples e os
arranjos com repetição.
Essa atividade tem por objetivo construir outros tipos de semáforos que não se
preocupam com as facilidades visuais dos motoristas. Vamos considerar que a ordem em que
as cores aparecem é importante, ou seja, os sinais abaixo são diferentes:
1) Quantos e quais são os diferentes sinais de trânsito que podemos construir com três
cores, respeitando a ordem e sem repeti-las?
2) Agora responda, quantos semáforos poderíamos formar se pudéssemos repetir as
cores? Você conseguiria construí-los?
Desenvolvimento da atividade:
P
R
O A maioria dos alunos apresentou a resolução dos itens 1) e 2) através da representação
B
A de todas as possibilidades, montando esquemas gráficos ou simbólicos.
B
I
L
I Destacamos algumas discussões (falas) dos alunos ao iniciar as atividades.
D
A
D
E Item 1)
E Aluno A: “3 x 3 = 9, são três cores trocando de lugar ...”
E
Aluno B: “A cor verde já ficou em último, no meio e no começo... vou fazer o mesmo
S com as outras... Ah! Acho que são 3!”
T
A Aluno C: “3 + 3 = 6. São 6!”
T
Í Aluno D: “3 x 3, é 9, não é professora? Três cores e três espaços.”
S
T
I
C Item 2)
A
UNIDADE 1 TÓPICO 4 69
Aluno E: “Apaguei tudo... Me perdi, não dá para fazer de qualquer jeito. Tem que montar
uma regra...”
Aluno F: “Não tem fórmula para resolver isso? Matemática sempre tem fórmula...”.
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
À medida que estavam resolvendo as atividades, os estudantes foram incentivados a A
T
encontrar a “quantidade” de diferentes sinais de trânsito que poderiam construir. Percebemos Í
S
que o “princípio multiplicativo” não está presente para a maioria dos alunos e acreditamos que T
I
isso aconteça pelo fato de que não tiveram contato com problemas semelhantes durante o C
A
Ensino Fundamental.
70 TÓPICO 4 UNIDADE 1
Percebemos, também, que alguns deles fizeram tentativas de apresentar o cálculo já que
sabiam o resultado. É interessante mostrarmos como um dos grupos representou seu resultado,
porém seus integrantes não conseguiram explicar o raciocínio quando foram questionados:
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
UNIDADE 1 TÓPICO 4 71
3) Vamos então pensar... quantas diferentes placas de carro podem ser confeccionadas
(considerando uma sequência de 3 letras e 4 números)? Se todo brasileiro possuísse um carro,
as placas seriam suficientes?
P
R
O
B
A
B
I
L
Cabe relatar que a maioria dos alunos não sabia a população atual do Brasil, muitos I
D
diziam que “eram milhões”, mas não sabiam precisar. A
D
E
FONTE: Vazquez e Malagutti (2009, p. 5-8)
E
E
S
T
A
T
Í
S
T
I
C
A
72 TÓPICO 4 UNIDADE 1
Descrição da atividade:
SALADA DE FRUTAS
Essa atividade consiste em pensarmos nas diferentes formas de fazermos uma deliciosa
salada de frutas utilizando maçãs, peras e laranjas.
1) De quantas maneiras diferentes você pode fazer uma salada de frutas utilizando
duas dessas frutas? Mostre as possibilidades!
2) E se fossem três? Ou seja, se você utilizasse todas as frutas disponíveis! De quantas
maneiras diferentes você poderia montar essa salada?
Desenvolvimento da atividade:
Muitos alunos chegaram à resposta correta e sua representação, porém perguntas como:
“são 6 possibilidades?”, “misturar maçã e pera é o mesmo que pera e maçã?”, também foram
frequentes. Em momentos como esses, em que tais perguntas eram feitas, muitas vezes os
pesquisadores não precisaram intervir, pois acontecia um diálogo entre os próprios grupos:
P
R
O Grupo A: “Não importa a ordem que as frutas são adicionadas, é a mesma salada!”
B
A Grupo B: “Se cada fruta junta com as outras duas dá 6, aí divide por 2, então é 3!”
B
I Grupo C: “Mesmo trocando a ordem (das frutas) todas são iguais!”
L
I
D
A
Algumas respostas:
D
E
E
S
T
A
T
Í
S
T
I
C
A
UNIDADE 1 TÓPICO 4 73
P
3) E se tivéssemos 5 frutas? De quantas maneiras poderíamos montar uma salada com 3 R
delas? E com 4? E com todas? O
B
A
B
Vejamos algumas respostas: I
L
I
D
• Alguns grupos continuaram fazendo esquemas de resolução e montando todas as A
D
possibilidades: E
E
S
T
A
T
Í
S
T
I
C
A
74 TÓPICO 4 UNIDADE 1
Uma das justificativas desse tipo de resolução é que eles não sabiam por qual número
dividir já que agora tinham 3 frutas. Com duas frutas ficou claro para todos que a divisão por
2 eliminava todas as repetições. Mas, e com 3 frutas? Muitos responderam que deveriam
dividir por “três”. Nesse momento, os pesquisadores tiveram que interferir em vários grupos
na tentativa de levá-los a calcular todas as permutações possíveis com 3 elementos.
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
UNIDADE 1 TÓPICO 4 75
A última questão dessa atividade 2 tinha como objetivo mostrar que alguns problemas de
Análise Combinatória, nesse caso uma combinação com repetição, precisam de muita atenção
para serem resolvidos. Mesmo que eles utilizassem os conhecimentos adquiridos nas questões
anteriores, não seria possível com um só cálculo determinar a resposta desse problema.
4) Agora, imagine a seguinte situação: Um feirante possui, em sua banca, maçãs, peras
e laranjas em grande quantidade. Desejando atender melhor a sua clientela, o feirante resolveu
empacotar todas as suas frutas, de modo que cada pacote contivesse exatamente 5 frutas.
Quantos diferentes tipos de pacotes poderá o feirante oferecer à sua clientela?
P
R
O
De forma geral, os alunos perceberam que esse problema era diferente dos outros B
A
que eles haviam resolvido. Após algum tempo, muitos alunos conseguiram encontrar a B
I
solução e muitos ficaram desanimados, principalmente pelo fato de nem sequer imaginarem L
I
a resposta. D
A
D
FONTE: Vazquez e Malagutti (2009, p. 9-13) E
E
S
T
A
T
Í
S
T
I
C
A
76 TÓPICO 4 UNIDADE 1
• detalhes como “os elementos são distintos” ou “os elementos podem se repetir” fazem a
diferença;
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
UNIDADE 1 TÓPICO 4 77
RESUMO DO TÓPICO 4
• O ensino de Combinatória deve ser inserido desde o Ensino Fundamental nas aulas de
Matemática.
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
78 TÓPICO 4 UNIDADE 1
IDADE
ATIV
AUTO
2 A partir das duas atividades relatadas e exemplificadas neste Tópico 4, cite e explique
duas possibilidades de atividades que possam ser aplicadas no Ensino Fundamental
e que contribuam para que o estudante chegue ao Ensino Médio melhor preparado
para aprender os conteúdos referentes à Combinatória.
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
UNIDADE 1 TÓPICO 4 79
IAÇÃO
AVAL
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
80 TÓPICO 4 UNIDADE 1
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
UNIDADE 2
VARIÁVEIS ALEATÓRIAS E
DISTRIBUIÇÕES DE PROBABILIDADE
Objetivos de aprendizagem
PLANO DE ESTUDOS
P
TÓPICO 1 – VARIÁVEIS ALEATÓRIAS R
O
B
TÓPICO 2 – DISTRIBUIÇÕES DE PROBABILIDADE A
PARA VARIÁVEIS DISCRETAS B
I
L
TÓPICO 3 – DISTRIBUIÇÕES DE PROBABILIDADE I
PARA VARIÁVEIS CONTÍNUAS D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
UNIDADE 2
TÓPICO 1
VARIÁVEIS ALEATÓRIAS
1 INTRODUÇÃO
Neste primeiro tópico, você estudará as variáveis aleatórias. Estas variáveis podem ser
caracterizadas informalmente como imprevisíveis e, de certa maneira, até inesperadas. Porém,
mesmo apresentando características de imprevisibilidade, na estatística as variáveis aleatórias
são comumente utilizadas e apresentam resultados bastante confiáveis.
Uma variável é dita aleatória quando o seu valor é obtido por meio de observações ou
experimentos, considerando que a cada valor esteja associada certa probabilidade. Denota-se
uma variável aleatória por uma letra maiúscula e os valores assumidos por ela por uma letra
minúscula.
E
Uma variável aleatória satisfaz a função X: S → R, que associa a cada elemento s do
E
espaço amostral S um valor x ∈ R. Sendo assim, lembre-se do estudo de funções e compreenda S
T
que uma variável aleatória X é uma função, em que S é domínio e R é o contradomínio. A
T
Í
S
Você já leu no início do tópico que as variáveis aleatórias podem ser discretas ou T
I
contínuas, mas qual é a diferença entre elas? C
A
84 TÓPICO 1 UNIDADE 2
Uma variável é discreta quando assume valores em pontos isolados ao longo de uma
escala (número finito ou infinito enumerável de valores). Um exemplo disto é a quantidade de
colegas da sua turma ou mesmo de moradores do seu prédio ou rua.
Até aqui você viu exemplos e conseguiu diferenciar a partir deles as variáveis discretas
e contínuas. Que tal, agora, partir para o estudo das definições de variáveis aleatórias discretas
e contínuas?
2.1 DISCRETAS
Exemplo:
S = {(p, p, p); (p, p, i); (p, i, p); (p, i, i); (i, i, i); (i, p, i); (i, i, p); (i, p, p)}
E
X(S1) = 3 (pois há três possibilidades de números pares).
E
X(S2) = 2 (pois há duas possibilidades de números pares).
S X(S3) = 2 (pois há duas possibilidades de números pares).
T
A X(S4) = 1 (pois há uma possibilidade de número par).
T
Í X(S5) = 0 (pois não há possibilidade de número par).
S
T X(S6) = 1 (pois há uma possibilidade de número par).
I
C X(S7) = 1 (pois há uma possibilidade de número par).
A
UNIDADE 2 TÓPICO 1 85
Ou seja, uma variável aleatória é discreta quando assume valores que podem ser
contados. Simples, não é mesmo?
2.2 CONTÍNUAS
Exemplo:
intervalo. E
S
T
A
Outros exemplos de variáveis aleatórias contínuas são: pesos de estudantes, alturas de T
Í
árvores, temperaturas de uma região, idades dos amigos, litros de gasolina por abastecimento, S
T
entre tantos outros. I
C
A
86 TÓPICO 1 UNIDADE 2
Uma distribuição de probabilidade é uma função que associa a cada elemento xi de uma
variável aleatória X a probabilidade de xi acontecer p(xi), representada por P(X = xi), tal que:
a) 0 ≤ P(X = xi) ≤ 1
Σ p(x=xi) = 1)
n
b) i=1
Por exemplo, pense no lançamento simultâneo de dois dados de seis faces. Podem-se
obter diferentes resultados, e isso você já viu em outros exemplos. Questionamentos como
qual a probabilidade de dar soma menor que 5 ou qual a probabilidade de a soma entre os
dois dados ficar entre 5 e 9 podem gerar confusões na hora de calcular.
S = {(1,1), (1,2), (1,3), (1,4), (1,5), (1,6), (2,1), (2,2), (2,3), (2,4), (2,5), (2,6), (3,1), (3,2),
(3,3), (3,4), (3,5), (3,6), (4,1), (4,2), (4,3), (4,4), (4,5), (4,6), (5,1), (5,2), (5,3), (5,4), (5,5), (5,6),
(6,1), (6,2), (6,3), (6,4), (6,5), (6,6)}
P (X<5) = P(X=2) + P(X=3) + P(X=4) + P(X=5) = 1/36 + 2/36 + 3/36 + 4/36 = 10/36 = 5/18
Exemplo 1:
Uma urna contém 4 bolas brancas e 2 bolas pretas. Duas bolas são retiradas ao acaso
e sem reposição. Considere X a variável aleatória número de bolas brancas e determine a
distribuição de probabilidades da variável X.
Solução:
Primeiro determine os valores que a variável aleatória X pode assumir, assim, ao retirar
duas bolas da urna você pode obter:
Calcule a probabilidade de cada elemento da variável aleatória X = {0, 1, 2}. Para isso,
se for necessário, volte ao que estudou de probabilidade na Unidade 1.
P
Relembrando: R
O
B
A
Sair nenhuma bola branca é o mesmo que sair duas bolas pretas, assim: B
I
P(X=0) = 2/6 · 1/5 = 2/30 L
I
D
A
Sair apenas uma bola branca, então a outra deve ser preta, assim: D
P(X=1) = 4/6 · 2/5 · 2 = 16/30 E
Exemplo 2:
Num estudo sobre a quantidade de integrantes por família, realizado numa sala com
30 crianças, verificou-se que:
X (nº de integrantes) 2 3 4 5
Quantidade de famílias 1 15 10 4
Solução:
P(X=2) = 1/30
P(X=3) = 15/30
P(X=4) = 10/30
P
R P(X=5) = 4/30
O
B
A
B Apresentando a distribuição de probabilidade por meio de um quadro, temos:
I
L
I
D
X 2 3 4 5
A P(X=xi) 1/30 15/30 10/30 4/30
D
E
E
S
T
A
T
Í
S
T
I
C
A
UNIDADE 2 TÓPICO 1 89
3.1 ACUMULADA
X 2 3 4 5 6 7 8 9 10 11 12
P(X≤x) 1/36 3/36 6/36 10/36 15/36 21/36 26/36 30/36 33/36 35/36 36/36
Analisando o gráfico, verifica-se que a P(X ≤ xi), por exemplo, a P(X ≤ 6) = 15/36 ≅
41,67% ou P(X ≤ 9) = 30/36 ≅ 83,33%
Exemplo 1:
E
P(X ≤ 2) = P(X=2) = 1/30
P(X ≤ 3) = P(X=2) + P(X=3) = 1/30 + 15/30 = 16/30 E
S
P(X ≤ 4) = P(X=2) + P(X=3) + P(X=4) = 1/30 + 15/30 + 10/30 = 26/30 T
P(X ≤ 5) = P(X=2) + P(X=3) + P(X=4) + P(X=5) = 1/30 + 15/30 + 10/30 + 4/30 = 30/30 A
T
Í
Apresentando esses elementos num quadro temos: S
T
I
C
X 2 3 4 5 A
P(X≤xi) 1/30 16/30 26/30 30/30
90 TÓPICO 1 UNIDADE 2
3.2 CONTÍNUA
Assim como nos casos anteriores, esta função é usada para representar a probabilidade
de uma distribuição, porém, neste caso, é para distribuições contínuas.
a) P (f ϵ [a,b]) = ∫ f(x)dx
a
b
Em que a probabilidade
b
de a variável aleatória X estar entre a e b é igual a ∫ f(x)dx, ou
a
seja: P (a < X < b) = ∫ f(x)dx.
a
+∞
b) ∫ f(x)dx
-∞
c) P (f = a) = 0
UNI
P
R Mais adiante, você estudará na disciplina de Cálculo Diferencial e
O b
B Integral que a integral ∫ f(x)dx determina a área sob a curva f(x)
A a
B
entre x = a e x = b.
I
L
I
D
A Ainda da condição c, conclui-se que as seguintes probabilidades são iguais:
D
E
4 ESPERANÇA
Veja que a esperança matemática é a média. Utiliza-se a notação E(X) para representar
a esperança matemática da variável aleatória X. E utiliza-se o símbolo μ (mi) para a média. A
partir disso, tem-se que E(X) = μ.
Exemplo 1:
Solução:
X 30.000 -10.000
P(X=xi) 0,2 0,8
5 VARIÂNCIA
Considerando que a variável aleatória X assumiu os valores x1, x2, x3,…,xn, a variância
de X será dada por:
A variância é uma medida que representa a variação, em relação à média, dos elementos
de uma variável aleatória.
UNI
P
R
O
B
A
Entenda que quanto maior o valor da variância, mais distantes da
B média estão os elementos da variável aleatória.
