Você está na página 1de 77

54

A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
Unidade II
Unidade II
5 MEDIDAS OU PARMETROS ESTATSTICOS
O estudo que fizemos anteriormente diz respeito ao agrupamento de dados coletados e
representao grfica de alguns deles. Cumpre agora estudarmos as medidas estatsticas. Esses
valores nos daro a imagem sintetizada do comportamento de uma amostra, permitindo que,
com relativamente poucas informaes, possamos chegar a concluses sobre essa amostra
estudada.
Existem basicamente dois grandes grupos de medidas estatsticas. O primeiro grupo formado
pelas medidas de tendncia central, tambm chamadas de medidas de posio, que informam a
magnitude da amostra estudada. Essas medidas nos do uma viso global da amostra sem se aterem s
caractersticas individuais de seus elementos.
No entanto, como necessrio que tenhamos ideia das variaes dos elementos da amostra em
torno de suas medidas centrais, iremos estudar, tambm, um segundo grupo de medidas estatsticas: as
medidas de disperso, tambm chamadas de medidas de variabilidade.
5.1 Medidas de posio
As medidas de posio ou medidas de tendncia central, como o prprio nome indica,
preocupam-se com definir uma posio central da amostra, ou seja, um valor que seja representativo
do que tpico da amostra. Iremos trabalhar com as trs principais medidas desse tipo: a mdia, a
mediana e a moda.
5.1.1 Mdia
De todas as medidas de posio, a mdia , seguramente, a mais usada. chamada de
mdia simples quando a frequncia dos diversos valores igual a 1, ou seja, cada valor
aparece uma nica vez na amostra, e de mdia ponderada quando os dados so dotados de
certa frequncia.
Existem vrios mtodos diferentes para calcularmos as mdias. Iremos nos preocupar com a principal
delas, a mdia aritmtica. As demais (geomtrica, quadrtica e harmnica), alm de serem muito menos
utilizadas, seguem os mesmos princpios da mdia aritmtica, apenas com a utilizao de operaes
matemticas diferentes.
A mdia aritmtica o resultado da soma dos valores de todos os elementos dividido pelo
nmero total de elementos, ou seja, pela frequncia total. Em outras palavras, se tivermos um
55
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
ESTATSTICA
conjunto de valores S = {x
1
, x
2
, x
3
,x
n
}, a mdia aritmtica desse conjunto ser calculada por
meio das frmulas:
X
x x x x
N
n
=
+ + + +
1 2 3
....
Ou
X
x
N
i
=

Onde:
X a mdia aritmtica;
x
1,
x
2,
etc. so os diversos valores;
N a quantidade total de elementos da amostra.
Exemplo 1. Calcular a mdia aritmtica dos valores relacionados a seguir:
S = {2; 5; 7; 9; 10; 12; 16; 18}
Observe que so oito elementos de diferentes valores, portanto:
X
x
N
X X
i
= =
+ + + + + + +
=
2 5 7 9 10 12 16 18
8
9 9 ,
Exemplo de aplicao
1. Uma corretora de valores relacionou 12 investimentos feitos recentemente e os rendimentos
correspondentes a cada um. Os dados esto na tabela a seguir:
Tabela 25
12% 13% 18% 9% 10% 11%
13% 15% 16% 14% 8% 17%
A partir desse dado, podemos dizer que o rendimento mdio dessas aplicaes de:
A) 13%
B) 12%
56
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
Unidade II
C) 15%
D) 18%
E) 16%
Caso os valores sejam repetidos na amostra, ou seja, caso tenham uma frequncia diferente
de 1 (x
1
com f
1
; x
2
com f
2
e assim por diante), ento a frmula para o clculo da mdia
aritmtica :
X
x f
f
i i
i
=

Este ltimo conceito dene a mdia ponderada; eventualmente, as frequncias podem ser
substitudas por pesos que conferem importncia diferenciada a cada valor.
O exemplo a seguir mostra o clculo para dados no agrupados em classe:
Exemplo 2. Calcular a mdia aritmtica dos valores relacionados a seguir:
Tabela 26
Valor Frequncia simples
xi
25 37
42 28
57 54
62 62
39 12
Como no exemplo anterior, o clculo da mdia aritmtica consiste na soma de todos os valores
dividida pela quantidade total de elementos. Porm, cada um dos valores da tabela aparece certo
nmero de vezes, diferente de 1; por exemplo, o valor 25 aparece 37 vezes, portanto precisamos
somar 25 com ele mesmo 37 vezes; ou, de maneira mais direta, precisamos multiplicar 25 por
37. A coluna C mostra todos os clculos desse tipo. Quando somamos essa coluna, obtemos o
valor 9.491, que corresponde soma de todos os elementos da amostra (193 elementos). Assim,
a mdia :
57
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
ESTATSTICA
Tabela 27
A B C = A x B
Valor Frequncia simples Valor x Frequncia
xi xi .
25 37 925
42 28 1176
57 54 3078
62 62 3844
39 12 468
ft 193 9491
X
x f
f
X X
i i
i
= = =

9491
193
49 2 ,
No caso de dados agrupados em classes, o processo de clculo idntico ao anterior, com a diferena de
que o valor a ser usado o ponto mdio de classe (lembre-se de que j denimos esse valor anteriormente):
x p
i m
i
=
O exemplo a seguir mostra-nos, passo a passo, o clculo da mdia aritmtica ponderada para dados
agrupados por classes:
Exemplo de aplicao
2. O departamento de produo de uma empresa de confeces anota diariamente quantos defeitos
ocorreram na linha de produo. Na tabela a seguir, esto relacionados as informaes referentes aos
ltimos 120 dias de produo.
Tabela 28
Nmero de defeitos dirios Nmero de dias
6 20
7 23
8 21
9 18
10 16
12 13
13 5
14 3
15 1
58
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
Unidade II
Nessas condies o nmero mdio de defeitos dirios de aproximadamente:
A) 7,9
B) 10,0
C) 9,3
D) 8,0
E) 8,7
Exemplo 3. Dada a tabela de frequncias a seguir, calcular a mdia aritmtica.
Tabela 29
A B C D E = (C + D)/2 F = D x E
Classe
Limites de classe
li ls
Frequncia
simples

Ponto
mdio
de classe
pmi
Frequncia
x ponto
mdio
x pmi
1,0 3,0 |------- 414,0 14,0 208,5 2.919,0
2,0 414,0 |------- 825,0 19,0 619,5 11.770,5
3,0 825,0 |------- 1.236,0 41,0 1.030,5 42.250,5
4,0 1.236,0 |------- 1.647,0 53,0 1.441,5 76.399,5
5,0 1.647,0 |------- 2.058,0 32,0 1.852,5 59.280,0
6,0 2.058,0 |------- 2.469,0 27,0 2.263,5 61.114,5
7,0 2.469,0 |------- 2.880,0 20,0 2.674,5 53.490,0
8,0 2.880,0 |------- 3.291,0 11,0 3.085,5 33.940,5
9,0 3.291,0 |------| 3.702,0 8,0 3.496,5 27.972,0
= f
t
= 225,0 369.136,5
A tabela anterior apresenta os valores e clculos necessrios para determinarmos a mdia aritmtica
para uma amostra que estivermos descrevendo.
As reas sombreadas da tabela mostram os clculos necessrios para a obteno da mdia aritmtica.
O uso de uma tabela para esses clculos facilita as operaes, alm de estas serem mais facilmente
trabalhadas em computador.
Nesse exemplo, somamos os valores de todos os elementos da amostra, cando na seguinte situao:
o valor da soma dos 225 elementos da amostra 369136,5, portanto a mdia aritmtica ser de:
59
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
ESTATSTICA
X
x f
f
X X
i i
i
= = =

369136 5
225
1640 6
,
,
importante observar as seguintes propriedades das mdias aritmticas:
a soma algbrica dos afastamentos (ou desvios, ou resduos) de um conjunto de nmeros tomados
em relao mdia nula;
se multiplicarmos ou dividirmos todas as informaes por uma constante, a mdia aritmtica
car multiplicada ou dividida por essa constante;
somando-se ou subtraindo-se uma constante de todos os valores de um conjunto de informaes,
a mdia aritmtica car somada ou subtrada dessa constante;
a soma dos quadrados dos desvios tomados em relao mdia aritmtica mnima (essa
propriedade muito importante para a denio de desvio-padro, que veremos mais frente)
Exemplo de aplicao
3. Uma pequena agncia de publicidade relacionou, na tabela a seguir, o custo das suas 120 ltimas
campanhas publicitrias:
Tabela 30
Classes
Custo das campanhas publicitrias
(limites)
Quantidade de campanhas
publicitrias (frequncia simples)
A R$ 5.000 |---- R$ 10.000 12
B R$ 10.000 |---- R$ 15.000 15
C R$ 15.000 |---- R$ 20.000 18
D R$ 20.000 |---- R$ 25.000 23
E R$ 25.000 |---- R$ 30.000 25
F R$ 30.000 |---- R$ 35.000 14
G R$ 35.000 |---- R$ 40.000 13
Nessas condies, podemos armar que o custo mdio das campanhas publicitrias dessa agncia
de aproximadamente:
A) R$ 22.833,00
B) R$ 22.500,00
C) R$ 20.000,00
60
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
Unidade II
D) R$ 25.833,00
E) R$ 20.833,00
5.1.2 Mediana
Conceitualmente, denimos mediana como o valor, em um conjunto de valores ordenados, que
divide exatamente esse conjunto em duas metades, com 50% dos valores superiores mediana e 50%
inferiores. Essa denio precisa adaptar-se ao nmero N de elementos da amostra:
caso N seja um nmero mpar, a mediana ser o valor do elemento central (chamado de elemento
mediano);
caso N seja um nmero par, a mediana ser a mdia aritmtica simples dos dois elementos
centrais (o elemento mediano passa a ser um elemento terico intermedirio). Veja no
exemplo a seguir:
Exemplo 1. Dados os seguintes conjuntos de notas de alunos de Estatstica, calcule a mediana:
Grupo A = {6,2; 4,2; 8,7; 6,4; 2,8; 9,1; 5,0; 3,9; 7,1}.
Para calcular a mediana necessrio colocar os dados em ordem crescente:
{2,8; 3,9; 4,2; 5,0; 6,2; 6,4; 7,1; 8,7; 9,1}
Como o nmero de elementos mpar (N = 9), a mediana ser o valor do elemento central (o quinto
elemento), ou seja, o valor da mediana ser 6,2.
Poderamos dar uma roupagem mais matemtica ao clculo utilizando as frmulas a seguir, onde:
E
me
o elemento mediano e Me a mediana:
E
N
E E
me me me
=
+
=> =
+
=> =
1
2
9 1
2
5
O valor do quinto elemento a mediana:
Me = 6,2
Grupo B = { 8,4; 6,3; 9,2; 4,9; 6,5; 8,0}
Ordenando:
{4,9; 6,3; 6,5; 8,0; 8,4; 9,2}
61
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
ESTATSTICA
E
N
E E
me me me
o
=
+
=> =
+
=> =
1
2
6 1
2
3 5 ,
Evidentemente, no existe um elemento 3,5. A mediana ser a mdia aritmtica entre o valor do
terceiro e do quarto elemento:
Me
x x
Me Me =
+
=> =
+
=> =
3 4
2
6 5 8 0
2
7 25
, ,
,
Clculo semelhante se far quando trabalhamos com dados agrupados, seja em classes ou no.
Primeiro, veremos quando os dados no forem agrupados em classes. Nesse caso, o procedimento
semelhante ao feito no Exemplo 1, com a diferena de que precisaremos calcular a frequncia acumulada
crescente para permitir localizarmos o elemento mediano.
Exemplo de aplicao
4. Uma corretora de valores relacionou 12 investimentos feitos recentemente e os rendimentos
correspondentes a cada um. Os dados esto na tabela a seguir:
Tabela 31
12% 13% 18% 9% 10% 11%
13% 15% 16% 14% 8% 17%
A partir desse dado, podemos dizer que o rendimento mediano dessas aplicaes de:
A) 18%
B) 12%
C) 15%
D) 13%
E) 16%
O exemplo 2 mostra o clculo em duas situaes diferentes:
Exemplo 2. Calcular a mediana para os dados relacionados a seguir, relativos ao nmero de lhos
por famlia moradora em determinada cidade.
62
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
Unidade II
Tabela 32 Cidade A
Nmero de lhos
por famlia
Quantidade de familias
na cidade
Frequncia
acumulada crescente
Valor Frequncia simples
x
i
f
i
f
ac
0 15 15
1 18 33
2 12 45
3 8 53
4 5 58
5 3 61
6 1 62
Mais do que 6 1 63
Soma 63
Perceba que o nmero de elementos (N = 63) mpar, logo o elemento mediano ser o 32:
E E
me me
=
+
=> =
63 1
2
32
O 32 elemento tem o valor 18, isso porque, com os valores ordenados, os 15 primeiros referem-se a famlias
com 0 lho; o 16 ao 33 valor referem-se a famlias com 1 lho, e assim por diante. Logo a mediana ser:
Me = 18
Portanto, podemos armar que 50% das famlias tm um lho ou menos, e 50% das famlias tm
um lho ou mais.
Tabela 33 Cidade B
Nmero de lhos
por famlia
Quantidade de famlias
na cidade
Frequncia acumulada
crescente
Valor Frequncia simples
x
i
f
i
f
ac
0 15 15
1 21 36
2 16 52
3 9 61
4 6 67
5 4 71
6 1 72
Mais do que 6 0 72
Soma 72
63
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
ESTATSTICA
Perceba que o nmero de elementos (N = 72) par, logo o elemento mediano seria o 36,5, que,
evidentemente, no existe.
E E
me me
o
=
+
=> =
72 1
2
36 5 ,
O 36 elemento tem o valor 1, e o 37, o valor o valor 2, portanto o 36,5 seria um valor mdio entre
esses dois valores, ou seja, a mediana ser:
Me Me =
+
=> =
1 2
2
15 ,
Portanto, podemos armar que 50% das famlias tm menos de 1,5 lho e 50% das famlias tem
mais de 1,5 lho.
Exemplo de aplicao
5. O departamento de produo de uma empresa de confeces anota diariamente quantos defeitos
ocorreram na linha de produo. Na tabela a seguir esto relacionadas as informaes referentes aos
ltimos 120 dias de produo.
Tabela 34
Nmero de
defeitos dirios
Nmero de dias
6 20
7 23
8 21
9 18
10 16
12 13
13 5
14 3
15 1
Nessas condies, o nmero mdio de defeitos dirios de aproximadamente:
A) 7,9
B) 10,0
C) 9,3
64
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
Unidade II
D) 8,0
E) 8,7
O clculo da mediana, quando trabalhamos com dados agrupados em classes, mais trabalhoso
porque conseguimos determinar o elemento mediano e a classe da qual o elemento faz parte, mas no
o valor exato da mediana. A maneira de contornarmos esse inconveniente utilizando os conceitos de
interpolao.
Lembrete
No nosso contexto, interpolar signica encontrar, dentro de uma faixa
de valores, aquele valor que melhor corresponde s condies estabelecidas,
normalmente situado entre dois outros valores conhecidos.
No caso do clculo da mediana, o processo de interpolao gera a seguinte frmula, que sempre
iremos usar:
Me li
E f
f
h
Me
me ac ant
Me
= +


