Apostila MAT02219 Parte1

Aula 1 a 10 Profa.
Liane MAT02219

A estatstica uma cincia rica em ferramentas para a tomada de deciso, aplicvel
em qualquer ramo do conhecimento que trabalhe com dados experimentais. O seu uso de
grande importncia e muito difundido nos ltimos tempos.

1. Conceitos Bsicos de Estatstica

*ESTATSTICA: a cincia que compreende a coleta, a organizao, anlise e interpretao
de dados. Pode ser dividida em duas grandes reas:

* Estatstica Descritiva: Esta rea se interessa em descrever dados
geralmente associados a contagens e grficos, a informao contm os dados. A idia
remover os detalhes estranhos e focar a caractersticas de interesse. Onde esto os valores
centrais? Como os valores se estendem? Que forma tem a distribuio dos valores? Existe
alguma mudana nos valores com o passar do tempo? O objetivo da estatstica descritiva
providenciar respostas para este tipo de perguntas.

* Estatstica Inferencial: o ramo da Estatstica que se preocupa em obter
concluses sobre o todo a partir de parte deste todo, isto , tomar decises com base nos
dados colhidos de uma amostra. Como o processo de induo no exato, fica-se sujeito a
um grau de incerteza. A Estatstica Inferencial ir dizer at que ponto pode-se estar errando
em nossas indues, e com que probabilidade.

*POPULAO: Conjunto de elementos que possui alguma caracterstica em comum.
Pode ser finito (quando se conhece o nmero total de elementos) ou infinito.

*AMOSTRA: um subconjunto da populao, isto , uma parte da populao retirada
segundo alguns critrios estatsticos.

* RECENSEAMENTO: o estudo estatstico realizado em toda a populao.

* CENSO: o resultado do recenseamento.

* AMOSTRAGEM: o processo de obteno de uma amostra, so tcnicas, planos a fim de
tornar representativa a amostra extrada da populao.

*PARMETRO: uma medida caracterstica de uma populao.

Exemplo: Temos por populao todos os veculos da marca W em Porto
Alegre, sendo que podemos compor uma amostra dos veculos que so txis dessa marca e
podemos estar interessados em estudar a idade mdia (parmetro) dos veculos dessa marca.

Aula 1 a 10 Profa. Liane MAT02219

*VARIVEIS: a caracterstica de interesse de uma populao escolhida de acordo com o
estudo.
Exemplo: Idade dos veculos da frota de Porto Alegre.

*Variveis Qualitativas: Expressam uma qualidade, podem ser chamada de
ATRIBUTO, subdividem-se em:

NOMINAIS: Fornecem categorias ou nomes a alguma varivel.
Exemplo: Sexo, estado civil, profisso.

ORDINAIS: As categorias de uma varivel so ordenadas de acordo
com a intensidade do fenmeno. Exemplo: classe social, grau de instruo.

*Variveis Quantitativas: Expressam uma quantidade, subdividem-se em:

DISCRETAS: Podem ter valores observados somente em pontos
isolados ao longo de uma escala. Exemplo: n
o
de pessoas, n
o
carros fabricados por dia.

CONTNUAS: Podem assumir qualquer valor ao longo de uma
escala. Exemplo: Altura, idade, velocidade.

2. Descrio dos Dados

Um conjunto de nmeros pode reduzir-se a algumas medidas numricas que
resumem os dados. Quando analisamos um conjunto de dados necessrio encontrar um
ponto que represente a localizao dos dados (medidas de tendncia central) e estudar a
disperso deste grupo (medidas de variabilidade).

2.1. Medidas de tendncia central
So valores que geralmente se localizam em torno do meio ou do centro de uma
distribuio, onde a maior parte dos dados est concentrada.


*Mdia Aritmtica: o ponto de equilbrio dos dados, dada pela soma de
todos os elementos divido pelo nmero de parcelas.
=
=
i
i
N
x
N
1
(mdia da populao)

Exemplo: Ao montar um determinado sistema de hardware, seu idealizador observa o
tempo que leva para executar o sistema construdo. Os dez tempos observados em segundos
foram:
50 s 51 s 49 s 52 s 51 s 49 s 50 s 51 s 49 s 48 s

Ento: T
X
s
i
i
= =
=1
10
500 => = 50 s

Propriedades da Mdia Aritmtica :
1) (X k) = (X) k

2) (k.X) = (X).k e (X/k) = (X)/k para k0

3) (X Y) = (X) (Y)

4) (X .Y) = (X) . (Y) se X e Y so independentes.

*Mediana: a medida estatstica de tendncia Central que divide a
distribuio dos dados ordenados em duas partes de igual freqncia, de forma que 50% das
observaes a antecedem.

No exemplo: Ordenamos os dados: 48 49 49 49 50 50 51 51 51 52

Calculamos a Posio da mediana dada por: P = N+1 / 2
P =
10 1
2
+
= 5,5

A mediana se encontra entre o 5
o
e o 6
o
elemento
Md
x x
=
+ 5 6
2
=
50 50
2
50
+
= s

Caso N seja mpar a mediana ser o elemento posicionado em P = N +1 / 2.

*Moda: o valor que ocorre com maior freqncia. Pode-se classificar as
distribuies de acordo com o nmero de modas, conforme segue:
uma moda = unimodal;
duas modas = bimodal;
vrias modas = multimodal.
sem moda = amodal
No exemplo: O conjunto bimodal: 49 s e 51 s.

2.2 Medidas de variabilidade
Um aspecto fundamental da natureza o fato que os objetos fsicos no se repetem
com preciso, pelo contrrio so caracterizados por certa diferena entre os elementos, a
variabilidade.

Exemplo: A especificao de atuao de fornos de uma empresa 810
o
C. Suponha que se
deseja comparar o desempenho de dois fornos, com base nas temperaturas registradas em
lotes sucessivos de fabricao:

Forno A: 800, 810, 790, 800, 800 =>
A
= 800
o
C

Forno B: 700, 900, 800, 720, 930 =>
B
= 810
o
C

Baseados nestes nicos resultados obtidos, diramos que o desempenho de B
melhor do que de A, j que B mantm, em mdia, na temperatura especificada. No entanto,
se formos um pouco cuidadosos, percebemos que a temperatura de A varia de 790 a 810
o
C,
ao passo que a de B varia de 700 a 930
o
C, o que indica que o desempenho de A bem mais
uniforme do que de B. Por isto importante sempre avaliar uma medida de variabilidade,
junto a uma medida de tendncia central.