I
L
I
D
A
D
E
E
6 DESVIO PADRÃO
E
S
T
A O desvio padrão, representado por DP(X), é a raiz quadrada da variância.
T
Í
S
T σ = DP(X) = Var(X) = ó2
σ
I
C
A
UNIDADE 2 TÓPICO 1 93
O desvio padrão representa uma medida de variabilidade “mais próxima” dos elementos
da variável aleatória X. Quanto menor essa medida, “mais próximos” da média estão os
elementos da variável aleatória.
Exemplo 1:
X 2 3 4 5 6 7 8 9 10 11 12
P (X = x) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36
A variância será:
Var(X) = (2 – 7)2 · 1/36 + (3 – 7)2 · 2/36 +...+ (12 – 7)2 · 1/36 = 210/36 ≈ 5,83
Ou seja, P
R
Var(X) = E(X) – [E(X)] , então temos:
2 2
O
B
Var(X) = 1974/36 – (252/36)2 ≈ 5,83 A
B
I
L
Para determinar o desvio padrão, basta calcular a raiz quadrada da variância 5,83, I
D
assim: σ = DP(X) = 5,83 ≈ 2,41 A
D
E
Exemplo 2: E
E
S
Um jogador estima que tem 20% de chance de ganhar R$ 30.000,00 e 80% de chance T
A
de perder R$ 10.000,00 numa aposta. Qual é o desvio padrão dessa distribuição? T
Í
S
T
Solução: I
C
A
94 TÓPICO 1 UNIDADE 2
Veja que o desvio padrão apresenta um valor mais próximo da distribuição do que a
variância, daí a sua importância na interpretação da variabilidade da distribuição.
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
UNIDADE 2 TÓPICO 1 95
RESUMO DO TÓPICO 1
• Variável aleatória é uma função que associa a cada elemento do espaço amostral um número
real.
• Uma variável aleatória é discreta quando assume valores que podem ser contados.
• Uma distribuição de probabilidade é uma função que associa a cada elemento de uma
variável aleatória a probabilidade de ele ocorrer.
• Dada a variável aleatória X, assumindo os valores x1, x2, x3,…,xn, chamamos de valor médio
ou valor esperado ou esperança matemática de X o valor: E(X) = x1 ·P(X = x1) + x2 ·P(X = x2)
+ ... + xn ·P(X = xn)
• Dada a variável aleatória X, assumindo os valores x1, x2, x3,…,xn, a variância de X será dada
por: Var(X) = (xi – E(X))2 · P(X = xi) ou Var(X) = E(X)2 – [E(X)]2
• O desvio padrão, representado por DP(X), nada mais é que a raiz quadrada da variância
σ = DP(X) = Var(X) = ó2
σ P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
96 TÓPICO 1 UNIDADE 2
ID ADE
ATIV
AUTO
Conte também com a Tutoria Interna do Curso de Matemática, que está disponível
por meio do 0800 e contato e atendimento on-line. Bons estudos!
Nº de vítimas fatais 0 1 2 3 4
Quantidade de acidentes 29 15 10 5 1
P
R
3 Considerando o lançamento de 1 dado, determine os elementos que as variáveis
O aleatórias a seguir podem assumir:
B
A X: pontos da face voltada para cima;
B
I Y: pontos pares da face voltada para cima;
L
I Z: pontos ímpares da face voltada para cima.
D
A
D
E 4 Construa a distribuição de probabilidade das variáveis X, Y e Z do exercício
E anterior.
E
S
T 5 Num certo jogo de dados, ganha-se toda vez que saem os números 1 ou 2.
A
T Considerando a variável aleatória X o número de vezes que se ganha, quais são os
Í
S valores que X pode assumir em 5 jogadas?
T
I
C
A
UNIDADE 2 TÓPICO 1 97
X -3 0 1 3
P(X = xi) 0,2 0,1 0,4 0,3
X 55 66 84 39
P(X = xi) 0,38 0,29 0,20 0,13
9 O tempo para uma criança realizar uma determinada tarefa em horas foi modelado
por uma variável aleatória X com a seguinte distribuição de probabilidade:
E
S
T
A
T
Í
S
T
I
C
A
98 TÓPICO 1 UNIDADE 2
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
UNIDADE 2
TÓPICO 2
DISTRIBUIÇÕES DE PROBABILIDADE
PARA VARIÁVEIS DISCRETAS
1 INTRODUÇÃO
Até aqui você estudou noções sobre as distribuições de probabilidade, porém é deste
tópico em diante que você estudará o conceito e a definição matemática de distribuições de
probabilidade.
Você já viu que uma distribuição de probabilidade pode ser discreta ou contínua. A
partir de agora você verá que é comum o uso de funções que se ajustem à distribuição de
probabilidade. São algumas destas funções, as mais usuais no cálculo de probabilidades, que
você estudará nessa unidade.
O sucesso no caso da última pergunta “Eu não nasci no ano de 1987?” é não ter nascido
no ano de 1987, enquanto o fracasso é ter nascido. Neste caso teríamos um fracasso, pois a
autora deste caderno realmente nasceu em 1987.
P(X = x) = px · qx-1
E(X) = p
Var(X) = p(1 – p) = pq
Exemplo 1:
Uma urna tem 30 bolas brancas e 20 verdes. Retira-se uma bola dessa urna. Seja X o
número de bolas verdes. Calcule E(X), Var(X) e determine a função P(X=x).
Solução:
0 → q = 30/50 = 3/5
X= .·. P(X = x) = (2/5)x·(3/5)1-x
P
R 1 → p = 20/50 = 2/5
O
B
A
B
I
L
Assim:
I
D
A E(x) = p = 2/5
D
E Var(X) = pq = 2/5·3/5 = 6/25
E
Onde:
n é o número de vezes que o experimento ocorre
x é o número de vezes que queremos que o sucesso ocorra, com x ϵ {0, 1, 2, ... ,n}
p é a probabilidade do sucesso (tem que ser constante em todos os experimentos)
q é a probabilidade do fracasso. q = 1 – p
Cn,x = n!/x!·(n-x)!
UNI
E(X) = np
Var(X) = npq
Exemplo 1:
Vamos supor uma pesquisa que, após entrevistar membros de uma associação de
empresários, concluiu que 20% dos seus membros tinham comprado ações diretamente através
de uma oferta pela internet. Em uma amostra de 10 membros destes associados, verifique:
i) Qual é a probabilidade de que exatamente três membros tenham comprado tais ações?
ii) Qual é a probabilidade de que, pelo menos, um membro tenha comprado tais ações?
P
iii) Qual é a probabilidade de que, no máximo, 9 membros tenham comprado tais ações? R
O
iv) Qual é o número esperado de membros que compraram tais ações? B
A
B
I
Soluções: L
I
D
A
Sendo a variável aleatória X o número de membros que compraram ações, deve-se D
E
considerar X = {0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10} e:
E
E
n = 10 (número de membros associados) S
T
p = 0,2 (20% compraram ações) A
T
q = 0,8 (1 – p = 1 – 0,2 = 0,8) Í
S
T
I
C
A
102 TÓPICO 2 UNIDADE 2
ii) O evento “pelo menos um tenha comprado ações” significa que X pode ser 1, 2, 3, 4, 5, 6,
7, 8, 9 ou 10, exceto 0. Usando o princípio da probabilidade complementar, é necessário
calcular P(X = 0) e subtrair esse valor de 1.
Então:
P (X≥1) = 1 - P (X=0) =
P (X≥1) = 1 - 0,107 ≈ 0,893
iii) O evento “no máximo 9 tenham comprado ações” significa que X pode ser 0, 1, 2, 3, 4, 5, 6,
7, 8 ou 9, exceto 10. Usando o princípio da probabilidade complementar, precisa-se calcular
P(X = 10) e subtrair esse valor de 1.
Então:
P (X≤9) = 1 - P (X=10) =
P (X≤9) = 1 - 0,0000001024 ≈ 0,9999998976
P
R
O
B iv) Considere a esperança E(X) = np, ou seja, E(X) = 10· 0,2 = 2
A
B
I
L
Exemplo 2:
I
D
A Uma moeda é lançada 9 vezes. Calcule a probabilidade de ocorrer:
D
E
E i) 4 coroas;
E ii) no máximo 3 coroas;
S
T iii) no mínimo 2 coroas.
A
T
Í
S Soluções:
T
I
C
A Sendo a variável aleatória X o número de ocorrências de coroas, tem-se que X = {0,1,
2, 3, 4, 5, 6, 7, 8, 9} e:
UNIDADE 2 TÓPICO 2 103
n = 9 (número de lançamentos)
p = 1/2 (probabilidade de obter coroa)
q = 1/2 (1 – p = 1 – 1/2 = 1/2)
P
iii) Ocorrer no mínimo duas coroas significa que X pode ser 2, 3, 4, 5, 6, 7, 8 ou 9, exceto 0 ou R
O
1. Usando o princípio da probabilidade complementar, calcule P(X = 0) + P(X = 1) e subtraia B
A
esse valor de 1. B
I
L
I
Do item anterior temos que P(X = 0) + P(X = 1) = 1/512 + 9/512 = 10/512, então: D
A
D
P(X≥2) = 1 - [P(X=0) + P(X=1) E
E
S
Conheça também, na sequência, a distribuição de Poisson. T
A
T
Í
S
T
I
C
A
104 TÓPICO 2 UNIDADE 2
3 DISTRIBUIÇAO DE POISSON
Esta distribuição descreve eventos raros com enorme número de tentativas, como: a
picada de um mosquito infectado com malária ou número de chamadas telefônicas recebidas
num determinado período, por exemplo.
Em casos assim, você tem como determinar o número de sucessos (número de picadas
ou chamadas), porém não conseguirá determinar o número total de fracassos ou total de
elementos (sucessos + fracasso).
Exemplo 1:
Exemplo 2:
Solução:
Seja a variável aleatória X o número de chamadas recebidas por 30 minutos. Veja que
temos uma média por hora, mas precisamos da média para 30 minutos, pois queremos saber
a probabilidade no intervalo de 30 minutos. Se em uma hora a média é 20 chamadas, é lógico
que, em 30 minutos, a média é de 10 chamadas. Assim:
Para obter a média em outro intervalo de tempo (ou medida), basta fazer μ = np.
Exemplo 3:
E
S
Assim: T
A
T
Í
μ = 70 (média de chamadas em 3,5 horas) S
T
x = 54 (número de ligações em 3,5 horas) I
C
A
106 TÓPICO 2 UNIDADE 2
Existem problemas de distribuição binomial que podem ser aproximados por uma
distribuição de Poisson. Nesses problemas, existe um grande número de elementos e uma
probabilidade p de ocorrência do sucesso bastante pequena.
Exemplo 4:
Solução:
LEITURA COMPLEMENTAR
P
R
O
O NASCIMENTO DA ESTATÍSTICA E SUA RELAÇÃO COM O SURGIMENTO
B
A
DA TEORIA DE PROBABILIDADE
B
I
L Cláudia Borim da Silva (PUC-SP)
I
D Cileda de Queiroz e Silva Coutinho (PUC-SP)
A
D
E
A Estatística é definida por Costa Neto (1977) como a ciência que se preocupa com a
E
organização, descrição, análise e interpretação de dados experimentais e por este motivo tem
E
S aplicação em quase todas as atividades humanas.
T
A
T
Í Integrada no campo das ciências exatas, a Estatística geralmente faz parte dos
S
T
departamentos de Matemática das universidades e tem uma estreita relação com esta disciplina.
I
C
Segundo Nelder (1986), seria impossível o desenvolvimento da parte teórica da estatística sem
A o corpo de teoria e notação matemática.
UNIDADE 2 TÓPICO 2 107
Para compreender um pouco dessa discussão atual, o objetivo deste trabalho é resgatar
na história o surgimento da Estatística e da Teoria de Probabilidade, tentando relacioná-las e
situá-las no desenvolvimento da própria Matemática.
Kendall (1978) argumenta que o primeiro uso da palavra “estatística” deu-se num trabalho
do historiador italiano Girolamo Ghilini, em 1589, que versava sobre uma descrição política.
Por outro lado, Porter (1986) afirma que a palavra “estatística” foi primeiramente usada como
um substantivo por Gottfried Achenwall, em 1749.
Embora Kendall (1978) argumente que os trabalhos realizados até o século XVII apenas
tinham como objetivo a obtenção de uma descrição política dos Estados e que o aparecimento
de informação numérica dava-se por acidente ou por conveniência, é interessante conhecer
P
um pouco desta história. R
O
B
A
O primeiro registro de recenseamento refere-se à civilização da Suméria (de 5000 a B
I
2000 a.C.), para o qual foram elaboradas em tábuas de argila listas dos homens e seus bens. L
I
Segundo Droesbeke e Tassi (1990), o poder egípcio, representado pelo faraó Amasis II (por D
A
volta de 2700 a 2500 a.C.), institucionalizou os recenseamentos com objetivo tributário, e neles D
todo indivíduo era obrigado a declarar sua fonte e atividade de renda, sob pena de morte a E
E
S
Na China, muitos recenseamentos foram realizados. Segundo Ferreira et al. (2002), T
A
o primeiro recenseamento foi feito em 2238 a.C., pelo imperador Yu (ou Yao), com o objetivo T
Í
de conhecer com exatidão o número de habitantes para dividir o território, cobrar impostos e S
T
recrutar homens para o serviço militar. I
C
A
108 TÓPICO 2 UNIDADE 2
A partir do século XIII a Estatística começa a caminhar para os moldes da ciência que
conhecemos hoje. Na França, por volta de 1300, as famílias e/ou lares foram utilizados como
elemento essencial para estimar a sua população.
Depois desse século, segundo Jozeau (2001), existiam três correntes estatísticas
separadas geograficamente: a Estatística Descritiva alemã, a Aritmética Política inglesa e os
jogos e probabilidades, na França.
Segundo Jozeau (2001), Hermann Conring (1606-81) criou o termo Stati para definir a
Estatística Descritiva alemã, cujo objetivo era descrever a diversidade territorial nacional.
Uma das inovações dos estudos realizados por essa escola foi a publicação de tabelas
cruzadas (hoje conhecidas como tabelas de contingência ou tabelas de dupla entrada) para
apresentar os dados dos recenseamentos realizados no território alemão. Nessas tabelas eram
listados os nomes das famílias e o respectivo número de homens, o número de mulheres, o
P
R número de filhos e empregados da família.1
O
B
A
B Segundo Ferreira et al. (2002), essa escola preocupava-se em descrever os estados
I
L
políticos, e, portanto, as informações numéricas que apareciam nos registros ocorriam somente
I por acaso ou por conveniência.
D
A
D
E O trabalho com esse tipo de informação aparece com a escola de Aritmética Política,
E na Inglaterra. Segundo Jozeau (2001), essa escola difundiu-se por toda a Europa.
E
S
T A Aritmética Política, segundo Droesbeke e Tassi (1990), preocupava-se com a
A
T quantificação e a pesquisa de constantes de comportamento, permitindo estimações e previsões
Í
S tais como o número de filhos por mulher, o tempo entre dois nascimentos de uma mesma
T
I mulher, o número de habitantes por família, a proporção de falecimentos etc.
C
A
UNIDADE 2 TÓPICO 2 109
Perero (1994) explica que a Estatística deu um grande salto qualitativo por volta do
século XVII. Por um lado, a utilização de dados estatísticos começa em instituições financeiras
e companhias de seguro. Por outro lado, nasce na Inglaterra o conceito de Aritmética Política
e começa-se a “matematizar” outras disciplinas, que eram, até então, puramente descritivas,
como a demografia, a economia e as ciências sociais.
Os fundadores da Aritmética Política foram John Graunt (1620-74) e William Petty (1623-87),
mas o termo “Aritmética Política” foi dado por Petty e definido por Charles Davenant (1656-1714)
como a arte de raciocinar com números sobre os problemas do governo (JOZEAU, 2001).