Onde:
Me = Mediana.
li
me
= Limite inferior da classe que contm o elemento mediano (classe mediana).
E
me
= Elemento mediano.
f
ac ant
= Frequncia acumulada crescente at a classe anterior classe mediana.
f
me
= Frequncia da classe mediana.
h = Amplitude da classe mediana.
O Exemplo 3, a seguir, demonstra o clculo da mediana para uma distribuio de vendas em reais
agrupadas por classe.
Exemplo 3. Calcular a mediana para a tabela a seguir, que apresenta a distribuio de vendas de
determinada empresa.
65
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
ESTATSTICA
Tabela 35
Classes
nmero
Vendas mensais em R$ Quantidade de meses
Frequncia
acumulada crescente
Valor frequncia
li ls f
i
f
ac

1 R$ 50.000,00 |---- R$ 80.000,00 12 12
2 R$ 80.000,00 |---- R$ 110.000,00 18 30
3 R$ 110.000,00 |---- R$ 140.000,00 27 57
4 R$ 140.000,00 |---- R$ 170.000,00 26 83
5 R$ 170.000,00 |---- R$ 200.000,00 21 104
6 R$ 200.000,00 |---- R$ 230.000,00 18 122
7 R$ 230.000,00 |---- R$ 260.000,00 12 134
8 R$ 260.000,00 |---| R$ 290.000,00 9 143
TOTAL 143
O elemento mediano dado por:
E E
me me
=
+
=> =
143 1
2
72
O 72 elemento est na quarta classe, que chamamos de classe mediana, ou seja, a mediana um
valor entre R$ 140.000,00 e R$ 170.000,00. Obteremos o resultado usando a frmula da interpolao:
Me li
E f
f
h
Me
me ac ant
Me
= +

= +

. . 140 000
72 57
26
30 0000 157 307 69 => = Me . ,
Portanto, podemos armar que 50% das vendas mensais dessa empresa esto acima de R$
157.307,69, e 50%, abaixo desse valor.
Exemplo de aplicao
6. Uma pequena agncia de publicidade relacionou, na tabela seguinte, o custo das suas 120 ltimas
campanhas publicitrias:
Tabela 36
Classes Custo das campanhas publicitrias
Quantidade de campanhas
publicitrias (frequncia simples)
A R$ 5.000 ---- R$ 10.000 12
B R$ 10.000 ---- R$ 15.000 15
C R$ 15.000 ---- R$ 20.000 18
D R$ 20.000 ---- R$ 25.000 23
E R$ 25.000 ---- R$ 30.000 25
F R$ 30.000 ---- R$ 35.000 14
G R$ 35.000 ---- R$ 40.000 13
66
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
Unidade II
Nessas condies podemos armar que o custo mediano das campanhas publicitrias dessa agncia
de aproximadamente:
A) R$ 22.370
B) R$ 22.500
C) R$ 23.370
D) R$ 25.833
E) R$ 20.833
5.1.3 Moda
O conceito de moda o mais simples entre as medidas estatsticas. Trata-se do valor
que mais vezes se repete numa distribuio de frequncias, ou seja, aquele dotado de maior
frequncia.
O clculo da moda para dados isolados ou para dados no agrupados em classes imediato: decorre
de simples observao, como mostra o Exemplo 1; j para dados agrupados necessitamos adotar algumas
recomendaes feitas por estatsticos renomados. No Exemplo 2, apresentamos um clculo deste ltimo
tipo de distribuio.
Exemplo 1. Calcular a moda para os conjuntos de dados mostrados a seguir, referentes ao consumo
de rolamentos (em unidades) em vrias linhas de produo.
Linha A: {21; 22; 24; 24; 25; 25; 25; 27; 28}
A moda evidentemente : Mo = 25
Linha B: {8; 8; 9; 9; 9; 9; 10; 11; 11; 11; 11; 12; 12; 12}
Neste conjunto temos duas modas: Mo = 9 e Mo = 11. Chamamos de amostra multimodal.
Linha C: {15; 18; 25; 32; 43; 50; 61}
No existe um valor que se repita mais de uma vez. Temos uma amostra sem moda, ou seja, amodal.
67
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
ESTATSTICA
Tabela 37
Quantidade de rolamentos
conumidos
Nmero de vezes em que
ocorreu o consumo
x
i
f
i
Valor Frequncia
8 18
10 25
12 32
13 45
15 28
16 21
17 12
21 8
A moda o valor de maior frequncia; portanto, para a linha D, teramos Mo = 13
Exemplo de aplicao
7. Uma corretora de valores relacionou 12 investimentos feitos recentemente e os rendimentos
correspondentes a cada um. Os dados esto na tabela que segue:
Tabela 38
12% 13% 18% 9% 10% 11%
13% 15% 16% 14% 8% 17%
A partir desse dado, podemos dizer que o rendimento modal dessas aplicaes de:
A) 18%
B) 13%
C) 15%
D) 12%
E) 16%
8. O departamento de produo de uma empresa de confeces anota diariamente quantos defeitos
ocorreram na linha de produo. Na tabela a seguir esto relacionadas as informaes referentes aos
ltimos 120 dias de produo.
68
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
Unidade II
Tabela 39
Nmero de
defeitos
dirios
Nmero
de dias
6 20
7 23
8 21
9 18
10 16
12 13
13 5
14 3
15 1
Nessas condies, o nmero modal de defeitos dirios de aproximadamente:
A) 7,0
B) 6,0
C) 9,0
D) 8,0
E) 8,7
Exemplo 2. Calcular a moda para a distribuio de rendas familiares apresentada na tabela
a seguir.
Classes
nmero
Rendas familiares mensais em R$
Quantidade
de meses
Valor Frequncia
l
i
l
s
f
i
1 R$ 650,00 |---- R$ 1.100,00 16
2 R$ 1.100,00 |---- R$ 1.550,00 21
3 R$ 1.550,00 |---- R$ 2.000,00 28
4 R$ 2.000,00 |---- R$ 2.450,00 31
5 R$ 2.450,00 |---- R$ 2.900,00 18
6 R$ 2.900,00 |---- R$ 3.350,00 16
7 R$ 3.350,00 |---- R$ 3.800,00 12
Total 142
69
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
ESTATSTICA
Voc pode notar que os valores se repetem mais na classe 4 (a frequncia a maior de todas), logo
a moda deve ser um valor entre R$ 2.000,00 e R4 2.450,00. Mas exatamente qual o valor da moda?
Normalmente esse clculo pode ser feito por trs recomendaes diferentes: as formulas de Czuber,
King e Pearson, que utilizaremos a seguir.
Observao
Recomendao diferente de equacionamento matemtico. Decorre
de estudos, normalmente empricos, que apresentam validade prtica, mas
no exatido matemtica. So, portanto, aproximaes.
Recomendao de Czuber
Para utilizarmos a recomendao de Czuber devemos inicialmente localizar a classe que tem maior
frequncia, a chamada classe modal. No nosso exemplo essa classe a de nmero 4, como j falamos.
Em seguida aplicamos a seguinte frmula:
Mo li
f f
f f f f
h
Mo
Mo ant
Mo ant Mo post
= +

+

( )
( ) ( )
Onde:
Mo = Moda.
Li
mo
= Limite inferior da classe modal.
f
mo
= Frequncia da classe modal.
f
ant
= Frequncia da classe imediatamente anterior classe modal.
f
post
= Frequncia da classe imediatamente posterior classe modal.
h = Amplitude da classe modal.
No nosso exemplo, caria:
Mo Mo R = +

( ) +

=> = 2 000
31 28
31 28 31 18
450 2 034 61 .
( )
( )
$ . ,
70
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
Unidade II
Recomendao de King
Como no clculo anterior, para utilizarmos a recomendao de King, devemos inicialmente localizar
a classe que tem maior frequncia, a chamada classe modal. No nosso exemplo, essa classe a de
nmero 4, como j falamos. Em seguida, aplicamos a seguinte frmula:
Mo li
f
f f
h
Mo
post
ant post
= +
+

Onde:
Mo = Moda.
li
mo
= Limite inferior da classe modal.
f
ant
= Frequncia da classe imediatamente anterior classe modal.
f
post
= Frequncia da classe imediatamente posterior classe modal.
h = Amplitude da classe modal.
No nosso exemplo caria:
Mo Mo R = +
+

=> = 2 000
18
28 18
450 2 176 09 . $ . ,
Recomendao de Pearson
No caso de Pearson, a recomendao parte de conceito diferente do adotado nas anteriores. Baseia-se
no uso da mdia e da mediana:
Mo Me X = 3 2
Onde:
Mo = Moda.
Me = Mediana.
X = Mdia.
71
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
ESTATSTICA
No nosso exemplo teramos:
Me = R$ 2.094,36
X = R$ 2.123,59
Logo, a moda seria:
Mo = 3 x 2.094,36 - 2 x 2.123,59 => Mo = R$ 2.035,90
Cada recomendao resultou em um valor diferente. Isso ocorre porque so recomendaes que partem de
consideraes diferentes. A experincia nos ensina qual a melhor recomendao a utilizar em cada caso prtico.
Exemplo de aplicao
9. Uma pequena agncia de publicidade relacionou na seguinte tabela o custo das suas 120 ltimas
campanhas publicitrias:
Tabela 40
Classes
Custo das campanhas publicitrias
(limites)
Quantidade de
campanhas publicitrias
(frequncia simples)
A R$ 5.000 |---- R$ 10.000 12
B R$ 10.000 |---- R$ 15.000 15
C R$ 15.000 |---- R$ 20.000 18
D R$ 20.000 |---- R$ 25.000 23
E R$ 25.000 |---- R$ 30.000 25
F R$ 30.000 |---- R$ 35.000 14
G R$ 35.000 |---- R$ 40.000 13
Nessas condies, podemos armar que o custo modal (pelo Mtodo de King) das campanhas
publicitrias dessa agncia de aproximadamente:
A) R$ 27.500
B) R$ 30.000
C) R$ 28.370
D) R$ 25.000
E) R$ 26.892
72
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
Unidade II
O uso de cada uma dessas medidas depende da situao prtica que se apresenta. Bruni (2007)
apresenta uma srie de vantagens e desvantagens de cada uma delas, as quais podem ser resumidas no
quadro a seguir:
Quadro 2
Medida de posio Vantagens Desvantagens
Mdia
de fcil compreenso, podendo ser
calculada diretamente usando-se calculadoras
apropriadas.
afetada por valores extremos da srie, no
representando com preciso a distribuio
em que esses valores ocorrem com frequencia
acentuada.
Depende de todos os valores da distribuio,
usando todos os dados disponveis.
necessrio conhecer todos os valores da
distribuio.
Evidencia bastante estabilidade de amostra
para amostra.
A mdia no tem, necessriamente, existncia
real.
Possibilita a manipulao de dados, com
clculo de mdias combinadas
Pode ser obtida uma mdia de nmero
fracionario inexistente, por exemplo, 6,7 alunos.
Pode ser facilmente incluida em equaes
matemticas
Mediana
Mesmo que alguns valores da srie sejam
modicados, ela pode manter-se inalterada
Se for determinada a mediana dos grupos
separados, no ser encontrada a mediana do
grupo.
Os valores extremos no interferem no seu
resultado, por isso indicada quando existem
valores discrepantes.
Mesmo que os valores mais altos ou mais
baixos da srie no estejam denidos, ela pode
ser determinada.
Pode ser utilizada para dados que tm a
possibilidade de ser ordenados.
Moda
Caso algum valor da srie seja modicado, no
necessariamente a moda se alterar.
A moda tem de ter, necessariamente, um valor
real, j que ela representada por algum valor
da srie.
Os valores extremos no interferem no seu
resultado.
Quando utilizadas para calcular distribuies de
classe aberta, no pode ser determinada a moda
empregando-se algum procedimento aritmtico
elementar.
Pode ser calculada em distribuies que
possuam classe indeterminada.
Fonte: Bruni (2007).
5.2 Medidas de disperso
As medidas de disperso completam a informao contida nas medidas de posio, revelando
o afastamento ou o desvio dos elementos do valor central. Quanto menor for a disperso de uma
amostra, maior ser a qualidade da informao contida na medida de posio, ou, em outras palavras,
menor a margem de erro que ser assumida, considerando a medida de posio como representante
de toda a amostra.
73
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
ESTATSTICA
Essas medidas, tambm chamadas de medidas de variabilidade, caracterizam a homogeneidade ou
heterogeneidade da amostra. Quanto menor o valor, mais homognea a amostra ser.
Existem basicamente dois grandes grupos de medidas de disperso:
medidas de disperso absolutas: levam em conta a disperso propriamente dita;
medidas de disperso relativas: levam em conta, simultaneamente, uma medida de posio
e a medida de disperso correspondente. So teis para efetuarmos comparaes entre
amostras.
O objetivo deste tpico tomarmos contato com ambos os grupos.
5.2.1 Medidas de disperso absolutas
5.2.1.1 Amplitude total
A amplitude total (A
T
) j nossa conhecida e a mais elementar das medidas de disperso.
extremamente fcil de ser calculada, mas de difcil interpretao, em especial quando os dados extremos
so muito grandes ou muito pequenos. Portanto, mais utilizada quando as distribuies apresentam
certa homogeneidade. Por exemplo, suponha que tenhamos as valorizaes mensais das aes de duas
diferentes empresas, A e B, com os seguintes valores (dados em porcentagem):
Empresa A = {21,5; 18,0; 26,3; 32,4; 45,1; 18,6; 37,6}
Empresa B = {15,3; 19,7; 23,9; 16,7; 25,9; 14,6; 18,9; 25,8}
As amplitudes seriam, respectivamente, de 45,1 18,0 = 27,1% para as aes da empresa A e de
25,9 14,6 = 11,3% para a empresa B. Em outras palavras, as variaes mximas seriam de 27,1% para
as aes da empresa A e de 11,3% para a empresa B. Logo, o risco de oscilao maior para a empresa
A do que para a empresa B.
5.2.1.2 Desvio mdio
Denido como a mdia aritmtica do mdulo dos desvios dos elementos em relao mdia destes.
Lembrete
Mdulo ou valor absoluto de um nmero a distncia deste nmero
para zero, independentemente do sinal, ou seja, mdulo de um nmero
ser o prprio nmero, se ele for positivo, ou seu simtrico (positivo), se
for negativo.
74
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
Unidade II
Saiba mais
Os conceitos bsicos sobre mdulo ou valor absoluto podem ser revistos
no seguinte artigo:
MIRANDA, D. Denio de mdulo de um nmero real. Mundo Educao,
Goinia, [s.d.]. Disponvel em: <http://www.mundoeducacao.com/matematica/
denicao-modulo-um-numero-real.htm>. Acesso em: 6 dez. 2013.
Entende-se por desvio a diferena entre o valor de um elemento da amostra e a mdia dessa mesma amostra:
d x X
i i
=
Portanto, o desvio mdio ser dado pela frmula:
dm
d
N
i
n
i
=
=
1
| |
O exemplo a seguir deixar mais claro esse processo.
Exemplo 1. Calcular o desvio mdio da amostra {18; 21; 22; 27; 28; 29; 32; 37}.
O primeiro passo ser calcular a mdia aritmtica desses valores e, em seguida, os desvios de cada um
dos valores. Depois, somaremos o mdulo desses valores dividindo-os pelo nmero total de elementos
da amostra. A tabela a seguir mostra passo a passo esses clculos:
Tabela 41
Ordem dos
elementos
Valores
x
i
Desvios
d
i
= x
i
- X
Mdulo dos desvios
| d
i
= x
i
- X |
1 18 18 - 27 = -9 9
2 21 21 - 27 = -6 6
3 22 22 - 27 = -5 5
4 27 27 - 27 = 0 0
5 28 28 - 27 = 1 1
6 29 29 - 27 = 2 2
7 33 33 - 27 = 6 6
8 38 38 - 27 = 11 11
Soma 216 0 40
Mdia ( X ) 216/8=27 Desvio mdio (dm) 40/8 = 5
Observe que a soma dos desvios zero. O prprio conceito de mdia (valor equidistante de todos os
elementos da amostra) nos conduz a isso. O conceito de desvio mdio s tem sentido quando utilizamos
75
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
ESTATSTICA
o mdulo dos desvios. Para car mais claro, veja a seguir os clculos feitos, utilizando-se das frmulas
informadas:
Clculo da mdia:
X
x
N
X X
i
= = =
216
8
27
Clculo do desvio mdio:
dm
d
N
dm dm
i
n
i
= => = => =
=