*Amplitude: a medida estatstica de variabilidade ou disperso mais
simples, definida pela diferena entre o maior e o menor valor.

H = Xmx - Xmn

No exemplo: Para o forno A tem-se: H = 810 - 790 = 20
o
C

*Varincia: uma medida estatstica que leva em considerao todas as
informaes do conjunto em anlise, fazendo uso da soma de quadrados dos desvios em
torno de . Denotada pelo smbolo
2
(na populao).

2
2
1

=

=
( )
i
i
N
X
N
(frmula conceitual)
2
2
1 2
=
i
i
N
X
N
(frmula operacional)
No exemplo: O forno B tem varincia

2
=
2 2 2 2 2
700 810 900 810 800 810 720 810 930 810
5
( ) ( ) ( ) ( ) ( ) + + + +
= 95,52
o
C
2

OBS: Aqui a unidade de medida ao quadrado.

Propriedades da varincia
2
:
1)
2
(X k) =
2
(X)

2)
2
(k.X) =
2
k
2
e
2
(X/k) =
2
(X)/ k
2
para k0

3)
2
(X Y) =
2
(X)
2
(Y)

*Desvio Padro: Para resolver o problema da unidade de medida utiliza-se
outra medida estatstica que consiste em extrair a raiz quadrada da varincia. Denotado pelo
smbolo (na populao).

=

=
2
1
( )
i
i
N
X
N
(frmula conceitual) ou =

=
2
1
2
i
i
N
X
N

No exemplo: O forno B tem desvio padro:

=
2
= 95 52 , = 9,77
o
C

*Coeficiente de Variao: uma medida relativa de concentrao dos dados
em torno da mdia para a comparao de grupos distintos com mdias diferentes ou
unidades diferentes. Quanto menor o coeficiente de variao, mais homogneo ser o grupo
de dados.

=

No exemplo: Forno A: = 6,32 / 800 = 0,0079

Forno B: = 9,77 / 810 = 0,1142

2.3. Outra medida

* PROPORO: a frao ou percentagem de itens de determinado grupo ou
classe em relao ao total observado.

N
X
=

onde X o nmero de itens com certa caracterstica e N o nmero total de observaes.

Exemplo: Em uma amostra de 40 esferas metlicas, 10 so defeituosas, desta forma a
proporo de esferas defeituosas 10/40 = 0,25 ou 25%.

2.4. Exerccios

1) Calcule e interprete a mdia e o desvio padro do tempo, em min, para que reaes
qumicas sejam concludas:
1 3 4 3 4 2 4 2 1 2 2 1 0

2) Os dados abaixo representam as temperaturas de duas mquinas. Qual a mquina que
tem temperaturas mais homogneas?

mquina A: 23 25 24 28 21
mquina B: 32 29 27 32 26

3) O desvio-padro pode ser zero? Explique.
O desvio-padro pode ser negativo? Explique.

4) Numa indstria de produtos alimentcios, um determinado material acondicionado em
pacotes numa mquina automtica. A mquina de empacota est regulada para pesar em
mdia 200 gramas de material, porm, dado o grau de preciso da mquina, o peso real
obtido se distribui em torno dessa mdia com um desvio padro de 3 gramas. Supondo que
a embalagem tem um peso constante de 25 gramas, qual a mdia e o desvio padro do
peso bruto do pacote?

5) Cite 3 variveis qualitativas e 3 quantitativas. Classifique quanto a subclasse.

3. Distribuio de Freqncias

Representam as sries de dados onde o tempo, o espao e a espcie do fenmeno
permanecem constantes e as variaes do fenmeno so agrupadas em subintervalos ou
pontos dos dados observados. So dividas em:

3.1 Distribuio de freqncias por ponto
uma tabela que contm para cada valor observado o nmero de vezes que ele ocorre
(freqncia).

Exemplo: Em uma empresa com foi realizado um estudo sobre o tempo de falha, em horas,
de determinado componente eletrnico.

Suponha que os valores observados tenham sido:3, 2, 2, 0, 2, 1, 4, 0, 1, 1, 2, 3, 2, 2, 1, 0, 2,
2, 1, 2

Agrupando numa tabela de distribuio de freqncias por ponto , temos:
Classe de
ndice i
Tempo da
falha
f
i
f
ri
F
i
F
r i

1 0 3 3/20=0,15 3 0,15
2 1 5 5/20=0,25 8 0,40
3 2 9 9/20=0,45 17 0,85
4 3 2 2/20=0,10 19 0,95
5 4 1 1/20=0,05 20 1,00
Total - 20 1,0 - -

Sendo que:
1. Freqncia Absoluta (f
i
) - o nmero de observaes ocorridas na classe i.
2. Freqncia Acumulada (F
i
) - a soma das freqncias absolutas at a classe i.
3. Freqncia Relativa (f
ri
) - a freqncia absoluta da classe i em relao ao total
observado.
4.Freqncia Relativa Acumulada (F
ri
) - a soma das freqncias relativas at a classe i.

3.2 Distribuio de freqncias por intervalo

uma tabela que contm divises da varivel em estudo (intervalos) onde observado o
nmero de vezes que ocorrem os valores contidos nesses intervalos (freqncia).

Exemplo: A voltagem de um conjunto de 40 baterias foram observadas.
15 45 21 28 47 30 39 22 36 34
25 35 42 26 29 30 27 23 49 43
31 40 18 46 39 17 22 41 35 27
38 48 35 32 24 20 44 34 28 17
Agrupando os dados em uma tabela de distribuio de freqncias, tem-se:

voltagem f
i

15 |- 20 4
20 |- 25 6
25 |- 30 7
30 |- 35 6
35 |- 40 7
40 |- 45 5
45 |- 50 5
total 40

*Uma maneira de como montar a tabela

1) Encontrar o maior valor dado observado e o menor valor observado.
Xmx = 49 Xmn = 15

2) Calcular a amplitude total H
H = Xmx - Xmn = 49 -15 = 34

3) Calcular o nmero de classes k
k = N (valor aproximado)
k = 40 = 6,32 7 teremos ento 7 classes

4) Calcular a amplitude das classes h
h = H / k
h = 34 / 7 = 4,85 5 , isto amplitude de 5 volts.

