Você está na página 1de 80

M TODOS Q UANTITATIVOS

1a Edio - 2009

SOMESB
S OCIEDADE M ANTENEDORA DE E DUCAO S UPERIOR DA B AHIA S/C LTDA .
G ERVSIO M ENESES O LIVEIRA
P RESIDENTE

S AMUEL S OARES S UPERINTENDENTE A DMINISTRATIVO E F INANCEIRO G ERMANO TABACOF S UPERINTENDENTE DE E NSINO, P ESQUISA E E XTENSO P EDRO DALTRO G USMO DA S ILVA S UPERINTENDENTE DE D ESENVOLVIMENTO E P LANEJAMENTO ACADMICO

FACULDADE DE T ECNOLOGIA E C INCIAS E NSINO A D ISTNCIA


R EINALDO DE O LIVEIRA B ORBA
D IRETOR G ERAL

FTC EAD

M ARCELO N ERY D IRETOR ACADMICO J EAN C ARLO N ERONE


D IRETOR
DE

T ECNOLOGIA

A NDR P ORTNOI D IRETOR A DMINISTRATIVO E F INANCEIRO

R ONALDO C OSTA G ERENTE ACADMICO J ANE F REIRE G ERENTE DE E NSINO


L US C ARLOS N OGUEIRA A BBEHUSEN
G ERENTE DE S UPORTE T ECNOLGICO

R OMULO AUGUSTO M ERHY C OORD. DE S OFTWARES E S ISTEMAS O SMANE C HAVES C OORD. DE T ELECOMUNICAES E H ARDWARE J OO J ACOMEL C OORD. DE P RODUO DE M ATERIAL D IDTICO

M ATERIAL D IDTICO
P RODUO ACADMICA
J ANE F REIRE G ERENTE DE E NSINO A NA PAULA A MORIM
S UPERVISO

P RODUO T CNICA
J OO J ACOMEL C OORDENAO
M RCIO M AGNO R IBEIRO DE M ELO
R EVISO
DE

T EXTO

C AROLINE F ERNANDES PASTANA


C OORDENADOR DE C URSO

PAULO H ENRIQUE R IBEIRO DO R EVISO DE C ONTEDO

N ASCIMENTO

J ONES G ARCIA

DA M ATA AUTOR ( A )

A DRIANO P EDREIRA C ATTAI PAULO H ENRIQUE R IBEIRO DO N ASCIMENTO


E DIO
EM

LATEX 2

E QUIPE A NDR P IMENTA , A NTONIO F RANA F ILHO, A MANDA RODRIGUES , B RUNO B ENN DE LEMOS, C EFAS G OMES, C LUDER F REDERICO F ILHO, F RANCISCO F RANA J NIOR , H ERMNIO F ILHO, I SRAEL DANTAS, J OHN C ASAIS, MRCIO S ERAFIM , MARIUCHA S ILVEIRA P ONTE E
Copyright c 2008 FTC EAD Todos os direitos reservados e protegidos pela lei 9.610 de 19/02/98. proibida a reproduo total ou parcial, por quaisquer meios, sem autorizao prvia, por escrito, da FTC EAD - Faculdade de Tecnologia e Cincias - Ensino a distncia. www.ead.ftc.br

Sumrio
Bloco 1: Estatstica Descritiva 9

Tema 1: Tabulao de Dados, Medidas de Tendncia Central e Medidas de Disperso 9


Contedo 1: Distribuio de Frequncias 1.1 1.2 1.3 1.4 Introduo Estatstica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.1.1 Conceitos Importantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Sries Estatsticas 1.3.1 1.4.1 1.4.2 1.4.3 9 9 9 10 11 11 12 12 14 15 16 16 17 17 17 18 18 19 19 19 20 20 21 21 21 21 22 23 24 24 24 25 25 25 26 26 27 27 3

Tabulao de Dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Rol . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Componentes de uma distribuio de frequncias em classes . . . . . . . . . . . . . . . Agrupamento em Classes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Construo das classes de frequncia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Distribuio de Frequncias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Contedo 2: Representao Grca, Histograma 1.4.4 1.4.5 1.4.6 1.4.7 1.4.8 1.4.9 Histograma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Ogivas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Grco de barras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Grcos de colunas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Grcos de setores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Diagrama de Disperso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.4.10 Grcos Pictricos ou Pictogramas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.4.11 Falhas na elaborao de grcos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.4.12 Grco sucata (chart junk) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.4.13 Ausncia de base relativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.4.14 Eixo vertical comprido . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.4.15 Ausncia do Ponto Zero . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Contedo 3: Medidas de Tendncia Central 1.5 Mdias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.5.1 1.5.2 1.5.3 1.5.4 1.5.5 1.5.6 1.5.7 1.5.8 1.6 1.6.1 1.6.2 1.6.3 1.6.4 Mdia Aritmtica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Propriedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Clculo da Mdia Aritmtica para Dados Repetidos . . . . . . . . . . . . . . . . . . . . . Vantagens da Mdia Aritmtica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Desvantagens da mdia aritmtica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Clculo da Mdia Aritmtica de Dados Agrupados em Classes de Frequncia . . . . . . Mdia Geomtrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Mdia harmnica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Calculo da mediana para dados repetidos . . . . . . . . . . . . . . . . . . . . . . . . . . . Vantagens da Mediana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Desvantagem da Mediana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Mediana para dados agrupados em classes . . . . . . . . . . . . . . . . . . . . . . . . . .

Mediana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Mtodos Quantitativos

1.7

Moda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.7.1 Vantagens da moda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.7.2 Desvantagens . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

28 29 29 29 29 29 30 30 30 31 32 32 32 32 33

Contedo 4: Medidas de Disperso 1.8 Amplitude total (h) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.9 Desvio mdio (DM ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.10 1.11 1.12 1.13 Varincia ( 2 ) . . . . . . . . . . . . . . . . . . . . . . Desvio Padro . . . . . . . . . . . . . . . . . . . . . . Desvio padro e varincia populacional e amostral . Coeciente de disperso relativa (disperso relativa) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.14 Medidas de Ordenamento e Posio 1.14.1 Quartis . . . . . . . . . . . . . . 1.14.2 Decis . . . . . . . . . . . . . . . 1.14.3 Percentis . . . . . . . . . . . . . 1.15 Atividade Complementar . . . . . . .

Tema 2: Probabiidade
Contedo 1: Equivalncia de Capitais 2.1 Contedo 1: Conceito e Denio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2 Combinao de Eventos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2.1 Unio de dois ou mais eventos . . . 2.2.2 Interseo de dois ou mais eventos 2.2.3 Complementar de um evento . . . . 2.3 Frequncia relativa . . . . . . . . . . . . 2.4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

34
34 34 35 35 36 36 36 37 37 37 38 40 40 40 42 42 43 43 43 43 44 46

2.3.1 Propriedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Denio de Probabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.4.1 Propriedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Contedo 2: Probabilidade Condicional Contedo 3: Teorema da Multiplicao e Teorema da Probabilidade Total 2.4.2 2.4.3 Teorema da Multiplicao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Teorema da Probabilidade Total . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Contedo 4: Eventos Independentes, Arranjos e Combinao 2.5 Independncia de Dois Eventos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.6 Mtodos de Enumerao . . 2.6.1 Regra da Multiplicao 2.6.2 Permutaes . . . . . . 2.6.3 Arranjos . . . . . . . . . 2.6.4 Combinaes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.7

Atividade Complementar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Bloco 2: Inferncia Estatstica


Tema 3: Distribuies de Probabilidade
Contedo 1: Varivel Aleatria 4
FTC EAD |

48
48
48

3.1

Funo de Probabilidade e Esperana de uma Varivel Aleatria . . . . . . . . . . . . . . . .

48 50 50 51 52 52 54 57

Contedo 2: Distribuio Normal 3.2 Distribuio Binomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2.1 Mdia (Valor esperado) e varincia da distribuio binomial . . . . . . . . . . . . . . . . .

Contedo 3: Distribuio de Poisson 3.2.2 Propriedades da Distribuio de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . .

Contedo 4: Normal 3.3 Atividade Complementar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Tema 4: Estimativa, Regresso e Correlao


Contedo 1: Conceitos de Amostragem, Estimativa de Mdias Populacionais 4.1 Conceitos de Amostragem . . . . . . . . . . . . . . . . . . . . . . . . . . 4.2 Por Que Amostragem? . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.3 Quando o Uso de Amostragem No Interessante? . . . . . . . . . . . 4.4 Tipos de Amostragem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.4.1 Amostragem Probabilstica . . . . . . . . . . . . . . . . . . . . . . . 4.4.2 Amostragem por Quotas . . . . . . . . . . . . . . . . . . . . . . . . . 4.4.3 Amostragem Aleatria Simples (AAS) . . . . . . . . . . . . . . . . . 4.4.4 Amostragem Sistemtica . . . . . . . . . . . . . . . . . . . . . . . . 4.4.5 Amostragem Aleatria Estraticada (AAE) . . . . . . . . . . . . . . . 4.4.6 O Processo de Amostragem Estraticada . . . . . . . . . . . . . . . 4.4.7 Amostra Aleatria Simples Amostra Aleatria Estraticada . . . . 4.4.8 Amostragem Aleatria por Conglomerados (AAC) . . . . . . . . . . 4.5 Inferncias Estatsticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.6 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

57
58 58 58 59 59 59 59 60 61 62 62 63 65 67 68 68 69 69 70 70 71 71 73 73 74 76

Formas de estimativas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Contedo 2: Estimativas de Propores Populacionais 4.6.1 Erro de estimao da proporo populacional . . . . . . . . . . . . . . . . . . . . . . . . . 4.6.2 Determinao do tamanho da amostra em populaes nitas . . . . . . . . . . . . . . . . Contedo 3: Regresso Linear 4.7 Equao de Regresso Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.8 Deciso por um tipo de relao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.9 Determinao da equao de regresso linear (mtodo dos mnimos quadrados) . . . . . . . Contedo 4: Correlao Linear 4.10 Correlao Linear (o coeciente de Pearson) . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.11 Atividade Complementar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Referncias Bibliogrcas

Mtodos Quantitativos

A PRESENTAO
Prezado(a),

DA

D ISCIPLINA

Bem vindo! Neste material dialogaremos sobre a disciplina Mtodos Quantitativos. Ele foi concebido e escrito com o objetivo de tratarmos da melhor maneira possvel sobre o signicado da Estatstica, seus objetivos, utilidades e funes. No primeiro bloco deste material trabalharemos a estatstica descritiva enfatizando o tratamento das informaes atravs dos dados e no segundo bloco versaremos sobre a estatstica de inferncia, buscando mostrar a utilidade das distribuies de probabilidade e das estimativas na rotina dos administradores de empresas, pesquisadores e da sociedade. Portanto, longe de tornar este material uma coletnea de contedos organizados de uma maneira que somente os tcnicos possam interpret-los, muito menos fazer da Estatstica a nico caminho para se chegar verdade cientca, nem que deva ser desacreditado pela existncia de incertezas quanto a algumas de suas teorias e utilizaes, buscou-se uma linguagem simples e objetiva que possa lhe levar a compreenso dessa maravilhosa ferramenta cientca. Desejamos aqui oferecer aos estudantes de administrao uma ferramenta poderosa para a tomada de decises, anal de conta os nmeros no mentem, e se vocs souberem interpret-los, estaro sempre um passo a frente, dos demais que se bloquearam para esse conhecimento. Estudem com calma, pois para compreendermos as disciplinas quantitativas devemos buscar sempre entender o processo, nunca decorar, desta forma, vocs aprendero e sentiro, cada vez mais, prazer em estudar o assunto. Reexos da sade nanceira que o Pas atravessa nos revelam que prossionais renomados, que exercem suas prosses no mbito nanceiro, possuem um conhecimento especco nos contedos referentes aos temas abordados na Matemtica Financeira. Isto signica, dentre outras coisas, que apenas os prossionais da rea de nanas, com uma boa formao acadmica e com um conhecimento especco em contedos nanceiros esto credenciados ao sucesso prossional. Prof. Jones Garcia da Mata

Mtodos Quantitativos

BLOCO 01

Estatstica Descritiva Tabulao de Dados, Medidas de Tendncia Central e Medidas de Disperso

TEMA 01

Contedo 1: Distribuio de Frequncias


1.1 Introduo Estatstica

A estatstica uma cincia que envolve um corpo de tcnicas e uma metodologia desenvolvida para a coleta, a tabulao, a classicao e simplicao de dados, para tornar esses dados melhor apresentveis, para anlise e a interpretao dos mesmos para a tomada de decises.

1.1.1

Conceitos Importantes

Populao: um conjunto de elementos com caractersticas iguais ou parecidas, agrupadas em conjuntos denominados como populao ou universo. Amostra: um subconjunto retirado da populao com o objetivo de ser analisado, obtendo assim informaes dessa amostra, para poder ser generalizado para a populao. Dados experimentais: So dados obtidos de amostras de uma populao composta de variveis. Censo: a anlise de todos os elementos de uma populao. Observao: Se a populao pequena, muitas vezes mais indicado um censo do que uma retirada de uma amostra. Na grande maioria das vezes, quando vamos aplicar a estatstica na prtica, trabalhamos com populaes com um grande nmero de elementos, portanto se torna invivel o estudo de cada elemento da populao, pois seria trabalhoso e teramos um custo alto e em certos casos o estudo de cada elemento da populao tambm impossvel, que seria o caso de determinarmos a mdia de quilometragem que um determinado pneu capaz de rodar, pois se testarmos todos os pneus, estaramos destruindo todos os pneus, portanto trabalhamos tomando uma amostra da populao. Podemos dizer que a estatstica se divide em trs ramos. 1. Estatstica Descritiva: Trata da coleta, classicao, organizao, tabulao, do resumo e, em geral, da simplicao de informaes que podem ser muito complexas, fazendo uso de parmetros estatsticos que resumem o comportamento dos dados. Exemplo: Taxa de desemprego, custo de vida, quilometragem mdia por litro de combustvel, mdias das idades de um grupo de pessoas, etc. 2. Estatstica Probabilstica: Utilizada em situaes que envolvem o acaso. Exemplo: Jogos de dados, jogos de cartas, jogos esportivos, loterias, etc.
Mtodos Quantitativos

3. Estatstica Inferencial: Consiste da aplicao de um corpo de tcnicas e metodologias para mensurar os resultados obtidos de uma amostra para toda populao. Exemplo: Pesquisa de inteno de votos para presidente de um pas.

1.2

Sries Estatsticas

Para se compreender melhor a denio de uma srie estatstica, necessrio ter uma viso do signicado de uma tabela. A tabela a reunio dos dados estatsticos em que as variveis so dispostas de tal maneira que se possa interpretar o seu signicado. A varivel a ser observada est listada na coluna indicadora da tabela (primeira coluna, no sentido da esquerda para direita da tabela). A srie estatstica a representao dos dados estatsticos, em funo de alguns fatores contidos em uma tabela, que podem ser o tempo, o espao e a espcie. Observao: Dentre todas as sries, a mais importante a srie temporal, pois o estudo dessa srie possibilita fazer estimativas futuras, utilizando os dados do passado. As sries estatsticas so classicadas da seguinte forma: Sries geogrcas, territoriais ou de localizao: representam os dados em funo da localidade Exemplo: Exportao segundo os pases de destino - janeiro de 2007. Pases de aquisio Estados Unidos Argentina China Valor (US$ 1.000 FOB) 1.734.081 822.584 558.075

Fonte: Ministrio da Fazenda Nota: Foram expostos os trs pases que zeram mais aquisies. Sries histricas, cronolgicas, temporal ou marcha: representam os dados em funo do tempo. Exemplo: Dados gerais de exportaes no Brasil, no primeiro semestre de 2007. Meses Janeiro Fevereiro Maro Abril Maio Junho Valor (em US$ milhes FOB) 10.963 10.106 12.859 12.493 13.616 13.192

Fonte: Ministrio da Fazenda Nota: FOB - Frete por contado remetente. Sries especcas ou categricas: representam os dados em funo da especicao ou categoria. Exportaes dos produtos agrcolas - janeiro a junho de 2006. 10
FTC EAD |

Produtos agrcolas Caf Soja em gro leo de soja em bruto Acar em bruto

Quantidade (T ) 618.315 12.477.684 701.583 4.868.574

Fonte: Ministrio da Fazenda Sries conjugada ou tabela de dupla entrada: representam os dados em funo de duas ou mais variveis. Exemplo: Exportaes dos produtos agrcolas - janeiro a junho de 2006 e 2007. Produtos agrcolas Caf Soja em gro leo de soja em bruto Acar em bruto Quantidade (T ) 2006 2007 618.315 12.477.684 701.583 4.868.574 723.674 12.749.472 787.263 5.250.416

Fonte: Ministrio da Fazenda

1.3

Tabulao de Dados

Nesta seo veremos tcnicas empregadas pela estatstica para simplicar e resumir dados em uma tabela, facilitando, assim, a leitura e interpretao dos mesmos. Uma tabela primitiva uma coleo de dados sem nenhum tratamento de organizao. Exemplo: Suponha que desejamos estimar a mdia de idade dos estudantes do turno noturno do ensino mdio de uma determinada escola e para isso coletamos vinte e uma idades desses estudantes, conforme dados abaixo. 18 19 20 18 18 17 17 22 25 24 23 27 21 28 19 20 21 21 23 23 23 Os dados acima foram coletados e anotados sem nenhuma preocupao organizacional, dizemos ento que esta uma tabela primitiva estando sem nenhum tratamento organizacional. Os dados esto desordenados dicultando assim uma anlise.