1
40
8
5
| |
Quando trabalhamos com dados agrupados em classes ou no, utilizamos exatamente o mesmo
processo de clculo, evidentemente, com alteraes nas frmulas de clculo, introduzindo o conceito
de frequncia simples, como mostramos a seguir:
dm
d f
f
i
n
i i
i
n
i
=

=
=

1
1
| |
Observar que, para dados agrupados em classes, o clculo dos desvios dado por:
d pm X
i i
=
Os exemplos a seguir demonstram esses clculos.
Exemplo 2. Calcular o desvio mdio da amostra de distribuio a seguir, relativa ao nmero de
acidentes dirios numa estrada federal.
Tabela 42 Distribuio de acidentes por dia Estrada X
Nmero de
acidentes dirios
Dias pesquisados
Valor x
frequncia
Desvios
Mdulo dos
desvios
Mdulo dos
desvios x
Frequncia
Valor Frequncia
x
i
f
i
xi. d
i
= x
i
- X | d
i
= x
i
- X | | d
i
| x f
i
0 12 0 -3,6 3,6 43,5
1 15 15 -2,6 2,6 39,4
2 28 56 -1,6 1,6 45,6
4 23 92 0,4 0,4 8,6
5 19 95 1,4 1,4 26,1
6 8 48 2,4 2,4 19,0
8 6 48 4,4 4,4 26,2
76
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
Unidade II
10 4 40 6,4 6,4 25,5
11 2 22 7,4 7,4 14,7
12 1 12 8,4 8,4 8,4
Somas 118 428 257,0
Mdia 3,6 Desvio mdio 2,2
dm
d f
f
dm dm
i
n
i i
i
n
i
=

=> = => =
=
=

1
1
257
118
2 2
| |
,
Exemplo 3. Calcular o desvio mdio da amostra de distribuio a seguir, relativa ao tempo de mo
de obra gasto com a manuteno dos avies de uma empresa area.
Tabela 43 Distribuio de horas de manuteno Aero X
Classes
Limites de classes
Pontos
mdios
de classe
Manutenes
pesquisadas
Valor x
frequncia
Desvios
Mdulo dos
desvios
Mdulo dos
desvios x
frequncia
Valor Frequncia
li ls pmi f
i
pmi. d
i
= x
i
- X | d
i
= x
i
- X | | d
i
| x

f
i
1 0 |--- 3 1,5 26 39 -4,1 4,1 106,0
2 3 |--- 6 4,5 20 90 -1,1 1,1 21,5
3 6 |--- 9 7,5 16 120 1,9 1,9 30,8
4 9 |--- 12 10,5 10 105 4,9 4,9 49,2
5 12 |--| 15 13,5 6 81 7,9 7,9 47,5
Somas 78 435 255,1
Mdia 5,6 Desvio mdio 3,3
dm
d f
f
dm dm
i
n
i i
i
n
i
=

=> = => =
=
=

1
1
255 1
78
3 3
| |
,
,
5.2.1.3 Varincia
A denio de desvio mdio leva em considerao os desvios dos elementos tomados primeira
potncia. Matematicamente, demonstra-se que os efeitos de desvio so mais bem-representados
quando tomados ao quadrado.
Observao
Dois motivos justicam os desvios ao quadrado: a soma dos quadrados
dos desvios tomados ao quadrado mnima; e, elevando ao quadrado,
resolvemos o problema de alguns desvios serem positivos e outros negativos,
gerando soma algbrica zero.
77
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
ESTATSTICA
Essa considerao nos leva denio das duas mais importantes medidas de variabilidade absolutas:
a varincia e o desvio-padro, que veremos em seguida.
A varincia o somatrio dos desvios tomados ao quadrado, ou seja, basicamente a mesma
denio do desvio mdio, alterando-se apenas a potncia dos desvios:
S
d
N
i
n
i
2 1
2
1
=

Observao
O denominador N 1 justica-se pelos chamados graus de liberdade,
que podem ser entendidos com o nmero de espaos entre os dados. No
decorrer do curso, utilizaremos a frmula apresentada para amostras e a
mesma frmula com denominador igual a N para populaes.
No caso em que estivermos trabalhando com dados agrupados, a frmula, naturalmente, dever
incluir o conceito de frequncia simples, ou seja:
S
d f
f
i
n
i i
i
n
i
2 1
2
1
1
=

=
=

Os Exemplos de 1 a 3 no prximo subtpico mostram o clculo da varincia nos vrios casos possveis.
5.2.1.4 Desvio-padro
O clculo ou a anlise da varincia tem um grande inconveniente prtico: apresenta unidades ao
quadrado em relao medida de tendncia central. Por exemplo, suponha que queiramos descrever
uma amostra de salrios de uma empresa. Poderamos armar que o salrio mdio da empresa de
1.340 reais, e a varincia, de 11.025 reais ao quadrado.
Observe a estranheza que causa a unidade: reais ao quadrado. Sem falar do nmero extravagante
que resultou dos clculos. Para contornar esse problema, dene-se a mais utilizada das medidas de
variabilidade: o desvio-padro.
Conceitualmente, o desvio-padro a raiz quadrada da varincia e simbolizado pela letra S
(maiscula). Dessa forma, calculado pelas frmulas:
S
d
N
i
n
i
=

1
2
1
78
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
Unidade II
para dados isolados e
S
d f
f
i
n
i i
i
n
i
=

=
=

1
2
1
1
para dados agrupados em classes ou no.
Nos Exemplos de 1 a 3 a seguir, so calculados os valores do desvio-padro e da varincia, de
maneira semelhante ao que foi feito anteriormente para o desvio mdio. Observe que o clculo obedece
aos seguintes passos, em ambos os casos:
calcular a mdia da distribuio;
calcular os desvios de cada elemento;
calcular o quadrado dos desvios;
somar o quadrado dos desvios (usando o conceito de frequncia, caso sejam dados agrupados);
dividir a soma obtida pelo nmero de elementos menos 1, obtendo-se a varincia;
extrair a raiz quadrada, obtendo-se o desvio-padro.
Exemplo 1. Calcular a mdia e o desvio-padro da amostra {18; 21; 22; 27; 28; 29; 32; 37}.
Tabela 44
Ordem dos
elementos
Valores
x
i
Desvios
d
i
= x
i
- X
Desvios ao
quadrado d
i
2
1 18 18 - 27 = -9 81
2 21 21 - 27 = -6 36
3 22 22 - 27 = -5 25
4 27 27 - 27 = 0 0
5 28 28 - 27 = 1 1
6 29 29 - 27 = 2 4
7 33 33 - 27 = 6 36
8 38 38 - 27 = 11 121
Soma 216 0 304
Mdia 216/8=27
Varincia 304/7 = 43,4
Desvio-padro 6,6
79
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
ESTATSTICA
Clculo da mdia:
X
x
N
X X
i
= = =
216
8
27
Clculo da varincia:
S
d
N
S S
i
n
i
2 1
2
2 2
1
304
8 1
43 4 =

=> =

=> =
=

,
Clculo do desvio-padro:
S
d
N
S S S
i
n
i
=

=> =

=> = => =
=

1
2
1
304
8 1
43 4 6 6 , ,
Mo = 26.892
Exemplo de aplicao
10. As ltimas dez ligaes telefnicas para um call center duraram, em minutos, os seguintes
valores:
Tabela 45
15 12 16 18 14
11 17 16 12 13
Para esses dados, podemos dizer que o valor aproximado do desvio-padro :
A) 3,0
B) 3,2
C) 1,6
D) 2,4
E) 2,2
80
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
Unidade II
Exemplo 2. Calcular a varincia e o desvio-padro da amostra de distribuio a seguir, relativa ao
nmero de acidentes dirios numa estrada federal.
Tabela 46 Distribuio de acidentes por dia Estrada X
Nmero de
acidentes dirios
Dias pesquisados
Valor
x
Frequncia
Desvios
Quadrado
dos desvios
Quadrado
dos desvios x
Frequncia
Valor Frequncia
x
i
f
i
xi. d
i
= x
i
- X d
i
2
d
i
2
x f
i
0 12 0 -3,6 13,2 157,9
1 15 15 -2,6 6,9 103,5
2 28 56 -1,6 2,6 74,1
4 23 92 0,4 0,1 3,2
5 19 95 1,4 1,9 35,8
6 8 48 2,4 5,6 45,0
8 6 48 4,4 19,1 114,7
10 4 40 6,4 40,6 162,5
11 2 22 7,4 54,4 108,7
12 1 12 8,4 70,1 70,1
Somas 118 428 875,6
Mdia 3,6 Varincia 7,5
Desvio mdio 2,7
Clculo da varincia:
S
d f
f
S S
i
n
i i
i
n
i
2 1
2
1
2 2
1
875 6
118 1
7 5 =

=> =

=> =
=
=

,
,
Clculo do desvio-padro:
S
d f
f
S S S
i
n
i i
i
n
i
=

=> =

=> = => =
=
=

1
2
1
1
875 6
118 1
7 5 2 7
,
, ,
Exemplo de aplicao
11. A CIPA de uma empresa relacionou o nmero de acidentes ocorridos nos ltimos seis anos,
montando a seguinte tabela:
81
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
ESTATSTICA
Tabela 47
Nmero de acidentes por ms Nmero de meses
0 38
1 12
2 9
3 7
4 4
5 2
O desvio-padro dos acidentes nessa empresa de:
A) 0,4
B) 0,5
C) 0,6
D) 0,7
E) 0,8
Exemplo 3. Calcular o desvio-padro da amostra de distribuio a seguir, relativa ao tempo de mo
de obra gasto com a manuteno dos avies de uma empresa area.
Tabela 48 Distribuio das horas de manuteno Aero X
Classes
Limites de
classes
Pontos
mdios de
classe
Manutenes
pesquisadas
Valor x
Frequncia
Desvios
Quadrado
dos
desvios
Quadrado
dos
desvios x
Frequncia
Valor Frequncia
li ls pmi f
i
pmi. d
i
= x
i
- X d
i
2
d
i
2 x
f
i
1 0 |--- 3 1,5 26 39 -4,1 16,6 432,2
2 3 |--- 6 4,5 20 90 -1,1 1,2 23,2
3 6 |--- 9 7,5 16 120 1,9 3,7 59,2
4 9 |--- 12 10,5 10 105 4,9 24,2 242,4
5 12 |--| 15 13,5 6 81 7,9 62,8 376,7
Somas 78 435 1133,5
Mdia 5,6 Varincia 14,7
Desvio-padro 3,8
82
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
Unidade II
Clculo da varincia:
S
d f
f
S S
i
n
i i
i
n
i
2 1
2
1
2 2
1
1133 5
78 1
14 7 =