5) Estabelecer os limites de classes

Onde: l
i
= limite inferior da classe i
L
i
= limite superior da classe i

1 classe: Pode-se estabelecer o valor mnimo observado com o limite inferior da classe ou
um valor inferior que melhor represente os dados.

l
1
= 15 somando a amplitude h, tem-se o limite superior da classe
L
1
= 15 + 5 =20

2 classe: l
2
= 20
L
2
= 20 + 5 = 25

e assim sucessivamente ...

classe i voltagem f
i
f
ri
F
i
F
r i
Pto
mdio
1 15 |- 20 4 0,100 4 0,100 17,5
2 20 |- 25 6 0,150 10 0,250 22,5
3 25 |- 30 7 0,175 17 0,425 27,5
4 30 |- 35 6 0,150 23 0,575 32,5
5 35 |- 40 7 0,175 30 0,750 37,5
6 40 |- 45 5 0,125 35 0,875 42,5
7 45 |- 50 5 0,125 40 1,000 47,5
total 40 1,000 - -

Sendo que: Ponto mdio o valor que representa a classe
Ponto mdio = (l
i
+ L
i
) /2
Ponto mdio da 1 classe = (15+20)/2 = 17,5

Interpretao: f
6
= 5 => 5 baterias tem entre 40 e menos de 45 volts
F
2
= 10 => 10 baterias tm de 15 a menos de 25 volts
f
r5
= 0,175 => 17,5 % das baterias tem entre 35 e menos de 40 volts
F
r3
= 0,425 => 42,5% das baterias tem de 15 a menos de 30 volts

4. Medidas de tendncia central e variabilidade para distribuies de
frequncias

* Mdia aritmtica: Os valores so multiplicados por suas respectivas freqncias e
para dados agrupados em distribuies de freqncia por intervalos, x
i
so representados
pelos pontos mdios dos intervalos correspondentes.

=
f
i
x
i
N
onde N = f
i

Como exemplo tem-se a fora de tenso (em kgf/cm
2
) observada sobre 70 suportes
metlicos

classe i

tenso f
i
(quant. de suportes)
Ponto
mdio (x
i
)
f
i
x
i

1 50 |- 60 6 55 330
2 60 |- 70 9 65 585
3 70 |- 80 11 75 825
4 80 |- 90 22 85 1870
5 90 |- 100 16 95 1520
6 100 |- 110 4 105 420
7 110 |- 120 2 115 230
total 70 - 5780

=
5780
70
= 82,6 (em kgf/cm
2
)

* Mediana: Para calcular a mediana nesse caso, deve-se seguir os passos:

1) Encontrar a classe mediana
Achar a posio da medida => P = N/ 2
Calcular as freqncias acumuladas F
i

2) Calcular o valor da mediana
Md = l
i
h
i
N F
i
f
i
+

|
\
|
/ 2
1

onde: l
i
: limite inferior da classe mediana
F
i -1
: freqncia acumulada da classe anterior classe mediana
f
i
: freqncia da classe mediana
h
i
: amplitude da classe mediana

No exemplo da tenso dos 70 suportes metlicos:
Posio da mediana: P = 70/2 = 35

Calculando as freqncias acumuladas
classe i

tenso f
i
(num de suportes)
F
i

1 50 |- 60 6 6
2 60 |- 70 9 15
3 70 |- 80 11 26
4 80 |- 90 22 48 => classe mediana
5 90 |- 100 16 64
6 100 |- 110 4 68
7 110 |- 120 2 70
total 70 -

Como a mediana se encontra posicionada no 35 elemento e, este se encontra na 4
classe, tem-se ento a classe mediana.

Calculando o valor da mediana:
Md = 80 10
70 2 26
22
+

|
\
|
/
= 80 10
9
22
+ . = 80 +4,09 = 84,09 (em kgf/cm
2
)

* Moda: Para calcular a moda nesse caso, devemos seguir os passos:

1) Encontrar a classe modal, isto , a classe com maior freqncia

2) Calcular o valor da moda: (pela frmula de Czuber)

Mo = l
i
h
i
f
i
f
i
f
i
f
i
f
i
+

+
|
\
|
1
2
1 1

onde: l
i
: limite inferior da classe modal
h
i
: amplitude da classe modal
f
i
: freqncia da classe modal
f
i-1
: freqncia da classe anterior a classe modal
f
i+1
: freqncia da classe posterior a classe modal

No exemplo da tenso dos 70 suportes metlicos:
classe i tenso f
i

1 50 |- 60 6
2 60 |- 70 9
3 70 |- 80 11
4 80 |- 90 22 => classe modal
5 90 |- 100 16
6 100 |- 110 4
7 110 |- 120 2
total 70

Calculando o valor da moda, temos:
Mo= 80 10
22 11
2 22 11 16
+

|
\
|
x
= 80 10
11
17
+ . = 80 + 6,47 = 86,47 (em kgf/cm
2
)

*Varincia absoluta: uma medida estatstica que leva em considerao todas as
informaes do conjunto em anlise, fazendo uso da soma de quadrados dos desvios em
torno de . Denotada pelo smbolo
2
(na populao).

2
2

=

f
i i
X
N
( )
(frmula conceitual) ou
2
2
2
f
i
x
i
N

classe i

tenso f
i
Pto mdio
(x
i
)
(x
i
-) (x
i
-)
2
f
i
(x
i
-)
2

1 50 |- 60 6 55 -27,6 761,8 4570,6
2 60 |- 70 9 65 -17,6 309,8 2787,8
3 70 |- 80 11 75 -7,6 57,8 635,4
4 80 |- 90 22 85 2,4 5,8 126,7
5 90 |- 100 16 95 12,4 153,8 2460,2
6 100 |- 110 4 105 22,4 501,8 2007,0
7 110 |- 120 2 115 32,4 1049,8 2099,5
total 70 - 14687,2

2
2

=

f
i i
X
N
( )
=
70
2 , 14687
= 209,82 ((em kgf/cm
2
))
2

* Histograma
Os dados apresentados em tabelas de distribuio de freqncias so
representados em histogramas.
Nos eixos cartesianos, traa-se colunas retangulares sobre os respectivos
intervalos da distribuio de freqncia e com alturas determinadas pelas
respectivas freqncias (absolutas ou relativas).

