66

D
i
a
g
r
a
m
a

o
:

L

o
:

1
9
/
1
1
/
0
8

-
|
|
-

1

R
e
v
i
s

o
:

A
n
a

-

C
o
r
r
e

o
:

L

o

0
3
/
1
2
/
0
8

-
|
|
-

Unidade II
5 AS MEDIDAS DE POSIO E VARIABILIDADE
NUMA DISTRIBUIO DE FREQUNCIA
Vamos agora usar os conhecimentos obtidos no mdulo 4
para aprender a calcular as medidas de posio e variabilidade
em uma distribuio de frequncia.
Ao longo deste mdulo, vamos utilizar o mesmo exemplo
que trabalhamos no mdulo 4, da distribuio de frequncia das
idades dos alunos formandos em Gesto de uma Universidade
ctcia AB.
Idade de 100 estudantes formandos do curso de
Gesto de uma Universidade AB em dez/2006
Idade Nmero de estudantes
20 a 22 8
22 a 24 10
24 a 26 12
26 a 28 20
28 a 30 17
30 a 32 15
32 a 34 9
34 a 36 5
36 a 38 3
38 a 40 1
Total = 100
Podemos, ao longo deste mdulo, aproveitar uma srie de
informaes que construmos a partir dos dados brutos que
tnhamos no mdulo 4, tal como disposto na tabela abaixo, e,
5
10
Unidade II
67
ESTATSTICA APLICADA
D
i
a
g
r
a
m
a

o
:

L

o
:

1
9
/
1
1
/
0
8

-
|
|
-

1

R
e
v
i
s

o
:

A
n
a

-

C
o
r
r
e

o
:

L

o

0
3
/
1
2
/
0
8

-
|
|
-

partindo destas informaes, construir as medidas de posio e
variabilidade para uma distribuio de frequncia.
Tabela 5.1
Classes
i

i
, A
i
, R
20 |- 22 8 8 0,08
22 |- 24 10 18 0,10
24 |- 26 12 30 0,12
26 |- 28 20 50 0,20
28 |- 30 17 67 0,17
30 |- 32 15 82 0,15
32 |- 34 9 91 0,09
34 |- 36 5 96 0,05
36 |- 38 3 99 0,03
38 |- 40 1 100 0,01

100 1
5.1 As medidas de posio
5.1.1 A mdia
No mdulo 2, como trabalhvamos com um conjunto de
dados pequeno para calcular a mdia deste grupo de nmeros,
era necessrio organiz-los em um rol, identicar os valores de
x
i
, fazer o somatrio e ento calcular a mdia a partir da frmula
apresentada.
No entanto, quando se tem uma distribuio de
frequncias, nem sempre dispomos dos valores de todas
as observaes, ou a amostra , por vezes, to grande que
no vivel fazer o clculo da mesma maneira que fazemos
quando os dados esto dispostos em um rol. Geralmente,
quando estamos diante de uma distribuio de frequncia,
o que dispomos do nmero de observaes em cada classe,
mas no dispomos dos valores em si de x
i
. Portanto, as
5
10
15
68
D
i
a
g
r
a
m
a

o
:

L

o
:

1
9
/
1
1
/
0
8

-
|
|
-

1

R
e
v
i
s

o
:

A
n
a

-

C
o
r
r
e

o
:

L

o

0
3
/
1
2
/
0
8

-
|
|
-

Unidade II
observaes em uma dada distribuio de frequncia sero
representadas pelo ponto mdio de cada classe. A frmula
para o clculo do ponto mdio ser:
Limite
inferior
+ Limite
superior
P
mdio
= X
i
= -------------------------------------------------------------------
2
Assim, temos que a mdia numa distribuio de frequncias :
x : mdia aritmtica da distribuio
de frequncia;

i
: frequncia absoluta simples;
X
i
: ponto mdio de cada classe;
n : nmero de observaes.

i
X
i
x = ----------------------, onde
n
No nosso exemplo de distribuio de frequncia das idades,
podemos calcular a mdia a partir da construo de uma nova
tabela:
Tabela 5.2
Classes
i

i
, A
i
, R
X
i

i
, X
i
20 |- 22 8 8 0,08 21 168
22 |- 24 10 18 0,10 23 230
24 |- 26 12 30 0,12 25 300
26 |- 28 20 50 0,20 27 540
28 |- 30 17 67 0,17 29 493
30 |- 32 15 82 0,15 31 465
32 |- 34 9 91 0,09 33 297
34 |- 36 5 96 0,05 35 175
36 |- 38 3 99 0,03 37 111
38 |- 40 1 100 0,01 39 39

100 1 2818
Para o clculo da mdia aritmtica,
usa-se uma frmula que deriva da
frmula de clculo da mdia ponderada
para determinar a mdia de uma
distribuio de frequncia, substitu-se
os pesos pelas frequncias de classes
e x
i
pelo ponto mdio, representado
por X
i
.
5
10
69
ESTATSTICA APLICADA
D
i
a
g
r
a
m
a

o
:

L

o
:

1
9
/
1
1
/
0
8

-
|
|
-

1

R
e
v
i
s

o
:

A
n
a

-

C
o
r
r
e

o
:

L

o

0
3
/
1
2
/
0
8

-
|
|
-

Calculando a mdia aritmtica para o exemplo, onde n =
100, temos ento:
x
X
n
x
i i

+ + + + + +

( . ) ( . ) ( . ) ( . ) ( . ) ( . ) ( 8 21 10 23 12 25 20 27 17 29 15 31 99 33 5 35 3 37 39
100
168 230 300 540 493 465 297 17
. ) ( . ) ( . ) + + +

+ + + + + + +
x
55 111 39
100
2818
100
28 18
+ +

x ,
A idade mdia dos estudantes de Gesto da Universidade AB
que se formaram no ano de 2006 seria de 28,18 anos, de acordo
com a distribuio de frequncia aqui construda.
5.1.2 A mediana
Em uma distribuio de frequncias de uma varivel contnua,
devem-se seguir alguns passos para calcular a mediana.
Da mesma forma que nos dados organizados em um
rol, precisamos primeiro identicar a posio da mediana.
O primeiro passo calcular a ordem
n
2
, e parte-se para a
frequncia acumulada para identicar a classe que contm a
mediana. Feito isto, utiliza-se a seguinte frmula para o clculo
da mediana:

MD
: limite inferior da classe da mediana;
n : tamanho da amostra;
: soma das frequncias anteriores da mediana;
h : amplitude da classe da mediana;
F
MD
: frequncia da classe da mediana.
x
n
h
F
MD
MD
~
( ).
+

2

onde:
Como vimos tambm no mdulo
2, a mediana o elemento que ocupa
a posio central num determinado
conjunto de dados ordenados.
5
10
15
70
D
i
a
g
r
a
m
a

o
:

L

o
:

1
9
/
1
1
/
0
8

-
|
|
-

1

R
e
v
i
s

o
:

A
n
a

-

C
o
r
r
e

o
:

L

o

0
3
/
1
2
/
0
8

-
|
|
-

Unidade II
Para a distribuio de frequncia, temos que seguir esses
passos para calcular a mediana.
No exemplo anterior, calcular:
a) primeiro calculamos
n
2
100
2
50
;
b) identicar a classe da mediana a partir da frequncia
acumulada, procurando descobrir onde a observao
de nmero 50 est alocada. No nosso exemplo, ela
estar na quarta classe, que possui limite inferior de
26 e limite superior de 28;
c) calcular a mediana atravs de:
x
n
h
F
MD
MD
~
( ).
+

2

, onde
MD
26 ; n=100;