John Graunt utilizou os dados publicados nos boletins sobre mortalidade, que foram
realizados após 1519 em Londres, para estabelecer e verificar certas questões controversas
como as causas de mortalidade, o tamanho exato da população de Londres, a relação entre
o número de homens e de mulheres. Segundo Ferreira et al. (2002), Graunt fez uma análise
exaustiva do número de pessoas que morriam de várias doenças e estimou o número de
nascimentos de homens e de mulheres, mostrando, por exemplo, que nasciam mais homens
que mulheres e que, a cada 100 pessoas nascidas, 36 morriam aos 6 anos e que 7 sobreviviam
até os 70 anos. Segundo Lightner (1991), Graunt foi a primeira pessoa a lidar com inferência
estatística na análise de dados de massa.
Graunt publicou sua obra Natural and political observation made upon the bills of mortality
em 1662, e isso chamou a atenção do rei da Inglaterra (Carlos II), que propôs a Graunt ser
sócio fundador da Royal Society.
Willian Petty, que também era membro da Royal Society, trabalhou durante três anos
com John Graunt. Ele estimou a população de Londres da seguinte maneira: o número de
residências era 105.000 e, considerando que a média de membros da família era de seis
pessoas e que 10% das residências abrigavam duas famílias, ele concluiu que havia 695.000
P
habitantes em Londres (DROESBEKE; TASSI, 1990, p. 42). R
O
B
A
Essa técnica utilizada por Petty foi denominada “de extrapolação” ou “de multiplicação” B
I
e teve um enorme sucesso. Jean Joseph d’Expilly (1719-93) utilizou esta técnica com outro L
I
estimador, usando o fator “5” para residências urbanas e “4,5” para residências rurais. D
A
D
Segundo Jozeau (2001), Graunt utilizou a mesma técnica e inovou, extrapolando os E
E
S
Depois do trabalho de Graunt, o trabalho seguinte de grande importância foi o de T
A
Edmund Halley (1656-1742), que era matemático de Oxford, e em suas memórias de 1693 T
Í
publicou Degrees of mortality of mankind, em que fez um estudo cuidadoso das anuidades S
T
(LIGHTNER, 1991). I
C
A
110 TÓPICO 2 UNIDADE 2
Como não queria gastar seu tempo em atividades não promissoras, ele analisou seriamente
as probabilidades de tirar um ás de um baralho de cartas e de obter a soma “7” no lançamento de
dois dados. Então, ele relatou os resultados dessas investigações, bem como suas experiências
em um manual de jogos chamado Liber de Ludo Aleae, publicado em 1539.
Buscando solucionar esse problema, Pascal comunicou-o a Fermat, dando início à série
de cartas que são reputadas como origem desta teoria. Nessas cartas, pode-se encontrar o
problema corretamente resolvido por ambos, mas de maneiras diferentes. Nota-se que eles
lidavam com os fundamentos da teoria da probabilidade matemática, um evento que Eves
chama de “um grande momento em matemática” e que é considerado por alguns historiadores
o início da Teoria de Probabilidade (LIGHTNER, 1991).
Lightner (1991) explica que, depois dos estudos pioneiros de Graunt e Halley, foi Abraham
De Moivre (1667-1754) quem prosseguiu o tipo de estudo que era feito na Aritmética Política.
Bernoulli, que consiste em dizer que um experimento aleatório tem duas possibilidades de E
resultado: sucesso e fracasso (configuração de urna de Bernoulli), que fora a base da distribuição E
S
binomial (FERREIRA et al., 2002). Outros membros da família Bernoulli também se destacam T
A
nesta área. Por exemplo, Daniel (1700-82) investigou o Paradoxo de Petersburg3, que consiste T
Í
na solução de um problema de jogo. S
T
I
C
A
112 TÓPICO 2 UNIDADE 2
Bernoulli também mostrou como o Cálculo Integral (que tinha surgido 60 anos antes)
poderia ser aplicado à probabilidade. Leonhard Euler (1707-83) sistematizou e organizou
muitos problemas probabilísticos, e Joseph Lagrange (1736-1813) também avançou na Teoria
de Probabilidade aplicando o cálculo diferencial.
Pierre Simon Laplace (1749-1827) publicou em 1812 sua obra intitulada Teoria analítica
das probabilidades, em que definiu, em um de seus princípios, a probabilidade pela qual o
número de vezes em que um determinado acontecimento pode ocorrer, dividido pelo número
total dos casos, considerando-se a hipótese de equiprobabilidade (FERREIRA et al., 2002).
O começo da análise estatística de dados de censo foi feita em 1829 por Lambert
Adolphe Jacques Quetelet (1796-1874), na Bélgica.
P
R
O
B Francis Galton (1822-1911) descobriu a lei da regressão e o coeficiente de correlação
A
B em 1877. Começando em 1894, Karl Pearson (1857-1936) aplicou a probabilidade à biologia
I
L
e criou a área de estudo denominada Biometrics (LIGHTNER, 1991).
I
D
A Mas, durante o século XIX, descobriu-se que um grande número de fenômenos naturais
D
E nas ciências biológicas e na física seguia a distribuição normal dos erros aleatórios, e começa
E uma união dessas duas correntes (BENNETT, 2003, p. 122).
E
S
T No entanto, é apenas no final do século XIX que o desenvolvimento da matemática
A
T permite um avanço efetivo na Teoria de Probabilidade. O trabalho de Borel e de Lebesgue
Í
S permite a Kolmogorov, em 1933, publicar uma obra contendo a axiomatização da Teoria de
T
I Probabilidade.
C
A
UNIDADE 2 TÓPICO 2 113
REFERÊNCIAS
PORTER, T. M. The rise of statistical thinking, 1820-1900. Nova York: Princeton University Press, 1986.
Notas
2 Lightner (1991) explica o que era o problema dos pontos: suponha que um jogador, por
exemplo, o Chevalier de Méré, e um de seus amigos estivessem num jogo de dados do
século XVII. Cada jogador aposta 30 pistolas (antiga moeda espanhola) que seu número
escolhido sairá três vezes num dado antes que o número do outro jogador saia três vezes.
Depois de o jogo ter começado, o número de Méré, 5, tinha saído duas vezes enquanto o
número de seu oponente, 3, tinha saído somente uma vez. Nesse momento, Méré recebe uma
mensagem urgente e o jogo deve parar. Como os jogadores deveriam dividir as 60 pistolas na
mesa? O amigo de Méré afirma que, considerando que a chance de ele obter duas jogadas
sortudas é metade da chance de Méré obter uma jogada sortuda, ele deveria receber 20
pistolas e Méré deveria receber 40. De Méré argumenta que, na próxima jogada, o pior que
poderia acontecer para ele seria perder sua vantagem, ocorrendo um empate, e então as
pistolas seriam divididas igualmente. Entretanto, se saísse 5 na próxima jogada, ele seria o
vencedor e receberia as 60 pistolas. De Méré afirma que, mesmo antes da jogada, ele deve
receber 30 pistolas e mais 15 que é a metade da certeza; portanto, ele deveria receber 45
e seu oponente 15. E ele estava certo. Pascal e Fermat decidiram esse resultado em suas
famosas correspondências. Eles também consideraram outros problemas relacionados ao
problema dos pontos, tal como a divisão do dinheiro apostado quando os dois jogadores
são desigualmente habilidosos ou quando mais do que dois jogadores estão apostando.
P
R
O
B 3 Um jogador lança uma moeda e um segundo jogador concorda em pagar uma quantidade
A
B em dinheiro se aparecer cara no 1º lançamento, o dobro do dinheiro se aparecer cara no
I
L 2º lançamento, 4 vezes a quantia inicial se aparecer cara no 3º lançamento, 8 vezes se sair
I
D cara no 4º lançamento, e assim sucessivamente. O paradoxo nasceu sobre quanto deveria
A
D
ser pago, antes do jogo, para ser honesto com ambos os jogadores. Uma grande diferença
E surgiu entre o senso comum e o raciocínio matemático (LIGHTNER, 1991, p. 628).
E
E FONTE: SILVA, Cláudia Borim; COUTINHO, Cileda de Queiroz e Silva. O nascimento da estatística
S e sua relação com o surgimento da teoria de probabilidade. Revista Integração, São Paulo, ano 11,
T n. 41, p. 191-196, 2005. Disponível em: <ftp://ftp.usjt.br/pub/revint/191_41.pdf>. Acesso em: 24 jan.
A
T 2013.
Í
S
T
I
C
A
UNIDADE 2 TÓPICO 2 115
RESUMO DO TÓPICO 2
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
116 TÓPICO 2 UNIDADE 2
IDADE
ATIV
AUTO
Conte também com a Tutoria Interna do Curso de Matemática, que está disponível
por meio do 0800, contato e atendimento on-line. Bons estudos!
1 Uma escola recebe, em média, 20 alunos novos por ano. Qual é a probabilidade de
que, em um ano selecionado aleatoriamente, a escola não receba nenhum aluno
novo?
3 Uma fábrica de balões apresenta 5% da sua produção com defeito. Numa amostra
de 100 balões, escolhidos ao acaso, qual é a probabilidade de:
a) 5 serem defeituosos;
b) no máximo 3 serem defeituosos.
4 Uma pesquisa médica verificou a eficiência de uma determinada droga para 95% da
P
R população. Se um médico receita essa droga para 3 pacientes, qual é a probabilidade
O
B de a droga não ser eficiente para nenhum deles?
A
B
I
L 5 Um teste com 10 questões de múltipla escolha, com 4 alternativas cada uma e com
I
D apenas uma alternativa correta, aprova o aluno que acertar, no mínimo, 7 questões.
A
D Qual é a probabilidade de aprovação de um aluno que não estudou?
E
7 Um telefone recebe chamadas a uma taxa de 0,8 por hora. Qual é a probabilidade
de, em 4 horas, receber:
a) exatamente 5 chamadas?
b) no máximo 3 chamadas?
c) pelo menos 4 chamadas?
8 Em uma gráfica verificou-se que, a cada 200 páginas impressas, ocorrem 50 erros
tipográficos. Ao selecionar 10 páginas ao acaso de um livro, qual é a probabilidade
de nenhuma conter erros? E no máximo duas terem erros?
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
118 TÓPICO 2 UNIDADE 2
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
UNIDADE 2
TÓPICO 3
DISTRIBUIÇÕES DE PROBABILIDA-
DE PARA VARIÁVEIS CONTÍNUAS
1 INTRODUÇÃO
Até aqui você estudou distribuições discretas de probabilidades para variáveis finitas
e numeráveis. Mas, quando se deparar com populações infinitas ou amostras imensas, as
distribuições discretas são ineficazes, pois seus cálculos demorariam demais.
Justamente por isso se construiu a ideia de continuidade, pois não se tem mais um
conjunto enumerável de dados e sim uma infinidade não enumerável deles.
Mesmo parecendo mais difíceis, as distribuições contínuas, na maioria das vezes, são
de simples aplicação. Já a matemática que é aplicada nestes tipos de distribuição é um pouco
mais elaborada do que a que sustenta a distribuição discreta.
P
R
O É possível transformar qualquer distribuição normal para uma distribuição normal
B
A
padrão. E com base na normal padrão existe a tabela Z de valores (Apêndice A) que contém
B todas as soluções de que você precisará, portanto, não terá que usar as funções anteriores
I
L para determinar os resultados das probabilidades.
I
D
A
D O que se faz é transformar uma normal qualquer para uma normal padrão e, a partir
E
daí, chegar à probabilidade procurada por meio da tabela Z.
E
E
S Se uma variável aleatória X tem distribuição normal de média μ e variância σ2 (X ~
T
A N(μ,σ2)), pode-se transformá-la numa variável aleatória Z de distribuição normal padrão de
T
Í média 0 e variância 1 (Z ~ N(0, 1)), através da fórmula:
S
T
I
C z = (x – μ)/σ
A
UNIDADE 2 TÓPICO 3 121
O esquema a seguir representa como proceder para transformar uma normal qualquer
em uma normal padrão, acompanhe com atenção.
P
R
O
B
A
2.1 TABELA Z B
I
L
I
D
Existem vários tipos de tabelas que apresentam as probabilidades sob a curva normal A
D
padrão. A que será utilizada apresenta a probabilidade de a variável aleatória Z ser menor que E
z. (Apêndice A). E
E
S
T
A
T
Í
S
T
I
C
A
122 TÓPICO 3 UNIDADE 2
Como essa curva é simétrica em relação à média 0, a P(Z < 0) = 0,5 (ou P(Z > 0) =
0,5). Assim se você quiser saber a probabilidade de a variável aleatória Z estar entre 0 e z,
basta fazer:
P
R
O
B
A
B
I
L
I
D
A ou 0,5 – P(Z < z), se z < 0.
D
E
E
S
T
A
T
Í
S
T
I
C
A
UNIDADE 2 TÓPICO 3 123
Para saber a probabilidade de Z estar entre z1 e z2, com z2 < z1, precisa-se fazer:
P(Z < z2 ) – P(Z <z2)
Exemplo 1:
Solução:
Exemplo 2:
Solução:
Como a curva é simétrica em relação à média 0, a P(Z < -1,3) é igual a P(Z > 1,3). P
R
Assim, O
B
P(Z < -1,3) = P(Z > 1,3) = 1 – P(Z < 1,3). Procurando z = 1,3 na tabela Z (1,3 parte inteira A
B
e a decimal, e 0,00 parte centesimal), tem-se que P(Z < 1,3) = 0,9032, então: I
L
I
D
P(Z < -1,3) = P(Z > 1,3) = 1 – P(Z < 1,3) = 1 – 0,9032 = 0,0968. A
D
E
E
S
Na tabela Z o número padronizado z é formado por três dígitos: a (parte inteira), b (parte T
A
decimal) e c (parte centesimal), z = a,bc. T
Í
S
T
A parte inteira e a decimal (a,b) aparecem na primeira coluna da tabela Z, e a parte I
C
centesimal você procura na primeira linha da tabela Z. A
124 TÓPICO 3 UNIDADE 2
Exemplo 3:
Procurando z = 2,36 na tabela Z (2,3 parte inteira e a decimal, e 0,06 parte centesimal),
temos que P(Z < 2,36) = 0,9909, então:
Exemplo 4:
Devido à simetria da curva a P(Z < -2,1) = P(Z > 2,1) = 1 – P(Z < 2,1). Procurando z =
2,1 (2,1 parte inteira e a decimal, e 0,00 parte centesimal), tem-se que P( Z < 2,1) = 0,9821.
Assim a P(Z < -2,1) = 1 – P(Z < 2,1) = 1 – 0,9821 = 0,0179, então:
P(-2,1 < Z < 0) = 0,5 – P(Z < -2,1) = 0,5 – 0,0179 = 0,4821.
Exemplo 5:
P(-1,32 < Z < 0,92) = P(Z < 0,92) – P(Z < -1,32).
Procurando z = 0,92 na tabela Z (0,9 parte inteira e a decimal, e 0,02 parte centesimal),
tem-se P(Z < 0,92) = 0,8212. P(Z < -1,32) = P(Z > 1,32) = 1 – P(Z < 1,32), para z = 1,32 a P(Z
< 1,32) = 0,9066. Assim P(Z < -1,32) = 1 – 0,9066 = 0,0934, então:
P(-1,32 < Z < 0,92) = P(Z < 0,92) – P(Z < -1,32) = 0,8212 – 0,0934 = 0,7278.
P
R
O
B Nos testes de hipóteses, é comum querer saber que valor de z produz uma determinada
A
B área sob a curva normal padrão, de –z até z.
I
L
I Por exemplo, para que valor de z tem-se uma área sob a curva normal padrão de 0,90,
D
A de –z até z?
D
E
Como a curva normal padrão é simétrica e a área total sob a curva é 1, a área branca
sob a curva vale 0,05. Assim, pode-se mudar a pergunta para: qual valor de z deixa uma área
menor que 0,95?
Observando a tabela, o valor 0,95 está entre 0,9495 e 0,9505, então, pode-se dizer que
z está entre 1,64 e 1,65. Calculando a média entre esses dois valores, z = 1,645.
Veja que o que foi feito é comum nos testes de hipóteses do tipo bilateral (ou bicaudal).