1.3.1

Rol

um conjunto de dados numricos ordenados em ordem crescente. Exemplo: Colocando os dados da tabela primitiva acima no rol temos: 17 17 18 18 18 19 19 20 20 21 21 21 22 23 23 23 23 24 25 27 28 Observe que esta organizao torna mais fcil a observao de algumas informaes tais como o menor valor, que 17, o maior, que 28, quantos dados com o valor 18 temos, que so trs, etc.
Mtodos Quantitativos

11

1.4

Distribuio de Frequncias

Podemos melhorar a visualizao dos dados, dispondo-os de forma que aparea o nmero de vezes em que se repetem cada valor na tabela. A esta organizao ns chamamos de distribuio de frequncia. Por exemplo: Idade 17 18 19 20 22 24 25 Frequncia 2 3 1 1 1 1 1

Na representao em distribuio de frequncia importante colocar as frequncias acumuladas absolutas e a as frequncias relativas e relativas acumuladas, pois essas informaes, na distribuio, facilitar a anlise dos dados. Vejamos, ento, a distribuio acima com essas informaes. Idade 17 18 19 20 21 22 23 24 25 27 28 Total Frequncia 2 3 2 2 3 1 4 1 1 1 1 21 Frequncia% 9, 52 14, 29 9, 52 9, 52 14, 29 4, 76 19, 05 4, 76 4, 76 4, 76 4, 76 100 Frequncia Acumulada 2 5 7 9 12 13 17 18 19 20 21 Frequncia Acumulada% 9, 52 23, 81 33, 33 42, 85 57, 14 61, 90 80, 96 85, 72 90, 48 95, 24 100

Porm, se o rol muito grande, torna-se invivel este tipo de disposio dos dados. Ento usamos intervalos e chamamos este tipo de disposio, de distribuio de frequncia com intervalos de classe. Por exemplo: Idade 17 18 18 19 19 22 22 24 24 25 Frequncia 2 3 2 2 1 10

1.4.1

Componentes de uma distribuio de frequncias em classes

Classe: o intervalo entre as variveis estudadas, denotada pela letra i . O nmero de classes denotada pela letra K . No exemplo acima temos cinco classes (k = 5). O intervalo 22 24 est na quarta 12
FTC EAD |

classes (i = 4). Para sabermos quantas classes existem em um rol com n observaes, podemos aplicar vrias regras. Uma, que muito utilizada, a regra de Sturges: Se n < 25, ento k = 5. Se n 25, ento k 1 + 3, 22 log(n) Outra regra, bastante aplicada, a regra da raiz quadrada: Se n < 25, ento k = 5. Se n 25, ento k n No exemplo anterior n = 10 < 25. Logo, k = 5. Limites de uma classe So os extremos de cada classe. O menor valor o limite inferior (li ) e o maior, o limite superior (Li ). No exemplo anterior temos os limite inferior de quarta classe l4 = 22 e, o superior, L4 = 24. Amplitude de intervalos de classe a variao do intervalo, e denotamos por hi .

h i = Li l i .
No exemplo anterior, temos que a amplitude da quarta classes h4 = L4 l4 = 24 22 = 2. Amplitude total a variao do limite mnimo ao limite mximo do rol. Denotamos por AT = Lmax Lmin . No exemplo anterior, temos que a amplitude total AT = 25 17 = 8 anos. Ponto mdio de uma classe

l i + Li . No exemplo anterior, temos que o ponto mdio o valor mdio da classe. Denotamos por xi = 2 l 4 L4 22 + 24 46 da quarta classe x4 = = = = 23 anos. 2 2 2

Frequncia simples ou absoluta a quantidade de dados contidos em uma classe. Denotamos por fi . Por exemplo:

i
1 2 3 4 6

Idade 17 18 18 19 19 22 22 24 24 25

fi
2 3 2 2 1 10

Uma forma ainda melhor de apresentar os dados em uma tabela de frequncia informando as frequncias acumulativas e percentuais. Isto facilita a anlise dos dados. Por exemplo, os dados abaixo so referentes s
Mtodos Quantitativos

13

idades de 40 alunos de uma universidade.

i
1 2 3 4 5 6 7 8 9

Idade(xi ) 17 18 20 21 22 23 24 25 26

fi
2 3 2 1 5 10 12 3 2 40

FACi
2 5 7 8 13 23 35 38 40

Fr
5, 0% 7, 5% 5, 0% 2, 5% 12, 5% 25, 0% 30, 0% 7, 5% 5, 0% 100%

FACi %
5, 0% 12, 5% 17, 5% 20, 0% 32, 5% 57, 5% 87, 5% 95, 0% 100%

f ri =

fi 100% fi

e FACi % =

FACi 100% fi

em que

fi - frequncia absoluta simples

FACi - frequncia Acumulada Crescente

f r - frequncia relativa percentual

FAC % - frequncia Acumulada Crescente Percentual

1.4.2

Agrupamento em Classes

No caso de dados que apresentam grande disperso, vivel o agrupamento em classes de frequncia. Por exemplo, suponha que os pesos de um grupo de estudantes seja dado pelo seguinte rol: 36, 40, 49, 49, 49, 50, 50, 51, 52, 52, 52, 52, 54, 59, 60, 60, 60, 60, 61, 61, 61, 61, 62, 62, 63, 64, 64, 65, 65, 65, 67, 68, 74, 77, 77, 81, 81, 83, 87, 90. 14
FTC EAD |

Podemos arrum-lo da seguinte forma:

xi
36 40 49 50 51 52 54 59 60 61 62 63 64 65 67 68 74 77 81 83 87 90

fi
1 1 3 2 1 4 1 1 4 4 2 1 2 3 1 1 1 2 2 1 1 1 40

fi %
2, 5% 2, 5% 7, 5% 5, 0% 2, 5% 10, 0% 2, 5% 2, 5% 10, 0% 10, 0% 5, 0% 2, 5% 5, 0% 7, 5% 2, 5% 2, 5% 2, 5% 5, 0% 5, 0% 2, 5% 2, 5% 2, 5% 100, 0%

FACi
1 2 5 7 8 12 13 14 18 22 24 25 27 30 31 32 33 35 37 38 39 40

FACi %
2, 5% 5, 0% 12, 5% 17, 5% 20, 0% 30, 0% 32, 5% 35, 0% 45, 0% 55, 0% 60, 0% 62, 5% 67, 5% 75, 0% 77, 5% 80, 0% 82, 5% 87, 5% 92, 5% 95, 0% 97, 5% 100, %

Observe que esta tabela de frequncias grande e contm muitos dados dispersos, dicultando a anlise dos dados. Vamos, ento, construir as classes de frequncia.

1.4.3

Construo das classes de frequncia

Para construir uma tabela com as frequncias em classes devemos: 1. Determinar o nmero de classes. 2. Estimar o intervalo (amplitude). 3. Agrupar os dados nas classes. Como no exemplo temos n = 40, ento k Tome k = 6. 40 6, 3 ou K 1 + 3, 22 log(n) 1 + 3, 22 log(40) 6, 2.

Para determinarmos a amplitude de cada classe (h), tomamos a amplitude total dos dados (AT ) e dividimos pelo nmero de classes (k ). Lmax Lmin 90 36 54 AT = = = =9 h> k k 6 6
Mtodos Quantitativos

15

Vamos agrupar, agora, os dados em classes de frequncia.

C lasses
36 45 45 54 54 63 63 72 72 81 81 90

fi
2 10 12 8 3 5 40

f ri %
5, 0% 25, 0% 30, 0% 20, 0% 7, 5% 12, 5% 100, 0%

FACi
2 12 24 32 35 40

FACi %
5, 0% 30, 0% 60, 0% 80, 0% 87, 0% 100, 0%

Vericamos que com os dados agrupados em classes de frequncia, facilitamos a anlise dos dados.

Contedo 2: Representao Grca, Histograma


1.4.4 Histograma

um grco de colunas ou barras utilizado, geralmente, para distribuies de frequncias que esto agrupadas em classes ou no. Observe a tabela e o seu histograma ao lado.

Idade 16 17 18 19 20

4 5 8 10 13 40

f ri%
10% 12, 5% 20, 0% 25, 0% 32, 5% 100, 0%

FAC i
4 9 17 27 40

FAC i %
10% 22, 5% 42, 5% 67, 5% 100, 0%

16

17

18

19

20

Idades

O diagrama de Pareto consiste numa forma especial de grco de colunas justapostas, que dispe os itens analisados desde o mais frequente at o menos frequente. Tem como objetivo estabelecer prioridades na tomada de deciso, a partir de uma abordagem estatstica. Note que este grco elege como prioridade identica os itens que possuem maior evidncia. 20 16
FTC EAD |

19

18

17

16

Idades

1.4.5

Ogivas

Representam as frequncias do histograma, podendo ser simples ou relativas, acumuladas ou no.

16

17

18

19

20

Idades

1.4.6

Grco de barras

Apresenta as frequncias sob a forma de barras horizontais. Neste tipo de grco as barras devem ser ordenadas de maneira crescente ou decrescente. Por exemplo, TIPO DE FRAUDE NOS CARTES DE CRDITO DA MASTERCARD INTERNACIONAL NO BRASIL - 2000 Tipo de fraude Carto roubado Carto falsicado Pedido por correio/telefone Outros Quantidade 243 85 52 46

Tipo de fraude nos cartes de crdito da Mastercard Internacional do Brasil - 2000

Outros Pedido por correio/telefone Carto Falsicado Carto Roubado 0 50 100 150 200 250 300

Quantidade

F onte : Tr iola, Mar ioF .

1.4.7

Grcos de colunas

Apresenta as frequncias na forma de colunas verticais. Por exemplo,


Mtodos Quantitativos

17

NMERO DE CRIANAS DE BAIXA RENDA, SEGUNDO O BAIRRO DE RESIDNCIA, QUE PARTICIPARAM DO ENSINO DE MSICA NA ESCOLA XYZ, SALVADOR - 1998 Bairro Paripe Periperi Plataforma Praia Grande Total Nmero de crianas 11 39 45 25 120

Tabela 1.1: Fonte: Escola de Msica XYZ, Salvador.

Nmero de crianas de baixa renda, segundo o bairro de residncia, que participaram do ensino de msica na escola XYZ, Salvador - 1998
50

40

30

20

10

Paripe

Periperi

Plataforma

Praia Grande

1.4.8

Grcos de setores

Representa frequncias relativas ou simples na forma de setores de crculos. O seu uso deve ser empregado sempre que se quiser comparar as partes e o todo. Por exemplo, ER 1. Srie Geogrca
Percentual de funcionrios dos coletivos de Salvador segundo rea de residncia

39, 1%

17, 2%

rea de residncia Centro Subrbio Periferia

Percentual 17, 2 39, 1 43, 7 43, 7% Centro Subrbio Periferia

Fonte: Dados Fictcios

1.4.9

Diagrama de Disperso

Mostra a relao grca entre duas variveis numricas. Por exemplo, 18


FTC EAD |

Vendas 54, 00 60, 00 50, 00 58, 00

Custos 38, 00 37, 50 35, 00 40, 00

Custo 45 40 35

50 54 60

Vendas

1.4.10

Grcos Pictricos ou Pictogramas

So construdos a partir de guras e conjuntos de guras representativas da intensidade do fenmeno, os pictogramas so muito utilizados em jornais e revistas. Cada unidade desenhada deve representar grandes volumes de unidades produzidas. Uma parte da gura representar uma frao do volume produzido. Regio

Nordeste Norte Sul 10 20 30 Vendas

1.4.11 1.4.12

Falhas na elaborao de grcos Grco sucata (chart junk)

Muita gura e pouca informao. Por exemplo, valor da cesta bsica brasileira de 1994 a 1998.

1994 : R $100, 00

1996 : R $120, 00

1998 : R $150, 00

Temos, acima, uma apresentao pouco recomendada para dos dados, podendo mascarar a informao, vindo a dicultar a interpretao dos dados. Uma boa apresentao seria da seguinte forma:
Mtodos Quantitativos

19

R$
150

120 100 1994 1996 1998 Ano

1.4.13

Ausncia de base relativa

Os grcos podem ocultar a verdadeira informao a depender da base empregada ou sugerida na anlise. Por exemplo, o grco abaixo representa a reprovao de trs turmas T1 , T2 e T3 em Matemtica. Reprovao 14 12 10

Turmas T1 T2 T3 Vemos que a turma T3 teve um nmero maior de reprovao, porm considerando que a turma T3 , tem 70 alunos, que T2 tem 60 alunos, e que T1 tem 50 alunos, vemos que o ndice de reprovao so todos iguais a 20%. Logo, a representao correta seria a seguinte: Reprovao % 20%

T1

T2

T3

Turmas

1.4.14

Eixo vertical comprido

As escalas usadas devem ser proporcionais as grandezas apresentadas. Por exemplo, valor do salrio mnimo nos anos de 1994, 1996 e 1998. 20
FTC EAD |

R$

R$
150

500

100

1994 1996 1998 M representao

Anos

1994 1996 1998 Boa representao

Anos

1.4.15

Ausncia do Ponto Zero

A ausncia do zero em um grco pode disfarar eventuais variaes, aumentando a variao demasiadamente. R$ R$ Boa representao M representao 150

120 150 100 120 100 1994 1996 1998 Ano 1994 1996 1998Ano

Contedo 3: Medidas de Tendncia Central


So medidas que resumem o comportamento central dos dados, podendo representar um conjunto de dados.

1.5
1.5.1

Mdias
Mdia Aritmtica

a diviso entre a soma dos valores dos dados e a quantidade de dados. Denotaremos:

a mdia amostral por x a mdia populacional por . ER 1. Calcule a mdia dos dados x1 = 10, x2 = 20, x3 = 5, x4 = 5.
Mtodos Quantitativos

21

xi
Soluo: x =
i =1

x1 + x2 + x3 + x4 10 + 20 + 5 + 5 40 = = = 10. 4 4 4

1.5.2

Propriedades

(a) A soma dos desvios dos dados em relao a mdia aritmtica zero. Exemplo: Considere os dados seguintes:

xj
2 3 5 7 8

x xj = dj
52 = 3 53 = 2 5 7 = 2 5 8 = 3 55 = 0

x =5

di = 0

(b) A soma dos quadrados dos desvios em relao mdia aritmtica mnimo zero. Vamos pegar a soma dos quadrados dos desvios, em relao a quatro e a seis, que so nmeros que esto prximos da mdia, para vericarmos se este valor vai dar maior que a soma dos quadrados dos desvios, em relao media.

x xj = di
52=3 53=2 5 7 = 2 5 8 = 3 55=0

4 xj = dj 42=2 43=1

6 xj = d j 62=4 63=3

4 5 = 1 4 7 = 3 4 8 = 4
2 di

6 7 = 1 6 8 = 2
2

65=1

di2

= 26

= 31

d j = 31

Logo, notamos que a soma dos quadrados dos desvios, em relao mdia, realmente mnimo. Poderamos tomar nmeros mais prximos da mdia que sempre amos obter um valor maior. Se os valores da srie tiverem pesos diferentes, ns chamamos a mdia aritmtica de mdia ponderada. Exemplo: Em uma avaliao de matemtica, aplicada a 180 alunos, distribudos em trs turmas, T1 , T2 e T3 , obtemos os seguintes dados: Turma N de alunos (n) 50 60 70

xi
5 6 8

T1 T2 T3

, n1 em que x 1 a mdia da turma T1 , N1 so as notas da turma T1 e n1 o nmero de alunos da turma T1 . Desta forma, temos que a soma das notas da turma T1 N1 = x 1 n1 . Analogamente, obtemos que 22
FTC EAD |

Queremos saber qual foi a mdia dos 180 alunos. Como a mdia da turma T1 igual a, x 1 =

N1

a soma das notas das turmas T2 e T3 , so N 2 = x 2 n2 e N3 = x 3 n3 , respectivamente. Como a mdia de todos os alunos a soma de todas as notas dividido pelo total de alunos, temos que a mdia N1 + N2 + N 3 x 1 n1 + x 2 n2 + x 3 n3 . Desta forma, temos que a mdia dos das turmas x = = n1 + n2 + n3 250 + 260 + 560 1.170 5 50 + 6 60 + 8 70 = = = 6, 5. 180 alunos x = 50 + 60 + 70 180 180 Exemplo: Considere uma srie com n1 nmeros, e sua mdia x 1 , outra srie com n2 nmeros e mdia x 2 , e uma outra com n3 nmeros e mdia x 3 . A mdia de todos os nmeros ou mdia ponderada n1 x 1 + n2 x 2 + n3 x 3 x= . n1 + n2 + n3 Se tivermos n sries, ento x =

n1 x 1 + n2 x 2 + . . . + nn x n = n1 + n2 + . . . + nn

ni x i ni

(c) Se adicionarmos ou subtrairmos uma constante a todos os valores da srie, a mdia ser adicionada ou subtrada por esta mesma constante. Exemplo:

xi
2 3 5 7 8

y i = xi 3
1 0 2 4 5

zi = xi + 3
5 6 8 10 11

x =5

y =2=x 3

z =8=x +3

(d) Considere a srie, x1 , x2 , . . . , xn , com n dados e mdia x . Ento a srie x1 + k , x2 + k , . . . , xn + k ter mdia x + k , em que k uma constante. (e) Se multiplicarmos ou dividirmos os dados de uma srie por uma constante, a mdia ser multiplicada ou dividida por esta constante. Exemplo:

xi
2 3 5 7 8

yi = 2xi
4 6 10 14 16

zi = xi /2
1 3/2 5/2 7/2 4

x =5

y = 10 = 2x

z = 5/2 = x /2

1.5.3

Clculo da Mdia Aritmtica para Dados Repetidos

Considere a distribuio:

xi
3 4 2 8

fi
5 2 3 4 14

xi fi
15 8 6 32 61
Mtodos Quantitativos

23

Portanto, x =

xi fi fi

61 = 4, 36. 14

1.5.4

Vantagens da Mdia Aritmtica

1. Fcil compreenso e fcil de calcular. 2. Usa todos os dados. 3. Evidncia o valor de estabilidade da amostra.

1.5.5

Desvantagens da mdia aritmtica

1. preciso conhecer todos os dados da srie. 2. Nem sempre um valor inteiro. Exemplo: a mdia das idades sendo 23, 6 anos = 23 anos, 7 messes e 6 dias.

1.5.6

Clculo da Mdia Aritmtica de Dados Agrupados em Classes de Frequncia

ER 2. Arrume a distribuio 2, 4, 6, 9, 9, 10, 10, 12, 13, 13, 14, 16, 17, 17, 22 em classes de frequcias e, em seguida, compare as mdias da distribuio antes e aps a arrumao. Soluo: Como temos n = 15 < 25, o nmero de classes de frequncia k = 5 e a amplitude de cada classe h = AT /K = (22 2)/5 = 20/5 = 4. O ponto mdio de cada classe dado por PMi = (Li + li )/2. Assim, podemos estabelecer a seguinte tabela: Classes 2 6 10 14 18 6 10 14 18 22

fi
2 3 5 4 1 15

PMi
4 8 12 16 20

A mdia da distribuio inicial x =

174 = 11, 60 e a da tabela de distribuio em classes de frequncias 15

x=

fi PMi fi

2 4 + 3 8 + 5 12 + 4 16 + 1 20 176 = 11, 73. 2+3+5+4+1 15

Podemos ver que a mdia calculada pela distribuio dos dados em classes de frequncia bem prxima do valor real dos dados. Logo, se no tivssemos o rol e apenas a distribuio em classes de frequncia, ns estimaramos a mdia dos dados utilizando este clculo para distribuio em classes de frequncia. 24
FTC EAD |

1.5.7

Mdia Geomtrica

Considere o rol: 2, 3, 5 e 6. A mdia geomtrica destes dados g = 42 3 5 6 = 4180 3, 7. Se temos n dados x1 , x2 , . . . , xn , ento a mdia geomtrica destes dados g = nx1 x2 xn . Pode ser usada em situaes que buscam analisar certo padro de crescimento. Exemplo: Considere o rol: 2, 4, 8, 16 e 32. Observe que se trata de uma progresso geomtrica de razo 2. A mdia geomtrica deste rol g = 5 2 4 8 16 32 = 8. Note que a mdia geomtrica nos deu justamente o elemento que est no centro do rol, que o 8. Exemplo: O PIB do Brasil foi de U $4 bilhes em 1950 e de U $16 bilhes em 1990. Estime o PIB em 1970. De 1950 a 1990 o PIB quadruplicou. De 1950 a 1970 temos 20 anos e de 1970 a 1990 temos, tambm, 20 anos. Logo, vamos pegar a mdia geomtrica de 4 e 16 para estimarmos o PIB de 1970. Logo, g = 4 16 = 64 = 8, ento podemos estimar que o PIB do Brasil em 1970 foi de U $8 bilhes.

1.5.8

Mdia harmnica

utilizada para determinar a mdia de crescimento ou propores de preos e velocidades, pois a utilizao da mdia aritmtica nos daria um resultado incorreto. Considere os n dados x1 , x2 , . . . , xn , a mdia harmnica destes dados calculada da seguinte maneira:

xh =

n = 1 1 1 + + ...+ x1 x2 xn

n
1 xi

Exemplo: Suponha que um motorista foi de Salvador para Feira de Santana velocidade mdia de 80K m/h, e voltou de Feira de Santana para Salvador pelo mesmo caminho velocidade mdia de 100K m/h. Sabendo-se que a distncia entre as cidades de 100K m. Qual foi a velocidade mdia de todo percurso? O tempo que o motorista levou para ir de Salvador para Feira de Santana foi que ele levou para voltar foi de 100km = 1, 25h. O tempo 80km/h

100km = 1h. Como o percurso completo tem 200K m, a velocidade mdia foi 100km/h

200km 200km = = 88, 89km/h. Se ns calculssemos a mdia das velocidades mdias o resultado 1h + 1, 25h 2, 25h 80km/h + 100km/h = 90km/h. Notamos que, neste caso, temos a mdia harmnica das estaria errado, pois 2 2 800K m/h 2 = 88, 89K m/h. = = velocidades mdias, pois 1 1 5+4 9 + 80K m/h 100K m/h 400K m/h

1.6

Mediana

o valor que est no meio de um rol, dividindo a srie em duas partes iguais, obtendo desta forma n elementos com valores inferiores mediana do lado esquerdo e n elementos com valores superiores mediana do lado direito. Quando o rol tem um nmero par de elementos, calculamos a mediana tomando a mdia dos dois elementos centrais do rol. Notao Md . ER 3. Doze candidatos zeram uma prova seletiva para o preenchimento de seis vagas para administrador em uma empresa. As notas foram as seguinte: 5, 0; 7, 0; 6, 5; 6, 0; 8, 0; 7, 0; 5, 5; 9, 0; 9, 5; 8, 5; 8, 0; 7, 6. Sabendo
Mtodos Quantitativos

25

que a nota de corte a mediana. Determine a mediana. Soluo: rol: 5, 0; 5, 5; 6, 0; 6, 5; 7, 0; 7, 0; 7, 6; 8, 0; 8, 0; 8, 5; 9, 0; 9, 5. 14, 6 7, 0 + 7, 6 = = 7, 3 Os dois elementos centrais so 7, 0 e 7, 6. Logo, Md = 2 2

1.6.1

Calculo da mediana para dados repetidos

ER 4. Dada a tabela de frequncia abaixo, determine sua mediana.

xi fi

3 5

6 3

8 4

9 2

10 3

Soluo: A mediana o nono dado, pois ele est no meio da srie, logo Md = x9 = 8. Para determinarmos facilmente a ordem do dado central de uma srie de nmero mpar, ns somamos o total de dados da srie mais um e dividimos por dois. No exemplo anterior tnhamos um total de 17 dados. Ento, (17 + 1)/2 = 18/2 = 9 e, portanto, a ordem do dado central da srie anterior o x9 , que justamente a mediana. ER 5. Dada a tabela de frequncia abaixo determine sua mediana.

xi fi

2 5

4 3

5 2

7 4

8 2

Soluo: Como temos um nmero par de dados, tomamos a mediana sendo a mdia dos dados centrais, que neste caso so x8 = 4 e x9 = 5, logo Md = (4 + 5)/2 = 9/2 = 4, 5. Para determinarmos os dados centrais de uma srie como nmero de dados par, ns dividimos o total de dados por dois, para acharmos o primeiro dado central, o outro dado central o seguinte. No exemplo acima zemos 16/2 = 8, ento x8 o primeiro dado central e x9 o segundo dado central, logo Md = (x8 + x9 )/2.