30; F
MD
20
x
x
~
~
( ).
+

+

26
50 30 2
20
26 2
28.
A mediana de nossa distribuio de frequncia ser 28 anos,
ou seja, 50% dos alunos que se formaram em Gesto nesta
Universidade AB tm, no mximo, 28 anos.
5.1.3 A moda
Depois disso, aplica-se a chamada frmula de Czuber,
descrita abaixo, para o clculo da moda, que nos dir qual a
Para calcular a moda, preciso
identicar o intervalo de classes de
maior frequncia, pois nele que ela
se encontra.
5
10
15
71
ESTATSTICA APLICADA
D
i
a
g
r
a
m
a

o
:

L

o
:

1
9
/
1
1
/
0
8

-
|
|
-

1

R
e
v
i
s

o
:

A
n
a

-

C
o
r
r
e

o
:

L

o

0
3
/
1
2
/
0
8

-
|
|
-

observao mais frequente daquela distribuio. O clculo da
moda ser:
M
od
: valor da moda;
L
1
: limite inferior da classe modal;
D
1
: diferena entre a frequncia da classe modal e a frequncia da
classe anterior;
D
2
: diferena entre a frequncia da classe modal e a frequncia da classe
posterior;
h: amplitude de classe.
M L
D
D D
h
od
+
+
1
1
1 2
( ). onde:
Calculemos ento a moda para a nossa distribuio de
frequncia das idades dos alunos de Gesto da Universidade AB
que se formaram em 2006. A classe modal ser a quarta classe,
pois aquela que apresenta a maior frequncia. Temos ento:
M
M
od
od
+
( )
( ) + ( )
,

,
]
]
]
+
+
j
(
,
\
,
(

26
20 12
20 12 20 17
2
26
8
8 3
2 2
.
. 66
16
11
27 5 + ,
A moda seria, portanto, de 27,5 anos, o que signica que a
maior quantidade de alunos formando-se no curso de Gesto
desta universidade ctcia teria 27,5 anos.
5.2 As medidas de disperso numa
distribuio de frequncia
5.2.1 O desvio mdio
No caso de uma distribuio de frequncia, esta diferena
ser calculada da seguinte forma:
D
mdio
: desvio mdio absoluto;
X
i
: ponto mdio de cada classe;
x: mdia da distribuio de
frequncia;

i
: frequncia absoluta;
n: total de observaes.
D
mdio

X x f
n
i i
.
onde:
Recapitulando o mdulo 3, o desvio
mdio indica a diferena entre cada
observao e a mdia aritmtica de um
determinado conjunto de dados.
5
10
15
72
D
i
a
g
r
a
m
a

o
:

L

o
:

1
9
/
1
1
/
0
8

-
|
|
-

1

R
e
v
i
s

o
:

A
n
a

-

C
o
r
r
e

o
:

L

o

0
3
/
1
2
/
0
8

-
|
|
-

Unidade II
No nosso exemplo, temos ento:
Tabela 5.3
Classes

i
, A
i
, R
X
i

i
, X
i
X
i
- x
|x
i
- x |.
i
20 |- 22 8 8 0,08 21 168 -7,18 57,44
22 |- 24 10 18 0,10 23 230 -5,18 51,8
24 |- 26 12 30 0,12 25 300 -3,18 38,16
26 |- 28 20 50 0,20 27 540 -1,18 23,6
28 |- 30 17 67 0,17 29 493 0,82 13,94
30 |- 32 15 82 0,15 31 465 2,82 42,3
32 |- 34 9 91 0,09 33 297 4,82 43,38
34 |- 36 5 96 0,05 35 175 6,82 34,1
36 |- 38 3 99 0,03 37 111 8,82 26,46
38 |- 40 1 100 0,01 39 39 10,82 10,82

100 1 2818 342

D
mdio

X x
n
i i
.
D
mdio


342
100
3 42 ,

Logo, o desvio mdio de nossa distribuio de frequncia
ser de 3,42. A mdia, a diferena da idade de cada formando
em relao mdia aritmtica da distribuio das idades ser
de 3,42.
5.2.2 Varincia
Como vimos no mdulo 3, a varincia tambm uma medida
de disperso que tem a mdia como ponto de referncia.
Quando se trata de uma distribuio de frequncia de dados
populacionais, temos:
2: varincia populacional;
X
i
: ponto mdio de cada classe;
: mdia populacional;

i
: frequncia absoluta simples;
N: tamanho da populao.

2
2

( ) X
N
i i

onde:
A varincia nos indica o grau de
variabilidade de uma determinada
distribuio de frequncia com relao
sua mdia aritmtica.
5
10
73
ESTATSTICA APLICADA
D
i
a
g
r
a
m
a

o
:

L

o
:

1
9
/
1
1
/
0
8

-
|
|
-

1

R
e
v
i
s

o
:

A
n
a

-

C
o
r
r
e

o
:

L

o

0
3
/
1
2
/
0
8

-
|
|
-

Para o caso da varincia de valores amostrais, devemos
usar:
s
2
: varincia amostral;
X
i
: ponto mdio de cada classe;
x: mdia aritmtica amostral;

i
: frequncia absoluta simples;
n: total de observaes da
amostra.
s
X x
n
i i 2
2
1

( )
onde:
No caso da distribuio de frequncia das idades, preciso
acrescentar mais duas colunas tabela para calcular, no nosso
exemplo, a varincia amostral:
s
X x
n
i i 2
2
1

( )
Tabela 5.4
Classes

i
, A
i
, R
X
i

i
, X
i
X
i
- x
|x
i
- x |.
i
(X
i
- x)
2
(X
i
- x)
2

i
20 |- 22 8 8 0,08 21 168 -7,18 57,44 51,5524 412,42
22 |- 24 10 18 0,10 23 230 -5,18 51,8 26,8324 268,32
24 |- 26 12 30 0,12 25 300 -3,18 38,16 10,1124 121,35
26 |- 28 20 50 0,20 27 540 -1,18 23,6 1,3924 27,85
28 |- 30 17 67 0,17 29 493 0,82 13,94 0,6724 11,43
30 |- 32 15 82 0,15 31 465 2,82 42,3 7,9524 119,28
32 |- 34 9 91 0,09 33 297 4,82 43,38 23,2324 209,09
34 |- 36 5 96 0,05 35 175 6,82 34,1 46,5124 232,56
36 |- 38 3 99 0,03 37 111 8,82 26,46 77,7924 233,38
38 |- 40 1 100 0,01 39 39 10,82 10,82 117,0724 117,07

100 1 2818 342 1752,25

Assim, temos:
s
2
1752 25
100 1
17 60

,
,
Logo, a varincia amostral de nosso exemplo 17,60.
5
10
74
D
i
a
g
r
a
m
a

o
:

L

o
:

1
9
/
1
1
/
0
8

-
|
|
-

1

R
e
v
i
s

o
:

A
n
a

-

C
o
r
r
e

o
:

L

o

0
3
/
1
2
/
0
8

-
|
|
-

Unidade II
5.2.3 Desvio padro
Para calcular o desvio padro, basta extrair a raiz
quadrada do valor da varincia, seja ela varincia
populacional ou varincia amostral.
=
2
J o desvio padro amostral ser dado como segue:
s s =
2
No exemplo acima, o nosso desvio padro seria ento:
s = = 17 60 4 1952 , ,
Exemplo 1: consideremos a distribuio relativa a 34
famlias de quatro lhos, tomando para varivel o nmero de
lhos do sexo masculino:
N de
meninos
(x
i
)

i
(x
i
- x) (x
i
- x)
2

i
(x
i
- x)
2
0 2 (0-2,3)=-2,3 (-2,3)
2
=5,29 2(5,29)=10,58
1 6 (1-2,3)=-1,3 (-1,3)
2
=1,69 6(1,69)=10,14
2 10 (2-2,3)=-0,3 (-0,3)
2
=0,09 10(0,09)=0,9
3 12 (3-2,3)=0,7 (0,7)
2
=0,49 12(0,49)=5,88
4 4 (4-2,3)=1,7 (1,7)
2
=2,89 4(2,89)=11,56

i
= 34
i
(x
i
- x)
2
= 39,06
Calcule a amplitude, o desvio padro (S), a varincia (S
2
) e o
coeciente de variao (cv).
Soluo
Amplitude:
R= 4 0 = 4 meninos,
Lembrando que: em estatstica, um
histograma uma representao grca
da distribuio de frequncias de um
conjunto de medies, normalmente
um grco de barras verticais.
Lembrando: em estatstica, um
histograma uma representao grca
da distribuio de frequncias de
um conjunto de medies, normalmente
um grco de barras verticais.
O histograma um grco
composto por retngulos justapostos
em que a base de cada um deles
corresponde ao intervalo de classe, e
a sua altura, respectiva frequncia.
Quando o nmero de dados aumenta
indenidamente e o intervalo de
classe tende a zero, a distribuio de
frequncia passa para uma distribuio
de densidade de probabilidades.
A construo de histogramas tem
carter preliminar em qualquer estudo
e um importante indicador da
distribuio de dados. Pode indicar se
uma distribuio aproxima-se de uma
funo normal, como pode indicar
mistura de populaes quando se
apresentam bimodais.
Informaes tcnicas sobre como
elaborar um histograma, bem como
sua interpretao, so encontradas em
literaturas clssicas de estatstica.
5
10
15
75
ESTATSTICA APLICADA
D
i
a
g
r
a
m
a

o
:

L

o
:

1
9
/
1
1
/
0
8

-
|
|
-

1

R
e
v
i
s

o
:

A
n
a

-

C
o
r
r
e

o
:

L

o

0
3
/
1
2
/
0
8

-
|
|
-

ou seja, a maior variao encontrada nesse conjunto de
dados de 4 meninos.
Obs.: sabemos que a mdia para esse conjunto de dados
x = 2,3 lhos.
Desvio padro:
s
x x
n
x x x x x x
n
i i
i
n
n n

+ + +

( )
( ) ( ) ... ( )
2
1 1 1
2
2 2
2 2
1 1

+ + + +

2 0 2 3 6 1 2 3 10 2 2 3 12 3 2 3 4 4 2 3
34 1
2 2 2 2 2
( , ) ( , ) ( , ) ( , ) ( , )

+ + + +

2 2 3 6 13 10 0 3 12 0 7 4 17
33
2 2 2 2 2
( , ) ( , ) ( , ) ( , ) ( , )

+ + + +

2 5 29 6 169 10 0 09 12 0 49 4 2 89
33
( , ) ( , ) ( , ) ( , ) ( , )

+ + + +

10 58 10 14 0 9 5 88 1156
33
, , , , ,

39 06
33
11836 1088 1
,
, , filho
,
ou seja, o nmero mdio de lhos homens por famlia de 4
lhos de 2,3, com uma variabilidade de aproximadamente 1
lho, isto , a maior parte das famlias com 4 lhos tem entre
2,3
+
1 = (1,3 e 3,3) (1 e 3) lhos homens.
Varincia:
S2 = (S)
2
= (1,008)
2
1,1837 (lhos homens)
2
.
5
10
15
76
D
i
a
g
r
a
m
a

o
:

L

o
:

1
9
/
1
1
/
0
8

-
|
|
-

1

R
e
v
i
s

o
:

A
n
a

-

C
o
r
r
e

o
:

L

o

0
3
/
1
2
/
0
8

-
|
|
-

Unidade II
Coeciente de variao:
cv
S
x

1088
2 3
0 4730
,
,
,
, ou seja, existe uma variabilidade
de 47,30% dos dados em relao mdia (variabilidade
alta).
Exemplo 2: considere a seguinte distribuio de frequncia
referente aos salrios de operrios de uma determinada
fbrica:
Custos R$
Classes de fr.
Pm (x
i
)

i
(x
i
- x) (x
i
- x)
2

i
(x
i
- x)
2
450 |- 550 500 8 (500-754,68)=-254,68 (-254,68)
2
= 64861,90 8(64861,90)= 518895,2
550 |- 650 600 10 (600-754,68)=-154,68 (-154,68)
2
= 23925,90 10(23925,90)=239259,0
650 |- 750 700 11 (700-754,68)=-54,68 (-54,68)
2
= 2989,90 11(2989,90)=32888,9
750 |- 850 800 16 (800-754,68)=45,32 (45,32)
2
= 2053,90 16(2053,90)=32862,4
850 |- 950 900 13 (900-754,68)=145,32 (145,32)
2
= 21117,90 13(21117,90)=274532,7
950 |- 1050 1000 5 (1000-754,68)=245,32 (245,32)
2
= 60181,90 5(60181,90)=300909,5
1050 |- 1150 1100 1 (1100-754,68)=345,32 (345,32)
2
= 119245,90 1(119245,90)=119245,9
Total 64

i
(x
i
- x)
2
= 1518593,6
Calcule a amplitude, o desvio padro (S), a varincia (S
2
) e o
coeciente de variao (cv).
Soluo
Amplitude:
R= 1150 450 = 700,
ou seja, a maior diferena existente entre os salrios dos
operrios desta determinada fbrica de R$ 700,00.
Obs.: sabemos que a mdia para este conjunto de dados
x =754,68 reais.
5
10
15
77
ESTATSTICA APLICADA
D
i
a
g
r
a
m
a

o
:

L

o
:

1
9
/
1
1
/
0
8

-
|
|
-

1

R
e
v
i
s

o
:

A
n
a

-

C
o
r
r
e

o
:

L

o

0
3
/
1
2
/
0
8

-
|
|
-

Desvio-padro:
s
x x
n
x x x x x x
n
i i
i
n
n n

+ + +

( )
( ) ( ) ... ( )
2
1 1 1
2
2 2
2 2
1 1
8 500 754 68 10 600 754 68 11700 754 68 16 800 754
2 2 2
( , ) ( , ) ( , ) ( , + + + 668 13 900 754 68 5 1000 754 68 11100 754 68
64 1
2 2 2 2
) ( , ) ( , ) ( , ) + + +

+ + + + 8 254 68 10 154 68 11 54 68 16 45 32 13145 32

2 2 2 2
( , ) ( , ) ( , ) ( , ) ( , )) ( , ) ( , )
2 2 2
5 245 32 1345 32
63
+ +

+ + + + 8 6486190 10 23925 90 112989 90 16 2053 90 13 21227 ( , ) ( , ) ( , ) ( , ) ( ,, ) ( , ) ( , ) 90 5 6018190 1119245 90

63
+ +

+ + + + + + 518895 2 239259 0 32888 90 32862 40 274532 70 300909 5 11 , , , , , , 99245 90

63
1518593 60
63
, ,

24104 66 155 26 , , ( ) reais ,
ou seja, a mdia dos salrios de R$754,68, com uma
variabilidade de aproximadamente R$155,26, ou seja, a maior
parte dos operrios recebem entre 754,68
+
155,26 = (599,42 e
909,94) reais.
Varincia:
S
2
= (S)
2
= (155,26)
2
24104,66 (reais)
2
Coeciente de variao:
cv
S
x

155 26
754 68
0 2057
,
,
,
, ou seja, existe uma variabilidade
de 20,57% dos dados em relao mdia.
5
10
15
78
D
i
a
g
r
a
m
a

o
:

L

o
:

1
9
/
1
1
/
0
8

-
|
|
-

1

R
e
v
i
s

o
:

A
n
a

-

C
o
r
r
e

o
:

L

o

0
3
/
1
2
/
0
8

-
|
|
-

Unidade II
6 INTRODUO PROBABILIDADE
Quando estudamos algum fenmeno atravs do mtodo
estatstico, na maior parte das vezes, preciso estabelecer uma
distino entre o modelo matemtico que construmos para
tentar explicar tal fenmeno e o fenmeno em si.
A maioria dos fatos estudados pela estatstica apresenta
resultados de difcil previsibilidade, dados que variam de
uma observao para outra, mesmo em condies normais
de experimentao. Para analisar, interpretar e explicar tais
fenmenos, preciso utilizar a probabilidade.
O evento pode ser cara (no caso do lanamento de uma
moeda), 6 (no caso do lanamento de um dado), chuva
(no caso da observao do tempo), etc. A probabilidade de
ocorrer determinado evento ser sempre um nmero entre 0
e 1, indicando aproximadamente a chance de ocorrncia deste
evento. Quanto mais prxima de 1, maior a probabilidade de
ocorrer este evento; quanto mais prxima de zero, menor a
chance de acontecer. Quando a probabilidade de determinado
evento zero, diz-se que este um evento impossvel. Sendo
assim, temos:
0 < P (A) < 1.
6.1 Teoria dos conjuntos, espao amostral e
eventos
Um conjunto denido como um grupo de objetos ou
itens que apresentam caractersticas comuns. So exemplos
de conjuntos os habitantes de So Paulo, os estudantes de
Gesto da UNIP, o nmero de consoantes do alfabeto, o nmero
de vogais do alfabeto, etc.
Podemos descrever os elementos de um conjunto de duas
formas: enumerando cada um deles entre chaves, indicando
suas caractersticas comuns, tambm entre chaves.
A palavra probabilidade deriva
do latim probare (provar ou testar).
Informalmente, provvel uma das
muitas palavras utilizadas para eventos
incertos ou conhecidos, sendo
tambm substituda por algumas
palavras como sorte, risco, azar,
incerteza, duvidoso, dependendo
do contexto.
Tal como acontece com a teoria
da mecnica, que atribui denies
precisas a termos de uso dirio, como
trabalho e fora, tambm a
teoria das probabilidades tenta
quanticar a noo de provvel.
A probabilidade uma tcnica
estatstica utilizada para expressar
a chance de ocorrncia de um
determinado evento.
O evento o resultado que se
espera de determinado experimento.
A teoria de conjuntos pode ser
estudada em detalhes em livros bsicos
de matemtica.
5
10
15
20
25
79
ESTATSTICA APLICADA
D
i
a
g
r
a
m
a

o
:

L

o
:

1
9
/
1
1
/
0
8

-
|
|
-

1

R
e
v
i
s

o
:

A
n
a

-

C
o
r
r
e

o
:

L

o

0
3
/
1
2
/
0
8

-
|
|
-

conjunto A = {a, e, i, o, u}; ou
conjunto A = {conjunto das vogais do alfabeto};
conjunto B = {todos os nmeros inteiros maiores que 23}.
Em um conjunto nito, podemos identicar todos os
seus subconjuntos. O nmero de subconjuntos de um conjunto
nito ser obtido atravs da seguinte frmula:
N
subconjuntos
= 2
n
, onde n = nmero de elementos do conjunto.
Por exemplo, em um conjunto como o dado abaixo, calcule a
quantidade de subconjuntos e faa a sua apresentao:
A = {2, 4, 6, 8}.
A quantidade de subconjuntos de A ser:
N
subconjuntos A
= 2
n
= 2
4
= 16.
Os subconjuntos de A sero, portanto:
A = {{2},{4},{6},{8},{2, 4}, {2, 6}, {2, 8}, {4, 6}, {4, 8},
{6, 8}, {2, 4, 6}, {2, 6, 8}, {2, 4, 8}, {4, 6, 8}, {2, 4, 6, 8}, { }}.
Ora, se trazemos estes conceitos para a probabilidade,
podemos denir ento o que seria espao amostral e evento.
Na teoria das probabilidades, temos o chamado experimento,
uma experincia que poder ser repetida sob as mesmas
condies indenidamente.
Para cada experimento existe um conjunto S formado
por todos os possveis resultados deste experimento. Este
conjunto denominado de espao amostral.
Por exemplo, ao lanar um dado e observar o nmero da face
que ca para cima, teramos o seguinte conjunto de resultados
5
10
15
20
25
80
D
i
a
g
r
a
m
a

o
:

L

o
:

1
9
/
1
1
/
0
8

-
|
|
-

1

R
e
v
i
s

o
:

A
n
a

-

C
o
r
r
e

o
:

L

o

0
3
/
1
2
/
0
8

-
|
|
-

Unidade II
possveis deste experimento e, portanto, o seguinte espao
amostral:
S = = {1, 2, 3, 4, 5, 6}, onde o espao amostral.
O espao amostral poder ser representado pela letra mega.
Sendo o espao amostral o conjunto de todos os resultados
possveis de uma dada experincia, a probabilidade do espao
amostral dever ser igual a 1 ou 100%, pois ao menos um dos
resultados deve ocorrer.
P (evento qualquer espao amostral ) = 1,00.
Os eventos so os resultados de um experimento. No caso
do exemplo, de lanar um dado, seriam exemplos de eventos:
A: ocorrer face igual a 6;
B: ocorrer face igual a 5.
O evento geralmente simbolizado atravs de uma letra
maiscula.
Poderamos simbolizar gracamente o espao amostral
e o evento atravs do diagrama de Venn, para que possamos
visualizar melhor a diferena entre estes dois importantes
conceitos da teoria das probabilidades.
Evento
Espao amostral
O que signica ento o grco acima? Para entendermos
melhor, vamos relembrar algumas relaes que se estabelecem
entre dois ou mais conjuntos, e que tipo de classicao didtica
isso gera, para entender que implicaes isso pode ter para a
teoria das probabilidades.
5
10
15
20
81
ESTATSTICA APLICADA
D
i
a
g
r
a
m
a

o
:

L

o
:

1
9
/
1
1
/
0
8

-
|
|
-

1

R
e
v
i
s

o
:

A
n
a

-

C
o
r
r
e

o
:

L

o

0
3
/
1
2
/
0
8

-
|
|
-

Dois ou mais conjuntos que no possuam elementos
em comum so chamados conjuntos disjuntos. Por exemplo,
sejam os conjuntos abaixo:
A = {3, 5, 7} e B = {9, 11} so dois conjuntos que claramente
no apresentam nenhum elemento em comum, e podem ser
representados pelo diagrama de Venn, como segue:
A
B
3 5
7
9 11
Como A e B no possuem elementos em comum, o resultado
da unio destes conjuntos ir gerar um novo conjunto, cujo
nmero de elementos ser dado pela soma dos elementos de A
e dos elementos de B. Temos ento:
n(A B) = n(A) + n(B)
n(A B) = 5
Se dois ou mais conjuntos apresentam elementos em
comum, teremos o caso de conjuntos no-disjuntos. Nesse
caso, o nmero de elementos da unio dos dois conjuntos ser
dado pela soma dos elementos de cada conjunto, subtraindo-se
os elementos que estes possuem em comum.
A = {2, 4, 6, 8, 10} e B = {8, 10, 12};
n(A B) = n(A) + n(B) - n(A B);
n(A B) = 5 + 3 - 2 = 6.
Podemos vericar este resultado comparando-o ao diagrama
de Venn, que ir apresentar claramente os elementos da unio
dos dois conjuntos A e B.
A B
2
4
6
8
10
12
5
10
15
20
82
D
i
a
g
r
a
m
a

o
:

L

o
:

1
9
/
1
1
/
0
8

-
|
|
-

1

R
e
v
i
s

o
:

A
n
a

-

C
o
r
r
e

o
:

L

o

0
3
/
1
2
/
0
8

-
|
|
-

Unidade II
Estes conceitos de conjuntos so importantes porque nos
permitem, por exemplo, denir novos eventos utilizando estas
operaes de unio e interseo. Assim:
a) (A B) quando A ocorre, ou B ocorre, ou ambos
ocorrem, temos este evento;
b) (A B) evento s ocorre se A e B ocorrerem
simultaneamente;
c) A evento quando A no ocorre.
A partir disso, podemos denir os eventos como
complementares, mutuamente exclusivos, no mutuamente
exclusivos e coletivamente exaustivos.
Diz-se que dois eventos so complementares quando
completam um determinado espao amostral. importante
ressaltar que os eventos complementares no devem apresentar
elementos em comum. A soma das probabilidades de eventos
complementares sempre igual a 1. Podemos representar dois
eventos complementares com o diagrama que segue:
Espao amostral
A
A
Por exemplo: podemos considerar como eventos
complementares ocorrer cara ou coroa no lanamento de uma
moeda; atender ou no porta. O espao amostral dos dois
experimentos, respectivamente, ser:
= {cara, coroa},
onde
A: ocorrer cara;
B: ocorrer coroa.
5
10
15
20
25
83
ESTATSTICA APLICADA
D
i
a
g
r
a
m
a

o
:

L

o
:

1
9
/
1
1
/
0
8

-
|
|
-

1

R
e
v
i
s

o
:

A
n
a

-

C
o
r
r
e

o
:

L

o

0
3
/
1
2
/
0
8

-
|
|
-

2
= {atender, no atender},
onde,
C: atender porta;
D: no atender porta.
Em ambos os experimentos, podemos observar que a soma
das probabilidades ser igual a um, porque os eventos completam
o espao amostral. Assim, no caso dos dois exemplos acima,
teremos:
P A
P B P A P B
( )
( ) ( ) ( )

+
1
2
1
2
1
P C
P D P C P D
( )
( ) ( ) ( )

+
1
2
1
2
1
Dois ou mais eventos que no possuem elementos
comuns, ou no podem ocorrer simultaneamente, so ditos
eventos mutuamente excludentes. Diferente dos eventos
complementares, eles no necessariamente completam o espao
amostral. Sendo assim, podemos dizer que todos os eventos
complementares so mutuamente exclusivos, mas nem todos os
eventos mutuamente exclusivos so complementares. Tambm
importante ressaltar que na teoria dos conjuntos, os eventos
mutuamente exclusivos so os chamados conjuntos disjuntos.
Isso signica que:
(A B) =
Para ilustrar gracamente dois eventos mutuamente exclusivos,
podemos, mais uma vez, valermo-nos de um diagrama de Venn.
: Espao amostral
A
B
5
10
15
20
25
84
D
i
a
g
r
a
m
a

o
:

L

o
:

1
9
/
1
1
/
0
8

-
|
|
-

1

R
e
v
i
s

o
:

A
n
a

-

C
o
r
r
e

o
:

L

o

0
3
/
1
2
/
0
8

-
|
|
-

Unidade II
Por exemplo: no lanamento de um dado, ocorrer as faces 1,
2, 3, 4, 5, 6. So seis eventos mutuamente excludentes, j que dois
no podem ocorrer simultaneamente, ento a ocorrncia de um
exclui a ocorrncia do outro. Se restringirmos este experimento
a apenas duas faces, temos:
Experimento: lanamento de um dado;
= {1, 2, 3, 4, 5, 6} (espao amostral);
A: ocorrer a face 2;
B: ocorrer a face 4.
Temos aqui dois eventos mutuamente exclusivos e que no
so complementares.
Quando dois eventos apresentam elementos em
comum ou podem ocorrer simultaneamente, diz-se que
eles so eventos no mutuamente excludentes. Estes
eventos podem ser representados atravs de um diagrama de
Venn como segue abaixo:
: Espao amostral
A
B
Como exemplo, podemos nos valer da distribuio de
frequncias do mdulo 4, para dar exemplo de dois eventos
que sejam no mutuamente excludentes. Vejamos ento a
5
10
15
20
85
ESTATSTICA APLICADA
D
i
a
g
r
a
m
a

o
:

L

o
:

1
9
/
1
1
/
0
8

-
|
|
-

1

R
e
v
i
s

o
:

A
n
a

-

C
o
r
r
e

o
:

L

o

0
3
/
1
2
/
0
8

-
|
|
-

distribuio de frequncia das idades dos alunos formandos do
curso de Gesto de uma Universidade AB:
Distribuio de frequncia das idades
Classes
Frequncia
absoluta simples
20 |- 22 8
22 |- 24 10
24 |- 26 12
26 |- 28 20
28 |- 30 17
30 |- 32 15
32 |- 34 9
34 |- 36 5
36 |- 38 3
38 |- 40 1

100
Tomando-se a distribuio de frequncia acima, podemos
dar exemplo de dois eventos no mutuamente exclusivos:
A: apresentar idade entre 20 e 26 anos no momento da
formatura;
B: apresentar idade entre 22 e 30 anos no momento da
formatura.
Como entre esses dois eventos existem elementos em
comum, ou seja, os intervalos de 22 a 26 anos, eles so no
mutuamente excludentes. importante ressaltar que os eventos
no mutuamente exclusivos, na teoria dos conjuntos, so os
conjuntos no-disjuntos.
Os eventos podem ser ainda coletivamente exaustivos.
Isso acontece quando os eventos em questo ocuparem
todo o espao amostral, tornando impossvel qualquer
outro resultado alm daqueles eventos dados. So
5
10
15
20
86
D
i
a
g
r
a
m
a

o
:

L

o
:

1
9
/
1
1
/
0
8

-
|
|
-

1

R
e
v
i
s

o
:

A
n
a

-

C
o
r
r
e

o
:

L

o

0
3
/
1
2
/
0
8

-
|
|
-

Unidade II
considerados eventos coletivamente exaustivos os eventos
complementares, mas nem sempre os eventos coletivamente
exaustivos sero complementares. Alm disso, os eventos
coletivamente exaustivos sero, em alguns casos, mutuamente
excludentes.
Podemos ento representar gracamente eventos
coletivamente exaustivos com o diagrama abaixo:
: Espao amostral
A B C
Assim, so exemplos de eventos coletivamente exaustivos,
no caso de um experimento de lanar uma moeda:
A: ocorrer cara;
B: ocorrer coroa.
Um outro exemplo seria ao se fazer a experincia de retirar
cartas de um baralho, denir como eventos:
A: carta de copas;
B: carta de paus;
C: carta de ouros;
D: carta de espadas.
Temos acima dois exemplos de eventos coletivamente
exaustivos.
Vamos a alguns exemplos:
Exemplo 1: em um grupo de 100 pessoas, 70 tm sangue
com RH positivo e 45 tm sangue tipo O. Escolhendo-se, ao
acaso, uma pessoa desse grupo, qual a probabilidade de o
sangue dessa pessoa ser de tipo diferente de O?
Em teoria das probabilidades,
o espao amostral ou espao
amostral universal, geralmente
denotado S, ou U (de universo),
de um experimento ou teste
aleatrio o conjunto de todos os
resultados possveis. Por exemplo, se
o experimento lanar uma moeda
e vericar a face voltada para cima, o
espao amostral o conjunto {cara,
coroa}. Para o lanamento de um dado
de seis faces, o espao amostral {1, 2,
3, 4, 5, 6}. Qualquer subconjunto de um
espao amostral comumente chamado
um evento, enquanto subconjuntos de
um espao amostral contendo apenas
um nico elemento so chamados
eventos elementares.
Para alguns tipos de experimentos,
podem existir dois ou mais espaos
amostrais possveis plausveis. Por
exemplo, quando retirada uma carta
de um baralho de 52 cartas, uma
possibilidade poderia ser o valor dela
(s at o Rei), enquanto outra poderia
ser o naipe (copa, ouro, espada ou
paus). Uma descrio completa dos
resultados, entretanto, especica
ambas: denominao e naipe; e um
espao amostral descrevendo cada carta
individualmente pode ser construdo
atravs do produto cartesiano dos
dois espaos amostrais citados.
Espaos amostrais aparecem
naturalmente em uma introduo
elementar probabilidade, mas so
tambm importantes em espaos
de probabilidade. Um espao de
probabilidade (, F, P) incorpora um
espao amostral de resultados, ,
mas dene um conjunto de eventos de
interesse, o -algebra F, para o qual a
medida de probabilidade P denida.
5
10
15
20
25
87
ESTATSTICA APLICADA
D
i
a
g
r
a
m
a

