Estatística Aplicada

ESTATSTICA APLICADA
Agosto 2011

J os Gracioli Estatstica Aplicada
2
Sumri o

1. Conceitos Bsicos ............................................................................................................. 4
1.1 O que a estatstica ...................................................................................................... 4
1.2 Populao ..................................................................................................................... 4
1.3 Censo ........................................................................................................................... 4
1.4 Amostra ....................................................................................................................... 4
1.5 Amostragem ................................................................................................................. 4
1.6 Estatstica Descritiva (Dedutiva)................................................................................... 4
1.7 Inferncia Estatstica (Indutiva) .................................................................................... 4
1.8 Variveis Qualitativas e Quantitativas .......................................................................... 5
1.9 Etapas de Desenvolvimento de uma Pesquisa Estatstica .............................................. 6
1.10 Softwares Estatsticos ................................................................................................. 7
2. Ferramentas Necessrias ao Clculo Estatstico ............................................................. 7
2.1 Porcentagem ................................................................................................................. 7
2.2 Clculo de Taxas Percentuais Acumuladas ................................................................. 10
2.3 Clculo da Taxa Mdia ............................................................................................... 11
2.4 Somatrio ................................................................................................................... 12
3. Formas de Organizao e Apresentao dos Dados ..................................................... 14
3.1 Sries Estatsticas ....................................................................................................... 14
3.1.1 Srie Temporal .................................................................................................... 15
3.1.2 Srie Geogrfica .................................................................................................. 15
3.1.3 Srie Especfica ................................................................................................... 15
3.2 Distribuio de Frequncia ......................................................................................... 16
3.3 Representao Grfica de uma Distribuio ................................................................ 18
3.3.1 Histograma e Polgono de Frequncia ................................................................. 18
3.3.2 Ramos e Folhas ................................................................................................... 20
3.3.3 Box Plot .............................................................................................................. 22
3.4 Grfico Estatsticos .................................................................................................... 28
3.4.1 Grfico em Linha ou em Curva ............................................................................ 28
3.4.2 Grfico em Coluna ou em Barras ......................................................................... 29
3.4.3 Grfico em Setores .............................................................................................. 30
3.4.4 Pictogramas ......................................................................................................... 30
4. Medidas de Posio ........................................................................................................ 31
4.1 Medidas de Tendncia Central .................................................................................... 31
4.1.1 Mdia Aritmtica ................................................................................................. 31
4.1.2 Mdia Geomtrica (Mg) ...................................................................................... 32
4.1.3 Moda (Mo) .......................................................................................................... 33
4.1.4 Mediana (Md) ...................................................................................................... 34
4.1.5 Relao entre a Mdia, a Moda e a Mediana. ....................................................... 36
4.2 Separatrizes ................................................................................................................ 37
4.2.1 Mediana............................................................................................................... 37
4.2.2 Quartil ................................................................................................................. 37
4.2.3 Decil .................................................................................................................... 37
4.2.4 Percentil .............................................................................................................. 38
5. Medidas de Disperso .................................................................................................... 41
5.1 Amplitude Total ......................................................................................................... 41
5.2 Desvio Mdio ............................................................................................................. 41
5.3 Varincia(o
2
) .............................................................................................................. 42
5.4 Desvio- Padro(o) ...................................................................................................... 42
5.5 Coeficiente de Variao.............................................................................................. 42
5.6 Coeficiente de Assimetria de Pearson ......................................................................... 43

3
6. Introduo Probabilidade ........................................................................................... 46
6.1 Tipos de Experimentos ............................................................................................... 46
6.2 Espao Amostral ........................................................................................................ 46
6.3 Eventos ...................................................................................................................... 47
6.4 Probabilidade ............................................................................................................. 47
6.4.1 Definio ............................................................................................................. 47
6.4.2 Probabilidade Condicional ................................................................................... 48
6.4.3 Eventos Mutuamente Exclusivos ......................................................................... 48
6.4.4 Regras da Adio ................................................................................................. 48
6.4.5 Independncia de Eventos .................................................................................... 49
6.4.6 Regra da Multiplicao ........................................................................................ 50
6.4.7 Partio de um Espao Amostral.......................................................................... 52
6.4.8 Teorema de Bayes ............................................................................................... 53
7. Distribuio de Probabilidade de Variveis Aleatrias ................................................ 55
7.1 Variveis Aleatrias Discretas .................................................................................... 55
7.1.1 Funo Densidade de Probabilidade..................................................................... 56
7.1.2 Varivel Aleatria Bi-Dimensional Discreta ....................................................... 57
7.1.3 Variveis Aleatrias Independentes ..................................................................... 58
7.1.4 Valor Esperado ou Esperana de uma Varivel Aleatria Discreta ....................... 58
7.1.4.1 Propriedades do Valor Esperado ................................................................... 59
7.1.5 Varincia de uma Varivel Aleatria Discreta ...................................................... 61
7.1.5.1 Propriedades da Varincia de uma Varivel Aleatria Discreta ..................... 61
7.1.6 Distribuio de Probabilidade Discreta ................................................................ 62
7.1.6.1 Binomial ....................................................................................................... 62
7.2 Variveis Aleatrias Contnuas ................................................................................... 65
7.2.1 Funo Densidade de Probabilidade..................................................................... 65
7.2.2 Varivel Aleatria Bi-Dimensional Contnua ....................................................... 66
7.2.3 Resoluo de Integrais Duplas ............................................................................. 67
7.2.4 Variveis Aleatrias Independentes ..................................................................... 68
7.2.5 Valor Esperado de uma Varivel Aleatria Contnua ........................................... 68
7.2.5.1 Propriedades do Valor Esperado ................................................................... 69
7.2.6 Varincia de uma Varivel Aleatria Contnua ................................................... 69
7.2.6.1 Propriedades da Varincia de uma Varivel Aleatria Contnua .................... 69
7.3 Distribuio Normal ................................................................................................... 71
7.3.1 Esperana e Varincia .......................................................................................... 73
7.3.2 A Distribuio Normal Padro ou Reduzida......................................................... 74
7.3.3 Transformao De Uma Normal Para Uma Reduzida .......................................... 76
8. Regresso Linear Simples .............................................................................................. 79
8.1 Diagrama de Disperso ............................................................................................... 79
8.2 Coeficiente de Correlao........................................................................................... 81
8.3 Modelo de Regresso Simples .................................................................................... 81

4

1. Conceitos Bsicos

1.1 O que a estatstica
o ramo da matemtica aplicada que fornece mtodos para a coleta,
organizao, descrio, anlise e interpretao de dados numricos e para futura
utilizao dos mesmos na tomada de decises.

1.2 Populao
um conjunto de entes portadores de, pelo menos, uma caracterstica
comum que se deseja estudar.
Ex.: Populao dos Alunos da Candido Mendes.
Populao do Rebanho de Eqinos do Brasil.

1.3 Censo
uma coleo de dados relativos a todos os elementos de uma populao.

1.4 Amostra
um subconjunto finito e no vazio da populao.

1.5 Amostragem
o processo de formao de amostras. Existem vrios processos de
amostragem. O processo de amostragem pode ser com ou sem repetio de
elementos. As trs principais tcnicas de amostragem so:

1. Aleatri a simples: a escolha aleatria dos elementos. equivalente a um
sorteio de loteria.

2. Proporcional Estratificada: Muitas vezes a populao se subdivide em
estratos.
Ex.: Escolha proporcional de homens e mulheres dentro de um grupo de 100
estudantes, onde 40 so homens e 60 mulheres. Se escolhermos 10% teramos
4 homens e 6 mulheres.

3. Si stemtica: quando os elementos da populao j se encontram
ordenados, neste caso no h necessidade de construir um sistema de
referncia.
Ex.: Amostra de uma produo diria(de 1000 em 1000 produzidos
escolheramos 10 produtos; Num pronturio de um consultrio dentrio.

1.6 Estatstica Descritiva (Dedutiva)
o ramo da estatstica que inclui as tcnicas que dizem respeito
sintetizao e descrio de dados numricos, tais mtodos podem ser tanto
atravs de grficos como atravs de anlise computacional

1.7 Inferncia Estatstica (Indutiva)
o ramo da estatstica no qual, atravs do estudo de informaes da
amostra, so definidas e testadas hipteses acerca da populao estudadas.

5

O Esquema a seguir sintetiza em linhas gerais a pesquisa estatstica

1.8 Variveis Qualitativas e Quantitativas
A varivel atributo/caracterstica que exerce influncia no fenmeno
estudado. De acordo com a estrutura numrica as variveis podem ser classificadas
em:
Quantitativas - Os resultados das observaes sero expressos sempre atravs de
nmeros, que representam contagens ou medidas. Ex: Idade, Altura, Peso etc.

Qualitativas - Os resultados das observaes sero expressos atravs de
categorias, que se distinguem por alguma caracterstica no-numrica. Ex: Sexo,
Nvel de escolaridade, Cor da pele, Tipo sanguneo etc.

As variveis qualitativas podem ser classificadas como:

1- Nomi nal - caracteriza-se por dados que consistem apenas em nomes, rtulos ou
categorias. Os dados no podem ser dispostos segundo um esquema ordenado.
Ex.: Estado civil, Regio de Procedncia etc.

2- Ordinal - Os dados que podem ser dispostos em alguma ordem, mas as
diferenas entre os valores no podem ser determinadas ou no tem sentido. Ex:
Classe Social (Alta, Mdia e Baixa), Escolaridade (Superior, Mdio e Fundamental)

As variveis quantitativas podem ser classificadas como:

1- Discreta - S pode assumir valores pertencentes a um conjunto finito ou
enumervel. Seus valores so resultados de um processo de contagem, razo pela
qual seus valores so expressos atravs de nmeros inteiros no-negativos.
Ex.: Nmero filhos.

2- Contnua - Pode assumir qualquer valor pertencente a um determinado intervalo
do conjunto dos Reais.
Populao
Amostra
Tratamento de Dados
Estatsti ca Descritiva Inferncia Estatstica
Teoria das Probabilidades

6
Ex.: Estatura, Peso, Salrio etc.

1.9 Etapas de Desenvolvimento de uma Pesquisa Estatstica
As principais fases so as seguintes:

1. Definio do Problema e Planejamento
Consiste na formulao completa do problema a ser estudado e a
determinao do procedimento necessrio para resolver o problema tais como
levantar informaes sobre o assunto objeto de estudo, preocupao com a
formulao correta das perguntas e a modalidade de coleta de dados. nesta fase
que ser escolhido o tipo de levantamento a ser utilizado, que pode ser censitrio ou
por amostragem.

2. Coleta de Dados
Refere-se obteno, reunio e registro sistemtico de dados, com um
objetivo determinado. A coleta poder ser direta ou indireta.

a) Direta: quando feita sobre os elementos informativos de registro obrigatrio
(nascimentos, casamentos etc.) ou atravs de questionrios que sero aplicados
pelo prprio pesquisador (censo etc).

b) Indireta: quando inferida de elementos conhecidos (coleta direta) e/ou do
conhecimento de outros fenmenos relacionados com o fenmeno estudado. Como
por exemplo, citar a pesquisa sobre a mortalidade infantil, que deita atravs de
dados colhidos por uma coleta direta.

3. Crtica dos Dados
Leitura dos questionrios, observao de respostas incompletas ou erradas.
Supresso de valores estranhos ao levantamento a fim de no incorrermos em erros
grosseiros ou de certo vulto, que possam influir sensivelmente nos resultados.

4. Apurao dos Dados
Consiste em resumir os dados, atravs de sua contagem e agrupamento.
um trabalho de condensao e de tabulao dos dados, que chegam ao analista de
forma desorganizada, tornando impossvel a tarefa de apreender todo o seu
significado pela simples leitura. Pode ser manual, eletromecnica ou eletrnica.

5. Apresentao dos Dados
H duas formas de apresentao

a) Tabelas: Apresentao numrica dos dados. As tabelas tm a vantagem de
conseguir expor, resumidamente, os resultados sobre determinado assunto, de
modo a se obter uma viso global mais rpida daquilo que se pretende analisar.

b) Grficos: uma forma de apresentao dos dados estatsticos, cujo objetivo o
de produzir, no investigador ou no pblico em geral, uma impresso mais rpida e
viva do fenmeno em estudo.

6. Anlise e Interpretao dos Dados
a etapa que consiste em tirar concluses que auxiliem o pesquisador a
resolver seu problema, seja atravs do clculo de medidas-resumos cuja finalidade

7
principal descrever o fenmeno ou por amostras que consiste em inferir o
comportamento da populao.

1.10 Softwares Estatsticos
So programas de computadores usados como ferramenta auxiliar para
trabalharmos os dados. Alguns mais usados:

a) SPSS (Statistical Package for the Social Sciences)

O SPSS Data Editor til para fazer testes estatsticos, tais como os testes
da correlao, multicolinearidade e de hipteses. Pode tambm providenciar ao
pesquisador contagens de frequncia, ordenar dados, reorganizar a informao, e
serve tambm como um mecanismo de entrada dos dados, com rtulos para
pequenas entradas. Ele tem duas "perspectivas" (views), a Data View (onde ocorre a
entrada dos dados) e a perspectiva das variveis, onde podemos seleccionar o
nome, tipo, nmero mximo de letras por clula ("width"), nmero de casas
decimais, rtulo, largura da clula ("Columns"), alinhamento dentro da clula
("align"), e caso se quer ou no que a varivel seja nominal ou ordinal ou "scale"
("measure"). Na perspectiva das variveis tambm se podem categorizar as
entradas em rtulos (isto onde o uso de duas letras pode surgir em vez de
palavras inteiras, na coluna "Values") e marca entradas como invlidas (na coluna
"Missing"). Como programa estatstico muito popular tambm pela capacidade de
trabalhar com bases de dados de grande dimenso. Na verso 12 so possveis
mais de 2 milhes de registros e 250.000 variveis.

b) MINITAB

O Minitab um programa de computador voltado para fins estatsticos.
muito utilizado nas universidades nos cursos introdutrios de estatstica. Tambm
utilizado em empresas num nvel mais avanado de utilizao, tendo funes mais
especficas voltadas para gerenciamento. Sua interface parecida com a de uma
planilha eletrnica como Microsoft Excel ou Calc do Open office mas com a
capacidade de executar anlises estatsticas complexas.

c) EVIEWS

A verso 7 oferece uma ampla gama de recursos poderosos para a
manipulao de dados estatsticos e anlise economtrica, previso e simulao,
apresentao de dados e programao. Podemos citar algumas caractersticas
como manuseio bsico de dados numricos, alfanumricos e sries. Uma extensa
biblioteca de operadores estatsticos, matemticos etc. Na estatstica podemos citar
o resumo de base de dados, covarincia, anlise de correlao de Pearson,
Histogramas, polgonos de frequncia, boxplots. E na econometria a regresso
linear e no linear dos mnimos quadrados ordinrios.

2. Ferramentas Necessrias ao Clculo Estatstico

2.1 Porcentagem
As fraes (ou razes) que possuem denominadores (o nmero debaixo da
frao) iguais a 100, so conhecidas por razes centesimais e podem ser
representadas pelo smbolo "%". O smbolo "%" lido como "por cento". "10%"

8
l-se "10 por cento". A Taxa percentual a taxa que se obtm ao substituirmos o
denominador 100 da razo centesimal pelo smbolo % (l-se: por cento).
O smbolo "%" significa centsimos, assim "15%" outra forma de se
escrever 0,15,
100
15
ou
20
3

Exemplos
1) Para transformar a frao
100
26
na forma decimal seria 0,26 e na forma percentual
seria 26%.

2) Para calcular um valor percentual de um nmero faremos a seguinte operao:
a) 30% de 400 seria 120
100
400 30
=

b) 0.1% de 120 seria 12 , 0
100
120 1 , 0
=

3) O clculo da porcentagem serve para compararmos grandezas.
Digamos que a populao de uma cidade X cresceu de 100 mil para 125 mil
em dez anos. Sabemos tambm que no mesmo perodo, a populao da cidade Y
passou de 40 mil para 50 mil habitantes. Qual das cidades teve um aumento
populacional maior?
Aumento populacional da cidade X em porcentagem:
25 100 1
10000
125000
= |
.
|
\
|

Aumento populacional da cidade Y em porcentagem:

25 100 1
40000
50000
= |
.
|
\
|

Podemos notar que embora a populao da cidade X seja muito maior que a
populao de Y, o aumento percentual das duas populaes foi o mesmo. Veja
tambm que a razo da populao atual para a populao de 10 anos atrs, de
ambas as cidades, a mesma. Outra demonstrao de que o crescimento foi
proporcionalmente o mesmo:

25 , 1
40000
50000
100000
125000
= =

4) A razo cujo denominador 100 recebe o nome de razo centesimal. So
exemplos de razes centesimais:
100
9 , 27
100
30
ou , sendo outra forma de representar:
30% ou 27,9%.

Exerccios
1) Represente na forma decimal e em porcentagem as seguintes fraes:

9
100
75
)
100
30
)
100
03 , 0
)
100
3 , 24
)
100
4 , 1
)
100
235
)
100
123
)
100
23
)
100
6
)
100
37
)
100
19
)
100
1
)
l k j i
h g f e
d c b a

2) Em minha turma, 3/5 dos alunos so meninos. Qual a percentagem de meninos?

3) Se 25% de uma certa quantidade so R$ 150,00, qual o valor de dessa
quantia?

4) Num lote de 50 lmpadas, 13 apresentaram defeitos; a razo entre o nmero de
lmpadas defeituosas e o total de lmpadas dada por:

5) De um exame de habilitao para motoristas participaram 380 candidatos; sabe-
se que a taxa de reprovao foi de 15%. Quantos candidatos foram aprovados?

6) A Classe de Virginia tem 40 alunos, 15% dos quais so economistas. Quantos
economistas tm na sala?

7) Os 6% de alunos estrangeiros de uma escola somam 36. Quantos alunos tm
nessa escola?

8) Gastei 15% do que possua ao comprar uma cala de R$ 300,00. Quanto
possua?

9) Uma loja oferece, nas compras acima de R$ 5000,00 um desconto de 5%.
Quanto um cliente pagar por uma compra de R$ 35.000,00?

10) A arrecadao do municpio cai de R$ 420.000,00 para R$ 407.000,00 no ano
seguinte. Qual foi o percentual da queda?

11) Uma bolsa vendida por R$ 32,00. Se seu preo fosse aumentado em 20%,
quanto passaria a custar? Se por outro lado fosse anunciada uma liquidao com
um desconto de 20%. Quanto custaria a bolsa

12) Os valores de 2 faturas somam R$ 270,00. Sobre a fatura de maior valor deu um
abatimento de 20% e sobre a fatura de menor valor um abatimento de 15%,
perfazendo um total de abatimentos de R$ 48,00. Qual o valor de cada fatura?

13) Do que eu recebo 30% vo para a poupana, 20% para o vesturio e 35% para
a alimentao. Com os R$ 450,00 que sobro, eu me divirto. Qual o meu salrio?

14) Numa cidade 45% da populao so homens. Qual a populao dessa cidade,
se nela residem 60.500 mulheres?

15) Um aparelho de som est sendo vendido em 4 prestaes de R$ 125,00 sem
juros. A vista oferecido um desconto de 15%. Qual o seu preo vista?

16) Do salrio de um trabalhador so descontados R$ 200,00 que correspondem a
8% do total. Qual o salrio desse trabalhador?

10
17) Comprei um carro por R$ 45.000,00 e quero revend-lo com um lucro de 12%.
Por quanto deverei vender esse carro ?

18) Para atrair fregueses, um supermercado anuncia por R$ 10,00 um determinado
produto que lhe custou R$ 13,00. Calcule a taxa percentual de prejuzo sobre o
preo de venda.

19) Sobre uma fatura de $ 100.000,00 so feitos descontos sucessivos de 10%,
mais 6% e mais 3%. Qual o valor lquido da fatura?

2.2 Clculo de Taxas Percentuais Acumul adas

Consideremos trs instantes de tempo a, b e c tais que a<b<c. A taxa
acumulada da variao de preos a varivel percentual de preos entre a data final
e a data inicial, e ser indicada por I
AC
.

A I
1
B I
2
C

vlida a seguinte relao: ( ) ( ) 1 1 1
2 1
+ + = I I I
AC

A demonstrao desta propriedade feita da seguinte forma:
( )( ) 1 1 1
, 1 1 1 1
1
1
2 1
1 2 1 1
+ + =
+ = = + = =
=
=
I I I
assim I
P
P
P
P
I e I
P
P
P
P
I
como
P
P
P
P
I
P
P
I
AC
B
C
B
C
A
B
A
B
B
C
A
B
AC
A
C
AC

Exemplos
1) Em dois anos sucessivos, um produto aumentou 15% e 20% respectivamente.
Qual a taxa de aumento acumulada no perodo?
Soluo:

( )( ) % 38 38 , 0 1 20 , 0 1 15 , 0 1
21
= = + + = I de aumento acumulado

ou

% 38 138 100
138 115 23 % 20 115 115 100 15 % 15 100
=
= + = = + =

2) Um preo tem reajuste acumulado em um bimestre de 48%. Se no primeiro ms o
aumento foi de 23%, qual o aumento do segundo ms?
Soluo:
23% ? %
100 +23 123 +25 =148

11
33 , 20
23 , 1
48 , 1
48 , 1 23 , 1
48 , 1 : ? : 2
23 , 1 : % 23 1
% 33 , 20 25 123
100
148 123 25 % ? 123 123 100 23 % 23 100
~ = =
=
~ =
= + = = + =
f f
fator ms
fator ms
fatores por ou
p
p

Portanto

Exerccios
1) Foi prometido, para agosto, aos professores de uma certa escola, um reajuste de
34,50% sobre os salrios de janeiro, descontadas as antecipaes. Como houve um
adiantamento de 12% em abril, que valor percentual dever incidir sobre os salrios
de abril para que seja cumprida a promessa.