0
5
10
15
20
25
50 |- 60 60 |- 70 70 |- 80 80 |- 90 90 |- 100 100 |- 110 110 |- 120
0,00
0,05
0,10
0,15
0,20
0,25
0,30
0,35
50 |- 60 60 |- 70 70 |- 80 80 |- 90 90 |- 100 100 |- 110 110 |- 120

* Polgono de freqncias
Tambm utilizado para representar dados de uma tabela de distribuio de
frequncias.
Nesse grfico marca-se os pontos com abscissas (x) iguais aos pontos mdios
com as ordenadas (y) iguais as respectivas freqncias, aps uni-se os pontos por
retas.
Para fechar o polgono de freqncias, unem os extremos com o eixo horizontal ,
nos pontos das abscissas iguais ao pontos mdios de uma classe imediatamente
anterior primeira, e de uma classe imediatamente posterior ltima.
6 . 6 7 7 . 4 7 . 8 8 . 2
m m
0
3
6
9
1 2
1 5
f r e q

O polgono de freqncia suavizado a distribuio de freqncia (absoluta ou relativa) ao
se filtrar o rudo presente em qualquer conjunto de dados. No caso de uma amostra muito
grande ou infinita o polgono de freqncia representa a distribuio de probabilidade de
uma caracterstica.

Distribuio simtrica Assimtrica direita Assimtrica esquerda

Relao emprica entre as principais medidas de tendncia central:

4.1. Exerccios (pontos 3 e 4)

1) Ensaios em quarenta corpos de prova de concreto forneceram as seguintes resistncias
ruptura:

64 61 65 43 45 54 51 74
30 100 91 75 78 68 80 69
72 27 40 93 99 94 78 72
59 78 95 62 42 96 100 95
81 84 78 103 98 60 84 91

a) Monte uma distribuio de distribuio de freqncias.
b) Calcule e interprete F
4
, f
5
, fr
2
,Fr
3

c) Trace o histograma e interprete.

2) Os dados abaixo referem-se ao nmero de itens defeituoso por lote. Disponha os dados
em uma tabela de distribuio de freqncias. Construa e interprete o histograma.

5 12 9 1 10 11 8 7
7 3 8 0 9 8 2 3
8 4 4 3 3 4 5 4
0 7 5 6 5 3 0 1
10 8 3 7 2 6 2 5


3) A quilometragem que dura uma certa marca de pneu dada na tabela abaixo, em 1000
km.
a) Calcule e interprete a mdia, a mediana e a moda.
b) Construa o histograma. Verifique se a forma do histograma est associada a uma
relao entre a mdia, mediana e moda.
c) Calcule e interprete o desvio padro.
d) Encontre e interprete F
2
, f
1
, Fr
3
, fr
4
.

quilometragem freqncia
0 |- 5 18
5 |- 10 27
10 |- 15 53
15 |- 20 51
20 |- 25 32
25 |- 30 19
total 200

5. Grficos

Os grficos, utilizados com habilidade, podem evidenciar aspectos visuais dos dados
de forma clara e de fcil compreenso. Em geral, so empregados para dar destaque a certas
relaes importantes.

* Grfico de Colunas
Usado para representar variveis apresentadas em tabelas.
No eixo das abcissas (x) as categorias da varivel em estudo e em seguida
constroem-se colunas retangulares da altura da freqncia (absoluta ou
relativa).

Produo por regio

TRI M. 1 TRI M. 2 TRI M. 3 TRI M. 4
0
1 0
2 0
3 0
4 0
5 0
6 0
7 0
8 0
9 0
l e st e oe st e nort e

* Grfico de setores
um grfico particularmente apropriado para representar as divises de um
montante total, geralmente utiliza-se as porcentagens.
tambm utilizado para apresentar variveis apresentadas em tabelas, com
poucas categorias.

Vendas por produto
Produto A
6%
Produto B
30%
Produto C
46%
Produto D
18%

* BOX-PLOT (Grfico de Caixa):
O grfico Box-plot um meio de mostrar estatsticas graficamente. O grfico
divide os dados em 4 reas de igual freqncia chamados quartis.
Os quartis so calculados organizando um conjunto em ordem crescente
dividindo os dados em quatro partes iguais de forma que:
- Abaixo do primeiro quartil existem 25% das observaes, abaixo do segundo
quartil existem 50% das observaes e abaixo do terceiro quartil existem 75% das
observaes.
O Box-plot detecta dados atpicos como pontos separados do grfico.
A mediana (2Q) a linha central do grfico.


Passos para construo do grfico:

(1) Calcula-se os quartis: o primeiro quartil (posicionado em N/4),
o segundo quartil ( ou mediana) e o terceiro quartil (posicionado em 3N/4).

(2) Calcula-se o tamanho da caixa, isto o Interquartil que dado pela diferena entre o
3Q e o 1Q. O interquartil uma medida pouco afetada por valores atpicos. Iq = 3Q -
1Q

O interquartil tem uma relao aproximada com o desvio-padro:
Iq desvio padro = ( / ) 4 3

(3) O valor mximo do grfico o menor valor entre:
3Q+1,5 Iq
Maior valor observado

( 4) O valor mnimo dado para o maior valor entre:
1Q-1,5 Iq
Menor valor observado.

Os valores que se encontram fora do intervalo so considerados dados atpicos.

* Diagrama de Pareto:

A maioria das perdas deve-se a poucos tipos de defeitos que podem ser atribudos a
um nmero pequeno de causas. Identificada estas causas, podemos resolver grande parte do
problema, isto agir sobre poucos vitais prioritariamente.
Esta tcnica parte do princpio do economista italiano V. Pareto: "Separar os poucos
vitais dos muitos triviais".

ETAPAS PARA CONSTRUO DO GRFICO DE PARETO:
(1) Organizar os dados numa distribuio de freqncia por tipo de defeito ou por
operador, mquina, local, etc
(2) Listar os itens em ordem decrescente de ocorrncia, calculando a freqncia
acumulada, a freqncia relativa simples e a freqncia relativa acumulada.
(3) Plotar 2 eixos paralelos: um com o nmero de ocorrncia e o outro com a
porcentagem observada.
(4) Construir um grfico de barras por tipo de defeito.
(5) No mesmo grfico construir uma curva das freqncias acumuladas.

No grfico de Pareto identifica-se onde trabalhar prioritariamente, ou seja naqueles
itens onde a incidncia de defeitos maior e consequentemente resolve-se uma maior parte
do problema.
Aps identificar estes defeitos, as causas sero discutidas e um novo grfico de
Pareto para analisar as causas poder ser realizado.

