Curso Probabilidade e Estatistica

UNIVERSIDADE FEDERAL DE CAMPINA GRANDE - Campus I
UNIDADE ACADMICA DE MATEMTICA E ESTATSTICA

Disciplina: Introduo Probabilidade Perodo 2012.1
Professora: Amanda dos Santos Gomes
Aluno(a): .
1
a
NOTA DE AULA
1 Introduo Probabilidade
Nesta disciplina, sero abordados tpicos referentes Teoria das Probabilidades, a
qual tem como principal objetivo construir modelos matemticos que procuram explicar
fenmenos no-determinsticos ou probabilsticos; isto ; fenmenos que esto sujeitos
fatores casuais. A Teoria das Probabilidades tambm de fundamental importncia para a
soluo de problemas relacionados Inferncia Estatstica.
1.1 Introduo
Ao lanar uma moeda e observar a face superior, de modo geral, no podemos armar
se ocorrer cara ou coroa. Da mesma forma, quando lanamos um dado no sabemos qual
das faces 1, 2, 3, 4, 5, ou 6 ocorrer. No campo dos negcios e do governo h numerosos
exemplos de tais situaes. Por exemplo, a incerteza existe quando desejamos realizar uma
previso sobre a procura de um novo produto, a opinio pblica em relao a determinado
assunto, o sucesso de um novo plano econmico, etc - tudo isso contm algum elemento
de acaso.
Na Estatstica, a incerteza existe quando se quer fazer alguma armao a respeito de
alguma caracterstica populacional baseada em informaes extradas de dados amostrais.
Neste caso, a aplicao da Teoria das Probabilidades de fundamental importncia
para a soluo de problemas de Inferncia Estatstica.
Independente de qual seja a aplicao em particular, a utilizao das probabilidades
indica que existe um elemento de acaso, ou de incerteza, quanto ocorrncia ou no de um
possvel resultado. Assim que em muitos casos, pode ser virtualmente impossvel armar
com antecipao o que ocorrer. No entanto, possvel dizer o que pode ocorrer.
O ponto central em todas essas situaes a possibilidade de quanticar quo provvel
determinado evento.
Em suma, podemos dizer que, as probabilidades so utilizadas para exprimir a chance
de ocorrncia de determinado evento.
1
1.1.1 Denies Bsicas
Denio 1.1 (Experimentos Aleatrios ou Fenmenos Aleatrios). So aqueles onde
o processo de experimentao est sujeito a inuncias de fatores casuais e conduz a
resultados incertos.
Notao: E.
Exemplos:
E
1
: Lanar uma moeda e observar a face superior.
E
2
: Lanar um dado e observar o nmero da face superior.
E
3
: Ao fabricar uma lmpada, observar o tempo de vida til da mesma.
Observaes:
a) Cada experimento poder ser repetido um grande nmero de vezes sob as mesmas
condies;
b) No podemos armar que resultado particular ocorrer, porm podemos descrever
o conjunto de todos os possveis resultados do experimento;
c) Quando o experimento repetido um grande nmero de vezes, surgir uma regular-
idade nos resultados. Esta regularidade, chamada de regularidade estatstica, que torna
possvel construir um modelo matemtico preciso com o qual se analisar o experimento.
Denio 1.2 (Espao Amostral). um conjunto que contm todos os possveis re-
sultados de um experimento aleatrio.
Notao: S
Exemplos:
Alguns espaos amostrais associados aos experimentos aleatrios E
1
, E
2
e E
3
so:
S
1
=
S
2
=
S
3
=
2
Denio 1.3 (Evento). Dado um espao amostral S associado a um experimento E,
denimos como evento, qualquer subconjunto desse espao amostral, ou seja, qualquer
coleo de resultados do experimento E.
Notao: A, B, C, D, etc.
Exemplos:
1 - Considerando o espao amostral S
2
, exemplos de eventos seriam:
A: Ocorre face par;
B: Ocorre um nmero menor que 4;
C: Ocorre um nmero maior que 0;
D: Ocorre o nmero 10;
2 - Considerando o espao amostral S
3
, um exemplo de evento seria:
A: A vida til de uma lmpada menor que 10 horas.
Observao:
Como os eventos de um espao amostral so conjuntos, todas as operaes da teoria
dos conjuntos so vlidas para obter novos eventos. Considere, por exemplo, dois eventos
A e B, ento o evento:
a) A B ocorrer se, e somente se, A ocorrer, ou B ocorrer, ou ambos ocorrerem;
b) A B ocorrer se, e somente se, A e B ocorrerem simultaneamente;
c) A ocorrer se, e somente se, A no ocorrer;
d) Se A
1
, A
2
, ..., A
n
for qualquer coleo nita de eventos, ento,
n
i=1
A
i
ser o evento
que ocorrer se, e somente se, ao menos um dos eventos A
i
ocorrer;
e) Se A
1
, A
2
, ..., A
n
for qualquer coleo nita de eventos, ento,
n
i=1
A
i
ser o evento
que ocorrer se, e somente se, todos os eventos A
i
ocorrerem;
f) Suponha que S represente o espao amostral associado a algum experimento E, e
que ns executemos E duas vezes. Ento S S pode ser utilizado para representar todos
os resultados dessas duas repeties;
Podemos considerar o par (s
1
, s
2
) S S como sendo um elemento do experimento
nal.
g) O exemplo anterior pode ser, obviamente, generalizado;
Um recurso grco, conhecido como Diagrama de Venn, poder ser vantajosamente
empregado quando estivermos combinando conjuntos. Para ilustrar, vejamos como ca
este diagrama representando os eventos descritos nos itens a, b e c:
3
(Desenhar os Diagramas de Venn, para cada evento)
Denio 1.4 (Eventos Mutuamente Excludentes). Dois eventos, A e B, so denomi-
nados, mutuamente excludentes, se eles no puderem ocorrer simultaneamente, ou seja,
A B = .
Exerccio: Esboce um Diagrama de Venn, representando dois eventos mutuamente exclu-
dentes.
Exemplos:
1 - Lana-se um dado e observa-se o nmero da face superior. Considerando este expe-
rimento aleatrio e os eventos:
A: Ocorre face par;
B: Ocorre um nmero menor que 4;
C: ocorre face menor que 7;
D: ocorre face cujo valor maior que 6.
Determine em notao de conjuntos os seguintes eventos:
a) C d) B g) A j) A B m) B A
b) D e) A B h) B k) A B n) A B
c) A f) A B i) A B l) A B
Observao: Leis de DMorgan
(i) A B = A B
(ii) A B = A B
4
1.2 Abordagens para Denir Probabilidade
1.2.1 Aproximao da Probabilidade pela Freqncia Relativa - (Lei dos
Grandes Nmeros)
Denio 1.5 (Freqncia Relativa). Suponha que um experimento repetido n vezes.
Seja A um evento associado ao experimento e n
A
o nmero de vezes que o evento A
ocorre nas n repeties. A freqncia relativa do evento A, representada por f
A
,
denida como
f
A
=
n
A
n
.
Propriedades:
(i) 0 f
A
1;
(ii) f
A
= 1, se, e somente se, A ocorrer em todas as n repeties;
(iii) f
A
= 0, se, e somente se, A nunca ocorrer nas n repeties;
(iv) Se A e B forem eventos mutuamente excludentes, e se f
AB
for a freqncia
relativa associada ao evento A B, ento,
f
AB
= f
A
+f
B
.
Teorema 1.1 (Lei dos Grandes Nmeros). Ao repetir um experimento um grande
nmero de vezes, a probabilidade de um evento A aproximada pela freqncia relativa,
isto ,
P(A)
= f
A
=
n
A
n
, quando n .
Observao: Esta aproximao ser tanto melhor quanto maior for o nmero de
repeties do experimento.
Exemplos:
1 - Ao lanar uma moeda honesta 5 vezes, ocorreram 4 caras. Baseado neste resultado,
qual a probabilidade (aproximada) do evento A : ocorrer cara?
2 - Considere as seguintes situaes:
(i) Numa pesquisa de mercado, 5 pessoas foram entrevistadas das quais 4 disseram
que comprariam um novo produto a ser lanado.
(ii) Numa outra pesquisa de mercado, 300 pessoas foram entrevistadas das quais
140 disseram que comprariam um novo produto a ser lanado.
a) Para cada pesquisa, determine a probabilidade de que uma pessoa qualquer
compre o novo produto.
b) Em qual das duas medidas de probabilidade calculadas no item a voc cona
mais?
5
1.2.2 Denio Clssica de Probabilidade
Denio 1.6 (Evento Simples e Evento Composto). Cada um dos possveis resulta-
dos que compe o espao amostral e
1
, e
2
, ... um evento simples, enquanto um evento
composto, A, uma coleo de eventos simples.
Exemplo: Ao lanar um dado, os eventos simples sero: {1}, {2}, {3}, {4}, {5} e {6}
e um evento composto seria A : nmero par = {2, 4, 6}.
Denio 1.7 (Denio Clssica de Probabilidade). Suponha que um experimento
tenha n eventos simples diferentes, cada um dos quais pode ocorrer com a mesma
chance. Se r eventos simples so favorveis (implicam) ocorrncia do evento A,
ento
P(A) =
Nmero de maneiras como A pode ocorrer
Nmero total de resultados possveis
=
#A
#S
=
r
n
.
Observaes:
(1) Nesta denio fundamental que os eventos simples sejam igualmente provveis,
e, neste caso, evidente que:
(i) P(e
1
) = P(e
2
) = . . . = P(e
n
) =
1
n
, e
(ii) P(e
1
) +P(e
2
) + +P(e
n
) =
1
n
+
1
n
+ +
1
n
= n.
1
n
= 1.
(2) Espaos amostrais com as caractersticas acima descritas so conhecidos como
Espaos Amostrais Finitos e Equiprovveis.
Exemplos:
1 - Considere o experimento E: lanar um dado equilibrado. Considere tambm, os
seguintes eventos:
. A: Ocorre face par;
. B: Ocorre um nmero menor que 4;
. C: ocorre face menor que 7;
. D: ocorre face cujo valor maior que 6
. A B
. A B
. B
Determine a probabilidade de ocorrncia de cada um dos eventos acima denidos.
6
1.2.3 Denio Axiomtica de Probabilidade
Denio 1.8 (Denio Axiomtica de Probabilidade). Seja E um experimento
aleatrio e S um espao amostral associado a E. A cada evento A associaremos um
nmero real representado por P (A) e denominado probabilidade de A, que satisfaa
aos seguintes axiomas:
(i) 0 P (A) 1;
(ii) P (S) = 1;
(iii) Se A e B forem mutuamente excludentes (A B = ), ento
P (A B) = P (A) +P (B) .
(iv) Se A
1
, A
2
, ..., A
n
forem, dois a dois, eventos mutuamente excludentes, ento,
P
_
_
i=1
A
i
_
= P(A
1
) +P(A
2
) + +P(A
n
) + =
i=1
P (A
i
) .
Observaes:
1) A probabilidade de um evento A, denotada por P (A) , indica a chance de ocorrncia
do evento A. Quanto mais prxima de 1 P (A), maior a chance de ocorrncia do evento
A, e quanto mais prxima de zero, menor a chance de ocorrncia do evento A.
2) Do axioma iii, decorre imediatamente que, para qualquer n nito,
P
_
n
_
i=1
A
i
_
=
n
i=1
P (A
i
) .
Principais Propriedades:
P1. Se denota o conjunto vazio (evento impossvel), ento
P () = 0.
P2. Se A o evento complementar de A, ento
P(A) = 1 P (A) .
P3. Se A e B so dois eventos quaisquer, ento
P (A B) = P (A) +P (B) P (A B) .
P4. Se A, B e C forem trs eventos quaisquer, ento
P(ABC) = P(A)+P(B)+P(C)P(AB)P(AC)P(BC)+P(ABC).
P5. Se A B, ento P(A) P(B).
Demonstraes:
7
1.3 Mtodos de Enumerao ou Tcnicas de Contagem
Nem sempre a tarefa de calcular a probabilidade de um evento aleatrio, da forma
P(A) = r/n, simples. Em algumas situaes necessrio alguns procedimentos sis-
temticos de contagem ou enumerao para se obter o nmero de maneiras, r, pelas quais
A pode ocorrer, bem como o nmero total de maneiras, n, pelas quais o espao amostral
S pode ocorrer.
no contexto descrito acima, que as tcnicas de contagem so de fundamental im-
portncia. Neste curso, veremos algumas das principais tcnicas.
1.3.1 Princpio Fundamental de Contagem (PFC) - Regra da Multiplicao
Suponha que um experimento possa ser realizado em k etapas, de modo que, para a
primeira etapa existem n
1
resultados possveis, para a segunda etapa n
2
resultados possveis,
e assim sucessivamente, at que para a k sima etapa existem n
k
resultados possveis.
Ento, existe um total de
n
1
n
2
.... n
k
resultados possveis para este experimento.
Exemplos:
1 - Ao lanar um dado e uma moeda, quantos resultados possveis podem ser obtidos?
2 - Uma companhia produz fechaduras que usam segredos numricos para serem abertas.
Se cada segredo consiste de trs nmeros distintos, escolhidos dentre os inteiros de
0 a 9, quanto segredos diferentes podero ser fabricados?
1.3.2 Regra da Adio
Suponha que um procedimento, designado por 1, possa ser realizado de n
1
maneiras.
Adimita-se que um segundo procedimento, designado por 2, possa ser realizado de n
2
maneiras. Alm disso, suponha-se que no seja possvel a realizao de ambos os proced-
imentos simultaneamente. Ento, o nmero de maneiras possveis de realizar ou 1 ou 2
ser
n
1
+n
2
.
Exemplo: Suponha-se que estejamos planejando uma viagem e devamos escolher
entre o transporte por nibus ou por trem. Se existirem trs rodovias e duas ferrovias, de
quantas maneiras poder ser feita a viagem?
8
1.3.3 Permutao e Arranjo
Suponha que tenhamos n objetos diferentes. Permutar os n objetos equivale a coloc-
los dentro de uma caixa com n compartimentos, em alguma ordem. Assim, o nmero de
permutaes de n objetos distintos dado por
nP
n
= n!
Considerem-se novamente n objetos distintos. Agora desejamos escolher r desses
objetos, 0 r n e permutar os r escolhidos. Denotaremos o nmero de maneira de se
fazer isso (arranjos) por nA
r
. Assim
nA
r
=
n!
(n r)!
.
Exemplos:
1 - Se no so permitidas repeties,
a) quantos nmeros de 3 dgitos podem ser formados dos seis dgitos 2, 3, 5, 6, 7
e 9?
b) Quantos destes so menores que 400?
c) Quantos so pares?
d) Quantos so mpares?
e) Quantos so mltiplos de 5?
2 - De quantas maneiras diferentes podemos escolher, sucessivamente, 3 cartas de um
baralho de 52:
a) com reposio;
b) sem reposio.
Obs.: Os problemas abordados nos itens a e b do exemplo 2, correspondem ao que
se conhece por Amostras Ordenadas com e sem Reposio, respectivamente.
1.3.4 Combinao
Considere, novamente, n objetos diferentes. Agora, trataremos da contagem do
nmero de maneiras de escolher r dentre esses n objetos sem considerarmos a ordem.
Denotaremos por nC
r
o nmero de combinaes possveis. Para isto, basta aplicar o
princpio fundamental de contagem de acordo com o seguinte raciocnio:
1
o
) Existem nC
r
maneiras de se escolher r objetos quaisquer, sem considerar a ordem;
2
o
) Existem r! maneiras de se permutar os r objetos escolhidos no primeiro procedi-
mento; ou seja; existem r! sequncias possveis ao escolher r objetos.
9
Agora, note que o nmero de maneiras possveis para realizar simultaneamente os
procedimentos 1 e 2 igual ao nmero de arranjos, de modo que, pelo PFC, tem-se
nC
r
r! = nA
r
=
n!
(n r)!
.
Dessa forma, o nmero de combinaes possveis dado por
nC
r
=
n!
r!(n r)!
.
Exemplo: Em um congresso cientco existem 15 Matemticos e 12 Estatsticos.
Qual a probabilidade de se formar uma comisso com 5 membros, na qual gurem 3
Matemticos e 2 Estatsticos?
1.4 Eventos Independentes
A probabilidade da ocorrncia de dois eventos simultaneamente, P(A B), depende
da natureza dos eventos, ou seja, se eles so independentes ou no.
Dois ou mais eventos so independentes quando a ocorrncia ou no-ocorrncia de um
no inuencia a ocorrncia do(s) outro(s).
Denio 1.9 (Eventos Independentes). Seja S um espao amostral. Os eventos
aleatrios A e B so (estocasticamente) independentes se, e somente se
P(A B) = P(A)P(B).
Proposio 1: A independente de si mesmo se, e somente se, P(A) = 0 ou 1.
Proposio 2: Se A e B so independentes, ento A e B tambm so independentes
(e tambm A e B, e ainda A e B).
Exerccio: Prove as proposies 1 e 2.
Denio 1.10 (Eventos Independentes Dois a Dois). Os eventos aleatrios A
i
, i =
1, 2, ..., n so independentes 2 a 2 se
P(A
i
A
j
) = P(A
i
)P(A
j
), i, j; i = j.
Denio 1.11 (Eventos Mutuamente Independentes). Os eventos aleatrios A
i
, i =
1, 2, ..., n so mutuamente independentes se forem independentes 2 a 2 e alm disso,
P(A
1
A
2
... A
n
) = P(A
1
)P(A
2
)...P(A
n
).
10
1
a
LISTA DE EXERCCIOS
1 - Uma caixa com N lmpadas contm r lmpadas (r < N) com lamento partido.
Essas lmpadas so vericadas uma a uma, at que uma lmpada defeituosa seja en-
contrada. Descreva um espao amostral para este experimento. Suponha agora, que
as lmpadas so vericadas at que todas as defeituosas sejam encontrdas. Descreva
um espao amostral para este experimento.
2 - O seguinte grupo de pessoas est numa sala: 5 homens maiores de 21 anos; 4 homens
com menos de 21 anos de idade; 6 mulheres maiores de 21 anos, e 3 mulheres menores.
Uma pessoa escolhida ao acaso. Denem-se os seguintes eventos:
A: A pessoa maior de 21 anos
B: A pessoa menor de 21 anos
C: A pessoa homem
D: A pessoa mulher
Calcule:
a) P(B D)
b) P(A C)
3 - Um inteiro escolhido ao acaso, dentre os nmeros 1, 2, ..., 50. Qual a probabilidade
de que o nmero escolhido seja divisvel por 6 ou por 8?
4 - A urna 1 contm x bolas brancas e y bolas vermelhas. A urna 2 contm z bolas
brancas e v bolas vermelhas. Uma bola escolhida ao acaso da urna 1 e posta na
urna 2. A seguir, uma bola escolhida ao acaso da urna 2. Qual a probabilidade de
que esta bola seja branca?
5 - Suponha que A e B sejam eventos independentes associados a um experimento. Se
a probabilidade de A ou B ocorrerem for igual a 0,6, enquanto a probabilidade da
ocorrncia de A for igual a 0,4, determine a probabilidade da ocorrncia de B.
6 - Um estudante se submete a um exame de mltipla escolha no qual cada questo tem
4 respostas possveis das quais exatamente uma correta. O estudante seleciona a
resposta correta se ele sabe a resposta. Caso contrrio, ele seleciona ao acaso uma
resposta entre as 4 possveis. Suponha que o estudante saiba a resposta de 60% das
questes. Se o estudante escolhe a resposta correta para uma dada questo, qual a
probabilidade de que ele sabia a resposta?
7 - Mostre que, se os eventos A e B so independentes, ento tambm o sero