o
:

L

o
:

1
9
/
1
1
/
0
8

-
|
|
-

1

R
e
v
i
s

o
:

A
n
a

-

C
o
r
r
e

o
:

L

o

0
3
/
1
2
/
0
8

-
|
|
-

Soluo
Seja x o nmero de pessoas que tm sangue RH positivo e
tm tambm sangue tipo O. Representando os conjuntos por
meios de diagramas de Venn, tem-se:
70 - x + x + 45 - x = 100.
RH+
O
70 - x
45 - x x
Da vem que 70 + 45 - x = 100.
Ento, x = 115 - 100 = 15.
Assim, o nmero de pessoas que tm sangue de o tipo
diferente de O : 70 - 15 = 55.
Logo, num total de 100 pessoas, temos 55 possibilidades
(chances) de escolha.
Ento, podemos dizer que a probabilidade de o sangue dessa
pessoa ser de tipo diferente de O 55/100 = 55%.
De uma outra maneira, mais rpida: como 45 tm sangue
tipo O, ento, o nmero de pessoas que tm sangue do tipo
diferente de O :
100 - 45 = 55.
Logo, a probabilidade de 55 possibilidades num total de
100, isto , 55%.
Exemplo 2: Maria vai sair com suas amigas e, para escolher a
roupa que usar, separou duas saias e quatro blusas. De quantas
maneiras ela pode se arrumar?
5
10
15
20
88
D
i
a
g
r
a
m
a

o
:

L

o
:

1
9
/
1
1
/
0
8

-
|
|
-

1

R
e
v
i
s

o
:

A
n
a

-

C
o
r
r
e

o
:

L

o

0
3
/
1
2
/
0
8

-
|
|
-

Unidade II
Soluo
O chamado Princpio Fundamental da Contagem (PFC) diz: se
alguma escolha pode ser feita de M diferentes maneiras e alguma
escolha subsequente pode ser feita de N diferentes maneiras, h
MN diferentes maneiras pelas quais essas escolhas podem ser
feitas sucessivamente. Observe a tabela abaixo:
blusa 1 blusa 2 blusa 3 blusa 4
saia 1 saia 1 e blusa 1 saia 1 e blusa 2 saia 1 e blusa 3 saia 1 e blusa 4
saia 2 saia 2 e blusa 1 saia 2 e blusa 2 saia 2 e blusa 3 saia 2 e blusa 4
Contando as possibilidades, vemos que Maria pode se arrumar
de 8 maneiras distintas. De fato, a ao constituda de duas
etapas sucessivas. A primeira (vestir a saia) pode ser realizada de
duas maneiras distintas. Para cada uma dessas possibilidades, a
segunda (vestir a blusa) pode ser realizada de quatro maneiras
distintas. Assim, pelo Princpio Fundamental da Contagem (PFC),
o nmero de efetuar a ao completa 2 4 = 8.
Exemplo 3: h quatro estradas ligando as cidades A e B,
e trs estradas ligando as cidades B e C. De quantas maneiras
distintas pode-se ir de A a C, passando por B?
Soluo
A ao constituda de duas etapas sucessivas. A primeira (ir
de A at B) pode ser realizada de trs maneiras. Para cada uma
dessas possibilidades, a segunda (ir de B at C) pode ser realizada
de quatro maneiras. Ento, pelo PFC, o nmero de maneiras de
ir de A at C 3 4 = 12.
Exemplo 4: uma prova de matemtica consta de 10 questes
do tipo V ou F. Se todas as questes forem respondidas ao acaso,
qual o nmero de maneiras de preencher a folha de resposta?
Soluo
O PFC tambm conhecido como princpio multiplicativo
e pode ser generalizado para aes constitudas de mais de duas
etapas sucessivas.
5
10
15
20
25
89
ESTATSTICA APLICADA
D
i
a
g
r
a
m
a

o
:

L

o
:

1
9
/
1
1
/
0
8

-
|
|
-

1

R
e
v
i
s

o
:

A
n
a

-

C
o
r
r
e

o
:

L

o

0
3
/
1
2
/
0
8

-
|
|
-

Resolver uma prova de dez questes do tipo V ou F
representa uma ao constituda de dez etapas sucessivas, que
correspondem resoluo das dez questes propostas. Para
cada questo, h duas possibilidades de escolha de resposta: V
ou F. Logo, pelo PFC, o resultado procurado : 2 2 2 2 2
2 2 2 2 2 = 2
10
= 1024.
Exemplo 5: de quantas maneiras podemos arrumar cinco
pessoas em la indiana?
Soluo
Ao escolher uma pessoa para ocupar a primeira posio na
la, temos cinco possibilidades; para o segundo lugar, como
uma pessoa j foi escolhida, temos quatro possibilidades; para
o terceiro lugar, sobram trs pessoas a serem escolhidas; para o
quarto lugar, duas pessoas, e para o ltimo lugar na la sobra
apenas a pessoa ainda no escolhida. Ento, pelo PFC temos: 5
4 3 2 1 = 120. Assim, calculamos o nmero de modos
de ordenar (embaralhar) cinco elementos distintos. Em outras
palavras, calculamos o nmero de permutaes simples de cinco
elementos, ou seja, P
5
= 120.
Exemplo 6: ao lanarmos dois dados, a probabilidade de
obtermos resultados cuja soma sete :
Soluo
Para cada dado lanado ao acaso, temos seis possibilidades
de resultado. Ento, pelo PFC, o nmero de casos possveis
66 = 36.
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
5
10
15
20
25
90
D
i
a
g
r
a
m
a

o
:

L

o
:

1
9
/
1
1
/
0
8

-
|
|
-

1

R
e
v
i
s

o
:

A
n
a

-

C
o
r
r
e

o
:

L

o

0
3
/
1
2
/
0
8

-
|
|
-

Unidade II
O nmero de casos favorveis o nmero de elementos
do conjuntos de pares ordenados {(1,6), (2,5), (3,4), (4,3), (5,2),
(6,1)}, ou seja, 6. Assim, a probabilidade P = 6/36 = 1/6.
7 PROBABILIDADE: ORIGEM, MTODOS E
PRINCIPAIS TEOREMAS
Como vimos, a probabilidade uma tcnica estatstica
utilizada para expressar a chance de ocorrncia de um
determinado evento.
A forma clssica de calcular a probabilidade atravs
da relao entre o nmero de casos favorveis e o nmero
de casos possveis. Os casos favorveis so aqueles
resultados que se espera que acontea; j os casos
possveis so todos os elementos que compem o
espao amostral.
Sendo assim, dado um determinado espao amostral ,
a probabilidade de um dado evento A, P(A), ser uma funo
denida em , em que cada evento estar associado a um
nmero real, a m de satisfazer os axiomas abaixo.
Ateno!
I) 0 < P < 1
II) P() = 1
III) Se A e B forem eventos mutuamente exclusivos, (A B) = ,
ento P(A B) = P(A) + P(B).
7.1 Origens da probabilidade
Na realidade, existem trs maneiras diferentes de se calcular
ou estimar as probabilidades. So eles os mtodos clssico,
emprico e subjetivo, sendo que os mtodos clssico e emprico
so considerados mtodos objetivos.
5
10
15
20
25
91
ESTATSTICA APLICADA
D
i
a
g
r
a
m
a

o
:

L

o
:

1
9
/
1
1
/
0
8

-
|
|
-

1

R
e
v
i
s

o
:

A
n
a

-

C
o
r
r
e

o
:

L

o

0
3
/
1
2
/
0
8

-
|
|
-

7.1.1 Mtodos objetivos
7.1.1.1 Mtodo clssico
Quando estamos diante de experimentos que tm
resultados igualmente provveis, aplica-se o chamado
mtodo clssico. Neste caso, a probabilidade de ocorrer cada
evento (resultado) uma funo do nmero de resultados
possveis.
P
numero de resultados possiveis
evento

1

Por exemplo, no experimento em que lanamos um dado,
ocorrer qualquer das faces neste lanamento igualmente
provvel. Ento qual seria a probabilidade de ocorrer qualquer
destas faces?

P
numero de faces
P
qualquer face
qualquer face

1
1
6
Aplicando-se o mtodo clssico a experimentos que envolvam
dois ou mais resultados associados, com igual probabilidade de
ocorrncia desses resultados, teremos a denio clssica de
probabilidade que demos no incio deste mdulo, em que a
probabilidade ser:
P
resultados favoraveis
resultados possiveis

Por exemplo, a probabilidade de obter quatro ases num

baralho de 52 cartas. Nesse caso, temos que identicar o nmero
de resultados favorveis, ou seja, aqueles resultados esperados.
No caso, so quatro resultados favorveis, dentro de quatro
resultados possveis, ento temos:

P
4
52
0 0769 7 6 , , %
Verique e compreenda: favorveis/
possveis!!!
5
10
15
20
92
D
i
a
g
r
a
m
a

o
:

L

o
:

1
9
/
1
1
/
0
8

-
|
|
-

1

R
e
v
i
s

o
:

A
n
a

-

C
o
r
r
e

o
:

L

o

0
3
/
1
2
/
0
8

-
|
|
-

Unidade II
Isso signica que, se houver uma repetio signicativa
deste experimento, ou seja, de se retirar quatro ases de um
baralho de 52 cartas, um evento como este tem probabilidade
de ocorrer em 7,6% das vezes.
Chance
Existe uma maneira diferente de se exprimir as
probabilidades; em vez de se comparar o nmero de casos
favorveis ao nmero de casos possveis, compara-se o nmero
de resultados favorveis ao nmero de casos desfavorveis.
Isso pode ser expresso das duas formas abaixo:
Chance
numero de resultados favoraveis
numero de resultados desfa

vvoraveis

ou
Por exemplo, numa sala de aula, temos um total de 50 alunos,
22 homens e 28 mulheres. Qual seria, ento, a probabilidade, e
a chance, a favor de se selecionar, aleatoriamente, desta sala,
uma mulher?
Probabilidade:
: retirar pessoas de uma sala de aula
: 22 homens e 28 mulheres
Evento A: selecionar uma mulher
P A P A ( )
+
( )
28
22 28
28
50
0 56 56 , %
A probabilidade de se retirar uma mulher , portanto, de
56%.
Chance:
Evento A: selecionar uma mulher
Chance
casos favoraveis
casos desfavoraveis
ou
28
22
14
11
14 11 :

Novamente: chance = nmero

de resultados favorveis: nmero de
resultados desfavorveis.
5
10
15
20
25
93
ESTATSTICA APLICADA
D
i
a
g
r
a
m
a

o
:

L

o
:

1
9
/
1
1
/
0
8

-
|
|
-

1

R
e
v
i
s

o
:

A
n
a

-

C
o
r
r
e

o
:

L

o

0
3
/
1
2
/
0
8

-
|
|
-

As chances de se retirar uma mulher da sala so, portanto,
de 14 para 11.
7.1.1.2 Mtodo emprico ou frequencial
Quando tratamos de situaes em que os resultados
no so igualmente provveis, podemos tentar estimar
as probabilidades, obtendo alguns dados empricos. Uma
estimativa das probabilidades baseada justamente nesses dados
empricos, que sero obtidos por meio de experimentos aleatrios
ou atravs de dados histricos. importante ressaltar que neste
caso a probabilidade ser uma estimativa do verdadeiro valor.
Por exemplo, se tivermos um experimento em que lanamos
um dado 100 vezes. Se destas 100 vezes, obtivermos a face 4
em 40 vezes, num prximo lanamento do dado seria razovel
supor que a probabilidade estimada futura da face 4 como sendo
P 4
40
100
40 ( ) %
, se este experimento se der a condies
idnticas.
Da mesma maneira, quando testada uma vacina em um
grupo de 1000 pessoas, por exemplo, e a vacina apresenta
sucesso em 700 delas, se o teste repetido, devemos esperar
uma probabilidade estimada de sucesso futuro da vacina
P s ( )
700
1000
7
10
70%, sob condies idnticas para a
ocorrncia deste resultado. Sendo assim, podemos calcular a
estimativa da probabilidade de um evento futuro baseado no
mtodo emprico atravs da seguinte frmula:
P A
numero de ocorrencias de A
numero total de
( )
observaes

^
Se, por outro lado, ao invs de dispormos da possibilidade
de obter os dados amostrais atravs da realizao de um
experimento dispomos de dados histricos em uma distribuio
5
10
15
20
25
94
D
i
a
g
r
a
m
a

o
:

L

o
:

1
9
/
1
1
/
0
8

-
|
|
-

1

R
e
v
i
s

o
:

A
n
a

-

C
o
r
r
e

o
:

L

o

0
3
/
1
2
/
0
8

-
|
|
-

Unidade II
de frequncia, ou na forma de dados publicados, ou como
resultado de testes prvios, ou como informaes que foram
acumuladas em algum arquivo importante, podemos tambm
calcular a probabilidade estimada pelo mtodo frequencial. Mas
para isso preciso que partamos da premissa de que o passado
representativo do futuro.
Por exemplo, suponhamos que uma distribuidora de
chocolates acompanha suas vendas durante 90 dias. O objetivo
desta distribuidora seria projetar as vendas para o futuro a m
de planejar seus estoques. Deste acompanhamento resultou a
distribuio de frequncia abaixo:
Nmero de chocolates vendidos, em kg,
no perodo de 90 dias
Quilos vendidos Nmero de dias
20 10
30 20
40 20
50 30
60 10
Total 90
Neste caso, tambm podemos adotar o mtodo emprico,
procurando determinar qual o percentual de vezes em que
ocorreu tal evento. Por exemplo, o distribuidor de chocolates
vendeu 40 quilos do produto em 20 dias dos 90 dias totais de
nossa observao. Ento, neste caso, a estimativa de probabilidade
desta ocorrncia P 40
20
90
2
9
( ) . A probabilidade , portanto,
a partir do mtodo emprico, uma proporo da ocorrncia de
um evento ou a frequncia relativa do evento. Assim, para as
demais classes, as probabilidades sero dadas como segue na
tabela abaixo da distribuio de frequncias, seguindo agora a
seguinte frmula:
P (A): probabilidade de ocorrer o evento A;