Quando o teste for unilateral (ou unicaudal), é preciso obter o valor de z que determina uma
P
área sob a cauda da curva normal padrão. R
O
B
A
Por exemplo, para o valor de z positivo temos uma área de 0,05 sob a cauda da curva B
I
normal padrão? A figura a seguir ilustra essa pergunta. L
I
D
A
D
E
E
S
T
A
T
Í
S
T
Como a área branca sob a curva vale 0,95 e a tabela Z nos dá a P(Z < z), basta entrar I
C
com o valor 0,95, como feito no caso anterior. Assim z = 1,645. A
126 TÓPICO 3 UNIDADE 2
DE
ATIVIDA
AUTO
Agora que você já sabe como usar a tabela Z, acompanhe a resolução de alguns
exemplos de distribuição normal.
a) A altura de uma população têm média 1,70 m e desvio padrão de 0,2m. Um pesquisador,
ao tomar uma pessoa desta população, pretende determinar qual é a probabilidade de:
E
z = (x – μ)/σ
S
T
A i) Você quer calcular a probabilidade de encontrar alguém acima de 1,80 m, ou seja, P(X >
T
Í 1,80).
S
T
I
C
A
UNIDADE 2 TÓPICO 3 127
O problema agora consiste em encontrar P(Z > 0,5). Como P(Z > 0,5) = 1 – P(Z < 0,5),
tem-se que P(Z > 0,5) = 1 – 0,6915 = 0,3085. Portanto, a P(X > 1,80) = P(Z > 0,5) = 0,3085.
ii) Você deve encontrar P(1,4 < X < 1,65), para isso transforme os valores x1 = 1,4 m e x2 =
1,65 m em z1 e z2 respectivamente. Tem-se então:
z = (x – μ)/σ
z1 = (1,4 – 1,7)/0,2 = -1,5
z2 = (1,65 – 1,7)/0,2 = -0,25
Agora o problema consiste em encontrar P(-1,5 < Z < -0,25) usando a tabela Z.
Como:
P(-1,5 < Z < -0,25) = P(Z < -0,25) – P(Z < -1,5) e
P(Z < -1,5) = P (Z > 1,5) = 1 – P(Z < 1,5) = 1 – 0,9332 = 0,0668
P(Z < -0,25) = P (Z > 0,25) = 1 – P(Z < 0,25) = 1 – 0,5987 = 0,4013,
Tem-se:
P(-1,5 < Z < -0,25) = 0,4013 – 0,0668 = 0,3345.
Portanto, a P(1,4 < X < 1,65) = P(-1,5 < Z < -0,25) = 0,33448.
P
R
O
B
A
UNI
B
I
L
I
D
A
Como você está lidando com número de pessoas, o arredondamento D
será para cima. E
E
S
iii) Você quer saber a P(X < 1,60). Transformando o valor x = 1,60 em z padrão, obtém-se z2 = T
A
(1,6 – 1,7)/0,2 = -0,5 T
Í
S
T
Agora o problema consiste em encontrar a P(Z < -0,5) na tabela Z. I
C
A
128 TÓPICO 3 UNIDADE 2
Como a P(Z < -0,5) = P(Z > 0,5) e P(Z > 0,5) = 1 – P(Z < 0,5), tem-se que:
P(Z < -0,5) = 1 – 0,6915 = 0,3085.
Por exemplo, um estudo do Sindicato dos Professores indica que cerca de 40% dos
professores têm problemas de estresse, oriundos das más condições de trabalho. Numa escola
com 100 professores, qual é a probabilidade de pelo menos 30 terem estresse?
Solução:
Pense que você quer saber a probabilidade de pelo menos 30 terem estresse, então X
pode ser 30, 31, 32, 33,..., 99 ou 100. Portanto, deve-se calcular a probabilidade de cada um
desses valores e depois somá-las.
P
R P(X ≥ 30) = P(X = 30) + P(X = 31) + P(X = 32) + ... + P(X = 99) + P(X = 100)
O
B
A
B Mesmo que você utilizasse o princípio da probabilidade complementar, o cálculo seria
I
L
trabalhoso, pois teria que calcular a probabilidade para os primeiros 30 valores que X (de 0 a
I 29) e depois subtrair esse resultado de 1.
D
A
D
E Resta então recorrer à distribuição normal. Para isso, precisa-se de dois parâmetros,
E média μ e o desvio padrão σ. Como a variável aleatória X, nesse caso, segue uma distribuição
E normal de p = 0,4 e n = 100.
S
T
A
T Lembre que você viu no Tópico 2 dessa unidade que:
Í
S
T
I E(X) = np = 100 . 0,4 = 40, então μ = 40, e
C
A Var(X) = npq = 100 . 0,4 . 0,6 = 24, então σ = √24 ≈ 4,9
UNIDADE 2 TÓPICO 3 129
P
R
O
B
A
B
3.1 DISTRIBUIÇÃO QUI-QUADRADO I
L
I
D
A
Em uma distribuição normal, pode-se verificar que à razão segue uma D
E
distribuição denominada qui-quadrado, .
E
E
Nos testes de independência, o qui-quadrado é obtido somando-se a diferença S
T
ao quadrado entre as frequências observadas e as esperadas, dividido pelas frequências A
T
esperadas. Í
S
T
I
C
A
130 TÓPICO 3 UNIDADE 2
Onde:
O = observado e
E = esperado
Se o qui-quadrado for igual a zero, então não existe associação entre as variáveis. O
qui-quadrado não mede força de associação e não é suficiente para estabelecer relação de
causa e efeito.
P
R
O
B
A
B
I
L
I
D
A
D
E
Obtêm-se os graus de liberdade de acordo com o tipo de teste que se pretende aplicar.
E
Será visto na Unidade 3 o teste de independência (ou associação) qui-quadrado e, para
E
S este, tem-se que: gl = (r – 1)∙(s – 1), onde r é o número de linhas e s o número de colunas da
T
A tabela.
T
Í
S A distribuição qui-quadrado é assimétrica e se torna “menos” assimétrica à medida que
T
I os graus de liberdade aumentam. Para grandes amostras, a distribuição qui-quadrado tende
C
A para uma distribuição normal.
UNIDADE 2 TÓPICO 3 131
Por exemplo, se você está trabalhando com uma distribuição qui-quadrado com 15
graus de liberdade, qual é o valor de X2tab, cuja probabilidade de ocorrência de um valor X2
maior ou igual a X2tab é 5% (α = 0,05)?
P
R
O
B
A
B
I
Analisando na tabela qui-quadrado, tem-se que X2 tab = 24,9958. O que significa que L
em uma distribuição com gl = 15 há uma probabilidade de 0,05 de ocorrer um valor X2 maior I
D
ou igual a 24,9958. A
D
E
Agora, se você quiser saber entre quais valores de X2 tab (X2 A e X2 B) tem-se 90% de E
uma distribuição com gl = 15, deve considerar um nível de significância α = 0,1, sendo α/2 = E
S
0,05 para cada cauda da distribuição qui-quadrado. T
A
T
Í
S
T
I
C
A
132 TÓPICO 3 UNIDADE 2
Veja a seguir:
IDADE
ATIV
AUTO
P
R
O
B
A
B
I 3.2 DISTRIBUIÇÃO T–STUDENT
L
I
D
A Suponha que Z seja uma distribuição normal padrão e que V tenha uma distribuição X2
D
E (qui-quadrada) com n – 1 graus de liberdade.
E
E
S
T
A
T
Í
S
T
I
C
A
UNIDADE 2 TÓPICO 3 133
A distribuição t é uma distribuição similar à normal só que com caudas mais largas, o
que gera uma probabilidade maior para valores afastados da média. Ela também é simétrica
e campaniforme.
O único parâmetro utilizado para definir a distribuição t é o grau de liberdade (gl = n – 1).
Quanto maior o grau de liberdade, mais próximo a uma normal estará a distribuição t.
E
S
T
A
T
Í
S
T
I
C
A
134 TÓPICO 3 UNIDADE 2
IDADE
ATIV
AUTO
3.3 DISTRIBUIÇÃO F
E A estatística (S21/σ21)/ (S22/σ22) indica a relação entre as razões das variâncias amostral
E e da população.
S
T
A
T Supondo que as variâncias amostrais sejam oriundas de amostras aleatórias
Í
S
independentes e com as mesmas variâncias populacionais, então: F = S21/ S22.
T
I
C A distribuição teórica que modela essa razão denomina-se distribuição F.
A
UNIDADE 2 TÓPICO 3 135
A tabela de distribuição F apresenta o valor Ftab que delimita a região sob a curva na
cauda direita, com graus de liberdade gl1 e gl2. Assim, para cada nível de significância há uma
tabela de distribuição F. No Apêndice D, apresentamos três tabelas, com α = 1%, α = 2,5% e
α = 5%.
E
DE
ATIVIDA E
AUTO S
T
A
Pratique e encontre o valor de Ftab para uma distribuição com: T
Í
a) gl1 = 1, gl2 = 7 e α = 1% S
b) gl1 = 5, gl2 = 25 e α = 2,5% T
c) gl1 = 9, gl2 = 40 e α = 5% I
C
A
136 TÓPICO 3 UNIDADE 2
RESUMO DO TÓPICO 3
• Se uma variável aleatória X tem distribuição normal de média μ e variância σ2, podemos
transformá-la numa variável aleatória Z de distribuição normal padrão de média 0 e variância
1, através da fórmula: z = (x – μ)/σ.
• A curva normal padrão é simétrica em relação à média 0 e a área sob essa curva é 1.
• Os valores da distribuição t-Student podem ser obtidos pela tabela do Apêndice C e esses
valores dependem dos graus de liberdade e do nível de significância.
• Os valores da distribuição F podem ser obtidos pela tabela do Apêndice D e esses valores
dependem de dois graus de liberdade (gl1 e gl2) e do nível de significância.
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
UNIDADE 2 TÓPICO 3 137
IDADE
ATIV
AUTO
Conte também com a Tutoria Interna do Curso de Matemática, que está disponível
por meio do 0800, contato e atendimento on-line. Bons estudos!
IAÇÃO
AVAL
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
UNIDADE 3
Objetivos de aprendizagem
PLANO DE ESTUDOS
P
R
O
B
A
TÓPICO 1 – PROCESSO DE Estimação B
I
L
I
TÓPICO 2 – Testes de hipóteses PARA MÉDIA, D
A
VARIÂNCIA E PROPORÇÃO D
E
E
S
T
A
T
Í
S
T
I
C
A
UNIDADE 3
TÓPICO 1
PROCESSO DE Estimação
1 INTRODUÇÃO
Você se lembra da disciplina de Estatística? Mais uma vez, neste caderno buscaremos
elementos da estatística para subsidiar nosso estudo. Para iniciar esta Unidade 3 é importante
que você conheça (ou relembre) alguns processos de estimação. Com base neste primeiro
tópico, você poderá entender com mais facilidade os tópicos seguintes, que apresentam os
testes de hipóteses paramétricos. Nesses testes verifica-se se uma população possui ou não
determinado parâmetro. Para que você entenda, parâmetro é um valor geralmente desconhecido
e que está associado a uma característica da população, como: média, variância, desvio padrão
e proporção.
Testes como estes são necessários porque em alguns casos não é possível reunir todos
os dados de uma população para aferir o parâmetro desejado. Assim, os testes de hipóteses
se baseiam na amostra, ou seja, em uma parte da população.
P
R
Para obter um resultado confiável em qualquer teste estatístico, o pesquisador deve O
B
se preocupar com a coleta de dados da amostra. Claro, se você cometer um “vício” na coleta A
B
da amostra, certamente tornará o resultado do teste tendencioso. Para evitar essa possível I
influência externa, existem metodologias de amostragem abordadas detalhadamente no L
I
Caderno de Estudos de Estatística. D
A
D
E
Sendo assim, serão apresentadas neste tópico as estimativas dos parâmetros
E
populacionais para realizar os testes estatísticos. Veja a seguir como calcular cada uma dessas
E
estimativas, iniciando pela média. S
T
A
T
Í
S
T
I
C
A
142 TÓPICO 1 UNIDADE 3
2 Média
∑x
i=1
i
, onde: x é a média amostral; xi são os valores da variável; n quantidade de
x=
valores. n
Quando n for igual ao tamanho da população, temos a média populacional µ (lê-se: mi).
Como isso nem sempre acontece, dizemos que x é um estimador de µ.
Exemplo 1:
Com o objetivo de verificar quantos pares de calçados, em média, são vendidos por
mês, o proprietário de uma loja coletou as vendas de três tipos de sapatos, dos seis últimos
meses de sua loja:
Mês
1 2 3 4 5 6 Total
Tipo de calçado
Infantil 21 15 14 31 18 22 121
Feminino 52 36 27 59 31 61 266
Masculino 12 5 8 17 3 19 64
Total 85 56 49 107 52 102 451
P
R
O Com base nesses dados, estime a média de vendas mensais de calçados nessa loja.
B
A
B
I Solução:
L
I
D
A Considerando a variável aleatória X, o número de vendas mensais, temos: X = {85, 56,
D
E 49, 107, 52, 102}, n = 6 e:
E
E
S
T
A
T
Í
S
T
I
C
A
UNIDADE 3 TÓPICO 1 143
UNI
3 variância
UNI
A utilização do denominador (n – 1) ao invés de n no estimador
da variância serve para obter uma estimação não tendenciosa. A
demonstração matemática desse “artifício” pode ser encontrada
em Magalhães e Lima (2010, p. 215-216).
E
Solução: E
S
T
A
Já se sabe que: x == 7
575,1667
,1667 e n = 6. T
Í
S
T
Assim: I
C
A
144 TÓPICO 1 UNIDADE 3
O desvio padrão você também já conhece. Ele representa uma medida de variabilidade
mais próxima dos elementos da variável aleatória, e é definido como a raiz quadrada da
variância. Matematicamente, o estimador do desvio padrão populacional é:
,
onde: s é o desvio padrão e s2 é a variância.
Se você tirar a raiz quadrada da variância populacional, terá o desvio padrão populacional
σ (lê-se: sigma). Como nem sempre se tem a variância populacional, diz-se que s é um
estimador de σ.
Exemplo 1:
Considerando ainda o exemplo das vendas de calçados, estime o desvio padrão das
vendas mensais de calçados.
Solução:
P
R
O Basta você extrair a raiz quadrada da estimativa s2 = 683,7667.
B
A
B
I
Assim:
L = 26,1489
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
UNIDADE 3 TÓPICO 1 145
4 proporção
Exemplo 1:
Solução:
Considerando que A seja as vendas de calçados infantis, temos que n(A) = 121. Como
foram vendidos 451 pares de calçados nesse últimos 6 meses, n = 451.
Assim:
(÷11)
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
146 TÓPICO 1 UNIDADE 3
RESUMO DO TÓPICO 1
Média µ
Variância σ²
Desvio padrão σ
Proporção p
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
UNIDADE 3 TÓPICO 1 147
ID ADE
ATIV
AUTO
Conte também com a Tutoria Interna do Curso de Matemática, que está disponível
por meio do 0800, contato e atendimento on-line. Bons estudos!
População fumante
d) a variância e o desvio padrão dos que praticam exercícios físicos nas áreas urbana E
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
UNIDADE 3
TÓPICO 2
1 INTRODUÇÃO
Para que servem testes de hipóteses? Servem para verificar se a diferença entre um
parâmetro populacional e uma estimativa é atribuída à aleatoriedade da amostra ou a diferença
é tão grande a ponto de haver desconfiança na integridade da amostra.
A partir de agora, por trabalhar com amostras, você deverá se acostumar com as
expressões: certeza estatística, igualdade estatística, diferença significativa, diferença não
significativa, entre outras.
Essas expressões fogem um pouco do senso comum, pois na vida cotidiana é muito
simples verificar se algo é ou não igual a outro, porém quando se trata de estatística nada é
igual e nada é diferente antes de se aplicar testes de hipóteses. Veja neste tópico e no tópico
seguinte um pouco mais sobre estes testes.
P
R
O
B
A
B
I
2 Hipóteses L
I
D
A
Para realizar um teste de hipóteses você deve formular duas hipóteses a respeito da D
E
afirmação, denominadas de H0 e H1.