1.6.2

Vantagens da Mediana

1. Mesmo que alguns valores da srie sejam modicados, a mediana pode manter-se inalterada. 2. Os valores extremos da srie no interferem no resultado da mediana. 3. Mesmo que os extremos da srie no estejam denido, podemos determinar a mediana. Exemplo: Salrio mnimo At 1 13 acima de 5 35 Frequncia (milhes) 45, 0 75, 0 30, 0 20, 0 170, 0 26
FTC EAD |

Como temos um nmero par de dados, 170, ento os dados centrais so x85 e x86 . Como os dados centrais da srie esto na faixa de 1 a 3 salrios mnimos, temos tambm que a mediana est nesta faixa.

1.6.3

Desvantagem da Mediana

Se determinarmos a mediana de sries separadas, no temos uma relao para determinar a mediana das sries unidas. Exemplo: Considere as seguintes sries: S1 : 3, 4, 6, 7, 8 e S2 : 2, 3, 4, 5, 8, 9. A mediana da srie S1 Md1 = 6 e a mediana da srie S2 Md2 = (4 + 5)/2 = 9/2 = 4, 5. No temos uma relao entre as medianas que nos permita calcular a mediana da unio das sries. Portanto, temos que construir o rol da unio das sries. Assim, S1 S2 : 2, 3, 3, 4, 4, 5, 6, 7, 8, 8, 9 e Md12 = 5.

1.6.4

Mediana para dados agrupados em classes

Considere a tabela seguinte: Classes 9 13 59

Fi %
20% 25% 30% 15% 10% 100%

FAci %
20% 45% 75% 90% 100%

13 17 17 21 21 25

A mediana se encontra na terceira classe, dados entre 13 e 17, pois a frequncia acumulada de 50% est nesta classe, isto , os dados centrais da srie esto nesta classe. Para determinarmos a mediana utilizamos a formula seguinte:

Md = l + h
em que

(EMd Fant ) , fMd

l : o limite inferior da classe da mediana. h: a amplitude da classe de mediana. EMd : a frequncia total dividida por dois. Fant : a frequncia acumulada da classe anterior classe da mediana. fMd : a frequncia da classe da mediana.
Logo, temos que l = 13, h = 4, EMd = 50, Fant = 45 e fMd = 30. Desta forma, temos que Md = 13 + 4 (50 45) = 13, 67. Note que, neste caso, usamos os valores em porcentagem para EMd , Fant e fMd , porm, se 30 tivssemos os valores numricos, poderamos us-los e o resultado obtido seria o mesmo, tendo o cuidado de no misturar dados numricos com dados em porcentagem.
Mtodos Quantitativos

27

ER 6. Calcular a mediana dos dados apresentados na tabela abaixo: Classes 2, 0 4, 4 4, 4 6, 8 9, 2 11, 6 6, 8 9, 2

Fi
3 1 2 2 2 10

F i%
30 10 20 20 20 1004

FAci
3 4 6 8 10

F aci %
30 40 60 80 100

11, 6 14, 0

Soluo: Temos, neste caso, que os dados centrais ento na terceira classe, que vai de 6, 8 e 9, 2. Os dados centrais so o x5 e x6 , pois temos dez dados. Neste caso, temos que, l = 6, 8, h = 2, 4, EMd = 50, (50 40) = 8. Se usarmos os dados numricos ao invs de Fant = 40 e fMd = 20. Logo, Md = 6, 8 + 2, 4 20 (5 4) porcentagens temos que, E + Md = 5, Fant = 4 e fMd = 2. Desta forma, Md = 6, 8 + 2, 4 = 8. A 2 mesma resposta. EP 1.1. Calcule a mdia dos dados apresentados acima.

1.7

Moda

o valor da srie que ocorre com maior frequncia, podendo no existir e neste caso a srie dita amodal. No caso em que a moda em uma srie no for nica, dizemos que a srie multimodal. A moda a nica medida de tendncia central que se aplica em dados quantitativos e qualitativos. Exemplo (quantitativo): O nmero de infraes de trnsito observadas em trs semforos A, B e C de uma cidade, a cada hora, durante 8 horas de observao foram os seguintes:

A: 10, 12, 14, 14, 16, 8, 9, 5 B : 15, 20, 20, 12, 13, 15, 10, 2 C : 5, 6, 4, 2, 3, 1, 7, 8
Moda de A = 14; Moda de B = 20 e 15; Moda de C no existe. Exemplo (qualitativo): Foi feita uma pesquisa com 8 pessoas, que assistiram trs lmes, A, B e C , onde elas tinham que classicar como P (pssimo), R (regular), B (bom) ou O (timo) e obtemos os seguintes resultados: Filme A: B , B , R , R , O , O , O , O ; Moda lme A = O Filme B : P , P , R , R , R , B , B , B ; Moda lme B = R e B Filme C : P , P , R , R , B , B , O , O ; Moda lme C no existe ER 7. Uma fbrica de calas fez uma pesquisa com mil pessoas do sexo masculino de uma cidade, para saber o nmero mais comum que estas pessoas vestiam. De acordo com a tabela de frequncia abaixo, determine a moda dos dados. 28
FTC EAD |

Nmero da cala 36 38 40 42 44

fi
200 250 350 500 300 1600

Soluo: A moda dos dados 42, que exatamente o nmero mais usado na cidade.

1.7.1

Vantagens da moda

1. Se algum valor da srie for modicado, a moda pode no ser modicada. Exemplo: Considere o rol: 5, 5, 7, 7, 7, 9. A moda deste rol 7. Se modicarmos, por exemplo, o valor 9 do rol, para 8, teremos que a moda continuar sendo 7. 2. Fcil de ser determinada.

1.7.2

Desvantagens

1. um valor que pertence srie. 2. Difcil de ser includa em equaes matemticas. 3. Pode no ser nica 4. No usa todos os dados da srie.

Contedo 4: Medidas de Disperso


O grau ao qual os dados numricos tendem a dispersar-se em torno de um valor mdio, ns chamamos de disperso ou variao dos dados.

1.8

Amplitude total (h)

a diferena entre o maior valor e o menor valor de um conjunto de dados. Exemplo: Considere o conjunto A = {5, 2, 3, 9, 1, 7}. O rol deste conjunto : 1, 2, 3, 5, 7, 9. A Amplitude total destes h = 9 1 = 8

1.9

Desvio mdio (DM )

o somatrio dos mdulos da diferena entre cada elemento do conjunto e a mdia deste conjunto dividido pelo nmero de dados.
Mtodos Quantitativos

29

Exemplo: Considere o conjunto de dados {2, 4, 9}. Temos que a mdia destes dados x = 5. Logo |2 5| + |4 5| + |9 5| | 3| + | 1| + 4| 3+1+4 8 DM = = = = = 2, 67. Se temos um conjunto com n 3 3 3 3 |xi x | . dados x1 , x2 , . . . , xn , com mdia x , ento DM = n

1.10

Varincia ( 2)

o somatrio do quadrado da diferena entre cada elemento do conjunto, e a mdia destes elementos, dividido pelo nmero de elementos. Exemplo: Considere o conjunto de dados {1, 3, 2, 6}, temos que a mdia dos dados x = 3 e a varincia 2 = (1 3)2 + (3 3)2 + (2 3)2 + (6 3)2 (2)2 + 02 + (1)2 + 32 4+0+1+9 14 = = = = 3, 50. 4 4 4 4
2

Se temos um conjunto com n dados x1 , x2 , . . . , xn , ento =

(xi x )2

1.11

Desvio Padro

a raiz quadrada da varincia, = 2 =

(xi x )2

Exemplo: Considere o exemplo anterior. Obtemos a varincia dos dados 2 = 3, 50. Logo, o desvio padro dos dados = 2 = 3, 50 = 1, 87.

1.12

Desvio padro e varincia populacional e amostral

O desvio padro e a varincia podem ser calculados de forma amostral, isto , tomando-se uma parte da populao, e neste caso, so ditos amostrais, ou podem ser calculados usando-se toda populao, e neste caso so ditos populacionais. Varincia populacional: 2 = Desvio padro populacional: = Varincia amostral: s 2 = (xi x )2 (xi x )2

(xi x )2

n1

Desvio padro amostral: s =

(xi x )2

n1

Exemplo: A varincia populacional dos dados do exemplo anterior foi 2 = 3, 50 e o desvio populacional foi = 1, 87. A varincia amostral

s2 =
30
FTC EAD |

(xi x )2 (1 3)2 + (3 + 3)2 + (2 + 3)2 + (6 + 3)2

n1

(2)2 + 02 + (1)2 + 32 = 4, 67 3

e o desvio padro amostra s =

s2 =

4, 67 = 2, 16.

Das medidas de disperso as mais usadas so o desvio padro amostral e a varincia amostral. Utilizando a HP 12C ns podemos calcular, facilmente, o desvio padro amostral e a varincia amostral. Vamos calcular, agora, o desvio padro amostral e a varincia amostral dos dados do exemplo anterior. Primeiro passo vamos limpar os registradores da mquina apertando a tecla [f ] e a tecla [clx ]. O segundo passo ser entrar com os dados, onde ns digitaremos os dados [xi ] e logo depois apertaremos a tecla + , o visor nos mostrar, aps cada passo deste, o nmero de dados armazenados, como no exemplo temos o conjunto de dados {1, 3, 2, 6}, ento aps entrarmos com todos os dados o visor mostrar o nmero 4. O terceiro passo calcular o desvio padro amostral, apertando a tecla azul [g ] e a tecla [s ] (Obs.: o s est em azul na mquina), ento calculamos o desvio padro amostral s = 2, 6. Para obter a varincia amostral basta elevarmos o desvio padro ao quadrado teclando [2] e em seguida [x ], ento obteremos a varincia amostral s 2 = 4, 67. Se quisermos obter a mdia dos dados teclamos [g ] e [0x ], ento obteremos x = 3. Quando apertamos a tecla azul da mquina [g ], ns estamos ativando todas as funes que esto em azul da mquina, por esta razo que as teclas do desvio padro e da mdia da mquina esto em azul.
2

EP 1.2. Utilizando a mquina HP 12C , calcule a mdia, o desvio padro e a varincia dos seguintes dados: 5, 0; 5, 5; 6, 0; 6, 5; 7, 0; 7, 0; 7, 6; 8, 0; 8, 0; 8, 5; 9, 0; 9, 5.

1.13

Coeciente de disperso relativa (disperso relativa)

Obtemos a disperso relativa dividindo a disperso absoluta pela mdia, onde a disperso absoluta pode ser qualquer medida de disperso, isto , disperso absoluta . mdia

disperso relativa =

A razo entre o desvio padro e a mdia de uma srie dito coeciente de disperso relativa, logo coe s ciente de disperso relativa = ou coeciente de disperso relativa = . x x ER 8. A mdia de uma turma na prova de estatstica foi 9 e em matemtica foi 8. Sabendo que a turma tem 30 alunos e que o desvio padro das notas de estatstica foi = 4 e em matemtica foi = 5, determine o coeciente de disperso relativa de cada matria.

Soluo: Estatstica: Coeciente de disperso relativa = 4 = = 0, 44 = 44% x 9 5 = = 0, 63 = 63% x 8

Matemtica: Coeciente de disperso relativa =

A matria matemtica apresentou um coeciente de disperso relativa maior.


Mtodos Quantitativos

31

1.14
1.14.1

Medidas de Ordenamento e Posio


Quartis

Sabemos que a mediana divide o rol em duas partes, sendo 50% dos dados menores que a mediana e 50% dos dados maiores que a mediana. O quartil divide o rol em quatro partes iguais. Logo, teremos trs quartis: Q1 , Q2 e Q3 . Para determinarmos a ordem dos quartis, ns usaremos a relao Qi = x 1 , em que i = 1, 2 e
i n 4 +

3 so as ordens dos quartis e n o nmero de dados. ER 9. Considere os dados 2, 4, 1, 9, 5, 3. Determine os quartis deste conjunto de dados.

Soluo: rol: 1, 2, 3, 4, 5, 9. Neste caso temos seis dados. Logo, n = 6. O primeiro quartil Q1 = 7 x3 + x4 = = 3, 5 e = x3,5 = 6 1 6 1 = x2 = 2. O segundo e o terceiro quartis so Q2 = x[ 24 +1 2] 2 2 + 4 2 Q3 = x[ 36 + 1 ] = x5 = 5. Logo, estes so os trs quartis que dividem o rol em quatro partes iguais.
4 2

1.14.2

Decis

Dividem o rol em dez partes iguais.

Di = x[ i n + 1 ] . 10 2

1.14.3

Percentis

Dividem o rol em cem partes iguais.

Pi = x[ i n + 1 ] . 100 2
EP 1.3. Dado o conjunto de dados {1, 3, 2, 6, 5, 9}. Determinar seus quartis. EP 1.4. Dado o conjunto de dados {20, 5, 7, 3, 9, 3, 4, 8, 2}, determine: (a) O rol, a mdia e a mediana. (b) A moda, o desvio mdio e a varincia. (c) O desvio padro , o quar tilQ3 , o decilD5 e o per centilP10 EP 1.5. Considere os conjuntos de dados X = {13, 29, 37, 51, 46, 39, 58} e Y = {14, 26, 13, 32, 16, 53, 78, 86, 93, 41}.

Determine para os dois conjuntos de dados:

(a) A mediana, a mdia, e a moda (b) Q3 , D7 e P52 32


FTC EAD |

1.15

Atividade Complementar

EP 1.6. Dado o rol de dados amostrais abaixo: 26, 98 39, 40 67, 70 81, 00 107, 00 25, 10 49, 00 67, 80 82, 37 107, 00 25, 20 49, 00 70, 30 82, 38 107, 00 32, 40 50, 84 71, 77 89, 00 107, 30 34, 30 51, 50 71, 80 93, 00 120, 34 34, 30 54, 68 79, 60 93, 90 122, 87 36, 40 54, 68 79, 70 94, 13 122, 98 39, 06 65, 30 81, 00 101, 00 123, 96 39, 37 65, 60 81, 00 103, 00

(a) Construa a distribuio em classes de frequncia. (b) Construa o histograma. (c) Calcule a mdia dos dados. (d) Determine a mediana dos dados. (e) Calcule a mdia da distribuio em classes de frequncia que voc construiu no item (a). (f) Calcule a mediana da distribuio em classes de frequncia que voc construiu no item (a). EP 1.7. Em cada uma das situaes abaixo utilize o clculo da mdia correta. Escolha entre o clculo da mdia aritmtica, da mdia geomtrica ou da mdia harmnica. Justique a utilizao de cada mdia em cada situao. (a) Um motorista foi de Lauro de Freitas para Camaar velocidade mdia de 78, 92km/h. Depois foi de Camaar para Feira de Santana velocidade mdia de 103, 78km/h. Depois voltou de Feira de Santana para Salvador velocidade mdia de 69, 23km/h. Calcule a velocidade mdia de todo este percurso, supondo que as distncia entre as cidades so iguais. (b) A mdia das notas da turma dos estudantes de administrao com habilitao em marketing foi 7, 98 na prova de estatstica, a mdia das notas dos estudantes de administrao com habilitao em comercio exterior foi de 7, 98 e a dos estudantes de administrao com habilitao em gesto da informao foi de 8,38. Sabendo-se que temos 41, 43 e 36 alunos nas turmas de marketing, comercio exterior e gesto da informao respectivamente, calcule a mdia das notas de todos os alunos das trs habilitaes. EP 1.8. As notas de 17 candidatos s vagas de administrador de empresas em uma indstria foram as seguintes: 5, 0; 7, 2; 6, 8; 5, 3; 8, 3; 7, 2; 8, 0; 8, 2; 6, 8; 6, 3; 7, 1; 8, 9; 5, 9; 8, 6; 6, 3; 5, 3; 7, 2. Sabendo-se que a nota de corte para selecionar os aprovados determinada pelo 70decil : (a) Determine a nota de corte (b) Quais as notas dos candidatos aprovados? EP 1.9. Em trs empresas de um complexo petroqumico, obtivemos os seguintes dados referentes a nmeros de acidentes de trabalho no ano de 2002: Na empresa E1 tivemos 6 acidentes. Na empresa E2 ocorreram 9 acidentes e na empresa E3 ocorreu 3 acidentes. Sabendo-se que nas empresas E1 , E2 e E3 existem respectivamente 300, 450 e 150 funcionrios:
Mtodos Quantitativos

33

Acidentes 9 (a) Na representao grca ao lado existe um erro muito comum que as pessoas cometem ao representar dados em grcos. Esse erro nos induz a concluirmos que a empresa E2 foi menos eciente na preveno de acidentes que as demais empresas. Qual foi o erro cometido nessa representao grca? 6 3

E1 E2 E3 (b) Faa a representao grca correta dos dados referentes a acidentes das empresas E1 , E2 e E3 .
EP 1.10. Considere os dois conjuntos de dados amostrais abaixo:

C1 = {2, 53; 5, 47; 2, 47; 5, 57; 5, 78; 6, 35; 4, 34; 9, 56; 8, 98; 7, 34} C2 = {16, 45; 16, 09; 15, 47; 16, 78; 14, 98; 15, 98; 14, 76; 15, 23; 15, 31}
(a) Calcule a mdia, o desvio padro amostral e a varincia amostral para cada conjunto de dados. (b) Qual conjunto apresenta uma maior disperso entre os dados em relao a sua mdia? Justique sua resposta.

Gabarito
1.1 7, 28. 1.2 x = 7, 3, s = 1, 39 e s 2 = 1, 93. 1.3 Q1 = 2, Q2 = 4 e Q3 = 6 1.4 (a) x = 6, 78, Md = 5 (b) Mo = 3, DM = 3, 75 e s 2 = 30, 44 (c) s = 5, 52, Q3 = x7,75 = 8, 75, D5 = x5 = 7, P10 = x1,4 = 2, 4. 1.5 1.6 1.7 1.8 1.9 1.10

TEMA 02

Probabiidade

Contedo 1: Equivalncia de Capitais


2.1 Contedo 1: Conceito e Denio

2.1 Denio. So chamados de experimentos aleatrios aqueles que repetidos em idnticas condies, produzem resultados que no podem ser previstos com certeza, porm, em geral, conseguimos descrever o conjunto de todos os resultados possveis que podem ocorrer. So exemplos de experimentos aleatrios: (a) Lanar um dado e observar o nmero da face de cima. (b) Lanar uma moeda. (c) De um lote de 30 peas defeituosas e 50 boas, retirar 5 peas e observar o nmero de defeituosas. 2.2 Denio. Chamamos de espao amostral o conjunto formado por todos os resultados possveis de um experimento aleatrio. Indicamos por . Assim, se tivermos: 34
FTC EAD |

(a) duas moedas so lanadas simultaneamente e observa-se o nmero de caras. O espao amostral

= {0, 1, 2}.
(b) uma moeda lanada duas vezes e observa-se a face de cima. O espao amostral

= {(K , K ); (K , C ); (C , K ); (C , C )}.
(c) um casal que planeja ter 3 lhos e observa-se a sequncia dos sexos. O espao amostral

= {(M , M , M ); (M , M , F ); (M , F , M ); (M , F , F ); (F , F , F ); (F , F , M ); (F , M , F ); (F , M , M )}.
Dos experimentos anteriores temos os seguintes espaos amostrais: 1. = {1, 2, 3, 4, 5, 6} 2. = {K , C }, K = Cara e C =Coroa 3. = {0, 1, 2, 3, 4, 5} 2.3 Denio. Seja o espao amostral de um experimento. Chamamos de evento todo subconjunto de . Dizemos que um evento A ocorre se, realizado o experimento o resultado obtido pertence a A. Exemplos (a) Um dado lanado e observa-se o nmero da face de cima. Assim, = {1, 2, 3, 4, 5, 6}. Ento

A: Observar nmero par o evento A = {2, 4, 6}; B : Observar nmero mpar o evento B = {1, 3, 5}; C : Observar nmero menor que quatro o evento C = {1, 2, 3}.
(b) Uma moeda lanada 2 vezes e observa-se a sequncia de caras e coroas. Assim,

= {(K , K ); (K , C ); (C , K ); (C , C )}.
Ento,

A: Observar cara no segundo lanamento o evento A = {(K , K ); (C , K )}; B : No observar coroa o evento B = {(K , K )}; C : Observar exatamente uma coroa o evento C = {(K , C ); (C , K )}.