Exemplo:

A
B
C
D
E
F
G

0
40
80
120
160
200
Escores
Grafico de Pareto
0
20
40
60
80
100
percent of total
52.0
73.0
83.0
90.0
95.0
98.0
100.0

5.1.Exerccios

1) Construa um grfico de setores para os dados a seguir que representam a capacidade, em
litros, do porta-malas de alguns carros populares produzidos no Brasil.
Celta: 240 l Fiesta: 250 l Gol: 146 l Palio: 224 l

2) Os dados abaixo representam os tempos (em min) medidos em uma operao de
soldagem. Construa um histograma e trace o polgono de freqncias.

Tempo Freq.
5 |- 7 3
7 |- 9 6
9 |- 11 17
11 |- 13 9
13 |- 15 5
total 40

3) A empresa JKL fez um levantamento das vendas, obtendo as seguintes informaes:

Modelo \ UF RS SP RJ
AB3 532 633 587
XP9 459 501 492
ZC4 146 152 149
KW1 721 930 773

Construa: a) Um grfico de colunas b) Um diagrama de Pareto

4) Construa no mesmo eixo o boxplot para as notas de certa turma em matemtica e o
boxplot das notas de estatstica. Analise.

Mat 3 5 3 2 7 9 4 8 6 5
Est 6 5 5 6 10 8 7 8 7 9

5) Na operao 3 foram verificados os defeitos encontrados na montagem da bomba
hidrulica . Construa o grfico de Pareto e analise
Tipo de defeito Freq.
Junta 12
Mangueira 6
Selo 2
Compressor 7
Vedao 30
outros 3

6) Para os dados abaixo referentes aos principais defeitos encontrados no martelo 1171/16
do Setor de Forjaria. Analise os dados por meio de um grfico de Pareto:

Defeitos encontrados para um total de 33.650 peas produzidas:
Tipo de defeito quant. Tipo de defeito quant.
Pr-forjada mal executada 51 Problema de Furador 41
Falha no enchimento na forja 132 Acerto e quebra de ferramentas 16
Problema de rebarbador 46 Falha de forja ( posic. da Bilete) 121

6. Probabilidade

Independente da aplicao, a utilizao da probabilidade indica que existe um
elemento ao acaso (ou incerteza) quanto ocorrncia ou no de um evento futuro. Assim
em muitos casos, pode ser impossvel afirmar o que ocorrer, mas possvel dizer o que
pode ocorrer.

Esta rea da estatstica visa estabelecer um modelo matemtico do fenmeno
aleatrio. O problema pode ser colocado como segue: dado um sistema que
completamente conhecido, tal como um baralho ou os componentes em uma mistura
qumica, como pode o resultado de certos procedimentos ser descrito? Este tipo de questo
deve ser respondido antes de tcnicas estatsticas serem desenvolvidas ou utilizadas para a
anlise dos dados. Desta forma, o modelo matemtico de teoria de probabilidade serve
como base para tcnicas estatsticas.

6.1. Definies iniciais

*EXPERIMENTO: Qualquer procedimento que pode ser repetido e que, em cada
uma das repeties produz um resultado (no necessariamente um valor, pode ser um vetor
ou uma funo).

*Experimento Determinstico: As condies sob as quais um experimento
executado determinam o resultado do experimento. Sob condies idnticas, os resultados
so sempre os mesmos, qualquer que seja o nmero de ocorrncia dos mesmos.

Exemplo: Ao aquecermos um determinado slido, sabemos que a certa temperatura haver
a passagem para o estado lquido.

*Experimento No-Determinstico ou Aleatrio: Apesar de repetirmos o
experimento nas mesmas condies, no podemos afirmar que resultado particular ocorrer.
Quando vamos realizar um experimento aleatrio, no podemos predizer, com certeza, qual
o resultado ocorrer, pois existem mais de um resultado possvel, isto , h uma
variabilidade nos resultados das realizaes do experimento.

Exemplos:
1) Em uma linha de produo, fabricar peas em srie e contar o nmero de peas
defeituosas produzidas em um perodo de 24h.
2) A medio de resistncia a compresso de uma liga metlica.
3) O tempo que uma lmpada da empresa X dura at queimar.

*ESPAO AMOSTRAL: Quando estamos diante de um fenmeno aleatrio podemos
descrever o conjunto de todos os resultados possveis, A este conjunto chamamos de espao
amostral. Denotado pelo conjunto S.
Quando descrevemos um espao amostral associado a um experimento devemos ter
idia bastante clara do que estamos mensurando ou observando. Por isso, devemos falar de
um espao amostral associado a um experimento no "o" espao amostral.

Exemplos: S
1
= { 0,1,2,3, ... , }
S
2
= {R
i
R R
s
}
S
3
= {t | t 0 }

OBS: Um experimento dito uniforme quando todos os elementos do espao amostral so
equiprovveis (tem a mesma possibilidade de ocorrerem)
Lanamento de um dado: S = { 1, 2, 3, 4, 5, 6}

*PARTIO DO ESPAO AMOSTRAL: Dizemos que os eventos A
1
, A
2
, ... ,A
n

tornam um espao a partio do espao amostral S se:
i) P(A
i
) > 0
ii) A
i
Aj = para i j, ou seja, os eventos A
i
so mutuamente exclusivos.
iii)
i
n
i A
S
=
=
1
=> a unio dos eventos A
i
o espao amostral

*EVENTO: um subconjunto de um espao amostral S, isto , um particular
resultado dentre os existentes no espao amostral. O conjunto vazio tambm constitui um
evento.

Exemplo: E
1
: Nmero de peas defeituosas inferior a 2 E
1
={ 0, 1,2 }
E
3
: Lmpada queimar antes de 500 h E
3
= { t | t < 500 }

*Evento simples: aquele formado por um nico elemento do espao
amostral.

Exemplo: No lanamento de uma moeda temos dois eventos simples.
E
1
= {K} E
2
= {C}

* Evento composto: aquele formado por dois ou mais elementos do espao
amostral.

Exemplo: No lanamento de um dado podemos ter vrios eventos compostos
E
1
: Ocorrncia de face par E
1
= {2, 4, 6}
E
2
: Ocorrncia de nmeros maiores que 3 E
2
= {4, 5, 6}

* Evento certo: aquele que ocorre sempre.
Exemplo: No lanamento de um dado sair face de 1 a 6.

* Evento impossvel: aquele que nunca ocorre.
Exemplo: No lanamento de um dado sair face maior que 6.