=> =

=> =
=
=

,
,
Clculo do desvio-padro:
S
d f
f
S S S
i
n
i i
i
n
i
=

=> =

=> = => =
=
=

1
2
1
1
1133 5
78 1
14 7 3 8
,
, ,
O desvio-padro a mais utilizada medida de disperso, e, quando relacionada com a mdia, informa
a quantidade de elementos da amostra ou da populao que se situam em torno da mdia.
O mais comum, na Estatstica, que essa relao entre mdia e desvio-padro seja feita pela chamada
distribuio normal, qual ns voltaremos na disciplina Estatstica Aplicada. Nessa relao, vlida na
maior parte dos casos prticos, h os seguintes intervalos:
entre a mdia mais uma vez o desvio-padro e a mdia menos uma vez o desvio-padro, esto
contidos 68% dos elementos da amostra ou da populao;
entre a mdia mais duas vezes o desvio-padro e a mdia menos duas vezes o desvio-padro,
esto contidos 85% dos elementos da amostra ou da populao;
entre a mdia mais trs vezes o desvio-padro e a mdia menos trs vezes o desvio-padro, esto
contidos 99,74% dos elementos da amostra ou da populao;
entre a mdia mais quatro vezes o desvio-padro e a mdia menos quatro vezes o desvio-padro,
esto contidos 100% dos elementos da amostra ou da populao.
Exemplo 4. Um estudo estatstico com 4.850 alunos de Administrao da Produo de uma
universidade mostrou que a nota nal mdia deles foi de 5,3 com desvio-padro de 1,2. Quantos alunos
tiveram mdias nais entre 4,1 e 6,5?
Observe que as notas: 4,1 e 6,5 correspondem exatamente mdia menos um desvio-padro
(5,3 1,2 = 4,1) e mdia mais um desvio-padro (5,3 + 1,2 = 6,5). Portanto, 68% dos alunos esto
contidos nesse intervalo, ou seja: 68% de 4.850 so 3.298 alunos.
Como 60% de 4.850 3.298, podemos armar que essa a quantidade de alunos que tiveram notas
entre 4,1 e 6,5.
83
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
ESTATSTICA
Exemplo de aplicao
12. Certa repartio pblica anotou e relacionou os tempos de inspeo que faz nas empresas,
chegando seguinte distribuio de frequncias:
Tabela 49
Tempo de inspeo em
minutos
Nmero de inspees
realizadas
10 ---- 20 3
20 ---- 30 6
30 ---- 40 15
40 ---- 50 36
50 ---- 60 19
O desvio-padro do tempo de inspeo nessa repartio :
A) 10,2
B) 9,5
C) 12,3
D) 11,9
E) 8,3
5.2.2 Medidas de disperso relativas
A maneira mais comum de se informar de maneira sinttica (resumida) dados quantitativos por meio
de uma medida de posio (mdia, mediana ou moda) em conjunto com uma medida de disperso absoluta
(desvio mdio, varincia ou desvio-padro). O mais comum o par de informaes mdia desvio-padro.
Frequentemente, no entanto, interessante utilizar as chamadas medidas de disperso relativas,
que analisam simultaneamente uma medida de posio e a mediada de disperso correspondente. So
especialmente interessantes essas medidas quando fazemos comparaes entre amostras diferentes.
A rigor, podemos obter essas medidas, costumeiramente chamadas de coecientes de variao,
dividindo uma medida de disperso por uma medida de posio; no entanto, as mais comuns so:
1. Coeciente de variao de Pearson: diviso do desvio-padro pela mdia:
Cv
S
X
Cv
S
X
p p
= = ou 100
84
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
Unidade II
2. Coeciente de variao de Thorndike: diviso do desvio-padro pela mediana:
Cv
S
Me
Cv
S
Me
p p
= = ou 100
O Exemplo 1 a seguir mostra uma aplicao dos coecientes de variao, num caso de ordem prtica.
Exemplo 1. Um especialista estudou, estatisticamente, dois tipos de investimentos, chegando s
concluses da tabela que segue. Qual o investimento que apresenta menor risco?
Estatsticas
Aplicaes
Observaes
X Y
Retorno esperado 12% 20%
O especialista teria chegado a essas
concluses atravs de um estudo
estatstico no qual pesquisou e resumiu
os retornos ocorridos no passado,
conforme vimos no item 3.1.1
Desvio-padro 9% 10%
Analogamente o especialista teria
calculado o desvio-padro conforme
vimos no item 3.2.1.4
Observe que se o especialista comparasse as aplicaes somente com base em seus desvios padres, ele
preferiria a aplicao X, uma vez que essa aplicao tem um desvio-padro menor que Y (9% versus 10%).
Essa comparao seria baseada no fato de que, sendo mais homognea a aplicao A, daria menos sustos.
No entanto, se ele calculasse e comparasse os coecientes de variao, chegaria a concluses diferentes:
Estatsticas
Aplicaes
X Y
Retorno esperado 12% 20%
Desvio-padro 9% 10%
Coeciente de Variao
de Pearson
75% 50%
Cv Cv
p
a
p
a
= => =
9
12
100 75%
Cv Cv
p
b
p
a
= => =
10
20
100 50%
A comparao dos coecientes de variao das aplicaes mostra que o especialista estaria cometendo
um erro srio se escolhesse a aplicao X em vez da aplicao Y, j que a disperso relativa, ou risco, das
aplicaes, conforme reetida no coeciente de variao, menor para o ativo Y do que para o X (50%
versus 75%). Evidentemente, o uso do coeciente de variao para comparar o risco da aplicao melhor
porque este tambm considera o tamanho relativo, ou retorno esperado, das aplicaes.
85
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
ESTATSTICA
Exemplo de aplicao
13. A tabela a seguir relaciona mdias e desvios-padres de trs diferentes amostras de investimentos
feitos por um aplicador nanceiro:
Tabela 50
Investimento Rendimento mdio Desvio-padro
A 18,0% 6,0%
B 14,5% 4,9%
C 9,3% 5,0%
Acerca dessas informaes, no podemos dizer que:
A) A maior rentabilidade mdia a do investimento C.
B) O investimento que apresenta maior homogeneidade o investimento B.
C) O melhor compromisso entre posio e variabilidade o do investimento C.
D) O maior coeciente de variao o do investimento A e vale 33,3%.
E) O coeciente de variao do investimento C o menor e vale 25,9%.
14. Foram comparados os dados referentes a acidentes de trabalho em dois grupos de ramos
diferentes de indstria. Nas 35 indstrias do ramo A foi notada uma taxa mdia de 2,62 acidentes por
mil homens/hora de trabalho, com desvio-padro de 0,72. Nas 35 empresas das indstrias do ramo B
foi notada taxa mdia de 3,10 acidentes por mil homens/hora de trabalho, com desvio-padro de 0,80.
Com base nesses dados, informou-se:
I Em termos absolutos, as empresas do ramo A apresentaram menor variao na taxa de acidentes
porque o desvio-padro delas menor.
II Em termos relativos, as empresas do ramo A tambm apresentam menor variao na taxa de
acidentes, porque tm maior coeciente de variao.
III As empresas do ramo B apresentam menor variao relativa, pois tm menor coeciente de
variao.
Em relao a essas armativas, podemos garantir que:
A) Todas esto corretas.
B) Esto corretas as armativas I e II.
86
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
Unidade II
C) Esto corretas as armativas I e III.
D) Esto corretas as armativas II e III.
E) Todas esto erradas.
6 RELAES GRFICAS ENTRE AS MEDIDAS ESTATSTICAS
Nos estudos e anlises estatsticos, interessante e importante visualizar as informaes contidas
nos dados por meio do uso dos diversos grcos, assunto que tratamos na unidade I.
Quando utilizamos os histogramas, facilmente perceptvel que as frequncias dos valores mais
centrais tendem a ser maiores que as dos valores extremos. Esse comportamento nos permitir tirar
concluses importantes no tpico da Estatstica Indutiva, porque, via de regra, ocorre de modo repetitivo.
Observaes do padro de comportamento das distribuies mostram que grande parte delas tende
a apresentar-se da maneira conhecida como distribuio normal.
A gura 22 mostra o comportamento estatstico de uma distribuio de frequncias relativa aos pesos
de um grupo de pessoas qualquer. Observe que os pesos prximos da mdia tm maior frequncia, e os
mais afastados, menor frequncia. Observe tambm a curva que se forma pela distribuio das colunas.
30 35 40 45 50 55 60 65 70 75 80 85 90 95 100 105
Peso em quilos
F
r
e
q
u

n
c
i
a

s
i
m
p
l
e
s
40
35
30
25
20
15
10
5
0
Figura 23 Pesos corporais
No curso de Estatstica Aplicada, retornaremos ao assunto, quando diremos, por exemplo, que
pouco provvel algum ter peso acima de 100 kg ou abaixo de 35 kg, e utilizaremos essa curva para
determinar qual essa probabilidade, se houver.
87
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
ESTATSTICA
Por ora, iremos nos preocupar com a variao de formatos desse tipo de curva, chamada de curva
normal, curva de Gauss ou, ainda, de curva do sino.
Em teoria, espera-se que essa curva tenha o comportamento mostrado nas curvas desenhadas em
linha contnua nas Figuras 23 e 24. Na prtica, porm, ocorrem deformaes nessas curvas, demonstradas
nas curvas pontilhadas das mesmas guras. Essas deformaes so chamadas, respectivamente, de
assimetria (Figura 23) e curtose (Figura 24).
Mdia
0
0
Varivel
F
r
e
q
u

n
c
i
a

s
i
m
p
l
e
s
Assimtrica positiva Assimtrica negativa
Simtrica
Figura 24 Assimetria
Curva platicrtica
Curva mesocrtica
Curva leptocrtica
F
r
e
q
u

n
c
i
a

s
i
m
p
l
e
s
Mdia Varivel
Figura 25 Curtose
6.1 Assimetria
A assimetria mede o quanto a distribuio se afasta da mdia. Esse afastamento pode ocorrer para a
direita ou para a esquerda, gerando, respectivamente, as assimetrias positiva e negativa.
O grau de assimetria dado, frequentemente, pelo chamado 1 coeciente de Pearson:
As
X Me
S
=

88
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
Unidade II
Onde:
As = Coeciente de assimetria.
X = Mdia.
Me = Mediana.
S = Desvio-padro.
Esse coeciente pode assumir diferentes valores. De acordo com o sinal desses valores, a assimetria
ser numa direo, como se v a seguir:
As = 0 A distribuio simtrica.
As > 0 A distribuio assimtrica positiva ou direita.
As < 0 A distribuio assimtrica negativa ou esquerda.
Por esse critrio, costuma-se classicar as distribuies da seguinte maneira:
Caso As -1: assimtrica negativa forte.
Caso -1 < As < 0: assimtrica negativa fraca.
Caso As = 0: simtrica.
Caso 0 < As < 1: assimtrica positiva fraca.
Caso As 1: assimtrica positiva forte.
6.2 Curtose
A curtose mede o quanto a distribuio se alonga ou se achata em relao curva terica. A
curva terica chamada de mesocrtica; as mais alongadas, de leptocrticas; e as mais achatadas, de
platicrticas.
O grau de curtose dado, frequentemente, pelo coeciente:
K
d f
f
S
i i
i
=

4
4
3
89
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
ESTATSTICA
Onde:
K = Coeciente de curtose.
d
i
= Desvios.
f
i
= Frequncias simples.
S = Desvio-padro.
Assim como na assimetria, tambm na curtose os coecientes podem assumir diferentes valores. De
acordo com o sinal desses valores, a assimetria ser numa direo, como se v a seguir:
K = 0: a distribuio mesocrtica.
K > 0: a distribuio leptocrtica.
K < 0: a distribuio platicrtica.
Lembrete
Existem outras medidas de assimetria e curtose alm das apresentadas
aqui, mas que no so objeto do nosso curso.
Vamos usar o exemplo a seguir para demonstrar o clculo da assimetria e da curtose de uma
distribuio referente ao consumo de energia eltrica entre 1.245 famlias de determinada regio.
Observando os resultados obtidos (expostos a seguir), notamos que a distribuio (e a curva dela
decorrente) assimtrica negativa fraca, ou seja, ligeiramente deslocada para a nossa direita, e que
platicrtica, ou seja, achatada. A curva teria a aparncia aproximada da gura que segue (a curva
pontilhada a do exerccio; a cheia a padro):
Mdia Varivel
F
r
e
q
u

n
c
i
a

s
i
m
p
l
e
s
Figura 26 Assimetria e curtose
90
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
Unidade II
Tabela 51
Classes
nmero
Consumo
mensal por nmero
de famlias
Pontos
mdios
de
classe
Frequncia
acumulada
crescente
Pontos
mdios x
Frequncias
Desvios
Desvios
ao
quadrado
Desvio
ao
quadrado
x
Frequncias
Desvios
quarta
potncia
Desvios quarta
potncia x
Frequncias
Valor Frequncia
l
i
| ---- l
s
f
i
pm
i
f
ac
pm
i
x f
i
d
i
= x
i
- X d
i
2
d
i
2
x f
i
d
i
4
d
i
4
x f
i
1 0 | ---- 50 158 25 158 3.950 -192 36.944 5.837.189 1.364.876.602 215.650.503.107
2 50 | ---- 100 100 75 258 7.500 -142 20.223 2.022.335 408.984.000 40.898.400.046
3 100 | ---- 150 112 125 370 14.000 -92 8.502 952.277 72.291.984 8.096.702.259
4 150 | ---- 200 164 175 534 28.700 -42 1.782 292.180 3.174.048 520.543.855
5 200 | ---- 250 175 225 709 39.375 8 61 10.623 3.685 644.833
6 250 | ---- 300 280 275 989 77.000 58 3.340 935.149 11.154.389 3.123.228.929
7 300 | ---- 350 84 325 1.073 27.300 108 11.619 975.991 134.999.655 11.339.970.993
8 350 | ---- 400 63 375 1.136 23.625 158 24.898 1.568.577 619.912.976 39.054.517.468
9 400 | ---- 450 56 425 1.192 23.800 208 43.177 2.417.921 1.864.267.846 104.398.999.377
10 450
|
---- |
500 53 475 1.245 25.175 258 66.456 3.522.183 4.416.437.760 234.071.201.262
Somatrios 1.245 270.425 18.534.426 657.154.712.129
Clculo da mdia:
x f
f
i i
i
= =>= =>=

270 425
1 245
217 2
.
.
,
Clculo do desvio-padro:
S
d f
f
S S S
i
n
i i
i
n
i
=

=> =

=> = => =
=
=

1
2
1
1
18 534 426
1 245 1
14 899 1
. .
.
. 2 22 1 ,
Clculo da mediana:
elemento mediano:
E
N
E E
me me me
=
+
=> =
+
=> =
1
2
1 245 1
2
623
.

mediana:
Me li
E f
f
h Me
Me
me ac ant
Me
= +

= +

=> 200
623 534
175
50 == 225 4 ,
91
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
ESTATSTICA
Clculo da assimetria:
As
X
S
As As =

=> =

=> =
Me 217 2 225 4
122 1
0 067
, ,
,
,
Portanto, a curva fracamente assimtrica negativa.
Clculo da curtose:
K
d f
f
S
K K
i i
i
=