2.2
2.2.1

Combinao de Eventos
Unio de dois ou mais eventos

Sejam A e B eventos de um espao amostral , ento C = A B , tambm um evento de . Sejam A1 , A2 , . . . , An eventos de . Ento A = A1 A2 . . . An = n i =1 Ai um evento de . Se A1 A2 . . . An = , ento dizemos que os Ai s so exaustivos.
Mtodos Quantitativos

35

2.2.2

Interseo de dois ou mais eventos

Sejam A e B dois eventos de , ento C = A B tambm um evento de . Se A B = , ento A e B so ditos mutuamente exclusivos. Sejam A1 , A2 , . . . , An eventos de . Ento I = A1 A2 . . . An = n i =1 Ai tambm um evento de . Se Ai Aj = , para todo i = j , dizemos que os eventos so dois a dois exclusivos. Se Ai Aj = , para todo i = j , e A1 A2 . . . An = , dizemos que os Ai s so dois a dois exclusivos e exaustivos.

2.2.3

Complementar de um evento

Seja A um evento de . Ento Ac = A tambm um evento de . Exemplo: Um dado lanado e observa-se o nmero da face de cima. Logo, = {1, 2, 3, 4, 5, 6}. Considere os seguintes eventos:

A: Observar nmero par (A = {2, 4, 6}) B : Observar nmero mpar (B = {1, 3, 5}). C : Observar nmero menor que 3 (C = {1, 2}).
Temos, portanto, que

A C = {1, 2, 4, 6} (ocorrer nmero par ou menor que 3). A C = {2} (ocorrer nmero par e menor que 3). A B = (ocorrer nmero par e mpar) (mutuamente exclusivos). C c = C = {3, 4, 5, 6} (ocorrer nmero maior ou igual que 3). Ac = A = {1, 3, 5} (no ocorrer nmero par).

2.3

Frequncia relativa

Em um experimento aleatrio, no sabemos qual evento ocorrer, porm uns podem ocorrer mais que outros. Queremos associar nmeros a cada evento que nos dem uma indicao quantitativa da sua ocorrncia. Ento, denimos frequncia relativa da seguinte maneira: Denio: Seja o espao amostral de um experimento aleatrio. Suponha que o experimento seja repetido N vezes, nas mesmas condies. Seja ni o nmero de vezes que ocorre o evento elementar {a}. A frequncia n relativa do evento {a} o nmero f r = . N Exemplo: Suponha que lanamos um dado 100 vezes e observamos o nmero 5, 16 vezes, ento a frequn16 cia relativa deste evento f r = = 0, 16 = 16%. 100 36
FTC EAD |

2.3.1

Propriedades
n 1. N n1 n2 nk N + + ...+ = = 1 (ou 100%). N N N N

1. 0 f r 1, pois 0

2. f r1 + f r2 + . . . + f rk = 1, pois

3. Se A um evento no vazio de , ento a frequncia relativa de A (f rA ) o nmero de vezes que ocorre f ri . A, dividido por N . Logo, f rA =
a i A

Exemplo: Seja A = {a1 , a2 }. Logo, f rA =

n1 + n2 = f r1 + f r2 . N

4. A frequncia relativa tende a se estabilizar em torno de um valor bem denido, quando N sucientemente grande.

2.4

Denio de Probabilidade

Considere o espao amostral = {a1 , a2 , . . . , aN }. A cada evento {ai }, associamos um nmero real, indicado por P ({ai }) = P (ai ) ou, simplesmente, Pi , que chamaremos de probabilidade do evento {ai }, se as seguintes condies so satisfeitas: 1. 0 Pi 1, i {1, 2, . . . , N }.
N

2.
i =1

Pi = P1 + P2 + . . . + PN = 1.

Dizemos, assim, que os nmeros P1 , P2 , . . . , PN , denem uma probabilidade sobre . Seja A um evento. 1. Se A = , ento P (A) = 0. 2. Se A = , ento P (A) =

Pi , ou seja, a probabilidade de um evento ocorrer dada pela soma das


a i A

probabilidades com que seus eventos elementares ocorrem. ER 10. Considere o espao amostral = {a1 , a2 , a3 } e o evento A = {a1 , a3 }. Sabendo que P ({a1 }) = 0, 3 e P ({a2 }) = 0, 5, determine P (A). Soluo: Temos que P (A) = P ({a1 }) + P ({a3 }) = 0, 3 + 0, 2 = 0, 5 = 50%.

2.4.1

Propriedades

1. P ( ) = P (a1 ) + P (a2 ) + . . . + P (ak ) = 1. 2. Se A e B so dois eventos de , tais que A B , ento P (A) P (B ). 3. Se A um evento de , ento 0 P (A) 1.
Mtodos Quantitativos

37

4. Se A e B so dois eventos, ento P (A B ) = P (A) + P (B ) P (A B ). Se A e B forem excludentes, ento P (A B ) = P (A) + P (B ), pois P (A B ) = P () = 0. 5. Se Ac o complementar de A em relao a , isto Ac = A, ento P (Ac ) = P ( A) = 1 P (A). De fato, como Ac A = e Ac A = , temos que 1 = P ( ) = P (Ac A) = P (Ac ) + P (A), ento P (Ac ) = 1 P (A). A probabilidade de um evento A de um espao amostral nito equiprovvel pode ser obtida da seguinte forma: n(A) P (A) = , n( ) em que n(A) o nmero de elementos de A e n( ) o nmero de elementos de . Exemplo: Em uma urna temos 100 bolinhas numeradas de 1 a 100. Ento (a) A probabilidade de tirarmos a bola de nmero 10 P ({10}) = 1/100. (b) A probabilidade de retirarmos uma bola que seja mltiplo de 10 P (A) =

n(A) 10 1 = = = 0, 1 = 10%. n( ) 100 10 Observe que o evento mltiplo de 10 A = {10, 20, 30, 40, 50, 60, 70, 80, 90, 100}.

Exemplo: Sejam os eventos A: nmero mltiplo de 20 e B : nmero mltiplo de 30. Logo, A = {20, 40, 60, 80, 100} e B = {30, 60, 90}. Observe que A B = {60} e, portanto, P (A B ) = 1/100. A probabilidade de observarmos um mltiplo de 20 ou 30

P (A B ) = P (A) + P (B ) P (A B ) = 5/100 + 3/100 1/100 = 7/100 = 0, 07 = 7%


Observe, neste exemplo, que cada bola tem a mesma probabilidade de ser retirada. Dizemos, ento, que este espao amostral equiprovvel.

Contedo 2: Probabilidade Condicional


Sejam um espao amostral e A e B dois eventos de . Indicamos por P (A|B ) a probabilidade do evento A ocorrer, dado que o evento B ocorreu. Chamamos P (A|B ) a probabilidade condicional do evento A dado que o evento B ocorreu. Calculamos P (A|B ) usando B como o novo espao amostral reduzido, dentro do qual queremos calcular a probabilidade do evento A. Exemplo: Considere o experimento aleatrio do lanamento de um dado. Logo, = {1, 2, 3, 4, 5, 6}. Considere os seguintes eventos: Ocorrer nmero par (A = {2, 4, 6}). Ocorrer nmero menor ou igual a 3 (B = {1, 2, 3}). A probabilidade de ocorrer o evento A dado que B ocorreu P (A|B ) = 1/3, pois considerando B como o novo espao amostral reduzido, temos que s existe um nmero par em B , que o 2, e dois nmeros mpares que so, 1 e 3.

4 2 6

B
1 3

Exemplo: Foram selecionadas 400 pessoas em uma cidade, cujo sexo e estado civil esto na tabela abaixo: 38
FTC EAD |

Solteiros (S) Masculino (M) Feminino (F) Total 50 150 200

Casados(C) 60 40 100

Desquitados(D) 40 104 50

Vivos (V) 30 204 50

Total 180 220 400

Temos, ento, as seguintes probabilidades condicionais: P (S |M ) = 50/180 = 5/18, pois a probabilidade de ocorrer solteiro, dado que ocorreu o evento masculino. Logo, o evento masculino se torna o espao amostral reduzido, no qual calcularemos a probabilidade de o evento solteiro. P (M |S ) = 50/200 = 1/4 = 0, 25 = 25%, pois a probabilidade de ocorrer masculino, dado que ocorreu o evento solteiro. Logo, o evento solteiro se torna o espao amostral reduzido, no qual calcularemos a probabilidade de o evento masculino. Podemos observar que P (S |M ) = P (M |S ). P (F |D ) = 10/50 = 1/5 = 0, 20 = 20%; P (D |F ) = 10/220 = 1/22. P (V |M ) = 30/180 = 1/6; P (M |V ) = 30/50 = 3/5 = 0, 60 = 60%. Podemos observar que P (A|B ) =

P (A B ) , se P (B ) > 0. P (B )

Exemplo: Considere o exemplo anterior. Temos as seguintes probabilidades condicionais: 50 50 5 50 400 P (S M ) = 400 = = = . P (S |M ) = 180 P (M ) 400 180 180 18 400 50 50 400 P (M S ) 50 1 P (M |S ) = = 400 = = = = 0, 20 = 20% 200 P (S ) 400 200 200 4 400 ER 11. Considere o experimento aleatrio do lanamento de dois dados D1 e D2 , onde observamos os nmeros do dado D1 e do dado D2 , representado pelo par ordenado (d1 , d2 ). Considere os seguintes eventos:

A: Observar o nmero 4 em D2 . B : A soma dos nmeros de D1 e D2 5.


Determine P (A|B ) e P (B |A). Soluo: O experimento tem o seguinte espao amostral: (1, 1) (1, 2) (1, 3) (1, 4) (1, 5) (1, 6) (2, 1) (2, 2) (2, 3) (2, 4) (2, 5) (2, 6) (3, 1) (3, 2) (3, 3) (3, 4) (3, 5) (3, 6) (4, 1) (4, 2) (4, 3) (4, 4) (4, 5) (4, 6) (5, 1) (5, 2) (5, 3) (5, 4) (5, 5) (5, 6) (6, 1) (6, 2) (6, 3) (6, 4) (6, 5) (6, 6)
Mtodos Quantitativos

39

Temos que A = {(1, 4); (2, 4); (3, 4); (4, 4); (5, 4); (6, 4)} e B = {(1, 4); (2, 3); (3, 2); (4, 1)}. Logo, 1 1 1 P (B A) 1 1 36 1 36 P (A B ) 36 36 = = = 0, 25 = 25% e P (B |A) = = = . = = P (A|B ) = 4 6 P (B ) 36 4 4 P (A) 36 6 6 36 36

Contedo 3: Teorema da Multiplicao e Teorema da Probabilidade Total


2.4.2 Teorema da Multiplicao
P (A B ) P (B A) e P (B |A) = . Logo, P (B ) P (A) P (A B ) = P (B ) P (A|B ) e P (A B ) = P (A) P (B |A), isto , a probabilidade de ocorrer os eventos A e B igual ao produto da probabilidade de um deles ocorrer pela probabilidade condicional do outro dado que o primeiro ocorreu. Este resultado conhecido como o teorema da multiplicao.
Temos, da denio de probabilidade condicional, que P (A|B ) = ER 12. Uma urna U1 contm 5 bolas vermelhas e 10 bolas brancas, a urna U2 contm 2 bolas vermelhas e 8 brancas. Supondo que as duas urnas so idnticas, determine a probabilidade de escolhermos aleatoriamente a urna 1 e retirarmos uma bola vermelha. Soluo: Temos que

P (U1 B ) = P (U1 ) P (B |U1 ) = P (U2 V ) = P (U2 ) P (V |U2 ) = P (U2 B ) = P (U2 ) P (B |U2 ) =

1 10 10 1 = = , 2 15 30 3 1 2 2 1 = = = 0, 10 = 10% e 2 10 20 10 1 8 8 2 = = = 0, 40 = 40% 2 10 20 5 1 5 5 1 = = , pois P (U1 ) = 1/2 e P (V |U1 ) = 5/15. 2 15 30 6

P (U1 V ) = P (U1 ) P (V |U1 ) =

ER 13. Em um lote de 100 lmpadas, existem 80 boas (B ) e 20 queimadas (Q ). Uma lmpada escolhida ao acaso e, sem reposio desta, outra escolhida ao acaso. Determine a probabilidade escolhermos a primeira lmpada boa e a segunda queimada. Soluo: A probabilidade de escolhermos uma lmpada boa e outra queimada sem reposio o produto das probabilidades que esto nos ramos do caminho boa (B ) e queimada (Q ). Logo, temos a proba8 20 4 20 bilidade = 0, 16 = 16%. Notamos que a probabilidade de escolhermos uma queimada 100 99 5 99 (Q ) e uma boa (B ) tm a mesma probabilidade de escolhermos uma boa (B ) e uma queimada (Q ). De fato 1 80 80 79 4 79 20 80 = 0, 16 = 16%. A probabilidade de escolhermos duas boas = 0, 64 = 64% 100 99 5 99 100 99 5 99 20 19 1 19 e a probabilidade de escolhermos duas queimadas = 0, 04 = 4%. 100 99 5 99

2.4.3

Teorema da Probabilidade Total

Sejam B1 , B2 , . . . , Bn , n eventos do espao amostral . Dizemos que eles formam uma partio de se: 40
FTC EAD |

1. P (Bi ) > 0. 2. Bi Bj = , se i = j . 3. n i =1 Bi = . Isto , os Bi s so dois a dois mutuamente exclusivos e exaustivos. Seja A um evento qualquer de . Ento, temos que A = (B1 A) (B2 A) . . . (Bn A). Como os conjuntos (B1 A), (B2 A), . . . , (B2 A) so dois a dois mutuamente exclusivos, isto , a interseo entre dois quaisquer destes conjuntos o conjunto vazio, temos que P (A) = P (B1 A)+ P (B2 A)+ . . . + P (Bn A). Este resultado conhecido como teorema da probabilidade total.

B1 B2 B6 B5 B3 B4 B1 B2 A B6 B5 B3 B4

ER 14. Uma urna I tem 5 bolas pretas e 10 vermelhas; outra urna I I tem 3 bolas pretas e 2 vermelhas e a urna I I I tem 7 bolas pretas e 3 vermelhas. Uma urna selecionada ao acaso e dela retirada uma bola tambm ao acaso. Qual a probabilidade desta bola ser vermelha?

Soluo: Temos que as urnas U1 , U2 e U3 , formam uma partio do espao amostral. Logo, o conjunto vermelho podemos escrever da seguinte forma: V = (U1 V ) (U2 V ) (U3 V ). A probabilidade de retirarmos uma bola vermelha , ento, P (V ) = P (U1 V ) + P (U2 V ) + P (U3 V ) = 2 2 1 1 10 1 2 1 3 + + = + + 0, 46 = 46%. 3 15 3 5 3 10 9 15 10

ER 15. Em trs caixas idnticas C1 , C2 e C3 , temos em C1 duas moedas de ouro (O ), em C2 uma de ouro (O ) e uma de prata (P ) e em C3 duas de prata (P ). Se escolhermos uma caixa ao acaso e retirarmos tambm ao acaso uma moeda de ouro desta caixa, qual a probabilidade de que a outra moeda desta caixa seja de ouro?

Soluo: Notamos que o problema se resume no seguinte: Se a moeda escolhida foi de ouro, qual a probabilidade desta moeda ter vindo da caixa C1 ? Isto , qual a probabilidade de ocorrer o evento C1 , dado que o evento ouro (O ) ocorreu. Logo, queremos determinar P (C1 |O ). 1

C1
1/3

O
1/2

P (C1 |O ) =

1/3

C2
1/2

1/3

7/10 C3

P (C1 0) 1 1 , como P (C1 O ) = 1 = e P (O ) P (0) 3 3 1 1 1 1 P (C1 O ) + P (C2 O ) + P (C3 O ) = 1 + + 0 = 3 3 2 3 1 2 temos que P (C1 |O ) = 3 = . 1 3 2

= 1 , 2

P
Mtodos Quantitativos

41

Contedo 4: Eventos Independentes, Arranjos e Combinao


2.5 Independncia de Dois Eventos

Dados dois eventos A e B de um espao amostral , dizemos que o evento A independe do evento B se, P (A|B ) = P (A), isto , A independe de B se a ocorrncia de B no afeta a probabilidade de A. Notamos que se A independe de B , ento B independe de A. Vejamos: Se A independe de B , ento P (A|B ) =

P (A B ) = P (A). Logo, P (A B ) = P (A) P (B ). Como P (B |A) = P (B )

P (A) P (B ) P (A B ) = = P (B ). Portanto, B independe de A. P (A) (A) P (A B ) . Logo, P (A B ) = P (A/B ) P (B ), se A independe de B temos que P (B ) P (A|B ) = P (A), ento P (A B ) = P (A) P (B ). Podemos, ento, dizer que dois eventos A e B de um espao amostral , so independentes se P (A B ) = P (A) P (B ).
Temos que P (A|B ) =

Exemplo: Uma moeda lanada trs vezes. Logo, temos que = {(K , K , K ); (K , K , C ); (K , C , K ); (K , C , C ); (C , C , C ); ( Considere os eventos: A: Ocorrerem resultados iguais nos trs lanamentos. B : Ocorrerem pelo menos duas caras. Assim, A = {(K , K , K ); (C , C , C )} e B = {(K , K , C ); (K , C , K ); (C , K , K ); (K , K , K )}. Temos que P (A) = 2/8 = 1/4 e P (B ) = 4/8 = 1/2. Como A B = {(K , K , K )}, temos que P (A B ) = 1/8. Logo, temos que P (A B ) = P (A) P (B ), pois 1/8 = 1/4 1/2 e, neste caso, os eventos A e B so independentes. Se dois eventos A e B de um espao amostral no so independentes, ento eles so ditos dependentes. ER 16. Dois candidatos A e B prestam o mesmo vestibular para determinado curso de uma faculdade. A probabilidade do candidato A passar de 1/2 e do candidato B passar 3/4. Determine: (a) A probabilidade de ambos passarem no vestibular. (b) A probabilidade de pelo menos um passar no vestibular. Soluo: (a) O evento do candidato A passar no vestibular independe do evento do candidato B passa. Logo, A e B so independentes e P (A B ) = P (A) P (B ) = 1/2 3/4 = 3/8. (b) P (A B ) = P (A) + P (B ) P (A B ) = 1/2 + 3/4 3/8 = 7/8. EP 2.1. Mostre que se dois eventos A e B de um espao amostral so independentes, ento A e B c so independentes, Ac e B so independentes e Ac e B c so independentes. EP 2.2. Considere o exemplo acima. Determine as seguintes probabilidades: (a) Nenhum dos candidatos passem no vestibular. 42
FTC EAD |

(b) O candidato A passe no vestibular e o candidato B no. (c) O candidato B passe no vestibular e o candidato A no.

2.6
2.6.1

Mtodos de Enumerao
Regra da Multiplicao

Suponha que uma primeira deciso possa ser tomada de N maneiras e uma segunda deciso de M maneiras, ento o nmero de decises possveis M N . Exemplo: Suponha que uma primeira deciso possa ser tomada de duas maneiras A e B , e uma segunda deciso possa ser tomada de trs maneiras C , D e E .