2) Uma ao foi valorizada em 10%, 15% e 20% para os trs primeiros meses de
2010. Que reduo dever ser calculada sobre o valor reajustado para retornar ao
valor inicial?

2.3 Clculo da Taxa Mdia

Uma aplicao da taxa mdia seria a taxa de crescimento populacional. o
Percentual mdio de incremento da populao em um determinado perodo. Indica a
intensidade de crescimento da populao em determinado perodo. Essa
intensidade influenciada pela natalidade, mortalidade e migraes ocorridas.

Usos:
1) Realizar estimativas e projees populacionais.
2) Quantificar as variaes anuais do contingente populacional.
3) Subsidiar processos de planejamento, gesto e avaliao de polticas
pblicas especficas (dimensionamento da rede fsica, previso de recursos,
atualizao de metas).

Mtodo de Clculo: O clculo complexo, em geral, restrito a demgrafos. Em
termos tcnicos, subtrai-se 1 da raiz enzima da populao final dividida pela
populao do comeo do perodo considerado, multiplicado por 100.

1 =
+
n
t
n t
P
P
I

Onde,

P
t
=Populao no inicio do perodo.
P
t+n
=Populao no final do perodo.
n = perodo transcorrido.
I =taxa de crescimento considerado

Acumular % =Multiplicar Fatores
Descontar % =Dividir Fatores

12
2.4 Somatrio

Muitas vezes precisamos escrever somas de muitas parcelas, s vezes at de
infinitas parcelas, para facilitar nosso trabalho vamos usar o somatrio.
A notao por somatrio serve para representarmos a soma de n variveis. A
representao ser feita pelo smbolo
, letra grega maiscula sigma. Assim,

x
1
, x
2
, x
3
, x
4
, , x
n
pode ser representada por:
=
n
i
i
x
1
, isto :
n
n
i
i
x x x x x + + + + =
=

3 2 1
1

A variao do ndice i pode no ir de 1 a n, mas estar em qualquer
subintervalo desses limites.
Na Estatstica, muitas das frmulas utilizadas tm sua descrio facilitada
pelo uso de smbolos matemticos. Quando os dados consistem de medies de
alguma caracterstica em certo nmero de amostras ou itens, a caracterstica
representada por uma letra latina maiscula (X, Y, Z). Para diferenciar as
medies feitas entre as diferentes amostras ou itens, utiliza-se a letra minscula
correspondente com um sub-ndice. Por exemplo, a letra X indica que o objeto de
estudo o peso das amostras, sendo que x
1
significa o peso da primeira amostra.
Um valor qualquer pode ser representado por x
i
, em que o sub-ndice i
representa o nmero de ordem da observao. Quando h n observaes no grupo,
i ser igual a 1,2,3,,n, e assim n observaes seriam representadas por
x
1
, x
2
, x
3
, , , x
n
.
Antes de explorarmos a utilizao na estatstica vamos ver algumas
propriedades:

1) ( )

= =
= + + + + = + + + + =
n
i
i n n
n
i
i
x a x x x x a ax ax ax ax ax
1
3 2 1 3 2 1
1

2) |
.
|
\
|
|
.
|
\
|
= + + + + =

= = =
n
i
i
n
i
i n n
n
i
i i
y x y x y x y x y x y x
1 1
3 3 2 2 1 1
1

3)

( ) ( )
( )
( ) ( )
( ) ( )

= =
=
= + + + + + + +
= + + + + + + +
= + + + + + + +
= + + + + + + =
n
i
i
n
i
i n n
n n
n n
n n
n
i
i i
y b x a y y y b x x x a
by by by ax ax ax
by by by ax ax ax
by ax by ax by ax by ax
1 1
2 1 2 1
2 1 2 1
2 1 2 1
2 2 1 1
1

4) ( ) ( ) nk k k k k k k
n
i
= + + + + = + + + + =
=
1 1 1 1
1

Onde a, b e k so constantes.

Em estatstica, muitas vezes importante obter o quadrado da soma das
observaes xi e a soma dos quadrados de x
i
.

13
( )
2
2 1
2
1
n
n
i
i
x x x x + + + = |
.
|
\
|
=

- O quadrado da soma das observaes

2 2
2
2
1
1
2
n
n
i
i
x x x x + + + =
=
- A soma dos quadrados das observaes
Exemplo
( )
38 25 9 4 5 3 2
100 10 5 3 2
5 3 , 2
2 2 2
3
1
2
2 2
2
3
1
3 2 1
= + + = + + =
= = + + = |
.
|
\
|
= = =
=
=
i
i
i
i
x
x
x e x x Seja

Exerccios
1) Sejam: X =(x
1
, x
2
, x
3
, x
4
) =(2 , 4 , 6 , 8), Y =(y
1
, y
2
, y
3
, y
4
) =(1 , 3 , 5 , 7) e
k =2.

Responda: Respostas
a) =
=
4
1 i
i
X 20
b) =
=
4
1 i
i
Y 16
c) =
=
4
1
.
i
i
X k 40
d) =
=
4
1
.
i
i
Y k 32
e) = +
=
) (
4
1
i
i
i
Y X 36
f)
=
=
) (
4
1
i
i
i
Y X
4
g)
=
=
4
1 i
k
8
h)
= |
.
|
\
|
=
2
3
1 i
i
X
144
i) =
=
3
1
2
i
i
X 56
j) =
=
4
2
2
i
i
Y 83
k) ( ) =
=
4
2
2
2
i
i
Y 77

14
l) ( ) = +
=
3
1
2
2 3
i
i
X 174
m) ( ) =
=
3
2
2
2
i
i
Y 68
n) ( ) = +
=

4
2
1
i
i i
X X 30
o) ( ) =
=

4
2
1
i
i i
X X 6
p) ( ) =
=

4
1
1
2
i
i i
X X 102
q) ( ) =
=
2
4
1 i
i i
Y X 404
r) ( )( ) = +
=
i i
i
i i
Y X Y X
4
1
36
s) = +
=
5
4
1
2
i
i
Y 109

3. Formas de Organizao e Apresentao dos Dados

3.1 Sries Estatsticas
A partir do levantamento de dados sobre um fenmeno ou varivel vamos
obter uma srie estatstica. O modo de apresentao das informaes pode ser na
forma de tabelas ou de grficos que facilitam a visualizao do fenmeno e permitir
a comparao com outros elementos ou, ainda, fazer previses. Para diferenciar
uma srie estatstica de outra, devemos levar em considerao os seguintes
elementos:
- A poca (fator temporal ou cronolgico) a que se refere o fenmeno
observado;
- O local (fator espacial ou geogrfico) onde o fenmeno acontece;
- O fenmeno (espcie do fato ou fator especificativo) que e descrito.

TABELA: um quadro, aberto nas laterais, que resume um conjunto de dados de
forma sistemtica. Ela compe-se de:

- Ttulo: Conjunto de informaes, as mais completas possveis, respondendo
s perguntas: O qu?, Onde?, Quando?, Localizada no topo da tabela,
- Corpo: um conjunto de linhas e colunas;
- Cabealho: Parte superior da tabela que especifica o contedo das colunas;
- Coluna indicadora: Contedo das linhas;
- Linhas: Linhas no sentido horizontal;
- Casa ou Cl ula: Encontro da linha com a coluna;
- A fonte: Deve entrar no rodap, sendo obrigatria.

15
Exemplo
Tabela 1 - Exportao Brasileira de alguns produtos agrcolas - 1990 - 1992
Produto
Quantidade
(1000 ton)
1990 1991 1992
Feijo 5600 6200 7300
Arroz 8600 9600 10210
Soja 4000 5000 6000
Fonte: Ministrio da Agricultura
Nota: Produtos mais exportados no perodo.

As sries estatsticas podem ser classificadas em Temporal (histrica,
cronolgica), Geogrfica (espaciais, territoriais ou localizao) e Especficas
(categricas).

3.1.1 Sri e Temporal

Tabela 1 - Produo Brasileira de Trigo de 1988-1993
Anos
Quantidade
(1000 ton)
1988
(1)
2345
1989 2451
1990 2501
1991 2204
1992 2306
1993 2560
Fonte: IBGE
Nota: Produo voltada para o consumo interno.
(1) Parte da produo exportada.

3.1.2 Sri e Geogrfica

Tabela 1 - Pases mais populosos do mundo 1999
Pases Popul ao (em milhes)
China 1.280
ndia 1.010
EUA 275
Indonsia 225
Brasil 170
Fonte: IBGE

3.1.3 Sri e Especfi ca

Tabela 1 Avicultura Brasileira Ano 1992
Espcies Nmero (em milhes)
Galinhas 204.160
Galos, Frangos (as) e pintos 435.465
Codornas 2.488
Fonte: IBGE

Observao: Podemos ter tabelas de dupla entradas, isto , conjugando duas sries
em uma tabela s.

16
Exemplo

Tabela 1 Produo Brasileira de ao Bruto 1991-1993
Processos
Quantidade
(1.000 ton)
1991 1992 1993
Oxignio Bsico 17.934 18.849 19.698
Forno Eltrico 4.274 4.637 5.065
EOF(Energy Optmized Furnace) 409 448 444
Fonte: Instituto Brasileiro de Siderurgia.

3.2 Distribui o de Frequncia
Neste tipo de srie estatstica o tempo, o local e o fenmeno permanecem
fixos. O fenmeno considerado uma varivel qualitativa ou quantitativa (discreta ou
contnua) e seus valores so descritos considerando o nmero de vezes que
ocorreram na serie (frequncia). Vejamos algumas definies importantes:

1) Tabela primitiva ou dados brutos: E uma tabela ou relao de elementos que
no foram numericamente organizados. difcil formarmos uma idia exata do
comportamento do grupo como um todo a partir de dados no ordenados.

2) Rol de dados: So os dados brutos ordenados de forma crescente. Os dados
podem estar agrupados por frequncia ou classe.

3) Frequncia simples absoluta ( f
i
): o nmero de ocorrncias ou repeties de
um valor individual ou um intervalo de valores.

4) Frequncia simpl es relativa ( f
ri
) : a razo entre a frequncia simples absoluta
e o numero total de dados (soma de todas as frequncias simples absolutas).

5) Frequncia Acumulada: a soma da frequncia da classe e de todas as classes
que a antecedem. Elas podem ser Relativas(F
ri
) ou Absolutas (F
i
)

Exemplos

Dados agrupados em frequncia Dados agrupados em classe
1

X={1,2,2,2,3,3,4,4,5,7}

Xi f
i
Classe f
i
Notao
1 1 0 | 2 1 a| b a s x <b
2 3 2 | 4 5 a | b a <x s b
3 2 4 | 6 3 a| | b a s x s b
4 2 6 | 8 1 a b a <x <b
5 1 10
7 1
10

1
Apesar de no haver uma regra universalmente aceita, utiliza-se o critrio de intervalos constantes
de classe. Neste exemplo, o intervalo (amplitude) constante e igual a 2.

17
Absoluta Relativa
Xi f
i
F
i
Xi f
ri
F
ri

1 1 1 1 0,10 0,10
2 3 4 2 0,30 0,40
3 2 6 3 0,20 0,60
4 2 8 4 0,20 0,80
5 1 9 5 0,10 0,90
7 1 10 7 0,10 1,00
10 1,0

1. Amplitude Total (AT): e a diferena entre o limite superior da ltima classe (Lmx)
e o limite inferior da primeira classe (Lmin)
2. Classe: cada um dos intervalos em que se subdivide a amplitude total
3. Limite superior (Ls): o valor superior da classe.
4. Limite inferior (Li): o valor inferior da classe.
5. Amplitude do intervalo de classe (hi): e o comprimento da classe, definida como a
diferena entre o limite superior e inferior da classe.
6. Ponto Mdio da Classe( X
i
) o ponto mdio da classe, definido por: X
l l
i
s i
=
+
2

7. Nmero de classes (i) e amplitude do intervalo de classes (hi): No existem regras
gerais, universalmente aceitas, para a determinao do numero de classes. Existem,
no entanto, algumas regras que do idia aproximada do nmero de classes em
funo do numero de dados. Um dos mtodos utilizado e chamado de regra de
Sturges ou regra do logaritmo. Ele estabelece que:

n Log i + ~ 3 . 3 1

Onde: i o numero de classes e n o numero de dados.
Uma vez encontrado o numero de classes, determina-se a amplitude do
intervalo de classes atravs da formula:

i
AT
h =

Obs.:
1) A verdade que essas frmulas no nos levam a uma deciso final; esta
vai depender, na realidade, de um julgamento pessoal, que deve estar ligado
natureza dos dados, da unidade usada para express-los e, ainda, do objetivo que
se tem em vista, procurando, sempre que possvel, evitar classe com frequncia
nula ou com frequncia relativa.
2) As classes podero ter amplitudes diferentes

Exerccios
1) A tabela abaixo representa os salrios de 100 empregados de uma empresa.
Determinar:
a) Quantos operrios ganham at dois salrios mnimos exclusive?
b) Quantos operrios ganham at 4 salrios mnimos exclusive?
c) Qual a porcentagem de operrios com salrios entre 6 e 8 salrios mnimos?
d) Qual a porcentagem de operrios com salrio inferior a 6 salrios mnimos?

18
N de salrios
mnimos

N de operrios
(fi)
0 |- 2 40
2 |- 4 30
4 |- 6 10
6 |- 8 15
8 |- 10 5
Total 100

Respostas: a) 40 b) 70 c) 15% d) 80%

2) Complete a tabela a seguir:

Classes

fi X
i
(ponto mdio) F
i
f
ri
F
ri
150 | 154 4
154 | 158 9
158 | 162 11
162 | 166 8
166 | 170 5
170 | 174 3
Total 40

3.3 Representao Grfica de uma Distribuio

3.3.1 Histograma e Polgono de Frequncia
Considere a seguinte distribuio de frequncia:

X
i
f
i

5 0
15 2
25 3
35 5
45 3
55 2
65 0
15

Podemos associar a cada valor de x
i
o seu correspondente ponto no eixo das
abscissas e sua frequncia (absoluta ou relativa) ao eixo das coordenadas. Teremos
ento:

19
f Polgono de frequncia ou Curva de frequncia

5

3

2

| | | | | | |
5 15 25 35 45 55 65 x

Pode-se fazer uma alterao na distribuio de frequncia, adotando-se
classes, da seguinte forma:

x
i
f
i
F
i
0 | 10 0 0
10 | 20 2 2
20 | 30 3 5
30 | 40 5 10
40 | 50 3 13
50 | 60 2 15
60 | 70 0 15
15

Podemos agora construir um novo desenho, composto por retngulos tais
que:
(1) As bases dos retngulos estejam centradas nos pontos mdios das classes;
(2) As alturas dos retngulos sejam iguais ou proporcionais s frequncias das
respectivas classes.

Teremos ento o Histograma que formado por um conjunto de retngulos
justapostos cujas bases se localizam sobre o eixo horizontal, de tal modo que seus
pontos mdios coincidam com os pontos mdios dos intervalos de classe

f

5

3

2

| | | | | | |
5 15 25 35 45 55 65 x

20
Unindo os dois desenhos, teremos:

f

5

3

2

| | | | | | |
5 15 25 35 45 55 65 x
Notas
- No caso polgono de frequncia, pode-se calcular a rea total como uma
sucesso de somas de reas de tringulos e trapzios. A rea do histograma a
soma das reas dos retngulos delimitados.
- A rea do histograma igual rea do polgono de frequncia.
- Podemos tambm traar o polgono de frequncia acumulada (Grfico
chamado de Ogiva)

F
15

13
10

5
2

| | | | | | |
0 10 20 30 40 50 60 70 x

3.3.2 Ramos e Folhas

uma outra forma de representao do conjunto de valores da distribuio. A
vantagem deste diagrama sobre o histograma que no perdemos (ou perdemos
pouca) informao sobre os valores.
Exemplo:

Tomemos agora um conjunto de dados coletados atravs de pesquisa feita
junto a 60 estudantes. As variveis coletadas so: Sexo (1 - masculino; 2 - feminino),
Idade (nmero de anos completos), Altura em cm, Peso em Kg, Fumante (1 - sim;
2 - no), Pulsao (nmero de batimentos cardacos por minuto), Irmos (nmero de
irmos), Renda (renda total da famlia nuclear em R$) e Esporte (1 - sim; 2 - no;
3 - periodicamente)

21
Tabela T-1: Diversas Informaes sobre uma amostra de alunos

N Sexo Idade Peso Altura Fumante Pulsao Irmos Renda Esporte Idade * Altura *
1 2 19 69 167 2 97 2 2.377 2 -0,5334 -0,5260
2 2 28 85 176 2 88 4 1.729 2 0,6470 0,0819
3 1 19 80 177 2 69 2 3.515 3 -0,5334 0,1688
4 1 20 70 184 2 67 1 2.924 2 -0,4022 0,6030
5 2 18 60 170 2 83 2 1.248 2 -0,6645 -0,3523
6 2 17 60 164 2 77 3 2.279 3 -0,7957 -0,6996
7 1 18 86 196 2 66 0 4.020 1 -0,6645 1,3845
8 2 48 78 167 2 60 4 1.507 2 3,2702 -0,5260
9 2 19 92 179 2 78 1 1.763 2 -0,5334 0,2990
10 2 17 49 142 1 73 2 3.556 2 -0,7957 -2,1922
11 2 35 60 164 2 10 2 2.027 2 1,5652 -0,6996
12 2 18 80 167 1 67 3 2.539 1 -0,6645 -0,5260
13 1 19 75 188 2 55 0 3.760 1 -0,5334 0,8635
14 2 28 82 175 1 72 2 1.855 2 0,6470 -0,0049
15 2 24 55 163 1 82 2 1.327 2 0,1224 -0,7865
16 2 30 54 164 2 70 2 2.619 2 0,9094 -0,6996
17 1 21 87 179 2 47 2 3.665 1 -0,2711 0,2699
18 1 19 91 177 1 63 3 1.100 1 -0,5334 0,1688
19 1 19 78 177 1 52 1 1.465 3 -0,5334 0,1688
20 1 24 79 177 2 55 4 2.410 3 0,1224 0,1688
21 2 22 46 113 2 67 2 3.451 3 -0,1399 -4,1220
22 1 21 83 180 2 75 2 2.414 3 -0,2711 0,3424
23 1 19 79 180 2 76 3 2.613 2 -0,5334 0,3424
24 2 19 45 157 2 60 0 2.525 1 -0,5334 -1,2207
25 1 20 89 180 2 84 2 3.886 1 -0,4022 0,3424
26 1 30 95 191 2 40 2 3.826 1 0,9094 1,0372
27 1 33 105 193 2 64 3 3.194 3 1,3028 1,2108
28 1 19 79 176 2 72 3 4.117 2 -0,5334 0,0703
29 1 18 87 183 2 72 0 3.546 2 -0,6645 0,5161
30 1 20 91 183 2 75 2 2.580 3 -0,4022 0,5161
31 2 18 99 198 2 80 2 3.800 2 -0,6645 1,5582
32 1 20 90 177 2 63 2 2.870 3 -0,4022 0,1688
33 1 50 109 188 2 72 2 3.580 2 3,5325 0,8635
34 2 20 56 168 2 90 0 3.595 2 -0,4022 -0,4621
35 1 18 71 174 1 70 1 2.226 2 -0,6645 -0,0628
36 2 18 65 163 2 100 1 2.156 3 -0,6645 -0,7948
37 2 18 67 162 2 69 3 3.595 2 -0,6645 -0,8614
38 1 22 91 176 2 64 2 3.011 3 -0,1399 0,0703
39 2 21 53 163 2 80 2 3.560 3 -0,2711 -0,7948
40 1 41 94 186 2 60 3 2.889 3 2,3521 0,7357
41 1 18 79 177 1 66 4 1.315 3 -0,6645 0,1688
42 1 21 87 175 1 78 2 2.789 1 -0,2711 0,0037
43 2 17 51 156 2 60 1 2.217 2 -0,7957 -1,2606
44 2 40 71 164 1 68 2 3.735 1 2,2209 -0,7283
45 1 19 88 189 2 72 0 1.163 3 -0,5334 0,9354
46 1 19 85 180 2 60 1 2.156 2 -0,5334 0,3424
47 2 28 82 175 1 88 2 3.270 3 0,6470 0,0037
48 2 28 58 165 2 58 1 2.088 2 0,6470 -0,6617
49 2 19 64 163 2 88 2 3.340 2 -0,5334 -0,7948
50 2 41 62 162 2 80 4 3.040 2 2,3521 -0,8614
51 1 18 96 185 2 61 1 1.482 1 -0,6645 0,6898
52 1 18 97 190 2 67 3 2.657 3 -0,6645 1,0019
53 1 21 91 184 1 60 4 4.076 3 -0,2711 0,6026
54 1 18 105 216 2 80 0 3.675 2 -0,6645 2,7321
55 1 22 81 180 1 60 3 3.930 2 -0,1399 0,3424
56 2 22 82 180 2 80 2 1.240 3 -0,1399 0,3424
57 1 21 77 186 1 68 2 2.920 3 -0,2711 0,7357
58 2 26 49 155 2 78 1 3.248 2 0,3847 -1,3272
59 1 21 91 185 2 54 1 1.990 3 -0,2711 0,6692
60 1 20 56 125 2 81 4 3.610 2 -0,4022 -3,3235

22
No existe uma regra fixa para construir o ramo-e-folhas, mas a idia bsica
dividir cada observao em duas partes: a primeira (o ramo) colocada esquerda
de uma linha vertical, a segunda (a folha) colocada direita. Assim para altura
teremos:
Ramos-e-folhas para a varivel Altura na tabela T-1

11
3
12
5
13
0
14
2
15
5 6 7
16
2 2 3 3 3 3 4 4 4 4 5 7 7 7 8
17 0 4 5 5 5 6 6 6 7 7 7 7 7 7 9 9
18
0 0 0 0 0 0 3 3 4 4 5 5 6 6 8 8 9
19
0 1 3 6 8
20

21
6

Uma alternativa seria duplicarmos os ramos, isto , criamos o primeiro ramo
11(0 at 4) e o segundo ramos(5 at 9) e assim sucessivamente. Mesmo que o ramo
no tenha representante com folha dever ser representado e suas folhas ficaro
vazias.