A e B.
8 - Um dado viciado de tal forma que a probabilidade de sair um certo ponto propor-
cional ao seu valor (por exemplo, o ponto 6 3 vezes mais provvel de sair do que o
ponto 2). Calcular a probabilidade de tirar um nmero par, sabendo-se que saiu um
nmero maior que 3.
11
9 - Mostre que se A, B e C so eventos tais que P(AB C) = 0 e P(C | AB) =
P(C | B), ento P(A | B C) = P(A | B).
10 - Uma caixa tem trs moedas: uma no viciada, outra com duas caras e uma terceira
viciada, de modo que a probabilidade de ocorrer cara nesta moeda de
1
5
. Uma
moeda selecionada ao acaso na caixa. Saiu cara. Qual a probabilidade de que a
moeda viciada tenha sido a selecionada?
11 - Uma urna contm 4 bolas brancas e 6 bolas vermelhas; outra urna contm 3 bolas
brancas e 6 vermelhas. Passa-se uma bola, escolhida ao acaso, da primeira para a
segunda urna, e em seguida, retiram-se trs bolas desta ltima, sem reposio. Qual
a probabilidade de que ocorram trs bolas da mesma cor?
12 - A probabilidade de que A resolva um problema de
2
3
e a probabilidade de que
B resolva de
3
4
. Se ambos tentarem independentemente, qual a probabilidade do
problema ser resolvido?
13 - Uma companhia de seguros analisou a freqncia com que 2000 segurados usaram o
hospital. Os resultados so apresentados na tabela:
homens mulheres
usaram o hospital 100 150
no usaram o hospital 900 850
Qual a probabilidade de que uma pessoa segurada no use o hospital?
14 - Os colgios A, B e C tm as seguintes percentagens de rapazes, respectivsmente:
40%, 20% e 10%. Um desses colgios selecionado ao acaso e 8 alunos so escolhi-
dos, com reposio. Se obtemos RRRMMMMM (R para rapaz e M para moa) qual
a probabilidade de ter sido selecionado o colgio B?
15 - Sabe-se que a ocorrncia simultnea dos eventos A
1
e A
2
necessariamente fora a
ocorrncia do evento A. Prove que
P(A) P(A
1
) +P(A
2
) 1.
16 - Quantos nmeros naturais de 4 algarismos podem ser formados usando-se apenas os
algorismos 2, 3, 4 e 5, de forma que sejam menores do que 5000 e divisveis por 5?
17 - Considere que as pessoas possam nascer de forma equiprovvel em qualquer um dos
dias de um certo ano com 365 dias. Se numa sala existem r pessoas que nasceram
neste ano, qual a probabilidade de que existam, pelo menos dois aniversrios num
mesmo dia? Interprete esta probabilidade para r = 23.
18 - Calcule a probabilidade de se obter exatamente 3 caras e 2 coroas em 5 lances de
uma moeda honesta.
12
19 - Joo e Maria marcam um encontro no Iguatemi entre 17 horas e 18 horas com a
seguinte condio: Um espera pelo outro no mximo 15 minutos. Qual a probabili-
dade de que o encontro acontea?
20 - Uma caixa contm 40 fusveis bons e 10 defeituosos. Supondo que se seleciona
ao acaso 10 fusveis, qual a probabilidade de que no mais que 8 fusveis sejam
defeituosos?
21 - Ao escolher entre diversos fornecedores de computadores, um comprador deseja saber
a probabilidade de um computador falhar durantes os dois primeiros anos. Sabendo-se
que s existem duas possibilidades; ou o computador falha durante os dois primeiros
anos ou no falha, qual essa probabilidade? Agora se voc conhecesse o resultado
de uma pesquisa do PC World feita com 4000 usurios de computadores, na qual
revela que 992 computadores falham durantes os dois primeiros anos, qual ser a
probabilidade estimada?
22 - Jogam-se duas moedas equilibradas. Qual a probabilidade de ambas darem cara?
23 - Suponhamos agora que queiramos estender este resultado ao caso de trs moedas.
Qual a probabilidade de trs caras?
24 - Pedro tem dois automveis velhos. Se nas manhs frias, h 20% de probabilidade de
um deles no funcionar e 30% de outro no funcionar,
a) qual a probabilidade de nenhum funcionar?
b) qual a probabilidade dos dois funcionarem?
c) qual a probabilidade de pelo menos um funcionar?
d) qual a probabilidade de exatamente um funcionar?
25 - Considere o lanamento de dois dados equilibrados com o interesse de observar o
nmero das faces superiores.
a) Calcule a probabilidade dos eventos:
i) A: sair face par nos dois dados
ii) B: sair face par no primeiro dado
iii) C: sair face par no segundo dado
d) Os eventos B e C so independentes?
26 - De 120 estudantes, 60 estudam Francs, 50 Espanhol e 20 estudam Francs e Es-
panhol. Se um estudante escolhido ao acaso, encontre a probabilidade de que
ele:
a) estude Francs e Espanhol?
b) estude pelo menos uma das lnguas?
c) no estude nem Francs nem Espanhol?
13
27 - Ao escolher entre diversos fornecedores de computadores, um comprador deseja saber
a probabilidade de um computador falhar durantes os dois primeiros anos. Sabendo-se
que s existem duas possibilidades; ou o computador falha durante os dois primeiros
anos ou no falha, qual essa probabilidade? Agora se voc conhecesse o resultado
de uma pesquisa do PC World feita com 4000 usurios de computadores, na qual
revela que 992 computadores falham durantes os dois primeiros anos, qual ser a
probabilidade estimada?
28 - Um tero dos eleitores de certa comunidade constituido de mulheres, e 40% dos
eleitores votaram na ltima eleio presidencial. Supondo que esses dois eventos
sejam independentes, determine a probabilidade de escolher um eleitor da lista geral,
que seja mulher e que tenha votado na ltima eleio presidencial.
29 - Uma urna contm duas bolas brancas e cinco pretas. Qual a probabilidade de sair
duas bolas pretas supondo que os sorteios so feitos com reposio?
30 - Se cada carta de um baralho de 52 cartas tem a mesma chance de ser escolhida,
ento qual a probabilidade de:
a) se extrair cada uma delas?
b) de se extrair uma dama?
31 - Qual a probabilidade de se obter trs ou menos pontos no lanamento de um dado?
32 - Uma urna contm duas bolas brancas, trs pretas e cinco azuis.
a) Qual a probabilidade de se extrair uma bola branca?
b) Qual a probabilidade de se extrair uma bola preta ou uma azul?
33 - No lanamento de dois dados qual a probabilidade de sair o par (5,2)?
14
Aluno(a): .
2
a
NOTA DE AULA
2 Probabilidade Condicional, Teorema da Multipli-
cao de Probabilidades, Teorema da Probabilidade
Total e de Bayes
2.1 Probabilidade Condicional
Em algumas situaes, a probabilidade de ocorrncia de um certo evento pode ser
afetada se tivermos alguma informao sobre a ocorrncia ou no de um outro evento.
Considere, por exemplo, o seguinte experimento:
E : Dois dados so lanados, registrando-se o resultado como (x
1
, x
2
), onde x
i
o
resultado do i-simo dado, i = 1, 2.
O espao amostral, S, associado a este experimento, pode ser representado pela
seguinte lista de 36 possveis resultados igualmente provveis:
S =
Considere, agora, os dois eventos seguintes:
A = {(x
1
, x
2
); x
1
+x
2
= 10}
B = {(x
1
, x
2
); x
1
> x
2
}
Assim,
A =
B =
E, portanto,
P(A) =
P(B) =
15
Suponha, agora, que soubssemos da ocorrncia de B e que quisssemos calcular a
probabilidade de A. Iremos denotar essa probabilidade como P(A | B). Assim,
P(A | B) =
De maneira anloga, suponha que soubssemos da ocorrncia de A e que quisssemos
calcular a probabilidade de B. Ento, esta probabilidade denotada por P(B | A), ser dada
por
P(B | A) =
Note que, no clculo das probabilidades condicionais, o espao amostral foi reduzido
ao evento B e A, respectivamente.
Formalmente denimos probabilidade condicional da maneira a seguir.
Denio 2.1 (Probabilidade Condicional).
P(A | B) =
P (A B)
P(B)
,
desde que P(B) > 0.
Da denio acima, podemos dizer que
P (A B) = P(B)P(A | B), ou equivalentemente,
P (A B) = P(A)P(B | A).
Este ltimo resultado muitas vezes mencionado como o Teorema da Multiplicao
de Probabilidades.
O Teorema da Multiplicao de Probabilidades pode ser generalizado para mais
de dois eventos da seguinte maneira:
P (A
1
A
2
A
n
) = P (A
1
) P (A
2
| A
1
) P (A
3
| A
1
A
2
) P (A
n
| A
1
A
2
A
n1
)
Observao:
Note que, se A e B so independentes, ento
P(A | B) =
P(A B)
P(B)
=
P(A)P(B)
P(B)
= P(A).
Exerccio: Mostre que A e B so independentes se, e somente se,
P(A | B) = P(A) ou P(B | A) = P(B).
16
2.2 Teorema da Probabilidade Total
Denio 2.2 (Partio do Espao Amostral). Dizemos que os eventos B
1
, B
2
, ..., B
k
representam uma partio do espao amostral S, quando
a) B
i
B
j
= , para todo i = j,
b)
k
i=1
B
i
= S,
c) P(B
i
) > 0, para todo i.
Teorema 2.1 (Teorema da Probabilidade Total). Considere um evento A referente a
S, e B
1
, B
2
, ..., B
k
uma partio de S. Assim, podemos escrever
A = (A B
1
) (A B
2
) (A B
3
) ... (A B
k
).
Logo,
P(A) = P(A B
1
) +P(A B
2
) +P(A B
3
) +... +P(A B
k
).
Ento, como P(AB
j
) = P(B
j
)P(A | B
j
), obteremos o que se denomina Teorema
da Probabilidade Total:
P(A) = P(B
1
)P(A | B
1
) +P(B
2
)P(A | B
2
) +... +P(B
k
)P(A | B
k
).
2.3 Teorema de Bayes
Teorema 2.2 (Teorema de Bayes). Sob as mesmas hipteses do teorema da probabi-
lidade total, podemos calcular a probabilidade de B
i
dada a ocorrncia de A da seguinte
forma
P(B
i
| A) =
P(B
i
A)
P(A)
=
P(B
i
)P(A | B
i
)
j
P(B
j
)P(A | B
j
)
.
Este resultado o que chamamos de Teorema de Bayes. Esse teorema til quando
conhecemos as probabilidades dos B
i
s e a probabilidade condicional de A dado B
i
, mas
no conhecemos diretamente a probabilidade de A.
17
2
a
LISTA DE EXERCCIOS
1 - Suponha que a probabilidade de que ambas crianas gmeas sejam meninos 0,30 e
que a probabilidade de que sejam meninas 0,26. Dado que a probabilidade de uma
criana seja menino 0.52, qual a probabilidade de que:
a) A segunda criana seja um menino, sabendo-se que o primeiro um menino?
b) A segunda criana seja uma menina, sabendo-se que a primeira uma menina?
2 - A proporo de peas produzidas pelas mquinas I, II e III 30%, 30% e 40%, re-
spectivamente. Dentre estas peas, 4%, 3% e 2%, respectivamente, so defeituosas.
Uma pea escolhida aleatoriamente, foi testada e vericou-se ser defeituosa. Qual
a probabilidade de que a pea tenha sido produzida pela mquina I? E pela mquina
II? E pela III?
3 - As probabilidades de que trs homens atinjam um alvo so, respectivamente,
1
6
,
1
4
e
1
3
.
Cada um atira uma vez em direo ao alvo.
a) Determine a probabilidade p de que exatamente um deles atinja o alvo.
b) Se apenas um atinge o alvo, qual a probabilidade de ele ser o primeiro homem?
4 - Em um teste de mltipla escolha, a probabilidade do aluno saber a resposta p.
Havendo m escolhas, se ele sabe a resposta, ele responde corretamente com proba-
bilidade 1; se no sabe ele responde com probabilidade
1
m
.
a) Qual a probabilidade de que ele sabia a resposta dado que a pergunta foi re-
spondida corretamente?
b) Calcule o limite da probabilidade do item anterior quando m com p xo.
Interprete este resultado.
5 - Uma urna contm duas bolas brancas, trs verdes e cinco azuis. Se trs bolas so
retiradas ao acaso, sem reposio, determine a probabilidade de:
a) trs bolas verdes ocorrerem.
b) exatamente uma bola verde ocorrer.
6 - A probabilidade de que um time de futebol vena seu prximo oponente estimada
em 0,7 se no chover, mas s em 0,5 se chover. Se os registros meteorolgicos
mostrarem que choveu 40 por cento das vezes, na data do jogo, nos anos passados,
qual a probabilidade de que o time vena seu prximo oponente? Resp.: 0,62.
7 - Suponhamos que seja de 0,005 a probabilidade de que o motor de um monomotor de
combate falhe na decolagem e que a taxa de falha tcnica do motor de um bimotor
de combate seja de 0,003. Se o bimotor no puder decolar a no ser que ambos os
motores estejam operando adequadamente, que avio mais seguro na decolagem?
Resp.: P(bimotor falhar na decolagem) = 0, 006.
18
8 - Empregados de certa rma so submetidos a um teste de aptido quando empregados
pela primeira vez. A experincia mostrou que dos 60 por cento que passaram no teste,
80 por cento deles eram bons trabalhadores, enquanto dos 40 por cento dos que no
conseguiram passar s 30 por cento foram avaliados como bons trabalhadores. Qual
a probabilidade de que um empregado escolhido ao acaso seja um bom trabalhador?
Use aqui a tcnica da rvore. Resp.: 0,60.
9 - Suponhamos que seja p a probabilidade de que o tempo (com sol ou nublado) seja o
mesmo do dia anterior. Se hoje for dia de sol, qual a probabilidade de que depois de
amanh tenhamos tambm um dia de sol? Resp.: 2p
2
2p + 1
19
Aluno(a): .
3
a
NOTA DE AULA
3 Variveis Aleatrias: Discretas e Contnuas
3.1 Introduo
Ao descrever um espao amostral S associado a um experimento E, podemos obser-
var que os resultados possveis no so, necessariamente, nmricos. Consideremos, por
exemplo, o seguinte experimento:
E
1
: Lanar duas moedas e observar a face superior de cada uma.
Neste experimento, temos S = {CC, CK, KC, KK} e, na prtica, o que realmente
podemos estar interessados em observar , por exemplo, o nmero de vezes que ocorre
cara (K), ou seja, temos interesse num nmero real que est associado a cada resultado do
espao amostral S.
Denio 3.1 (Varivel Aleatria). Seja E um experimento aleatrio e S um es-
pao amostral associado ao experimento. Dizemos que a funo X uma varivel
aleatria quando associa a cada elemento do espao amostral, s S, um nmero real,
x = X(s).
Esquematicamente, temos:
(Esboar a funo (ou varivel aleatria) que associa a cada elemento
do espao amostral, s S, um nmero real, x = X(s) )
20
Exemplo: Mostre (esquematicamente) que: Se X o nmero de vezes que ocorre
cara(K) ao lanar duas moedas, ento, X uma varivel aleatria.
Denio 3.2 (Eventos Equivalentes). Sejam um experimento E e seu espao amostral
S. Seja X uma varivel aleatria denida em S e seja R
X
seu contradomnio. Seja B
um evento denido em relao a R
X
, isto , B R
X
. Dena o evento A como
A = {s S; X(s) B}.
Neste caso dizemos que A e B so eventos equivalentes.
Denio 3.3 (Probabilidade de Eventos Equivalentes). Seja B um evento no con-
tradomnio R
X
. Nesse caso, denimos P(B) da seguinte maneira:
P(B) = P(A), onde A = {s S; X(s) B}.
Exemplo: A partir do exemplo anterior, temos R
X
= {0, 1, 2}, onde cada um desses
valores ocorre com as seguintes probabilidades:
21
3.2 Variveis Aleatrias Discretas
Denio 3.4 (Varivel Aleatria Discreta). Dizemos que uma varivel aleatria
discreta se o conjunto formado pelos possveis valores que essa varivel assume for
nito ou innito enumervel, de maneira que podemos listar todos os resultados como
x
1
, x
2
, x
3
, ....
Denio 3.5 (Funo de Probabilidade). Seja X uma varivel aleatria assumindo
os valores x
1
, x
2
, x
3
, .... A funo p(x
i
) = P(X = x
i
), i = 1, 2, ... uma funo de
probabilidade se:
1. p(x
i
) 0, i;
2.
i=1
p(x
i
) = 1
O conjunto de todos os pares [x
i
, p(x
i
)], i = 1, 2, ..., n, ... denido como a Dis-
tribuio de Probabilidades da varivel aleatria X.
Exemplos:
1 ) Se denimos a v.a. X: o nmero de ocorrncia de cara ao lanar duas moedas,
encontre a distribuio de probabilidades de X e represente-a atravs de um grco.
2 ) Uma urna contm duas bolas brancas (B) e trs vermelhas (V). Suponha que duas
bolas sejam retiradas ao acaso, sem reposio. Se a v.a. X o nmero de bolas
vermelhas nas duas retiradas, qual a distribuio de X? Represente gracamente
a distribuio de X.
3 ) Considerando a varivel aleatria (v.a.) X cuja funo de probabilidade dada por:
P(X = x) =
1
2
x
, x = 1, 2, 3, ...
a ) Mostre que X tem realmente uma distribuio de probabilidades.
b ) Faa um grco representando o comportamento desta distribuio.
c ) Obtenha:
i . P(X ser par)
ii . P(X 3)
iii . P(X ser mltiplo de 3)
22
3.3 Variveis Aleatrias Contnuas
Denio 3.6 (Varivel Aleatria Contnua). A varivel aleatria X contnua se
existir uma funo f, denominada funo densidade de probabilidade (f.d.p.) de X
que satisfaa s seguintes condies:
a) f(x) 0 para todo x;
b)
_
+
f(x)dx = 1.
Observaes: Se X uma varivel aleatria contnua, ento:
(i) P(X = k) = 0, onde k qualquer valor real.
(ii) Para quaisquer a, b, com < a < b < +, teremos
P(a X b) = P(a < X b)
= P(a X < b)
= P(a < X < b)
=
_
b
a
f(x)dx.
Probabilidade essa, que pode ser representada pela rea sob o grco da funo f no
intervalo [a, b], tal como ilustrado abaixo:
(Esboar o grco representando a rea denida por P(a < X < b) =
_
b
a
f(x)dx)
Exemplos:
1 - Suponha que estamos atirando dardos em um alvo circular de raio de 10 cm, e seja
X a distncia do ponto atingido pelo dardo ao centro do alvo. A f.d.p. de X
f(x) =
_
kx, 0 x 10
0, c.c
a) Qual a probabilidade de acertar a mosca, se ela um crculo de raio 1 cm?
b) Mostre que a probabilidade de acertar qualquer crculo concntrico propor-
cional a sua rea.
2 - Uma varivel aleatria contnua X dita ter distribuio uniforme se a sua f.d.p.
da forma
f(x) =
_
k, se a < x < b
0, caso contrrio
23
a) Encontre o valor de k para que a funo f seja realmente uma f.d.p.
b) Esboce o grco da distribuio de X.
3 - Mostre que a seguinte funo uma f.d.p.:
f(x) =
1
(1 +x
2
)
, x .
3.4 Funo de Distribuio Acumulada
Denio 3.7 (Funo de Distribuio Acumulada - f.d.a.). A funo de distribuio
acumulada F, ou simplesmente funo de distribuio (f.d.) de uma varivel
aleatria X qualquer denida como
F(x) = P(X x), x .
Observao:
a) Se a varivel aleatria X for discreta, ento a funo de distribuio ser dada por
F(x) = P(X x) =
i ; x
i
x
p(x
i
),
b) Se a varivel aleatria X for contnua, ento a funo de distribuio ser dada por
F(x) = P(X x) =
_
x
f(t)dt.
Exemplos:
1 - Suponhamos que a varivel aleatria X tome os trs valores 0,1 e 2, com proba-
bilidades 1/3, 1/6 e 1/2, respectivamente. Encontre a funo de distribuio F e
represente-a gracamente.
2 - Encontre a funo de distribuio de X cuja f.d.p. dada por
f(x) =
_
2x, 0 < x < 1,
0, c.c.
Esboe os grcos da f.d.p., f(x), e da funo de distribuio F.
3 - Se a varivel aleatria X tem distribuio uniforme obtenha a funo de distribuio
de X e represente-a gracamente.
24
3.4.1 Propriedades da Funo de Distribuio
A seguir veremos algumas propriedades importantes da funo de distribuio acumu-
lada F de uma varivel aleatria X qualquer:
(i) A funo F no decrescente.
(ii) F contnua direita.
(iii)
F() lim
x
F(x) = 0
e
F(+) lim
x+
F(x) = 1.
Alguns Teoremas importantes relacionados funo de distribuio acumulada, tam-
bm so apresentados a seguir:
Teorema 3.1. Seja X uma varivel aleatria discreta, com valores possveis x
1
, x
2
, ...,
e suponha-se que esses valores tenham sido indexados de modo que x
1
< x
2
< .... Seja
F a funo de distribuio de X. Ento,
p(x
i
) = P(X = x
i
) = F(x
i
) F(x
i
),
onde F(x
i
) lim
h0
F(x
i
+h).
Teorema 3.2. Seja F a funo de distribuio de uma varivel aleatria contnua,
com f.d.p. f. Ento,
f(x) =
dF(x)
dx
,
para todo x no qual F seja derivvel.
Observaes:
1) Se X for uma varivel aleatria discreta, o grco da funo de distribuio ser
constitudo por segmentos de reta horizontais. Alm disso, a funo F contnua, exceto
nos valores possveis de X: x
1
, ..., x
n
, ...; pois, para cada valor x
i
o grco apresenta um
salto de magnitude p(x
i
) = P(X = x
i
).
2) Se X for uma varivel aleatria contnua, ento
(i) P(a < X < b) = F(b) F(a).
(ii) P(X > a) = 1 F(a).
25
Exemplos:
1 - Sabendo-se que a v.a. X assume os valores 1,2 e 3 e que sua funo de distribuio
F(x) tal que
F(1) F(1
) = 1/4,
F(2) F(2
) = 1/2,
F(3) F(3
) = 1/4.
Obter a distribuio de X, a funo de distribuio acumulada e seu respectivo
grco.
2 - Dada a seguinte funo de distribuio
F(x) =
_
0, x < 0,
1 e
x
, x > 0.
a ) Encontre a probabilidade da varivel X assumir os seguintes valores:
i . P(X = 1);
ii . P(0.5 < X < 1);
iii . P(X > 1);
d ) Esboe um grco ilustrando cada uma das situaes descritas acima.
e ) Determine o valor de tal que F() = 1/4.
f ) Encontre a f.d.p. da varivel X.
26
3
a
LISTA DE EXERCCIOS
1 - Considere uma urna contendo trs bolas vermelhas e cinco pretas. Retire trs bolas,
sem reposio, e dena a v.a. X igual ao nmero de bolas pretas. Obtenha a
distribuio de X.
2 - Repita o problema anterior, mas considerando extraes com reposio.
3 - Generalize o problema 1, considerando uma urna contendo N bolas, dentre as quais
k so pretas e as demais so vermelhas, e, alm disso, considerando a retirada, sem
reposio, de n bolas. Descreva o conjunto de valores que a varivel aleatria X
pode assumir.
Obs.: A varivel aleatria X, neste caso, dita ter Distribuio Hipergeomtrica
com parmetros N, r e n.
4 - Uma moeda perfeita lanada quatro vezes. Seja Y o nmero de caras obtidas.
Calcule a distribuio de Y .
5 - Repita o problema anterior, considerando agora que a moeda viciada, sendo a
probabilidade de cara dada por p, 0 < p < 1, p = 1/2.
6 - Generalize o problema 5, para n lanamentos da moeda.
Obs.: A varivel aleatria Y , neste caso, dita ter Distribuio Binomial com
parmetros n e p.
7 - Suponhamos que uma vlvula eletrnica seja posta em um soquete e ensaiada. Ad-
mitamos que a probabilidade de que o teste seja positivo seja
3
4
; da, a probabilidade
de que seja negativo igual a
1
4
. Adimitamos tambm que estejamos ensaiando uma
partida grande dessas vlvulas. Os ensaios continuam at que a primeira vlvula
positiva aparea. Considere a varivel aleatria X: n
o
de testes necessrios para
concluir o experimento. Assim
S =
P(X = n) =
8 - Dada a funo
f(x) =
_
2e
2x
, x 0
0, x < 0,
a) Mostre que esta funo uma f.d.p. e represente-a atravs de um grco.
b) Obtenha a funo de distribuio de X e calcule a probabilidade de X > 10.
9 - Seja X o tempo at a desintegrao de alguma partcula radioativa e suponha que a
funo de distribuio de X seja dada por
F(x) =
_
0, x < 0,
1 e
x
, x > 0.
Suponha que seja tal que P(X 0, 01) = 1/2. Obtenha um nmero t tal que
P(X t) = 0, 9.
27
Aluno(a): .
4
a
NOTA DE AULA
4 Caracterizao Adicional das Variveis Aleatrias
4.1 Introduo
No estudo de variveis aleatrias algumas caractersticas numricas podem nos
fornecer uma idia sobre o comportamento da distribuio de probabilidades. Estas
caractersticas so conhecidas como parmetros da distribuio.
4.2 O Valor Esperado ou Esperana Matemtica de Uma
Varivel Aleatria
Denio 4.1 (Valor Esperado de uma Varivel Aleatria).
Caso 1: Varivel Aleatria Discreta
Seja X uma varivel aleatria discreta, com valores possveis x
1
, x
2
, ..., x
n
, ... e con-
sidere p(x
i
) = P(X = x
i
), i = 1, 2, ..., n, ... Ento, o valor esperado de X (ou esperana
matemtica de X), denotado por E(X) denido como
E(X) =
i=1
x
i
p(x
i
),
se a srie denida acima convergir absolutamente, isto , se
i=1
|x
i
| p(x
i
) < .
Este nmero tambm denominado o valor mdio de X, ou expectncia de X.
Caso 2: Varivel Aleatria Contnua
Seja X uma varivel aleatria contnua com f.d.p. f. Ento, o valor esperado de X
denido como
E(X) =
_
+
xf(x)dx.
Pode acontecer que esta integral (imprpria) no convirja. Conseqentemente, diremos
que E(X) existir se, e somente se,
_
+
|x| f(x)dx < .