C A E C B E
Logo, as decises possveis so {{A, C }, {A, D }, {A, E }, {B , C }, {B , D }, {B , E }} e o nmero de decises possveis so 2 3 = 6.

2.6.2

Permutaes

Se temos trs objetos A, B e C , podemos coloc-los juntos nas sequncias: ABC , AC B , BAC , BC A, C AB e C BA. Logo, temos seis maneiras diferentes de arrumar estes trs objetos. Se tivermos N objetos, ns teremos N possibilidades (objetos) para a primeira posio, N 1 possibilidades (objetos) para a segunda, N 2 possibilidades (objetos) para a terceira e assim sucessivamente, at a posio N , onde teremos apenas uma possibilidade (objeto).

N 1

N 2

Pela regra da multiplicao, temos um total de N (N 1) (N 2) . . . 2 1 possibilidades de permutarmos estes objetos. Se N um inteiro positivo, denimos o fatorial de N por N ! = N (N 1) (N 2) . . . 2 1 e 0! = 1. O nmero de maneiras de permutarmos N objetos dado por PN = N !.

2.6.3

Arranjos

Suponha que temos n elementos distintos e escolhemos r elementos entre eles. Chamamos de arranjo dos n elementos tomados r a r a qualquer sequncia de r elementos tomados entre estes n elementos, todos distintos.
Mtodos Quantitativos

43

O nmero de arranjos de n elementos tomados r a r denotada por An,r . Para a primeira posio temos n possibilidades, para segunda n 1 e assim sucessivamente at a posio r , onde teremos n (r 1) possibilidades.

n1

n2

n (r 2)

n (r 1)

Temos que An,r = n (n 1) (n 2) . . . (n (r 1)) =

n! . Pois (n r )!

n (n 1) . . . (n 1)) (n r ) (n (+1)) . . . 2 1 n! = = n (n 1) (n 2) . . . (n (r 1)). (n r )! (n r ) (n (r + 1) . . . 2 1


Logo, An,r =

n! . (n r )!

Exemplo: Sejam a e b dois elementos. Logo, A2,2 = 2!/(22)! = 2! = 2. As possibilidades so {(a, b ); (b , a)}. Exemplo: Sejam a, b e c trs elementos, logo A3,3 = 3!/(3 3)! = 3! = 6. As possibilidades so {(a, b , c ); (a, c , b ); (b , a, c ); (b , c , a); (c , a, b ); (c , b , a)}. Considere, agora, o nmero de arranjos deste 3 elementos tomados 2 a 2. Temos, A3,2 = 3!/(3 2)! = 3! = 6. As possibilidades so {(a, b ); (b , a); (a, c ); (c , a); (c , b ); (b , c )}. Exemplo: Sejam a, b , c e d quatro elementos. Logo, A4,2 = 4!/(42)! = 4!/2! = 24/2 = 12. As possibilidades so {(a, b ); (b , a); (a, c ); (c , a); (a, d ); (d , a); (b , c ); (c , b )(b , d ); (d , b ); (c , d ); (d , c )}.

2.6.4

Combinaes

Dado um conjunto M com n elementos, M = {a1 , a2 , . . . , an }, chamamos de combinao dos n elementos, tomados r a r , a todo subconjunto de r elementos do conjunto M . Exemplo: Considere o conjunto a, b , c , d , queremos tomar dois dentre estes quatro elementos. De quantas maneiras podemos fazer isto? Temos as seguintes possibilidades: {a, b }, {a, c }, {a, d }, {b , c }, {b , d }, {c , d }. O nmero de combinaes possveis que podemos fazer com n elementos tomados r a r indicado por n! Cn,r ou n r , onde 0 r n. Sendo que Cn,r = r ! (n r ) . Considerando o exemplo acima temos que 24 24 4! = = = 6. C4,2 = 2! (4 2)! 2.2 4 ER 17. Dentre 6 pessoas desejamos fazer grupos de dois, quantas so essas possibilidades? 6! 720 720 = = = 15 possibilidades. 2!(6 2)! 2 24 48

Soluo: C6,2 =

ER 18. Dentre 6 sons diferentes de um aparelho eletrnico, quantos sinais podemos produzir usando dois sons entre esses 6? Soluo: A6,2 = 730 6! = = 30 possibilidades. (6 2)! 24

ER 19. Dentre um grupo de 6 pessoas temos 4 homens e duas mulheres, queremos formar um grupo de 2 pessoas sendo que 1 homem e 1 mulher. Quantas so as possibilidades de formarmos este grupo? 4! 24 2! 2 = = 4, C2,1 = = = 2, logo as possibilidades so C4,1 C2,1 = 1!(4 1)! 6 1! (2 1)! 1

Soluo: C4,1 = 4 2 = 8. 44
FTC EAD |

ER 20. Se temos 10 pessoas, sendo 6 homens e 4 mulheres, e queremos formar um grupo de 5 pessoas, sendo 3 homens e 2 mulheres, quantas possibilidades temos para formar este grupo? 6! 720 4! 24 = = 20, C4,2 = = = 6. Logo, as possibilidades so 3! (6 3)! 36 2! (4 2)! 4 = 20 6 = 120.

Soluo: C6,3 =

C6,3 C4,2

EP 2.3. De um determinado grupo de 101 empresas alimentcias que fabricam pelo menos um dos produtos mencionados, sabe-se que 66 fabricam gelias, 62 fabricam sorvetes e 56 produzem chocolates. Destas, 39 fabricam sorvetes e gelias, 42 fabricam sorvetes e chocolates, 38 fabricam chocolates e gelias. Qual a probabilidade de uma empresa escolhida ao acaso fabricar: (a) Somente gelia? (b) Somente chocolate ou sorvete? (c) Chocolate e sorvete e gelia? (d) Gelia mais no sorvete? (e) Chocolate ou sorvete mas no gelia? EP 2.4. De um grupo de 126 estudantes temos que 66 falam ingls, 52 falam francs e 11 no falam nenhuma destas lnguas. (a) I e F so coletivamente exaustivos? Porqu? (b) I e F so mutuamente excludentes? Porqu? (c) Determine P (I F ). (d) Determine P (I F ). (e) Qual a probabilidade de escolhermos um estudante que fale apenas ingls? (f) Qual a probabilidade de escolhermos um estudante que fale apenas francs? EP 2.5. Um cliente de uma loja de roupas e sapatos deseja comprar 4 camisas, 3 calas e 2 sapatos, ele est em duvida entre 6 camisas, 4 calas e 3 sapatos. De quantas maneiras ele pode efetuar esta compra? EP 2.6. Uma dona de casa tem 12 livros em sua estante, sendo 5 matemtica, 4 de histria e 3 fsica. a) De quantas maneiras a dona de casa pode arrumar os livros na estante sendo que os livros de histria quem todos juntos? b) De quantas maneiras a dona de casa pode arrumar os livros na estante sendo que os livros de matemtica e fsica quem todos juntos? EP 2.7. Um rapaz construiu uma rifa onde o prmio era seu carro. Ele criou cartes com cinco cores diferentes, azul,vermelho, verde, amarelo e branco, os cartes contm 5 dezenas escolhidas entre 10 dezenas. Qual a probabilidade de uma pessoa ganhar o prmio adquirindo um carto, se no dia marcado sorteia-se uma cor e cinco dezenas entre as dez? EP 2.8. A caixa econmica federal planeja lanar um jogo onde o jogador deve marcar 6 dezenas das 12 possveis do carto. Ele ganha o prmio se conseguir acertar pelo menos 5 das 6 dezenas. Qual a probabilidade dele ganhar o jogo? EP 2.9. Nove livros so colocados ao acaso numa estante. Qual a probabilidade de que 3 livros determinados quem juntos? EP 2.10. Em um dos novos jogos comercializados pela caixa econmica federal, o apostador deve marcar 50 dezenas de um carto contendo 100 dezenas. Posteriormente so sorteadas 20 dezenas. Calcule a probabilidade do apostador ganhar: (a) acertando todas as 20 dezenas; (b) acertando 16, 17, 18, 19, ou 20 dezenas ou errando as 20 dezenas.
Mtodos Quantitativos

45

2.7

Atividade Complementar

EP 2.11. Um grupo de pessoas foi classicado segundo o peso e o nvel de colesterol no sangue, onde a proporo encontra-se na tabela abaixo: Peso Colesterol Alto Normal Total Excesso 0,2 0,12 0,32 Normal 0,18 0,10 0,28 Baixo 0,17 0,23 0,40 Total 0,55 0,45 1,00

(a) Qual a probabilidade de uma pessoa escolhida ao acaso ter colesterol normal? (b) Se escolhermos uma pessoa desse grupo e ela tiver colesterol alto, qual a probabilidade que ela tenha excesso de peso? EP 2.12. Em uma fbrica temos duas mquinas, mquina A e mquina B . A mquina A responsvel por 53, 7% da produo, e a mquina B por 46, 3% da produo. A mquina A produz 41, 3% de peas com defeito e a mquina B 2, 5% de peas com defeito. (a) Se uma pea escolhida ao acaso e vericamos que ela defeituosa, qual a probabilidade dela ter sido produzida pela mquina B ? (b) Se escolhemos uma pea ao acaso, qual a probabilidade dela ser boa? EP 2.13. Uma moeda viciada de modo que a probabilidade de sair K (cara) 7/3 da probabilidade de sair

C (coroa). Se lanarmos essa moeda qual a probabilidade de sair:


(a) Cara (K ) (b) Coroa (C ) EP 2.14. Em uma urna temos 20 bolas enumeradas de 1 a 20. (a) Se retirarmos uma bola par dessa urna, qual a probabilidade dessa bola ser maior ou igual a 13? (b) Qual a probabilidade de uma bola menor que 17 ser retirada dessa urna? (c) Qual a probabilidade de uma bola que seja mltipla de 3 e mltipla de 2 ser retirada dessa urna? EP 2.15. Em uma urna temos quatro moedas. A moeda M1 uma moeda normal, a moeda M2 viciada de tal modo que sair cara (K ) 1.219 vezes mais provvel que sair coroa (C ), a moeda M3 tem duas caras (K ) e a moeda M 4 tem duas coroas (C ). Uma moeda escolhida ao acaso e lanada. (a) Se o resultado obtido foi coroa (C ), qual a probabilidade da moeda lanada ter sido a moeda M2 ? (b) Qual a probabilidade de observarmos moeda M3 e cara (K )? (c) Qual a probabilidade de observarmos coroa (C )? 46
FTC EAD |

Gabarito
2.1 2.2 (a) 1/8 (b) 1/8 (c) 3/8 2.3 (a) 25/101 (b) 29/101 (c) 36/101 (d) 27/101 (e) 35/101 2.4 (c) 3/126 (d) 115/126 (e) 63/126 (f) 49/126. 2.5 C6,4 C4,3 C3,2 = 180 maneiras. 2.6 (a) A4,4 A9,9 = 4! 9! (b) A5,5 A3,3 A6,6 = 5! 3! 6!. 2.7 1/C5,1 C10,5 = 1/1.260. 2.8 (C6,5 + C6,6 )/C12,6 = 7/924. 2.9 (A3, 3 A7,7 )/A9,9 = 1/12. 2.10 (a) C50,20 /C100,20 (b) (C50,16 + C50,17 + C50,18 + C50,19 + C50,20 + C50,20 )/C100,20 . 2.11 2.12 2.13 2.14 2.15

Mtodos Quantitativos

47

BLOCO 02

Inferncia Estatstica Srie de Capitais, Inao e

TEMA 03

Depreciao

Contedo 1: Varivel Aleatria


Quando uma varivel tem resultados ou valores que tendem a variar de uma observao para outra em razo de fatores relacionados com a chance, ns chamamos de varivel aleatria. Uma varivel aleatria uma funo que associa um evento a um nmero. Por exemplo, ao jogar uma moeda, existem dois resultados K ou C , que no so numricos. Podemos, ento, considerar a varivel aleatria igual ao nmero de caras em uma jogada, ou seja, os valores numricos possveis so 0 e 1. Assim, uma varivel aleatria (v.a) uma funo com valores numricos cujo valor determinado por fatores relacionados a chance. As variveis aleatrias podem ser discretas ou contnuas. Uma varivel aleatria dita discreta se toma valores que podem ser contados e dita contnua quando pode tomar qualquer valor de um determinado intervalo.

3.1

Funo de Probabilidade e Esperana de uma Varivel Aleatria

Admitamos X uma varivel aleatria em um espao amostral com contradomnio nito, de sorte que X ( ) = {x1 , x2 , x3 , . . . , xn }. Se para cada ponto xi , deste espao amostral X ( ) tiver sido denido sua probabilidade, tal que P (X = xi ), denominada por f (xi ), tem-se um espao de probabilidade. Nesse sentido, a funo de probabilidade f em X ( ) ser denida por f (xi ) = P (X = xi ), que passar a ser chamada de distribuio ou funo de probabilidade e ser usada de forma mais comum segundo mostra a tabela seguinte:

xi f (xi )

x2 f (xi )

... ...

xn f (xn )

A distribuio f acima dever satisfazer as seguintes condies: 1. f (xi ) 0


n

2.
i =1

f (xi ) = 1

Nestes termos, pode-se armar que a mdia ou a esperana matemtica para X , denotado por E (X ) ou X ou, simplesmente, E ou , denido por:
n

E (X ) = x1 f (x1 ) + x2 f (x2 ) + . . . + xn f (xn ) =


i =1

xi f (xi ).

48

FTC EAD |

Observe que E (X ) representa a mdia ponderada entre os valores de xi e suas respectivas frequncias absolutas. Exemplo: Lana-se um par de dados, obtendo-se um espao nito equiprovvel formado por 36 pares ordenados cujos nmeros esto situados entre 1 e 6, conforme quadro abaixo. (1, 1) (2, 1) (3, 1) (4, 1) (5, 1) (6, 1) (1, 2) (2, 2) (3, 2) (4, 2) (5, 2) (6, 2) (1, 3) (2, 3) (3, 3) (4, 3) (5, 3) (6, 3) (1, 4) (2, 4) (3, 4) (4, 4) (5, 4) (6, 4) (1, 5) (2, 5) (3, 5) (4, 5) (5, 5) (6, 5) (1, 6) (2, 6) (3, 6) (4, 6) (5, 6) (6, 6)

A varivel aleatria X que associa a cada par ordenado (a, b ) de o maior desses nmeros (X (a, b ) = max{a, b }). Assim, X uma varivel aleatria cuja imagem : X ( ) = {1, 2, 3, 4, 5, 6}. Ao se considerar a funo de distribuio de probabilidade f de X , calculando-se seu valor para cada elemento da imagem, temos:

f (1) = P (X = 1) = P ({(1, 1)}) =

1 36 3 36 5 36 7 36 9 36 11 36

f (2) = P (X = 2) = P ({(2, 1); (2, 2); (1, 2)}) =

f (3) = P (X = 3) = P ({(3, 1); (3, 2); (3, 3); (2, 3); (1, 3)}) =

f (4) = P (X = 4) = P ({(4, 1); (4, 2); (4, 3); (4, 4); (1, 4); (2, 4); (3, 4)}) =

f (5) = P (X = 5) = P ({(5, 1); (5, 2); (5, 3); (5, 4); (5, 5); (4, 5); (3, 5); (2, 5); (1, 5)}) =

f (6) = P (X = 6) = P ({(1, 6); (2, 6); (3, 6); (4, 6); (5, 6); (6, 6); (6, 5); (6, 4); (6, 3); (6, 2); (6, 1)}) =
A sntese dessa distribuio pode ser exposta em forma de tabela:

xi f (xi )
Por m, a mdia de X :
n

1 1 36

2 3 36

3 5 36

4 7 36

5 9 36

6 11 36

E (X ) =
i =1

xi f (xi ) = 1

3 5 7 9 11 1 +2 +3 +4 +5 +6 = 4, 47. 36 36 36 36 36 36

ER 21. Suponha que uma loteria pague prmios a seus clientes da seguinte maneira: 1.000 prmios de

R $400, 00; 500 prmios de R $500, 00 e 100 prmios de R $1.000, 00.


Considere que so vendidos, num determinado concurso, 50.000 bilhetes e encontre o preo justo que se deve pagar por cada bilhete comprado. Soluo: Para resolver o problema, deve-se considerar, inicialmente, a existncia de uma varivel aleatria a qual ir representar a quantia, em reais, que se paga por um bilhete da loteria. Assim, X poder
Mtodos Quantitativos

49

ser: 400, 500 e 1.000. Com base nos dados do exemplo pode-se calcular as probabilidades relacionadas s variveis aleatrias da seguinte maneira:

P (X = 400) = P (X = 500) =

1.000 = 0, 02 50.000 500 = 0, 01 50.000 100 = 0, 002 50.000

P (X = 1.000) =

O quadro que representa a distribuio de probabilidade de X : X P(X) 400 0,02 500 0,01 1.000 0,002 0 0,968

Para se determinar o preo justo deve-se encontrar o valor da esperana matemtica para a varivel aleatria X da seguinte forma:
4

E (X )

i =1

Xi P (Xi ) = 1.000 0, 02 + 500 0, 01 + 100 0, 002 + 0 0, 968 = 25, 2.

Este valor corresponde ao preo mnimo do bilhete. Assim, para se ter algum lucro para a loteria deve-se cobrar um preo acima do calculado.

Contedo 2: Distribuio Normal


3.2 Distribuio Binomial

utilizada para calcular a probabilidade de experimentos que apresentam duas possibilidades, sucesso ou fracasso. A expresso para o calculo da probabilidade de uma distribuio binomial dada por:

P (x ) = Cn,x p x q nx ,
em que Cn,x a combinao de n tomados x a x , p a probabilidade de sucesso, q a probabilidade de fracasso (q = 1 p ), n o nmero de observaes ou provas idnticas e x o nmero de sucessos esperados. ER 22. Uma moeda lanada quatro vezes, qual a probabilidade de sair cara. (a) uma vez, (b) trs vezes, (c) pelo menos uma vez. Soluo: Vamos considerar a probabilidade de sucesso como sendo a probabilidade de sair cara. Logo

p = 1/2 e a probabilidade de fracasso (sair coroa) q = 1 p = 1 1/2 = 1/2. Logo,


50
FTC EAD |

(a) P (1) = C4,1 (1/2)1 (1/2)3 = 0, 25; (b) P (3) = C4,3 (1/2)3 (1/2)1 = 0, 25, (c) P (1) + P (2) + P (3) + P (4) = 1 P (0) = 1 C4,0 (1/2)0 (1/2)4 = 1 0, 0625 = 0, 9375.

3.2.1

Mdia (Valor esperado) e varincia da distribuio binomial

A mdia da distribuio binomial o nmero de observaes vezes a probabilidade de ocorrncia do evento, isto = n p . J a varincia igual ao nmero de observaes vezes a probabilidade de sucesso vezes a probabilidade de fracasso, isto , 2 = n p q . Logo, o desvio padro = n p q . ER 23. Voc administra uma fbrica de chuteiras e nota que h na linha de produo um probabilidade de 2% de um par das chuteiras seja fabricado com defeito, isto , ser rejeitado no controle de qualidade. O controle de qualidade considera par defeituoso o fato de ter apenas um dos ps da chuteira com defeito. Considerando que sero fabricados 50.000 pares de chuteiras, encontre a mdia de chuteiras defeituosas e o desvio padro da quantidade de chuteiras completamente defeituosas. Soluo: Considere, inicialmente, que cada par de chuteiras defeituosa corresponde a uma varivel aleatria X qualquer. Essa varivel aleatria ser do tipo Binomial, pois na linha de produo um par de chuteiras ser tido como defeituoso ou no. Faamos, n o nmero de pares a serem fabricados. Logo, n = 50.000. p a probabilidade de um dos ps da chuteira ser defeituoso. Assim, para que um par de chuteiras seja totalmente defeituoso preciso que se tenha tanto o p direito quanto o esquerdo defeituoso. Ora, se queremos ter os dois ps com defeito deve-se excluir da probabilidade total a chance de termos os dois pares em perfeito estado:

p = 1 (0, 98)2 = 0, 0396.


O valor esperado ou a mdia de pares totalmente defeituosos = n p = 50.000 0, 0396 = 1.980 pares de chuteiras totalmente defeituosos. J o desvio padro = n p q = 50.000 0, 0396 0, 9604 = 43, 6.