E
E
Importante! Saiba que a hipótese H0 será chamada de hipótese nula, ou seja, é a S
T
hipótese que “anula” o teste. Enquanto a hipótese H1 ou hipótese alternativa é a que o teste A
T
quer provar. Veja o exemplo 1 e o exemplo 2 a seguir: Í
S
T
I
Exemplo 1: C
A
150 TÓPICO 2 UNIDADE 3
Numa pesquisa para comparar a eficácia de engorda entre duas rações para bovinos,
têm-se as seguintes hipóteses:
Considerando que podemos comparar a eficácia de engorda dos bovinos por meio das
médias de engorda das duas rações (ração 1 e 2), temos que µ1 e µ2 são as médias populacionais
de engorda dos bovinos tratados pelas rações 1 e 2, respectivamente.
Assim:
H0: µ1 = µ2 (média de engorda da ração 1 é igual à média de engorda da ração 2)
H1: µ1 ≠ µ2 (média de engorda da ração 1 é diferente da média de engorda da ração 2)
Exemplo 2:
Nesse caso:
H0: µ = X (média de duração das lâmpadas é igual ao valor anunciado X)
H1: µ < X (média de duração das lâmpadas é menor que o valor anunciado X)
Exemplo 3:
E
S
T
A
T
Í
S
T
I
C
A
UNIDADE 3 TÓPICO 2 151
3 Erros do tipo I e II
Por mais cuidado que se tenha ao coletar os dados de uma pesquisa, a estimação dos
dados jamais estará livre de erros. E ao realizar um teste de hipóteses existem dois tipos de
erros que podem ser cometidos:
O erro do tipo I (α) significa rejeitar H0 que, na verdade, deveria ter sido aceita. Ou
seja, no exemplo 1 acima, deveria ter sido dito que as médias são diferentes para aceitar H0.
Porém, como são iguais, deve-se rejeitar H0, o que ocasiona o erro do tipo I (α).
É importante que essa probabilidade de cometer o erro do tipo I seja pequena, pois assim
a chance de rejeitar uma hipótese verdadeira também será pequena. A essa probabilidade dá-
se o nome de nível de significância do teste que é representado pela letra grega α (alfa).
E
S
T
A
T
Í
S
T
I
C
A
152 TÓPICO 2 UNIDADE 3
O erro do tipo II (β) significa aceitar H0 que, na verdade, você deveria ter rejeitado.
No caso do exemplo 1 acima, deveria ter sido dito que as médias são iguais para rejeitar H0.
Porém, como são diferentes, deve-se aceitar H0, o que ocasiona o erro do tipo II (β).
H0 verdadeira H0 falsa
Decisão Rejeitar H0 Erro do tipo I (α) Decisão correta (1 – β)
Aceitar H0 Decisão correta (1 – α) Erro do tipo II (β)
UNI
P
R Apesar de, na maioria das vezes, o pesquisador só se preocupar com o erro do tipo I,
O
B é o erro do tipo II que dá o verdadeiro poder de a pesquisa apresentar o resultado esperado.
A
B
I
L O estudo sobre os erros I e II gera debates maravilhosos. Como um está relacionado ao
I
D outro, a diminuição de um leva ao aumento do outro, o pesquisador experiente tem que achar
A
D um equilíbrio entre os erros. Contudo, na nossa atual condição, você pode desconsiderar o
E
erro II para as pesquisas iniciais.
E
E
S
T
A
T
Í
S
T
I
C
A
UNIDADE 3 TÓPICO 2 153
UNI
Os testes de hipóteses podem ser de três tipos diferentes, e o que muda é a hipótese
alternativa (H1). Veja a seguir:
P
Rejeição Rejeição R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
154 TÓPICO 2 UNIDADE 3
P
UNI
R
O
B No caso do teste bicaudal, o valor α fica dividido para as duas
A regiões amarelas com área α/2 .
B
I
L
I
D
A Acadêmico(a), não se preocupe com como e quando usar cada um dos tipos anteriores,
D
E bem como a compreensão do que significa e como definir a(s) área(s) de rejeição de H0 e a área
E de aceitação de H0 nos testes de hipóteses. Isso será explicado nas resoluções dos próximos
E exemplos para desvio padrão conhecido e desvio padrão desconhecido, acompanhe!
S
T
A
T
Í
S
T
I
C
A
UNIDADE 3 TÓPICO 2 155
Exemplo:
O INMETRO fará uma inspeção numa fábrica de tijolos que afirma que o tamanho dos
seus tijolos segue uma distribuição normal com µ = 20 cm e σ = 2 cm. Para a verificação o
inspetor recolheu uma amostra com 10 unidades e obteve as seguintes medidas: 18, 23, 20,
21, 22, 23, 22, 21, 21, 20. O INMETRO admite um erro estatístico de 5% (nível de significância
5%), ou seja, nível de confiança 95%, em outras palavras α = 0,05.
Solução:
H0: µ = 20 cm
P
H1: µ ≠ 20 cm R
O
B
A
Você está diante de um exemplo em que o desvio padrão populacional (σ) é conhecido, B
I
na vida real dificilmente encontraremos tal situação, porém, didaticamente esse exemplo é L
I
fundamental para você entender os próximos. D
A
D
E
A distribuição da média amostral x , convenientemente padronizada, se comporta
E
segundo um modelo normal com µ = 0 e σ2 = 1. Essa padronização é feita por meio da fórmula:
E
. S
T
A
T
Í
S
T
I
C
A
156 TÓPICO 2 UNIDADE 3
UNI
Agora, para resolver o teste, calcule o valor z padronizado e o compare com os valores
críticos tabelados ztab. O valor ztab é obtido entrando na tabela Z (Apêndice A) com o valor 1 –
α/2 = 1 – 0,025 = 0,975, assim ztab = 1,96.
Calculando z:
O valor 21,1 cm na curva normal é equivalente ao 1,74 na curva normal padrão, veja
o esquema:
Curva normal informada pela Curva normal padrão
empresa µ=0eσ=1
µ = 20 e σ = 2
P
R
O
B
A
B
I
L
I Se a média amostral padronizada estiver na área de rejeição, ou seja, no exemplo for
D
A maior que o valor crítico 1,96 ou menor que o valor crítico -1,96, não se rejeita H0, do contrário,
D
E se aceita.
E
E Obteve-se 1,74 como média amostral (já padronizada), então, você tem que -1,96 <
S
T 1,74 < 1,96, o que indica que 1,74 está na região de aceitação de H0.
A
T
Í
S
Você pode concluir então que as médias amostrais e populacionais são iguais a um
T nível de significância de 5% (ou dizemos: a um nível de confiança de 95%).
I
C
A
UNIDADE 3 TÓPICO 2 157
Como a média amostral é maior que a média populacional, não é preciso testar a
hipótese H1: µ < 20 cm, pois o valor z (padronizado) ficará sempre na região de aceitação de
H0, considerando α pequeno.
Solução:
H0: µ = 20 cm
H1: µ > 20 cm
P
R
O
B
A
B
I
L
I
D
A
D
Observe que o fato de o teste ser unilateral aumenta a área sob a cauda direita da curva E
diminuindo o valor crítico (ztab). Nesse caso, rejeita-se H0 a um nível de significância de 5% E
porque o valor z padronizado está na região de rejeição de H0 (1,645 < 1,74). Assim, a média E
S
populacional é maior que 20 cm a um nível de confiança de 95%. T
A
T
Í
S
T
I
C
A
158 TÓPICO 2 UNIDADE 3
Exemplo:
Suponha que você precisa testar a hipótese que a média da estatura da população de
brasileiros adultos de sexo masculino seja 1,72 m contra a hipótese de que é diferente, a um
nível de significância de 5%.
Solução:
Observe que não há o desvio padrão populacional, e na maioria dos problemas práticos
não haverá mesmo! Porém, na resolução, o que muda apenas é a tabela a ser utilizada.
H0: µ = 1,72m
H1: µ ≠ 1,72m
P
R
O Como a variância populacional é desconhecida, a padronização da estimativa da média
B
A amostral deve ser feita com a estimativa da variância populacional s2, o que torna a função
B
I densidade dessa padronização diferente da normal.
L
I
D
A Essa nova densidade é denominada t-Student, que foi estudada na Unidade 2. Assim,
D
E você poderá calcular essa padronização através da fórmula: tcalc = .
E
E Para resolver o teste é preciso comparar o valor do t calculado (tcalc) com o valor crítico
S
T t tabelado (ttab). O valor ttab é encontrado na tabela t (Apêndice C) na intersecção da linha 24
A
T
(“n – 1”) com a coluna 2,5% ( a/2). Com isso tem-se ttab = 2,064.
Í
S
T Obtendo o valor tcalc:
I
C
A
tcalc=
UNIDADE 3 TÓPICO 2 159
Exemplo:
Deseja-se testar a hipótese que a variância das médias dos alunos EAD da disciplina de
Estatística seja 5,3 contra a hipótese de que é diferente, a um nível de significância de 10%.
Para realizar o teste foi coletada uma amostra com as seguintes notas:
5,9 6,5 8,0 9,6 4,0 3,4 8,0 6,0 6,5 8,4 P
4,0 8,5 9,3 8,5 8,2 6,0 5,1 3,5 6,0 5,2 R
O
6,2 7,0 5,5 7,0 7,9 6,4 4,6 4,0 7,0 7,0 B
A
B
I
A amostra nos dá as seguintes estimativas: n = 30, x = 6,44 e s2 = 2,97 (número de L
I
elementos, média e desvio padrão). D
A
D
Temos agora as seguintes hipóteses: E
H0: σ2 = 5,3 E
S
H1: σ2 ≠ 5,3 T
A
T
Í
Como visto na Unidade 2, em uma distribuição normalmente distribuída, a razão (n-1)s
2
S
σ2 T
I
segue uma distribuição qui-quadrado. Assim, o cálculo usado para o teste de hipóteses para C
a variância populacional é: χ2calc = (n-1)s .
2
A
σ2
160 TÓPICO 2 UNIDADE 3
Para resolver o teste é necessário comparar os valores de χ2tab (χ2A e χ2B, pois o teste é
bicaudal) com o valor crítico χ calc. O valor χ A é encontrado na tabela qui-quadrado (Apêndice
2 2
Obtendo o valor χ :χ
2 2
calc calc =
P
R 4.4 Teste de hipóteses para a proporção
O populacional p
B
A
B Exemplo:
I
L
I
D O diretor de um colégio disse que existe uma taxa de 15% de reprovação entre seus
A
D estudantes. Para verificar se a taxa de reprovação é diferente, com α = 2%, selecionou-se
E
aleatoriamente uma amostra de 300 estudantes e verificou-se que 36 reprovaram.
E
E
S Solução:
T
A
T
Í O diretor afirma que a proporção de reprovados p = 15% = 0,15. Da amostra selecionada,
S
T
estimamos uma proporção
I
C
A
UNIDADE 3 TÓPICO 2 161
Calculando z: z =
UNI
P
R
O
Conclusão: aceita-se H0. B
A
B
I
A proporção populacional não é diferente de 15% a um nível de significância de 2%. L
I
Afirmamos isso porque o valor padronizado -1,45 está entre -2,33 e 2,33 (-2,33 < -1,455 < D
A
2,33), ou seja, está na região de aceitação de H0. D
E
E
S
T
A
T
Í
S
T
I
C
A
162 TÓPICO 2 UNIDADE 3
RESUMO DO TÓPICO 2
• Nos testes de hipótese para a média, quando o desvio padrão populacional é conhecido, a
estimativa amostral da média é padronizada pela fórmula: z = .
• Nos testes de hipótese para a média, quando o desvio padrão populacional é desconhecido,
a estimativa amostral da média é padronizada pela fórmula: tcalc = .
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
UNIDADE 3 TÓPICO 2 163
ID ADE
ATIV
AUTO
Conte também com a Tutoria Interna do Curso de Matemática, que está disponível
por meio do 0800, contato e atendimento on-line. Bons estudos!
2 Com base nas hipóteses formuladas em cada item do exercício anterior, diga se o
teste é bilateral, unilateral à esquerda ou unilateral à direita.
E
5 Para verificar se há excesso no processo de enchimento de caixas de 1 kg de cereal, S
T
o controle de qualidade da empresa verificou que uma amostra de 30 caixas de cereal A
T
tem peso médio de 1,3 kg com desvio padrão 0,65 kg. Em nível de significância de Í
S
1%, o que se pode concluir? T
I
C
A
164 TÓPICO 2 UNIDADE 3
8 Uma fábrica de parafusos afirma que o desvio padrão do diâmetro de seus parafusos
é de 0,1 mm. O controle de qualidade toma uma amostra aleatória de 51 parafusos e
constata um desvio padrão de 0,15 mm. Utilizando um nível de significância de 1%,
podemos dizer que o desvio padrão dos parafusos é superior a 0,1 mm?
9 Para verificar se certa moeda é honesta, foi lançada a moeda 100 vezes ao ar e
anotado o resultado da face voltada para cima. Se nesse experimento foram obtidas
60 coroas, podemos dizer que a moeda não é honesta? (use α = 5%).
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
UNIDADE 3
TÓPICO 3
1 INTRODUÇÃO
O teste t-Student sofre modificações de acordo com a natureza das amostras utilizadas.
Portanto, você entenderá neste tópico como aplicar o teste t-Student para comparação de
duas médias.
Neste tópico, você poderá ver também que a aplicação do teste qui-quadrado serve
para verificar se duas variáveis têm algum grau de dependência.
P
R
2 teste T de student para comparação de médias O
B
A
B
I
Quando se comparam duas médias populacionais, deve-se estar atento à natureza das L
I
amostras coletadas, pois é um indicativo do tipo de teste t-Student a ser utilizado. D
A
D
E
Se as amostras foram coletadas da mesma população, só que em momentos distintos,
E
dizemos que os dados coletados são dados pareados. Por exemplo, as notas obtidas por um
E
grupo de estudantes antes e depois de estudarem. S
T
A
T
Se as amostras foram coletadas de populações distintas, dizemos que os dados Í
S
coletados são dados não pareados. Por exemplo, as notas obtidas por um grupo de estudantes T
I
que estudou e outro grupo de estudantes que não estudou. C
A
166 TÓPICO 3 UNIDADE 3
A aplicação do teste t-Student para dados pareados e não pareados será explicada durante
a resolução dos próximos exemplos, para dados pareados e não pareados, acompanhe!
Exemplo:
Dez cobaias foram submetidas a tratamento com um novo tipo de ração. Os pesos
em gramas, antes e após o tratamento, são dados a seguir (supõe-se que provenham de
distribuições normais). A 1% de significância, pode-se dizer que houve um aumento nos pesos
das cobaias?
Cobaia 1 2 3 4 5 6 7 8 9 10
Antes 655 698 678 610 570 748 699 587 639 671
Depois 660 710 684 617 567 743 710 590 646 685
UNI
Solução:
Observe que é um caso de dados pareados, ou seja, os resultados são dos mesmos
P indivíduos em momentos diferentes, e pode-se criar uma variável nova que facilitará os cálculos
R
O deste teste.
B
A
B
I
Crie então a variável di que será a diferença entre o antes e o depois de cada indivíduo
L i e calcule a média e o desvio padrão de di.
I
D
A
D Veja:
E
E
S
T
A
T
Í
S
T
I
C
A
UNIDADE 3 TÓPICO 3 167
UNI
Caso o tratamento não altere o peso das cobaias, o valor esperado para a média das
diferenças será zero. Se o tratamento altera os pesos, então o valor esperado das diferenças
é diferente de zero. Como a média das diferenças é maior que zero, existem as seguintes
hipóteses:
H0: xd = 0 (os pesos das cobaias são iguais mesmo após tratamento)
H : x > 0 (os pesos após o tratamento são maiores ou a nova ração engorda)
1 d
P
R
Você pode usar os dados dos dis para chegar ao tcalc, fazendo assim: O
B
tcalc = . A
B
I
L
Falta achar o valor crítico, chamado de ttab, pois é coletado na tabela t (Apêndice C). I
D
A
D
Para usar a tabela precisa-se saber do grau de liberdade (n – 1 = 10 – 1 = 9) e o nível E
E
S
T
A
T
Í
S
T
I
C
A
168 TÓPICO 3 UNIDADE 3
Conclusão:
No valor crítico 2,8214 começa a região de rejeição de H0, o que indica que qualquer
valor maior que ele estará na região de rejeição. tcalc = 2,94, logo ele se encontra na região de
rejeição e por isso podemos concluir que as cobaias engordaram, pois rejeitamos H0, os pesos
medidos depois são, em média, maiores que os medidos antes, a um nível de significância
de 1%.