28
Exemplos:
1 - Um fabricante produz peas tais que 10% delas so defeituosas e 90% delas so
no-defeituosas. Se uma pea defeituosa for produzida, o fabricante perde R$ 1,00,
enquanto uma pea no-defeituosa lhe d um lucro de R$ 5,00. Se X for o lucro
lquido por pea, qual o valor esperado de X?
2 - Uma varivel aleatria contnua X denida num intervalo [a, b] dita ter distribuio
uniforme se possui a seguinte f.d.p.
f(x) =
_
1
ba
, a x b,
0, c.c.
Encontre a esperana dessa varivel aleatria.
3 - Suponha que a varivel aleatria X represente o tempo (em minutos) durante o qual
um equipamento eltrico utilizado em carga mxima. Suponha ainda, que X seja
uma varivel aleatria contnua com a seguinte f.d.p.:
f(x) =
_
_
_
x
1500
2
, 0 x 1500,
(x3000)
1500
2
, 1500 < x 3000,
0, c.c.
Encontre o tempo mdio (em minutos) que o equipamento eltrico utilizado em
carga mxima.
4.3 Esperana de uma Funo de uma Varivel Aleatria
intuitivamente evidente a idia de que qualquer funo de uma varivel aleatria X,
Y = H(X), tambm uma varivel aleatria; pois qualquer resultado aleatrio, X(s) = x,
resultar num resultado tambm aleatrio Y = H(X(s)) = H(x) = y. Desta forma, ter
sentido calcular E(Y ).
Existem duas maneiras equivalentes para se obter o valor esperado de Y = H(X). A
primeira requer que se obtenha primeiramente a distribuio de Y , - problema este que ser
abordado posteriormente. Uma segunda maneira requer, simplesmente, o conhecimento da
distribuio de probabilidade de X. neste sentido que veremos a seguinte denio e
teorema.
Denio 4.2 (Esperana de uma Funo de Varivel Aleatria). Seja X uma varivel
aleatria e seja Y = H(X) uma funo contnua. Ento,
(a) Se Y for uma varivel aleatria discreta com valores possveis y
1
, y
2
, ... e se
p(y
i
) = P(Y = y
i
), o valor esperado de Y denido por
E(Y ) =
i=1
y
i
p(y
i
).
29
(b) Se Y for uma varivel aleatria contnua com f.d.p. f
Y
, o valor esperado de
Y denido por
E(Y ) =
_
+
yf
Y
(y)dy.
Teorema 4.1. Seja X uma varivel aleatria e seja Y = H(X). Ento,
(a) Se X for uma varivel aleatria discreta e p(x
i
) = P(X = x
i
), tem-se que o
valor esperado de Y ser dado por
E(Y ) = E[H(X)] =
j=1
H(x
j
)p(x
j
).
(b) Se X for uma varivel aleatria contnua com f.d.p. f
X
, tem-se que o valor
esperado de Y ser dado por
E(Y ) = E[H(X)] =
_
+
H(x)f
X
(x)dx.
4.4 Propriedades do valor esperado
Se X uma v.a. e k uma constante qualquer, ento:
1. E[k] = k.
2. E[X +k] = E(X) +k.
3. E[kX] = kE(X).
4. E[X ] = 0, onde = E(X).
Demonstraes:
30
Exemplos:
1 - Um fabricante produz peas tais que 10% delas so defeituosas e 90% delas so
no-defeituosas. Se uma pea defeituosa for produzida, o fabricante perde R$ 1,00,
enquanto uma pea no-defeituosa lhe d um lucro de R$ 5,00. Se X for o lucro
lquido por pea, determine:
a) O valor esperado de X?
b) Se houver um aumento de 10% nos valores de X, qual ser o lucro lquido
esperado?
c) E Se houver um acrscimo de R$ 0,10 nos valores de X, em mdia, quanto ser
o lucro lquido?
2 - Suponhamos que X seja uma varivel aleatria com a seguinte f.d.p.
f(x) =
_
e
x
2
, se x 0,
e
x
2
, se x > 0.
Se Y = |X|, qual ser o valor de E(Y )?
4.5 A Varincia de uma Varivel Aleatria
Denio 4.3 (Varincia de uma Varivel Aleatria).
Caso 1: Varivel Aleatria Discreta
Dada a varivel aleatria discreta X e a respectiva funo de probabilidade p(x
i
), a
varincia de X dada por
V ar(X) = E[(X )
2
] =
i=1
(x
i
)
2
p(x
i
),
onde = E(X).
Caso 2: Varivel Aleatria Contnua
Seja X uma varivel aleatria contnua com f.d.p. f. Ento, a varincia de X dada
por
V ar(X) = E[(X )
2
] =
_
+
(x )
2
f(x)dx
A raiz quadrada da varincia de X denominada Desvio Padro de X, ou seja,
DP(X) =
_
V ar(X).
31
Exerccio:
1 - Mostre que
V ar(X) = E(X
2
) E
2
(X).
Onde:
E(X
2
) =
_
_
_
i=1
x
2
i
p(x
i
), no caso discreto;
_
+
x
2
f(x)dx, no caso contnuo.
Exemplos:
1 - Se X uma varivel aleatria uniforme num intervalo [a, b], ou seja, X U(a, b),
qual o valor de V ar(X)?
2 - Seja V a velocidade do vento (em milhas por hora) e suponha que V seja uniforme-
mente distribuda sobre o intervalo [0, 10]. A presso, digamos W (em libras/p
quadrado), na superfcie da asa de um avio dada pela relao W = 0, 003V
2
.
Encontre o valor esperado de W.
3 - Se X uma varivel aleatria contnua com f.d.p.
f(x) =
_
1 +x, 1 x 0,
1 x. 0 x 1.
Obtenha a varincia de X.
4.6 Propriedades da varincia
Se X uma v.a. e k uma constante qualquer, ento:
1. V ar(k) = 0.
2. V ar(X +k) = V ar(X).
3. V ar(kX) = k
2
V ar(X).
Demonstraes:
32
4
a
LISTA DE EXERCCIOS
1 - O servio de meteorologia classica o tipo de cu que visvel, em termos de
graus de nebulosidade. Uma escala de 11 categorias empregada: 0,1,2,...,10,
onde 0 representa um cu perfeitamente claro, 10 representa um cu completamente
encoberto, enquanto os outros valores representam as diferentes condies inter-
medirias. Suponha que tal classicao seja feita em uma determinada estao
meteorolgica, em um determinado dia e hora. Seja X a varivel aleatria que pode
tomar um dos 11 valores acima. Admita que a distribuio de probabilidade de X
seja
X = x 0 1 2 3 4 5 6 7 8 9 10
P(X = x) 0,05 0,15 0,15 0,06 0,06 0,06 0,06 0,06 0,15 0,15 0,05
Encontre E(X), E(X
2
) e V ar(X).
2 - Uma urna contm 4 bolas brancas e 6 pretas. 3 bolas so retiradas com reposio.
Seja X : o nmero de bolas brancas. Calcular E(X) e V ar(X). Resp.: E(X) = 1, 2
e V ar(X) =?.
3 - A funo de probabilidade da varivel aleatria X : P(X = x) =
1
5
, para x =
1, 2, 3, 4, 5. Calcular E(X) e E(X
2
). A partir desses resultados calcular:
a) E(X + 3)
2
;
b) V ar(3X 2).
Resp.: a) 38 b) 18.
4 - Um banco pretende aumentar a ecincia de seus caixas. Para isto, o banco est
oferecendo um prmio de R$ 150,00 para cada cliente atendido, alm de 42 clientes
por dia. O banco tem um ganho operacional de R$ 100,00 para cada cliente atendido
alm de 41. As probabilidades de atendimento so:
n
o
de clientes At 41 42 43 44 45 46
Probabilidade 0,88 0,06 0,04 0,01 0,006 0,004
Qual o ganho esperado do banco, se este novo sistema for implantado? O sistema
vantajoso para o banco? Resp.: E(X) = 7, 30.
5 - Suponhamos que dez cartas estejam numeradas de 1 at 10. Das dez cartas, retira-se
uma de cada vez, ao acaso e sem reposio, at retirar-se o primeiro nmero par. Se
X uma varivel aleatria que expressa o nmero de retiradas necessrias.
a) Qual a funo de probabilidade de X?
b) Em quantas retiradas espera-se obter o primeiro nmero par? Resp.: .
33
6 - Um vendedor de equipamentos pesado pode visitar, num dia, um ou dois clientes,
com probabilidade de 1/3 ou 2/3, respectivamente. De cada contato, pode resultar
a venda de um equipamento por R$ 50.000,00(com probalidade 1/10) ou nenhuma
venda (com probabilidade 9/10). Indicando por Y o valor total de vendas dirias
desse vendedor:
a) Escreva a funo de probabilidade de Y ;
b) Qual o valor total esperado de vendas dirias?
Resp.: a) Y = 0, 50.000, 100.000 com probabilidades 126/150, 23/150, 1/150. b)
E(Y ) = 8.333.33.
7 - Calcule a varincia da varivel Y , do problema anterior.
8 - O tempo T, em minutos, necessrio para um operrio processar certa pea uma
v.a. com a seguinte distribuio de probabilidade.
T = t 2 3 4 5 6 7
P(T = t) 0,1 0,1 0,3 0,2 0,2 0,1
a) Calcule o tempo mdio de processamento.
b) Para cada pea processada, o operrio ganha um xo de R$ 2,00, mas, se ele
processa a pea em menos de seis minutos, ganha R$ 0,50 em cada minuto
poupado. Por exemplo, se ele processa a pea em quatro minutos, recebe a
quantia adicional de R$ 1,00.
Encontre a distribuio, a mdia e a varincia da v.a. G: quantia ganha por
pea.
Resp.: a) E(T) = 4, 6. b) E(G) = 2, 75 e V ar(G) = 0, 4125.
9 - A percentagem de lcool (100X) em certo composto pode ser considerada uma va-
rivel aleatria, onde X, tem a seguinte funo densidade:
f(x) = 2x
3
(1 x), 0 < x < 1.
a) Obtenha a funo de distribuio acumulada de X;
b) Calcule P(X 2/3);
c) Suponha que o preo de venda desse composto dependa do contedo de l-
cool. Especicadamente, se 1/3 < X < 2/3, o composto vendido por
C
1
u.m/galo; caso contrrio, vendido por C
2
u.m/galo, determine o lu-
cro lquido mdio por galo.
10 - Num teste de digitao, o tempo em minutos (T) que os candidatos levam para
digitar um texto modelado, de forma aproximada, pela seguinte distribuio de
probabilidade:
34
T 3 4 5 6 7 8 9
p
i
0,1 0,1 0,2 0,2 0,2 0,1 0,1
O candidato recebe 4 pontos se terminar a digitao em 9 minutos, 5 se terminar em
8 minutos e assim por diante. Determine a mdia e a varincia do nmero de pontos
obtidos no teste.
11 - Suponha que a demanda por certa pea, numa loja de autopeas, siga o seguinte
modelo:
P(X = k) =
a2
k
k!
, k = 1, 2, 3, 4.
a) Encontre o valor de a.
b) Calcule a F.d.a de X.
c) Calcule a demanda esperada.
d) Qual a variabilidade da demanda?
12 - A funo de probabilidade da varivel aleatria X P(X = k) = 1/5, k = 1, 2, ..., 5.
Calcule E(X), E(X
2
), V ar(X), E[(X + 3)
2
] e V ar(3X 2).
13 - Suponha que a varivel aleatriaX tenha valores possveis 1,2,..., e P(X = j) = 1/2
j
,
j = 1, 2, ...
a) Calcule P(X ser par).
b) Calcule P(X 5).
c)Calcule P(X ser divisvel por 3).
14 - Considere uma varivel aleatria X com resultados possveis: 0,1,2,... Suponha que
P(X = j) = (1 a)a
j
, j = 0, 1, 2, ...
a) Para que valores de a o modelo acima tem sentido?
b) Verique que essa expresso representa uma legtima distribuio de probabilidade.
c) Mostre que, para quaisquer dois inteiros positivos s e t,
P(X > s +t | X > s) = P(X t).
15 - Verique se as expresses abaixo so funes densidade de probabilidade (assuma
que elas se anulam fora dos intervalos especicados).
a) f(x) = 3x, se 0 x 1.
b) f(x) =
x
2
2
, se x 0.
c) f(x) =
(x3)
2
, se 3 x 5.
d) f(x) = 2, se 0 x 2.
e)f(x) =
_
1 +x, se 1 x 0
1 x, se 0 < x 1.
f)f(x) = , se < x < 0.
35
16 - A varivel aleatria contnua tem f.d.p. f(x) = 3x
2
, 1 x 0. Se b for um
nmero que satisfaa a 1 < b < 0, calcule P(X > b | X < b/2).
17 - Suponham que f e g sejam f.d.p. no mesmo intervalo a x b.
a) Verique que f +g no uma f.d.p. nesse intervalo.
b) Verique que, para todo nmero , 0 < < 1, f(x) +(1)g(x) uma f.d.p.
nesse intervalo.
18 - O dimetro X de um cabo eltrico supe-se ser uma varivel aleatria contnua com
f.d.p. f(x) = 6x(1 x), 0 x 1.
a) Verique que essa expresso uma f.d.p. e esboce seu grco.
b) Obtenha uma expresso par a F.d.a. da varivel X.
c) Determine um nmero b tal que P(X < b) = 2P(X > b).
d) Calcule P(X 1/2 | 1/3 < X < 2/3).
19 - Uma varivel aleatria X pode tomar quatro valores, com probabilidades (1+3x)/4, (1
x)/4, (1 + 2x)/4 e (1 4x)/4. Para que valores de x essa uma distribuio de
probabilidade?
20 - Uma varivel aleatria X tem F.d.a dada por
F(x) =
_
_
_
0, se x 0
x
5
, se 0 < x < 1
1, se x 1.
Calcule E(X) e V ar(X).
21 - Numa certa regio, fsseis de pequenos animais so freqentemente encontrados e
um arquelogo estabeleceu o seguinte modelo de probabilidade (f.d.p) para o com-
primento, em centmetros, desses fsseis.
f(x) =
_
_
_
x
40
, se 4 x 8
x
20
+
3
5
, se 8 < x 10
1
10
, se 10 < x 11.
a)Calcule a F.d.a.
b) Para um fssil encontrado nessa regio, determine a probabilidade do comprimento
ser inferior a 6 cm? E de ser superior a 5 mas inferior a 10,5 cm.
c)Encontre o valor esperado para o comprimento dos fsseis da regio.
36
Aluno(a): .
5
a
NOTA DE AULA
5 Alguns Modelos de Variveis Aleatrias
5.1 Variveis Aleatrias Discretas
5.1.1 Modelo Uniforme Discreto
Denio: Seja X uma varivel aleatria cujos possveis valores so representados por
x
1
, x
2
, ..., x
k
. Dizemos que X segue o modelo Uniforme Discreto se atribui a mesma pro-
babilidade 1/k a cada um desses k valores, isto , sua funo de probabilidade dada por
P(X = x
j
) =
1
k
, j = 1, 2, ..., k.
Exemplo: Uma rifa tem 100 bilhetes numerados de 1 a 100. Tenho 5 bilhetes consec-
utivos numerados de 21 a 25, e meu colega tem outros 5 bilhetes, com os nmeros 1, 11,
29, 68 e 93. Quem tem maior possibilidade de ser sorteado?
Propriedades
fcil vericar que:
E(X) =
k
i=1
x
i
k
,
V ar(X) =
1
k
_
k
i=1
x
2
i