=> = => =

4
4 4
3
657 154 712 129
1245
122 1
3 0 6
. . .
( , )
, 2 25
Portanto, a curva platicrtica.
Exemplo de aplicao
15. Com relao assimetria e curtose das distribuies, foram feitas as seguintes armaes:
I Uma curva assimtrica positiva tem uma mdia superior curva simtrica.
II Curvas platicrticas tm desvio-padro maior do que curvas leptocrticas.
III Curvas com coeciente menor do que zero tm deslocamento para a esquerda em relao
curva simtrica.
IV Anlise da curtose consiste em estudar o achatamento ou o alongamento da distribuio.
Em relao a essas armaes, podemos dizer que:
A) Todas esto incorretas.
B) Existe uma alternativa incorreta.
C) Existem duas alternativas incorretas.
D) Existem trs alternativas incorretas.
E) Todas esto corretas.
16. Duas distribuies foram estudadas e chegou-se aos seguintes coecientes mostrados a seguir:
92
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
Unidade II
Tabela 52
Distribuio
Coeciente de
assimetria
Coeciente de
curtose
A - 1,34 1,89
B 0,87 -1,34
A partir desses coecientes, no podemos armar:
A) A distribuio A tem menor mdia do que se fosse simtrica e mais achatada do que a mesocrtica.
B) A distribuio B tem menor mdia do que se fosse simtrica e mais achatada do que a mesocrtica.
C) Ambas as distribuies no so simtricas nem mesocrticas.
D) A curva A mais alongada do que a curva B.
E) As duas curvas tm assimetrias opostas.
7 TEORIA ELEMENTAR DAS PROBABILIDADES
Em Estatstica, quando nos referimos a uma previso de comportamento de uma populao a partir
do conhecimento de uma amostra, ou, ao contrrio, previso do comportamento esperado de uma
amostra retirada de uma populao conhecida, temos o cuidado de utilizar a palavra provavelmente
antes de cada informao.
Assim, por exemplo, quando aps uma pesquisa eleitoral o veculo de comunicao informa que se a
eleio fosse naquele momento o candidato X teria 35% dos votos, ele quer dizer que provavelmente o
candidato X tivesse essa quantidade de votos. uma armao provvel de ocorrer, no quer dizer que
certamente ocorrer. Uma tolerncia nessa informao esperada.
Neste tpico veremos o que signica e como so calculadas as probabilidades, ramo de estudo
da Matemtica, e no exatamente da Estatstica. Inicialmente iremos vericar casos absolutamente
tericos e posteriormente evoluiremos para situaes mais prximas da realidade.
Tentaremos utilizar o raciocnio lgico para resolver as questes e, no nal do tpico, faremos uma
reviso terica, apresentando os conceitos e as frmulas utilizadas na Teoria Elementar das Probabilidades.
O importante voc dominar o mecanismo de clculo da probabilidade.
7.1 Denies de probabilidades
Caso voc procure a denio de probabilidade em um dicionrio, o Houaiss (2009), por exemplo,
ir encontrar algo do tipo:
93
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
ESTATSTICA
Probabilidade: caracterstica do que provvel; perspectiva favorvel de que algo venha a ocorrer;
possibilidade, chance.
Como fcil de notar, essa denio no acrescenta nada ao conceito intuitivo que temos de
probabilidade; isso porque esse conceito circular, ou seja, dene-se probabilidade utilizando-se seus
prprios termos.
Desenvolve-se atualmente uma abordagem axiomtica na denio de probabilidade, mantendo-se
seu conceito indenido, algo semelhante ao que acontece em Geometria com as denies de ponto e
reta.
Estatisticamente, no entanto, adotam-se trs abordagens diferentes na denio de probabilidades:
a abordagem clssica, a abordagem como frequncia relativa e a abordagem subjetiva.
Antes de seguirmos, no entanto, na denio de probabilidade, necessrio denir alguns termos
que sero utilizados.
Experimento: signicar, para ns, observar ou executar determinado processo sob certas
circunstncias controladas. Todas as nossas questes e problemas trabalhados em estatsticas so
experimentos que devem ser corretamente denidos. Podemos citar alguns exemplos para clarear
nosso entendimento. O comportamento das aes numa Bolsa de Valores; a produtividade de um
processo; a variao de estoques ao longo de determinado perodo; o controle de qualidade dos
produtos recebidos por um empresa; os resultados de um jogo, por exemplo, a Mega-Sena, entre
outros, so exemplos de experimentos.
Experimento aleatrio: so aqueles que, apesar de serem repetidos exatamente da mesma
maneira, no apresentam resultados obrigatoriamente iguais. Por exemplo: voc pode jogar um
dado exatamente da mesma maneira duas vezes, e nada garantir que ir obter o mesmo resultado.
Rigorosamente, experimentos aleatrios so, exclusivamente, jogos de azar. Em Administrao,
vamos trabalhar, normalmente, com experimentos aproximadamente aleatrios, os quais, apesar
de apresentarem determinado grau de aleatoriedade, no so exclusivamente aleatrios. Por
exemplo, o jogo de cartas conhecido como 21 aleatrio; j o buraco aproximadamente
aleatrio.
Saiba mais
A obra a seguir um interessante estudo sobre o efeito do acaso
(aleatoriedade) nas nossas vidas. Vale a pena ler:
MLODINOW, L. O andar do bbado: como o acaso determina nossas
vidas. Rio de Janeiro: Zahar, 2009.
94
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
Unidade II
Espao amostral (ou conjunto universo ou espao das probabilidades): o conjunto formado
por todos os resultados possveis de um experimento aleatrio. Por exemplo, o espao amostral de
um jogo de um dado honesto dado por:
S = {1, 2, 3, 4, 5, 6}. O dado deve ser honesto; se no for, o experimento no ser aleatrio.
Evento: um determinado subconjunto formado por um ou mais elementos do espao amostral.
Por exemplo, num jogo de dados, o evento nmero primo formado por:
E = {1, 2, 3, 5}
Observao
Por denio, um nmero positivo ser primo se for maior do que 1 e for
divisvel apenas por 1 e por ele mesmo. Por essa denio, o nmero 1 seria
primo, apesar de que, por convenincia, normalmente no considerado
como tal. Neste material, ser includo entre os nmeros primos.
7.2 Clculos das probabilidades elementares
Usando esses conceitos, podemos determinar estatisticamente o termo probabilidade.
Abordagem clssica: probabilidade a razo (diviso) entre o nmero de elementos (ou
resultados) favorveis a um determinado evento e o nmero total de elementos (ou resultados)
do espao amostral, ou seja:
P A
n A
n S
( )
( )
( )
=
Sendo:
P(A) a probabilidade de ocorrer o evento A.
n(A) o nmero de elementos favorveis ao evento A.
n(S) o nmero total de elementos do espao amostral.
Por exemplo:
Qual a probabilidade de, ao jogarmos um dado honesto, obtermos um nmero primo?
E A n A
n meros primos
: , , , ( ) = { } = 12 3 5 4

S n A = { } = 12 3 4 5 6 6 , , , , , ( )
95
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
ESTATSTICA
P A
n A
n S
P A ( )
( )
( )
( ) , , % = = = =
4
6
0 667 66 7
Abordagem como frequncia relativa: probabilidade a razo entre o nmero de vezes em que
determinado resultado ocorre, quando repetimos o experimento aleatrio (ou aproximadamente
aleatrio) por um nmero elevado de vezes. Por exemplo: jogamos uma moeda mil vezes, e em
512 dessas vezes saiu cara. Podemos dizer, por esta denio, que a probabilidade de sair cara
nessa moeda de 512/1000, ou seja, 51,2%. Esse raciocnio seria simbolizado da seguinte forma:
P A f
f
f
P A f
R
A
A
T
R
A
( ) ( ) , , % = = = = = =
512
1000
0 512 512
Esse resultado no o mesmo que o calculado pela denio anterior (50%). Isso pode decorrer do
fato de a moeda usada no ser honesta (portanto, com resultados aleatrios), ou do fato de o nmero
de jogadas no ter sido sucientemente grande. Aumentando o nmero de jogadas, a probabilidade
tender ao valor terico de 50%, se a moeda for honesta.
Abordagem subjetiva: ao contrrio das denies anteriores, nesta, a probabilidade no um
valor objetivo, mas algo que indica a crena do analista naquela ocorrncia. Evidentemente essa
probabilidade no fruto de um palpite, um chute, mas algo embasado em dados objetivos, mas
complementados por aspectos pessoais. o caso, por exemplo, do meteorologista que prev 80%
de chances de ocorrerem chuvas num determinado perodo. Esse tpico da Estatstica estudado
em Anlise Bayesiana de Deciso.
Durante nosso curso iremos utilizar as duas primeiras abordagens, de acordo com o campo
de estudo em que estivermos. Deve-se notar que a primeira abordagem eminentemente terica
e pressupe experimentos aleatrios em que os elementos so equiprovveis. J na segunda
abordagem podem ser introduzidos fatores diversos, caractersticos de determinadas situaes no
totalmente aleatrias.
Apesar de basicamente o clculo de probabilidades envolver uma das duas relaes descritas, existem
axiomas, teoremas e propriedades que devem ser conhecidos para o correto uso da teoria. Antes de
nos preocuparmos com a teoria envolvida, porm, iremos nos ater lgica que permeia o clculo de
probabilidades. Para tanto, analisaremos as questes a seguir.
1. Uma moeda honesta jogada uma nica vez; qual a probabilidade de que o resultado seja cara?
Pelo modo como o exerccio proposto, devemos calcular a probabilidade como uma razo entre o
nmero de elementos favorveis ao evento cara e o nmero total de elementos possveis.
Nmero de elementos do evento cara: n(A) = 1, porque A = {cara}
Nmero de elementos total: n(S) = 2, porque S = {cara; coroa}
96
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
Unidade II
P A
n A
n S
P cara ( )
( )
( )
( ) = =
1
2
2. Duas moedas honestas so jogadas simultaneamente; qual a probabilidade de que pelo menos
uma seja cara?
Neste caso, o espao amostral tornou-se ligeiramente mais complexo:
S = {CaraCara; CaraCoroa; CoroaCara; CoroaCoroa)
O evento pedido :
E = {CaraCara; CaraCoroa; CoroaCara)
Logo, a probabilidade :
P
n A
n S
P ( )
( )
( )
( ) pelo menos uma cara pelo menos uma cara = = =
3
4
00 75 75 , % =
Observao
Do ponto de vista do clculo de probabilidade, jogar simultaneamente duas
moedas o mesmo que jogar uma, anotar o resultado e depois jogar outra.
7.3 rvores de decises
O clculo de probabilidades , no fundo, um exerccio de lgica, caracterstica na qual, muitas vezes,
reside sua diculdade. Para facilitar esse raciocnio lgico, costuma-se usar a rvore de decises, que,
por meio de uma sistemtica de anlise e sntese, conduz compreenso do experimento. Trata-se de
uma ferramenta relativamente trabalhosa, mas costuma ser importante no entendimento de problemas
mais complexos ou extensos. Por meio da continuao da sequncia de exerccios, aprenderemos o
funcionamento dessa ferramenta.
3. Quatro moedas so jogadas simultaneamente; qual a probabilidade de que se obtenham pelo
menos duas caras?
Ficou muito mais complexo estabelecer o espao amostral e o evento solicitado. O princpio o
mesmo dos exerccios anteriores, mas, como o nmero de moedas aumentou, as diculdades envolvidas
tambm aumentaram.
Para facilitar nosso raciocnio, introduziremos a rvore de decises e, na sequncia, a anlise
combinatria.
97
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
ESTATSTICA
A rvore de decises consiste em representar gracamente todas as possibilidades de resultados
dos experimentos aleatrios, de modo que no percamos nenhum evento e, ao mesmo tempo,
compreendamos a mecnica do experimento.
Joga-se uma
moeda honesta.
Os resultados
podem ser:
Coroa
Cara
Figura 27
A seguir est desenhada a rvore de decises do experimento jogar quatro moedas honestas
simultaneamente. Com certeza, no esquecemos nenhum dos resultados possveis.
Coroa
Cara
Cara
Cara
Cara
Cara
Cara
Cara
Cara
Cara
Cara
Cara
Cara
Cara
Cara
Cara
Coroa
Coroa
Coroa
Joga-se
uma
moeda
honesta
sucessiva-
mente 4
vezes
Coroa
Coroa
Coroa
Coroa
Coroa
Coroa
Coroa
Coroa
Coroa
Coroa
Coroa
Caminho 2
Caminho 4
Caminho 6
Caminho 8
Caminho 10
Caminho 12
Caminho 14
Caminho 16
Caminho 1
Resulta-
dos da:
1 moeda
jogada
2 moeda
jogada
3 moeda
jogada
4 moeda
jogada
Caminho 3
Caminho 5
Caminho 7
Caminho 9
Caminho 11
Caminho 13
Caminho 15
Figura 28
De posse da rvore de decises, conseguimos responder mais facilmente ao solicitado na Questo
3. Depois de jogarmos a moeda pela quarta vez, teremos um total de 16 solues (caminhos) possveis.
98
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
Unidade II
Observe o caminho n 1: na primeira vez em que jogamos a moeda, saiu cara; na segunda jogada,
saiu cara de novo, assim como na terceira e na quarta jogada, ou seja, o caminho n 1 formado pelos
eventos sucessivos: cara cara cara cara.
Da mesma forma, teremos outras 15 combinaes possveis, das quais as de nmeros 1, 2, 3, 4, 5,
6, 7, 9, 10, 11 e 13 apresentam a resposta que desejamos, ou seja, pelo menos duas caras; as demais
apresentam uma ou nenhuma cara, portanto no nos interessam. Assim, temos uma total de 16
elementos no espao amostral, e 11 deles so favorveis nossa pergunta, portanto a probabilidade de
que ocorra pelo menos uma cara de 11 possibilidades em 16, ou seja:
P A
n A
n S
P ( )
( )
( )
( ) , , % = = = = pelo menos uma cara
11
16
0 6875 68 75
O nmero de possibilidades (ou seja, elementos) do espao amostral cresce continuamente. Caso
jogssemos uma quinta vez a moeda, teramos 32 resultados diferentes. Uma maneira de trabalharmos
com essa grande quantidade de nmeros o uso da anlise combinatria.
Observao
Aqui trabalharemos supercialmente com esse assunto. Utilizaremos
apenas as ferramentas que nos so importantes neste tpico.
Saiba mais
Com a leitura dos textos a seguir, voc poder recordar e complementar
seus conhecimentos sobre anlise combinatria:
MIRANDA, D. Anlise combinatria. Brasil Escola, Goinia, [s.d]. Disponvel
em: <http://www.brasilescola.com/matematica/analise-combinatoria.
htm>. Acesso em: 5 dez. 2013.
______. Anlise combinatria. Mundo Educao, Goinia, [s.d.].
Disponvel em: <http://www.mundoeducacao.com/matematica/
analise-combinatoria.htm>. Acesso em: 5 dez. 2013.
7.4 Anlises combinatrias
O clculo de probabilidade continuar a ser feito por meio da razo entre o nmero de elementos
favorveis ao evento que estamos estudando e o nmero total de elementos do espao amostral. A
anlise combinatria nos servir para calcular de maneira menos trabalhosa essas quantidades.
99
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
ESTATSTICA
Se voc olhar a rvore de decises do jogo de moedas, perceber que o espao amostral aumenta em
nmero de elementos da seguinte maneira:
Tabela 53
Nmero de jogadas da moeda Nmero de resultados diferentes
1 2
2 4
3 8
4 16
fcil notar que a relao matemtica existente entre o nmero de jogadas e o nmero de resultados
possveis de a
b
, onde a o nmero de resultados possveis de ocorrer numa nica repetio do
experimento (no caso, a = 2, porque os resultados possveis so cara ou coroa) e b o nmero de
repeties do experimento (no caso da tabela anterior, temos n variando de 1 a 4). Desse modo, se
quisermos saber o nmero de elementos do espao amostral de seis jogadas de uma moeda, bastaria
fazermos o clculo 2
6
= 64 resultados diferentes.
Em anlise combinatria, esse procedimento conhecido como clculo do nmero de arranjos com
repetio.
Ar a
n x
b
,
=
Observao
A frmula anterior lida da seguinte forma: nmero de arranjos com
repeties de a elementos repetidos b vezes.
Em contrapartida, observando a rvore de decises, podemos contar o nmero de caras que podem
aparecer na quarta jogada montando a tabela que segue.
Tabela 54
Nmero de
coroas que
apareceu
Nmero de
caras que
apareceu
Caminhos
Quantidade
de caminhos
4 0 16 1
3 1 8-12-14-15 4
2 2 4-6-7-10-11-13 6
1 3 2-3-5-9 4
0 4 4 1
100
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
Unidade II
Segundo a anlise combinatria, o nmero de caminhos dado pelo nmero de combinaes, obtido
por meio da frmula:
C
n
x n x
n x ,
!
!( )!
=