Nos casos dos testes para comparação de médias em dados não pareados, leve em
consideração as variâncias populacionais. São três casos particulares, veja:
P
R Como normalmente você não terá as variâncias populacionais, você estudará aqui apenas
O
B exemplos do 2º ou do 3º caso. Porém, você pode perguntar: como saberei, estatisticamente
A
B falando, se as variâncias são iguais?
I
L
I
D Resposta à pergunta: usando um teste de hipóteses auxiliar, conhecido como teste de
A
D hipótese para a igualdade de duas variâncias. O exemplo a seguir apresentará este tipo
E
de teste, acompanhe.
E
E
S
Exemplo:
T
A
T Deseja-se verificar se as variâncias de 2 máquinas de encher perfumes são iguais.
Í
S Extraem-se duas amostras, uma de cada máquina (suponha que os volumes das amostras
T
I seguem uma distribuição normal):
C
A
UNIDADE 3 TÓPICO 3 169
Máquina A: 15 elementos, média = 61 ml, variância = 0,3 ml
Máquina B: 20 elementos, média = 60 ml, variância = 0,11 ml
Solução:
Você viu na Unidade 2 que em uma distribuição normalmente distribuída a razão das
s2
variâncias s21 segue uma distribuição F. Por comodidade, sempre considere a maior variância
1
no numerador e a menor variância no denominador.
Dessa forma, simplifica-se o teste para o caso unilateral à direita com nível de
significância α/2 e hipóteses:
σA2
H0: 2 = 1 (significa que as variâncias populacionais são iguais)
σB
σ2
H1: A2 > 1 (significa que as variâncias populacionais são diferentes)
σB
Assim, para resolver o teste, compare o valor Ftab (Apêndice F) com o valor crítico Fcal.
0,3
Então, F = 0,11 = 2,7273
cal
E
S
2,7273 T
A
T
Í
S
T
I
C
A
170 TÓPICO 3 UNIDADE 3
Após identificar se as variâncias desconhecidas são iguais ou não, você aplica o teste
t-Student para cada caso, conforme os exemplos a seguir.
Exemplo:
UNI
Solução:
Agora basta calcular o valor crítico tcalc pela fórmula: tcalc e compará-
lo com o valor ttab.
Calculo de tcalc:
Para obter o valor crítico ttab, entre na tabela t-Student (Apêndice C) com α = 0,025
(0,05/2) e como as variâncias foram consideradas iguais os graus de liberdade são obtidos
fazendo: nA + nB – 2.
UNI
P
R
O
B
A
B
I
L
I
D
A
D
E
E
Conclusão:
E
S
T
Como tcalc = 4,1588 é maior que ttab, rejeita-se H0, pois o valor calculado está na região A
de rejeição, a um nível de confiança de 95%. T
Í
S
T
Pode-se dizer ainda assim: conclui-se com 95% de confiança (ou uma chance de erro I
C
de 5%) que há diferença entre as médias dos alunos da rede pública e privada de ensino. A
172 TÓPICO 3 UNIDADE 3
Exemplo:
UNI
Solução:
E Agora basta calcular o valor crítico tcalc, pela fórmula: tcalc = e compará-lo com
S
T o valor ttab.
A
T
Í
S Cálculo de tcalc: tcalc = .
T
I
C
A Como as variâncias populacionais são desconhecidas e diferentes a variável t terá os
UNIDADE 3 TÓPICO 3 173
Cálculo de gl:
Com isso a variável t-Student terá 23 graus de liberdade, e para obter o valor ttab você
consulta na tabela t (Apêndice C) o α = 0,025 (0,05/2) e gl = 23, assim ttab = 2,0687.
Conclusão:
Como tcalc = 6,2617 é maior que o ttab = 2,0687, rejeita-se H0, pois o valor calculado está
na região de rejeição, a um nível de confiança de 95%. P
R
O
B
Você ainda pode dizer: conclui-se com 95% de confiança (ou uma chance de erro de 5%) A
B
que há diferença entre os volumes médios dos frascos fornecidos pelas duas máquinas. Seria I
L
recomendável descobrir qual das duas está com problemas para efetuar as correções necessárias. I
D
A
D
E
3 Teste de independência E
S
T
A
T
Este teste é baseado na distribuição qui-quadrado e serve para verificar se duas Í
S
variáveis têm algum grau de associação ou dependência. Assim como os demais testes, você T
I
os estudará a partir de alguns exemplos. C
A
174 TÓPICO 3 UNIDADE 3
UNI
Solução:
A partir da tabela de dados observados deve ser criada uma tabela teórica contendo
os dados esperados.
P
R Cada elemento ei,j dessa nova tabela é obtida dividindo o produto entre o total da linha
O
B i e o total da coluna j pelo total geral, ou seja:
A
B
I
L
I
D
A
D
E
E
TABELA DE DADOS ESPERADOS (E)
E Bairro Rio de Janeiro São Paulo Santa Catarina
S
T Time
A
T Flamengo 84,9673 60,4575 104,5752
Í Corinthians 130,8497 93,1046 161,0458
S
T Figueirense 44,1830 31,4379 54,3791
I
C
A
UNIDADE 3 TÓPICO 3 175
UNI
Para facilitar o cálculo de χ2calc, veja o quadro a seguir, onde estão confrontados os
valores observados (O) com os esperados (E).
Basta agora achar o valor crítico χ²tab para confrontarmos com o χ²calc, se o calculado
for maior que o tabelado rejeita-se H0, caso contrário, se aceita.
Conclusão:
Rejeita-se H0 em um nível de significância de 5%, assim se pode dizer que há algum tipo
de dependência entre o time do coração e o bairro em que mora o torcedor. Pode-se afirmar
isso, pois 26,1022 > 9,4877.
LEITURA COMPLEMENTAR
E
S De acordo com Bayer et al. (2005), conteúdos de Probabilidade geralmente são
T
A lecionados em disciplinas de Estatística no Ensino Superior. Bittencourt e Viali (2006) ressaltam
T
Í
que, salvo eventuais exceções, os únicos cursos de graduação brasileiros que têm disciplinas
S dedicadas apenas à Probabilidade são os de Bacharelado em Estatística. Portanto, devido
T
I
C 1 Professor titular do Departamento de Estatística, Faculdade de Matemática da PUCRS.
A Professor adjunto do Departamento de Estatística, Instituto de Matemática da UFRGS.
UNIDADE 3 TÓPICO 3 177
Nos últimos anos ocorreram reformas curriculares que tinham como um dos principais
objetivos a redução do tempo para conclusão em um grande número de cursos de graduação.
Cury (2001) comenta as novas diretrizes curriculares dos cursos de Engenharia e apresenta
opções metodológicas para que tal diminuição não represente perda de qualidade. Nas
disciplinas de Cálculo, por exemplo, antes de tais reformas, parte dos alunos da área das
Ciências Exatas tinha contato com conteúdos mais aprofundados. Funções, limites, derivadas,
integrais e séries, entre outros, eram distribuídos em duas, três ou até quatro disciplinas que
contemplavam de oito a 16 créditos. P
R
O
As disciplinas de Estatística também sofreram alterações com os novos currículos. B
A
Nos cursos de Engenharia as mudanças foram pequenas, pois, na maioria dos casos, elas já B
I
estavam reduzidas a uma única disciplina de quatro créditos. Em outras áreas, no entanto, o L
I
corte foi mais dramático de forma que hoje é difícil encontrar um curso de qualquer área que D
A
contemple mais de uma disciplina de Estatística. Saliente-se que, quando se está falando de um D
E
curso de Estatística, a Probabilidade está incluída. Mesmo antes das reformas curriculares era
E
raro existirem disciplinas separadas para Estatística e Probabilidade. Assim, via de regra, uma
E
disciplina denominada de Estatística engloba, além de Estatística, a Probabilidade e algumas S
T
vezes alguns conteúdos de Análise Combinatória. Por este motivo não é de surpreender que A
T
grande parte dos alunos não saiba a diferença entre Estatística e Probabilidade, pois mesmo Í
S
professores da área fazem confusão entre as duas disciplinas e os textos didáticos geralmente T
I
reforçam essa visão confusa entre as duas áreas. C
A
178 TÓPICO 3 UNIDADE 3
conhecido na época que para grandes amostras a variável Z continuava praticamente normal E
padrão, isto é, com média igual a zero e variabilidade igual a um (LEHMANN, 1999). E
S
T
A
O problema de Gosset era saber qual seria o comportamento dessa variável quando as T
Í
amostras fossem pequenas. O que ele percebeu é que esse resultado mantinha a simetria em S
T
torno de zero, mas não a variabilidade, ou seja, que a variabilidade dependia agora do tamanho I
C
A
180 TÓPICO 3 UNIDADE 3
da amostra utilizada, quanto menor mais variáveis eram os resultados. Assim o modelo t de
Student pode ser caracterizado por um único parâmetro, o tamanho amostral.
O modelo t, nem sempre, está associado com pequenas amostras. Apesar de ter-se
originado dessa forma, desenvolveu-se e ganhou vida própria. Em geral ele é especificado
com um parâmetro genérico gl que é denominado de “graus de liberdade” e quando necessário
estabelecer a relação com valores amostrais coloca-se gl = n - 1, isto é, o parâmetro do modelo
probabilístico t é igual ao número de elementos amostrais subtraído de uma unidade.
O modelo F de Snedecor foi inicialmente desenvolvido por Ronald Aylmer Fisher (1890-
1962) em 1922 e, por isso, ele é também conhecido por distribuição de Fisher-Snedecor. Em
1934 foi tabelado por George Waddell Snedecor (1881-1974) que também introduziu a letra F
para representá-lo, homenageando dessa forma o seu real criador (DAVID, 2003). O modelo
F é fundamental para as áreas de Planejamento de Experimentos, Análise de Variância e de
Regressão.
P
R Pode-se observar que a origem dos três modelos é diversa, mas que, de fato, apresentam
O
B algumas características comuns. Os três modelos apresentam aplicações na Estatística
A
B Inferencial e, se juntarmos a elas o modelo normal, teremos talvez o quarteto de modelos que
I
L
desempenha o principal papel num variado leque de técnicas estatísticas tanto paramétricas
I quanto não paramétricas. As características mais notórias que esses três modelos apresentam
D
A são a dependência da função gama e de não serem integráveis analiticamente.
D
E
E Propõe-se, então, a utilização da planilha para que o aluno seja capaz de trabalhar de
E uma forma dinâmica e interativa com os três modelos, construindo por si próprio as tabelas
S
T e as representações gráficas que são onipresentes de uma forma estática nos textos de
A
T Estatística.
Í
S
T 3 A FUNÇÃO GAMA E AS DISTRIBUIÇÕES t, F E χ²
I
C
A
UNIDADE 3 TÓPICO 3 181
A função gama é considerada uma extensão do fatorial para o domínio dos números
complexos, com exceção dos números inteiros negativos. Essa função é geralmente vista em
cursos avançados de cálculo, sendo definida por:
∞
Gama (x) = Γ(x) = ∫0 tx-1e -tdt
Γ(x+1) = x!
Γ(x+1) = x Γ(x)
Γ(1/2) = √π
P
R
O
B
A
B
I
L
I
D
A
D
E
E
Matematicamente a distribuição t de Student tem como único parâmetro o valor de k –
E
graus de liberdade – utilizando a função Gama tanto no seu numerador como no denominador, S
T
conforme segue: A
T
Í
S
T
I
C
A
182 TÓPICO 3 UNIDADE 3
x = 1, 2, 3, ... xϵℜ
Para qualquer valor inteiro e positivo de x a distribuição t assume uma forma muito
parecida com a curva normal-padrão (Z) sendo que a aproximação será tanto melhor quanto
maior for o valor de x. A Figura 2 apresenta a forma da distribuição de Student para alguns
valores de x.
x = 1, 2, 3, ... x ϵ [0; ∞)
P
R
O m, n = 1, 2, 3, ... x ϵ [0; ∞)
B
A
B
I
L
I Como pode ser observado, os três modelos possuem funções densidade de probabilidade
D
A de difícil manuseio para quase a totalidade dos alunos de graduação. Assim a planilha pode
D
E ser um ótimo recurso para que esses modelos possam ser visualizados e trabalhados de uma
E forma bem mais simples.
E
S
T
4 A PLANILHA COMO RECURSO PARA O MANUEIO DOS MODELOS
A
T
Í A manipulação desses modelos pela planilha bem como a construção de tabelas
S
T podem ser realizadas por alunos oriundos de diferentes cursos. Obviamente, quanto maior
I
C formação matemática e computacional o aluno tiver, mais detalhes dos algoritmos podem ser
A
tratados. De qualquer forma todos têm algo a ganhar com a abordagem computacional em
UNIDADE 3 TÓPICO 3 183
relação à leitura pura e simples das tabelas de um livro. Em geral os números, apresentados
nas tabelas, serão para a grande maioria dos alunos um completo mistério. Eles não sabem
e provavelmente nunca entenderão o significado dos valores lidos e, portanto, a interpretação
correta de qualquer resultado que dependa desses valores estará comprometida.
Se o aluno for oriundo das Ciências Exatas, então cálculos de probabilidade podem ser
realizados por meio de integrais. Se o aluno for das Ciências Sociais, Humanas ou Biomédicas
pode ser feita uma associação entre os valores da tabela e as áreas sob as curvas (distribuições).
Dessa forma os alunos teriam mais condições de entender conceitos como nível de significância
ou o motivo da rejeição de uma hipótese.
Com os modelos t, χ2 e F o usuário não teve a mesma sorte, pois a empresa colocou
apenas opções para o cálculo das áreas. Deve-se tomar cuidado nesses casos, pois existe
uma falta de padronização de comandos nas funções do Excel. Os valores fornecidos para
estas três distribuições não é a F(x), isto é, não é a área à esquerda de x, como ocorre com a
curva normal e a exponencial. Para a distribuição t, a planilha fornece a soma das áreas das
caudas, isto é, P(|T| > t). Assim deve-se tomar o cuidado de dividir o resultado por dois para
ter-se uma área unilateral, isto é, a F(t). Um outro resultado que pode causar problemas para o
usuário iniciante é o fato de a planilha não apresentar a integral ou área para valores negativos
da variável t. Não há nenhum motivo aparente por que esse caso foi apresentado dessa forma.
Uma especulação é de que o programador seguiu o formato das tabelas e, se ficar atento a
P
outras situações, pode-se quase ter certeza disso. Os retornos para o modelo χ2 também não R
O
seguiram o exponencial e o normal, aqui a planilha fornece a área à direita, isto é, 1 – F(x) ao B
A
invés da esperada F(x). O usuário, principalmente o iniciante, precisa tomar um cuidado maior, B
I
pois isso não fica claro nos procedimentos da função e nem a “ajuda” do recurso esclarece esse L
I
ponto. Para a distribuição F a planilha reserva a mesma opção da qui-quadrado fornecendo a D
A
área à direita. Aqui é reforçada a suspeita de que o programador do software tenha seguido D
as opções das tabelas dos livros textos para implementar essas opções já que o mais fácil e E
E
S
Mesmo com a falta de padronização das funções probabilísticas do Excel, o cálculo das T
A
áreas pode ser feito com algum cuidado. A representação gráfica desses modelos, entretanto, T
Í
não pode ser feita de forma simples e direta, mas, apesar da relativa dificuldade, é possível S
T
construí-las. I
C
A
184 TÓPICO 3 UNIDADE 3
Na Figura 2 pode-se observar que existem quatro argumentos. Na primeira linha rotulada
de “x” são passados os valores da variável que se quer obter a f(x) ou a F(x). Na segunda e
terceira linha são apresentados os parâmetros da função, no caso do modelo normal, esses
parâmetros são a média e o desvio padrão. A quarta e última é uma variável lógica que admite
apenas dois valores: “verdadeiro (1)” e “falso (0)”. Se quisermos calcular o valor da imagem da
P
R função no ponto x, então o parâmetro cumulativo (quarta linha) deve ser colocado como “falso”
O
B ou “zero”. Se, por outro lado, o desejado for a área, isto é, F(x) então o parâmetro “cumulativo”
A
B deve ser colocado como “verdadeiro” ou “um”. Tudo seria didaticamente perfeito se essa
I
L
metodologia fosse mantida para todas as funções. Como o ideal não existe, o que se observa
I é que para os três modelos sendo discutidos aqui a planilha não apresenta a quarta linha, isto
D
A é, estas funções não têm o parâmetro “cumulativo”. Para esses três casos só foi colocada a
D
E opção do cálculo da área. A Figura 3 mostra uma aplicação usando o modelo Normal.