(
k
i=1
x
i
)
2
k
_
.
5.1.2 Modelo de Bernoulli
Denio: Consideremos uma nica tentativa de um experimento aleatrio de forma que
tenhamos sucesso ou fracasso nessa tentativa.
Seja p a probabilidade de sucesso, logo 1 p ser a probabilidade de fracasso.
Dena a varivel aleatria X da seguinte forma: X = 0, se no ocorre sucesso, ou 1,
se ocorre sucesso. Onde
P(X = 0) = 1 p
P(X = 1) = p.
37
Nessas Condies a varivel aleatria X segue o modelo de Bernoulli, e sua funo de
probabilidade dada por:
P(X = x) = p
x
(1 p)
1x
, x = 0, 1.
Note que, E(X) = p e V ar(X) = p(1 p).
Exemplo: Lana-se um dado e observa-se ocorrncia da face 6.
5.1.3 Modelo Binomial
Consideremos n tentativas independentes de um mesmo experimento aleatrio. Cada ten-
tativa adimitindo apenas dois resultados: sucesso com probabilidade p e fracasso com
probabilidade 1 p. As probabilidades de sucesso e fracasso so as mesmas para cada
tentativa.
Seja X: nmero de sucessos em n tentativas.
A varivel aleatria X associada a esse experimento dita ser uma Varivel aleatria
Binomial com parmetros n e p, que denotaremos por X : b(n, p). Sua funo de proba-
bilidade dada pelo teorema seguinte:
Teorema 5.1. Seja X uma varivel aleatria binomial com parmetros n e p. Ento
P(X = k) =
_
n
k
_
p
k
(1 p)
nk
Teorema 5.2. Seja X uma varivel aleatria binomial com parmetros n e p. Ento
E(X) = np e V ar(X) = np(1 p).
Exemplos: Sabe-se que a ecincia de uma vacina de 80%. Um grupo de trs
indivduos sorteado dentre a populao vacinada, e submetidos a testes para averiguar se
a imunizao foi efetiva. Construa a distribuio de probabilidade da varivel X = nmero
de indivduos imunes na amostra.
5.1.4 Distribuio Geomtrica
Considere um experimento cujos resultados podem ser classicados como sucesso ou fra-
casso. Seja p a probabilidade de sucesso, logo 1p a probabilidade de fracasso. Considere
a varivel aleatria X: nmero de ensaios at ocorrer o primeiro sucesso. Suponha que os
ensaios so independentes. Dessa forma,
P(X = x) = (1 p)
x1
p, x = 1, 2, ...
A varivel denida acima chamada de Distribuio geomtrica com parmetro p.
Notao: X : Geomtrica(p).
Teorema 5.3. Se X : Geomtrica(p), ento
38
(i) E(X) =
1
p
(ii) V ar(X) =
1p
p
2
Exemplo: Se a probablidade de que um certo ensaio d reao positiva for igual a 0,4,
qual ser a probabilidade de que menos de 5 reaes negativas ocorram antes da primeira
positiva?
Teorema 5.4. Se X :Geomtrica(p) ento, para dois quaisquer inteiros positivos s e
t,
P(X s +t | X > s) = P(X > t)
5.1.5 Distribuio Hipergeomtrica
Consideremos uma populao com N elementos, dos quais r tm uma determinada carac-
terstica (sucesso). Retiramos dessa populao, sem reposio, uma amostra de tamanho
n.
Seja X: nmero de sucessos na amostra.
Dessa forma a distribuio de probabilidade da varivel aleatria X dada por
P(X = k) =
_
r
k
__
N r
n k
_
_
N
n
_ , 0 k n, k r.
A varivel X assim denida tem distribuio Hipergeomtrica.
Teorema 5.5. Se X tem distribuio Hipergeomtrica com parmetros N, n e p, onde
p = r/N. Ento
E(X) = np
e
V ar(X) = np(1 p)
(N n)
(N 1)
.
Exemplo: Pequenos motores so guardados em caixas com 50 unidades. Um inspetor
de qualidade examina cada caixa, antes da posterior remessa, testando 5 motores. Se
nenhum motor for defeituoso, a caixa aceita. Se pelo menos um for defeituoso, todos os
50 motores so testados. H 6 motores defeituosos numa caixa. Qual a probabilidade de
que seja necessrio examinar todos os motores dessa caixa?
5.1.6 Distribuio de Poisson
Uma varivel aleatria X tem distribuio de Poisson com parmetro > 0, se sua funo
de probabilidade dada por
P(X = k) =
e
k
k!
, k = 0, 1, 2, ...,
39
com o parmetro sendo usualmente referido como a taxa de ocorrncia. A notao
utilizada ser X : Po().
Teorema 5.6. Se X : Po() ento:
E(X) =
e
V ar(X) = .
Exemplo 1: Num livro de 800 pginas h 800 erros de impresso. Qual a probabilidade
de que uma pgina contenha pelo menos 3 erros?
Exemplo 2: Numa central telefnica chegam 300 telefonemas por hora. Qual a prob-
abilidade de que:
a) num minuto no haja nenhum chamado;
b) em 2 minutos haja 2 chamados;
c) em t minutos no haja chamados.
5.2 Variveis Aleatrias Contnuas
5.2.1 Modelo Uniforme
Denio: Uma varivel aleatria contnua X tem distribuio uniforme no intervalo [a, b],
se sua f.d.p. for dada por:
f(x) =
_
1
ba
, a x b,
0, c.c.
Notao: X : U[a, b].
Propriedades: Se X : U[a, b], ento
(i) E[X] =
a+b
2
;
(ii) V ar[X] =
(ba)
2
12
.
Exemplo: Com o objetivo de vericar a resistncia presso de gua, os tcnicos de
qualidade de uma empresa inspecionam os tubos de PVC produzidos. Os tubos produzidos
tm 6 metros de comprimento e so submetidos a grandes presses at o aparecimento do
primeiro vazamento, cuja distncia a uma das extremidades (xada priori) anotada para
ns de anlise posterior. Escolhe-se um tubo ao acaso para ser inspecionado. Queremos
calcular a probabilidade de que o vazamento esteja, no mximo, a 1 metro das extremidades.
Seja X a varivel aleatria que indica a distncia correspondente ao vazamento. Admita
que a probabilidade de ocerrncia de vazamento em todos os pontos so iguais.
40
5.2.2 Distribuio Exponencial
Denio: Uma varivel aleatria contnua X, assumindo valores no negativos, ter dis-
tribuio exponencial com parmetro > 0, se sua f.d.p. dada por
f (x) =
_
e
x
, x > 0
0, c.c.
Notao: X : Exp().
Propriedades:
a) E (X) =
1
e V ar (X) =
1
2
.
b) (Falta de memria) Para todo s, t > 0, teremos
P (X > s +t | X > s) = P (X > t) .
Exemplos:
1) O intervalo de tempo em minutos entre emisses consecutivas de uma fonte radioa-
tiva uma varivel aleatria com distribuio exponencial de parmetro = 0, 2. Vamos
calcular a probabilidade de haver uma emisso em um intervalo inferior a 2 minutos.
2) Considerando a distribuio do exemplo anterior, calculemos agora, a probabilidade
do intervalo ser superior ou igual a 7, sabendo-se que ele superior ou igual a 5 minutos.
5.2.3 Distribuio Normal
Denio: Dizemos que a varivel aleatria X tem distribuio normal com parmetros
e
2
, < < e 0 <
2
< , se sua f.d.p. dada por
f (x) =
1
2
e
1
2
(
x
)
2
, < x < .
Notao: X : N (,
2
) .
Propriedades
(i) Grco: tem a forma de sino;
(ii) f(x) assume valor mximo no ponto x = ;
(iii) A curva normal simtrica em relao a ;
(iv) E (X) = e V ar (X) =
2
;
41
(v) Seja X : N(,
2
), considere a varivel Z =
X
. Mostra-se que Z tambm tem