Onde:
n = nmero total de repeties do experimento; no caso, n = 4 (quatro vezes em que a moeda
jogada).
x = nmeros de resultados desejados; no caso, x varia de 0 a 4 (nmero de caras desejadas).
Observao
A frmula anterior lida da seguinte forma: nmero de
combinaes de n elementos tomados x a x vezes. Utiliza o conceito
de fatorial (!).
Lembrete
Fatorial de um nmero a, simbolizado por a!, a multiplicao de
todos os nmeros inteiros e positivos desde a unidade at o valor a,
ou seja:
a! = 1 x 2 x 3 x 4 x..... x a
Por exemplo: 6! igual a 720 porque:
6! = 1 x 2 x 3 x 4 x 5 x 6 = 720
Por denio, 0! igual a 1.
A tabela a seguir mostra o clculo das combinaes do exemplo dado. Verique que coincide com os
nmeros obtidos por meio da rvore de decises.
101
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
ESTATSTICA
Tabela 55
Nmero de caras que
queremos obter
Frmula do clculo das combinaes
Nmeros de
combinaes obtidas
Zero cara
C
4 0
4
0 4 0
4
0 4
24
1 24
1
,
!
!
!
! !
=
( )
=
( )
=

=
1
Uma cara
C
41
4
1 4 1
4
0 1
24
1 6
4
,
!
!
!
! !
=
( )
=
( )
=

=
4
Duas caras
C
4 2
4
2 4 2
4
2 2
24
2 2
6
,
!
!
!
! !
=
( )
=
( )
=

=
6
Trs caras
C
4 3
4
3 4 3
4
3 1
24
6 1
4
,
!
!
!
! !
=
( )
=
( )
=

=
4
Quatro caras
C
4 4
4
4 4 4
4
4 0
24
24 1
4
,
!
!
!
! !
=
( )
=
( )
=

=
1
Temos agora todas as informaes necessrias para o clculo das probabilidades envolvidas no
experimento referente a quatro jogadas sucessivas de uma moeda honesta. A tabela a seguir resume
esses valores.
Tabela 56
Eventos
Nmero total de resultados
do espao amostral
(nmero de caminhos)
Calculado usando-se
arranjos com repeties
Nmero total de resultados
favorveis ao evento
Calculado usando-se
combinaes
Probabilidade de ocorrncia
Obter zero cara 16 1
1
16
0 0625 6 25 = = , , %
Obter uma cara 16 4
4
16
0 2500 25 00 = = , , %
Obter duas caras 16 6
6
16
0 3750 37 50 = = , , %
Obter trs caras 16 4
4
16
0 2500 25 00 = = , , %
Obter quatro caras 16 1
1
16
0 0625 6 25 = = , , %
Somatrio 100%
102
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
Unidade II
Essa tabela resume todos os possveis resultados do experimento de jogar quatro vezes uma moeda
honesta. Cada um desses resultados um evento diferente, e a probabilidade de cada um destes
ocorrer obtida pela diviso do nmero de vezes em que ocorre pelo nmero total de resultados do
experimento.
O evento pedido na questo, pelo menos duas caras, a soma dos eventos, encontrados no quadro
anterior, obter duas ou trs ou quatro caras, ou seja:
0,3750 + 0,2500 + 0,0625 = 0,6875 = 68,75
Como j havamos determinado anteriormente.
Com esses conceitos podemos calcular o exemplo a seguir, mais trabalhoso:
4. Vinte moedas so jogadas simultaneamente; qual a probabilidade de que se obtenham
exatamente oito caras?
Essa questo muito semelhante anterior, mas envolve uma quantidade de moedas e resultados
que inviabiliza o uso da rvore de decises. Sabemos, porm, calcular questes desse tipo usando os
conceitos de anlise combinatria:
O nmero total de resultados possveis o nmero de arranjos com repeties de vinte moedas
que podem apresentar dois resultados diferentes.
Ar a
n x
b
,
. . = = = 2 1 048 576
20
O nmero total de resultados que nos interessam o nmero de combinaes de vinte moedas
das quais oito sejam caras.
C
n
x n x
C
n x , ,
!
!( )!
!
!( )!
!
! !
. . .
=

=
20 8
20
8 20 8
20
8 12
2 432 902 008.. . .
. . .
.
176 640 000
40 320 479 001 600
125 970

=
A probabilidade de ocorrer oito caras de:
P A
n A
n S
P ( )
( )
( )
( )
.
. .
, = = = exatamente 8 caras
125 970
1 048 576
0 12001 12 01 = , %
Observao
Os nmeros envolvidos no exemplo anterior so relativamente grandes,
mas, com uma calculadora cientca ou na planilha de Excel

, o trabalho
103
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
ESTATSTICA
relativamente simples. Mesmo o clculo do nmero de combinaes poder
ser facilitado se utilizarmos o conceito de simplicao, como mostrado a
seguir:
C
20 8
2
20
8 12
12 13 14 15 16 17 18 19 20
1 2 3 4 5 6
,
! !
=



=
7 8 12
125 970
!
.
Vamos utilizar esses conhecimentos adquiridos para fazer um clculo que talvez no deixe voc
satisfeito.
5. Qual a probabilidade de se ganhar o prmio mximo na Mega-Sena fazendo-se um jogo com
sete dezenas?
Observe que na Mega-Sena necessrio acertar seis dezenas para se ganhar o prmio mximo. Caso
se jogue sete dezenas, temos sete chances de acertar as seis dezenas:
C
n
x n x
C
n x , ,
!
!( )!
!
!( )!
!
! !
=

=
76
7
6 7 6
7
6 1
5040
720 1
7
Mas quantos resultados diferentes podem ocorrer?
Na Mega-Sena existem sessenta nmeros possveis, dos quais voc deve acertar seis, ou seja:
C
n
x n x
C
n x , ,
!
!( )!
!
!( )!
!
! !
=

=
60 6
60
6 60 6
60
6 54
50.063.860
Resumindo, voc tem 7 chances em 50.063.860 de acertar na Mega-Sena, o que d uma probabilidade
de:
P A
n A
n S
P ( )
( )
( )
( )
. .
= = = ganhar na mega sena 0,0000001
7
50 063 860
44 0,000014 = %
Melhor continuar estudando, no ?
7.5 Experimentos aproximadamente aleatrios
At aqui, sempre que nos referimos s moedas, frisamos que eram honestas. Por que isso? Porque
uma moeda honesta absolutamente aleatria, ou seja, por mais que a joguemos, nunca iremos saber
qual o prximo resultado que ir ocorrer, e tambm porque a probabilidade de cair cara numa moeda
honesta de 50% assim como de sair coroa.
104
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
Unidade II
Nem sempre ser assim. Poderemos ter moedas viciadas, e, em situaes mais prximas da realidade
do dia a dia, com certeza os experimentos no sero absolutamente aleatrios, mas aproximadamente
aleatrios, e as probabilidades de ocorrncia sero dadas pelas frequncias relativas observadas.
Imagine que voc tenha nas mos uma moeda, que no sabe se honesta ou viciada. Como
poderia saber? Testando-a, ou seja, jogando-a repetidas vezes e anotando os resultados.
Caso os resultados tendam para 50% de sair cara e 50% de sair coroa, a moeda honesta; caso
contrrio, viciada. Obviamente, quanto maior o nmero de vezes que a testar, maior a segurana que
ter nessa resposta.
O quadro a seguir mostra uma sucesso terica de testes em duas moedas:
Tabela 57
Nmero
de vezes
em que a
moeda foi
lanada
Moeda A Moeda B
N de
caras
Probabilidade
de cara
N de
coroas
Probabilidade
de coroa
N de
caras
Probabilidade
de cara
N de
coroas
Probabilidade
de coroa
10 6 60,0% 4 40,0% 5 50,0% 5 50,0%
30 14 46,7% 16 53,3% 16 53,3% 14 46,7%
40 19 47,5% 21 52,5% 23 57,5% 17 42,5%
50 27 54,0% 23 46,0% 29 58,0% 21 42,0%
100 52 52,0% 48 48,0% 57 57,0% 43 43,0%
500 249 49,8% 251 50,2% 290 58,0% 210 42,0%
1000 505 50,5% 495 49,5% 589 58,9% 411 41,1%
10000 5010 50,1% 4990 49,9% 5809 58,1% 4191 41,9%
Algumas caractersticas importantes:
Para poucos lanamentos, no possvel assumir se as moedas so honestas ou viciadas. O
nmero de observaes no suciente. Isso constante na Estatstica Indutiva. Precisamos de
uma quantidade de observaes mnima para chegarmos a alguma concluso.
medida que o nmero de observaes vai crescendo, cristalizamos a ideia de que a moeda A
honesta, e a moeda B, viciada. Perceba que, em dez jogadas, no h nada de estranho em
obtermos seis caras e quatro coroas, mas, quando jogamos a moeda cem vezes e obtemos 57
caras, algo no acidental est ocorrendo. No possvel que seja uma questo de sorte ou azar.
A partir dessas observaes, podemos assumir que a moeda A honesta e que a probabilidade de
obtermos cara igual de obtermos coroa, no valor de 50% (o fato de os clculos no resultarem
exatamente em 50% efeito de variaes aceitveis).
105
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
ESTATSTICA
J a moeda B viciada: a probabilidade de obtermos cara de 58% (aproximadamente), e a de
obtermos coroa de 42%.
A partir desses conceitos, podemos expandir um pouco mais os nossos clculos, resolvendo a questo
do prximo tpico.
7.6 Eventos soma e Eventos produto
6. Jogamos a moeda B, mencionada anteriormente, trs vezes em sequncia. Qual a probabilidade
de obtermos pelo menos duas caras?
Vamos entender a questo por meio do uso da rvore de decises. a mesma rvore usada
anteriormente, com uma diferena: sobre cada deciso (simbolizada pelas echas) colocaremos a
probabilidade correspondente:
Cada caminho ser formado por vrias decises em sequncia, cada uma delas com probabilidades
diferentes. A probabilidade de ocorrncia de um caminho em especial dada pela multiplicao das
probabilidades individuais. A isso chamamos evento produto.
Observe, na gura a seguir, o clculo dos vrios caminhos:
Cara
0,58
0,58
0,58
0,58
0.42
0.42
0.42
0.42
0.42
0.42
0.42
0,58
0,58
0,58
Cara
Cara
Cara
Cara
Cara
Cara
Coroa
Coroa
Coroa
Joga-se
uma
moeda
viciada
sucessiva-
mente 4
vezes
Coroa
Coroa
Coroa
Coroa
Caminho 2 0.58 x 0.58 x 0.42 = 0.58
2
x 0.42 = 0.1413
Probabilidades de cada caminho:
Somatrio = 1 ou 100%
Caminho 4 0.58 x 0.42 x 0.42 = 0.58 x 0.42
2
= 0.1023
Caminho 6 0.42 x 0,58 x 0.42 = 0.58 x 0.42
2
= 0.1023
Caminho 8 0.42 x 0.42 x 0,42 = 0.42
3
= 0,0741
Caminho 1 0.58 x 0.58 x 0.58 = 0.58
3
= 0.1951
Resulta-
dos da:
1 moeda
jogada
2 moeda
jogada
3 moeda
jogada
Caminho 3 0.58 x 0.42 x 0.58 = 0.58
2
x 0.42 = 0.1413
Caminho 5 0.42 x 0.58 x 0,58 = 0.58
2
x 0.42 = 0.1413
Caminho 7 0.42 x 0.42 x 0,58 = 0.58 x 0.42
2
= 0.1023
Figura 29
106
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
Unidade II
Pelo menos duas caras signica duas ou trs caras, logo os caminhos 1, 2, 3, e 5 nos interessam; os
demais ou tm apenas uma cara, ou nenhuma.
Qualquer um desses quatro caminhos que vierem a ocorrer responder nossa pergunta, ou seja, a
probabilidade de ocorrer pelo menos duas caras a soma das probabilidades de ocorrer o caminho n 1,
ou ento o n 2, ou ento o n 3, ou, ainda, o n 5. Poderamos escrever isso assim:
P P P P ( ( ( ( pelo menos uma cara) ca-ca-ca) ca-ca-co) ca-co-ca) = + + + +P(co-ca-ca)