11
3
11
12

12
5
14
2
14
15

15
5 6 7
16
2 2 3 3 3 3 4 4 4 4
16
5 7 7 7 8
17 0 4
17
5 5 5 6 6 6 7 7 7 7 7 7 9 9
18
0 0 0 0 0 0 3 3 4 4
18
5 5 6 6 8 8 9
19
0 1 3
19 6 8
20
20

21

21
6

3.3.3 Box Plot
Uma boa forma para se visualizar eventuais problemas em um conjunto de
dados amostrais consiste na anlise do Diagrama de caixa (Boxplots)
2
, como por
exemplo, quais so os dados discrepantes. Um dado discrepante dentro de um
conjunto de dados ser uma observao (ou um conjunto de observaes) que
parece inconsistente com as demais do conjunto. Esses dados discrepantes so
denominados dados aberrantes, extremos, atpicos ou outliers.

2
Tambm chamado de desenho esquemtico ou caixa de bigodes.

23
Diversos softwares estatsticos tm rotinas especficas para fazer esses
diagramas. Basicamente, esse diagrama composto por uma linha que contm uma
caixa delimitada por 3 pontos: o primeiro quartil, a mediana, o terceiro quartil. Fora
da caixa e dentro de uma mesma escala portanto no mesmo segmento de reta ,
plotam-se dois outros pontos: o valor do limite inferior (L
i
) e o valor do limite superior
(L
s
). Podemos sinteticamente representar trs distintas situaes com os respectivos
diagramas em caixa:

Os valores de L
i
e L
s
so definidos a partir dos valores dos quartis. Definem-se L
i

e L
s
por:
) d ( 5 , 1 Q ) Q Q ).( 5 , 1 ( Q Ls
) d ( 5 , 1 Q ) Q Q ).( 5 , 1 ( Q Li
q 3 1 3 3
q 1 1 3 1
+ = + =
= =

Os valores de CE
s
e CE
i
so definidos a partir dos quartis, sendo Cerca
Externa Superior e Cerca Interna Inferior respectivamente. Todos os pontos acima
das cercas sero considerados extremos. E os pontos entre o L
i
e a CE
i
e entre o
L
s
e o CE
s
sero considerados outliers.
onde d
q
=Q
3
Q
1
chamado de distncia ou intervalo interquartil.

Caso houvesse valores que excedessem os limites (inferior e superior) esses
seriam indicados por pontos e chamados de pontos exteri ores. Essas observaes
so destoantes das demais e podem ser chamados de outliers ou extremos. Os
outliers so representados por o e se encontram entre 1,5d
q
e 3d
q
do Q
3
. Os
pontos extremos so representados por * e se encontram acima de 3d
q
do Q
3
.

Apesar de, inicialmente, parecerem arbitrrios, os valores de L
i
=Q
1
1.5d
q
e
L
s
=Q
3
+1.5 d
q
decorrem da distribuio Normal reduzida. Veremos mais sobre esta
distribuio. Por enquanto, podemos afirmar com base nesta distribuio, que a
probabilidade de um nmero estar entre Li e Ls 0,99286
6
e a rea externa aos limites,
apenas 0,00714, ou seja a chance de ocorrer um valor fora do intervalo de apenas
0,714% (menos de um caso a cada cem).

PASSOS PARA A CONSTRUO DE UM BOXPLOT:

1) Construir o retngulo formado pelos quartis.

2) Calcular Li e Ls e represent-las no grfico em linha tracejada (cercas internas).

3) Trace uma linha da parte inferior do retngulo para baixo, at a observao mais
remota que no seja menor do que Li (1 observao > a Li).

6
Caso fosse 2dq (ao invs do 1,5dq), os limites seriam 3,3725 e 3,3725, compreendendo 0,99926 e,
portanto, a chance de ocorrncia de valores fora dos limites seria 0,074% (menos de 1 caso a cada
mil).

24

4) Trace uma linha da parte superior do retngulo para cima at a observao mais
remota que no exceda Ls (1 observao s Ls).

OBS: As observaes entre Li e Ls ou iguais a Li e Ls so chamadas de pontos
interiores. As observaes acima de Ls e abaixo de Li so chamadas de pontos
exteriores. Os pontos exteriores podem ser outliers ou extremos. Para identific-los,
preciso calcular as cercas externas:
CEs =Q
3
+3D
q
=Q
3
+3(Q
3
Q
1
) Cerca Externa Superior.
CEi =Q
1
3D
q
=Q
3
3(Q
3
Q
1
) Cerca Externa Inferior.

5) Os pontos exteriores da parte de cima do boxplot sero classificados como
extremo se for maior do que CEs. Caso haja algum ponto maior que Ls e menor ou
igual a CEs, este ponto ser outlier.

6) Os pontos exteriores da parte inferior do boxplot sero classificados como
extremo se for menor do que CEi. Caso haja algum ponto maior ou igual a CEi e
menor do que Li, este ponto ser outlier.

Exemplo
Considere o conjunto de dados apresentados na Tabela T-1. Tomemos a
srie de idade dos alunos da amostra que esto apresentados na tabela de
frequncia a seguir:
Tabela de frequncia da T-1
IDADE DOS ALUNOS f
i
F
i
f
ri
F
ri
17 3 3 0,05 0,05
18 12 15 0,20 0,25
19 12 27 0,20 0,45
20 6 33 0,10 0,55
21 7 40 0,11 0,66
22 4 44 0,07 0,73
24 2 46 0,03 0,77
26 1 47 0,02 0,78
28 4 51 0,07 0,85
30 2 53 0,03 0,88
33 1 54 0,02 0,90
35 1 55 0,02 0,92
40 1 56 0,02 0,93
41 2 58 0,03 0,97
48 1 59 0,02 0,98
50 1 60 0,01 1,00
Soma 60 1,00

1) Cl culo dos Quarti s
Como n par =60
5 , 18
2
19 18
5 , 15
2
1
4
1 60
1 1
=
+
= = +
= Q PQ

20 5 , 30
2
1
4
2 60
2 2
= = +
= Q PQ
ver na frequncia acumulada da tabela
24 5 , 45
2
1
4
3 60
3 3
= = +
= Q PQ ver na frequncia acumulada da tabela

25
2) Cl culo do L
s
e L
i

( ) 3 , 32 5 , 18 24 5 , 1 24 ) ( 5 , 1 ) .( 5 , 1
3 1 3 3
= + = + = + =
q
d Q Q Q Q Ls
( ) 25 , 10 5 , 18 24 5 , 1 5 , 18 ) ( 5 , 1 ) .( 5 , 1
1 1 3 1
= = = =
q
d Q Q Q Q Li

3) Cl culo das Cercas

( )
( ) 2 5 , 18 24 3 5 , 18 ) ( 3 3
5 , 40 5 , 18 24 3 24 ) ( 3 3
1 3 3 1
1 3 3 3
= + = = =
= + = + = + =
Q Q Q D Q CEi
Q Q Q D Q CEs
q
q

4) Desenho do Boxplot

IDADE
60
50
40
30
20
10

Parece evidente que as idades 33, 35, 40, 41, 48 e 50 so pontos exteriores
na amostra. O grfico a seguir apresenta a distribuio de frequncia por idade,
alm de informaes sobre mdia e mediana. Observe a ntida concentrao do
conjunto de dados.

Resumo descritivo das idades da Tabela T- 1
Coluna1

Mdia 23,06667
Erro padro 0,984302
Mediana 20
Modo 19
Desvio padro 7,624374
Varincia da amostra 58,13107
Mnimo 17
Mximo 50

Atravs dela (Tabela de frequncia da T-1), nota-se que entre 17 e 33 anos
concentram-se 90% dos casos e no intervalo posterior 34 a 50 anos, apenas 10%
das observaes, revelando uma concentrao bastante expressiva nas faixas
Idade
0
5
10
15
17 18 19 20 21 22 24 26 28 30 33 35 40 41 48 50
Mediana Media

26
etrias mais jovens. Adicionalmente, pode-se fazer um transformao na varivel
idade, normalizando-a atravs da expresso
|
|
.
|
\
|
X X
i , expressando em termos de
distncia em relao mdia em termos de desvio-padro.

Essa transformao est expressa na ltima coluna da tabela T-1. Observe
que, enquanto a idade mnima (17 anos) se afasta (negativamente) apenas 0,796
desvios-padres da mdia, o valor mximo (50 anos) se afasta (positivamente) 3,53
desvios-padres.

Elimi nao dos Pontos exteriores
Muito embora no haja consenso sobre o limite de corte, muitos estudiosos
consideram adequado delimitar a amostra a um intervalo (-uo; uo). O problema,
obviamente reside no valor de u. Usualmente so adotados valores de |u| >3,5,
sendo admitidos em alguns casos |u| >3,0.

Exemplo: Varivel Idade
Adotando os dois valores de corte, teramos os seguintes resultados:

a) Para |u| >3,5 eliminaramos a idade =50 anos onde se afasta 3,53 positivamente.
- Mdia =22,61
- Mnimo: 17; L
i
=10,7
- Mximo: 48; L
s
=30,72
- Mediana =20
- 1 Quartil =18,25
- 3 Quartil =23,25
- DP =6,8128

b) Para |u| > 3,0 eliminaramos a idade = 48 anos onde se afasta 3,2702
positivamente
- Mdia =22,1
- Mnimo:17; L
i
=12
- Mximo: 41; L
s
=28
- Mediana =20
- 1 Quartil =18
- 3 Quartil =22
- DP =5,97
IDADE1
60
50
40
30
20
10

27

A excluso de uma ou duas observaes torna a distribuio menos
assimtrica, o que pode ser facilmente observado pelo diagrama em caixa. H
mudanas tambm na mdia e no desvio-padro.

Resumo: Em geral, para amostras maiores (n > 100), esse procedimento de
eliminao de observaes deve considerar intervalos de corte mais amplos, tais
como (-3,5o; +3,5o) ou (-4o; +4o). Deve-se notar, no entanto que a adoo de
eliminao de observaes deve ser criteriosa e sempre que possvel baseada em
informaes a priori sobre a distribuio da populao. Para amostrar com n muito
grande usual o critrio de corte se fixar no mnimo entre (-4o e +4o) e mesmo (-5o;
+5o), nesse caso, sem necessidade de informao sobre a distribuio da
populao.

Exerccio
Para cada um dos dados a seguir, tente identificar sua distribuio original
atravs da montagem de Box-plots:

Medida Dados 1 Dados 2 Dados 3 Dados 4
1 quartil 12,977 23,828 6,25 0,214
Mediana 15 19,337 7,5 0,356
3 quartil 17,023 15,452 8,75 0,628
Mximo 24,271 45,314 10 0,965
Mnimo 5,729 5,921 5 0,043
Dados 1

LI 6,908 CEI 0,839

LS 23,092 CES 29,161

Podemos afirmar que o ponto mximo e o ponto mnimo so outliers, pois esto
compreendidos entre o LS e a Cerca Superior e entre o LI e a Cerca Inferior
respectivamente.

Dados2

LS 36,392 CES 48,956

LI 2,888 CEI -9,676

IDADE2
50
45
40
35
30
25
20
15
10

28
Podemos afirmar que o ponto mximo um outliers, pois est compreendido entre o
LS e a Cerca Superior.

Dados 3
LI 2,5 CEI -1,25

LS 12,5 CES 16,25

No h nenhum ponto exterior

Dados 4

LI -0,407 CEI -1,028

LS 0,835 CES 1,87

Podemos afirmar que o ponto mximo um outliers, pois est compreendido entre o
LS e a Cerca Superior.

3.4 Grfico Estatsticos

3.4.1 Grfico em Linha ou em Curva
So usados para representar sries temporais, principalmente quando a srie cobrir
um grande nmero de perodos de tempo.
Exemplo

Tabela 1 Produo de Soja do Pas X - 1987-1995
Anos Quantidade (1000 ton)
1987 1.147
1988 1.239
1989 1.500
1990 1.420
1991 2.433
1992 1.910
1993 1.890
1994 1.903
1995 1.764
Fonte: Fictcia

Produo de Soja do Pas X - 1987-1995
0
500
1.000
1.500
2.000
2.500
3.000
1987 1988 1989 1990 1991 1992 1993 1994 1995
Anos
Q
u
a
n
t
i
d
a
d
e
(
T
o
n
)

29
3.4.2 Grfico em Coluna ou em Barras
Em colunas

Tabela 1 - Produo de Soja do Municpio Santo Incio - 1991-1995
Anos
Quantidade
(ton.)
1991 117.579
1992 148.550
1993 175.384
1994 220.272
1995 265.626
Fonte: Secretaria Municipal de Agricultura

Pr oduo de Soja do Municpio Sant o Incio - 1991-1995
0
50.000
100.000
150.000
200.000
250.000
300.000
1991 1992 1993 1994 1995
Anos
Q
u
a
n
t
i
d
a
d
e
(
T
o
n
)

Em barras

Tabela 1 Exportaes Brasileiras - Maro - 1995
Estados Val or
(US$ mil hes)
So Paulo 1.344
Minas Gerais 542
Rio Grande do Sul 332
Esprito Santo 285
Paran 250
Santa Catarina 202
Fonte: SECEX
Exportaes Brasileiras - Maro 1995
0 200 400 600 800 1000 1200 1400 1600
Santa Catarina
Paran
Esprito Santo
Rio Grande do Sul
Minas Gerais
So Paulo
Mi lhes de Dl ares

30
Nota: Sempre que os dizeres forem longos devemos dar preferncia ao grfico de
barras (sries geogrficas e especficas)

A ordem a ser observada a cronolgica, se a srie for histrica, e a
decrescente se for geogrfica ou categrica.

3.4.3 Grfico em Setores
a representao grfica de uma srie estatstica em um crculo de raio
qualquer, pr meio de setores com ngulos centrais proporcionais s ocorrncias.
utilizado quando se pretende comparar cada valor da srie com o total.
O total da srie corresponde a 360 (total de graus de um arco de
circunferncia). O grfico em setores representa valores absolutos ou porcentagens
complementares.
Tabela 1 Rebanho Brasileiro - 1995
Rebanho Quantidade (1000)
Bovino 400.000.000
Ovino 120.000.000
Suno 3.100.000
Equino 150.000
Total 523.250.000
Fonte: Fictcia

Rebanho Brasileiro - 1995
58%
17%
14%
11%
Bovino
Ovino
Suno
Equino

3.4.4 Pictogramas

um dos grficos que melhor fala ao pblico, pela sua forma e ao mesmo
tempo atraente e sugestiva. A representao consta de figuras.

Folha de So Paulo, setembro, 1994.

31

Veja, 10 de outubro de 1992.

4. Medidas de Posio

As medidas de posio so divididas em dois grandes grupos:
- Medidas de Tendncia central e Separatrizes - so valores tpicos ou
representativo de um conjunto de dados.
- Medidas de Disperso - medem o grau de disperso dos dados. Medem o
quanto eles se afastam em torno de um valor mdio.

Cada uma delas se divide em vrios tipos, como veremos a seguir:
MDIA
MEDIDAS DE TENDNCIA CENTRAL MEDIANA
MODA
MEDIANA
SEPARATRIZES DECIL
QUARTIL
PERCENTIL
AMPLITUDE TOTAL
DESVIO MDIO
MEDIDAS DE DISPERSO VARINCIA
DESVIO-PADRO
COEFICIENTE DE VARIAO

4.1 Medidas de Tendncia Central
Para melhor resumir um conjunto de nmeros, preciso escolher um nico valor
que represente todos os outros nmeros do conjunto. Existem vrias medidas que
podem resumir os dados. Estas medidas so chamadas de medidas de tendncia
central:

4.1.1 Mdia Aritmtica

Dados x
1
, x
2
, x
3
, x
4
,..., x
n

n
x
n
x ... x x
X
i n 2 1

=
+ + +
=

Exemplos

32
(a) Para dado Bruto: X =2,3,2,3,5
3
5
15
5
5 3 2 3 2
X = =
+ + + +
=

(b) Para dados agrupados em frequncia:
5
10
50
f
f x
X
i
i i
= =

x
i
f
i
x
i
.f
i

2 2 4
4 3 12
6 3 18
8 2 16
10

Nesse caso, a mdia aritmtica chamada de Mdia Aritmtica Ponderada, e
os pesos so os valores f
i
.
(c) Para dados agrupados em classe: 6 . 4
10
46
f
f x
X
i
i i
= =

classe f
i
x
i
x
i
.f
i

0 | 2 2 1 2
2 | 4 3 3 9
4 | 6 2 5 10
6 | 8 1 7 7
8 | 10 2 9 18
10 - 46
Importante:
Genericamente, a Mdia Aritmtica expressa por:

=
i
i i
f
f x
X . Quando fi=1
n
x
1
x
X
i i
= =

4.1.2 Mdia Geomtrica (Mg)
Medida menos afetada pelos valores extremos das observaes da srie. Muito
utilizada em taxas de crescimento. muito usada em administrao e economia para
achar taxas mdias de variao, de crescimento, ou razes mdias.
Dados x
1
, x
2
, x
3
, x
4
,..., x
n

n
n 2 1
x ... x . x Mg=

Exemplos
(a) Para dado Bruto: X =2,4,8,4 4 2 4 . 8 . 4 . 2
2 4
= = = Mg
Nesse caso, as potncias de cada valor x
i
so as frequncias (f
i
) com que eles
aparecem da distribuio. Portanto:
n fn
n
2 f
2
1 f
1
x .... x . x Mg= e
=
i
f n
x
i
f
i
x
i
fi

2 2 2
2

4 3 4
3

6 10 6
10

8 5 8
5

33
44 . 5 8 . 6 . 4 . 2
20 5 10 3 2
~ = Mg
(c) Para dados agrupados em classe:
Nesse caso, o valor de x
i
utilizado, dever ser o valor mdio da classe.
classe f
i
x
i
x
i
fi

10 | 20 2 15 15
2

20 | 30 3 25 25
3

30 | 40 3 35 35
3

40 | 50 2 45 45
2

10 -

Mg= 08 . 28 45 . 35 . 25 . 15
10 2 3 3 2
=

Exemplo: O fator de crescimento mdio para o dinheiro, composto s taxas anuais de
juro de 10%, 8%, 9%, 12% e 80% ser de:

23 , 1
5
8 . 1 12 . 1 09 . 1 08 . 1 1 . 1
211 , 1 80 . 1 12 . 1 09 . 1 08 . 1 1 . 1
___
5
=
+ + + +
=
= =
X
Mg
Podemos observar que a mdia geomtrica e
um pouco mais abaixo da aritmtica.

4.1.3 Moda (Mo)
o valor mais freqente de uma srie de dados.

(a) Para dado bruto:
Rol Moda Tipo
2,3,4,3,1 1,2,3,3,4 3 unimodal
2,3,2,4,3,5 2,2,3,3,4,5 Mo
1
=2; Mo
2
=3 bimodal
1,2,2,4,4,3,3 1,2,2,3,3,4,4 Mo
1
=2;Mo
2
=3;Mo
3
=4 trimodal
4,4,2,2,3,3 2,2,3,3,4,4 _ amodal


x
i
f
i
x
i
f
i
x
i
f
i

2 2 2 1 10 2
4 3 4 3 20 2
6 4 6 3 30 2
8 2 8 2 40 2

Mo= Mo= Mo=
Tipo= Tipo= Tipo=

34

c) Para dados agrupados em classe:

classe f
i
x
i
Fi
0 | 20 2
20 | 40 3
40 | 60 10
60 | 80 3
80 | 100 2

OBS: Para dados agrupados em classe, existem vrias frmulas de clculo da
Moda. Duas, no entanto, so as mais utilizadas.