*Evento complementar: A = A complementar, formado por todos os
pontos que pertencem ao espao amostral S, mas no pertencem ao evento A.
*Eventos Mutuamente Exclusivos: Dois ou mais eventos so mutuamente
exclusivos quando a ocorrncia de um exclui a ocorrncia de outro, isto interseco de A
e B vazia (o conjunto vazio).

*Unio de Eventos: O evento A B ocorre se somente se A ocorre ou B ocorre ou
ambos ocorrem, formado pelos pontos que pertencem a pelo menos um dos eventos.


*Interseco de Eventos: O evento A B ocorre se e somente se A e B ocorrem.

6,2. Conceitos de Probabilidade

As probabilidades so utilizadas para exprimir a chance de ocorrncia de um
determinado evento.

*CONCEITO CLSSICO: Supe-se que todos os possveis resultados de um
experimento aleatrio so igualmente provveis.
Existem "n" resultados possveis dos quais "a" so favorveis a ocorrncia do
evento A, A probabilidade do evento A ocorrer dada por:

n
a
A P = ) (

Exemplo: Qual a probabilidade de retirar uma dama de um baralho? P(A) = 4 / 52

*CONCEITO FREQUENCIAL: Baseia-se em dados histricos, a relao do
nmero de observaes de um evento e o total observado.
Quanto maior o nmero de observaes realizadas, mais o valor da
freqncia observada tender ao verdadeiro valor da probabilidade.

Exemplo: Tomemos uma moeda honesta, sabido a principio que a probabilidade de
ocorrer face cara 0,5.
Se esta moeda lanada 10 vezes e ocorre cara em 6, a probabilidade observada de
ocorrncia de face cara 0,6.
Se esta moeda lanada 100 vezes e ocorre cara em 53, a probabilidade observada
de ocorrncia de face cara 0,53.
Se esta moeda lanada 1000 vezes e ocorre cara em 525, a probabilidade
observada de ocorrncia de face cara 0,525.
Se esta moeda lanada 10000 vezes e ocorre cara em 5127, a probabilidade
observada de ocorrncia de face cara 0,5127.
A medida que aumenta a quantidade de experimentos (frequncias) mais prximo a
probabilidade frequencial se aproxima da probabilidade.

O valor hipottico no qual deve haver uma estabilizao da freqncia relativa
denomina-se probabilidade frequencial.
Matematicamente temos: P(E) =
n
n
fe
lim
onde fe = freqncia do evento E

*CONCEITO SUBJETIVO: o grau de crena do indivduo de que o evento ir
ocorrer baseado em alguma evidncia disponvel.

Exemplo: Qual a probabilidade de tirar uma nota boa em estatstica, antes de iniciar a
prova?

6.3. Teoremas de Probabilidades

*PROBABILIDADE AXIOMTICA: Seja um espao amostral e P uma funo real
definida em S, dizemos que P(A) a probabilidade do evento A ocorrer, sendo:
0 P(A) 1
P(S) = 1

Exemplo: Uma fbrica que tem 100 mquinas. Algumas dessas mquinas so N(ovas) e
outras V(elhas), algumas so da empresa K outras da empresa L.

situao\empresa K L totais
N(ova) 35 30 65
V(elha) 25 10 35
Totais 60 40 100

Qual a probabilidade de selecionar uma mquina da empresa K?

Qual a probabilidade de selecionar uma mquina que no seja nova?

Qual a probabilidade de selecionar uma mquina Nova e da empresa L?

Qual a probabilidade de selecionar uma mquina da empresa K e que seja Velha?

*TEOREMA 1: Teorema da Soma. Se A e B so dois eventos quaisquer ento:
P(A B) = P(A) + P(B) - P(A B)

Corolrio: Para quaisquer eventos A, B, C temos:
P(ABC) = P(A) + P(B) + P(C) - P(A B)- P(A C)- P(B C) + P(A B C)

*TEOREMA 2: Probabilidade Condicional. Seja A e B so dois eventos definitos no
espao amostral, probabilidade condicional a probabilidade do evento A ocorrer uma vez
que o evento B tenha ocorrido, denotada por P(A/B) e obtido por:

P(A/B) =
P A B
P B
( )
( )

*TEOREMA 3: Teorema do Produto. Atravs da definio de probabilidade
condicional, temos que:
P(A B) = P(B) . P(A/B)

*EVENTOS INDEPENDENTES: Se A e B so independentes se P(A/B) = P(A) ou
P(B/A) = P(B), A ocorrncia de um no afeta (ou influencia) a ocorrncia do outro,

P( A B ) = P(B). P(A/B)

Como P(A/B) = P(A), ento:
P( A B ) = P(B) . P(A)

No exemplo:
Um auditor escolhe uma mquina da empresa K. Qual a probabilidade de ela ser velha?

Qual a probabilidade de uma mquina ser da empresa L e ser Velha? Use teorema 4.

Exemplo A: Um digestor qumico alimentado por material que vem de dois tanques
independentes. O material do tanque 1 pode ser uma concentrao de cido que varia
uniformemente entre 4 e 8, enquanto que o material do tanque 2 pode apresentar uma
concentrao de base entre 5 e 10. Sejam os seguintes eventos:

A: material do tanque 1 com concentrao superior a 6

B: material do tanque 2 com concentrao inferior a 6

Calcule a P(A), P( A), P(B), P( B), P(A B), P(A B)
Soluo: Usando o ponto de vista das freqncias relativas, tem-se:
P(A) = m(A) / m(S)
P(A) = 10 / 20 = 0,5
P(A) = 1 - P(A) = 0,5
P(B) = 4 / 20 = 0,20
P( B) = 1 - P(B) = 0,80
P(A B) = 2/20 = 0,10
P(A B) = P(A) + P(B) - P(A B)
= 0,50 + 0,20 - 0,10 = 0,60

Exemplo B: Considerando os dados do exemplo anterior, e sabendo que o processo
apresenta problemas quando a concentrao de cido supera a concentrao de base, calcule
a probabilidade ocorrncia deste evento.

Soluo:

P(E
1
) = p(E
1
) / p(S)
P(E
1
) =
3 3
2
20
/ = 0,225

Exemplo C: Para o exemplo do digestor qumico calcule a probabilidade da concentrao
de cido superar a concentrao de base quando se sabe que a concentrao de cido
superior a 6,0.