Logo, o resultado seria:
P( , , , , , pelo menos uma cara) = + + + = = 0 1951 0 1413 0 1413 0 1413 0 6190 66190 , %
Essa soma de eventos gera o que chamamos de evento soma.
Cada vez que jogamos a moeda, ocorre um resultado diferente. A cada um desses resultados damos o
nome de evento. Vrios eventos podem ser combinados, criando os eventos soma e os eventos produto,
j mostrados anteriormente.
O evento soma representa uma alternativa entre vrios eventos simples, caracterizando-se pela
palavra ou. Por exemplo, a questo Qual a probabilidade de um aluno passar em Estatstica?
respondida por um evento soma: o aluno pode passar sem exame ou com exame. A probabilidade ser
a soma das probabilidades dos dois eventos simples.
O evento produto representa uma obrigao entre vrias situaes e caracteriza-se pela palavra
e. Por exemplo, Qual a probabilidade de um aluno cursar Administrao e passar em Estatstica?.
O aluno tem de cursar Administrao e passar em Estatstica. A probabilidade ser o produto entre a
probabilidade de um aluno estudar Administrao e a probabilidade de passar de Estatstica.
Vamos rmar esse conceito por meio do seguinte exemplo:
7. Dois caadores, Pedro e Joo, atiram contra uma caa simultaneamente. Sabemos que Pedro
tem uma probabilidade de acertar esse tipo de caa de 40%, enquanto Joo acerta em 55% das vezes.
Calcular a probabilidade de:
a) A caa ser atingida.
b) Ambos atingirem simultaneamente a caa.
Antes de resolvermos a questo, vamos sublinhar como foram obtidas essas probabilidades.
Presumimos que Pedro e Joo j foram caar diversas vezes esse tipo de caa e, a cada tiro que deram,
anotaram o resultado. Aps algum tempo, eles tm uma srie de observaes sucientemente grande
para calcular as probabilidades relacionadas.
107
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
ESTATSTICA
Pedro atirou um nmero x de vezes e acertou quatro a cada dez tiros que deu; assim, ele pode
armar que tem 40% de chances de acertar um tiro qualquer nessas mesmas condies. Joo, em
raciocnio semelhante, chegou probabilidade de 55%.
Se Pedro tem 40% de chances de acertar, tem 60% de chances de errar, assim como Joo tem 55%
de probabilidade de acertar e 45% de errar. Chegamos a essa concluso porque acertar e errar so
eventos complementares, ou seja, um completa o outro sem a existncia de um terceiro, e a soma dos
dois resulta em 100%.
Com essas probabilidades individuais, podemos montar a rvore de decises apropriada:
Pedro
atira
0,40
0,45
Clculo das Probabilidades
0,40 x 0,55 = 0,22 ou 22%
0,40 x 0,45 = 0,18 ou 18%
0,60 x 0,55 = 0,33 ou 33%
0,60 x 0,45 = 0,27 ou 27%
0,45
0,55
0,55
0,60
Acerta o
tiro
Acerta o
tiro
Acerta o
tiro
Joo
atira
Erra o
tiro
Erra o
tiro
Erra o
tiro
Joo
atira
Figura 30
Podemos ento responder s questes.
A caa ser atingida se Pedro ou Joo ou os dois a atingirem. Existe alternativa, portanto um
evento soma:
P(caa ser atingida) =
= P (Pedro acertar e Joo acertar) + P(Pedro acertar e Joo errar) + P(Pedro errar e Joo acertar)
P(caa ser atingida) = 0,22 + 0,18 + 0,33 = 0,73 = 73%
Portanto, a resposta ao item a) : a probabilidade de a caa ser atingida de 73%.
108
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
Unidade II
J para ambos atingirem a caa, necessrio que Pedro e Joo a atinjam, ou seja, um evento produto:
P(ambos atingirem a caa) = P(Pedro acertar) x P(Joo acertar)
P(ambos atingirem a caa) = 0,40 x 0,55 = 0,22 = 22%
Portanto, a resposta ao item b) : a probabilidade de ambos acertarem a caa de 22%.
7.7 Eventos independentes e eventos vinculados
Na questo anterior, os tiros de Pedro no interferem nos tiros de Joo e vice-versa, ou seja, o fato de
Pedro acertar ou errar no torna mais ou menos provvel os acertos ou erros de Joo. o que se chama
de eventos independentes.
Nem sempre, entretanto, isso ocorre. Eventualmente, a ocorrncia de um evento altera a probabilidade
de ocorrncia do evento seguinte. So os eventos vinculados, ou condicionados, ou dependentes.
A prxima questo exemplica esse conceito:
8. Temos uma caixa que contm um total de 45 bolinhas, sendo 20 verdes, 15 brancas e 10 pretas.
Retiramos dessa caixa uma bolinha, anotamos sua cor, colocamos de lado e, em seguida, retiramos da
caixa uma segunda bolinha.
a) Qual a probabilidade de as duas bolinhas retiradas formarem a combinao verde e branca?
b) Qual a probabilidade de as duas bolinhas retiradas formarem a combinao preta e branca?
Uma combinao verde e branca corresponde a retirar uma primeira bolinha verde e uma segunda
bolinha branca, ou uma primeira bolinha branca e uma segunda bolinha verde. Raciocnio semelhante
utilizado para a combinao preta e branca.
Novamente vamos utilizar a rvore de decises para entender e esquematizar o problema, seguindo
o raciocnio anteriormente estabelecido:
109
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
ESTATSTICA
Total de 45
bolinhas
Clculo das Probabilidades
1
2
3
4
5
6
7
8
9
Total de 44
bolinhas
Total de 44
bolinhas
Depois de
retirada a
1 bolinha
a caixa ir
car com:
Depois de
retirada a
1 bolinha
a caixa ir
car com:
Depois de
retirada a
1 bolinha
a caixa ir
car com:
Bolinha
verde
Bolinha
verde
Bolinha
verde
Bolinha
verde
Bolinha
branca
Bolinha
branca
Bolinha
branca
Bolinha
branca
Bolinha
preta
Bolinha
preta
Bolinha
preta
Bolinha
preta
Caixa contendo:
20 bolinhas verdes;
15 brancas e
10 pretas
Caixa contendo:
19 bolinhas verdes;
15 brancas e
10 pretas
Caixa contendo:
20 bolinhas verdes;
14 brancas e
10 pretas
Caixa contendo:
20 bolinhas verdes;
15 brancas e
9 pretas
20
45
15
45
10
45
19
44
15
44
20
44
14
44
10
44
20
44
15
44
9
44
20
45
19
44
380
1980
0 1919 = = ,
20
45
15
44
300
1980
0 1515 = = ,
20
45
10
44
200
1980
0 1010 = = ,
15
45
20
44
300
1980
0 1515 = = ,
15
45
14
44
210
1980
0 1061 = = ,
15
45
10
44
150
1980
0 0757 = = ,
10
45
20
44
200
1980
0 1010 = = ,
10
45
15
44
150
1980
0 0757 = = ,
10
45
9
44
90
1980
0 0455 = = ,
Figura 31
Observe que, dos nove caminhos existentes (eventos produtos), dois correspondem a uma combinao
verde e branca: os caminhos 2 e 4. Portanto, um ou outro atendem ao solicitado (portanto, evento
soma). Dessa forma:
P(combinao verde e branca) = P(1 verde / 2 branca) + P(1 bolinha branca / 2 verde)
P(combinao verde e branca) = 0,1515 = 0,1515 = 0,3030 = 30,30%
A probabilidade de obtermos uma combinao verde e branca de 30,30%.
Raciocnio semelhante feito para a combinao preta e branca (siga os caminhos 6 e 8):
P(combinao verde e branca) = P(1 branca / 2 preta) + P(1 bolinha preta/ 2 branca)
P(combinao preta e branca) = 0,0757 + 0,0757 = 0,1514 = 15,14%
Exemplo de aplicao
17. Uma caixa contm 20 canetas iguais, das quais 7 so defeituosas, e outra caixa contm 12, das
quais 4 so defeituosas. Uma caneta retirada aleatoriamente de cada caixa. As probabilidades de que
ambas no sejam defeituosas e de que uma seja perfeita e a outra no so, respectivamente, de:
A) 88,33% e 45,00%
B) 43,33% e 45,00%
110
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
Unidade II
C) 43,33% e 55,00%
D) 23,33% e 45,00%
E) 23,33% e 55,00%
18. Certo tipo de motor pode apresentar dois tipos de falhas: mancais presos e queima do induzido.
Sabendo-se que as probabilidades de ocorrncia dos defeitos so de 0,2 e 0,03, respectivamente,
determine a probabilidade de que, num motor daquele tipo, selecionado ao acaso, no ocorram,
simultaneamente, as duas falhas.
A) 6%
B) 19,4%
C) 99,4%
D) 21,8%
E) 77,6%
8 REVISO TERICA DOS CONCEITOS ESTUDADOS
Experimento: processo pelo qual ocorre uma determinada sucesso de acontecimentos. Por
exemplo: realizar uma reao qumica; investir em aes; jogar dados.
Experimento matemtico ou determinstico: aquele em que os resultados podem ser previstos
de modo exato utilizando-se a cincia. Por exemplo: realizar uma reao qumica.
Experimento aleatrio: aquele cujos resultados no so sempre os mesmos, apesar de se
repetirem vrias vezes em condies semelhantes. Por exemplo: jogar dados.
Experimentos aproximadamente aleatrios: so aqueles que, apesar de terem uma tendncia de
ocorrncia, no podem ter seus resultados denidos de modo exato pela cincia. Por exemplo:
investir em aes.
Espao amostral ou conjunto universo: conjunto formado por todos os resultados possveis de
um experimento. Por exemplo: o conjunto formado pelos nmeros 1; 2; 3; 4; 5 e 6, resultados
possveis de um jogo de dados.
Evento: qualquer subconjunto de um espao amostral. Por exemplo, os nmeros 2; 4 e 6, evento
nmeros pares de um jogo de dados.
111
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
ESTATSTICA
Evento simples: aquele formado por um nico elemento do espao amostral. Por exemplo, o
nmero 5 num jogo de dados.
Evento composto: aquele formado por mais de um elemento do espao amostral. Por exemplo,
os nmeros 1; 3 e 5, evento nmeros mpares de um jogo de dados.
Evento complementar: de um evento A qualquer, o evento B (chamado complementar de A), tal
que todos os elementos do espao amostral que no pertenam a A pertenam a B e vice-versa.
Observar que S = A + B. Por exemplo, o conjunto A = {1, 3, 5} complementar ao conjunto B =
{2, 4, 6}, num jogo de dados, visto que, ao serem somados, do origem ao espao amostral S =
{1, 2, 3, 4, 5, 6}. No falta nem sobra elemento algum.
Eventos mutuamente exclusivos: Suponha dois eventos A e B, no qual a ocorrncia de A impede a
ocorrncia de B e vice-versa. Dizemos que eles so mutuamente exclusivos. Por exemplo: num jogo
de dados, a ocorrncia de um nmero par (1, 2, 3) impede a ocorrncia de um nmero mpar (2, 4,
5), portanto tais eventos so mutuamente exclusivos. No confunda eventos complementares com
eventos mutuamente exclusivos. Todos os eventos complementares so mutuamente exclusivos,
mas o contrrio no verdade.
Eventos independentes: dizemos que dois ou mais eventos so independentes quando no
exercem aes recprocas, comportando-se cada um da maneira que lhe prpria, sem inuenciar
os demais. Por exemplo: o lanamento de duas moedas, simultaneamente.
Eventos vinculados ou condicionados: so eventos cujo aparecimento de um dependa do
aparecimento de outro (ou seja inuenciado por este), no mesmo experimento. Por exemplo:
retirada de duas cartas de um baralho. Quando voc retira a primeira carta, existem 52 cartas
no baralho, 26 vermelhas e 26 pretas. Quando voc for retirar a segunda carta, o baralho
ter apenas 51 cartas, e podero ser 25 vermelhas e 26 pretas ou 26 vermelhas e 25 pretas,
dependendo da cor da primeira carta. Portanto, o segundo evento est condicionado ou
vinculado ao primeiro.
Evento soma: quando relacionamos dois eventos de um mesmo experimento e a ocorrncia de
um ou de outro nos interessa, temos o evento soma. Perceba a importncia da palavra ou na
formulao do princpio e da ideia de alternativa. Por exemplo: jogo um dado e quero que saia
um nmero par ou um nmero primo. Os nmeros pares so {2, 4, 6}, e os nmeros primos so
{1, 2, 3, 5}. Como me interessam os nmeros pares ou primos, co satisfeito com a ocorrncia de
qualquer um dos seguintes nmeros {1, 2, 3, 4, 5}. Esse conjunto a soma dos dois anteriores,
descontadas as interseces (no caso, o nmero 2).
Evento produto: quando relacionamos dois eventos de um mesmo experimento e a ocorrncia de
um e simultaneamente a do outro nos interessa, temos o evento produto. Perceba a importncia
da palavra e na formulao do princpio, e da ideia de obrigao. Por exemplo: jogo um dado e
quero que saia um nmero par e primo. Os nmeros pares so {2, 4, 6}, e os nmeros primos so
{1, 2, 3, 5}. Como me interessa que o nmero seja par e simultaneamente primo, co satisfeito
112
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
Unidade II
somente com a ocorrncia do nmero: {2}. Note que esse conjunto a interseco dos dois
anteriores, ou seja, valores que pertencem simultaneamente aos dois conjuntos.
Denio de probabilidades matemtica: a razo (diviso) entre o nmero de elementos do
evento estudado pelo nmero de elementos do espao amostral, ou seja:
P A
n A
n S
( )
( )
( )
=
Denio de probabilidades estatstica: presumindo que um experimento seja repetido uma
quantidade considervel de vezes e seus resultados sejam anotados, denimos a probabilidade de
ocorrncia de eventos daquele experimento como a frequncia relativa deste:
P A f
f
f
R
A
A
T
( ) = =
Axiomas das probabilidades: so verdades a partir das quais se estabelecem os conceitos de
probabilidades:
Dado um evento A, dentro de um espao amostral S, temos:
0 1 P A ( )
A probabilidade do espao amostral, ou da soma de todos os eventos possveis, :
P(S) = 1
Para dois eventos mutuamente exclusivos, temos:
P A B P A P B ( ) ( ) ( ) = +
Se o evento A complementar de B, ento:
P(A) + P(B) = 1 ou P(A) = 1 - P(B)
Lembrete
Houaiss (2009) dene axioma como premissa considerada
necessariamente evidente e verdadeira, fundamento de uma demonstrao,
porm ela mesma indemonstrvel, originada, segundo a tradio
racionalista, de princpios inatos da conscincia ou, segundo os empiristas,
de generalizaes da observao emprica.
113
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
ESTATSTICA
Teorema da Soma: se A e B so dois eventos no mutuamente exclusivos, a probabilidade da
ocorrncia de A ou B ou ambos dada por:
P A B P A P B P A B ( ) ( ) ( ) ( ) = +
Exemplo: numa caixa existem oito bolinhas idnticas, numeradas de 1 a 8. Qual a probabilidade de,
ao retirarmos uma bolinha, ela ser mltiplo de 2 ou de 5?
Espao amostral: S = {1, 2, 3, 4, 5, 6, 7, 8, 9, 10} -> n(S) = 10
Evento A mltiplos de 2: A = {2, 4, 6, 8, 10) -> n(A) = 5
Evento B mltiplos de 5: B = {5, 10) -> n(B) = 2
Interseco entre A e B: AB = {10} -> n(AB) = 1
P A B P A P B P A B P A B
n A
n S
nB
n S
n A B
n S
( ) ( ) ( ) ( ) ( )
( )
( )
( )
( )
( )
(
= + = +

))
P A B ( ) , % = + = = =
5
10
2
10
1
10
6
10
0 60 60
Teorema do Produto para eventos independentes: caso tenhamos dois eventos, A e B, que no sejam
mutuamente exclusivos, a probabilidade de ocorrer um resultado que pertena simultaneamente
aos dois eventos dada por:
P A B P A xP B ( ) ( ) ( ) =
Esse conceito pode ser estendido para mais de dois eventos.
Por exemplo: temos duas caixas com bolinhas nas seguintes quantidades:
Caixa A: 10 bolinhas azuis, 15 bolinhas brancas e 30 bolinhas vermelhas. Total 55: bolinhas.
Caixa B: 20 bolinhas azuis, 18 bolinhas brancas e 22 bolinhas vermelhas. Total: 60 bolinhas.
Retiramos uma bolinha de cada urna. Qual a probabilidade de que ambas as bolinhas retiradas
sejam azuis?
Caixa A: probabilidade de uma bolinha retirada ser azul:
114
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
Unidade II
P Azul ( ) =
10
55
Caixa B: probabilidade de uma bolinha retirada ser azul:
P Azul ( ) =
20
60
Probabilidade de ambas serem azuis:
P Azul Azul P xP ( ) ( ) ( ) = Urna A/bolinha Azul Urna B/bolinha Azul == =
10
55
20
60
200
3300
P Azul Azul ( ) , , % = = 0 0606 6 06
Teorema do Produto para eventos vinculados: a probabilidade de ocorrncia simultnea de
dois eventos A e B vinculados dada pelo produto da probabilidade de um dos eventos pela
probabilidade condicional do outro evento:
P A B P A xP B A ( ) ( ) ( / ) =
O smbolo P(B/A) lido como: probabilidade de ocorrncia do evento B tendo ocorrido o evento A.
a chamada probabilidade condicional. Esse conceito pode ser estendido para mais de dois eventos.
O exemplo a seguir deixa essa situao mais evidente:
Retiramos sem reposio trs caras de um baralho de 52 cartas. Qual a probabilidade de que as trs
sejam vermelhas?
Probabilidade de a primeira carta ser vermelha:
P vermelha ( ) =
26
52
Probabilidade de a segunda carta ser vermelha:
P vermelha ( ) =
25
51
Probabilidade de a terceira carta ser vermelha:
115
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
ESTATSTICA
P vermelha ( ) =
24
50
Probabilidade de as trs serem vermelhas:
P Vrm Vrm Vrm P xP ( ) ( ) ( / = 1 2 1
a a a
carta Vrm carta Vrm carta Vrm)) ( / ) xP 3 2
a a
carta Vrm carta Vrm
P Vrm Vrm Vrm ( )
.
.
= =