(1) Moda Bruta: Ponto Mdio da Classe Modal
Exemplo: 40 | 60, o ponto mdio 50 e repete-se o maior nmero de vezes

(2) Moda de Pearson: Mo=3.Md 2. X - Usada s quando a distribuio for
simtrica

Exemplo ( ) 50 5 , 10
2
1 20
2
1
= =
+
=
+
= Md
n
md P observar onde a mdia est na
acumulada.
A mdia =50, logo 50 50 2 50 3 = = Mo

(3) Moda de Czuber:

( )
h
f f f
f f
l Mo
post ant Mo
ant Mo
i

+

+ =
2

Onde,

l
i
=Limite inferior da classe modal
h =amplitude da classe modal
f
ant
=Frequncia simples da classe anterior a modal
f
Mo
=Frequncia simples da classe modal
f
post
=Frequncia simples da classe posterior a modal

Exemplo
( )
( ) 50 40 60
3 3 10 2
3 10
40 =
+

+ = Mo
Obs.: Quando a classe modal for a ltima ou a primeira assumiremos o valor zero
para a frequncia simples da classe posterior ou anterior respectivamente.

4.1.4 Mediana (Md)
A mdia uma medida sensvel aos valores extremos do conjunto. Por
exemplo, considere X={1,2,2,3,5,8,10}, a mdia 4,4. Se ao invs de 10 for digitado,
erradamente, 100, a mdia vai para 17,3. Ento, quando o conjunto possui um valor
que destoa dos demais, a mdia muito afetada por este valor. Nestes casos, a
mediana o melhor nmero para representar o conjunto.
No clculo da mediana, os dados devem estar em ordem crescente e com todos
os valores repetidos tambm includos, individualmente, na lista ordenada (rol de

35
dados). A mediana o valor que divide o conjunto de dados ordenados em duas
metades, com metade dos valores acima e a metade abaixo dela.
Quando a quantidade de valores impar, a mediana o valor que ocupa a
posio central. Quando a quantidade de valores par, h duas posies centrais na
lista ordenada; ento a mediana a mdia aritmtica dos dois valores que ocupam as
posies centrais.
OBS: No confundir Mediana com Posio da Mediana dada por: ( )
2
1 +
=
n
Md P
Exemplos
(a) Para dado bruto:

Dado Bruto Rol P(Md) Mediana
4,2,3,3,2 2,2,3,3,4 3 3
2,5,4 2,4,5 2 4
2,3,4,2,4 2,2,3,4,4 3 3
5,2,4,4,3,4,2,2 2,2,2,3,4,4,4,5 4,5 3,5


Passos:
(1) Achar n
(2) Calcular F
i

(3) Calcular P(Md)
(4) Procurar P(Md) em F
i

(5) Calcular Md, se for o caso
xi fi Fi
2 2 2
4 3 5
6 4 9
8 6 15
10 5 20
20
P(Md)=21/2=10,5 Md=8

(c) Para dados agrupados em classe:
Passos para o clculo da Mediana
(1) Achar n
(2) Calcular F
i

(3) Calcular P(Md)
(4) Determinar a Classe Mediana
(5) Aplicar a seguinte frmula: h
f
F
n
l Md
i
ia
i

+ =
2

onde:
li =limite inferior da classe mediana;
n =nmero total de observaes;
F
ia
=frequncia acumulada da classe anterior da mediana
h =amplitude da classe mediana
f
i
=frequncia simples da classe mediana.

36
classe f
i
x
i
Fi
10 | 20 2 15 2
20 | 30 3 25 5
30 | 40 10 35 15
40 | 50 3 45 18
50 | 60 2 55 20
20

P(Md)=21/2=10,5 Md=30+5=35
Ou
( ) 35 30 40
10
5
2
20
30
2
=
+ =
+ = h
f
F
n
l Md
i
ia
i
Repare que deu o mesmo valor, mas
poderia ser diferente, pois aqui estamos trabalhando com uma distribuio simtrica.

4.1.5 Rel ao entre a Mdia, a Moda e a Mediana.

Para as curvas de frequncia simtricas, a moda, a mediana e a mdia so
coincidentes. Mas para as curvas de frequncia assimtricas, essas medidas no so
coincidentes. A posio relativa da mdia, da mediana e da moda esto apresentadas
nos grficos abaixo.
Simtrica

Md X Mo ~ ~
___

Mo Md Mdia Mdia Md Mo

___
X Md Mo < < Mo Md X < <
___

Assimtrica Positiva Assimtrica Negativa

Exerccios
Calcule as mdias, a moda e a mediana
a) 1,1,2,3,6,8,9 b) 20,10,1,50,8

37
c) d)

Xi fi classes fi
2 2 0 | 2 2
5 1 2 | 4 2
9 5 4 | 6 1
10 2 6 | 8 1
e) f)
Xi fi classes fi
2 2 0 | 10 2
3 1 10 | 20 3
5 1 20 | 30 5
9 5 30 | 40 6
10 2 40 | 50 1

Respostas:
a) mdia =4,3 Mo =1 Md =3
b) mdia =17,8 amodal Md =10
c) mdia =7,4 Mo =9 Md =5,5
d) mdia =3,3 Mo
1
=1 Mo
2
=3 - Bimodal Md =3
e) mdia =7,0 Mo =9 Md =9
f) mdia =25,59 Mo =35 Md =27

4.2 Separatrizes

4.2.1 Mediana
um nico valor que divide o rol de dados em duas partes iguais.
importante observar que a mediana um parmetro especial de qualquer conjunto
de dados, pois ao mesmo tempo uma medida de tendncia central e uma
separatriz.

4.2.2 Quartil
So trs valores (Q
1
, Q
2
, Q
3
) que dividem o rol (de dados) em quatro partes
iguais.

25% 50% 75%
| | | |
Q
1
Q
2
Q
3

A posio do quartil dada por:

n par
2
1
4
k n
P
k Q
+
= , k=1,2,3
n mpar
4
k k n
P
k Q
+
= , k=1,2,3
4.2.3 Decil

So nove valores que dividem o rol (de dados) em dez partes iguais.

38
10% 20% 30% 90%
| | | | | | | | | | |
D
1
D
2
D
2
D
9

A posio do decil dada por:
2
1
10
k n
P
k D
+
=
, k=1,2,...,9

4.2.4 Percentil

So 99 valores que dividem o rol (de dados) em cem partes iguais.

1% 2% 3% . . . 99%
| | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | |
P
1
P
2
P
99

A posio do percentil dada por:
2
1
100
k n
P
k P
+
=
, k=1,2,3,...,99

Observe um exemplo de utilizao das medidas separatrizes retirado de Henriques
(2000).

Tabela 1 Caractersticas da distribuio de rendimento familiar per capita no Brasil,
conforme a situao do domiclio - 1997.
Estatstica Total Situao do Domiclio
Urbana Rural
P10 25,0 35,7 13,7
P20 45,5 60,0 23,3
P25 56,7 71,4 28,0
P30 65,0 83,3 32,0
P40 90,0 113,3 41,7
P50 120,0 145,0 55,0
P60 158,3 190,0 70,0
P70 215,0 252,5 91,5
P75 255,0 300,0 107,4
P80 311,2 366,7 120,0
P90 533,3 612,5 194,0
P95 857,0 980,0 290,0
P99 2.000,0 2.200,0 733,3
Pessoas (mil) 152.270 121.258 31.012
Rendimento mdio (R$) 243,7 281,4 96,4
Fonte: IBGE, PNAD 1997

39
Tabela 2 N de pessoas, rendimento mdio e percentis da distribuio do
rendimento familiar per capita em seis regies do Brasil - 1997.

N de
pessoas
Rend.
Mdio
Percentil
(mil) (R$) P10 P25 P50 P75 P90 P95 P99
Norte 7.493 180,5 24 45 90 181 383 613 1.500
Nordeste 44.095 128,1 15 30 60 120 255 450 1.250
MG+ES+RJ 32.723 262,2 36 68 132 267 552 897 2.181
SP 33.894 366,4 61 117 213 400 785 1.200 2.500
Sul 23.437 268,5 40 76 150 295 583 875 2.000
C-O 10.629 264,7 37 67 125 258 562 975 2.250
Total 152.270 243,7 57 57 120 255 533 857 2.000
Fonte: IBGE, PNAD 1997

Exemplo: Calcular a mediana, os trs quartis, o 2 e 7 decis

(a) Rol: {2 ,2 ,3 ,3 ,4 ,6 ,6 ,6 ,7 ,9 }

5
2
6 4
5 . 5
2
11
2
1
4
2 10
2
1
4
2
3 3
4
12
2
1
4
1 10
2
1
4
1
5
2
6 4
5 . 5
2
1 10
2
1
2 2
1 1
=
+
= = = +
= +
=
= = = +
= +
=
=
+
= =
+
=
+
=
Q
n
P
Q
n
P
Md
n
P
Q
Q
d M

6
2
6 6
5 . 7
2
1
10
7 10
2
1
10
7
5 . 2
2
3 2
5 . 2
2
1
10
2 10
2
1
10
2
6 8
2
16
2
1
4
3 10
2
1
4
3
7 7
2 2
3 3
=
+
= = +
= +
=
=
+
= = +
= +
=
= = = +
= +
=
D
n
P
D
n
P
Q
n
P
D
D
Q


x
i
f
i
F
i

1 5 5
2 8 13
4 27 40
6 30 70
8 20 90
10 10 100
100 -
6 5 . 50
2
1
4
2 100
2
1
4
2
4 5 . 25
2
1
4
1 100
2
1
4
1
6 5 . 50
2
1 100
2
1
2 2
1 1
= = +
= +
=
= = +
= +
=
= =
+
=
+
=
Q
n
P
Q
n
P
Md
n
P
Q
Q
d M

40
] [lim 7
2
8 6
5 . 70
2
1
10
7 100
2
1
10
7
4 5 . 20
2
1
10
2 100
2
1
10
2
8 5 . 75
2
1
4
3 100
2
1
4
3
7 7
2 2
3 3
faixa de ite D
n
P
D
n
P
Q
n
P
D
D
Q
=
+
= = +
= +
=
= = +
= +
=
= = +
= +
=

c) Para dados agrupados em Classe

fi
h Fa
100
k . n
li ) P ( Percentil
fi
h Fa
10
k . n
li ) D ( Decil
fi
h Fa
4
k . n
li ) Q ( Quartil
fi
h Fa
2
k . n
li ) Md ( Mediana
k
k
k
|
.
|
\
|

+ =
|
.
|
\
|

+ =
|
.
|
\
|

+ =
|
.
|
\
|

+ =

Exemplo

Calcular a mediana, o 3 quartil, o 6 decil:

x
i
f
i
F
i

0 | 10 8 8
10 | 20 12 20
20 | 30 40 60
30 | 40 20 80
40 | 50 20 100
100 -

30 0 30
20
10 . 60
10
6 100
30 5 . 60
2
1
10
6 100
5 . 37 5 . 7 30
20
10 . 60
4
3 100
30 5 . 75
2
1
4
3 100
5 . 27
40
10 ). 20 50 (
20
40
10 20
2
100
20 5 . 50
2
1 100
6 6
3 3
= + =
|
.
|
\
|

+ = = +
=
= + =
|
.
|
\
|

+ = = +
=
=
+ =
|
.
|
\
|

+ = =
+
=
D P
Q P
Me P
D
Q
d M

Exerccios
1) Calcule o 1 quartil e o 7 decil nos itens a),b),c) e o 3 quartil e o 1 decil nos
itens d),e),f).
a) 2,2,3,3,3,5,6,8,8,10 d)1,1,2,2,3,3,4,4,4,6,8,10,11,12,13,14,15,16,17,18

Onde:
n =nmero de observaes
l
i
=limite inferior da classe
Fa =frequncia acumulada da faixa anterior
H =amplitude da classe
f
i
=frequncia da classe

41
b) e)
Xi fi Xi fi
2 2 10 4
3 6 20 6
4 3 30 6
5 3 40 2
10 6 50 2

c) f)
classes fi classes fi
0 | 2 1 0 | 10 6
2 | 4 2 10 | 20 6
4 | 6 5 20 | 30 9
6 | 8 7 30 | 40 9
8 | 10 5

Respostas:
a) Q1 =3 D7 =7
b) Q1 =3 D7 =7,5
c) Q1=4,8 D7 =7,71
d) Q3 =13,5 D1 =1,5
e) Q3 =30 D1 =10
f) Q3 =31,67 D1 =5,0

5. Medidas de Disperso
um nmero para mostrar a variabilidade. A anlise completa dos dados
requer no apenas o clculo de medidas de posio, mas tambm o clculo de
medidas que mostram a variabilidade dos dados.

5.1 Amplitude Total
a diferena entre o maior e o menor valor de um conjunto de dados.

AT=MAX MIN

Exemplo: Considere a produo diria de peas de dois empregados A e B:
A: 70 71 69 70 70
B: 60 80 70 60 83

X
A
=70 varia de 69 a 71 AT
A
=2
X
B
=71 varia de 60 a 83 AT
B
=23

Concluso: Apesar do empregado B produzir, em mdia, uma pea a mais do que o
empregado A, a produo do empregado A mais uniforme.

5.2 Desvio Mdio
expresso pela soma dos mdulos das diferenas entre os elementos da srie
e a mdia, dividido pelo nmero de elementos da srie.

Exemplo: {x
1
, x
2
, x
3
, x
4
}

42
DM
x x x x x x x x
=
+ + + | | | | | | | |
1 2 3 4
4

Genericamente: DM
x x
n
i
i
n
=

=
| |
1

Para dados agrupados em frequncia ou em classe:

=
fi
f | x x |
DM
i i

5.3 Varincia(
2
)
a soma dos quadrados das diferenas em relao mdia, dividida pelo
nmero de elementos da srie.

Exemplo: {x
1
, x
2
, x
3
, x
4
}
VAR
x x x x x x x x
=
+ + + ( ) ( ) ( ) ( )
1
2
2
2
3
2
4
2
4

Genericamente
n
x x
VAR
n
i
i
=
|
.
|
\
|

=
1
2
__


=
i
i
2
i
f
f ) x x (
VAR
5.4 Desvio- Padro()
a raiz quadrada da varincia.

Exemplo: {x
1
, x
2
, x
3
, x
4
}
DP
x x x x x x x x
=
+ + + ( ) ( ) ( ) ( )
1
2
2
2
3
2
4
2
4

Genericamente
n
) x x (
VAR DP
2
i

= =


= =
i
i
2
i
f
f ) x x (
VAR DP
5.5 Coeficiente de Variao
uma medida de disperso relativa (adimensional) da variao de uma srie e
expressa pela razo entre o Desvio-Padro e a Mdia.

CV
DP
x
=
Notas:
- As duas principais medidas de disperso so VARINCIA e DESVIO-PADRO.
- Na comparao da disperso de duas sries X e Y, se ambas tiverem a mesma
unidade e
B A
X X ~ , pode-se comparar o desvio-padro de X e Y. Se ambas
tiverem a mesma unidade e
B A
X X = , o coeficiente de variao a medida de

43

disperso mais reveladora. O CV indicado tambm quando X e Y possuem
diferentes unidades de medida.
- Uma forma de anlise

Pequena disperso: CV s 10%
Mdia disperso: 10% < CV < 20%
Grande disperso: CV > 20%

Baixa disperso: CV s 15%
Mdia disperso: 15% < CV < 30%
Grande disperso: CV > 30%

5.6 Coeficiente de Assimetria de Pearson
O coeficiente de assimetria de Pearson mede o afastamento da assimetria
expressando a diferena entre a mdia e a mediana em relao com o desvio padro
do grupo de medidas.
Assimetria da Populao:
( )
Med
As

=
3

Assimetria da Amostra:
S
Med X
As
|
.
|
\
|

=
___
3

Para uma distribuio simtrica, o valor do coeficiente de assimetria ser
sempre igual a zero, porque a mdia e a mediana so iguais em valor. Para uma
distribuio positivamente assimtrica, a mdia sempre maior que a mediana; em
consequncia, o valor do coeficiente de Pearson positivo, e vice-versa caso contrrio.

Anlise do coeficiente:
| AS | > 1 Assimetria Forte
0,15 <| AS | <1 Assimetria Moderada
| AS | s 0,15 Assimetria Fraca

AS =0 Simtrica
AS <0 Assimtrica Negativa
AS >0 Assimtrica Positiva
Obs.: Algumas bibliografias trazem a seguinte frmula
S
Mo X
As
|
.
|
\
|

=
___
, isto , usa-se a
moda para o clculo do coeficiente de pearson. Damos preferncia a essa quando h
uma fraca assimetria na distribuio

Exerccios
1) Calcule as mdias aritmtica e geomtrica para:

a) 50,51,52,54,55 b) 1,3,2,4,6,4

c) x
i
f
i
d) x
i
f
i

2 2 2 6
5 1 3 4
9 5 4 2
10 2 6 2
8 1

44
e) classe f
i
f) classe f
i

0 | 2 2 0 | 10 2
2 | 4 2 10 | 20 1
4 | 6 1 20 | 30 3
6 | 8 1 30 | 40 1

2) Calcule a mediana e a moda para:

a) 1,2,2,2,3,4,4,2 b) 1/2, 1/3, 1/5, 1/7, 1/2

c) x
i
f
i
d) x
i
f
i

2 3 2 1
4 5 4 2
6 10 6 3
8 2 8 3
10 5 10 2

e) classe f
i
f) classe f
i

10 | 20 3 0 | 100 2
20 | 30 4 100 | 200 3
30 | 40 8 200 | 300 4
40 | 50 4 300 | 400 3

3) Segundo informaes de rgos oficiais, a inflao (medida pelo IGP) brasileira
teve o seguinte comportamento ao longo da dcada de 80:
1981 - 95.1 1984 - 223.8 1987 - 415.8 1990 - 1476.6
1982 - 99.8 1985 - 235.1 1988 - 1037.6
1983 - 211.0 1986 - 65.0 1989 - 1782.9
Calcule, para os anos de 1986 a 1990, as mdias aritmtica e geomtrica. Plote os
nmeros originais e tambm os valores obtidos das mdias. Qual a medida de
tendncia central que melhor representa a inflao brasileira do perodo?

4) Em dois pases, fontes oficiais divulgaram os seguintes resultados sobre renda
familiar, em mil $:
Classes de Renda % de Famlias
Familiar anual Pas A Pas B
0 |-- 10 12,6 8,4
10 |-- 20 18,8 10,2
20 |-- 30 16,5 12,4
30 |-- 40 14,2 14,6
40 |-- 50 12,6 15,4
50 |-- 60 10,5 18,0
60 |-- 70 14,8 21,0

Faa o histograma, representando os dois pases. Calcule o desvio padro da renda.

5) Calcule a amplitude total, o desvio-mdio, a varincia e o desvio-padro:

a) 2,3,4,5,5,4,3,2
b) 10,12,14,16,16,18,20

45
6) Calcule a varincia e o desvio-padro:

a) x
i
f
i
b) x
i
f
i

2 1 4 20
4 2 8 40
6 3 16 42
8 2 32 64
10 2 64 64

7) Determinar a mdia, a mediana e o desvio-padro das alturas de 100 estudantes
de uma determinada universidade:

Alturas
(cm)
151 a 155 156 a 160 161 a 170 171 a 180 181 a 190
frequncia 5 18 42 27 8

8) Calcule todas as medidas de disperso

x
i
f
i

1 2
2 3
3 5
4 2
5 1

9) De acordo com os salrios semanais de uma amostra, obteve o salrio mdio de
$194,50, a mediana de $193,44 e o desvio-padro de $24,35. Calcule o coeficiente
de assimetria de Pearson e classifique a distribuio

Respostas:
1)
4 , 15 3 , 19 )
6 , 2 3 , 3 )
1 , 3 5 , 3 )
4 , 6 4 , 7 )
9 , 2 3 , 3 )
36 , 52 4 , 52 )
___
___
___
___
___
___
= =
= =
= =
= =
= =
= =
Mg X f
Mg X e
Mg X d
Mg X c
Mg X b
Mg X a

2)
250 225 )
35 13 , 33 )
8 6 6 )
6 6 )
2 / 1 3 / 1 )
2 2 )
= =
= =
= =
= =
= =
= =
Mo Md f
Mo Md e
e Mo Md d
Mo Md c
Mo Md b
Mo Md a

3)

46
8 , 593
6 , 955
=
=
Mg
X
A mdia geomtrica a estatstica mais favorvel.

4)

B pas o melhor DP
DP
B
A
32 , 19
77 , 19
=
=

5)

2 , 3 1 , 10 69 , 2 10 )
12 , 1 25 , 1 0 , 1 3 )
= = = =
= = = =
DP Var DM AT b
DP Var DM AT a

6)
35 , 22 52 , 499 )
49 , 2 24 , 6 )
= =
= =
DP Var b
DP Var a

7)
46 , 8 79 , 166 8 , 167 = = =
DP Md x
8)
40 , 0 12 , 1 25 , 1 9 , 0 4 1 5 77 , 2 = = = ~ = = =
CV DP Var DM AT x

9)
AS =0,13

6. Introduo Probabilidade

6.1 Tipos de Experimentos
Os eventos podem ser:
- Experimento Determinstico diremos que um experimento determinstico
se, repetido em condies semelhantes, conduz a resultados essencialmente
idnticos. Exemplo: a temperatura em que a gua ferve
- Experimento Probabilstico diremos que um experimento aleatrio se,
repetido em condies semelhantes, no produz sempre resultados idnticos.
Exemplo: Verificar o resultado do lanamento de um dado.