distribuio normal. Z chamada de varivel normal padro ou reduzida. fcil ver
que E(Z) = 0 e V ar(Z) = 1. Logo, a f.d.p. de Z dada por
f(z) =
1
2
e
1
2
z
2
, < z < .
Portanto, se X : N(,
2
) Z : N(0, 1). A distribuio de Z se encontra tabelada;
(vide tabela em anexo)
(vi) A tabela nos d a probabilidade P(0 Z z), para diversos valores de z. Dessa
forma, podemos calcular probabilidades envolvendo qualquer distribuio normal,
atravs da transformao Z =
X
.
Exemplos:
1. Considere X : N(100, 25), calcular:
a) P(100 X 106)
b) P(89 X 107)
c) P(112 X 116)
d) P(X 108)
2. Sendo X : N(50, 16), determinar x
, tal que:
a) P(X x
) = 0, 05
b) P(X x
) = 0, 99
42
5
a
LISTA DE EXERCCIOS
1 - Seja X : b(10,
2
5
). Calcular:
a) P(X = 3);
b) P(X 2);
c) P(X 2 < 1);
d) P(|X 2| 1);
e) P(|X 3| > 1);
f) E(X) e V ar(X);
2 - Seja X : b(n, p). Sabendo-se que E(X) = 12 e V AR(X) = 4, determinar
n, p, E(Z), V ar(Z), sendo Z =
X6
3
.
3 - Numa cidade, selecionada uma amostra de 60 adultos e a esses indivduos pedido
para opinarem se so a favor ou contra determinado projeto. Como resultado obtido,
observou-se 40 a favor. Se na realidade as opinies pr e contra so igualmente
divididas, qual a probabilidade de ter obtido tal resultado?
4 - O nmero de partculas Gama emitidas por segundo, por certa substncia radioativa,
uma varivel aleatria com distribuio de Poisson com parmetro = 3. Se
um instrumento registrador torna-se inoperante quando h mais de 4 partculas por
segundo, qual a probabilidade de isto acontecer em qualquer dado segundo?
5 - Em um pronto-socorro o nmero de atendimentos de emrgncia segue uma dis-
tribuio de Poisson com mdia de 60 atendimentos por hora. Calcular:
a) A probabilidade do pronto-socorro no efetuar nenhum atendimento num intervalo
de 5 minutos.
b) A probabilidade do pronto-socorro efetuar pelo menos 2 atendimentos num inter-
valo de 10 minutos.
6 - Uma moeda no viciada lanada sucessivamente, de modo independente, at que
ocorra a primeira cara. Seja X a varivel aleatria que conta o nmero de lanamentos
anteriores ocorrncia de cara. Determine:
a) P(X 2);
b) P(X > 1);
c) E(X) e V ar(X)
d) Quantas vezes deve, no mnimo, ser lanada a moeda para garantir a ocorrncia
de cara com pelo menos 0,8 de probabilidade?
7 - Numa urna h 40 bolas brancas e 60 bolas pretas. Retiram-se 20 bolas. Qual a
probabilidade de que ocorram no mnimo 2 bolas brancas, considerando as extraes:
a) Sem reposio;
b) Com reposio.
43
8 - Uma urna tem 10 bolas brancas e 40 pretas.
a) Qual a probabilidade de que a sexta bola retirada com reposio seja a primeira
branca?
b) Qual a probabilidade de que em 16 bolas retiradas sem reposio ocorram 3
brancas?
c) Qual a probabilidade de que em 30 bolas retiradas com reposio ocorram no
mximo 2 brancas?
9 - Sendo X : U [0, 4] , calcule:
a) P (X > 2) Resp. 1/2
b) P (X 2) Resp. 1/2
c) P (1 < X < 2) Resp. 1/4
d) P (1 < X < 2 | X < 3) Resp. 1/3
e) P (X < 3 | 1 < X < 2) Resp. 1
10 - Admite-se que uma pane pode ocorrer em qualquer ponto de uma rede eltrica de 10
km com a mesma probabilidade.
a) Qual a probabilidade da pane ocorrer nos primeiros 500 metros? E de ocorrer nos
3 quilmetros centrais da rede? Resp. 1/20 e 3/10
b) O custo de reparo da rede depende da distncia do centro de servio ao local da
pane. Considere que o centro de servio est na origem da rede e que o custo de
R$ 200,00 para distncias at 3quilmetros, de R$400,00 entre 3 e 8 quilmetros e
de R$ 1000,00 para as distncias acima de 8 quilmetros. Qual o custo mdio do
conserto? Resp. 460
11 - Suponha que o valor esperado de uma varivel aleatria com distribuio uniforme
1 e a varincia igual a 1/12. Encontre a probabilidade da varivel assumir valores
menores que 3/4. Resp. 1/4
12 - Sendo X : Exp(1), determine:
a) P (0 < X < 2) Resp. 0,865
b) P (X < 2) Resp. 0,865
c) P (1 < X < 4) Resp. 0,350
d) P (X > 3) Resp. 0,05
e) P (X < 2 | X > 1) Resp. 0,633
13 - Suponha que o tempo de vida T de um vrus exposto ao meio ambiente segue uma
distribuio Exponencial com parmetro = 1/20 s. Calcule a probabilidade condi-
cional P (T > 15 | T > 10) . Resp. 0,779
14 - Seja X : N (4, 1) , determine:
a) P (X 4) Resp. 0,5
44
b) P (4 < X < 5) Resp. 0,3413
c) P (2 X < 5) Resp. 0,8187
d) P (5 X < 7) Resp. 0,1574
e) P (X 1) Resp. 0,0013
f) P (0 < X < 2) Resp. 0,0228
15 - Seja X : N (90, 100) , determine:
a) P (X 115) Resp. 0,9938
b) P (X 80) Resp. 0,8413
c) P (X 75) Resp. 0,0668
d) P (85 X 110) Resp. 0,6687
e) P (|X 90| 10) Resp. 0,6826
f) O valor de a tal que P (90 a X 90 +a) = 0, 95. Resp. a = 19, 6
16 - Para X : N (5, 10) , calcule:
a) P (5 < X 2) Resp. 0,3289
b) P (X 0) Resp. 0,9429
c) P (X > 6) Resp. 0,6255
d) P (7 X 6) Resp. 0,1102
e) P (|X + 5| > 2) . Resp. 0,4286
17 - Uma clnica de emagrecimento recebe pacientes adultos com peso seguindo uma
distribuio normal de mdia 130 kg e desvio padro 20 kg. Para efeito de determinar
o tratamento mais adequado, os 25% pacientes de menor peso so classicados de
magros, enquanto os 25% de maior peso de obesos. Determine os valores que
delimitam cada uma dessas classicaes. Resp. Magros: 116,6 kg Obesos: 143,4
kg
18 - Um teste de aptido feito por pilotos de aeronaves em treinamento inicial requer
que uma srie de operaes seja realizada em uma rpida sucesso. Suponha que o
tempo necessrio para completar o teste seja distribudo de acordo com uma normal
de mdia 90 minutos e desvio padro 20 minutos.
a) Para passar no teste, o candidato deve complet-lo em menos de 80 minutos. Se
65 candidatos tomam o teste, quantos so esperados passar?
b) Se os 5% melhores candidatos sero alocados para aeronaves maiores, quo rpido
deve ser o candidato para que obtenha essa posio?
45
Aluno(a): .
6
a
NOTA DE AULA
6 Introduo Estatstica
6.1 A Cincia Estatstica
O conceito de Estatstica pode ser considerado de duas maneiras. O primeiro conceito,
logo relaciona a Estatstica com tabelas e grcos nos quais os dados obtidos so represen-
tados, ou melhor, relaciona nmeros especcos. Ouvimos, assim, falar em estatsticas
do IBGE, estatsticas relacionadas sade e educao, ndices econmicos, pesquisas de
opinio, etc. Um segundo conceito refere-se ao conjunto de processos ou tcnicas em-
pregadas na investigao e anlise de fenmenos. Neste caso, a Estatstica a cincia
ou mtodo cientco que estuda os fenmenos aleatrios e, procura inferir as leis que os
mesmos obedecem. Assim, um conceito mais abrangente e absoluto deve englobar tanto o
primeiro conceito, o qual o mais popular, quanto o segundo, o qual normalmente escapa
noo corrente.
Denio 6.1 (Estatstica). A Estatstica uma cincia que se preocupa com a coleta,
organizao, descrio, anlise e interpretao dos dados, a m de extrair informaes
a respeito de uma populao.
Dentro dessa idia, podemos considerar a Cincia Estatstica como dividida basica-
mente em duas partes:
1. Estatstica Descritiva - que se preocupa com a organizao e descrio dos dados
experimentais;
2. Estatstica Inferencial - que, a partir da observao de alguns dados experimentais,
realiza a anlise e interpretao de dados com o objetivo de generalizar e prever
resultados, utilizando-se para isto da Teoria das Probabilidades.
Nesta disciplina, sero abordados tpicos referentes estatstica descritiva, conceitos
fundamentais de probabilidade e os modelos probabilsticos mais importantes para o estudo
da inferncia estatstica. Sero abordados tambm alguns ndices importantes na rea de
economia, tais como: ndices de Gini, Relativo de Preo e de Qualidade, dentre outros.
6.2 Conceitos Fundamentais
Um dos principais conceitos utilizados na estatstica o de populao.
46
6.2.1 Populao e Amostra
Denio 6.2 (Populao). A populao um conjunto de todos os elementos (pes-
soas, objetos, etc) que possuem pelo menos uma caracterstica em comum, a(s) qual(is)
os relacionam ao problema que est sendo estudado.
Exemplo 6.1. Se o problema a ser pesquisado est relacionado com a qualidade de um
certo produto produzido numa indstria, a populao pode ser composta por todas as
peas produzidas numa determinada hora, turno, dia ou ms, dependendo dos objetivos;
Exemplo 6.2. Se o objetivo de um estudo pesquisar o nvel de renda familiar de uma
certa cidade, a populao seria todas as famlias desta populao. Mas, se o objetivo
fosse pesquisar apenas a renda mensal do chefe da famlia, a populao a ser pesquisada
seria composta por todos os chefes de famlia desta cidade.
A Populao pode ser:
1. Finita - quando o nmero de unidades de observao pode ser contado e limitado;
2. Innita - quando a quantidade de unidades de observao ilimitada;
Podemos citar como exemplo de populao nita o conjunto formado pelos alunos
que cursam a disciplina de estatstica num determinado semestre da UFCG. Um exemplo de
populao innita seria o conjunto formado por todos os alunos de estatstica do Brasil,
pois este conjunto composto por um nmero incontvel de elementos.
Denio 6.3 (Amostra). A amostra apenas uma parte da populao, ou seja, um
subconjunto da populao.
Vrios motivos levam a necessidade de se observar apenas uma parte da populao,
como, por exemplo: a falta de tempo, recursos nanceiros e/ou humanos. A amostra deve
ser obtida atravs de tcnicas de amostragem, as quais tem como objetivo principal
garantir a representatividade da populao, ou seja, fazer com que a amostra seja um
retrato el da populao.
Exemplos de amostra podem ser considerados por conjuntos formados por apenas uma
parte dos elementos populacionais descritos nos exemplos 1 e 2.
6.2.2 Parmetro e Estatstica
Dois novos conceitos estreitamente relacionados com os de populao e amostra so
os de Parmetro e Estatstica, tendo em vista que:
Denio 6.4 (Parmetro). uma medida numrica que descreve uma caracterstica
da populao.
Denio 6.5 (Estatstica). uma medida numrica que descreve uma caracterstica
da amostra.
Exemplos de algumas medidas numricas so: proporo, mdia, moda, ndices, etc.
47
6.2.3 Variveis (ou Dados) e Tipos de Variveis
Denio 6.6 (Varivel). Uma Varivel nada mais que uma caracterstica (ou dado)
associada a cada elemento da populao ou amostra. A varivel apresenta diferentes
valores, quando sujeita a mensuraes sucessivas, e, em geral, denotada pelas letras
maisculas: X, Y ou Z.
Antes de realizar qualquer tratamento estatstico de um conjunto de dados, impor-
tante identicar qual o tipo de dado (ou varivel) que ser analisado, pois, mediante a
este conhecimento que o pesquisador poder ou no adotar determinadas tcnicas estats-
ticas para a resoluo de problemas. Por exemplo, ser que possvel calcular o peso mdio
de lutadores de boxe, quando os dados so coletados segundo a categoria de peso (Leve,
Mdio e Pesado)?
Tipos de Variveis
Basicamente, as variveis podem ser classicadas como sendo Qualitativas ou Quan-
titativas.
1. Variveis Qualitativas - quando os valores que elas podem receber so referentes
qualidade, atributo ou categoria. Exemplos so:
Raa: podendo assumir os valores Branco ou Negro;
Resultado de um teste: aprovado ou reprovado;
Escolaridade: 1
grau completo, 2
grau completo, superior, ps-graduado;