=
26
52
25
51
24
50
26 25 24
52 51 50
15 626
132 6000
0 1178 1178 = = , , %
Exemplo de aplicao
19. Suponhamos que existam, num certo mercado, duas fbricas de lmpadas. A fbrica A produz
500 lmpadas, das quais 25% apresentam defeitos, e a fbrica B produz 550 lmpadas, das quais 26%
so defeituosas; vamos supor tambm que as 1.050 lmpadas sejam vendidas por um nico vendedor.
Por m, suponhamos que um cliente v comprar uma lmpada sem especicar marca e que estas
tenham sido dispostas ao acaso na prateleira. Calcular:
I A probabilidade de ele receber uma lmpada defeituosa.
II A probabilidade de, tendo recebido uma lmpada perfeita, ela ser da marca B.
A alternativa que apresenta as respostas corretas a:
A) I = 47,62% e II = 26,00%
B) I = 26,00% e II = 52,05%
C) I = 25,52% e II = 26,00%
D) I = 25,50% e II = 50,00%
E) I = 25,52% e II = 52,05%
Resumo
Nesta unidade voltamos nossos olhares para o clculo das chamadas
medidas estatsticas e, em seguida, para o estudo elementar das probabilidades.
Esses assuntos so importantes porque a partir do conhecimento de uma
amostra e da probabilidade de o comportamento dessa amostra reproduzir
uma populao que poderemos prever ou induzir acontecimentos.
116
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
Unidade II
Medidas ou parmetros estatsticos so informaes resumidas e
focadas de uma populao e vo, em estudos posteriores, permitir a
extenso dessas informaes para as populaes.
Iniciamos estudando as medidas de posio, tambm chamadas de
medidas de tendncia central, que, como o prprio nome indica, do uma
ideia central da amostra. Vimos as mdias, as medianas e as modas, as
mais importantes, porm no nicas, medidas de posio. Para cada uma
dessas medidas, vericamos como devem ser feitos os clculos, seja quando
apresentados de maneira isolada, seja quando agrupados em classes.
Alguns termos muito importantes para a Estatstica foram denidos, como
mdia aritmtica, mdia ponderada etc. Alm disso, foram consideradas
as diferenas entre mdia, mediana e moda, bem como enfatizado que,
apesar de muito importantes, as medidas de posio no so sucientes
para entendermos uma amostra.
Para o correto entendimento de uma amostra e, posteriormente, de
uma populao, conceituamos as medidas de disperso, tambm chamadas
de medidas de variabilidade. Essas medidas tentam mostrar como cada
um e todos os elementos de uma amostra se desviam da medida de
posio. So especialmente importantes, nesse campo, o desvio-padro e
a varincia. Observamos tambm a maneira de se comparar duas ou mais
amostras utilizando os coecientes de variao, em especial o de Pearson.
Por m, nesta etapa, vimos o comportamento grco das distribuies de
frequncia, assimetria e curtose, assunto que iremos recuperar no prximo
semestre.
Com medidas desses trs grupos possvel entendermos como uma
amostra se comporta e, futuramente, em Estatstica Aplicada, como a
populao da qual essa amostra foi retirada se comporta. Essa relao entre
populaes e amostras possvel porque uma amostra retirada de uma
populao tem comportamentos provavelmente iguais.
Isso nos conduziu ao ltimo item do nosso curso, a Teoria Elementar das
Probabilidades, na qual vericamos o que probabilidade, como podemos
calcular uma probabilidade e os conceitos que envolvem o estudo das
probabilidades. Neste momento, conceituamos o que so experimentos e
eventos aleatrios; como se encadeiam esses eventos em eventos soma
e eventos produto e, tambm, em eventos vinculados e independentes, e
abrimos frente para o estudo das distribuies de probabilidades, a ser feito
na disciplina de Estatstica Aplicada. Nessa linha de raciocnio, passamos os
olhos tambm sobre anlise combinatria, que foi e ser importante para
os clculos mais complexos, ainda a serem feitos.
117
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
ESTATSTICA
Como resultado deste nosso curso, sabemos como coletar, organizar
e trabalhar dados estatsticos de uma amostra, permitindo entend-la e
obter concluses, e, em contrapartida, compreender como probabilidades
so importantes para entender as relaes entre populaes e amostras. De
posse dessas informaes, estamos preparados para adentrar a Estatstica
Indutiva, nosso prximo campo de trabalho.
Exerccios
Questo 1 (SEFAZ 2011 Adaptado). Com base no resultado do concurso para o cargo de
Especialista em Polticas Pblicas e Gesto Governamental da Seplag, prova realizada pelo Ceperj em 1
ago. 2010, as frequncias para o nmero de acertos obtidos nas cinco questes de Estatstica pelos 1.535
candidatos que realizaram a prova esto mostradas na tabela a seguir:
Tabela 58
Nenhum acerto 393 candidatos
1 acerto 627 candidatos
2 acertos 417 candidatos
3 acertos 81 candidatos
4 acertos 12 candidatos
5 acertos 5 candidatos
Total 1.535 candidatos
A gura que segue mostra a frequncia relativa dos acertos.
45,0%
40,0%
35,0%
30,0%
25,6%
40,8%
Estatstica Prova para EPPGG
27,2%
5,3%
0,8%
0,3%
25,0%
20,0%
15,0%
10,0%
5,0%
0,0%
Figura 32
118
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
Unidade II
Com base na tabela e na gura, julgue as armativas a seguir:
I A moda e a mediana da distribuio so iguais.
II A amplitude interquartlica igual a 2.
III A mdia da distribuio igual a 2.
IV A probabilidade de um candidato, escolhido ao acaso entre os 1.535, ter acertado no mximo
duas questes igual a 66,4%.
So corretas apenas as armativas:
A) I e II.
B) I e III.
C) I, III e IV.
D) II, III e IV.
E) II e IV.
Resposta correta: alternativa A.
Anlise das armativas
I) Armativa correta.
Justicativa: a moda ser igual a 1 (valor com maior frequncia) e a mediana tambm ser igual a 1
(neste valor, a frequncia j alcanar 50% da distribuio).
II) Armativa correta.
Justicativa: o primeiro quartil ser igual a 0 (neste valor, a frequncia j alcanar 25% da
distribuio), e o terceiro quartil ser igual a 2 (neste valor, a frequncia j alcanar 75% da distribuio).
A amplitude interquartlica ser: Q3 - Q1 = 2 - 0 = 2.
III) Armativa incorreta.
Justicativa: podemos usar a frequncia relativa para calcular a mdia do nmero de acertos, igual
a: (0 0,256) + (1 0,408) + (2 0,272) + (3 0,053) + (4 0,008) + (5 0,003) = 0 + 0,408 + 0,544
+ 0,159 + 0,032 + 0,015 = 1,158.
119
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
ESTATSTICA
IV) Armativa incorreta.
Justicativa: a probabilidade de ter acertado, no mximo, duas questes (acertar 0, 1 ou 2 questes)
ser de: 25,6% + 40,8% + 27,2% = 93,6%.
Questo 2. Fez-se uma pesquisa sobre o nmero de pacientes que frequentaram os estabelecimentos
de sade pblicos e particulares no Brasil. Os dados a seguir representam o sumrio da pesquisa.
Tabela 59
Espcie
Estabelecimentos
Pblicos (PU) Particulares (PA)
Hospital (H)
Pronto-socorro (PS)
Policlnicas (P)
Outros (O)
1.002
150
1.531
14.393
5.132
156
6.136
472
Inclui postos de sade, centros de sade e unidades mistas
Fonte: VIEIRA (2008, p.18).
Retira-se, ao acaso, um estabelecimento da populao de 28.972 unidades. Sejam H, PS, P e O os
eventos que representam se o estabelecimento retirado hospital, pronto-socorro, policlnicas ou outros,
respectivamente. Da mesma forma, PU e PA so eventos que representam o tipo de estabelecimento
(pblico ou particular). Assinale a alternativa incorreta.
A) A probabilidade de o paciente ter escolhido o estabelecimento pblico de aproximadamente
0,5894, ou 58,94%.
B) A probabilidade de o paciente ter escolhido o hospital ou ser um estabelecimento particular de
0,6223, ou 62,23%.
C) A probabilidade de o paciente ter escolhido o pronto-socorro e ser um estabelecimento pblico
de 0,0052, ou 0,52%.
D) A probabilidade de o paciente ter escolhido o hospital ou policlnicas de 0,4764, ou 47,64%.
E) A probabilidade de o paciente ter escolhido o hospital e ser um estabelecimento particular de
0,1771, ou 17,71%.
Resoluo desta questo na plataforma.
120
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
REFERNCIAS
ANDERSON, D. R.; SWEENEY, D. J.; WILLIAMS, T. A. Estatstica aplicada administrao e economia. 2.
ed. So Paulo: Thomson Learning, 2007.
BRUNI, A. B. Estatstica aplicada gesto empresarial. So Paulo: Atlas, 2007.
BUSSAB, W. O.; MORETIN, P. A. Estatstica bsica. 3. ed. So Paulo: Atual, 1986.
COSTA NETO, P. L. O. Estatstica. So Paulo: Edgard Blcher, 1979.
COSTA NETO, P. L. O.; CYMBALISTA, M. Probabilidades. So Paulo: Edgard Blcher, 1974.
DOWNING, D.; CLARK, J. Estatstica aplicada. So Paulo: Saraiva, 1998.
FONSECA, J. S.; MARTINS, G. A.; TOLEDO, G. L. Estatstica aplicada. So Paulo: Atlas, 1995.
GITMAN, L. J. Princpios de administrao nanceira. So Paulo: Harbra, 2003.
GUERRA, M.; GUERRA, M. J.; DONAIRE, D. Estatstica aplicada. So Paulo: Cincia e Tecnologia, 1991.
HOUAISS, A. Dicionrio eletrnico Houaiss da lngua portuguesa. Rio de Janeiro: Objetiva, 2009. 1 CD-ROM.
KAZMIER, L. J. Estatstica aplicada a economia e administrao. So Paulo: Makron Books, 1982.
KUNE, H. Mtodos estatsticos para a melhoria da qualidade. So Paulo: Gente, 1993.
LAPPONI, J. A. Estatstica usando Excel. 4. ed. Rio de Janeiro: Elsevier, 2005.
MEDEIROS, E. et al. Estatstica para os cursos de economia, administrao e cincias contbeis. 2. ed. So
Paulo: Atlas, 1997. v. 1-2.
______. Tabelas de estatstica para os cursos de economia, administrao e cincias contbeis. 2. ed. So
Paulo: Atlas, 1999.
MEYER, P. L. Probabilidade: aplicaes estatstica. Rio de Janeiro: Livros Tcnicos e Cientcos, 1976.
MILONE, G.; ANGELINI, F. Estatstica aplicada. So Paulo: Atlas, 1995.
MIRANDA, D. Anlise combinatria. Brasil Escola, Goinia, [s.d]. Disponvel em: <http://www.
brasilescola.com/matematica/analise-combinatoria.htm>. Acesso em: 5 dez. 2013.
______. Anlise combinatria. Mundo Educao, Goinia, [s.d.]. Disponvel em: <http://www.
mundoeducacao.com/matematica/analise-combinatoria.htm>. Acesso em: 5 dez. 2013.
121
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
MLODINOW, L. O andar do bbado: como o acaso determina nossas vidas. Rio de Janeiro: Zahar, 2009.
MOORE, D. A estatstica bsica e sua prtica. Rio de Janeiro: LTC, 2000.
MOORE, D. et al. A prtica da estatstica empresarial: como usar dados para tomar decises. Rio de
Janeiro: LTC, 2006.
SALSBURG, D. Uma senhora toma ch: como a Estatstica revolucionou a cincia no sculo XX. Rio de
Janeiro: Zahar, 2009.
SPIEGEL, M. R. Estatstica. So Paulo: Makron Books, 1993.
STEVENSON, W. J. Estatstica aplicada administrao. So Paulo: Habra, 1981.
TRIOLA, M. F. Introduo estatstica. Rio de Janeiro: LTC, 2005.
VIEIRA, S. Introduo Bioestatstica. 3. ed. Rio de Janeiro: Elsevier, 2008. p. 18.
WITTE, R. S.; WITTE, J. S. Estatstica. 7. ed. Rio de Janeiro: LTC, 2005.
Sites
<http://super.abril.com.br/>.
<http://www.alea.pt>.
<www.ibge.gov.br>.
Exerccios
Unidade I Questo 3: INSTITUTO NACIONAL DE ESTUDOS E PESQUISAS EDUCACIONAIS ANSIO
TEIXEIRA (INEP). Exame Nacional de Desempenho dos Estudantes (Enade) 2006: Administrao.
Questo 7, p. 5. Disponvel em: <http://download.inep.gov.br/download/enade/2006/Provas/PROVA_
DE_ADMINISTRACAO.pdf>. Acesso em: 9 dez. 2013.
Unidade I Questo 11: INSTITUTO NACIONAL DE ESTUDOS E PESQUISAS EDUCACIONAIS ANSIO
TEIXEIRA (INEP). Exame Nacional de Desempenho dos Estudantes (Enade) 2006: Administrao.
Questo 6, p. 5. Disponvel em: <http://download.inep.gov.br/download/enade/2006/Provas/PROVA_
DE_ADMINISTRACAO.pdf>. Acesso em: 9 dez. 2013.
Unidade II Questo 1: CEPERJ. Prova do Concurso Pblico de Fiscal da Fazenda. Rio de Janeiro, 2011.
Questo 42, p.7. Disponvel em: <http://www.concurso.ceperj.rj.gov.br/concursos/sefazfazenda/prova.
pdf>. Acesso em: 23 dez. 2013.
122
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
ANEXO 1 GABARITO
Unidade I
1. B.
2. B.
3. E.
4. C.
5. D.
6. D.
7. B.
8. B.
9. C.
10. C.
11. A.
Unidade II
1. A.
2. E.
3. A.
4. D.
5. D.
6. C.
7. B.
8. A.
123
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
9. E.
10. D.
11. C.
12. A.
13. D.
14. C.
15. B.
16. A.
17. B.
18. C.
19. E.
124
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
125
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
126
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
127
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
128
A
D
M

/

C
C
T
B

-

R
e
v
i
s

o
:

J
u
l
i
a
n
a

M
a
r
i
a

M
e
n
d
e
s

-

D
i
a
g
r
a
m
a

o
:

L
u
c
a
s

M
a
n
s
i
n
i

-

d
a
t
a

1
3
/
1
2
/
2
0
1
3


/
/


E
x
e
r
c

c
i
o
s

-

J
u
l
i
a
n
a

-

D
i
a
g
r
a
m
a

o
:

M

r
c
i
o

-

2
6
/
1
2
/
2
0
1
3
Informaes:
www.sepi.unip.br ou 0800 010 9000