6.2 Espao Amostral
o nome do conjunto formado por todos os resultados possveis de um
experimento aleatrio. Notao: W ou O .
Exemplos:
1) Lanamento de um dado O ={1,2,3,4,5,6}
2) Lanamento de uma moeda O ={ca,co}
3) Lanamento de duas moedas O ={(ca,ca),(ca,co),(co,ca),(co,co)}

47
6.3 Eventos
Os elementos do espao amostral so chamados de eventos elementares. Os
subconjuntos do espao amostral so chamados simplesmente de eventos.
Exemplos:
1) Lanamento de um dado
2) Evento elementar: {4}sair o nmero quatro
3) Evento: {2,4,6}sair um nmero par
CASOS IMPORTANTES DE EVENTOS:
- Evento impossvel Seja A um evento. Diremos que A um evento
impossvel se AO =C. Exemplo: sair a face 8 no lanamento de um dado.
- Evento certo Seja A um evento. Diremos que A um evento certo se
AO =O. Exemplo: sair um nmero menor do que 7 no lanamento de um
dado.
6.4 Probabi lidade
A Teoria das Probabilidades o ramo da Matemtica que cria e desenvolve
modelos que podem ser usados para estudar os experimentos aleatrios.

6.4.1 Definio

Seja O um espao amostral (conjunto). Uma funo P, definida para todos os
subconjuntos de O (denominados eventos) e levando valores no intervalo [0,1]
chamada de probabilidade se:

(1) Para todo evento A, 0 s P(A) s 1 e P(C) =0 e P(O) =1
(2) P(A
c
)=1P(A) onde A
c
o complementar de A.
(3) P(AB)=P(A)+P(B)P(AB)
3

( )
( )
( ) O
=
n
A n
A P

Exemplo
1) Dois dados so lanados. Qual a probabilidade de que:
a) o maior resultado obtido ser maior ou igual a 3
b) o maior resultado obtido ser menor do que 5
c) os dois dados tenham o mesmo resultado
d) a soma dos resultados ser igual a 7
e) a soma dos resultados ser maior do que 6
Soluo:

a) A =O maior resultado obtido ser maior ou igual a 3;

( ) ( ) ( ) ( ) { } ( )
9
8
36
32
) ( 32 4 2 , 2 , 1 , 2 , 2 , 1 , 1 , 1 = = = =
|
.
|
\
|
=

A P A n A n A

b) A =O maior resultado obtido ser menor do que 5

3
P(ABC)=P(A)+P(B)+P(C)P(AB)P(AC)P(BC)+P(ABC) onde A, B, e C so eventos.

48
( ) ( ) ( )( ) ( ) ( ) ( ) ( ) ( )( )( ) ( )( ) ( ) ( ) { }
( )
9
4
36
16
) ( 16 20
) 6 , 6 ( ), 5 , 6 ( ), 4 , 6 ( ), 3 , 6 ( ), 2 , 6 ( , 1 , 6 , 6 , 5 , 5 , 5 4 , 5 , 3 , 5 2 , 5 1 , 5 , 6 , 4 , 5 , 4 , 6 , 3 , 5 , 3 , 6 , 2 5 , 2 , 6 , 1 , 5 , 1
= = = = |
.
|
\
|
=
A P A n A n
A

c) A =Os dois tenham o mesmo resultado
( ) ( ) ( ) ( ) { } ( )
6
1
36
6
) ( 6 ) 6 , 6 ( ), 5 , 5 ( , 4 , 4 , 3 , 3 , 2 , 2 , 1 , 1 = = = = A P A n A
d) A=A soma dos resultados ser igual a 7
( ) ( ) ( ) ( ) { } ( )
6
1
36
6
) ( 6 ) 1 , 6 ( ), 2 , 5 ( , 3 , 4 , 4 , 3 , 5 , 2 , 6 , 1 = = = = A P A n A

e) A =A soma dos resultados ser maior do que 6
( ) ( ) ( ) ( )
( )
12
7
36
21
) ( 21
) 6 , 6 ( ), 5 , 6 ( ), 4 , 6 ( ), 3 , 6 ( ), 2 , 6 ( ), 1 , 6 (
) 6 , 5 ( ), 5 , 5 ( ), 4 , 5 ( ), 3 , 5 ( ), 2 , 5 ( ), 6 , 4 ( ), 5 , 4 ( , 4 , 4 ( 3 , 4 ), 6 , 3 ( ), 5 , 3 ( , 4 , 3 ), 6 , 2 ( , 5 , 2 , 6 , 1
= = =
)
`
=
A P A n
A

6.4.2 Probabilidade Condicional

Definio: Dados dois eventos A e B, a probabilidade condicional de B dado que
ocorreu A expressa por:
) A / B ( P ). A ( P ) A B ( P
) A ( P
) A B ( P
) A / B ( P =
=
Exemplo
1) Experimento: Lanamento de um dado. Imagine que depois do dado lanado,
algum nos informe saiu um npar. Sabendo que saiu par, qual a probabilidade de
que o nseja menor do que 4?
Eventos: A=sair um n par A={2,4,6} P(A)=3/6=1/2
B=sair um n menor do que 4={1,2,3} P(B)=3/6=1/2
AB=BA={2} P(BA)=1/6
3
1
2 / 1
6 / 1
) A ( P
) A B ( P
) A / B ( P = =
=
A probabilidade de B foi alterada pelo fato de ter ocorrido A, pois P(B/A)=P(B).

6.4.3 Eventos Mutuamente Exclusivos
Sejam A e B eventos tais que P(A)>0 e P(B)>0. Se AB=C, ento A e B so
eventos mutuamente exclusivos ou disjuntos. Neste caso, se A ocorre, no pode
ocorrer B e P(AB)=0.

6.4.4 Regras da Adio
As regras da adio so utilizadas quando desejamos determinar a
probabilidade de ocorrer um evento ou outro (ou ambos) em uma s observao.
Simbolicamente, podemos representar a probabilidade de ocorrer o evento A ou
ocorrer o evento B por ( ) B ou A P na teoria dos conjuntos seria representado pela
unio de A e B e a probabilidade designada por ( ) B A P . Aqui vamos associar a
conjuno ou Adio Existem duas regras de adio para eventos:

- Mutuamente exclusivos: ( ) ( ) ( ) ( ) B P A P B A P B ou A P + = =

49
- No mutuamente exclusivos: ( ) ( ) ( ) ( ) ( ) B A P B P A P B A P B ou A P + = =
Exemplo
1) Suponha que precisamos escolher aleatoriamente entre os algarismos de
0,1,2,3,4,5,6,7,8 e 9 como ltimo algarismo de um nmero de telefone, qual a
probabilidade de que o nmero escolhido:
a) Seja 0 ou 2
b) Seja mpar ou acima de 5

Soluo:
X: o nmero
( ) ( ) ( )
( ) ( ) ( ) ( ) % 70 7 , 0
10
7
10
2
10
4
10
5
5 5 5 )
% 20 2 , 0
10
2
10
1
10
1
2 0 2 0 )
= = = + = > = > + = = > =
= = = + = = + = = = =
X e impar X P X P impar X P X ou impar X P b
X P X P X ou X P a

6.4.5 Independncia de Eventos

Da definio de probabilidade condicional temos que, dados dois eventos A e
B:
) A / B ( P ). A ( P ) B A ( P
) A ( P
) B A ( P
) A / B ( P =
=
Definio: Dois eventos A e B so independentes quando P(AB)=P(A).P(B).
Quando A e B so independentes, P(B/A)=P(B), ou seja, o fato de A ter
ocorrido no alterou a probabilidade de ocorrncia de B.
Exemplos
1) Considere o lanamento de dois dados. Seja A o evento o primeiro dado mostra
um nmero par e B o evento o segundo dado mostra 5 ou 6. A e B so
independentes?
( ) ( ) ( )
( ) ( ) ( ) B P A P B A P
B A P B P A P
= = =
= = = = = =
3
1
2
1
6
1
6
1
36
6
3
1
36
12
2
1
36
18

Logo A e B so independentes.

2) Considere o lanamento de um dado. Imagine que depois do dado lanado,
algum nos informe saiu um npar . Sabendo que saiu par, qual a probabilidade de
Eventos: A=sair um n par A={2,4,6} P(A)=3/6=1/2
B=sair um n menor do que 4={1,2,3} P(B)=3/6=1/2
AB=BA={2} P(BA)=1/6
P(BA)=P(A).P(B)1/6=1/2.1/2 e
3
1
2 / 1
6 / 1
) A ( P
) A B ( P
) A / B ( P = =
=

50
A probabilidade de B foi alterada pelo fato de ter ocorrido A, pois
( ) ( ) B P A B P = = =
2
1
3
1
/ . Logo A e B so dependentes.
6.4.6 Regra da Multiplicao
Aqui vamos tratar da regra para calcular ( ) B e A P , a probabilidade do evento
ocorrer em uma primeira prova e do evento B ocorrer em uma segunda prova. Aqui
a conjuno e multiplicao.
Existem duas regras para multiplicao quando dois eventos so:
- Independentes: ( ) ( ) ( ) ( ) B P A P B A P B e A P = =
- Dependentes: ( ) ( ) ( ) ( ) A B P A P B A P B e A P / = =
Exemplos
1) Duas moedas honestas so lanadas simultaneamente.Qual a probabilidade de
sair o resultado (ca,co)?

4
1
2
1
2
1
) ( ) ( = = coroa P cara P
2) Considere o lanamento de um dado. Imagine que depois do dado lanado,
algum nos informe saiu um n par. Sabendo que saiu par, qual a probabilidade de
Eventos: A=sair um n par A={2,4,6} P(A) =3/6 =1/2
B=sair um n menor do que 4={1,2,3} P(B) =3/6 =1/2
AB=BA={2} P(B A) =1/6
3
1
2 / 1
6 / 1
) A ( P
) A B ( P
) A / B ( P = =
=
( ) ( ) ( ) ( )
3
1
2
1
6
1
/ = = = A B P A P B A P B e A P
A probabilidade de B foi alterada pelo fato de ter ocorrido A, pois
( ) ( ) B P A B P = = =
2
1
3
1
/ . Logo A e B so dependentes.
Exerccios
1) Uma empresa possui 100 computadores. Alguns so portteis (P), outros no
(NP), alguns tm acesso internet (I) e outros no (NI). A tabela a seguir apresenta
o nmero de computadores em cada categoria. Vamos supor que uma pessoa entre
na empresa e, por acaso, receba um computador porttil. Qual a probabilidade de
que o computador tenha acesso internet?

NP P
I 40 30
NI 20 10

2) Sejam A e B dois eventos tais que: P(A)=0,3 e P(B)=0,5 e P(AB)=0,6. Calcule:
a) P(AB)
b) P(B/A)

51
c) P(A/B)
d) O evento B foi alterado pelo fato de ter ocorrido A?

3) Duas moedas honestas e um dado so lanados simultaneamente.
a) qual a probabilidade de sair o resultado (ca,co,3)?
b) e de sair (ca,ca,2)?
c) e de sair moedas iguais com nmero par?

4) Uma moeda foi cunhada de forma que quatro vezes mais provvel sair cara.
a) lanada uma moeda deste tipo, qual a probabilidade de dar cara?
b) E no lanamento de duas moedas deste tipo, calcule a probabilidade de todos os
eventos elementares.

5) A probabilidade de chover em um certo local 0,2. Escolhidos dois dias ao acaso,
qual a chance de:
a) no chover em nenhum dos dois dias?
b) chover um dia?
c) chover pelo menos um dia?

6) Uma moeda lanada trs vezes, sucessivamente, e anota-se a sequncia de
faces obtidas. Determine os eventos:
a) ocorrem exatamente duas caras;
b) ocorrem exatamente duas caras consecutivas.

7) Um dado lanado duas vezes, sucessivamente. Determine os eventos:
a) E: a soma dos pontos obtidos igual a 7;
b) A: a diferena dos pontos obtidos, em valor absoluto, igual a 1.

8) Uma urna contm 100 bolas numeradas de 1 a 100. Uma bola extrada ao
acaso da urna, e seu nmero observado. Qual a probabilidade de o nmero
sorteado ser:
a) Mltiplo de 12?
b) Quadrado perfeito?

9) Com os algarismos 1, 2, 3, 4, 5, 6, 7, 8 e 9 so formados nmeros de quatro
algarismos. Um deles escolhido ao acaso. Qual a probabilidade de ele ser formado
por algarismos distintos?

10) Numa classe de 55 alunos, 21 praticam vlei e basquete, 39 praticam vlei e 33
praticam basquete. Um aluno da classe escolhido ao acaso. Qual a probabilidade
de o aluno escolhido praticar um e somente um desses esportes?

11) Das 180 pessoas que trabalham em uma empresa, sabe-se que 40% tm nvel
universitrio, 70% so do sexo masculino e 50% do nmero de mulheres tm nvel
universitrio. Um funcionrio dessa empresa selecionado ao acaso. Pergunta-se:
a) Qual a probabilidade de que esse funcionrio seja do sexo masculino e
tenha nvel universitrio?

52
b) Qual a probabilidade dele ser homem sabendo que foi escolhido um
universitrio?
c) Dado que ele seja homem qual a probabilidade de no ser universitrio
d) Qual a probabilidade de ser Mulher ou no universitrio

12) Se A um evento extrao de um s de um baralho e B o da extrao de
um rei, A e B so mutuamente exclusivos?

13) Se A um evento extrao de um s de um baralho e B o da extrao de
uma carta de espada, A e B so mutuamente exclusivos?

14) Trs dados so lanados. Calcule a probabilidade da soma dos resultados ser
par

15) Uma empresa possui 20 empregados, desses 10 so mulheres e 10 so
homens. 50% das mulheres e 30% dos homens tm menos que 30 anos (<30).
Calcule a probabilidade de que, ao ser selecionado um empregado esta empresa:
a) Este ser mulher dado que <30 anos
b) Este ser mulher ou ter menos do que 30 anos

16) A probabilidade de um homem ser canhoto 1/10. Qual a probabilidade de, em
um grupo de 10 homens, haver pelo menos um canhoto?

17) Vinte peas, 12 das quais so perfeitas e 8 defeituosas, so inspecionadas uma
aps a outra. Se essas peas forem extradas ao acaso, qual ser a probabilidade
de que:
a) as duas primeiras peas sejam defeituosas?
b) as duas primeiras peas sejam perfeitas e a terceira defeituosa?

18) Considere os eventos A e B tais que P(A)=1/4 e P(B)=1/8 e P(A/B)=1/4
a) Os eventos A e B so mutuamente exclusivos?
b) Os eventos A e B so independentes?

19) Sejam A e B dois eventos independentes tais que P(A)=0,4 e P(AB)=0,7.
Calcule P(B).

20) Sejam A e B dois eventos mutuamente exclusivos tais que P(A)=0,4 e
P(AB)=0,7. Calcule P(B).

6.4.7 Parti o de um Espao Amostral

Definio: Seja O um espao amostral. A partio de O uma sequncia de eventos
A
1
,A
2
,...,A
k
e O tal que:
a) A
i
A
j
=C para i=j ; i=1,2,...,k j=1,2,...,k
b) A
i
=O , i=1,2,...,k

53
c) A
i
= C i=1,2,...,k

O A
1
A
2 ....
A
k

Evento Aleatrio numa Parti o de

Seja O um espao amostral e A
1
,A
2
,...,A
k
eO uma partio de O. Seja B um
evento aleatrio qualquer de O e P uma probabilidade definida em O. Ento:

P(B) =P(BA
1
) +P(BA
2
) + +P(BA
k
)

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

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

O A
1
A
2 ....
..A
k

B

Exemplo

1) Considere como espao amostral a populao brasileira. Seja B o evento morte
antes de completar um ano de vida. Considere tambm o Brasil dividido em 5
grandes regies. Seleciona-se uma pessoa aleatoriamente. Qual a probabilidade de
que ela morra antes de completar um ano de vida?

Partio P(Ai) P(B/Ai)
A
1
=Norte 0,02 0,17
A
2
=Nordeste 0,35 0,18
A
3
=Sudeste 0,45 0,15
A
4
=Sul 0,15 0,13
A
5
=Centro-
Oeste
0,03 0,14

P(morte antes de 1 ano)= ( ) ( ) ( )
= + + = = 16 , 0 14 , 0 03 , 0 17 , 0 02 , 0 / .
i i
A B P A P B P

6.4.8 Teorema de Bayes
H uma certa classe de problemas baseados na aplicao da probabilidade
condicional que leva a clculos complexos. Portanto, conveniente ter uma frmula
para resolver tais problemas de maneira sistemtica.

Teorema de Bayes: Seja A
1
, A
2
,...,A
k
uma partio de O e B um evento associado a
O. Aplicando-se a definio de probabilidade condicional, tem-se que a
probabilidade de A
i
dado B
=
=
=
k
1 i
i i
i i i
i
) A / B ( P ). A ( P
) A / B ( P ). A ( P
) B ( P
) B A ( P
) B / A ( P

54

Este teorema surgiu em 1760 quando Thomas Bayes, pastor e membro da
Royal Society, publicou o Ensaio sobre a soluo de um problema da doutrina das
chances. Segundo Bernstein (1997), esta obra de originalidade impressionante
imortalizou Bayes entre os estatsticos, economistas e outros cientistas sociais. Este
artigo estabeleceu a base do moderno mtodo de inferncia estatstica, a grande
questo levantada pela primeira vez por J acob Bernoulli.
Nesta obra, Bayes utilizou o Teorema para resolver o seguinte problema:
Uma empresa possui 2 fbricas, das quais a mais antiga produz 40% da produo
total. Constatamos que a fbrica mais antiga produz 2 vezes mais alfinetes
defeituosos do que a fbrica mais nova. Se um cliente reclamar que encontrou um
alfinete defeituoso, para qual das duas fbricas o gerente deve telefonar?
P(+antiga/defeituoso) =
4666 , 0
2666 , 0
3
1
60 , 0
3
2
40 , 0
3
2
40 , 0
=
+
=0,572
P(+nova/defeituoso) =
4666 , 0
2 , 0
3
1
60 , 0
3
2
40 , 0
3
1
60 , 0
=
+
=0,428

A probabilidade de que a fbrica mais nova tenha produzido o alfinete defeituoso
de 42,8%; existe uma probabilidade de 57,2% de que a fbrica mais antiga seja a
culpada.

Exemplos
1) Numa universidade, 60% dos alunos so homens (H) e 40% so mulheres (M).
Dentre os homens, 45% estudam na rea de tecnologia (T) enquanto somente 15%
das mulheres pertencem a essa rea. Escolhe-se, ao acaso, uma ficha dentre as
fichas dos alunos de tecnologia. Qual a probabilidade de que a ficha seja de uma
mulher?
1818 , 0
45 , 0 . 6 , 0 15 , 0 . 40 , 0
15 , 0 . 40 , 0
) H / T ( P ). H ( P ) M / T ( P ). M ( P
) M / T ( P ). M ( P
) T / M ( P =
+
=
+
=

2) Trs urnas tm, respectivamente:

Urna 1 5 bolas brancas (B) e 4 bolas pretas (P)
Retira-se uma bola de uma das 3 urnas e verifica-se que preta. Qual a
probabilidade de que tenha sado da terceira urna?
8
5
.
3
1
8
4
.
3
1
9
4
.
3
1
8
5
.
3
1
) 3 U / P ( P ). 3 U ( P ) 2 U / P ( P ). 2 U ( P ) 1 U / P ( P ). 1 U ( P
) 3 U / P ( P ). 3 U ( P
) P / 3 U ( P
+ +
=
+ +
= =0,398
Exerccios
1) Duas mquinas A e B produzem 1.000 peas em um dia. A mquina A produz
750 peas, das quais 5% so defeituosas. A mquina B produz as restantes 250,
das quais 1% so defeituosas. Da produo total de um dia, uma pea escolhida

55
ao acaso e, examinando-a, constata-se que defeituosa. Qual a probabilidade de
que a pea tenha sido produzida pela mquina A?

2) Trs revistas A,B e C so publicadas por uma editora. Uma pesquisa com os
leitores indica que 25% assinam A, 50% assinam B e 25% assinam C. Dentre os
assinantes, verificou-se a preferncia dos estudantes: dos que assinam A, 80% so
estudantes; dos que assinam B, 50% so estudantes e dos que assinam C, 20% so
estudantes. Um leitor faz uma reclamao quanto entrega da revista.
a) qual a probabilidade dele ser um estudante?
b) dado que estudante, qual a probabilidade de ser assinante da revista C?

3) A medida que os artigos saem de uma etapa final de uma linha de produo, um
inspetor escolhe alguns artigos para serem submetidos a uma inspeo completa.
10% de todos os artigos produzidos so defeituosos. 60% de todos os artigos
defeituosos so submetidos a uma inspeo completa e 20% de todos artigos bons
so sujeitos a uma inspeo completa. Considerando-se um artigo inspecionado por
completo, qual a probabilidade de ele ser defeituoso?

4) Os boletins mdicos indicam que muitas doenas diferentes podem produzir
sintomas iguais. Suponha que um grupo particular de sintomas, ao qual
denominaremos evento H, s se manifeste se ocorrer uma das trs doenas A, B ou
C. Para simplificar, suponha que essas doenas sejam mutuamente exclusivas. Os
estudos feitos mostram que as probabilidades de essas doenas ocorrerem so:
P(A) =0,01, P(B) =0,005 e P(C) =0,02. As probabilidades de se manifestarem os
sintomas H, se por ter contrado uma dessas doenas, so: P(H|A) = 0,9,
P(H|B) =0,95 e P(H|C) =0,75. Supondo que uma pessoa doente revele os sintomas
H, qual a probabilidade de essa pessoa estar com a doena A?