EP 3.1. Um exame de mltipla escolha consiste em 10 questes, cada uma com 4 opes. A aprovao no exame exige do aluno pelo menos nota seis, ou seja o acerto de pelo menos seis questes. Qual a chance de aprovao: (a) se o aluno nada estudou? (b) se o aluno estudou suciente para poder eliminar duas escolhas, devendo escolher apenas entre duas opes. EP 3.2. Uma equipe de basquete tem probabilidade 0, 88 de vitrias sempre que joga. Se o time atuar 4 vezes, determine a probabilidade de que vena: (a) todas as partidas; (b) exatamente 2 partidas; (c) pelo
Mtodos Quantitativos

51

menos uma partida; (d) no mximo 3 partidas; (e) mais da metade das partidas. EP 3.3. Supondo que a probabilidade de um casal ter lhos com olhos verdes de 17%, em 400 famlias com 4 crianas cada uma, quantas se esperaria que tivesse: (a) dois lhos com olhos verdes; (b) nenhum dos lhos com olhos verdes.

Contedo 3: Distribuio de Poisson


uma distribuio discreta de probabilidade, dita uma regra matemtica, que serve para descrever a probabilidade do nmero de ocorrncias num campo ou intervalo contnuo (tempo ou espao) de eventos que no ocorrem com muita frequncia. Essa distribuio tambm chama de distribuio para exemplos raros ou que no possvel haver reproduo em ambiente controlado. Somente um valor necessrio para determinar a probabilidade de um determinado nmero de sucessos, que o nmero mdio de sucessos para a especca dimenso de tempo ou espao. A expresso da distribuio de Poisson :

P (X = xi ) =
em que

(t )x e t , x!

o nmero mdio de sucessos em um determinado intervalo de tempo ou espao; t o intervalo de tempo ou espao contnuo de observaes que se est analisando e x o nmero de sucessos no intervalo desejado.

3.2.2

Propriedades da Distribuio de Poisson


Mdia Varincia Desvio-Padro = 2 = =

ER 24. Uma pizzaria recebe em mdia 8 chamadas por hora. Qual a probabilidade de que, em uma hora selecionada aleatoriamente, sejam recebidas exatamente 5 chamadas? Soluo: Temos que a mdia de chamadas = 8, o intervalo de tempo t = 1 e o nmero de sucessos no intervalo dado x = 5. Logo,

P (X = 5) =

e 81 (8 1)5 = 0, 0916. 5!

ER 25. Em certa rodovia aparecem buracos, em mdia, numa proporo de um buraco a cada 500m. Qual a probabilidade de aparecer 4 buracos em um espao de 1.500m? Soluo: Temos uma mdia de 1 buraco a cada 500m, logo a proporo de buracos de = 1/500, para o espao em questo, o qual t = 1.500, espera-se que o nmero de buracos nesse espao (casos de 52
FTC EAD |

e 3 (3)4 = 01680. Ou seja, tem-se 16, 80% de chance de se ter quatro 4! buracos nesse espao de 1.500 metros de rodovia.
sucessos) seja x = 4, logo P (4) = ER 26. Voc o chefe da Comisso de Preveno de Acidentes de uma empresa e constata o seguinte movimento de acidentes de trabalho ao longo de vrios dias, segundo constado na tabela seguinte: Nmero de acidentes 0 1 2 3 4 5 Total Quantidade dias 25 20 9 6 2 14 63

Descreva, atravs de uma distribuio de Poisson, a probabilidade de se ter acidentes de trabalho nessa empresa em um dado intervalo de tempo. Construa uma tabela de distribuio de probabilidade para o nmero de acidentes. 0 25 + 1 20 + 2 9 + 3 6 + 4 2 + 5 1 = 63

Soluo: O nmero mdio de acidentes no perodo = 1, 1. Logo, ocorrem 1, 1 acidentes por dia na empresa.

A lei que expressa o nmero de acidentes por intervalos de tempo

P (X = x ) =

1, 1x (e )1,1 ; x = 0, 1, 2, . . . , n x!

O clculo da probabilidade de ocorrncia de acidentes, segundo a distribuio de Poisson, Nmero de dias Observado 25 20 9 6 2 1 Esperado 21 23 13 15 1 0

Nmero de acidentes 0 1 2 3 4 5

Probabilidade de acidentes 0, 3329 0, 3662 0, 2014 0, 0739 0, 0203 0, 0045 1, 11 e 1,1 1! 1, 14 e 1,1 P (X = 4) = 4!

P (X = 0) =

1, 10 e 1,1 0! 1, 13 e 1,1 P (X = 3) = 3!

P (X = 1) =

1, 12 e 1,1 2! 1, 15 e 1,1 P (X = 5) = 5!

P (X = 2) =

Para calcular o valor esperado do nmero de dias basta multiplicar o valor da probabilidade pelo total de dias, isto , 0, 3329 63 = 21 e 0, 3662 63 = 23. ER 27. Suponha que existam 200 erros de impresso distribudos aleatoriamente em um livro de 800 pginas. Calcule a probabilidade P (x ) de cada pgina conter:
Mtodos Quantitativos

53

(a) Exatamente 1 erro; (b) Mais de 1 erro. Soluo: Vamos considerar como sucesso o nmero de erros em uma pgina, assim: n = 200, pois 1 h 200 erros de impresso. A chance de se ter um erro em dada pgina de P = . Logo, = n p = 800 1 200 = 0, 25. Assim, 800 (a) P (X = 1) = 0, 251 e 0,25 = 0, 1947 1! (0, 25)0,25 + 0, 1947 = 0, 0265 0!

(b) P (X > 1) = 1 [P (X = 0) + P (X 1)] = 1

Portanto, existe 2, 65% de probabilidade de se ter mais de um erro por pgina. EP 3.4. Suponha que haja 265 erros de pontuao distribudos aleatoriamente em um contrato comercial de 458 linhas. Encontre a probabilidade de conter em uma dada linha 2 erros apenas. EP 3.5. Um a cada cem carros cai num buraco de uma avenida. Se cem carros passarem, qual a probabilidade de dois carros carem no buraco? EP 3.6. Numa central telefnica chegam 300 telefonemas por hora. Qual a probabilidade de que em um minuto no haja nenhum chamado.

Contedo 4: Distribuio Normal


utilizada na anlise de variveis aleatrias contnuas (intervalos reais). 1 1 x 2 e 2 ( ) , em que: A funo de densidade f (x ) = 2 x a varivel aleatria. o desvio padro. mdia. O grco da funo de densidade de f :

y
N (,2 )

+ Mo ==Md

Observe que o grco da distribuio normal 54


FTC EAD |

1. Simtrico em torno da mdia. 2. No toca o eixo 0x (0x uma assntota). 3. A distribuio normal ca delimitada entre a mdia e o desvio padro. 4. A rea sob o grco de f igual a 1(100%). 5. A rea entre dois pontos, correspondente a probabilidade do valor de uma varivel aleatria entre estes dois pontos. 6. Apresenta um nico pico que a mdia, logo a mdia, mediana e moda apresentam mesmo valor.

x Fazendo z = , podemos simplicar a funo de densidade f (x ). O grco da distribuio normal ca como no grco abaixo.
Temos que a probabilidade de uma varivel aleatria Z estar entre 0 e z1 determinada pela rea sob a
z1

curva da funo f (z ) que vai de 0 a z1 . Logo, a integral


0

f (z )dz .

A tabela a seguir nos d os valores das probabilidades (a rea sob a curva f (z )) para valores que vo de 0 a z.

N (0, 1)

p z
0, 5 p

0
z
0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9 2,0 2,1 2,2 2,3 2,4 2,5 2,6 2,7 2,8 0,00 0,0000 0,0398 0,0793 0,1179 0,1554 0,1915 0,2257 0,2580 0,2881 0,3159 0,3413 0,3643 0,3849 0,4032 0,4192 0,4332 0,4452 0,4554 0,4641 0,4713 0,4772 0,4821 0,4861 0,4893 0,4918 0,4938 0,4953 0,4965 0,4974 0,01 0,0040 0,0438 0,0832 0,1217 0,1591 0,1950 0,2291 0,2611 0,2910 0,3186 0,3438 0,3665 0,3869 0,4049 0,4207 0,4345 0,4463 0,4564 0,4649 0,4719 0,4778 0,4826 0,4864 0,4896 0,4920 0,4940 0,4955 0,4966 0,4975 0,02 0,0080 0,0478 0,0871 0,1255 0,1628 0,1985 0,2324 0,2642 0,2939 0,3212 0,3461 0,3686 0,3888 0,4066 0,4222 0,4357 0,4474 0,4573 0,4656 0,4726 0,4783 0,4830 0,4868 0,4898 0,4922 0,4941 0,4956 0,4967 0,4976 0,03 0,0120 0,0517 0,0910 0,1293 0,1664 0,2019 0,2357 0,2673 0,2967 0,3238 0,3485 0,3708 0,3907 0,4082 0,4236 0,4370 0,4484 0,4582 0,4664 0,4732 0,4788 0,4834 0,4871 0,4901 0,4925 0,4943 0,4957 0,4968 0,4977 0,04 0,0160 0,0557 0,0948 0,1331 0,1700 0,2054 0,2389 0,2704 0,2995 0,3264 0,3508 0,3729 0,3925 0,4099 0,4251 0,4382 0,4495 0,4591 0,4671 0,4738 0,4793 0,4838 0,4875 0,4904 0,4927 0,4945 0,4959 0,4969 0,4977

0,05 0,0199 0,0596 0,0987 0,1368 0,1736 0,2088 0,2422 0,2734 0,3023 0,3289 0,3531 0,3749 0,3944 0,4115 0,4265 0,4394 0,4505 0,4599 0,4678 0,4744 0,4798 0,4842 0,4878 0,4906 0,4929 0,4946 0,4960 0,4970 0,4978

0,06 0,0239 0,0636 0,1026 0,1406 0,1772 0,2123 0,2454 0,2764 0,3051 0,3315 0,3554 0,3770 0,3962 0,4131 0,4279 0,4406 0,4515 0,4608 0,4686 0,4750 0,4803 0,4846 0,4881 0,4909 0,4931 0,4948 0,4961 0,4971 0,4979

0,07 0,0279 0,0675 0,1064 0,1443 0,1808 0,2157 0,2486 0,2794 0,3078 0,3340 0,3577 0,3790 0,3980 0,4147 0,4292 0,4418 0,4525 0,4616 0,4693 0,4756 0,4808 0,4850 0,4884 0,4911 0,4932 0,4949 0,4962 0,4972 0,4979

0,08 0,0319 0,0714 0,1103 0,1480 0,1844 0,2190 0,2517 0,2823 0,3106 0,3365 0,3599 0,3810 0,3997 0,4162 0,4306 0,4429 0,4535 0,4625 0,4699 0,4761 0,4812 0,4854 0,4887 0,4913 0,4934 0,4951 0,4963 0,4973 0,4980

0,09 0,0359 0,0753 0,1141 0,1517 0,1879 0,2224 0,2549 0,2852 0,3133 0,3389 0,3621 0,3830 0,4015 0,4177 0,4319 0,4441 0,4545 0,4633 0,4706 0,4767 0,4817 0,4857 0,4890 0,4916 0,4936 0,4952 0,4964 0,4974 0,4981

Mtodos Quantitativos

55

2,9 3,0 3,1 3,2 3,3 3,4 3,5 3,6 3,7 3,8 3,9

0,4981 0,4987 0,4990 0,4993 0,4995 0,4997 0,4998 0,4998 0,4999 0,4999 0,5000

0,4982 0,4987 0,4991 0,4993 0,4995 0,4997 0,4998 0,4998 0,4999 0,4999 0,5000

0,4982 0,4987 0,4991 0,4994 0,4995 0,4997 0,4998 0,4999 0,4999 0,4999 0,5000

0,4983 0,4988 0,4991 0,4994 0,4996 0,4997 0,4998 0,4999 0,4999 0,4999 0,5000

0,4984 0,4988 0,4992 0,4994 0,4996 0,4997 0,4998 0,4999 0,4999 0,4999 0,5000

0,4984 0,4989 0,4992 0,4994 0,4996 0,4997 0,4998 0,4999 0,4999 0,4999 0,5000

0,4985 0,4989 0,4992 0,4994 0,4996 0,4997 0,4998 0,4999 0,4999 0,4999 0,5000

0,4985 0,4989 0,4992 0,4995 0,4996 0,4997 0,4998 0,4999 0,4999 0,4999 0,5000

0,4986 0,4990 0,4993 0,4995 0,4996 0,4997 0,4998 0,4999 0,4999 0,4999 0,5000

0,4986 0,4990 0,4993 0,4995 0,4997 0,4998 0,4998 0,4999 0,4999 0,4999 0,5000

Use a tabela acima para clculo de probabilidades da distribuio normal para resolver os seguintes exerccios: EP 3.7. Com o auxlio da tabela da distribuio normal, encontre a rea para os seguintes valores de z : (a) 0 < z < 1, 23; (b) 2, 15 < z < 0; (c) 1, 56 < z < 1, 48 ER 28. Estima-se que a vida til de um aparelho de TV, segue uma distribuio normal, com mdia = 4.000 horas e desvio padro de 500 horas. Qual a probabilidade de um aparelho escolhido aleatoriamente durar entre 4.000 e 4.500 horas? Soluo: Para x = 4.000, temos, z = 4.000 4.000 x x = = 0. Para x = 4.500, temos,z = = 500

500 4.500 4.000 = = 1. Logo, P (4.000 < X < 4.500) = P (0 < Z < 1) = 0, 3413 = 34, 13%. 500 500 ER 29. Uma mquina empacotadora de milho foi calibrada de modo que sua mdia = 15K g de milho colocados no saco, com desvio padro de 0, 3K g . Sabendo-se que a distribuio dos pesos segue uma distribuio normal, determine a probabilidade de um saco escolhido aleatoriamente, ter peso entre 14, 1K g e 14, 7K g . 14, 1 15 0, 9 x = = = 3. Para x = 14, 7, temos, 0, 3 0, 3

Soluo: Para x = 14, 1, temos, z =

z=

x 14, 7 15 0, 3 = = = 1. 0, 3 0, 3 Logo, P (14, 1 < X < 14, 7) = P (3 < Z < 1) = 0, 4986 0, 3413 = 0, 8399%.

EP 3.8. As vendas de uma loja seguem aproximadamente uma distribuio normal, com mdia $400, 00 e desvio padro de $100, 00. Qual a probabilidade de que em um determinado dia a loja venda: (a) Entre $450, 00 e $650, 00; (b) Entre $350, 00 e $500, 00. EP 3.9. A mdia de um concurso foi de = 75, com desvio padro = 8. Determine: (a) Os escores reduzidos de dois candidatos, cuja pontuao foram 95 e 60, respectivamente; (b) As pontuaes de dois candidatos cujo escores reduzidos foram, respectivamente, 0, 5 e 1, 5 EP 3.10. Os pesos de 500 estudantes so normalmente distribudos com mdia = 64, 8K g e desvio padro = 4, 8K g . Encontre o nmero de alunos que pesam: (a) entre 60 e 75K g ; (b) Mais de 62, 7K g . EP 3.11. As alturas de 20.000 alunos de um colgio tm distribuio normal, com mdia 1, 64m e desvio padro 0, 16m. (a) Qual o nmero esperado de alunos com altura superior a 1, 52m? (b) Qual o intervalo simtrico em torno da mdia, que conter 78% das alturas dos alunos? 56
FTC EAD |

EP 3.12. A durao de certo componente eletrnico pode ser considerada normalmente distribuda com mdia 850 dias e desvio padro de 45 dias. Calcular a probabilidade de um componente durar: (a) Entre 700 e 1.000 dias; (b) Mais de 800 dias; (c) Menos de 750 dias; (c) Exatamente 1.000 dias. EP 3.13. Os pesos de 600 estudantes so normalmente distribudos com mdia de 65, 3K g e desvio padro de 5, 5K g . Encontre o nmero de alunos que pesam: (a) Entre 60 e 70K g ; (b) Mais de 63, 2K g . EP 3.14. Em uma distribuio normal, 28% dos elementos so superiores a 34 e 12% inferiores a 19. Encontrar a mdia e a varincia da distribuio.

3.3

Atividade Complementar

EP 3.15. Um administrador de empresas percebeu que entre as empresas que quebram, 53, 87% dessas empresas quebram por falta de experincia do empreendedor. De um grupo de 15 empresas que quebraram, qual a probabilidade de que pelo menos uma tenha quebrado por outros motivos que no seja a falta de experincia do empreendedor? EP 3.16. Um administrador de empresas pretende montar uma empresa de consultoria e coletou dados que mostram que em mdia existem 9 erros de contabilidade a cada 13 empresas que quebraram. De um grupo de 17 futuros clientes empreendedores, qual a probabilidade de no mximo 2 quebrem por erro de contabilidade? EP 3.17. Um administrador de empresas realizou uma pesquisa onde identicou que em mdia um empreendedor de sucesso trabalha 10, 73h por dia, com um desvio padro de 1, 74h. Supondo que as horas trabalhadas seguem uma distribuio normal de probabilidade, determine o nmero esperado de empreendedores de sucesso que trabalham mais de 11h por dia de um total de 1354 empreendedores. EP 3.18. Um administrador de empresas fez uma pesquisa como pequenas e micro-empresas que quebram nos primeiros dois anos de existncia e constatou que 38, 98% das empresas quebram por razes no relacionadas ingerncia administrativa no empreendimento e o restante das causas esto relacionados ingerncia administrativa no empreendimento. De um grupo de 6 novas pequenas e micro-empresas, qual a probabilidade de que ao menos duas quebre nos dois anos iniciais de sua existncia, por motivos relacionados ingerncia administrativa no empreendimento? EP 3.19. O corpo de bombeiros atende em mdia 37 ocorrncias por ms. Sabendo-se que essas ocorrncias podem ser aproximadas pela distribuio de Poisson, calcule a probabilidade do corpo de bombeiros atender 28 ocorrncias em trs semanas.

Gabarito
3.1 (a) p = 1/4 e q = 3/4, P (6)+ P (7)+ P (8)+ P (9)+ P (10) = 0, 0197 (b) p = 1/2 e q = 1/2, P (6)+ P (7)+ P (8)+ P (9)+ P (10) = 0, 3770. 3.2 (a) 59, 9695%; (b) 6, 6908%; (c) 99, 9793%; (d) 40, 0305%; (e) 92, 6802%. 3.3 (a) 48 famlias; (b) 190 famlias. 3.4 0, 093852722. 3.5 0, 183940. 3.6 0, 006738. 3.7 (a) 0, 3907; (b) 0, 4842; (c) 0, 4406 + 0, 4306 = 0, 8712 3.8 (a) 30, 23%; (b) 53, 28% 3.9 (a) z = 1, 88 e z = 2, 5; (b) x = 71 e x = 87 3.10 (a) 412; (b) 333. 3.11 (a) 15.468 (b) entre 1, 4432m e 1, 8368m. 3.12 (a) 1; (b) 0, 8665; (c) 0. 3.13 (a) 380; (b) 389. 3.14 (a) 73, 47; (b) 29, 03. 3.15 3.16 3.17 3.18 3.19

TEMA 04

Estimativa, Regresso e Correlao


Mtodos Quantitativos

57

Contedo 1: Conceitos de Amostragem, Estimativa de Mdias Populacionais


4.1 Conceitos de Amostragem

Considerando a inviabilidade ou impossibilidade de se pesquisar todo o universo de certa populao, procura-se conhec-la por meio do estudo de suas partes. O conhecimento das informaes das partes de uma populao se d por meio do uso do processo amostral. Uma amostragem pode ser feita atravs de seleo dos elementos de forma probabilstica (cada elemento tem a mesma chance de ser escolhido - erro e grau de conana controlados) ou no probabilstica (no se tem controle sobre o erro e no h grau de conana sobre os resultados). A amostragem usada intuitivamente em nosso cotidiano. Por exemplo, para vericar o tempero de um alimento em preparao, podemos provar (observar) uma pequena poro deste alimento. Estamos fazendo uma amostragem, ou seja, extraindo do todo (populao) uma parte (amostra), com o propsito de avaliarmos (inferirmos) sobre a qualidade de tempero de todo alimento. A gura abaixo ilustra o processo de amostragem.