Conceito de qualidade: pssima qualidade, regular ou boa qualidade.
As variveis qualitativas podem, ainda, ser classicadas como: Nominais ou Ordi-
nais.
(a) As variveis qualitativas nominais - so caracterizadas por dados que se
apresentam apenas sob o aspecto qualitativo (Ex: raa e resultado de um teste).
(b) As variveis qualitativas ordinais - so caracterizadas por categorias que
aprentam uma ordenao natural. Por exemplo: escolaridade e conceito de
qualidade.
2. Variveis Quantitativas - quando os valores que ela pode assumir so numricos,
os quais podem ser obtidos atravs de uma contagem ou mensurao.
As variveis quantitativas podem ser classicadas de acordo com o processo de
obteno; podendo ser: Discreta ou Contnua.
(a) As variveis quantitativas discretas - so variveis numricas obtidas a partir
de procedimento de contagem. Por exemplo: Quantidade de pessoas numa
famlia, quantidade de acidentes numa indstria, etc.
48
(b) As variveis quantitativas contnuas - so variveis numricas cujos valores
so obtidos por um procedimento de mensurao, podendo assumir quaisquer
valores num intervalo dos nmeros reais, como por exemplo, a temperatura,
altura, salrio, etc..
Observao 1. O fato de uma varivel ser expressa por nmeros no signica que ela
seja necessariamente quantitativa, por que a classicao da varivel depende de como
foi medida, e no do modo como se manifesta. Por exemplo, para a varivel peso de
um lutador de boxe, se for anotado o peso marcado na balana, a varivel quantitativa
contnua; por outro lado, se esse peso for classicado segundo as categorias do boxe, a
varivel qualitativa ordinal.
6.3 Fases do Mtodo Estatstico
Assim como qualquer cincia, a estatstica utiliza o mtodo cientco, que consiste das
cinco etapas bsicas seguintes:
1. Denir cuidadosamente o problema.
Nesta etapa o pesquisador deve certicar-se de que clara a nalidade de um estudo
ou anlise. Ao denir o que se quer estudar, ou seja, o problema, necessrio que
se faa um levantamento sobre quais estudos j realizados no campo de pesquisa
abordado. Deve-se tambm especicar quem ou o qu ser observado no estudo, ou
seja, a populao a ser pesquisada.
2. Formular um plano para a coleta dos dados adequados.
Nesta fase, o pesquisador dever listar as variveis (caractersticas ou dados) que se-
jam relevantes para se atingir os objetivos propostos pela pesquisa. Alm disso, deve-
se decidir se a coleta dos dados ser realizada atravs de um censo ou amostragem,
ou seja, se todos os elementos da populao sero observados ou se apenas uma
parte da populao que ser observada.
Os dados podem ser classicados quanto forma de coleta, como:
a. Dados primrios - quando o prprio pesquisador quem elabora e aplica os
instrumentos necessrios para a coleta dos dados, ou seja, quando a Coleta Direta;
b. Dados secundrios - quando o pesquisador utiliza informaes j colhidas por
outrem, retirando-as de livros, revistas, mapas anurios, etc.
3. Coligir ou apurar os dados.
Esta fase consiste em resumir os dados, atravs de sua contagem e agrupamento.
4. Analisar e interpretar os dados.
5. Relatar as concluses de maneira que sejam facilmente entendidas por quem as for
usar na tomada de decises.
49
6
a
LISTA DE EXERCCIOS
1 - Dena e/ou explique com suas prprias palavras, o que voc entende por Cincia
Estatstica e quais os principais ramos (partes) da Estatstica.
2 - Atravs de um exemplo, dena: Populao e Amostra.
3 - Considere as seguintes situaes:
1) Em uma pesquisa, feita pela EMPETUR com 1015 pousadas escolhidas aleato-
riamente, 269 (ou 26,5%) possuam Home-page na Internet para divulgao e
prestao de servios ao turista.
2) Outra pesquisa feita entre as 50 Agncias de Viagens de uma certa localidade
mostra que 42 (ou 84%) prestam servios pela Internet.
Identique em qual das situaes ns temos um exemplo de Parmetro e outro de
Estatstica (no sentido de medida). Justique sua resposta.
4 - O que voc entende por varivel? Justique a sua resposta por intermdio de um
exemplo.
5 - Como voc diferencia uma varivel discreta de uma varivel contnua? Utilize um
exemplo para melhor ilustrar.
6 - Dena e/ou explique com suas prprias palavras, o que voc entende por amostragem.
7 - Qual o principal objetivo de qualquer plano de amostragem?
8 - As estatsticas geradas por intermdio de uma amostra devem ser representativas
desta amostra ou da populao de origem? Justique a sua resposta.
9 - Para que uma amostra seja representativa, necessrio apenas que a mesma tenha
um tamanho apropriado? Justique a sua resposta.
10 - A Revista dos Eventos, N 13, tentando sanar, ao menos parcialmente, a carncia
de informaes precisas sobre a indstria de eventos, promoveu a 1
a
PESQUISA -
O Mercado de Congressos no Brasil. Os resultados desta pesquisa se baseiam em
40 questionrios respondidos sobre um total de 1000, os quais foram encaminhados
por entrega pessoal a dirigentes de entidades integrantes do cadastro da prpria
Revista dos Eventos. Qual o problema ou a limitao desta pesquisa? Pelo menos
teoricamente, qual seria o melhor procedimento para este tipo de pesquisa, j que a
empresa possui um cadastro das entidades?
11 - Classique cada uma das informaes (variveis) abaixo, de acordo com os tipos de
variveis.
a) Nome
b) Nvel de satisfao
c) Idade
d) Nmero de dias hospedado
50
Aluno(a): .
7
a
NOTA DE AULA
7 Estatstica Descritiva
7.1 Introduo
A estatstica pode ser considerada como um instrumento ou um conjunto de mtodos
matemticos que devem ser utilizados quando se pretende transformar dados em informao.
Para ilustrar este processo, veja a Figura 1:
12 15 18
15 12 18
18 15 18
17 19 20
Conjunto de dados
Mdia
Moda
Mediana
Proporo
Quantis
Conjunto de informaes
Figura 1:
No primeiro retngulo, tem-se um conjunto de observaes da varivel idade de um
grupo de 12 pessoas e, no segundo retngulo, as estatsticas (informaes) que podem
representar esses nmeros.
7.2 Organizao de dados: Tabelas e Grcos
7.2.1 Distribuio de Frequncias
O primeiro passo para se resumir um conjunto de dados orden-los em ordem cres-
cente ou decrescente, e proceder a contagem do nmero de ocorrncia (freqncia) de cada
dado. ordenao dos dados denominamos de Rol. Assim, o rol para o conjunto de dados
da Figura 1 ca:
Rol de dados:
12 12 15 15 15
17 18 18 18 18
19 20
Desta maneira, ca fcil vericar a freqncia com que cada um dos dados foi obser-
vado, por exemplo: o valor 12 ocorreu 2 vezes; o valor 15 ocorreu 3 vezes, e assim por
diante.
51
Uma maneira adequada de apresentar os dados e suas respectivas freqncias atravs
de uma Tabela de Freqncias, a qual constituda por uma coluna referente aos
dados e outra referente s freqncias associadas a cada valor observado (n
i
). Veja
como ca para o conjunto de dados da Figua 1:
Tabela 1: Tabela de Freqncias da varivel
idade, para um grupo de 12 pessoas.
Idade Frequncia (n
i
)
12 2
15 3
17 1
18 4
19 1
20 1
Total de observaes (n) 12
Uma medida bastante til na interpretao de tabelas de freqncias a freqncia
relativa (f
ri
), a qual dada pela razo entre a freqncia do i-simo valor observado, n
i
e
o total de dados observados, n. Pode-se, ainda, representar a freqncia relativa em termos
de porcentagem, bastando para isso multiplicar a freqncia relativa f
ri
por 100.
Para alguns tipos de variveis, tais como a qualitativa ordinal e as quantitativas (disc-
reta ou contnua), pode ser til tambm, a informao de quantas observaes apresentam
valores menores ou iguais a um certo valor xado. Este tipo de informao denominado
de freqncia acumulada, f
ac
, a qual tambm pode ser expressa em termos relativos ou
por porcentagens.
Vejamos, agora, como ca a tabela de freqncias anterior com estas informaes
adicionadas:
Tabela 2: Tabela de Freqncias da varivel
idade, para um grupo de 12 pessoas.
Idade n
i
f
ri
f
ri
100 (%) f
ac
(%)
12 2 0,1667 16,67 16,67
15 3 0,2500 25,00 41,67
17 1 0,0833 8,33 50,00
18 4 0,3333 33,33 83,33
19 1 0,0833 8,33 91,67
20 1 0,0833 8,33 100,00
Total (n) 12 1,0000 100,00
Observao: Ao conjunto de todos os pares de valores, referentes a cada dado obser-
vado e sua respectiva freqncia, denominamos de Distribuio de Freqncias. Desta
forma, os pares (12, 2), (15, 3), (17, 1), (18, 4), (19, 1) e (20, 1) representam a distribuio
de freqncias da varivel idade para esse grupo de pessoas.
52
Representao Grca
Uma representao grca da distribuio de freqncias de uma varivel tem a van-
tagem de, numa maneira rpida e concisa, informar sobre a variabilidade da mesma.
Grco de Colunas - mais adequado para variveis discretas mas tambm pode ser
utilizado para variveis qualitativas ordinais, ou ainda, para variveis qualitativas nominais
cujos nomes das categorias so pequenos.
Neste grco, cada valor observado representado por retngulos de mesma base
e alturas proporcionais s freqncias. Para ilustrar, veja como ca este grco para a
distribuio de freqncias da varivel idade, utilizando a freqncia absoluta e relativa em
termos de porcentagem:
Figura 1:
Distribuio de freqncias da varivel idade
2
3
1
4
1 1
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
12 15 17 18 19 20
Idade (anos)
F
r
e
q
n
c
i
a

(
n
_
i
)
Figura 2:
Distribuio de freqncias da varivel idade
16.7%
25.0%
8.3%
33.3%
8.3% 8.3%
0.0%
5.0%
10.0%
15.0%
20.0%
25.0%
30.0%
35.0%
40.0%
45.0%
50.0%
12 15 17 18 19 20
Idade (anos)
F
r
e
q
n
c
i
a

(
%
)
53
Exerccio de Fixao
1 - O seguinte conjunto de dados referente ao nmero de acidentes por dia em certo
trecho de rodovia no ms de setembro de certo ano:
2 0 1 2 3 1 6 1 0 0
1 2 2 1 2 0 1 4 2 3
0 1 0 2 1 2 4 1 1 1
Responda as seguintes questes:
a) Qual o nmero mnimo de acidentes, num certo dia? E o nmero mximo?
b) Freqntemente, ocorreram quantos acidentes por dia? Isto ocorreu em quantos
dias? E o que isso representa em termos de percentuais?
c) Represente gracamente a distribuio de frequncia da varivel nmero de
acidentes por dia, no ms de setembro.
d) Faa um grco de colunas para o percentual acumulado.
54
7.2.2 Distribuio de Frequncias para Dados Agrupados em Classes
Em algumas situaes, necessrio o agrupamento de dados em categorias ou classes
para se proceder a construo de uma tabela de freqncias. Por exemplo, em um conjunto
de dados contnuos, um mesmo valor no ocorrer com grande freqncia, ou at mesmo,
no se repetir por mais de uma vez. Uma vantagem em agrupar os dados em classes
consiste na organizao de grandes conjuntos de dados de forma mais clara e objetiva.
Por outro lado, uma desvantagem, consiste na perda de informaes por no se saber
exatamente quais os valores ocorridos dentro de cada classe.
Para ilustrar como proceder a construo de uma tabela de freqncias em classes,
considere o seguinte conjunto de dados:
Tabela 2: Dados referentes s notas no 1
o
estgio de 20 estudantes de estatstica.
Cdigo do aluno 1 2 3 4 5 6 7 8 9 10
Nota 7,5 8,0 9,0 7,3 6,0 5,8 10,0 3,5 4,0 6,0
Cdigo do aluno 11 12 13 14 15 16 17 18 19 20
Nota 7,5 7,0 8,5 6,8 9,5 9,8 10,0 4,8 5,5 7,0
Note que, no haver vantagem alguma se organizarmos estes dados numa tabela de
freqncias, uma vez que os dados pouco se repetem. Assim, torna-se til o agrupamento
dos dados, que, de um modo geral, pode ser feito de acordo com os seguintes passos:
1. Organizar os dados num Rol.
2. Estabelecer o Nmero de Intervalos (categorias ou classes) para se dividir o con-
junto de dados.
A escolha do nmero de classes arbitrria, a qual pode ser estabelecida de acordo
com o bom senso do pesquisador ou obtido por alguma frmula matemtica
construda para este m. Uma sugesto prtica a escolha entre 5 e 15 classes com
a mesma amplitude e duas frmulas matemticas que podem orientar na escolha do
nmero de classes, so:
(a) k =
n
(b) k = 1 + 3, 3 log(n)
Onde k o nmero de classes e n o nmero total de observaes.
3. Calcular a Amplitude Total:
A
Tot
= x
m ax
x
m
in
Onde x
m ax
e x
m
in
o valor mximo e mnimo observado no conjunto de dados.
4. Determinar a Amplitude de Classe:
h =
A
Tot
k
55
5. A partir do menor valor observado no conjunto de dados, ou de algum valor imediata-
mente inferior e adequadamente escolhido, delimitar as classes, ou seja, determinar
os limites inferiores e superiores de cada classe.
Neste momento, os seguintes smbolos so teis:
(a) l
i
|L
i
- para indicar que o valor extremo inferior (l
i
) no pertence i sima
classe, enquanto que o valor extremo superior (L
i
) pertence.
(b) l
i
| L
i
- para indicar que o valor extremo inferior (l
i
) pertence isima classe,
enquanto que o valor extremo superior (L
i
) no pertence.
6. Aps todos estes passos, s resta proceder a contagem do nmero de observaes
pertencentes cada uma das classes e organizar estas informaes numa tabela de
freqncias para dados agrupados.
De acordo com estes passos, o conjunto de dados anterior pode ser organizado como:
(Construir a tabela de freqncias para dados agrupados)
Representao Grca de uma Varivel Quantitativa Contnua - Histograma
Para a representao grca de variveis quantitativas contnuas necessrio alguma
adaptao do grco de colunas, uma vez que, em geral, necessrio agrupar os dados em
classes e conseqentemente h perda de informaes.
Histograma - um grco indicado para representar dados agrupados em classes.
Este grco uma adaptao do grco de colunas, onde as bases correspondem aos
intervalos de classe e as alturas so proporcionais s freqncias de classe. Veja como ca
o histograma para a distribuio das notas:
(Construir o histograma para a distribuio de freqncias em classes)
56
Aluno(a): .
8
a
NOTA DE AULA
7.3 Medidas Resumo para Variveis Quantitativas
Nesta seo veremos algumas medidas que tem como objetivo resumir um conjunto
de dados em um nico valor o qual possa fornecer informaes sobre o comportamento dos
dados, ou seja, sobre a distribuio de freqncias da varivel.
7.3.1 Medidas de Tendncia Central
As medidas de tendncia central so bastante utilizadas e representam o centro ou o
meio de um conjunto de dados. As principais so: a mediana, a moda, e a mdia aritmtica.
A seguir estas medidas so denidas e obtidas para os dois seguintes conjuntos de
dados que representam o nmero de gols registrados em cada partida de futebol, durante
5 e 6 jogos, respectivamente:
Conjunto de dados 1: Nmero de gols por partida de futebol, em 5 jogos.
3 2 1 2 5
Conjunto de dados 2: Nmero de gols por partida de futebol, em 6 jogos.
5 3 2 1 2 5
1. Mediana - o valor que divide o conjunto de dados ordenados em duas partes
iguais, ou seja, 50% das unidades observadas possuem valores menores ou iguais ao
valor mediano e as demais 50% possuem valores acima da mediana.
Para se obter o valor da mediana necessrio os seguintes passos:
1
) Ordenar o conjunto de dados em ordem crescente (ou descrescente);