Soluo: O que se pede a P(E
1
) dado A. Essa probabilidade :
0,40
10/20
4/20
p(A)/p(S)
A)/p(S) p(E
/A) P(E
1
1
= =
=

6.4. Exerccios

1) As falhas de diferentes mquinas so independentes umas das outras. Se h quatro
mquinas, e suas respectivas probabilidades de falhas so 1%, 2%, 5% e 10% em
determinado dia, calcule as probabilidades:
a) de todas falharem em certo dia
b) de nenhum falhar

2) Uma empresa exploradora de petrleo perfura um poo quando acha que h pelo menos
25% de chance de encontrar petrleo. Ela perfura 4 poos, aos quais so atribu as
probabilidades de 0,3 ; 0,4 ; 0,7 e 0,8.
a) Determine a probabilidade de nenhum poo produzir petrleo, com base nas
estimativas da empresa.
b) Determine a probabilidade de os quatro poos produzirem petrleo.
c) Qual a probabilidade de s os poos com probabilidades 0,3 e 0,7 produzirem
petrleo?

3) Trs dispositivos de alarme esto dispostos de tal maneira que qualquer deles dar
alarme quando algo indesejvel ocorrer. Se cada dispositivo tem a probabilidade 0,9 de
trabalhar adequadamente, qual a probabilidade de que justificadamente soe o alarme?

4) Um sistema de controle consta de um radar e um computador, ligados de tal forma que o
sistema falha se falhar qualquer um desses componentes. Se a probabilidade de que o radar
trabalhe 100 horas sem defeito 0,9 e de que o computador funcione 100 horas sem defeito
0,7. Qual a probabilidade de que o sistema conjunto opere 100 horas sem defeito?

5) Uma cidade tem 30 mil habitantes e trs jornais X, Y, Z. Uma pesquisa de opinio revela
que: 12 mil lem X, 8 mil Y, 7 mil X e Y, 6 mil Z, 4.500 lem X e Z, mil Y e Z e 500 lem
X,Y e Z. Qual a probabilidade de que um habitante leia:
a) pelo menos um jornal
b) s um jornal
c) ler o jornal X sabendo que ele l o jornal Z

6.5 Teorema de Bayes

*TEOREMA 4: Teorema da Probabilidade Total: Sejam B
1
,B
2
, ... , B
k
eventos que
compe o espao amostral. Seja A um evento desse espao amostral.

B = B
1
B
2
... B
k
; B
i
B
j
= 0

Ento:
P(A) = P( B
1
A ) P( B
2
A ) P( B
3
A ) ... P( B
k
A )
P(A) = P(B
1
). P(A/B
1
) + P(B
2
). P(A/B
2
) + ... + P(B
k
). P(A/B
k
)

Exemplo:
Na construo de um edifcio usa-se 1000 Kg de material por dia; desse total, 600 Kg so
adquiridos do fornecedor B
1
e 400 Kg do fornecedor B
2
.

Assim B = B
1
B
2
, onde B a proviso de 1000 Kg/dia

O material pode ser defeituoso e por experincia prvia sabe-se que B
1
e B
2
tm as
probabilidades de 0,03 e 0,01, respectivamente, de serem defeituosos.

Chamando A o evento material defeituoso tem-se:

A = (A B
1
) (A B
2
)

Isto , se o material defeituoso, pode vir de B
1
ou B
2
. Ento A pode ser calculado:
P(B
1
) = 0,6; P(B
2
) = 0,4
P(A/B
1
) = 0,03; P(A/B
2
) = 0,01
P(A) = P(B
1
) . P(A/B
1
) + P(B
2
) . P(A/B
2
)
P(A) = (0,6) . (0,03) + (0,4) . (0,001) = 0,018 + 0,004 = 0,022

Assim a probabilidade total de que o material seja defeituoso, vindo de B
1
ou B
2
, igual
a 0,022.

Exerccio (mquinas): Trs mquinas A, B, C produzem 50%, 30%, 20% respectivamente
do total de peas de uma fbrica. As percentagens de produo defeituosos destas mquinas
so 3%, 4%, 5% respectivamente. Se uma pea selecionada aleatoriamente, encontre a
probabilidade de ela ser defeituosa.

* TEOREMA 5: TEOREMA DE BAYES.

O Teorema de Bayes permite calcular a probabilidade posterior de um evento
B
j
, P(B
j
/A),
baseada em nova informao referente ao evento A e conhecendo-se a probabilidade
anterior
B
j
, P(B
j
).

Usando o conceito de probabilidade condicional, tem-se:

P(B
j
/A) = P(B
j
A) / P(A)

Como A est descrito em termos de B
1
,... , B
k
, tem-se o Teorema de Bayes:

P(B
j
/A) = P(B
j
A) / P(B
j
) . P(A/B
j
)
P(B
j
/A) = P(B
j
) . P(A/B
j
) / [ P(B
j
) . P(A/B
j
)]

Nota-se que o Teorema de Bayes determina a probabilidade posterior de um evento
B
j
, em
funo de um evento A e da probabilidade anterior de
B
j
.

No exerccio (mquinas): Selecionamos uma pea e constatamos que era defeituosa.
Determine a probabilidade de ela ter sido fabricada pela mquina A.

Exerccio: Um fazendeiro estima que, quando uma pessoa experiente planta rvores, 90%
delas sobrevivem, mas quando um novato planta, apenas 50% das rvores sobrevivem. Se
uma rvore plantada no sobrevive, qual a probabilidade de ela ter sido plantada por um
novato, sabendo-se que 2/3 das rvores so plantadas por novatos.
7. Variveis Aleatrias

Seja E um experimento e S o espao associado ao experimento. Uma funo X, que
associe cada elemento em S a um nmero real X(S) denominado varivel aleatria (v.a.).

Exemplo: Nmero de caras que ocorrem em dois lanamentos de uma moeda.
S: {CC, CK, KC, KK}
X(S): {0, 1, 2}

Chamamos de funo de probabilidade funo P(X) que associa as probabilidades
aos valores da varivel.

P(x = 0) = P (KK) = 0,25
P(x = 1) = P (KC) ou P(CK) = 0,5
P(x = 2) = P (CC) = 0,25

Notao: Utilizaremos letras maisculas, por exemplo, X, para representar a v.a. e a
correspondente letra minscula, nesse caso x, para representar um de seus valores.

7.1 Variveis Aleatrias Discretas

A varivel aleatria dita discreta quando pode assumir, com probabilidade
diferente de zero, um nmero finito de valores dentro de um intervalo finito.