E
E
S
T
A
T
Í
S
T
I
C
A
UNIDADE 3 TÓPICO 3 185
A Figura 4 mostra a janela de cálculo para o modelo χ2, ilustrando a falta do argumento
“cumulativo”. Assim nesse caso não é possível o uso dessa função para o cálculo da f(x) e,
portanto, para a determinação da forma do modelo. Felizmente para esse caso a janela da
distribuição Gama é semelhante a da normal, isto é, fornece o parâmetro cumulativo e como
consequência a possibilidade do cálculo de f(x).
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A Figura 5 ilustra a situação. Assim para determinar as formas gráficas do qui-quadrado, A
T
pode-se utilizar a distribuição fazendo o parâmetro gl = 2 e o parâmetro gl = n - 2, onde x é o Í
S
parâmetro desejado para o modelo χ2. T
I
C
A
186 TÓPICO 3 UNIDADE 3
Deve-se admitir que essa não é uma opção trivial e simples de ser implementada, mas
P as alternativas podem ser piores. Uma opção seria simplesmente não se mencionar o assunto e
R
O continuar fazendo o que é feito, mostrando um texto com a ilustração do modelo, recurso esse
B
A que parece não vem dando resultados animadores. Uma segunda opção seria tentar utilizar
B
I um software específico e com mais recursos como o Maple, Derive, Mathematica, MathLab,
L
I SPSS, Statistica, Minitab etc. Aqui se vai esbarrar no problema já mencionado anteriormente
D
A do pouco tempo para muito conteúdo, pois qualquer um desses pacotes exigirá muito mais
D
E
tempo e esforço do que uma planilha para que um usuário iniciante consiga alguns resultados
E
úteis ou satisfatórios. Além disso poucos ou talvez nenhum desses softwares farão parte do
futuro profissional do aluno uma vez que são raras as empresas que os utilizam.
E
S
T
A
T
Í
S
T
I
C
A
UNIDADE 3 TÓPICO 3 187
Como a planilha não fornece opções de cálculo direto para os valores da função
densidade do modelo F é, então, necessária a utilização direta da fórmula já apresentada para
esse modelo. Convém reconhecer que mesmo com o uso da planilha esse não é um caminho
de todo modo simples. No entanto, acredita-se que os efeitos colaterais advindos como a maior
familiaridade com o recurso e a habilidade de digitar e manusear algoritmos mais sofisticados
sejam compensatórios. O conhecimento um pouco mais aprofundado do recurso será uma P
R
vantagem competitiva do aluno quando ele se tornar profissional e, dependendo da área, essa O
B
habilidade poderá ser decisiva na conquista de uma posição melhor no mercado de trabalho. A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
188 TÓPICO 3 UNIDADE 3
5 CONCLUSÃO
Certamente a situação evoluiu sensivelmente de 1998 para 2007, mas isso não significa
que tudo foi resolvido. A planilha não é certamente o recurso perfeito, mas será que ele existe?
Concorda-se com Boyle em algumas críticas, mas não se acredita que seja mais necessário
muito esforço e tempo para se produzir saídas estatísticas satisfatórias. Por mais tempo e
esforço que a planilha exija, certamente qualquer outro pacote exigirá mais. Bittencourt e Viali
(2006) colocam que com planilha eletrônica o aluno é agente ativo do aprendizado e que, nesta
proposta, pode-se verificar que a participação dele vai bem além do que a simples leitura de
tabelas t, F e χ2.
REFERÊNCIAS
BOYLE, Robin George. PACE2000 - Stand alone software package and add-in for microsoft
excel designed for teaching statistics at introductory-intermediate level. ICOTS 5, Singapore,
p. 811-17, 1998.
DAVID, Herbert A. The history of statistics in the classroom. JOINT STATISTICAL MEETING. P
San Francisco, California. August, 2003. R
O
B
LEHMANN, E. L. Student and small-sample theory. Statistical Science, v. 14, n. 4, p. 418- A
426, 1999. B
I
L
UPTON, Graham; COOK, Ian. A dictionary of statistics. Oxford (NY): Oxford University Press, I
D
2002. A
D
E
VIALI , Lori; BITTENCOURT, Hélio Radke. As distribuições de probabilidade t, f e qui-quadrado:
teoria e prática com o uso da planilha. In: Anais do IX ENEM. Salvador: Sbem, 2008. Disponível E
em: <http://www.sbem.com.br/files/ix_enem/Html/comunicacaoCientifica.html>. Acesso em: 18 E
dez. 2011. S
T
A
FONTE: Disponível em: <http://www.sbem.com.br/files/ix_enem/Html/comunicacaoCientifica.html>. T
Acesso em: 24 jan. 2013. Í
S
T
I
C
A
190 TÓPICO 3 UNIDADE 3
RESUMO DO TÓPICO 3
• Dados pareados vêm da mesma amostra, só que são tomados antes e após uma dada
intervenção.
Quando o teste for para comparação de médias em dados pareados, o valor da variável
do teste (3º passo) é calculado pela fórmula: tcalc = .
Quando o teste for para comparação de médias em dados não pareados com variâncias
populacionais desconhecidas e iguais, o valor da variável do teste (3º passo) é dado pela
fórmula: tcalc = .
P
R
O
B
A Quando o teste for para comparação de médias em dados não pareados com variâncias
B
I populacionais desconhecidas e diferentes, o valor da variável do teste (3º passo) é dado pela
L
I fórmula: tcalc= .
D
A
D
E
Para verificar a igualdade de duas variâncias populacionais desconhecidas calculamos
o valor da variável do teste pela fórmula: .
E
E
S
T
A • O teste de independência serve para verificar se duas variáveis têm algum grau de
T
Í dependência.
S
T
I
C • Os passos para realizar o teste de independência são os mesmos dos outros testes, e a
A
fórmula usada para calcular o valor da variável do teste é:χ2calc = .
UNIDADE 3 TÓPICO 3 191
IDADE
ATIV
AUTO
Conte também com a Tutoria Interna do Curso de Matemática, que está disponível
por meio do 0800, contato e atendimento on-line. Bons estudos!
IAÇÃO
AVAL
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
194
REFERÊNCIAS
BARBETTA, P. A. Estatística aplicada às ciências sociais. 3. ed. Florianópolis: Ed. da UFSC, 1999.
BRASIL. Parâmetros Curriculares Nacionais - Ensino Médio (Parte III). Brasília: MEC, 2000.
Disponível em: <http://portal.mec.gov.br/seb/arquivos/pdf/ciencian.pdf>. Acesso em: 24 mar. 2012.
DASSIE, Bruno Alves et al. Curso de análise combinatória e probabilidade: aprendendo com a
resolução de problemas. Rio de Janeiro: Ciência Moderna, 2009.
FONSECA, Jairo S. da; MARTINS, Gilberto de A. Curso de estatística. 6. ed. São Paulo: Atlas,1996.
GUERRA, M. J.; DONAIRE, D. Estatística intuitiva. 5. ed. São Paulo: LTC, 1991.
IEZZI, Gelson; DOLCE, Osvaldo; DEGENSZAJN, David; PÉRIGO, Roberto; ALMEIDA, Nilze de.
Matemática ciência e aplicações. São Paulo: Atual, 2001. v. 2.
MACHADO, Antonio dos Santos. Matemática, temas e metas. São Paulo: Atual, 1986. v. 3.
MAGALHÃES, Marcos Nascimento; LIMA, Antônio Carlos Pedroso de. Noções de probabilidade e
estatística. 7. ed. São Paulo: Edusp, 2010.
MELLO, Margarida P.; SANTOS, José Plinio O. dos; MURARI, Idani T. C. Introdução à análise
P combinatória. 4. ed. Rio de Janeiro: Ciência Moderna, 2007.
R
O
B MEYER, Paul L. Probabilidade: aplicações à estatística. Rio de Janeiro: LCT, 2000.
A
B
I
MORETTIN, Luiz Gonzaga. Estatística básica: probabilidade e inferência. São Paulo: Pearson,
L 2010.
I
D MYERS, Raymond H.; WALPOLE, Ronald E. Probabilidade e estatística. São Paulo: Pearson
A
D Education, 2009.
E
SPIEGEL, Murray R. Probabilidade e estatística. São Paulo: Bookmann, 2004.
E
APÊNDICES
APÊNDICE A
Tabela Z (Normal Padrão)
P(Z<z)
z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319
1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767
2,0 0,9772 0,9778 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,9812 0,9817 P
2,1 0,9821 0,9826 0,9830 0,9834 0,9838 0,9842 0,9846 0,9850 0,9854 0,9857 R
O
2,2 0,9861 0,9864 0,9868 0,9871 0,9875 0,9878 0,9881 0,9884 0,9887 0,9890 B
2,3 0,9893 0,9896 0,9898 0,9901 0,9904 0,9906 0,9909 0,9911 0,9913 0,9916 A
B
2,4 0,9918 0,9920 0,9922 0,9925 0,9927 0,9929 0,9931 0,9932 0,9934 0,9936 I
2,5 0,9938 0,9940 0,9941 0,9943 0,9945 0,9946 0,9948 0,9949 0,9951 0,9952 L
I
2,6 0,9953 0,9955 0,9956 0,9957 0,9959 0,9960 0,9961 0,9962 0,9963 0,9964 D
2,7 0,9965 0,9966 0,9967 0,9968 0,9969 0,9970 0,9971 0,9972 0,9973 0,9974 A
D
2,8 0,9974 0,9975 0,9976 0,9977 0,9977 0,9978 0,9979 0,9979 0,9980 0,9981 E
2,9 0,9981 0,9982 0,9982 0,9983 0,9984 0,9984 0,9985 0,9985 0,9986 0,9986 E
3,0 0,9987 0,9987 0,9987 0,9988 0,9988 0,9989 0,9989 0,9989 0,9990 0,9990
E
3,1 0,9990 0,9991 0,9991 0,9991 0,9992 0,9992 0,9992 0,9992 0,9993 0,9993 S
3,2 0,9993 0,9993 0,9994 0,9994 0,9994 0,9994 0,9994 0,9995 0,9995 0,9995 T
A
3,3 0,9995 0,9995 0,9995 0,9996 0,9996 0,9996 0,9996 0,9996 0,9996 0,9997 T
3,4 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9998 Í
S
3,5 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 T
3,6 0,9998 0,9998 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 I
C
3,7 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 A
196 APÊNDICE
APÊNDICE B
Distribuição Qui-Quadrado
P(χ2(n-1) ≥ χ2tab) = α
APÊNDICE C
Distribuição t-Student
P(t(n-1) ≥ ttab) = α
E
S
T
A
T
Í
S
T
I
C
A
I
Í
I
I
L
T
T
T
A
S
A
S
E
E
E
A
B
A
B
P
C
D
D
R
O
198
gl1
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 20 25 30 40 120 ∞
gl2
1 4052,18 4999,34 5403,53 5624,26 5763,96 5858,95 5928,33 5980,95 6022,40 6055,93 6083,40 6106,68 6125,77 6143,00 6156,97 6208,66 6239,86 6260,35 6286,43 6339,51 6365,59
2 98,5019 99,0003 99,1640 99,2513 99,3023 99,3314 99,3568 99,3750 99,3896 99,3969 99,4078 99,4187 99,4223 99,4260 99,4332 99,4478 99,4587 99,4660 99,4769 99,4914 99,4987
3 34,1161 30,8164 29,4567 28,7100 28,2371 27,9106 27,6714 27,4895 27,3449 27,2285 27,1320 27,0520 26,9829 26,9238 26,8719 26,6900 26,5791 26,5045 26,4108 26,2207 26,1252
4 21,1976 17,9998 16,6942 15,9771 15,5219 15,2068 14,9757 14,7988 14,6592 14,5460 14,4523 14,3737 14,3064 14,2486 14,1981 14,0194 13,9107 13,8375 13,7452 13,5583 13,4633
5 16,2581 13,2741 12,0599 11,3919 10,9671 10,6722 10,4556 10,2893 10,1577 10,0511 9,9626 9,8883 9,8248 9,7700 9,7223 9,5527 9,4492 9,3794 9,2912 9,1118 9,0204
6 13,7452 10,9249 9,7796 9,1484 8,7459 8,4660 8,2600 8,1017 7,9760 7,8742 7,7896 7,7183 7,6575 7,6050 7,5590 7,3958 7,2960 7,2286 7,1432 6,9690 6,8800
7 12,2463 9,5465 8,4513 7,8467 7,4604 7,1914 6,9929 6,8401 6,7188 6,6201 6,5381 6,4691 6,4100 6,3590 6,3144 6,1555 6,0579 5,9920 5,9084 5,7373 5,6496
8 11,2586 8,6491 7,5910 7,0061 6,6318 6,3707 6,1776 6,0288 5,9106 5,8143 5,7343 5,6667 5,6089 5,5588 5,5152 5,3591 5,2631 5,1981 5,1156 4,9461 4,8588
9 10,5615 8,0215 6,9920 6,4221 6,0569 5,8018 5,6128 5,4671 5,3511 5,2565 5,1779 5,1115 5,0545 5,0052 4,9621 4,8080 4,7130 4,6486 4,5667 4,3977 4,3106
10 10,0442 7,5595 6,5523 5,9944 5,6364 5,3858 5,2001 5,0567 4,9424 4,8491 4,7716 4,7058 4,6496 4,6008 4,5582 4,4054 4,3111 4,2469 4,1653 3,9965 3,9090
11 9,6461 7,2057 6,2167 5,6683 5,3160 5,0692 4,8860 4,7445 4,6315 4,5393 4,4624 4,3974 4,3416 4,2933 4,2509 4,0990 4,0051 3,9411 3,8596 3,6904 3,6025