2
) Identicar a posio central do conjunto de dados, ou seja, a posio onde

se encontra o valor da mediana. Esta(s) posio(es) pode(m) ser vericada(s)
utilizando-se as seguintes frmulas:
(a) P
Md
=
n+1
2
, se o total de observaes, n, mpar. Assim, a mediana ser
o valor observado na posio P
Md
;
(b) P1
Md
=
n
2
e P2
Md
=
n
2
+1, se o total de observaes, n, par. Pois, neste
caso, existem duas posies centrais e a mediana ser a mdia aritmtica dos
valores observados nestas duas posies.
Notao: Md ou Md(X).
57
Exemplo 1: A partir do conjunto de dados 1, pode-se obter o seguinte rol de dados:
1 2 2
..
mediana
3 5
Note que, o nmero de observaes, n = 5, mpar, logo o valor da mediana (valor
central) est na posio P
Md
=
n+1
2
=
5+1
2
= 3, que igual a Md = 2.
Exemplo 2: Ordenando em ordem crescente o conjunto de dados 2, teremos o
seguinte rol de dados:
1 2 2 3
..
dois valores centrais
5 5
Agora, neste caso, o nmero de observaes, n = 6, par, e, portanto, existem dois
valores centrais localizados nas posies P1
Md
=
n
2
=
6
2
= 3 e P2
Md
=
n
2
+ 1 =
3 + 1 = 4. Assim, a mediana ser a mdia aritmtica dos valores que se encontram
nestas duas posies, dada por:
Md =
x
P
1Md
+x
P
2Md
2
=
2 + 3
2
= 2, 5.
Observao:
Pode-se, tambm, obter a posio da mediana atravs dos seguintes passos:
1
) Obter o valor que representa a metade do total de observaes: P

Md
=
n
2
;
2
) Utilizar a seguinte regra:

(a) Se P
Md
for um nmero no inteiro, ento, arredonda-se o valor de P
Md
para
o maior inteiro mais prximo, e, assim, o valor da mediana estar nesta nova
posio obtida.
(b) Se P
Md
for um nmero inteiro, ento o valor da mediana ser a mdia aritmtica
dos valores que esto nas posies P
Md
e P
Md
+ 1.
Exemplo 3: Utilizando-se os procedimentos descritos na observao acima, temos
que, para o conjunto de dados 1, P
Md
=
n
2
=
5
2
= 2, 5 (no inteiro), logo o valor da
mediana estar na posio P
Md
= 3 (maior inteiro mais prximo), que dado por
Md = 2.
Exemplo 4: No conjunto de dados 2, temos P
Md
=
n
2
=
6
2
= 3 (inteiro), assim, de
acordo com o procedimento descrito na observao acima, temos que a mediana
dada pela mdia aritmtica dos valores observados nas posies P
Md
= 3 e P
Md
+1 =
3 + 1 = 4:
Md =
x
P
1Md
+x
P
2Md
2
=
2 + 3
2
= 2, 5.
58
2. Moda - o valor (ou os valores) no conjunto de dados que ocorre(m) com maior
freqncia.
Notao: M
o
ou M
o
(X).
Exemplo 5: O primeiro conjunto de dados, 1 2 2 3 5, dito ser unimodal,
tendo em vista que um nico valor ocorre com maior frequncia. Assim, a moda
M
o
= 2.
Exemplo 6: O segundo conjunto de dados, 1 2 2 3 5 5, dito ser bimodal,
tendo em vista que, neste caso, dois valores ocorrem com maior frequncia, assim,
os valores modais so: M
o
= 2 e M
o
= 5.
3. Mdia Aritmtica (Mdia) - obtida a partir da razo entre a soma dos valores
observados e o total de observaes:
Mdia =
soma dos valores
total de observaes (n)
Notao: Me, Me(X) ou x.
Exemplo 7: A partir do conjunto de dados 1, a mdia obtida por:
Me(X) = x =
soma dos valores
total de observaes (n)
=
1 + 2 + 2 + 3 + 5
5
= 2, 6.
Observao:
1) A mdia aritmtica pode ser expressa atravs do uso do smbolo de somatrio
(sigma). Por exemplo, se x

1
, x
2
, . . . , x
k
so k valores distintos da varivel X,
podemos escrever:
Me(X) = x =
x
1
+x
2
+. . . +x
k
k
=
1
k
k
i=1
x
i
Agora, se, de um total de n valores observados (ou observaes), x
1
ocorreu n
1
vezes,
x
2
ocorreu n
2
vezes, etc., x
k
ocorreu n
k
vezes, ento a mdia de X pode ser reescrita
como:
Me(X) = x =
x
1
.n
1
+x
2
.n
2
+. . . +x
k
.n
k
n
=
1
n
k
i=1
x
i
.n
i
(1)
=
k
i=1
x
i
.
n
i
n
(2)
=
k
i=1
x
i
.f
i
. (3)
Onde:
59
n
i
freqncia absoluta do valor observado x
i
,
n =
k
i=1
n
i
o total de observaes, e,
f
i
freqncia relativa do valor observado x
i
.
Exemplo 8: A partir do segundo conjunto de dados, 1 2 2 3 5 5, temos:
Me(X) = x =
1
n
k
i=1
x
i
.n
i
=
1
6
(1 1 + 2 2 + 3 1 + 5 2) =
18
6
= 3.
Exerccio: Dado o seguinte conjunto de dados:
12 12 15 15 15 17 18 18 18 18 19 20
Determine a mdia, moda e mediana.
Soluo:
7.3.2 Medidas de Tendncia Central para Dados Agrupados
Sabemos que ao agrupar um conjunto de dados em classes, perde-se informao sobre
cada valor individual e, no caso em que seja impossvel recuperar cada valor observado,
pode-se supor que todos os dados dentro de uma classe tenham seus valores iguais ao
ponto mdio desta classe. Assim, pode-se, por exemplo, utilizar os pontos mdios das
classes e suas respectivas freqncias para calcular a mdia aritmtica de maneira anloga
ao exposto anteriormente. Da mesma forma, pode-se adotar como valor modal, o ponto
mdio da classe modal e como mediana, o ponto mdio da classe mediana.
Exemplo: Dada a seguinte distribuio de freqncia da varivel S=salrio (dados
agrupados em classes):
Salrio Frequncia Absoluta
4, 00| 8, 00 10
8, 00| 12, 00 12
12, 00| 16, 00 8
16, 00| 20, 00 8
20, 00| 24, 00 2
Determine o valor (aproximado) da mdia, moda e mediana.
60
Soluo:
7.3.3 Medidas de Disperso ou de Variabilidade
Na sumarizao de um conjunto de dados, uma nica medida representativa da posio
central, esconde toda a informao sobre a variabilidade dos dados. Veja, por exemplo, os
seguintes dados:
Varivel X : 3 4 5 6 7
Varivel Y : 3 5 5 7
Note que a mdia Me(X) = Me(Y ) = 5, a qual nada informa sobre a variao dos
valores nos dois grupos. Assim, torna-se importante o conhecimento de uma medida que
fornea este tipo de informao.
Na prtica, existem vrias medidas que expessam a variabilidade de um conjunto de
dados, sendo que as mais utilizadas baseam-se na idia que consiste em vericar a distncia
de cada valor observado em relao mdia. Estas distncias so denominadas de desvios
em relao mdia.
Denio 7.1 (Varincia). - uma medida que representa a variabilidade de um
conjunto de dados e, obtida pelo clculo da mdia dos quadrados dos desvios em
relao mdia:
V ar(X) = s
2
=
1
n
k
i=1
(x
i
x)
2
n
i
=
k
i=1
(x
i
x)
2
n
i
n
61
=
k
i=1
(x
i
x)
2
f
i
Observao: Para o clculo da varincia, quando os dados esto agrupados em
classes, basta substituir os verdadeiros valores observados pelo ponto mdio da i-sima
classe.
Denio 7.2 (Desvio Padro). - a raiz quadrada da varincia.
D.P.(X) = s =
s
2
=
_
k
i=1
(x
i
x)
2
f
i
O uso do desvio padro como medida de variabilidade prefervel pelo fato de ser
expresso na mesma unidade de medida dos valores observados. Pois, a varincia pode
causar problemas de interpretao por ser expressa em termos quadrticos.
Denio 7.3 (Coeciente de Variao). - O coeciente de variao (CV) uma me-
dida relativa de variabilidade. O seu valor determinado por intermdio do quociente
entre o desvio padro e a mdia aritmtica dos dados.
CV (X) =
s
x
100 (expresso em porcentagem (%))
A utilidade imediata do coeciente de variao a possibilidade de avaliar o grau
de representatividade da mdia. Esta medida tambm bastante til na comparao
entre conjunto de dados, em relao variabilidade; ainda que as unidades de medida nos
conjuntos de dados sejam distintas. Por exemplo, comparar a variabilidade das distribuies
da varivel peso expressa em quilogramas (Kg) e altura expressa em metros (m).
Um critrio de deciso sobre a representatividade ou no da mdia, pode ser dada pela
seguinte linha de corte:
Se CV 50%, a mdia no representativa.
Se CV < 50%, a mdia representativa.
Exemplos:
a) O desvio padro das variveis X e Y DP(X) = DP(Y ) = s =
2 = 1, 41.
b) Considere os quilmetros rodados por 3 carros: 30 Km, 40 Km e 50 Km. Calcule
a mdia, a varincia, o desvio padro e o CV. Interprete essas medidas.
62
7.3.4 Medidas de Posio: Quartis, Decis e Percentis
Assim como a mediana divide os dados em duas partes iguais, os trs quartis, denota-
dos por Q
1
, Q
2
e Q
3
, dividem as observaes ordenadas (em ordem crescente) em quatro
partes iguais. A grosso modo:
- Q
1
separa os 25% inferiores dos 75% superiores dos valores ordenados;
- Q
2
separa os 50% inferiores dos 50% superiores, ou seja, a mediana; e
- Q
3
separa os 75% inferiores dos 25% superiores dos dados;
Analogamente, h nove decis, denotados por D
1
, D
2
, . . . , D
9
, que dividem os dados
em 10 grupos com cerca de 10% deles em cada grupo. Finalmente, h 99 percentis que
dividem os dados em 100 grupos com cerca de 1% em cada grupo.
Basicamente, dois passos so necessrios para se encontrar as medidas em questo.
Primeiro deve-se identicar a sua posio, e, em seguida, determinar o seu valor.
Veja a seguir, como obter os valores referentes aos percentis, quando se est traba-
lhando com dados brutos ou em distribuio de freqncias para dados no agrupados:
1
) Identicar a posio do percentil que se deseja encontrar, atravs da seguinte

expresso:
L =
_
k
100
_
n
Onde:
- L o valor que indica a posio do percentil de interesse;
- k o k esimo percentil; e
- n o total de dados observados.
2
) Utilizar a seguinte regra:

1. Se L for um nmero no inteiro, ento, arredonda-se o valor de L para o maior
inteiro mais prximo, e, assim, o valor do k esimo percentil, P
k
, dado pelo valor
que ocupa esta nova posio obtida.
2. Se L for um nmero inteiro, ento o valor do k esimo percentil, P
k
, ser a mdia
aritmtica dos valores que esto nas posies L e L + 1.
Uma vez dominados os clculos para os percentis, pode-se seguir o mesmo processo
para calcular os quartis e decis, tendo-se o cuidado de calcular o valor de L, pelas frmulas
L =
_
k
4
_
n, k = 1, 2, 3 e L =
_
k
10
_
n, k = 1, 2, . . . , 9, respectivamente. Pode-se,
ainda, obter os quartis e decis pelas seguintes relaes existentes entre estas medidas e os
percentis:
63
Quartis Decis
Q
1
= P
25
D
1
= P
10
Q
2
= P
50
D
2
= P
20
Q
3
= P
75
.
.
.
D
9
= P
90
Alm das medidas de tendncia central e de variao j introduzidas, costuma-se denir
outras estatsticas utilizando quartis, decis ou percentis, tais como:
Intervalo interquartil = Q
3
Q
1
Intervalo semi-interquartil = (Q
3
Q
1
)/2
Amplitude de percentis 10-90 = P
90
P
10
Eis as frmulas para os clculos dos quartis, decis e percentis para o caso de variveis
agrupadas em classes.
Determinao do Q
1
:
Passo 1: Calcula-se
n
4
.
Passo 2: Identica-se a classe Q
1
pela N
i
.
Passo 3: Aplica-se a frmula:
Q
1
= l
Q
1
+
(
n
4

f)h
n
Q
1
em que
l
Q
1
= limite inferior da classe Q
1
n = tamanho da amostra ou nmero de elementos
f = soma das frequncias anteriores classe Q

1
h = amplitude da classe Q
1
n
Q
1
= frequncia da classe Q
1
.
Determinao do Q
2
(ou mediana):
Passo 1: Calcula-se
n
2
.
2
pela N
i
.
Q
2
= l
Q
2
+
(
n
2

f)h
n
Q
2
Determinao do Q
3
:
Passo 1: Calcula-se
3n
4
.
64
3
pela N
i
.
Q
3
= l
Q
3
+
(
3n
4

f)h
n
Q
3
Determinao de um Decil:
Passo 1: Calcula-se
in
10
, em que i = 1, 2, 3, 4, 5, 6, 7, 8 e 9
Passo 2: Identica-se a classe D
i
pela N
i
.
D
i
= l
D
i
+
(
in
10

f)h
n
D
i
Determinao de um percentil:
Passo 1: Calcula-se
in
100
, em que i = 1, 2, 3, . . . , 98 e 99
Passo 2: Identica-se a classe P
i
pela N
i
.
P
i
= l
P
i
+
(
in
100

f)h
n
P
i
Observao:
No caso de dados agupados em classes o histograma pode ser utilizado para se
obter o k esimo quartil, dercil ou percentil .
7.4 Outra Estratgia de Anlise de Dados
Em algumas situaes a mdia e o desvio padro podem no ser adequados para
representar um conjunto de dados, pois:
i - So afetadas, de forma exagerada, por valores extremos;
ii - Apenas com estes dois valores no temos a idia da assimetria dos valores, ou seja,
sobre o quanto os dados se distribuem em torno dos valores inferiores, medianos e
superiores.
Para contornar estes problemas, 5 medidas foram sugeridas por Tukey (1977):
1
) A mediana (Md);
2
) Os extremos: o menor e o maior valor observado no conjunto de

dados (x
m
in
e x
m ax
, respectivamente);
3
) O primeiro e o terceiro quartil (ou junta).