Ilustrao de um levantamento por amostragem

Amostragem Populao: Todos os Membros Amostra: Parcela representativa dos Membros

Inferncia

Estimativa de parmetros populacionais a partir da amostra. Exemplos: (a) % de candidatos a emprego, com nvel superior, que se submeteram ao teste; (b) % de candidatos que foram aprovados no teste.

4.2

Por Que Amostragem?

Citaremos quatro razes para o uso de amostragem em levantamentos de grandes populaes. 1. Economia. Em geral, torna-se bem mais econmico o levantamento de somente uma parte da populao. 2. Tempo. Numa pesquisa eleitoral, a trs dias de uma eleio presidencial, no haveria tempo suciente para pesquisar toda a populao de eleitores do pas, mesmo que houvesse recursos nanceiros em abundncia. 3. Conabilidade dos dados. Quando se pesquisa um nmero reduzido de elementos, pode-se dar mais ateno aos casos individuais, evitando erros nas respostas. 58
FTC EAD |

4. Operacionalidade. mais fcil realizar operaes de pequena escala. Um dos problemas tpicos nos grandes censos o controle dos entrevistadores.

4.3

Quando o Uso de Amostragem No Interessante?

Citaremos trs situaes em que pode no valer a pena a realizao de uma amostragem. 1. Populao pequena. Sob o enfoque de amostragens aleatrias, que estudaremos adiante, se a populao for pequena (digamos, de 50 elementos) para termos uma amostra capaz de gerar resultados precisos para os parmetros da populao, necessitamos de uma amostra relativamente grande (em torno de 80% da populao). Geralmente mais relevante o tamanho absoluto da amostra do que a percentagem que ela representa na populao. Voltemos situao de vericar o tempero de um alimento esteja bem mexido, uma amostra de uma colher suciente, independentemente de estarmos preparando uma pequena ou grande quantidade de alimento. 2. Caractersticas de fcil mensurao. Talvez a populao no seja to pequena, mas a varivel que se quer observar de to fcil mensurao, que no compensa investir num plano de amostragem. Por exemplo, para vericar a percentagem de funcionrios favorveis mudana no horrio de um turno de trabalho, podemos entrevistar toda a populao no prprio local de trabalho. Esta atitude pode tambm ser politicamente mais recomendvel. 3. Necessidade de alta preciso. A cada dez anos o IBGE realiza um Censo Demogrco para estudar diversas caractersticas da populao brasileira. Dentre estas caractersticas tem-se o parmetro nmero de habitantes residentes no pas, que fundamental para o planejamento do pas. Desta forma, o parmetro nmero de habitantes precisa ser avaliado com grande preciso e, por isto, se pesquisa toda a populao. As pesquisas censitrias realizadas pelo IBGE so teis para o planejamento estratgico para o EstadoNao.

4.4
4.4.1

Tipos de Amostragem
Amostragem Probabilstica

Processo de seleo de parte da populao (amostra) onde cada unidade amostral tem a mesma chance de ser selecionada. A amostra probabilstica a nica para a qual possvel especicar a qualidade da estimativa obtida da amostra. Por isto a nica recomendada pela Teoria Estatstica. Os quatro tipos bsicos so: Amostragem Aleatria Simples, Sistemtica, Estraticada e por Conglomerados. Na prtica, um plano amostral incorpora caractersticas de mais de um destes tipos. Estudaremos estes planos no decorrer do curso.

4.4.2

Amostragem por Quotas

O processo por quotas trata-se de um sistema onde se tenta colher uma miniatura do universo pesquisado. Se temos 53% de mulheres na populao, ento a amostra dever ter 53% de mulheres.
Mtodos Quantitativos

59

Normalmente, utiliza-se sexo, renda, idade e nvel de escolaridade para formao das cotas a se atingir. Os dois principais esquemas de obteno de quotas so as quotas independentes e interrelacionadas. No primeiro caso, consideram-se apenas os totais marginais das caractersticas populacionais, sem nenhuma preocupao com as interrelaes entre estas. No segundo caso, consideram-se as representaes populacionais de todos os subgrupos correspondentes s interaes entre as referidas caractersticas. Os exemplos a seguir ilustram as quotas independentes e interrelacionadas. Exemplo de Quotas Independentes Sexo Masculino Feminino Exemplo de Quotas Interrelacionadas Classe Social Mdia Masc. Fem. Idade 20 29 30 39 40 Classe Social Alta Mdia Baixa

Idades

Sexo 20 29 30 39 40

Alta Masc. Fem.

Baixa Masc. Fem.

No correto tecnicamente utilizar frmulas de amostragem probabilsticas para quanticao dos possveis erros em amostragem por quotas. Observa-se que os erros normalmente apresentados para a imprensa, de modo geral, so calculados para amostras probabilsticas. Muitos institutos utilizam amostragem por quotas (NORMALMENTE MAIS BARATA) e usam frmulas especcas para amostragem probabilstica para quanticar o erro. DESCONFIE DOS ERROS APRESENTADOS QUANDO A AMOSTRAGEM DITA QUE FOI FEITA POR QUOTAS. EXIJA A METODOLOGIA. O ponto crucial da amostragem por quotas concentra-se na inviabilidade do uso de tcnicas estatsticas para quanticao do erro. Mesmo a tentativa de justicar que se trata de uma aproximao dicilmente sustentvel, tal procedimento pode levar a enganos grosseiros. O mais coerente assumir os custos do mtodo, caso usem amostragem por quotas, e divulgue-se o no conhecimento da preciso das informaes levantadas.

4.4.3

Amostragem Aleatria Simples (AAS)

A amostragem aleatria simples (AAS) do ponto de vista conceitual e computacional, o mtodo mais direto de se amostrar uma populao. Entretanto, estimativas mais precisas (com menor margem de erro ou varincia) podem ser obtidas combinando-se a AAS com outras caractersticas especiais do delineamento que veremos mais adiante. Para a seleo de uma amostra aleatria simples precisamos ter uma lista completa dos elementos da populao amostrada (ou de unidades de amostragens apropriadas). Este tipo de amostragem consiste em selecionar a amostra atravs de um sorteio, sem restrio. 60
FTC EAD |

Seja uma populao com N elementos. Uma forma de extrair uma amostra aleatria simples de tamanho n, sendo n < N , identicar os elementos da populao em pequenos pedaos de papel e retirar, ao acaso, n pedaos. A amostragem aleatria simples tem a seguinte propriedade: qualquer subconjunto da populao com o mesmo nmero de elementos tem a mesma probabilidade de fazer parte da amostra. Em particular, temos que cada elemento da populao tem a mesma probabilidade de pertencer amostra. Para facilitar a exemplicao das tcnicas de amostragem, usaremos populaes pequenas. Contudo, como j discutido anteriormente, no se costuma usar amostragem aleatria em populao muito pequena. Exemplo
POPULAO: Empregados de uma empresa Aristteles Ermlio Gabriel Juliano Anastcia Erclio Getlio Josaf Arnaldo Ernestino Hiraldo Josena Bartolomeu Endevaldo Joo Maria Jos Bernadino Francisco Joana Maria Cristina Cardoso Felcio Joaquim Mauro Carlito Fabrcio Joaquina Paula Cludio Geraldo Jos Paulo

Precisamos associar cada elemento da populao a um nmero. Por simplicidade, consideraremos nmeros inteiros sucessivos, iniciando-se por 1 (um). Assim, cada nome recebe um nmero:
POPULAO: Empregados de uma empresa 1. Aristteles 9. Ermlio 17. Gabriel 25. Juliano 2. Anastcia 10. Erclio 18. Getlio 26. Josaf 3. Arnaldo 11. Ernestino 19. Hiraldo 27. Josena 4. Bartolomeu 12. Endevaldo 20. Joo 28. Maria Jos 5. Bernadino 13. Francisco 21. Joana 29. Maria Cristina 6. Cardoso 14. Felcio 22. Joaquim 30. Mauro 7. Carlito 15. Fabrcio 23. Joaquina 31. Paula 8. Cludio 16. Geraldo 24. Jos 32. Paulo

Para extrairmos uma amostra aleatria simples de tamanho n = 5, basta sortear cinco nmeros aleatrios do conjunto {1, 2, . . . , 32}. Os eleitores associados aos nmeros selecionados formaro a amostra. Uma estimativa do valor populacional ser baseada na amostra. Uma estimativa da mdia populacional ser a mdia amostral. Na prtica, estamos interessados na observao de certas variveis associadas aos elementos da amostra. No exemplo em questo, poderamos estar interessados na varivel: se possuidor de carro ou no. Denominaremos esta varivel de X . Para cada empregado constante da amostra, temos um valor para a varivel X . O conjunto destes valores, observado na amostra de empregados, chamado de amostra aleatria simples da varivel X .

4.4.4

Amostragem Sistemtica

Muitas vezes possvel obter uma amostra de caractersticas parecidas com a amostra aleatria simples, por um processo bem mais rpido daquele que discutimos na seo anterior. Por exemplo, se queremos tirar uma amostra de 1.000 chas, dentre uma populao de 5.000 chas, podemos tirar, sistematicamente, uma cha a cada cinco (5.000/1.000) = 5). Para garantir que cada cha da populao tenha a mesma probabilidade de pertencer amostra, devemos sortear a primeira cha, dentre as cinco primeiras. Numa amostragem sistemtica a relao N /n chamada de intervalo de seleo. No exemplo das chas, o intervalo de seleo 5.000/1.000 = 5. Exemplo: Usaremos, neste, a populao dos N = 32 eleitores do exemplo anterior. Vamos realizar uma amostragem sistemtica para obtermos uma amostra de tamanho n = 5. Calculemos, inicialmente, o intervalo
Mtodos Quantitativos

61

de seleo:

N /n = 32/5 6
Para iniciarmos, devemos sortear um elemento da populao dentre os seis primeiros (relativa a numerao realizada). Podemos fazer isto sorteando um nmero entre 1 e 6. Vamos supor que o nmero 3 o sorteado, ou seja, o primeiro eleitor funcionrio da amostra o Arnaldo. Os demais so obtidos pelo intervalo de seleo 6, a partir do Arnaldo, resultando na seguinte amostra: {Arnaldo(3), Erclio(9), Fabrcio(15), Joana(21), Josena(27)} .

4.4.5

Amostragem Aleatria Estraticada (AAE)

A tcnica da amostragem estraticada consiste em dividir a populao em subgrupos, que denominaremos de estratos. Estes estratos devem ser internamente mais homogneos do que a populao toda, com respeito s variveis em estudo. Por exemplo, para estudar as intenes de voto podemos estraticar populao por idade, sexo, nvel cultural, renda, etc. Devemos escolher um critrio de estraticao que fornea estratos bem homogneos, com respeito ao que se est estudando. Neste contexto, um prvio conhecimento sobre a populao em estudo fundamental. Recomenda-se que o nmero de estratos seja menor ou igual a 6 (seis). Sobre os diversos estratos da populao, so realizadas selees aleatrias, de forma independente. A amostra completa obtida atravs da agregao das amostras de cada estrato. Estrato 1 Estrato 2 . . . Estrato k Selees aleatrias subgrupo 1 da amostra subgrupo 2 da amostra . . . subgrupo k da amostra Amostra Estraticada

4.4.6

O Processo de Amostragem Estraticada

Neste caso particular de amostragem estraticada, a proporcionalidade do tamanho de cada estrato da populao mantida na amostra. Por exemplo, se um estrato corresponde a 20% do tamanho da populao, ele tambm deve corresponder a 20% da amostra. A amostragem estraticada proporcional garante que cada elemento da populao tem a mesma probabilidade de pertencer amostra. Exemplo: Com o objetivo de pesquisar as intenes de voto para Governador em um Estado (populao) vamos realizar um levantamento por amostragem. A populao composta por 10 pessoas com nvel superior, 62
FTC EAD |

10 com nvel secundrio e 30 com primeiro grau, que identicaremos da seguinte maneira. POPULAO Superior Segundo Grau

D1 S1 E1 E11 E21

D2 S2 E2 E12 E22

D3 S3 E3 E13 E23

D4 S4 E4 E14 E24

D5 S5 E5 E15 E25

D6 S6 E6 E16 E26

D7 S7 E7 E17 E27

D8 S8 E8 E18 E28

D9 S9 E9 E19 E29

D10 S10 E10 E20 E30

Primeiro Grau

Supondo que a preferncia em relao a escolha do Governador possa ser homognea dentro de cada categoria, vamos realizar uma amostragem estraticada, proporcional por categoria, para obter uma amostra global de tamanho n = 10. A tabela seguinte mostra as relaes de proporcionalidade. Clculo do tamanho da amostra em cada estrato Estrato Superior Segundo Grau Primeiro Grau Proporo na Populao 10/50 = 0, 20 ou 20% 10/50 = 0, 20 ou 20% 30/50 = 0, 60 ou 60% Tamanho do subgrupo na amostra 10 0, 20 = 2 10 0, 20 = 2 10 0, 60 = 6

De cada estrato realizamos uma amostra aleatria simples. Vamos supor que obtivemos {D9 , D8 } para os estratos correspondentes ao nvel superior. A amostra {S3 , S1 } para o estrato correspondente ao nvel secundrio e a amostra {E10 , E4 , E6 , E27 , E7 , E20 } para o estrato correspondente ao primeiro grau. A amostra {D9 , D8 , S3 , S1 , E10 , E4 , E6 , E27 , E7 , E20 } uma amostra estraticada proporcional. Cada indivduo desta amostra dever ser pesquisado para se levantar a caracterstica de interesse, ou seja, o candidato preferido para Governador. Uma estimativa da preferncia de determinado candidato ser construda como uma mdia ponderada (pelo tamanho do estrato) das mdias de cada estrato. Desde que no problema em estudo, os estratos formam subgrupos mais homogneos do que a populao como um todo, uma amostra estraticada proporcional tende a gerar resultados mais precisos, quando comparada com uma amostra aleatria simples.

4.4.7

Amostra Aleatria Simples Amostra Aleatria Estraticada

Como foi visto, o objetivo de se amostrar mensurar os parmetros de interesse da populao. Essas mensuraes so estimativas dos parmetros. Ilustraremos aqui as etapas para estimao no caso da amostragem aleatria estraticada. Mostraremos os ganhos do processo estraticado em relao a Amostragem Aleatria Simples. Vamos considerar primeiro um exemplo exagerado, onde os benefcios da estraticao so claros: Exemplo: Suponha que uma grande populao conhecida ser 60% urbana e 40% rural, e que o problema estimar o rendimento mdio anual dos trabalhadores. Imagine que o rendimento mdio anual do trabalhador urbano seja de R10.000,00eR 5.000, 00 para trabalhador rural. Com esses valores, o rendimento mdio anual RM dos trabalhadores uma mdia ponderada:

RM = 10.000, 00 0, 60 + 5.000, 00 0, 40 = 8.000, 00.


Como os valores das rendas so, na prtica, desconhecidos, surge a questo: quo bem uma amostra
Mtodos Quantitativos

63

aleatria estimaria a renda mdia? Vamos comparar cinco amostras diferentes: trs AAS e uma AAE com alocao proporcional. Os resultados esto no Quadro seguinte. As ltimas trs colunas correspondem AAS (cada coluna uma amostra diferente), e a coluna 2 corresponde AAE . Nas AAS , note que o nmero de elementos da populao urbana e rural na amostra utua. Ou seja, na primeira amostra entrou apenas um elemento da populao rural e na segunda, apenas um da populao urbana. Tudo acontece por que os 5 trabalhadores foram coletados ao acaso, sem levar em considerao a existncia de extratos. Como resultado, a mdia amostral da AAS utua: uma amostra forneceu mdia R $9.000, 00, outra R $6.000, 00 e a terceira R $8.000, 00.
Amostras retiradas da populao: 3 AAS e 1 AAE Populao Estrato Proporo 0,60 Renda mdia (R $) 10.000,00 AAE Alocao Proporcional (R $) 10.000,00 10.000,00 10.000,00 5.000,00 5.000,00 1 10.000,00 10.000,00 10.000,00 10.000,00 5.000,00 AAS (R $) 2 10.000,00 10.000,00 5.000,00 5.000,00 5.000,00 5.000,00 6.000,00 (4) 3 10.000,00 10.000,00 10.000,00 5.000,00 5.000,00

Urbano

5.000,00 Rural 0,40

Mdia

8.000,00 (1)

8.000,00 (2)

9.000,00 (3)

8.000,00 (5)

em que (1) corresponde mdia populacional; (2), (3), (4) e (5) correspondem mdia amostral. Apesar do ser um exemplo extremo, ele ilustra bem que, seguramente recomendvel respeitar as propores populacionais na amostra, preservando uma caracterstica natural da populao. Ou seja, com alocao proporcional, a amostra, assim como na populao, teria 60% de trabalhadores urbanos e 40% de trabalhadores rurais. Exemplo: Considere uma pesquisa feita em uma unidade com N = 8 domiclios, onde so conhecidas as variveis: renda domiciliar (Y ) e o local do domiclio (W ), com os cdigos A: regio alta e B : regio baixa. Domiclios Regio 1 13 2 17 6 5 10 3 4 5 6 12 7 19 6 8

A B

Obs: Exemplicando, o terceiro domiclio da regio baixa e possui renda 6. Para esta populao calcula-se a mdia () e a varincia ( 2). = 13 + 17 + 6 + 5 + 10 + 12 + 19 + 6 88 = = 11. 8 8 219.43 (13 11)2 + (17 11)2 + . . . + (6 11)2 = = 27, 42. 8 8

2 =

2 2 Observe que A = 16, B = 8, A = 13 e B = 11, 5.

Para o plano AAS de tamanho n = 44 (lembre-se do TCL), sabe-se que: 64


FTC EAD |

xi x=
i =1

(estimativa da mdia populacional) 27, 42 2 = 6, 855 (variabilidade da estimativa). n 4

V (x ) =

Sorteando, em cada estrato (A e B ) uma AAS de tamanho n = 2, tem-se que:


2

xAi xA =
i =1

(estimativa da mdia populacional de A)

V (x A ) =
2

2 13 A = = 6.5 n 2

xBi xB =
i =1

(estimativa da mdia populacional de B )


2 11, 5 B = = 5, 75. n 2

V (X B ) =

Baseado em X A e X B , um estimador para ser:

X es =
Com variabilidade dada por:

3 XA + 5 XB . 8

V (X es ) =

9 25 V (X B ) + V (X B ) = 3, 16. 64 64

Pode-se ento medir o efeito da amostragem estraticada em relao a amostragem aleatria simples.

ea =

V (X es ) 3, 16 = = 0, 91 3, 48 V (X )

Portanto, com o mesmo tamanho da amostra consegue-se diminuir a varincia do estimador em 10%. O resultado ser mais ecaz quanto maior for a habilidade do pesquisador em produzir estratos homogneos. O caso limite aquele onde se consegue a homogeneidade mxima (varincia nula dentro de cada estrato) onde ento a estimativa acerta o parmetro populacional. Lembre-se, entretanto que a simples estraticao por si s no produz necessariamente estimativas mais ecientes que a AAS.

4.4.8

Amostragem Aleatria por Conglomerados (AAC)

Ao contrrio da amostragem estraticada, a amostragem de conglomerados tende a produzir uma amostra que gera resultados menos precisos, quando comparada com uma amostra aleatria simples de mesmo tamanho. Contudo, seu custo nanceiro tende a ser bem menor. Chamamos de conglomerado a um grupamento de elementos da populao. Por exemplo, numa populao de domiclios de uma cidade, os quarteires formam conglomerados de domiclios.
Mtodos Quantitativos

65

Este tipo de amostragem consiste, num primeiro estgio, em selecionar conglomerados de elementos. Num segundo estgio, ou se observam todos os elementos dos conglomerados selecionados no primeiro estgio (amostragem de conglomerados em um estgio) ou, como mais comum, faz-se nova seleo, tomando amostras de elementos dos conglomerados extrados no primeiro estgio (amostragem de conglomerados em dois estgios). Todas as selees devem ser aleatrias. Em algumas pesquisas em grande escala, a amostragem pode ser feita em mais estgios. Por exemplo: para selecionar uma amostra de domiclios do Estado de Santa Catarina, podemos no primeiro estgio selecionar municpios; no segundo estgio, selecionar quarteires e, nalmente, no terceiro estgio, selecionar domiclios. Chamamos de frao de amostragem relao n/N , ou seja, proporo da populao que ser efetivamente observada. Se a frao de amostragem for constante para todos os conglomerados selecionados, ento cada elemento da populao tem a mesma probabilidade de pertencer amostra. Exemplo: Considere o problema de selecionar uma amostra de domiclios de uma cidade. Podemos tomar as ruas como conglomerados, como indicado no quadro abaixo, onde A1 representa o primeiro domiclio da Rua A, A2 o segundo, e assim por diante.