7. Distribuio de Probabilidade de Variveis Aleatrias

7.1 Variveis Aleatri as Discretas

Definio:
Seja X uma varivel aleatria. Se o nmero de valores possveis de X (isto ,
n(Rx)) for finito ou infinito enumervel, isto , se os valores possveis de X podem
ser postos em lista como x
1
, x
2
,..., x
n
ento X ser denominada varivel aleatria
discreta.

Notao: Na varivel aleatria usamos letras maisculas X, Y, Z etc. Contudo,
quando estamos representando o particular valor que essa varivel aleatria
assume, usaremos letras minsculas x, y, z etc.

Exemplo
1) Considere o lanamento de uma moeda honesta 3 vezes. Seja X a varivel
aleatria que representa o nmero de caras obtidas. Seja ca=cara e co=coroa.
Ento:
O={(ca,ca,ca),(ca,ca,co),(ca,co,ca),(ca,co,co),
(co,ca,ca),(co,ca,co),(co,co,ca),(co,co,co)}
X=3 ocorrer (ca,ca,ca)
X=2 ocorrer (ca,ca,co) ou (ca,co,ca) ou (co,ca,ca)
X=1 ocorrer (ca,co,co) ou (co,ca,co) ou (co,co,ca)
X=0 ocorrer (co,co,co)

56

Rx={0,1,2,3}conjunto dos valores possveis de X

7.1.1 Funo Densidade de Probabilidade

Definio: f uma funo densidade de probabilidade (fdp) da varivel aleatria
(v.a.) X se
( )
( )
=
>
i
i
x f
x f
1
0
para X uma v.a.discreta com x
i
eRx
Propriedade: Se X for uma v.a. discreta, f(x)=f(x
i
)=P(X=x
i
)
Exemplo
1) Considere o lanamento de uma moeda honesta 3 vezes. Seja X a varivel
aleatria que representa o nmero de caras obtidas. Determine a funo densidade
de probabilidade de X.
O={(ca,ca,ca),(ca,ca,co),(ca,co,ca),(ca,co,co),
(co,ca,ca),(co,ca,co),(co,co,ca),(co,co,co)}
Rx={0,1,2,3} e
X=3 ocorrer (ca,ca,ca)
X=2 ocorrer (ca,ca,co) ou (ca,co,ca) ou (co,ca,ca)
X=1 ocorrer (ca,co,co) ou (co,ca,co) ou (co,co,ca)
X=0 ocorrer (co,co,co)

f(0)=P(X=0)=P(co,co,co)=1/8
f(1)=P(X=1)=P(ca,co,co)+P(co,ca,co)+P(co,co,ca)=3/8
f(2)=P(X=2)=P(ca,ca,co)+P(ca,co,ca)+P(co,ca,ca)=3/8
f(3)=P(X=3)=P(ca,ca,ca)=1/8
( )
= =
= =
=
2 1
8
3
3 0
8
1
x ou x se
x ou x se
x f

Exerccios
1) Considere o lanamento de dois dados. Seja X a varivel aleatria que representa
a soma dos valores obtidos.
a) calcule a P(X ser par)
b) determine a fdp de X
2) Suponha que a va X tenha como Rx={0,1,2,3,4} e P(X=j)=(1/2)
j
, jeRx{0} e
P(X=0)=1/16.
a)calcule a P(X ser par)
b) determine a fdp de X e represente graficamente

57
7.1.2 Vari vel Aleatria Bi-Dimensional Discreta

(X,Y) ser uma varivel aleatria discreta bidimensional se os valores
possveis de (X,Y) forem finitos ou infinitos enumerveis, isto , os valores possveis
de (X,Y) podem ser representados por (x
i
,y
j
), i=1,2,...,n j=1,2,...,m.
A cada resultado possvel (x
i
,y
j
) associaremos um nmero p(x
i
,y
j
)=P(X=x
i
,Y=y
j
)
satisfazendo s seguintes condies:
a) p(x
i
,y
j
) > 0 para todo (x
i
,y
j
) ou f(x,y)>0
b) EE p(x
i
,y
j
)=1
A funo p definida para todo (x
i
,y
j
) no contradomnio de (X,Y) denominada
funo de probabilidade conjunta de (X,Y).

Define-se a probabilidade marginal, que considera somente uma varivel, como
sendo:
( ) ( ) ( )
( ) ( ) ( )
= = =
= = =
j i i
j i i
y x p y Y P y f
y x p x X P x f
,
,

Exerccios
1. Um clube possui scios cujos filhos tm entre 15 e 18 anos (va X). A varivel
aleatria Y mede a instruo atravs dos anos completos de estudo. Para fazer uma
pesquisa de satisfao com o clube, selecionou-se um filho de scio. Pergunta-se
qual a probabilidade:
a) de ter 17 anos
b) de ter 8 anos completos de estudo
c) de ter 9 anos completos de estudo, dado que tem 18 anos
Y=7 Y=8 Y=9
X=15 12 10 3 25
X=16 5 30 6 41
X=17 2 5 9 16
X=18 1 5 12 18
20 50 30 100
Resposta: 0,16 0,50 0,67

2. A tabela abaixo apresenta as probabilidades associadas aos pares de valores nas
variveis X e Y. Calcule as funes densidade de probabilidade de X e de Y. A
p(X,Y) uma funo de probabilidade conjunta?
(X,Y) (0,0) (1,0) (1,1) (2,0) (2,1) (3,1)
p(X,Y) 1/8 2/8 1/8 1/8 2/8 1/8

Resposta: Sim

58
7.1.3 Vari veis Aleatrias Independentes
Da mesma maneira que definimos o conceito de independncia de dois
eventos A e B, agora definiremos o de variveis aleatrias independentes.
Intuitivamente, pretendemos dizer que X e Y so variveis aleatrias independentes
quando o resultado de Y, por exemplo, de modo algum influencia o resultado de X.

P(X=xi,Y=yj)=P(X=xi).P(Y=yj) para todo i e j

Teorema: Seja (X,Y) uma va discreta bidimensional. X e Y so independentes se, e
somente se P(X=xi/Y=yj)=P(X=xi) para todo i e j

Exemplo

1) Suponha que uma mquina seja utilizada para determinada tarefa durante a
manh e para uma tarefa diferente durante a tarde. Seja X o nde vezes que a
mquina pra com defeito de manh e Y o n de vezes que a mquina pra com
defeito tarde. X e Y so independentes?

X=0 X=1 X=2 P(Y)
Y=0 0,10 0,20 0,20 0,50
Y=1 0,04 0,08 0,08 0,20
Y=2 0,06 0,12 0,12 0,30
P(X) 0,20 0,40 0,40 1,00

Sim, pois P(X=xi,Y=yj)=P(X=xi).P(Y=yj) para todo i e j

Exerccio
1) A distribuio de renda da populao de um pequeno pas (em unidades
monetrias) est representada pela varivel Y. H independncia estatstica entre
renda e local de moradia nesse pas?

Renda (u.m.) Sul
X=1
Norte
X=2

0-5 Y=1 28 44 72
5-10 Y=2 42 78 120
10-15 Y=3 30 78 108
15 ou mais Y=4 24 76 100
124 276 400
Resposta: no

7.1.4 Valor Esperado ou Esperana de uma Varivel Aleatria Di screta

Definio: Seja X uma varivel aleatria discreta com valores possveis x
1
,x
2
,...,x
n
. O
valor esperado de X, denotado por E(X), definido como:

( )

= = =
i
i i i i
x p x x X P x X E ) ( ) (

59
Note que E(X) pode ser considerado como uma mdia aritmtica dos valores
possveis x
1
,x
2
,...,x
n .
s considerar a probabilidade de x
i
como sendo a frequncia
relativa de x
i
. (fi/n). Assim:
( ) X
f
f x
f
f
x x p x X E
i
i i
i
i
i
i
i i
=
= = =
) ( .
Exemplo
Seja X a varivel aleatria que representa o nmero de rosas (em dzias)
vendidas em um dia casualmente escolhido. O florista descobriu, atravs da
observao das vendas, que a funo de probabilidade de X dada por:

X 0 1 2 3 4 5
P(X) 1/10 1/10 2/10 3/10 2/10 1/10

Qual o nmero mdio (ou valor esperado) de rosas vendidas por dia? E no ms?
E(X)=0 x 0,1+1 x 0,1+2 x 0,2+3 x 0,3+4 x 0,2+5 x 0,1=2,7 dzias
No ms: 30 x 2,7 =81 dzias

7.1.4.1 Propriedades do Valor Esperado

Seja X uma varivel aleatria discreta e a uma constante.

P1. E(a)=a

a
n
na
n
a
) a ( E
i
= = =

P2. E(aX)=aE(X)
E(aX)=Eaxp(x)=aExp(x)=aE(X)

P3. E(g(x))=Eg(x).p(x) onde g uma funo de x. Se g(x)=x E(x)=Exp(x)
E(g(x,y))=g(x,y).p(x,y) onde g uma funo de (x,y). Se g(x,y)=x.y
E(x,y)=x.y.p(x,y)
Quando fazemos uma transformao na varivel aleatria, a transformao afeta
somente a varivel e no a probabilidade da varivel.

P4. E(X+Y)=E(X)+E(Y)
| | = + = + = +

i j i j
j i j j i i j i j i
y , x ( p y ) y , x ( p x ) y , x ( p ) y x ( ) Y X ( E

= + = +
i j i j i j j i
j i j j i i j i j j i i
) y , x ( p y ) y , x ( p x ) y , x ( p y ) y , x ( p x

+ = +
i j
j j i i
) Y ( E ) X ( E ) y ( p y ) x ( p x

P5. E(Y/X)=Ey p(y/x)
Exemplo: Seja Y o consumo familiar e X a renda familiar. Suponha dois nveis de
renda: 80 e 120.
O consumo familiar, dado o nvel de renda :
Y: 55 60 65 70 75 Y: 65 70 75 80 85
P(Y/X=80) 1/5 1/5 1/5 1/5 1/5 P(Y/X=120) 1/5 1/5 1/5 1/5 1/5

60
E(Y/X=80)=Ey.p(y/X=80)=55(1/5)+60(1/5)+...+75(1/5)=65
E(Y/X=120)=Ey.p(y/X=120)=65(1/5)+70(1/5)+...+85(1/5)=75

P6. E(XY)=EE xy p(x,y)
E(g(x,y))=EEg(x,y)p(x,y)

P7. Se X e Y so independentes, ento E(XY)=E(X).E(Y)
Se X e Y no so independentes, ento E(XY)=E(X).E(Y) e a diferena
E(XY) E(X).E(Y) utilizada como medida de dependncia entre X e Y. Essa
medida a covarincia entre X e Y.

Cov(X,Y)=E(XY)E(X).E(Y)=E[(XE(X))(YE(Y))]

Se X e Y so independentes cov(X,Y)=0 . A recproca nem sempre
verdadeira.
Obs.:
Quando existirem duas sries de dados, existiro vrias medidas estatsticas
que podem ser usadas para capturar como as duas sries se movem juntas atravs
do tempo. As duas mais largamente usadas so a correlao e a covarincia. Para
duas sries de dados, X (X
1
, X
2
,...) e Y(Y
1
,Y
2
...), a covarincia fornece uma medida
no padronizada do grau no qual elas se movem juntas, e estimada tomando o
produto dos desvios da mdia para cada varivel em cada perodo.
O sinal na covarincia indica o tipo de relao que as duas variveis tm. Um
sinal positivo indica que elas movem juntas e um negativo que elas movem em
direes opostas. Enquanto a covarincia cresce com o poder do relacionamento,
ainda relativamente difcil fazer julgamentos sobre o poder do relacionamento
entre as duas variveis observando a covarincia, pois ela no padronizada.

Exemplo
Sejam X e Y va discretas com fdp conjunta dada por:

Y=-1 Y=0 Y=1
X=0 1/3 0 1/3 2/3
X=1 0 1/3 0 1/3
1/3 1/3 1/3 1

Calcule cov(X,Y). X e Y so independentes?
Soluo:
E(X)=Ex p(x)=1/3
E(Y)=Ey p(y)=0
E(XY)=Exy p(x,y)=0
Cov(X,Y)=E(XY)-E(X)E(Y)=0-(1/3)0=0
No, pois P(0,0)=P(X=0)P(Y=0)

Exerccios
1) Calcule o valor esperado das seguintes variveis aleatrias:

X 1 2 3 4 5 6
P(X) 1/6 1/6 1/6 1/6 1/6 1/6
Resposta: 3,5

61
2) Calcule E (X), E (3X) e E(X+1) onde X:

X 1 2 3 4
P(X) 0,2 0,3 0,4 0,1

Resposta: 2,4 7,2 3,4

3) Se E (X)=1 e E(Y)=2, calcule E(Z) onde Z=2X+4Y
Resposta: 10

4) A tabela seguinte registra as rentabilidades anuais das aes das empresas 1 e 2,
negociadas na bolsa de valores. Mea a dependncia entre as aes das empresas
e o ano.
Empresa
Ano Y=1 Y=2
X=1 0,10 0,35 0,45
X=2 0,23 0 0,23
X=3 0 0,28 0,28
X=4 0,04 0 0,04
0,37 0,63 1,00
Resposta: No so independentes

7.1.5 Vari ncia de uma Varivel Aleatria Discreta
A varincia de uma va mede a variabilidade desta em relao ao seu valor
esperado.
Seja X uma varivel aleatria discreta. Definimos a varincia de X, denotada
por V(X) ou Var(X) por:

( ) ( ) | |
2
X E E(X) ] X E E[X Var(X) = =

A varincia de uma varivel aleatria a varincia de dados agrupados em
frequncia ou em classe, considerando a probabilidade de x
i
como sendo a
frequncia relativa de x
i
e E(X) como a mdia aritmtica de X. Assim:
| |

= = = =
i
i
i
2
i
i
i
2
i
i
i
i
2
i
2
f
f ) X x (
f
f
) X x ( ) x ( p ) X x ( X X E ) X ( Var

A raiz quadrada de Var(x) o desvio-padro de X.

7.1.5.1 Propriedades da Varincia de uma Varivel Al eatria Discreta

Seja X uma varivel aleatria e a uma constante.

P1. Var(X+a)=Var(X)
| | | | = + + + = + + = +
2 2 2 2 2
a ) X ( E ) a Xa 2 X ( E ) a X ( E ) a X ( E ) a X ( Var
) X ( Var )] X ( E [ ) X ( E a ) X ( aE 2 )] X ( E [ a ) X ( aE 2 ) X ( E
2 2 2 2 2 2
= = + +

P2. Var(aX)=aVar(X)
Var(aX)=E(aX)-[E(aX)]=aE(X)-[aE(X)]=aE(X)-a[E(X)]=a{E(X)-
[E(X)]}=aVar(X)

62
P3. Var(a)=0
Var(a)=E(a)-[E(a)]=a-a=0

P4. Var(X+Y)=Var(X)+Var(Y)+2cov(X,Y)
Var(X+Y)=E(X+Y)-[E(X+Y)]=E(X+2XY+Y)-[E(X)+E(Y)]=
E(X)+2E(X.Y)+E(Y)-[E(X)]-2E(X)E(Y)-[E(Y)]=
E(X)-E(X)]+E(Y)-[E(Y)]+2{E(X.Y)-E(X)E(Y)}=
Var(X)+Var(Y)+2.cov(X,Y)

P5. Se X e Y forem independentes, Var(X+Y)=Var(X)+Var(Y)
Se X e Y forem independentes cov(X,Y)=0 .
Ento Var(X+Y)=Var(X)+Var(Y)+2.0=Var(X)+Var(Y)

Exemplo

X 1 2 3 4 5
P(X) 0,2 0,3 0,3 0,1 0,1

( ) ( ) 6 , 2 1 , 0 5 1 , 0 4 3 , 0 3 3 , 0 2 2 , 0 1 = + + + + = =
i
x xp X E
( ) ( ) 2 , 8 1 , 0 5 1 , 0 4 3 , 0 3 3 , 0 2 2 , 0 1
2 2 2 2 2 2 2
= + + + + = =
i
x p x X E
( ) | | | | 44 , 1 6 , 2 2 , 8 X E E(X) Var(X)
2 2
= = =

Exerccios
1) Calcule a varincia da varivel aleatria abaixo:

X 1 2 3 4 5
P(X) 0,2 0,2 0,2 0,2 0,2

Resposta: 2

2) Se E (X)=40=E (Y), E (X)=5 e E(Y)=4 e E(XY)=30, calcule:
a) E (3X+8)
b)Var(3X+8)
c)Var(X+Y)

Resposta: a)23 b)135 c)59

3) Se E (X)=1 e E(Y)=2, Var(X)=Var(Y)=4 calcule var(Z) onde Z=2X+4Y e X e Y so
independentes.

Resposta: 80

7.1.6 Distribuio de Probabi lidade Discreta

7.1.6.1 Binomi al

Definio: Chama-se experimento binomial o experimento:
- que consiste em n ensaios de Bernoulli;
- cujos ensaios so independentes e;
- a probabilidade de sucesso em cada ensaio sempre igual a p.

63
Definio: A varivel aleatria X, correspondente ao nmero de sucessos num
experimento binomial, tem distribuio binomial, com parmetros n e p ( Bin(n,p) ) ,
com funo de probabilidade expressa por
4
:
P X k C p p
n
k k n k
( ) ( ) = =

1

NOTAO:
- X~Bin(n,p)
- l-se: X tem distribuio binomial com parmetros n e p
- X o n se sucessos em n processos de ensaio de Bernoulli
- Parmetros: n e p, neN e 0<p<1
- Os parmetros n e p representam, respectivamente, o nmero total de
ensaios e a probabilidade de ocorrncia de sucesso.
- R
x
={0,1,2,...,n}=Conjunto dos valores possveis de X

Exemplo
Em 10 lanamentos de uma moeda, com probabilidade de dar cara
(sucesso)=1/2, temos: 1 Cara e 0 - Coroa.

(y
1
,y
2
,y
3
,y
4
,y
5
,y
6
,y
7
,y
8
,y
9
,y
10
)=( 1, 0, 1, 0, 0, 0, 1, 1, 1, 0 )
Y~Be(p=1/2) - Y tem distribuio bernoulli com parametro p=1/2

Se considerarmos todos os casos possveis de ocorrncia de cinco caras em
dez lanamentos de uma moeda, podemos escrever:
X =n de sucessos (cara) em 10 lanamentos da moeda e, portanto:
X~Bin(10,1/2)
X Yi y y y y y y y
i
= = + + + + + + + = + + + + + =
=
1
10
1 2 3 4 5 6 10
1 0 1 1 0 5 ... ...

A probabilidade de dar 5 caras em 10 lanamentos da moeda :
( ) ( ) 246 , 0 5 , 0 5 , 0 250 ) 1 ( ) 5 (
5 10 5 5 10 5 5
10
= = = =

p p C X P

ESPERANA E VARINCIA:
Se X uma v.a. binomial:
X: 0 1 . .. n
P(X=x): C
n
0
q
n
C
n
1
p
1
q
n-1
C
n
x
p
x
q
n-x

Podemos considerar X como a soma de n variveis aleatrias bernoullis
independentes. Assim:
X=Y
1
+Y
2
+...Y
n
Y
i
~Be(p) R
y
={0,1}

E(X)=E(Y
1
+Y
2
+...Y
n
)=E(Y
1
)+E(Y
2
)+...+E(Y
n
)=p+p+...+p= E(X)=np

Var(X)=V(Y
1
+Y
2
+...Y
n
)=V(Y
1
)+V(Y
2
)+...+V(Y
n
)=pq+pq+...+pq= Var(X)=npq

Exemplos

4
Esta funo de probabilidade discreta designada como distribuio binomial porque para
k=0,1,2,...,n corresponde aos termos sucessivos do desenvolvimento binomial:
( ) . . . . ...
( ) ( )
q p q C pq C p q p C p q
n n
n
n
n
n n
n
x
x
n
x n x
+ = + + + + =

=
1 1 2 2 2
0

64
1) Determinar a probabilidade de, ao lanar 3 vezes uma moeda honesta,
aparecerem:
a) 3 caras
b) 2 caras e 1 coroa
c) 3 coroas
Soluo:
Seja o evento A=cara, p=P(A)=1/2 e X o n de vezes em que aparece cara em
3 lanamentos da moeda.
a) ( )
8
1
2
1
2
1
3
3 3 3
3
3
= |
.
|
\
|
|
.
|
\
|
= =

C X P
b) ( )
8
3
2
1
2
1
2
2 3 2
2
3
= |
.
|
\
|
|
.
|
\
|
= =

C X P
c) ( )
8
1
2
1
2
1
0
0 3 0
0
3
= |
.
|
\
|
|
.
|
\
|
= =

C X P

2) Qual a probabilidade de se obter ao menos 4 caras em 6 lances de uma moeda
no-viciada?
Soluo:
A=cara e P(A)=1/2
X=n de caras em 6 lanamentos da moeda.