65
7.4.1 Desenho Esquemtico - Diagrama em Caixa ("Box-Plot")
As informaes obtidas pelas 5 medidas podem ser representadas por um grco co-
nhecido por "Box-Plot"ou diagrama em caixa. Para construir este diagrama, consideremos
um retngulo onde esto representados a mediana e os quartis. A partir do retngulo, para
cima, segue uma linha at o ponto mais remoto que no exceda LS = Q
3
+ (1, 5)d
p
,
chamado limite superior. De modo similar, da parte inferior do retngulo, para baixo, segue
uma linha at o ponto mais remoto que no seja menor do que LI = Q
1
(1, 5)d
p
, chamado
limite inferior. Os valores compreendidos entre esses dois limites so chamados valores
adjacentes. As observaes que estiverem acima do limite superior ou abaixo do limite
inferior estabelecidos sero chamadas pontos exteriores e representadas por asteriscos.
Essas so observaes destoantes das demais e podem ou no ser o que chamamos de
outliers ou valores atipicos.
O boxplot d uma idia da posio, disperso, assimetria, caudas e dados discrepantes.
A posio central dada pela mediana e a disperso por d
q
. As posies relativas de q
1
, q
2
, q
3
do uma noo da assimetria da distribuio.
Veja, como ca o box-plot da varivel Peso
Figura 3: Box-plot para a varivel Peso
Grcos tipo box-plot tambm so teis para detectar, descritivamente, diferenas
nos comportamentos de grupos de variveis. Por exemplo, podemos considerar grcos da
varivel Peso para cada sexo. O resultado apresentado na gura abaixo, em que podemos
notar que os homens apresentam peso mediano superior ao das mulheres, alm de uma
maior variabilidade.
66
Figura 4: Box-plot da varivel Peso para cada sexo
67
7
a
LISTA DE EXERCCIOS
1 - Considere uma distribuio de freqncias qualquer representada por
(x
1
, n
1
), (x
2
, n
2
), . . . , (x
k
, n
k
).
Mostre que a soma dos desvios em relao mdia igual zero, ou seja, que
k
i=1
(x
i
x) n
i
= 0.
2 - Obtenha a mdia e a mediana para o seguinte conjunto de dados:
20 30 40
a) Se substitumos o valor 40 por 70, os valores da mdia e da mediana sero os
mesmos? Justique?
b) Analisando os resultados acima, ressalte uma caracterstica vantajosa da medi-
ana em relao mdia.
3 - Mostre que:
k
i=1
(x
i
x)
2
n
i
=
k
i=1
x
2
i
n
i
k
i=1
x
i
n
i
_
2
n
=
k
i=1
x
2
i
n
i
nx
2
E, por isso, a varincia tambm pode ser obtida pela seguinte frmula:
V ar(X) = s
2
=
1
n
k
i=1
x
2
i
n
i
x
2
4 - O seguinte conjunto de dados representa a pulsao de 22 fumantes:
52 52 60 60 60 60 63 63 66 67
68 69 71 72 73 75 78 80 82 83
84 90
Usando os dados brutos, determine:
a) A mdia, a moda e o desvio padro;
b) O primeiro, segundo e terceiro quartil;
c) Construa uma tabela de frequncias para os dados agrupados em 7 classes;
d) Construa o histograma e o diagrama em caixa;
Agora, utilizando a distribuio de frequncias obtida acima, obtenha:
a) A mdia, a moda e o desvio padro;
b) O primeiro, segundo e terceiro quartil utilizando o histograma;
68
5 - O ROL de 50 notas de alunos de Estatstica (dadas em crditos), esto relacionadas
abaixo:
33 35 35 39 41 41 42 45 47 48
50 52 53 54 55 55 57 59 60 60
61 81 71 67 63 64 53 73 81 50
67 68 53 75 65 58 80 60 63 53
Baseado nestes dados, determine:
a) A distribuio de frequncias (Sugesto: iniciar por 30);
b) As frequncias relativas (f
i
) e suas respectivas porcentagens ((100 f
i
)%);
c) O histograma;
6 - Dados os conjuntos de nmeros: A = {1000; 1001; 1002; 1003; 1004; 1005} e B =
{0, 1, 2, 3, 4, 5} podemos armar que:
a) o desvio-padro de A igual a 100 vezes o desvio-padro de B.
b) o desvio-padro de A igual ao desvio-padro de B.
c) o desvio-padro de A igual ao desvio-padro de B multiplicado pelo quadrado de
1000.
d) o desvio-padro de A igual ao desvio-padro de B dividido por 1000.
e) o desvio-padro de A igual ao quadrado do desvio-padro de B.
7 - Em uma granja foi observada a distribuio do frangos em relao ao peso, que era
a seguinte:
Peso(gramas) n
i
0960| 0980 60
0980| 1000 160
1000| 1020 280
1020| 1040 260
1040| 1060 160
1060| 1080 80
a) Construa o histograma;
b) Queremos dividir os frangos em quatro categorias, em relao ao peso, de modo
que: os 20% mais mais leves sejam da categoria D; os 30% seguintes sejam da
categoria C; os 30% seguintes sejam da categoria B; os 20% seguintes sejam da
categoria A. Quais os limites de peso entre as categorias A, B, C e D?
8 - Estudando-se o consumo dirio de leite, vericou-se que, em certa regio, 20% das
famlias consomem at um litro, 50% consomem entre um litro e dois litros, 20%
consomem entre dois e trs litros e o restante consome entre trs e cinco litros. Para
a varivel em estudo:
69
a) Escreva as informaes acima na forma de uma tabela de frequncias.
b) Construa o histograma.
70
Aluno(a): .
9
a
NOTA DE AULA
8 Anlise Bidimensional
8.1 Introduo
Em algumas situaes, em anlise de dados, surge a necessidade de um estudo sobre o
comportamento conjunto de duas ou mais variveis. Para isso, a distribuio conjunta de
frequncia ser de grande utilidade. Iremos estudar apenas no caso de duas variveis ou
dois conjuntos de dados. Nestes casos poderemos ter trs situaes:
1. as duas variveis so qualitativas;
2. as duas variveis so quantitativas; e
3. uma varivel qualitativa e outra quantitativa.
As tcnicas de anlise de dados nas trs situaes so diferentes. Estudaremos apenas
os dois primeiros casos
8.2 Associao entre duas Variveis Qualitativas
Vejamos como se comportam as variveis: regio de procedncia (X) e grau de instruo
(Y ), cuja distribuio de frequncia pode ser representada por uma tabela de dupla entrada.
Tabela 1: Distribuio de frequncia conjunta das variveis X e Y .
Y Basico Medio Superior Total marginal de X
X
Capital 4 5 2 11
Interior 3 7 2 12
Outra 5 6 2 13
Total marginal de Y 11 18 6 36
Observaes:
71
1. Cada clula do corpo da tabela apresenta o nmero de ocorrncia simultnea dos
valores (x, y) de X e Y , constituindo a distribuio conjunta;
2. A coluna dos totais (frequncias marginais de X) constitui a distribuio marginal de
X;
3. A linha dos totais (frequncias marginais de Y ) constitui a distribuio marginal de
Y ;
4. Assim como no caso de uma nica varivel, as frequncias absolutas podem ser
expressas em termos de frequncias relativas e/ou porcentagens, sendo que, de acordo
com o objetivo de cada anlise, estas medidas podem ser obtidas em relao
(a) ao total geral; Tabela 2-Distribuio de frequncia conjunta das variveis X e
Y.
X
Capital
Interior
Outra
Total marginal de Y 100%
(b) ao total de cada linha; Tabela 3-Frequncias percentuais da distribuio con-
junta das variveis
X e Y, em relao ao total de linha (frequncia marginal de X)
X
Capital 100%
Interior 100%
Outra 100%
Total marginal de Y 100%
(c) ao total de cada coluna Tabela 4-Frequncias percentuais da distribuio con-
junta das variveis
X e Y, em relao ao total de coluna (frequncia marginal de Y)
X
Capital
Interior
Outra
Total marginal de Y 100% 100% 100% 100%
A construo de tabelas de dupla entrada contendo as frequncias relativas em termos
de porcentagem, tendo como referncia o total geral, os totais de cada linha ou coluna
responde as seguintes perguntas:
1. Qual o percentual de pessoas que possuem o Ensino Mdio e que so do interior?
72
2. Dentre os que possuem o Ensino Mdio, qual o percentual de pessoas provenientes
do interior?
3. Sabendo-se que uma pessoa veio do interior, qual a probabilidade, em termos
percentuais de ter o Ensino Mdio?
8.3 Independncia entre Variveis
Ocorre com bastante frequncia em anlises de distribuio conjunta o questionamento
sobre a existncia de dependncia ou no entre as variveis, alm da necessidade de se
saber o grau de dependncia entre elas, caso exista.
Uma regra prtica, consiste em:
(i) Vericar a distribuio das propores marginais da varivel X ou Y (linha ou
coluna de totais) e compar-la com as distribuies das propores referentes a cada uma
das categorias da varivel Y ou X, respectivamente;
(ii) Assim, se observarmos propores em cada uma das categorias de Y ou X prxi-
mas as propores marginais, temos como evidncia a no dependncia entre as variveis;
Tabela 5-Distribuio conjunta das frequncias e propores, segundo sexo X
e curso escolhido Y.
Y Masculino Feminino Total marginal de X
X
Economia 85(61%) 35(58%) 120(60%)
Administracao 55(39%) 25(42%) 80(40%)
Total marginal de Y 140(100%) 60(100%) 200(100%)
caso contrrio; a evidncia de que as variveis sejam dependentes.
Tabela 6-Distribuio conjunta das frequncias e propores, segundo sexo X
e curso escolhido Y.
Y Masculino Feminino Total marginal de X
X
Fisica 100(71%) 20(33%) 120(60%)
Ciencias Sociais 40(29%) 40(67%) 80(40%)
Total marginal de Y 140(100%) 60(100%) 200(100%)
Uma vez identicado a relao de dependncia entre as variveis, como podemos
quanticar o grau de dependncia?
8.4 Medidas de Associao entre duas Variveis Qualitativas
De um modo geral, o grau de dependncia entre as duas variveis quanticado pelos
coecientes de associao ou correlao. Usualmente, esses coecientes variam de zero at
um, sendo que, as vezes, variam de -1 a 1. Desta maneira, valores prximos de zero do
indcios de independncia entre as variveis e, valores prximos de um (ou -1) indicam um
alto grau de dependncia positiva (ou negativa).
73
Uma medida de dependncia bastante utilizada para variveis nominais o coeciente
de contingncia, o qual dado por:
C =
2
+n
onde n o nmero de observaes e
2
uma medida conhecida por qui-quadrado, a
qual obtida a partir da seguinte soma
2
=
r
i=1
s
j=1
(o
ij
e
ij
)
2
e
ij
onde o somatrio estendido a todas as caselas de frequncias conjuntas em uma
tabela de dupla entrada, e:
o
ij
- a frequncia observada na i-sima casela;
e
ij
- a frequncia esperada na i-sima casela, caso houvesse independncia entre
as variveis, ou seja, quando a proporo em cada categoria de uma varivel (xada o total
em linha ou coluna) igual ou prxima a proporo marginal.
No entanto, o valor mximo de C depende de r e s. Para evitar esse inconveniente,
costuma-se denir um outro coeciente, que varia entre 0 e 1, dado por
T =

2
/n
(r 1)(s 1)
que atinje o valor mximo igual a 1 se r = s.
Para exemplicar, vejamos qual seria o coeciente de contingncia para as variveis
apresentadas na Tabela 3.
8.5 Medidas de Associao entre duas Variveis Quantitativas
Neste caso, procedimento anlogo ao realizado para a anlise de variveis nominais pode
ser aplicado. E, por se tratar de variveis quantitativas, antes de construir uma tabela
de dupla entrada, os dados marginais podem ser agrupados em intervalos de classe, assim
como no caso de uma nica varivel.
Em anlises de associao entre variveis quantitativas, procedimentos analticos mais
renados so possveis, como veremos a seguir.
8.5.1 Diagrama de Disperso
O diagrama ou grco de disperso nada mais que a representao de pares dos valores
observados (x, y) num sistema cartesiano. Vejamos a ilustrao de alguns grcos que
podem surgir na prtica:
74
4 6 8 10 12
1
0
1
5
2
0
2
5
3
0
3
5
4
0
X
Y
Figura 5: Diagrama de disperso entre as variveis X e Y .
4 6 8 10 12
4
0
3
0
2
0
1
0
X
Z
Figura 6: Diagrama de disperso entre as variveis X e Z.
4 6 8 10 12
0
5
1
0
1
5
X
W
Figura 7: Diagrama de disperso entre as variveis X e W.
8.5.2 Coeciente de correlao
Ao ser observada uma associao entre as variveis quantitativas, seria muito til sabermos
sobre a intensidade desta associao e, como percebemos anteriormente (ver Grcos de
75
4 6 8 10 12
0
2
0
0
4
0
0
6
0
0
8
0
0
X
V
Figura 8: Diagrama de disperso entre as variveis X e V .
5 a 8), existem vrios tipos de associao. Aqui, veremos apenas uma medida referente
ao tipo de associao linear, ou seja, ao tipo de relao em que os pontos do grco de
disperso aproximam-se de uma reta.
Denio - Dados n pares de valores (x
1
, y
1
), (x
2
, y
2
), ..., (x
n
, y
n
), chama-se de coe-
ciente de correlao entre as variveis X e Y o valor obtido por
Corr(X, Y ) =
1
n
n
i=1
(
x
i
x
dp(X)
)(
y
i
y
dp(Y )
),
ou seja, a mdia dos produtos dos valores reduzidos (ou padronizados) das variveis.
Enquanto o coeciente de contingncia s assume valores entre 0 e 1, o coeciente de
correlao pode assumir qualquer valor entre -1 e 1.
Uma frmula alternativa e mais operacional para a correlao dada por:
Corr(X, Y ) =
x
i
y
i
nxy
_
(
x
2
i
nx
2
)(
y
2
i
ny
2
)
.
O numerador da expresso assima d origem a covarincia, medida bastante usada.
Denio - Dados n pares de valores (x
1
, y
1
), (x
2
, y
2
), ..., (x
n
, y
n
), chamaremos de
covarincia entre as variveis X e Y a
cov(X, Y ) =
n
i=1
(x
i
x)(y
i
y)
n
,
ou seja, a mdia dos produtos dos valores centrados das variveis.
O coeciente de correlao pode ser escrito como
corr(X, Y ) =
cov(X, Y )
dp(X)dp(Y )
76
8
a
LISTA DE EXERCCIOS
1 - Numa amostra de cinco operrios de uma dada empresa foram observadas duas va-
riveis: X: anos de experincia num dado cargo e Y : tempo, em minutos, gasto na
execuo de uma certa tarefa relacionada a esse cargo. As observaes so apresen-
tadas na tabela abaixo:
X 1 2 3 4 5
Y 7 8 3 2 2
Construa o diagrama de disperso e calcule uma medida de dependncia entre as
variveis.
2 - No estudo de uma certa comunidade vericou-se que:
I) A proporo de indivduos solteiros de 0, 4.
II) A proporo de indivduos que recebem at 10 salrios mnimos de 0, 2.
III) A proporo de indivduos que recebem at 20 salrios mnimos de 0, 7.
IV) A proporo de indivduos casados entre os que recebem mais de 20 salrios
mninos de 0, 7.
V) A proporo de indivduos que recebem at 10 salrios mnimos entre os solteiros
de 0, 3.
a) Construa a distribuio conjunta das variveis estado civil e faixa salarial e as
respectivas distribuies marginais.
b) Voc diria que existe relao entre as duas variveis consideradas?
3 - A tabela a seguir lista os nmeros de assassinatos e os tamanhos das populaes (em
centenas de milhares) em grandes cidades americanas durante um ano recente (com
base em dados do New York Times). Calcule uma medida de dependncia entre
as variveis. O que voc conclui?
Homicidios 258 264 402 253 111 648 288 654 256 60 590
Populacao 4 6 9 6 3 29 15 38 20 6 81
4 - O nmero de horas (X) que 13 estudantes passam estudando para um teste e suas
notas (Y ) so mostrados na tabela abaixo. Calcule uma medida de dependncia entre
as variveis. O que voc conclui? Explique.
X 0 1 2 4 4 5 5 5 6 6 7 7 8
Y 40 41 51 48 64 69 73 75 68 93 84 90 95
77

Curso Probabilidade e Estatistica

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Curso Probabilidade e Estatistica

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE FEDERAL DE CAMPINA GRANDE - Campus I

UNIDADE ACADMICA DE MATEMTICA E ESTATSTICA

|x| f(x)dx < .

. Mostra-se que Z tambm tem

grau completo, superior, ps-graduado;

) Ordenar o conjunto de dados em ordem crescente (ou descrescente);

) Identicar a posio central do conjunto de dados, ou seja, a posio onde

) Obter o valor que representa a metade do total de observaes: P

) Utilizar a seguinte regra:

(sigma). Por exemplo, se x

) Identicar a posio do percentil que se deseja encontrar, atravs da seguinte

) Utilizar a seguinte regra:

f = soma das frequncias anteriores classe Q

) Os extremos: o menor e o maior valor observado no conjunto de

) O primeiro e o terceiro quartil (ou junta).

Você também pode gostar