12 9,3303 6,9266 5,9525 5,4119 5,0644 4,8205 4,6395 4,4994 4,3875 4,2961 4,2198 4,1553 4,0998 4,0517 4,0096 3,8584 3,7647 3,7008 3,6192 3,4494 3,3608
13 9,0738 6,7009 5,7394 5,2053 4,8616 4,6203 4,4410 4,3021 4,1911 4,1003 4,0245 3,9603 3,9052 3,8573 3,8154 3,6646 3,5710 3,5070 3,4253 3,2547 3,1654
Distribuição F
APÊNDICE d
APÊNDICE
14 8,8617 6,5149 5,5639 5,0354 4,6950 4,4558 4,2779 4,1400 4,0297 3,9394 3,8640 3,8002 3,7452 3,6976 3,6557 3,5052 3,4116 3,3476 3,2657 3,0942 3,0040
15 8,6832 6,3588 5,4170 4,8932 4,5556 4,3183 4,1416 4,0044 3,8948 3,8049 3,7299 3,6662 3,6115 3,5639 3,5222 3,3719 3,2782 3,2141 3,1319 2,9594 2,8684
P(Fgl1; gl2 ≥ Ftab) = 0,01
16 8,5309 6,2263 5,2922 4,7726 4,4374 4,2016 4,0259 3,8896 3,7804 3,6909 3,6162 3,5527 3,4981 3,4506 3,4090 3,2587 3,1650 3,1007 3,0182 2,8447 2,7528
17 8,3998 6,1121 5,1850 4,6689 4,3360 4,1015 3,9267 3,7909 3,6823 3,5931 3,5185 3,4552 3,4007 3,3533 3,3117 3,1615 3,0676 3,0032 2,9204 2,7458 2,6530
18 8,2855 6,0129 5,0919 4,5790 4,2479 4,0146 3,8406 3,7054 3,5971 3,5081 3,4338 3,3706 3,3162 3,2689 3,2273 3,0771 2,9831 2,9185 2,8354 2,6597 2,5660
19 8,1850 5,9259 5,0103 4,5002 4,1708 3,9386 3,7653 3,6305 3,5225 3,4338 3,3596 3,2965 3,2422 3,1949 3,1533 3,0031 2,9089 2,8442 2,7608 2,5839 2,4893
20 8,0960 5,8490 4,9382 4,4307 4,1027 3,8714 3,6987 3,5644 3,4567 3,3682 3,2941 3,2311 3,1769 3,1296 3,0880 2,9377 2,8434 2,7785 2,6947 2,5168 2,4212
25 7,7698 5,5680 4,6755 4,1774 3,8550 3,6272 3,4568 3,3239 3,2172 3,1294 3,0558 2,9931 2,9389 2,8917 2,8502 2,6993 2,6041 2,5383 2,4530 2,2696 2,1694
30 7,5624 5,3903 4,5097 4,0179 3,6990 3,4735 3,3045 3,1726 3,0665 2,9791 2,9057 2,8431 2,7890 2,7418 2,7002 2,5487 2,4526 2,3860 2,2992 2,1108 2,0062
40 7,3142 5,1785 4,3126 3,8283 3,5138 3,2910 3,1238 2,9930 2,8876 2,8005 2,7273 2,6648 2,6107 2,5634 2,5216 2,3689 2,2714 2,2034 2,1142 1,9172 1,8047
60 7,0771 4,9774 4,1259 3,6491 3,3389 3,1187 2,9530 2,8233 2,7185 2,6318 2,5587 2,4961 2,4419 2,3943 2,3523 2,1978 2,0984 2,0285 1,9360 1,7263 1,6006
120 6,8509 4,7865 3,9491 3,4795 3,1735 2,9559 2,7918 2,6629 2,5586 2,4721 2,3990 2,3363 2,2818 2,2339 2,1915 2,0346 1,9325 1,8600 1,7628 1,5330 1,3805
∞ 6,6349 4,6052 3,7816 3,3192 3,0172 2,8020 2,6393 2,5113 2,4073 2,3209 2,2477 2,1847 2,1299 2,0815 2,0385 1,8783 1,7726 1,6964 1,5923 1,3246 1,0000
gl1
gl2 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 20 25 30 40 120 ∞
1 647,789 799,500 864,163 899,583 921,848 937,111 948,217 956,656 963,285 968,627 973,025 976,708 979,837 982,528 984,867 993,103 998,081 1001,41 1005,60 1014,02 1018,26
2 38,5063 39,0000 39,1655 39,2484 39,2982 39,3315 39,3552 39,3730 39,3869 39,3980 39,4071 39,4146 39,4210 39,4265 39,4313 39,4479 39,4579 39,4646 39,4729 39,4896 39,4979
3 17,4434 16,0441 15,4392 15,1010 14,8848 14,7347 14,6244 14,5399 14,4731 14,4189 14,3742 14,3366 14,3045 14,2768 14,2527 14,1674 14,1155 14,0805 14,0365 13,9473 13,9021
4 12,2179 10,6491 9,9792 9,6045 9,3645 9,1973 9,0741 8,9796 8,9047 8,8439 8,7935 8,7512 8,7150 8,6838 8,6565 8,5599 8,5010 8,4613 8,4111 8,3092 8,2573
5 10,0070 8,4336 7,7636 7,3879 7,1464 6,9777 6,8531 6,7572 6,6811 6,6192 6,5678 6,5245 6,4876 6,4556 6,4277 6,3286 6,2679 6,2269 6,1750 6,0693 6,0153
6 8,8131 7,2599 6,5988 6,2272 5,9876 5,8198 5,6955 5,5996 5,5234 5,4613 5,4098 5,3662 5,3290 5,2968 5,2687 5,1684 5,1069 5,0652 5,0125 4,9044 4,8491
7 8,0727 6,5415 5,8898 5,5226 5,2852 5,1186 4,9949 4,8993 4,8232 4,7611 4,7095 4,6658 4,6285 4,5961 4,5678 4,4667 4,4045 4,3624 4,3089 4,1989 4,1423
8 7,5709 6,0595 5,4160 5,0526 4,8173 4,6517 4,5286 4,4333 4,3572 4,2951 4,2434 4,1997 4,1622 4,1297 4,1012 3,9995 3,9367 3,8940 3,8398 3,7279 3,6702
9 7,2093 5,7147 5,0781 4,7181 4,4844 4,3197 4,1970 4,1020 4,0260 3,9639 3,9121 3,8682 3,8306 3,7980 3,7694 3,6669 3,6035 3,5604 3,5055 3,3918 3,3329
10 6,9367 5,4564 4,8256 4,4683 4,2361 4,0721 3,9498 3,8549 3,7790 3,7168 3,6649 3,6209 3,5832 3,5504 3,5217 3,4185 3,3546 3,3110 3,2554 3,1399 3,0798
11 6,7241 5,2559 4,6300 4,2751 4,0440 3,8807 3,7586 3,6638 3,5879 3,5257 3,4737 3,4296 3,3917 3,3588 3,3299 3,2261 3,1616 3,1176 3,0613 2,9441 2,8828
12 6,5538 5,0959 4,4742 4,1212 3,8911 3,7283 3,6065 3,5118 3,4358 3,3736 3,3215 3,2773 3,2393 3,2062 3,1772 3,0728 3,0077 2,9633 2,9063 2,7874 2,7249
2,8821 2,8372 2,7797 2,6590 2,5955
Distribuição F
13 6,4143 4,9653 4,3472 3,9959 3,7667 3,6043 3,4827 3,3880 3,3120 3,2497
14 6,2979 4,8567 4,2417 3,8919 3,6634 3,5014 3,3799 3,2853 3,2093 3,1469 3,0946 3,0502 3,0119 2,9786 2,9493 2,8437 2,7777 2,7324 2,6742 2,5519 2,4872
P(Fgl1; gl2 ≥ Ftab) = 0,025
15 6,1995 4,7650 4,1528 3,8043 3,5764 3,4147 3,2934 3,1987 3,1227 3,0602 3,0078 2,9633 2,9249 2,8915 2,8621 2,7559 2,6894 2,6437 2,5850 2,4611 2,3953
16 6,1151 4,6867 4,0768 3,7294 3,5021 3,3406 3,2194 3,1248 3,0488 2,9862 2,9337 2,8890 2,8506 2,8170 2,7875 2,6808 2,6138 2,5678 2,5085 2,3831 2,3163
17 6,0420 4,6189 4,0112 3,6648 3,4379 3,2767 3,1556 3,0610 2,9849 2,9222 2,8696 2,8249 2,7863 2,7526 2,7230 2,6158 2,5484 2,5020 2,4422 2,3153 2,2474
18 5,9781 4,5597 3,9539 3,6083 3,3820 3,2209 3,0999 3,0053 2,9291 2,8664 2,8137 2,7689 2,7302 2,6964 2,6667 2,5590 2,4912 2,4445 2,3842 2,2558 2,1869
19 5,9216 4,5075 3,9034 3,5587 3,3327 3,1718 3,0509 2,9563 2,8801 2,8172 2,7645 2,7196 2,6808 2,6469 2,6171 2,5089 2,4408 2,3937 2,3329 2,2032 2,1333
20 5,8715 4,4613 3,8587 3,5147 3,2891 3,1283 3,0074 2,9128 2,8365 2,7737 2,7209 2,6758 2,6369 2,6030 2,5731 2,4645 2,3959 2,3486 2,2873 2,1562 2,0853
25 5,6864 4,2909 3,6943 3,3530 3,1287 2,9685 2,8478 2,7531 2,6766 2,6135 2,5603 2,5149 2,4756 2,4413 2,4110 2,3005 2,2303 2,1816 2,1183 1,9811 1,9055
30 5,5675 4,1821 3,5894 3,2499 3,0265 2,8667 2,7460 2,6513 2,5746 2,5112 2,4577 2,4120 2,3724 2,3378 2,3072 2,1952 2,1237 2,0739 2,0089 1,8664 1,7867
40 5,4239 4,0510 3,4633 3,1261 2,9037 2,7444 2,6238 2,5289 2,4519 2,3882 2,3343 2,2882 2,2481 2,2130 2,1819 2,0677 1,9943 1,9429 1,8752 1,7242 1,6371
60 5,2856 3,9253 3,3425 3,0077 2,7863 2,6274 2,5068 2,4117 2,3344 2,2702 2,2159 2,1692 2,1286 2,0929 2,0613 1,9445 1,8687 1,8152 1,7440 1,5810 1,4821
120 5,1523 3,8046 3,2269 2,8943 2,6740 2,5154 2,3948 2,2994 2,2217 2,1570 2,1021 2,0548 2,0136 1,9773 1,9450 1,8249 1,7462 1,6899 1,6141 1,4327 1,3104
199
∞ 5,0239 3,6889 3,1161 2,7858 2,5665 2,4082 2,2875 2,1918 2,1136 2,0483 1,9927 1,9447 1,9027 1,8656 1,8326 1,7085 1,6259 1,5660 1,4835 1,2684 1,0000
I
Í
I
I
L
T
T
T
B
A
B
A
S
A
S
E
E
E
A
P
C
D
D
R
O
I
Í
I
I
L
T
T
T
S
A
S
E
E
E
A
B
A
B
A
P
C
D
D
R
O
200
gl1
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 20 25 30 40 120 ∞
gl2
1 161,446 199,499 215,707 224,583 230,160 233,988 236,767 238,884 240,543 241,882 242,981 243,905 244,690 245,363 245,949 248,016 249,260 250,096 251,144 253,254 254,317
2 18,5128 19,0000 19,1642 19,2467 19,2963 19,3295 19,3531 19,3709 19,3847 19,3959 19,4050 19,4125 19,4188 19,4243 19,4291 19,4457 19,4557 19,4625 19,4707 19,4873 19,4957
3 10,1280 9,5521 9,2766 9,1172 9,0134 8,9407 8,8867 8,8452 8,8123 8,7855 8,7633 8,7447 8,7286 8,7149 8,7028 8,6602 8,6341 8,6166 8,5944 8,5494 8,5265
4 7,7086 6,9443 6,5914 6,3882 6,2561 6,1631 6,0942 6,0410 5,9988 5,9644 5,9358 5,9117 5,8911 5,8733 5,8578 5,8025 5,7687 5,7459 5,7170 5,6581 5,6281
5 6,6079 5,7861 5,4094 5,1922 5,0503 4,9503 4,8759 4,8183 4,7725 4,7351 4,7040 4,6777 4,6552 4,6358 4,6188 4,5581 4,5209 4,4957 4,4638 4,3985 4,3650
6 5,9874 5,1432 4,7571 4,5337 4,3874 4,2839 4,2067 4,1468 4,0990 4,0600 4,0274 3,9999 3,9764 3,9559 3,9381 3,8742 3,8348 3,8082 3,7743 3,7047 3,6689
7 5,5915 4,7374 4,3468 4,1203 3,9715 3,8660 3,7871 3,7257 3,6767 3,6365 3,6030 3,5747 3,5503 3,5292 3,5107 3,4445 3,4036 3,3758 3,3404 3,2674 3,2298
8 5,3176 4,4590 4,0662 3,8379 3,6875 3,5806 3,5005 3,4381 3,3881 3,3472 3,3129 3,2839 3,2590 3,2374 3,2184 3,1503 3,1081 3,0794 3,0428 2,9669 2,9276
9 5,1174 4,2565 3,8625 3,6331 3,4817 3,3738 3,2927 3,2296 3,1789 3,1373 3,1025 3,0729 3,0475 3,0255 3,0061 2,9365 2,8932 2,8637 2,8259 2,7475 2,7067
10 4,9646 4,1028 3,7083 3,4780 3,3258 3,2172 3,1355 3,0717 3,0204 2,9782 2,9430 2,9130 2,8872 2,8647 2,8450 2,7740 2,7298 2,6996 2,6609 2,5801 2,5379
11 4,8443 3,9823 3,5874 3,3567 3,2039 3,0946 3,0123 2,9480 2,8962 2,8536 2,8179 2,7876 2,7614 2,7386 2,7186 2,6464 2,6014 2,5705 2,5309 2,4480 2,4045
12 4,7472 3,8853 3,4903 3,2592 3,1059 2,9961 2,9134 2,8486 2,7964 2,7534 2,7173 2,6866 2,6602 2,6371 2,6169 2,5436 2,4977 2,4663 2,4259 2,3410 2,2962
13 4,6672 3,8056 3,4105 3,1791 3,0254 2,9153 2,8321 2,7669 2,7144 2,6710 2,6346 2,6037 2,5769 2,5536 2,5331 2,4589 2,4123 2,3803 2,3392 2,2524 2,2064
Distribuição F
APÊNDICE
14 4,6001 3,7389 3,3439 3,1122 2,9582 2,8477 2,7642 2,6987 2,6458 2,6022 2,5655 2,5342 2,5073 2,4837 2,4630 2,3879 2,3407 2,3082 2,2663 2,1778 2,1307
15 4,5431 3,6823 3,2874 3,0556 2,9013 2,7905 2,7066 2,6408 2,5876 2,5437 2,5068 2,4753 2,4481 2,4244 2,4034 2,3275 2,2797 2,2468 2,2043 2,1141 2,0658
P(Fgl1; gl2 ≥ Ftab) = 0,05
16 4,4940 3,6337 3,2389 3,0069 2,8524 2,7413 2,6572 2,5911 2,5377 2,4935 2,4564 2,4247 2,3973 2,3733 2,3522 2,2756 2,2272 2,1938 2,1507 2,0589 2,0096
17 4,4513 3,5915 3,1968 2,9647 2,8100 2,6987 2,6143 2,5480 2,4943 2,4499 2,4126 2,3807 2,3531 2,3290 2,3077 2,2304 2,1815 2,1477 2,1040 2,0107 1,9604
18 4,4139 3,5546 3,1599 2,9277 2,7729 2,6613 2,5767 2,5102 2,4563 2,4117 2,3742 2,3421 2,3143 2,2900 2,2686 2,1906 2,1413 2,1071 2,0629 1,9681 1,9168
19 4,3808 3,5219 3,1274 2,8951 2,7401 2,6283 2,5435 2,4768 2,4227 2,3779 2,3402 2,3080 2,2800 2,2556 2,2341 2,1555 2,1057 2,0712 2,0264 1,9302 1,8780
20 4,3513 3,4928 3,0984 2,8661 2,7109 2,5990 2,5140 2,4471 2,3928 2,3479 2,3100 2,2776 2,2495 2,2250 2,2033 2,1242 2,0739 2,0391 1,9938 1,8963 1,8432
25 4,2417 3,3852 2,9912 2,7587 2,6030 2,4904 2,4047 2,3371 2,2821 2,2365 2,1979 2,1649 2,1362 2,1111 2,0889 2,0075 1,9554 1,9192 1,8718 1,7684 1,7110
30 4,1709 3,3158 2,9223 2,6896 2,5336 2,4205 2,3343 2,2662 2,2107 2,1646 2,1256 2,0921 2,0630 2,0374 2,0148 1,9317 1,8782 1,8409 1,7918 1,6835 1,6223
40 4,0847 3,2317 2,8387 2,6060 2,4495 2,3359 2,2490 2,1802 2,1240 2,0773 2,0376 2,0035 1,9738 1,9476 1,9245 1,8389 1,7835 1,7444 1,6928 1,5766 1,5089
60 4,0012 3,1504 2,7581 2,5252 2,3683 2,2541 2,1665 2,0970 2,0401 1,9926 1,9522 1,9174 1,8870 1,8602 1,8364 1,7480 1,6902 1,6491 1,5943 1,4673 1,3893
120 3,9201 3,0718 2,6802 2,4472 2,2899 2,1750 2,0868 2,0164 1,9588 1,9105 1,8693 1,8337 1,8026 1,7750 1,7505 1,6587 1,5980 1,5543 1,4952 1,3519 1,2539
∞ 3,8414 2,9957 2,6049 2,3719 2,2141 2,0986 2,0096 1,9384 1,8799 1,8307 1,7886 1,7522 1,7202 1,6918 1,6664 1,5705 1,5061 1,4591 1,3940 1,2214 1,0000