( ) ( ) ( ) ( ) ( ) ( ) ( )
32
11
64
1
64
6
64
15
2
1
2
1
2
1
2
1
2
1
2
1
6 5 4 6 5 4 4
6 6 6
6
6
5 6 5
5
6
4 6 4
4
6
= + + = |
.
|
\
|
|
.
|
\
|
+ |
.
|
\
|
|
.
|
\
|
+ |
.
|
\
|
|
.
|
\
|
= = + = + = = = = = = >

C C C
X P X P X P X P X P X P X P

3) Se a probabilidade de ocorrncia de uma pea defeituosa 0,1, determine a
mdia e o desvio padro da distribuio de peas defeituosas em um total de 400.
Soluo:
X o total de peas defeituosas num total de 400 peas.
X tem distribuio Bin(400;0,1)
E(X)=n.p=400 x 0,1=40 peas
Var(X)=n.p.q=400 x 0,1 x 0,9=36 e do desvio padro= 36 6 =

Exerccios
1) A chance de um aluno se formar em um dado curso 0,4. Escolhidos cinco
alunos ao acaso, calcule:
a) Probabilidade de todos se formarem?
b) De nenhum se formar?
c) De pelo menos um se formar?
d) De um total de 400 alunos matriculados quantos so esperados como formandos?
e) Qual a varincia nesse conjunto de 400 alunos?

Respostas:
a) 1% b) 7,7% c) 92,22% d) 160 e) 9,8

2) Uma moeda honesta jogada 10 vezes. Calcular as seguintes probabilidades:
a) de ocorrer 6 caras
b) de ocorrer 8 coroas
c) de no dar nenhuma cara
d) de dar pelo menos 2 caras

65

Respostas:
a) 21% b) 4,4% c) 0,098% d) 99,9%

3) A probabilidade de que um presumvel cliente aleatoriamente escolhido faa uma
compra 0,20. Se um vendedor visita seis clientes, calcule a probabilidade de:
a) Fazer exatamente 4 vendas
b) Fazer no mximo 2 vendas
c) Fazer acima de uma venda

Respostas:
a) 1,54% b) 90,11% c) 34,46%

4) Existem 90% de probabilidade de que um certo tipo de componente se comporte
de forma adequada sob condies de elevadas temperaturas. Se o dispositivo em
questo tem 8 de tais componentes, determinar a probabilidade de:
a) Todos os componentes se comportem de maneira adequada e o dispositivo
funciona
b) O dispositivo no funciona porque falham 3 componentes
c) Pelo menos 3 componentes se comportem de maneira adequada e o dispositivo
funciona
d) O dispositivo no funciona porque falham um ou mais componentes
e) O dispositivo no funciona porque falha um dos componentes

Respostas:
a) 43,05% b) 3,31% c) 99,99% d) 56,65% e) 38,26%

7.2 Variveis Aleatri as Contnuas

Definio: Quando a varivel aleatria assume qualquer valor do conjunto dos
nmeros reais, denominada varivel aleatria contnua.
Exemplo: X o preo dos carros usados

OBS: Como os valores possveis de X no so numerveis, no podemos realmente
falar do i-simo valor de X e, por isso, P(x
i
) no tem sentido, o que nos leva a
concluir que:
a probabilidade de um particular ponto quando a varivel aleatria contnua igual
a zero.
P(asXsb)=P(a<Xsb)=P(asX<b)=P(a<X<b) quando X v.a.contnua, a e b eRx.

7.2.1 Funo Densidade de Probabilidade

Definio: f uma funo densidade de probabilidade (fdp) da varivel aleatria
(v.a.) X se:
f(x) > 0
}
+

=1 dx ) x ( f para X uma v.a. contnua

66
Propriedade: Se X for uma v.a. contnua, para quaisquer a e be Rx,
( )
}
= s s
b
a
dx x f b X a P ) (
Exemplo
1) Seja X uma v.a. contnua com fdp dada por f(x) abaixo. Calcule P(0sXs1/2).
( )
s s
=
. . 0
1 0 2
c c se
x se x
x f
| |
4
1
2
2
1
0
2 / 1
0
2 / 1
0
2
= = = |
.
|
\
|
s s
}
x xdx X P
Exerccios
1) Seja X uma va contnua com a fdp dada por:
( )
s s
=
. . 0
0 24
2
c c se
b x se x
x f
Calcule o valor de b que garanta a existncia da fdp.

2) Seja X uma va contnua com a f(x) dada abaixo. Esta f(x) uma fdp?
( )
s s +
s s
=
. . 0
1 2 / 1 2 2
2 / 1 0 2
c c se
x se x
x se x
x f

7.2.2 Vari vel Aleatria Bi-Dimensional Contnua

(X, Y) ser uma va contnua bidimensional se (X, Y) puder tomar todos os
valores em algum conjunto no-numervel do plano euclidiano. Por exemplo, se
(X,Y) assumir valores no retngulo R={(x,y)/asxsb,csysd}, (X,Y) uma va
bidimensional contnua.
Seja (X, Y) uma varivel aleatria contnua tomando valores na regio R do
plano euclidiano. A funo de probabilidade conjunta f uma funo que satisfaz s
seguintes condies:

( )
( )
}}
=
>
1 , )
0 , )
dydx y x f b
y x f a

A funo f(x,y) tambm chamada de funo densidade de probabilidade
conjunta .
Nota:
Para trabalhar com variveis contnuas bi-dimensionais, necessrio a
resoluo de integrais duplas. Integrais duplas so integrais definidas de funes de
duas variveis.

67
7.2.3 Resoluo de Integrais Duplas
A integral dupla
} }
b
a
d
c
dydx ) y , x ( f
a representao compacta de
dx dy ) y , x ( f
b
a
d
c
} }
(
.
Primeiro deve-se resolver a integral definida interna, considerando x constante.
Depois, resolva a integral de fora com o resultado da integral anterior.
Exemplo
1. Calcule
} }
1
0
2
1
2
dydx xy
x 3
3
y
x dy y x dy xy
2
1
2
1
2
1
3
2 2
=
(
= =
} }

2
3
2
x
3 dx x 3 dx dy xy
1
0
1
0
1
0
2 2
1
2
=
(
= =
(
} } }

Exerccios
1) Seja (X, Y) uma varivel aleatria continua com:
( )
s s s s
=
. . 0
1 0 1 0 4
,
c c se
y e x para xy
y x f
a) Verifique se f(x, y) uma funo densidade de probabilidade.
b) Calcule f(x) e f(y)

Resposta:
a) uma fdp b) f(x)=2x e f(y)=2y

2) Seja a funo definida abaixo f(x,y). Esta funo uma funo densidade de
probabilidade?
( )
s s s s
=
. . 0
4 2 1 0 1
,
c c se
y e x para
y x f
Resposta: no

3) Seja f(x, y) uma funo densidade de probabilidade. Calcule f(x) e f(y).

( )
s s s s
=
. . 0
2 1 1 0 2
,
c c se
y e x para xy
y x f
Resposta:
f(x)=3x e f(y)=y

4) Seja f(x, y) uma funo densidade de probabilidade . Calcule f(x) e f(y).

( )
s s s s
=
. . 0
1 0 1 0 9
,
2 2
c c se
y e x para y x
y x f

Resposta:
f(x)=3x f(y)=3y

68
7.2.4 Vari veis Aleatrias Independentes

Da mesma maneira que definimos o conceito de independncia de duas
variveis aleatrias discretas, agora definiremos o de variveis aleatrias
independentes contnuas. Intuitivamente, pretendemos dizer que X e Y so va
independentes quando o resultado de Y, por exemplo, de modo algum influencia o
resultado de X.
f(x,y)=f(x).f(y)

Teorema: Seja (X,Y) uma va contnua bidimensional. X e Y so independentes se, e
somente se f(x/y)=f(x)

Exemplo
1) Seja f(x,y) uma funo densidade de probabilidade . X e Y so independentes?
( )
s s s s
=
. . 0
2 1 1 0 2
,
c c se
y e x para xy
y x f
( ) x x x
y
x xydy x f 3
2
3
2
2
1
2
4
2
2
2 2
2
1
2
=
(
=
(
=
(
= =
}

( ) y y y
x
y xydx y f =
(
=
(
=
(
= =
}
2
1
2
2
0
2
1
2
2
2 2
1
0
2

Como f(x, y)=2xy=3x.3=f(x).f(y)=3xy, X e Y no so independentes.

Exerccios
1) Seja (X, Y) uma v.a . bidimensional contnua com fdp conjunta dada por:
( )
( )
> >
=
+
. . 0
0 0
,
c c se
y e x para e
y x f
y x

Calcule f(x/y). X e Y so independentes?
Resposta: f(x/y)=e
-x
Sim

2) Seja (X, Y) uma varivel aleatria continua com
( )
s s s s
=
. . 0
1 0 1 0 4
,
c c se
y e x para xy
y x f
X e Y so independentes?
Resposta: sim

7.2.5 Valor Esperado de uma Varivel Aleatri a Contnua

Definio: Seja X uma va contnua com fdp f. O valor esperado de X definido
como:

69

( ) ( )
}
= dx x xf X E

7.2.5.1 Propriedades do Valor Esperado

Seja X uma varivel aleatria contnua e a uma constante.

P1. E(a)=a
Quando X uma constante, temos que f(x)=1 neste valor. Ento
E (a)=}af(x)dx=}adx=a

P2. E(aX)=aE(X)
E(aX)=}axf(x)dx=a}xf(x)dx=aE(X)

P3. E (g(x))=}g(x)f(x)dx E(x)=} x f(x)dx
E(g(x,y))=}}g(x,y)f(x,y)dydx E(X.Y)=}}xy.f(x,y)dydx
Quando fazemos uma transformao na varivel aleatria, a transformao afeta
somente a varivel e no a sua funo densidade de probabilidade.

P4. E(X+Y)=E(X)+E(Y)
E(X+Y)=}}(x+y)f(x,y)dydx=}}xf(x,y)dydx+}}yf(x,y)dydx=}x[}f(x,y)dy]dx+}y[}f(x,y)dx]dy=
=}xf(x)dx+}yf(y)dy=E(X)+E(Y)

P5. Se X e Y so independentes, ento E (XY)=E(X).E(Y)
Se X e Y no so independentes, ento E(XY)=E(X).E(Y) e a diferena
E(XY)E(X).E(Y) utilizada como medida de dependncia entre X e Y. Essa medida
a covarincia entre X e Y.
Cov(X,Y)=E(XY)E(X).E(Y)=E[(XE(X))(YE(Y))]
Se X e Y so independentes cov(X,Y)=0 . A recproca nem sempre
verdadeira.

7.2.6 Vari ncia de uma Varivel Aleatria Contnua
A varincia de uma va mede a variabilidade desta em relao ao seu valor
esperado.
Seja X uma va . Definimos a varincia de X, denotada por V(X) ou Var(X) por:

( ) | | ( ) | |
2 2 2
E(X) X E X E X E Var(X) = =

A raiz quadrada de Var(x) o desvio-padro de X.

7.2.6.1 Propriedades da Varincia de uma Varivel Al eatria Contnua

Seja X uma varivel aleatria contnua e a uma constante.

P1. Var(X+a)=Var(X)

70
| | | | = + + + = + + = +
2 2 2 2 2
a ) X ( E ) a Xa 2 X ( E ) a X ( E ) a X ( E ) a X ( Var
) X ( Var )] X ( E [ ) X ( E a ) X ( aE 2 )] X ( E [ a ) X ( aE 2 ) X ( E
2 2 2 2 2 2
= = + +
P2. Var(aX)=aVar(X)
| | ( ) | | ( ) | |
( ) | | { } ( ) X Var a X E X E a
X E a X E a X aE X E a aX E aX E aX Var
2 2 2 2
2 2 2 2 2 2 2 2 2
) (
) ( ) ( ) ( ) ( ) (
=
= = = =

P3. Var(a)=0
Var(a)=E(a)-[E(a)]=a-a=0
P4. Var(X+Y)=Var(X)+Var(Y)+2cov(X,Y)
( ) ( ) ( ) | | ( ) ( ) ( ) | |
( ) ( ) ( ) ( ) | | ( ) ( ) ( ) | |
( ) ( ) | | ( ) ( ) | | ( ) ( ) ( ) { } ( ) ( ) ( ) Y X Cov Y Var X Var Y E X E XY E Y E Y E X E X E
Y E Y E X E X E Y E XY E X E
Y E X E Y XY X E Y X E Y X E Y X Var
, 2 2
2 2
2
2 2 2 2
2 2 2 2
2 2 2 2 2
+ + = + + =
= + + =
= + + + = + + = +

Exerccios
1) Calcule o valor esperado das seguintes variveis aleatrias:
( )
s s +
s s
=
. . 0
2 1 2
1 0
c c se
x se x
x se x
x f
Resposta: 1

2) Seja X uma va contnua com fdp:
( )
s s
s s +
=
. . 0
1 0 1
0 1 1
c c se
x se x
x se x
x f
Calcule E(X).
Resposta: 0

3) Seja (X, Y) uma varivel aleatria continua com
( )
s s s s
=
. . 0
1 0 1 0 4
,
c c se
y e x se xy
y x f
Calcule Cov(x,y).
Resposta: 0

4) Seja (X, Y) uma varivel aleatria continua com:
( )
s s s s
=
. . 0
2 1 1 0 2
,
c c se
y e x se xy
y x f
Calcule cov(x,y).
Resposta: - 7/9

71
5) Em uma determina localidade, a distribuio de renda em s.m. uma varivel
aleatria X com fdp:

>
s < +
s s +
=
6 0
6 2
20
9
40
3
2 0
10
1
10
1
) (
x se
x se x
x se x
x f

a) Qual a renda mdia da localidade?
b) Escolhida uma pessoa ao acaso, qual a probabilidade de sua renda ser superior a
3 s.m.?
Respostas:
a) 2,47 b) 0,3375

6) Os depsitos efetuados no Banco do Brasil da Rocinha(em s. m.) so
representados por uma v.a continuada X com fdp dada abaixo. Um depsito
selecionado, ao acaso, dos depsitos referentes de um ms. Calcule a probabilidade
de que o depsito seja de 1 s.m. ou menos. Qual o valor mdio dos depsitos?

>
s s
=
3 0
3 0
3
1
) (
x se
x se
x f

Respostas:
a) 0,3333 b) 1,5

7) A demanda diria de feijo em um supermercado, em quilos, uma v.a. X com
f(x):

> <
s s +
< s
=
3 0 0
3 1 1
3
1 0
3
2
) (
x ou x se
x se
x
x se
x
x f

a) f(x) uma fdp
b) Qual a probabilidade de, em um dia escolhido ao acaso, se vender mais do que
1,5 Kg?
c) Em 30 dias, quanto o gerente espera vender?
Respostas:
a) sim b) 0,375 c) 40 Kg

8) Calcule a varincia das variveis aleatrias abaixo:
( )
s s
s s +
=
. . 0
1 0 1
0 1 1
c c se
x se x
x se x
x f

Resposta: 1/6

7.3 Distribui o Normal

A distribuio normal aparece na estatstica por duas razes principais:
1) Descreve muitas populaes originais, pois no difcil encontrar variveis que se
referem a fenmenos naturais ou sociais que tenham distribuio normal, como por
exemplo, inteligncia, altura fsica de pessoas, erros de medida, comportamento etc.

72
Dados que so influenciados por pequenos e no relacionados efeitos aleatrios
tambm so aproximadamente distribudos normalmente. Exemplo: estoque,
temperatura, demanda.
2) Descreve algumas distribuies amostrais importantes, em especial a da mdia
amostral. Assim, a distribuio normal pode servir como descrio de uma populao
original ou de uma distribuio amostral.
Em 1756, de Moivre demonstrou como um conjunto de sorteios aleatrios se
distribue em torno do seu valor mdio.
Em uma distribuio normal, aproximadamente 68% das observaes se
situaro dentro de um desvio-padro da mdia de todas as observaes e 95%
delas se situaro dentro de dois desvios-padres da mdia.

Exemplo: Suponha que a altura de estudantes, em cm, distribuda normalmente
com uma mdia de 150 cm e um desvio-padro de 20 cm. Qual a probabilidade de
se obter estudantes com mais de 170 cm de altura?
P(X>170)=P(X>150+20)~0,5-0,34=0,16

Definio: A v.a. X que tome todos os valores reais -<x<, tem uma distribuio
Normal (ou Gaussiana) se sua funo densidade de probabilidade for da forma:

2
2
2
2
1
2
) (
2
1
2
1
) (
|
.
|
\
|

= =

x x
e e x f
onde e o so os parmetros da distribuio.

Veremos depois que =E(X) e o=Var(X)
O grfico de f(x) apresenta a forma de sino e simtrica em relao a .
Observe que quando x, f(x)0, assintoticamente. Da mesma forma, possvel
observar a semelhana entre o grfico da distribuio normal e os grficos,
anteriormente apresentados, das distribuies binomiais. A semelhana entre eles
to maior quanto maior for o n da distribuio binomial.
Distribuio Normal com 5 . 12 25
2
= = e

25
Nota:

73
O achatamento do grfico determinado por o
2
, no sentido de que se X tiver
distribuio N(,o
1
2
) e Y tiver distribuio N(, o
2
2
), onde o
1
2
>o
2
2
, ento o grfico de
f(x) vai ser mais achatado do que o de f(y)
NOTAO:
- X~N(,o
2
)
- l-se: X tem distribuio normal com parmetros e o
2

- Parmetros: ,o -<< e o>0
- o valor mdio da distribuio e
o
2
a varincia da distribuio
- R
x
=]-,+[

Nota:
Se X tiver distribuio normal com parmetros =0 e o
2
=1, dizemos que X tem
distribuio normal padro ou reduzida. Nesse caso a funo densidade dada por
2
2
2
1
) (
x
e x f

=

e seu grfico est centrado em 0.

7.3.1 Esperana e Varincia
Os dois parmetros e o
2
, que caracterizam a distribuio Normal, so a
expectncia e a varincia de X, respectivamente. Para diz-lo de outra maneira, se
soubermos que X distribudo normalmente, saberemos apenas que sua distribuio
de probabilidade de um certo tipo (ou pertence a uma certa famlia). Se, alm disso,
conhecermos E(X) e V(X), a distribuio de X estar completamente especificada.
dx e x X E
x
2
2
2
) (
.
2
1
) (

}
=
Utilizando o mtodo de integrao por substituio, obteremos:
z
x
=

e dx=o dz x=oz+ e dx/dz=o

dz
z
z X E )
2
exp( ). . (
2
1
) (
2
+ =
}

E X ( ) = + = 0
dx x x X E ] ) .(
2
1
exp[ .
2
1
) (
2 2 2
=
}

Fazendo z
x
=

e dx=o dz, obteremos

dx
z
z X E )
2
exp( . .) . (
2
1
) (
2
2 2

+ =
}

E(X
2
)=o
2
+
2

74

V(X)=E(X
2
)-E
2
(X)=o
2
+
2
-
2
=o
2

7.3.2 A Distri buio Normal Padro ou Reduzi da
Seja Z uma varivel aleatria. Se Z tiver distribuio N(0,1), diremos que Z
possui distribuio normal reduzida. A importncia dessa distribuio est no fato de
que ela est tabelada, o que significa que para intervalos pr-determinados de Z, a
rea contida nesse intervalo est expressa em uma tabela. Isto representa uma grande
vantagem para o clculo de probabilidades.

-3 -2 -1 0 1 2 3
Vamos supor que voc precise calcular a P( Z s 1 ). Utilizando f(z):
}

= s
1
2
2
2
1
) 1 ( dz e Z P
z

Esta integral no pode ser calculada pelos caminhos comuns
5
. Contudo,
mtodos de integrao numrica podem ser empregados para calcular integrais dessa
forma, e de fato P(Zs z) ou P(0 s Z s z) tem sido tabelada.
O valor que est no miolo da tabela a probabilidade aproximada, calculada
atravs de integrao numrica.
A seguir apresentamos a tabela Normal Padro, que contm a probabilidade de
Z s z, que tambm chamada de u(z). Assim,
u(z)=P(Z s z) funo acumulada
u(1)=P(Z s 1)=0,8413 linha 1,0 e coluna 0,00
u(1,01)=P(Z s 1,01)=0,8438 linha 1,0 e coluna 0,01
u(1,1)=P(Z s 1,10)=0,8643 linha 1,1 e coluna 0,0

NOTA SOBRE A LEITURA DA TABELA NORMAL REDUZIDA
A leitura da tabela deve ser entendida da seguinte forma: as linhas indicam o
distanciamento em relao ao ponto mdio da distribuio - o valor zero - at a

5
Essa dificuldade reside no fato de que no podemos aplicar o Teorema Fundamental do Clculo,
porque no podemos achar uma funo cuja derivada seja igual a exp {(-x)
2
/2}

75
primeira casa decimal. As colunas complementam essa informao, adicionando a
segunda casa decimal.
Nota:
- Observe, pelo grfico da distribuio normal que P(Z s 1)= P(Z > 1) e que
P(Z > 1)=1 P(Z s1). Assim:
P(Z s 1)=1 P(Z s1). u(1)=1u(1)
Na forma geral: seja z=1.
u(z)=1u(z)
- Para resolver ento P(a s Z s b) onde Z~N(0,1) faremos:
P(a s z s b)=P(Z s b) P(Z s a)=u(b) u(a), onde u(b) e u(a) so retirados
da tabela da Normal (0,1).