Exemplos: O nmero de pontos que se obtm ao lanar um dado, pois s pode assumir 6
valores:
x
1
= 1 x
2
= 2 x
3
= 3 x
4
= 4 x
5
= 5 x
6
= 6

As probabilidades associadas so todas iguais:
P(x
1
)= P(x
2
)= P(x
3
)=...= P(x
6
)= 1/6

*VALOR ESPERADO E VARINCIA DE UMA V.A. DISCRETA: Se X uma
varivel que pode assumir os valores x
1
, x
2
, ... , x
n
e cada um desses valores estiver
associado a uma e s uma probabilidade P(x
1
), P(x
2
), ... , P(x
n
).

O valor esperado de X : E[X] = P(x
1
)x
1
+ P(x
2
)x
2
, ... + P(x
n
)x
n
=
=
n
i
xi xi P
1
). (
A varincia de X : VAR[X] =
.
2
1
)) ( ( ) ( .
2
X E
i
X P
i
X
n
i

(
\
|
=

Exemplo: Um empreiteiro faz as seguintes estimativas:
prazo de execuo em dias (X) probabilidade P(X)
10 dias 0,30
15 dias 0,20
22 dias 0,50

O prazo esperado para execuo da obra E[X] = 10x0,3+15x0,2+22x0,5 = 17 dias
A variao dada por VAR[X] = 317 17
2
( )
.
= 28

*DISTRIBUIO DE PROBABILIDADE DE UMA V.A. DISCRETA: So todos
resultados de uma v.a. discreta e suas respectivas probabilidades.
A funo f(x) a funo de probabilidades de uma v.a.d. se, para cada
possvel resultado de X temos:
1) f(x) 0
2)
f x
i
i
n
( )
=
=
1
1

3) P(X=x) = f(x)

Exemplo: Distribuio de probabilidade constituda pela soma de dois dados lanados.

dado 1 \ dado 2 1 2 3 4 5 6
1 2 3 4 5 6 7
2 3 4 5 6 7 8
3 4 5 6 7 8 9
4 5 6 7 8 9 10
5 6 7 8 9 10 11
6 7 8 9 10 11 12

Distribuio de probabilidade:

x
i
2 3 4 5 6 7 8 9 10 11 12
P(x
i
) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36 1


Graficamente tem-se:
0
0,02
0,04
0,06
0,08
0,1
0,12
0,14
0,16
0,18
0 1 2 3 4 5 6 7 8 9 10 11 12
xi
P(xi)

*FUNO DISTRIBUIO ACUMULADA (F(X)): a probabilidade acumulada de
uma v.a.d. somando todas as probabilidades at um ponto X.
F X P X x f x
i
i
x
( ) ( ) ( ) = =
=1

7.2 Variveis Aleatrias Contnuas

A varivel aleatria dita contnua quando pode assumir um nmero infinito de
valores dentro de um intervalo finito, onde para cada valor x
i
est associado um nmero
no-negativo P(x
i
), i=1,2, ..., cuja soma igual a 1.

Exemplos: Concavidade de uma lente de contato.
Altura de pessoas
Intensidade da corrente eltrica

*VALOR ESPERADO E VARINCIA DE UMA VARIVEL ALEATRIA
CONTNUA:
E[X] =
x f(x) dx VAR[X] = E
X
E X
[ ]
( [ ])
2
2
onde E
X
[ ]
2
=
x
2
f(x)dx

*DISTRIBUIO DE PROBABILIDADE DE UMA V.A. CONTNUA: Uma varivel
aleatria contnua pode assumir qualquer valor dentro de um intervalo definido, onde no
podemos listar todos os valores com suas respectivas probabilidades. A soluo construir
uma funo densidade de probabilidade (f.d.p.), baseada na funo f(x) correspondente.


* FUNO DENSIDADE DE PROBABILIDADE: Seja X uma v.a. contnua, a
funo f(x) uma funo densidade de probabilidade se satisfaz as seguintes condies:

1) f(x) 0 - x +

2)
f(x) dx = 1

3) P(X A) = f(x)dx
A
, A

Observaes:

* A probabilidade de X ser exatamente igual a um certo valor especificado x
igual a zero, isto , P(X=x) = 0.

* Se x for uma v.a. contnua ento P(a x b) = P(a < x < b).

* A rea abaixo da curva fornece a probabilidade, no a f(x).

* FUNO DISTRIBUIO ACUMULADA F(x): Se X uma v.a. contnua com
funo densidade de probabilidade f(X), ento sua acumulada :

F(x) =
x
f(x) dx assim f(x) =
dF x
dx
( )

Assim sendo X uma v.a. contnua e F(x) sua funo distribuio acumulada
(f.d.a.) para dois pontos a e b quaisquer teremos:

P(a < x < b) = F(b) - F(a)

7.3. Exerccios

1) Classifique cada uma das seguintes v.a.s como discreta ou contnua.
a) tempo de uso de um equipamento
b) nmero de partculas em uma lmina
c) litros de gasolina vendidos em um posto de gasolina
d) nmero de elementos em uma reao qumica

2) Dez por cento dos carros em um parque de carros usados tem bateria defeituosa. Se h 82
carros no estacionamento, qual o nmero esperado de carros com bateria defeituosa?

3) As chamadas dirias do corpo de bombeiros apresentam a seguinte distribuio:

n
o
chamada por dia 0 1 2 3 4 5
% de dias 10 15 30 25 15 5

Qual o nmero de chamadas esperadas por dia?

4) Uma empresa vende trs produtos, cujos lucros e probabilidades de venda esto anotada
na tabela. Calcular:
a) o lucro mdio por unidade vendida, bem como a varincia
b) o lucro total esperado, num ms em que foram vendidas 2000 unidades.

Produto A B C
Lucro/unid. 10 7 5
prob. de venda(%) 20 30 50

5) Um jogo consiste em se atirar um dado; se der face 1 ou 6, a pessoa ganha R$10,00 por
ponto obtido; se der face 2 ou 5, a pessoa ganha R$5,00 por ponto obtido; se der face 3 ou
4, a pessoa ganha R$15,00 por ponto obtido. Calcular o ganho esperado bem como a
varincia.

6) Uma pessoa paga K reais cada vez que joga um dado e, recebe tantos reais quando
pontos obteve. Qual o valor K para o qual o valor esperado de ganho seja nulo?

Apostila MAT02219 Parte1

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Apostila MAT02219 Parte1

Uploaded by

Copyright:

Available Formats

Aula 1 a 10 Profa.

You might also like