Ilustrao do processo de amostragem de conglomerados em dois estgios. Ruas Domiclios

A B C D E

A1 B1 C1 D1 E1

A2 B2 C2 D2 E2

A3 B3 C3 D3 E3

A4 B4 C4 D4 E4

A5 B5 C5 E5

A6 B6 C6 E6 B7 C7 E7 B8 C8 E8 B9 C9 B10 C10 B11 B12 B13 B14

Vamos, como exemplo, selecionar uma amostragem de conglomerados, selecionando trs ruas (primeiro estgio) e, nas ruas selecionadas, uma frao de amostragem de 50% de domiclios (segundo estgio). Ento: 66
FTC EAD |

1 Estgio: Neste estgio, as unidades de amostragem so as ruas, que vamos consider-las numeradas, como segue: 1 = A, 2 = B , 3 = C , 4 = D e 5 = E . Sorteamos trs nmeros entre os nmeros de 1 a 5. Suponha que sorteamos os nmeros {2; 4; 5}. Estes correspondem a amostra de conglomerados (ruas): B , D e E . 2 Estgio: Para satisfazer a frao de amostragem de 50% em cada conglomerado, precisamos selecionar 7 domiclios da Rua B , 2 da D e 4 da E . Rua B . Procedendo o sorteio, chegamos nos domiclios B9 , B10 , B4 , B6 , B7 , B12 , B1 . Rua D . Sorteamos os domiclios D2 e D4 . Rua E . Sorteamos E1 , E8 , E6 e E3 . Amostra selecionada: {B9 , B10 , B4 , B6 , B7 , B12 , B1 , D2 , D4 , E1 , E8 , E6 , E3 }. Deve-se observar que, ao contrrio dos planos discutidos anteriormente, a amostragem de conglomerados no exige uma lista de todos os elementos da populao. Basta, no primeiro estgio, uma lista de conglomerados e, no segundo estgio, uma lista de elementos, mas somente para os conglomerados previamente selecionados. Por este aspecto, em pesquisas onde os elementos da populao esto dispersos sobre grandes reas territoriais, a amostragem de conglomerados torna-se muito mais econmica do que a aleatria simples.

4.5

Inferncias Estatsticas

Estimao: Estimar a ao de fazer uma suposio generalizada a respeito de um todo baseado em informaes lgicas. Exemplo: Uma pesquisa mostrou que em 1999, 90% dos acidentes de trnsito foram com homens e 1% com mulheres. A mesma pesquisa foi feita em 2000 e mostrou que 95% eram homens e 5% mulheres. No podemos concluir que o nmero de acidentes com homens aumentaram, pois no foi informado a margem de erro dessa pesquisa, portanto, toda vez que fazemos uma pesquisa, ns devemos calcular o erro associado a nossa pesquisa, para podermos tomar decises baseadas nelas. Parmetro: uma funo do conjunto de valores da populao. Ex: Mdia Aritmtica, varincia, etc. Estimativa: o valor assumido pelo parmetro em determinada amostra. Estimar parmetros basear-se nos resultados da amostra para estim-los populao. No exemplo acima temos que o parmetro usado para anlise foi a proporo. A estimativa para caracterizar a populao foi de 90% para os homens em 1999. Estimadores mais usados Parmetro Populacional Mdia Diferena entre as mdias de duas populaes Proporo Diferena entre propores de duas populaes Desvio padro Estimadores

x x1 x2 p p1 p2

Mtodos Quantitativos

67

4.6

Formas de estimativas

Estimativa pontual: Determina um valor especco de um parmetro. Estimativa intervalar: D um intervalo de valores possveis onde est o valor parmetro populacional. Exemplo: Temos a porcentagem de acidentes registrado envolvendo homens e mulheres no ano de 1999: Estimativa pontual: 90% de homens e 10% de mulheres. Estimativa Intervalar: entre 88% e 92% de homens e entre 8% e 12% de mulher

Contedo 2: Estimativas de Propores Populacionais


Usamos a proporo amostral para estimar a proporo populacional. A estimativa pontual quando estimamos a proporo populacional pela amostral, isto , p = x /n, onde x o nmero de itens na amostra e n o tamanho da amostra. ER 30. Em um lote de CDs retirada uma amostra de 123 CDs e observamos que 47 esto com defeito. Estime a proporo de CDs com defeito deste lote pontualmente. Soluo:

p = x /n = 47/123 = 0, 3821 = 38, 21%

A estimativa intervalar de propores populacionais feita da seguinte maneira:

x z n

x x 1 n n , n

em que x o nmero de itens da amostra, z a varivel aleatria normal e n o tamanho da amostra. O desvio padro da proporo calculado da seguinte maneira:

p = pois p = x /n.

x x 1 n n n

p (1 p ) , n

Na estimativa intervalar de propores populacionais no utilizamos a distribuio de student. ER 31. Considere o exemplo anterior. Estime a proporo populacional com uma conana de 96%.

Soluo:

Temos que p = x /n = 47/123 = 0, 3821 = 38, 21% e p

p (1 p ) n

0, 3821(1 0, 3821) = 0, 3821. O valor de z que nos d uma conana mais prxima de 96% z = 2, 06, 123 que nos d uma rea de 0, 4803%. Logo, estimamos a proporo populacional da seguinte maneira:

pz

p (1 p ) = 0, 3821 2, 06 n

0, 3821 (1 0, 3821) = 0, 3821 0, 0902 = 38, 21% 9, 02% 123

68

FTC EAD |

4.6.1

Erro de estimao da proporo populacional

O erro de estimao da proporo populacional a diferena entre a proporo amostral e a proporo populacional, como supomos que a proporo amostral no intervalo de estimao da proporo populacional, p (1 p ) logo o erro mximo dado por e = z , notamos que o erro aumenta quando p (1 p ) aumenta, isto n 2 quando p + p aumenta, considerando a funo f (p ) = p 2 + p , temos que seu ponto de mnimo p = 1/2, logo o erro mximo quando p = 1/2 = 0, 5 = 50%. Desta forma, quando tivermos situaes onde a proporo p no for conhecida, ns vamos supor que p = 1/2, pois para este valor de p teremos um erro mximo. Desta forma, estaremos aumentando o desvio padro e aumentando a conana de nossa estimao. ER 32. Qual o tamanho da amostra que devemos tomar para estimarmos a proporo de uma populao com um nvel de signicncia de 6% e um erro de 0, 03? Soluo: Nvel de signicncia o complementar do nvel de conana e denotado pela letra grega alfa (), isto , = 1 NC . Logo, NC = 1 = 1 0, 06 = 0, 94 = 94%, onde NC o nvel de conana. Como a proporo p no conhecida tomamos p = 0, 5, para um nvel de conana de 94% tomamos p (1 p ) z = 1, 89 que nos d uma rea de 0, 4706. Como o erro dado por e = z , temos que n = n z 2 p (1 p ) 1, 892 0, 5 (1 0, 5) = = 992, 25, vamos tomar ento n = 993 para garantirmos no mnimo 2 e 0, 032 nossas exigncias de conana e erro.

4.6.2

Determinao do tamanho da amostra em populaes nitas

O erro de estimao da proporo populacional de populaes nitas dado por e = z

N n Z 2 p (1 p ) N x . Logo, temos que n = 2 , onde p = . N 1 e (N 1) + z 2 p (1 p ) n

p (1 p ) n

EP 4.1. Qual o tamanho da amostra que devemos retirar de um lote de 2.795 relgios, para estimarmos a proporo de defeituosos com um nvel de conana de 95, 8% e com um erro de 0, 023? ER 33. Foi retirada uma amostra dos pesos dos estudantes de uma faculdade conforme os seguintes dados: 68; 70; 56; 78; 49; 62; 67; 91; 58; 62; 71; 78. Estime a mdia populacional com um nvel de signicncia de 6%. Soluo: Temos que a mdia dos dados x = 67, 5 e o desvio padro amostral sx dado pela expresso

Sx =

(X xi )2

n1

1417 = 11, 3498. Podemos calcular o desvio padro amostral na HP 12C , limpando 11 +), depois

os registradores estatsticos teclando (f )(r eg ) e entrando com os dados amostrais teclando ( teclamos (g )(s ) para obtermos o desvio padro amostral.

Como n = 12 < 30 vamos utilizar a distribuio de student , o valor de t que nos d um nvel de signicncia de 6%, para um grau de liberdade de 11 t = 2, 0961, logo estimamos a mdia populacional sendo:

Sx 11, 3498 x t = 67, 5 2, 0961 = 67, 5 6, 8677. n 12


EP 4.2. Uma amostra de 41 observaes de uma populao apresentou uma mdia de 33, 7. Se a varincia populacional de 11, 3, determine um limite mximo para a mdia populacional com = 7%.
Mtodos Quantitativos

69

EP 4.3. Em um estudo sobre o grau de impurezas em lotes de 3, 2K g de determinado composto medicinal, o erro mximo tolervel de 1, 03K g . Se o grau de impurezas apresenta um desvio padro populacional de 5, 03g . Determine o tamanho da amostra que devemos tomar neste estudo, se desejamos um nvel de signicncia de 4%.

Contedo 3: Regresso Linear


So tcnicas estreitamente relacionadas que envolvem uma forma de estimao. Essa tcnicas so utilizadas para estimar uma relao, que possa existir na populao. A correlao mede a fora, ou grau de anidade ou de relacionamento entre duas variveis. A regresso nos d uma equao matemtica que descreve o relacionamento entre as variveis. A regresso linear a tcnica de estabelecer uma equao matemtica de primeiro grau que descreve o relacionamento entre duas variveis. Por exemplo: (a) Dureza e resistncia de um metal; (b) Procura de automveis usados e o aumento de carros novos (Causa e efeito); (c) Estimao de lucros (predizer valores futuros).

4.7

Equao de Regresso Linear

y = a + bx ou f (x ) = a + bx , pois y = f (x ), em que b o coeciente angular e a o coeciente linear.


Os coecientes a e b so determinados com base nos dados amostrais. Exemplo: y = 2 + 5x

A reta intercepta o eixo y no ponto (0; a), isto , y = a. Neste caso, no ponto (0; 2), isto , y = 2. Este ponto chamado interceptoy . O coeciente angular indica a variao de y por unidade de variao de x . Neste exemplo, para cada unidade de variao de x , correspondem a 5 unidades de variao de y . 70
FTC EAD |

4.8

Deciso por um tipo de relao

Nem todas as situaes so bem aproximadas por uma funo linear. Uma forma simples de vericar isto colocar os dados no grco. Exemplo: y

Linear

No linear

4.9

Determinao da equao de regresso linear (mtodo dos mnimos quadrados)

o mtodo mais usado para ajustar uma linha reta a um conjunto de pontos (xi ; yi ). Esta reta tem as seguintes caractersticas: 1. A soma dos desvios padres verticais dos pontos em relao reta zero. (yi yc ) = 0; em que yi so as ordenadas dos pontos e yc so as ordenadas dos pontos que esto sobre a reta que tem como abscissa xi .

2. A soma dos quadrados dos desvios

(yi yc )2 mnimo.

Os valores dos coecientes de a e b , da equao da reta de ajuste yc = a + bx so calculados resolvendo as seguintes equaes ditas normais:
Mtodos Quantitativos

71

i. ii.

y = na + b xy = a

x x +b x 2 ; onde n o nmero de pares de dados (x ; y ) observados.

Resolvendo as equaes acima temos:

a=

y b n

eb=

n n

xy

x x )2

x2 (

A reta de regresso passa pelo ponto (x ; y ), isto , determinada a equao de ajuste yc = a + bx , tem-se que y = a + bx , em que x e y so, respectivamente, a mdia das abscissas x e das ordenadas y , dos pares de dados (x ; y ). ER 34. Os dados abaixo representam a mdia de acidentes por ms versus a mdia de horas gastas por ms em treinamento educativo para preveno de acidentes. Mdia de acidentes por ms (y ) Mdia de horas de treinamento por ms (x ) 7 200 6, 4 500 5, 2 450 4, 0 800 3, 1 900 8, 0 150 6, 5 300 4, 4 600

Suponha que queiramos saber, se h uma relao entre a mdia de acidentes e a mdia de horas gastas em treinamento. A mdia de horas de treinamento seria a varivel independente (x ) e a mdia de acidentes a varivel dependente (y ). Colocando os dados no grco, vemos que eles podem ser aproximados por uma equao linear, pois esto prximos a uma reta. Veja o grco de disperso abaixo:

Acidentes

-100

100

200

300

400

500

600

700

800

900 1000

Horas de Treinamento (a) Determine a equao da reta que melhor descreva a relao entre acidentes e horas de esforo preventivo. (b) Estime a frequncia de acidentes se o esforo preventivo for de 700 horas.

Soluo: (a) b =

n n

xy x ( a=
2

x x)
2

8.18720 3900.44, 6 = 0, 0059 82415000 1521000 = 44, 6 + 0, 0059.3900 = 8, 4513. 8

y b n

Como a equao da reta de ajuste y = a + bx , temos y = 8, 45 0, 0059x . (b) y = 8, 4513 0, 0059.700 = 4, 3213 72
FTC EAD |

ER 35. Determine (a) uma equao preditora do montante de seguro em funo da renda anual (b) qual o montante do seguro se a renda for 29 e (c) qual a renda anual se o montante do seguro for 25, com base nos seguintes dados. Renda Anual (em $1.000) (x ) (y ) 20 10 25 12 26 15 18 10 16 15 17 20 32 30 13 5 38 40 40 50 42 40

Soluo: (a) Temos que b =

n n

xy x (
2

x x)
2

= 1, 3210, pois

x = 287,

x 2 = 8.571, a =

y b

y = 247, y 2 = 7819 e xy = 7.875. = 12, 0121, n Portanto, y = 12, 0121 + 1, 3210x (equao preditora).
(b) Logo, y = 12, 0121 + 1, 3210 29 = 26, 2969 (c) 25 = 12, 0121 + 1, 3110x x = 28, 0182 (HP 12C x = 28, 0178)

Contedo 4: Correlao Linear


4.10 Correlao Linear (o coeciente de Pearson)

O coeciente de correlao linear de Pearson dado por: = n

n x2 (

xy x )2

x n

y y2 ( y )2

Temos que 1 1. Se estiver prximo de 1, ento os dados esto prximos da reta de ajuste, que decrescente, portanto, esto negativamente relacionados. Se estiver prximo de 1, ento os dados esto prximos da reta de ajuste, que crescente, logo, esto positivamente relacionados. Se estiver prximo de zero, temos que os dados esto distantes da reta de ajuste, logo temos uma pssima estimao. O coeciente de determinao
2

2 =

n x2 (

xy x )2

x n

y y2 ( y )2

Temos que 0 2 1. Se 2 estiver prximo de 1, signica que os pontos esto prximos da reta de ajuste, logo temos uma boa estimao. Se estiver prximo de zero, signica que temos dados distantes da reta de ajuste, logo temos uma pssima estimao. ER 36. Determine o coeciente de determinao do exemplo anterior. Soluo: 2 = 0, 9084. Temos um valor prximo de 1, signicando que 90, 84% da variao dos acidentes esto relacionados com a variao do nvel de esforo preventivo, e apenas 9, 16% da variao no so explicados pela variao do nvel de esforo.
Mtodos Quantitativos

73

4.11

Atividade Complementar

EP 4.4. Se deseja avaliar a relao existente entre o nmero de horas (xi ) e a nota obtida (yi ). Os dados esto apresentados na tabela seguinte. Qual a equao da reta ajustada entre x e y ? Qual a qualidade do ajuste?

i Xi Yi

1 1 6

2 3 7

3 4 7, 5

4 5 8

5 6 8, 5

6 6, 5 8, 7

EP 4.5. Os dados da tabela abaixo representam o consumo e a renda disponvel. Com base nos dados apresentados, responda as questes apresentadas a seguir. Anos 1960 1961 1962 1963 1964 Consumo (y ), em R $ milhes 158 160 163 165 170 Renda (x ), em R $ milhes 189 209 220 235 250

(a) Vericar a qualidade do ajuste dos dados reta de regresso. (b) Se a qualidade do ajuste for boa, encontre a reta de regresso. (c) Qual o consumo esperado para uma renda de 400 milhes de reais? EP 4.6. Os dados da tabela abaixo representam o consumo e a renda disponvel. Com base nos dados apresentados, responda as questes apresentadas a seguir. Anos 1960 1961 1962 1963 1964 Consumo (y ), em milhes de reais 523 398 470 495 501 Renda (x ), em milhes de reais 187 205 238 236 241

(a) Vericar a qualidade do ajuste dos dados reta de regresso linear. (b) Em quantos por cento as variaes no consumo so explicadas pelas variaes da renda? (c) O ajuste dos dados reta de regresso linear de boa qualidade? Por qu? (d) Determine a equao da reta que melhor se ajusta os dados pelo mtodo da regresso (e) Estime a renda usando a equao da reta do item anterior se o consumo for de 407 milhes de reais. EP 4.7. Considere os dados amostrais abaixo: 26,98 39,4 67,76 81,96 107,56 74
FTC EAD |

25,10 49,93 67,85 82,37 107,19

25,20 49,84 70,33 82,38 107,98

32,40 50,84 71,77 89,39 107,35

34,38 51,54 71,87 93,62 120,34

34,37 54,68 79,64 93,94 122,87

36,46 54,68 79,75 94,13 122,98

39,06 65,32 81,92 101,56 123,96

39,37 65,64 81,74 103,58

(a) Estime a mdia populacional com = 0, 05. (b) Suponha que o tamanho dessa populao que foi retirada essa amostra seja de 80 elementos. Estime a mdia dessa populao com = 0, 05. EP 4.8. De uma amostra de 153 observaes de um lote de parafusos, foi detectado 29 parafusos com defeito. Determine o erro de estimao da proporo populacional se = 4%. EP 4.9. De um lote de 1791 canetas, foi retirada uma amostra de 93 canetas, desta amostra foram encontradas 13 canetas com defeito. Estime a proporo de canetas defeituosas deste lote com um nvel de conana de 97, 5%. EP 4.10. Numa estao de trem de grande circulao foi colhida uma amostra aleatria de 100 observaes com mdia 30 e desvio padro de 7. Determine com 99% de conana uma cota superior para a mdia

Gabarito
4.1 n = 1.155. 4.2 X = 34, 4770 4.3 n = 102. 4.4 y = 55.146 + 0, 4946x ; 2 = 0, 9997 = 99, 97% y = 120, 4445 + 0, 1938x ; (c) R $197, 9703 milhes 4.6 4.7 4.8 4.9 4.10 4.5 (a) 2 = 0, 9543; (b)

Mtodos Quantitativos

75

Referncias Bibliogrficas
[1] COSTA, Srgio Francisco; Introduo Ilustrada Estatstica. 4a edio. So Paulo: Harbra, 1998. [2] FONSECA, J. S. & MARTINS, G. A.; Curso de Estatstica. 6a edio. So Paulo: Atlas, 1998. [3] FREUND, Jonh E.. Estatstica Aplicada: Economia, Administrao e Contabilidade. Porto Alegre: Bookman, 2000. [4] MAGALHES, Marcos Nascimento & LIMA, Antonio Carlos Pedroso de; Noes de Probabilidade e Estatstica. 6a edio. So Paulo: IME/USP, 2007. [5] MEYER, Paul L.; Probabilidade, Aplicaes Estatstica. 2a edio. So Paulo: LTC, 2000. [6] SILVA, Ermes Medeiros da; MUROLO, Afrnio Carlos; SILVA, Elio Medeiros da; & GONALVES, Valter. Estatstica Estatstica, Vol. 2. 2a edio. So Paulo: Atlas, 1997. [7] SPIEGEL, Murray R.. Estatstica. 3a edio. So Paulo: Makron Books, 1993. [8] STEVENSON, William J.; Estatstica Aplicada administrao. So Paulo: Habra, 1996.

76

FTC EAD |

ANOTAES

ANOTAES

ANOTAES

FTC EAD Faculdade de Tecnologia e Cincias Educao a Distncia Democratizando a educao. www.ead.ftc.br