Probabi lidades acumuladas associadas aos valores crticos
(z) da di stribuio normal reduzida
p
Z 0,00 0,01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.5000 0.5040 0.5080 0.5120 0.5160 0.5199 0.5239 0.5279 0.5319 0.5359
0.1 0.5398 0.5438 0.5478 0.5517 0.5570 0.5596 0.5636 0.5675 0.5714 0.5753
0.2 0.5793 0.5832 0.5871 0.5910 0.5948 0.5987 0.6026 0.6064 0.6103 0.6141
0.3 0.6179 0.6217 0.6255 0.6293 0.6331 0.6368 0.6406 0.6443 0.6480 0.6517
0.4 0.6554 0.6591 0.6628 0.6664 0.6700 0.6736 0.6772 0.6808 0.6844 0.6879

0.5 0.6915 0.6950 0.6985 0.7019 0.7054 0.7088 0.7123 0.7157 0.7190 0.7224
0.6 0.7257 0.7291 0.7324 0.7357 0.7389 0.7422 0.7454 0.7486 0.7517 0.7549
0.7 0.7580 0.7611 0.7642 0.7673 0.7704 0.7734 0.7764 0.7794 0.7823 0.7852
0.8 0.7881 0.7910 0.7939 0.7967 0.7995 0.8023 0.8051 0.8078 0.8106 0.8133
0.9 0.8159 0.8186 0.8212 0.8238 0.8264 0.8289 0.8315 0.8340 0.8365 0.8389

1.0 0.8413 0.8438 0.8461 0.8485 0.8508 0.8531 0.8554 0.8577 0.8599 0.8621
1.1 0.8643 0.8665 0.8686 0.8708 0.8729 0.8749 0.8770 0.8790 0.8810 0.8830
1.2 0.8849 0.8869 0.8888 0.8907 0.8925 0.8944 0.8962 0.8980 0.8997 0.9015
1.3 0.9032 0.9049 0.9066 0.9082 0.9099 0.9115 0.9131 0.9147 0.9162 0.9177
1.4 0.9192 0.9207 0.9222 0.9236 0.9251 0.9265 0.9279 0.9292 0.9306 0.9319

1.5 0.9332 0.9345 0.9357 0.9370 0.9382 0.9394 0.9406 0.9418 0.9429 0.9441
1.6 0.9452 0.9463 0.9474 0.9484 0.9495 0.9505 0.9515 0.9525 0.9535 0.9545
1.7 0.9554 0.9564 0.9573 0.9582 0.9591 0.9599 0.9608 0.9616 0.9625 0.9633
1.8 0.9641 0.9649 0.9656 0.9664 0.9671 0.9678 0.9686 0.9693 0.9699 0.9706
1.9 0.9713 0.9719 0.9726 0.9732 0.9738 0.9744 0.9750 0.9756 0.9761 0.9767

2.0 0.9772 0.9778 0.9783 0.9788 0.9793 0.9798 0.9803 0.9808 0.9812 0.9817
2.1 0.9821 0.9826 0.9830 0.9834 0.9838 0.9842 0.9846 0.9850 0.9854 0.9857
2.2 0.9861 0.9864 0.9868 0.9871 0.9875 0.9878 0.9881 0.9884 0.9887 0.9890
2.3 0.9893 0.9896 0.9898 0.9901 0.9904 0.9906 0.9909 0.9911 0.9913 0.9916
2.4 0.9918 0.9920 0.9922 0.9925 0.9927 0.9929 0.9931 0.9932 0.9934 0.9936

2.5 0.9938 0.9940 0.9941 0.9943 0.9945 0.9946 0.9948 0.9949 0.9951 0.9952
2.6 0.9953 0.9955 0.9956 0.9957 0.9959 0.9960 0.9961 0.9962 0.9963 0.9964
2.7 0.9965 0.9966 0.9967 0.9968 0.9969 0.9970 0.9971 0.9972 0.9973 0.9974
2.8 0.9974 0.9975 0.9976 0.9977 0.9977 0.9978 0.9979 0.9979 0.9980 0.9981
2.9 0.9981 0.9982 0.9982 0.9983 0.9984 0.9984 0.9985 0.9985 0.9986 0.9986

3.0 0.9987 0.9987 0.9987 0.9988 0.9988 0.9989 0.9989 0.9989 0.9990 0.9990
3.1 0.9990 0.9991 0.9991 0.9991 0.9992 0.9992 0.9992 0.9992 0.9993 0.9993
3.2 0.9993 0.9993 0.9994 0.9994 0.9994 0.9994 0.9994 0.9995 0.9995 0.9995
3.3 0.9995 0.9995 0.9995 0.9996 0.9996 0.9996 0.9996 0.9996 0.9996 0.9997
3.4 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9998

76
Exemplos

1) Se Z tem distribuio N(0,1), calcule as seguintes probabilidades:

P(Z s 0,54)=u(0,54)=0.7054 linha 0,5 e coluna 0,04

P(Z s 1,55)=u(1,55)=0,9394 linha 1,5 e coluna 0,05

P(0,05 s Z s0,54)=u(0,54)- u(0,05)=0,7054-0,5199=0.1855

P(Z > 2)=1-P(Z s 2)=1-0,9772=0,023

2) Se a expresso "rea" se refere rea sob a curva normal padronizada,
determine o valor de k tal que a rea entre 0 e k seja igual a 0,3770.
P(0s Z s k)=0,3770
u(k)- u(0)=0, 3770
u(k)-0,5=0,3770
u(k)=0.8770
k=1,16

Exerccios
1) Determinar as seguintes probabilidades, onde Z~N(0,1).

a) P(Z s 1,5) g) P(Z s 0,23)

b) P(Z > 1,3) h) P(Z > -1,33)

c) P( Z s -0,5) i) P(-1,68 s Z s -0,5)

d) P(0 s Z s 0,9) j) P(-0,18 s Z s 0,59)

e) P(-1s Z s 1) k) P(-1,24 s Z s 1,45)

f) P( Z s -1,96) l) P( Z s -3,96)

Respostas:
a)0,9332 b)0,0968 c) 0,3085 d)0,3159 e)0,6826 f)0,0250
g) 0,5910 h) 0,9082 i) 0,4534 j) 0,2938 k) 0,8190 l) 0,0002

7.3.3 Transformao De Uma Normal Para Uma Reduzida
Vimos que a distribuio Normal Reduzida apresenta mdia zero e desvio-
padro igual a um. Mas e se X~N(,o
2
), ou seja, se nos defrontarmos com uma
distribuio dessa natureza, o que podemos fazer?
Sempre que X tiver a distribuio N(,o
2
) poderemos obter a forma reduzida,
pela adoo de uma funo linear de X, como indica o seguinte teorema:

TEOREMA:
Se X tiver a distribuio N(,o
2
) e se Z=aX+b, ento Z ter distribuio
N(a+b,a
2
o
2
).

COROLRIO:

77
Se X tiver distribuio N(,o
2
) e se Z=(X-)/o, ento Z ter distribuio N(0,1).

Prova: Z uma funo linear de X e, por isso o TEOREMA anterior se aplica.

Ento, para se calcular a P(a s X s b) onde X~N(,o
2
)
P a X b P a X b P
a X b
( ) ( ) s s = s s =

s

s
|
\
|
.
|

o

o

o

P a X b P
a
Z
b b a
( ) s s =

s s
|
\
|
.
| =
|
\
|
.
|
|
\
|
.
|
o

o

o

o
u u
P X b P X b P
X b
P Z
b b
( ) ( ) s = s =

s
|
\
|
.
| = s
|
\
|
.
| =
|
\
|
.
|

o

o

o

o
u
|
.
|
\
|
o

s = |
.
|
\
|
o

s
o

= s = s = >
b
Z P 1
b X
P 1 ) b X ( P 1 ) b X ( P 1 ) b X ( P
Exemplos
1) Se X tem distribuio N(10,4), calcule as probabilidades abaixo:
% 3 , 38 383 , 0 3085 . 0 6915 . 0 ) 5 . 0 ( ) 5 , 0 ( ) 5 , 0 5 , 0 (
2
10 11
2
10
2
10 9
) 11 9 ( )
= = = u u = s s =
=
|
.
|
\
|
s
= s s
Z P
X
P X P a
% 13 , 84 8413 . 0 ) 1 ( ) 1 (
2
10 12
2
10
) 12 ( ) = = u = s =
|
.
|
\
|
s
= s Z P
X
P X P b
% 83 , 24 2483 , 0 ) 675 . 0 ( 1
2
10 35 , 11
) 35 , 11 ( ) = = =
|
.
|
\
|
> = > Z P X P c

2) O peso mdio de 500 estudantes do sexo masculino de certo colgio 68 Kgs e o
desvio padro de 7 Kg. Supondo os pesos distribudos normalmente, determine
quantos estudantes pesaro entre 54 Kg e 71,5 Kg.
A proporo procurada de estudantes =P(54 s X s 71,5) =
P Z P Z
54 68
7
715 68
7
2 05 05 20 06915 00228 06687
s s
|
\
|
.
| = s s = = =
,
( , ) ( , ) ( , ) . . . u u
Ento o nmero de estudantes que pesam entre 54 e 71,5 500 X 0,6687=334.

Exerccios
1) Calcule P(2sXs3) onde X~N(2,1).

2) Calcule P(-3sXs3) onde X~N(2,2).

3) Suponha que X tenha distribuio N(3,4). Desejamos achar um nmero c, tal que
P(X>c)=2.P(Xsc).
4) Seja ( )
s s +
=
cc se
x se k x
x f
0
3 0
6
1
. Calcule k e P(1 s X s2).

5) Seja ( )
s s
=
cc se
x se x x
x f
0
1 0 ) 1 ( 6
. Calcule P(Xs1/2).

6) Seja f(x,y)=3xy+3yx se 0sxs1 e 0sys1 e f(x,y)=0 se cc. Determine:
a) f(x) e f(y)

78
b) E(X) e E(Y)
c) Var(X) e Var(Y)
d) P(0,5 <X <0,75)

7) Seja ( )
s s s s +
=
cc se
y e x se y x
y x f
0
1 0 1 0
, . Determine
a) f(x) e f(y)
b) E(Y)
c) E(X)
d) cov(x,y)
8) X uma v.a. contnua tal que
s s
=
. . 0
1 0
) (
3 2
c c se
x se Kx Kx
x f . Determine
a) K
b) ( ) X E
c) ( ) X Var

9) Seja z uma varivel com distribuio normal padro. Calcule:
( ) 44 , 1 0 ) < < Z P a
( ) 0 85 . 0 ) < < Z P b
( ) 05 , 2 48 , 1 ) < < Z P c
( ) 89 , 1 72 , 0 ) < < Z P d
( ) 08 , 1 ) > Z P e
( ) 66 , 0 ) > Z P f

10) Uma fbrica de pneumticos fez um teste para medir o desgaste de seus pneus
e verificou que ele obedecia a uma distribuio normal, de mdia 48.000km e
desvio-padro 2.000 km. Calcule a probabilidade de um pneu escolhido ao acaso
dure:
a) mais que 46.000 Km
b) dure entre 45.000 e 50.000 km

11) Seja X uma v.a tal que X~N(12,25). Qual a probabilidade de que uma das
observaes, ao acaso,
a) seja menor do que -3
b) cair entre 1 e 15.

12) O salrio semanal dos operrios de uma indstria distribudo normalmente, em
torno de uma mdia de R$180,00 com um desvio-padro de R$25,00. Qual a
probabilidade de um operrio ter salrio semanal situado entre R$150 e R$178?

13) Em uma distribuio normal, 28% dos elementos so superiores a 34 e 12%
inferiores a 19. Encontre a mdia e a varincia da distribuio.

14) Seja Y uma funo tal que Y=X
1
+X
2
+X
3
e as variveis X
i
so independentes
com as seguintes distribuies: X
1
~N(10,9), X
2
~N(-2,4) e X
3
~N(5,25). Qual a
distribuio de Y?

79
15) Suponha que a durao de vida de dois equipamentos E
1
e E
2
tenham
respectivamente distribuies N(45,9) e N(40,36). Se o equipamento tiver que ser
usado por um perodo de 45 horas, qual deve ser preferido?

16) A probabilidade de sucesso de um quadro de um artista 1/3. Expostos 18
quadros, calcule a probabilidade de:
a) 8 terem sucesso
b) menos do que 3 terem sucesso

Respostas
1) 0,3413 2) 0,76 3) 2,14 4) 1/12 e 1/3
5) 0,5
6) 30 , 0 )
2880
139
2880
139
)
24
17
24
17
)
2
3
2
3
)
2 2
d e c e b y
y
e x
x
a + +
7)
144
1
)
12
7
)
12
7
)
2
1
2
1
)

+ + d c b y e x a
8)
25
1
)
5
3
) 12 ) c b K a =
9)
a) 0,4251 b) 0,3023 c) 0,9104 d) 0,2064 e) 0,1401 f) 0,7454

10) a)0,8413 b)0,7745

11) a) 0,0013 b) 0,721

12) 0,3530

13) 06 , 29 64 , 72
2
= =

14) ) 38 , 13 ( ~N Y

15) E
1

16) a) 0,1157 b) 0,0326

8. Regresso Linear Simples

O foco da anlise de regresso predizer o valor de uma varivel
(dependente), dado que seja conhecido o valor da varivel associada
(Independente). Isso ser feito a partir de n observaes e de um modelo
matemtico (equao de regresso), que uma formula algbrica pela qual se
determina o valor da varivel dependente. Podemos citar inmeros exemplos dentre
eles qual a relao entre a idade e altura entre os habitantes de uma determinada
regio, ou qual o impacto dos anos de estudos na renda de um determinado grupo
de indivduos, ou se h uma relao entre a idade e a renda etc

8.1 Diagrama de Disperso

Um diagrama de disperso um grfico representado, em um sistema
coordenado cartesiano ortogonal, por pares ordenados(x
i
, y
i
) que representam os

80

pontos, onde as variveis dependentes(Y) esto representadas no eixo das
ordenadas e as variveis independentes(X) esto no eixo das abscissas. O conjunto
desses pontos forma uma nuvem de pontos que chamaremos de diagrama de
disperso.

Correlao positiva entre X e Y Forte Correlao Positiva entre X e Y

Correlao Positiva Perfeita entre X e Y

Correlao Negativa entre X e Y Forte Correlao Negativa entre X e Y

Correlao Negativa Perfeita entre X e Y Correlao No-Linear entre X e Y

X
Y
X
Y
X
Y
Y
Y
X X
Y
X
Y
X

81
8.2 Coeficiente de Correl ao

Como as concluses tiradas de diagramas de disperso tendem a ser
subjetivas, necessitamos de mtodos mais precisos e objetivos. Vamos usar o
coeficiente de correlao linear para detectar padres lineares, mas no padres
no-lineares. O instrumento utilizado ser o coeficiente de correlao de Pearson
que dado por:

|
|
.
|
\
|
|
|
.
|
\
|
=

2
__
2
2
__
2
__ __
y n y x n x
y x n y x
r
i i
i i

onde n o numero de observaes

Os valores limites de r so 1 e 1, isto , o valor de r pertence ao intervalo
| | 1 ; 1 + . Se X e Y so independentes, ento obviamente a correlao zero. Se o
coeficiente de correlao for positivo, sabemos que, quando X tende a crescer, o
mesmo ocorre com Y, por outro lado se o coeficiente de correlao for negativo, Y
tende a se tornar pequeno quando X cresce. Quando estivermos calculando o
coeficiente de correlao da populao usaremos o (r).

Se r =1 h uma correlao perfeita positiva entre X e Y
Se r =-1 H uma correlao perfeita negativa entre X e Y
Se r =0 No h correlao entre X e Y ou a relao porventura no linear

Obs.:
Se 1 6 , 0 s s r podemos fazer algumas concluses significativas sobre o
comportamento das variveis envolvidas
Se 6 , 0 3 , 0 < s r h uma correlao relativamente fraca entre X e Y
Se 3 , 0 0 < < r h uma correlao muito fraca e nada podemos concluir
sobre a relao entre X e Y.

8.3 Modelo de Regresso Simples

Agora vamos descrever a relao, determinando a equao da reta, entre as
variveis envolvidas. A varivel sobre a qual desejamos fazer uma estimativa recebe
o nome de varivel dependente e a outra recebe o nome de varivel independente.
Assim supomos Y como a varivel dependente e X a varivel independente e nosso
objetivo ser procurar o ajustamento de uma reta relao entre as variveis,
obtidas por uma funo:

bX a Y + =

onde a(O intercepto Y) e b(O coeficiente angular) so os parmetros. Ento vamos
calcular os valores dos parmetros a e b de acordo com as seguintes frmulas:

82

___ __
2
___
2
__ __
X b Y a
x n x
y x n y x
b
i
i i
=

onde
n =nmero de observaes

n
x
X
i
=
___
a mdia dos valores de x
i

n
y
Y
i
=
___
a mdia dos valores de y
i

Como estamos fazendo uma estimativa da reta vamos chamar a equao de:

X Y
A A A
+ =
Reta Ajustada ou Reta Esperada.
onde

A
Y o Y estimado

O grau de ajustamento da reta(R
2
) varia de 0 1 ou de 0% a 100% e para isso
vamos usar a seguinte formula:

|
|
.
|
\
|
|
|
.
|
\
|
A
2
__
2
2
___
2
2
2
y n y
x n x
R
i
i
ou
2 2
r R =

Exemplo
Considere um modelo de regresso simples do tipo Y = a + bx, que
teoricamente serviria para descrever o comportamento do mercado de uma dada
marca de automvel de consumo de massa, onde Y a venda dos veculos em
milhes de dlares e X a massa salarial, tambm em milhes de dlares. Considere,
a seguinte amostra para os dados Y e X.

Y(Vendas) X(Salrio)
360 100
440 200
550 300
630 400
700 500

a) Calcule a correlao entre X e Y
b) Estime os parmetros do modelo

83
c) Calcule o grau de ajustamento e faa sua interpretao
d) Qual o valor esperado da venda de veculos se a massa salarial fosse de 380
milhes de dlares
Soluo:

Y(Vendas) X(Salrio)
X
2
Y
2
XY

360 100
10000 129600 36000

440 200
40000 193600 88000

550 300
90000 302500 165000

630 400
160000 396900 252000

700 500
250000 490000 350000
Somatrio 2680 1500 550000 1512600 891000
Mdia 536 300 110000 302520 178200

a)
( )( )
99717 , 0
536 5 1512600 300 5 550000
536 300 5 891000
2 2 2
__
2
2
__
2
__ __
=

=
|
|
.
|
\
|
|
|
.
|
\
|
=

y n y x n x
y x n y x
r
i i
i i

b)
87 , 0
300 5 550000
536 300 5 891000
2 2
___
2
__ __
=

=
x n x
y x n y x
b
i
i i 275 300 87 , 0 536
___ __
= = = X b Y a
Logo X Y 87 , 0 275+ =
A
isto um aumento em 1 milho de dlares ir aumentar as
vendas dos veculos em 870.000 mil dlares.

c) ( ) % 44 , 99 99435 , 0 9972 , 0
2 2 2
~ = = = r R , isto significa que a variao da massa
salarial(X) explica em 99,44% da venda de carros(Y).

Ou
( )
( )
99435 , 0
536 5 1512600
300 5 550000 87 , 0
2
2
2 2
2
__
2
2
___
2
2
=

=
|
|
.
|
\
|
|
|
.
|
\
|
A
y n y
x n x
R
i
i

d) 60 , 605 380 87 , 0 275 = + =
A
Y Milhes de Dlares

Exerccios

1) Dada as observaes da renda mdia (X) e do consumo de pizza (Y) durante um
ms, em 8 cidades brasileiras distintas:

Cidade Renda (R$ 1.000,00) Venda de Pizzas (Milhares)
1 5 27
2 10 46
3 20 73
4 8 40
5 4 30
6 6 28
7 12 46
8 15 59
Somatrio
Mdia

84
a) Calcule o grau de correlao
b) Estabelea a equao de regresso de Y sobre X
c) Calcule o grau de ajustamento e faa sua interpretao
d) Para uma renda de 17 e de 7 qual seria o consumo de pizzas.

2) Certa empresa, estudando a variao da demanda de seu produto em relao
variao de preo de venda, obteve a tabela:

Preo(X) 38 42 50 56 59 63 70 80 95 110
Demanda(Y) 350 325 297 270 256 246 238 223 215 208

a) Determine o coeficiente de correlao
b) Estabelea a equao da reta ajustada.
c) Estime Y para X=60 e X=120
d) Calcule o grau de ajustamento e faa sua interpretao

3) A tabela a seguir mostra o preo do feijo no ano de 2007.

Ms(X) J an Fev Mar Abr Mai J un J ul Ago
Preo (R$)
(Y)
2,57 2,56 2,59 3,40 3,23 3,67 3,80 3,99
Fonte: Quitanda do Manoel
a) Calcule o grau de correlao
b) Estabelea a equao de regresso de Y sobre X
c) Estime o valor do feijo produto para o ms de Outubro
Sugesto: Substitua os meses, respectivamente por 1, 2,...

Estatística Aplicada

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Estatística Aplicada

Enviado por

Direitos autorais:

Formatos disponíveis

ESTATSTICA APLICADA

, letra grega maiscula sigma. Assim,

= Q PQ ver na frequncia acumulada da tabela

e dx=o dz x=oz+ e dx/dz=o

e dx=o dz, obteremos

Você também pode gostar