A
: frequncia absoluta do evento A;

A
: total de observaes.
P A
A
A
( )

, onde
5
10
15
20
25
95
ESTATSTICA APLICADA
D
i
a
g
r
a
m
a

o
:

L

o
:

1
9
/
1
1
/
0
8

-
|
|
-

1

R
e
v
i
s

o
:

A
n
a

-

C
o
r
r
e

o
:

L

o

0
3
/
1
2
/
0
8

-
|
|
-

Nmero de chocolates vendidos, em Kg,
no perodo de 90 dias
Quilos vendidos
Nmero de dias
(
A
)
Probabilidade

A
0 10
1
9
30 20
2
9
40 20
2
9
50 30
1
3
50 10
1
9
Total 90
Algumas observaes so importantes de serem ressaltadas
quando utilizamos o mtodo emprico para calcular a
probabilidade.
I) Quando se calcula a probabilidade a partir do
mtodo emprico, obtemos apenas uma estimativa
do verdadeiro valor da probabilidade. No temos
dados sucientes para determinar o valor exato da
probabilidade.
II) O tamanho da amostra fundamental para determinar
a estimativa da probabilidade. Quanto maior o nmero
de observaes e, portanto, a amostra, melhor a
estimativa da probabilidade.
III) A probabilidade s vlida para um conjunto de
condies idnticas quelas geradoras dos dados
amostrais.
5
10
15
96
D
i
a
g
r
a
m
a

o
:

L

o
:

1
9
/
1
1
/
0
8

-
|
|
-

1

R
e
v
i
s

o
:

A
n
a

-

C
o
r
r
e

o
:

L

o

0
3
/
1
2
/
0
8

-
|
|
-

Unidade II
7.1.2 Mtodo subjetivo
Nos itens anteriores, propusemo-nos a calcular probabilidades
que se originavam de fatos, fosse atravs do mtodo clssico
ou do mtodo emprico. No entanto, ao longo do estudo da
estatstica, surgiram diversas situaes em que os eventos no
eram passveis de um estudo objetivo e muito menos eram
igualmente provveis. Neste caso, ento, faz-se necessrio
atribuir-se subjetivamente uma probabilidade. Por exemplo:
Voc encontrar o amor da sua vida amanh?
Quando os operrios do metr faro nova greve?
Uma mulher com cncer de mama se recuperar
completamente?
Nestes casos, mesmo que no seja possvel efetuar o
experimento, pode-se imaginar um grande nmero de situaes
idnticas e questionar-se qual ser o percentual dessas situaes
que produzir o evento desejado.
O mtodo subjetivo semelhante ao mtodo emprico,
a nica diferena que, em geral, os dados no podem ser
coletados. A probabilidade subjetiva serve como um esforo
no apenas para quanticar, mas para conrmar nossa crena a
respeito de algo.
Probabilidade subjetiva uma avaliao pessoal do
grau de viabilidade de um evento.
Existem, obviamente, algumas desvantagens importantes
que este mtodo apresenta:
I) as estimativas subjetivas so, em geral, difceis de
defender quando postas em dvida;
II) as estimativas subjetivas podem ser tendenciosas.
5
10
15
20
25
97
ESTATSTICA APLICADA
D
i
a
g
r
a
m
a

o
:

L

o
:

1
9
/
1
1
/
0
8

-
|
|
-

1

R
e
v
i
s

o
:

A
n
a

-

C
o
r
r
e

o
:

L

o

0
3
/
1
2
/
0
8

-
|
|
-

7.2 Principais teoremas de probabilidade
I) Digamos que temos um evento A qualquer, e um conjunto
que representa o conjunto vazio. Suponhamos ainda que A e
sejam disjuntos, ento temos:
A
P A B P A P
P A P A P A A
P

( ) ( ) + ( )
( ) ( ) + ( )
( )

Portanto 0
Sendo assim, temos que o primeiro teorema importante de
probabilidade o seguinte:
Se o conjunto vazio, ento
P ( ) 0
.
II) Sejam dois eventos A e A, em que A complemento de
A, e o espao amostral pode ser escrito da seguinte forma:
= A A. Alm disso, A e A so mutuamente exclusivos. Sendo
assim, temos:
A A mexclusivos
P A A P A P A
P P A P A P
P

( )
( ) +
( )
( ) ( ) +
( )
( )

.
1
1 AA P A
P A P A
( ) +
( )
( )
( ) 1
Se A complemento de A, ento
P A P A
( )
( ) 1
.
III) Se, por outro lado, temos o seguinte conjunto
B A A B
( )
, onde A e A B so mutuamente
exclusivos, ento:
P B P A P A B
P A B P B P A
P B P A
P B P A
( ) ( ) +
( )

( )
( ) ( )
( ) ( )
( ) ( )
0
5
10
15
20
25
98
D
i
a
g
r
a
m
a

o
:

L

o
:

1
9
/
1
1
/
0
8

-
|
|
-

1

R
e
v
i
s

o
:

A
n
a

-

C
o
r
r
e

o
:

L

o

0
3
/
1
2
/
0
8

-
|
|
-

Unidade II
IV) Teorema da soma: se A e B so dois eventos quaisquer,
ento:
P A B P A P B P A B ( ) ( ) + ( ) ( )
.
Quando h mais de um resultado possvel, ento:
P(evento A) =
n de elementos do evento A
n de resultados possveis
Vamos ver alguns exemplos:
Exemplo 1: qual a probabilidade de se extrair uma das
quatro damas de um baralho de 52 cartas?
P(dama) =
4
52
.
Exemplo 2: trs estudantes A, B e C esto em uma competio
de natao. A e B tm as mesmas chances de vencer e, cada
um, tem duas vezes mais chances de vencer do que C. Pede-se
calcular a probabilidade de A ou C vencer.
Soluo
Sejam p(A), p(B) e p(C) as probabilidades individuais de A, B,
C vencerem.
Pelos dados do enunciado, temos:
p(A) = p(B) = 2.p(C).
Seja
p(A) = k,
ento,
p(B) = k
e
p(C) = k/2.
Temos: p(A) + p(B) + p(C) = 1.
Verique, matematicamente, estas
propriedades utilizando a teoria dos
conjuntos!
5
10
15
20
99
ESTATSTICA APLICADA
D
i
a
g
r
a
m
a

o
:

L

o
:

1
9
/
1
1
/
0
8

-
|
|
-

1

R
e
v
i
s

o
:

A
n
a

-

C
o
r
r
e

o
:

L

o

0
3
/
1
2
/
0
8

-
|
|
-

Isso explicado pelo fato de que a probabilidade de A vencer
ou B vencer ou C vencer igual a 1 (evento certo).
Assim, substituindo, temos:
k + k + k/2 = 1 \ k = 2/5.
Portanto, p(A) = k = 2/5, p(B) = 2/5 e p(C) = 2/10 = 1/5.
A probabilidade de A ou C vencer ser a soma dessas
probabilidades, ou seja 2/5 + 1/5 = 3/5.
Exemplo 3: um dado viciado, de modo que cada nmero
par tem duas vezes mais chances de aparecer num lanamento
que qualquer nmero mpar. Determine a probabilidade de, num
lanamento, aparecer um nmero primo.
Soluo
Pelo enunciado, podemos escrever:
p(2) = p(4) = p(6) = 2.p(1) = 2.p(3) = 2.p(5).
Seja p(2) = k, poderemos escrever:
p(2) + p(4) + p(6) + p(1) + p(3) + p(5) = 1, ou seja: a soma das
probabilidades dos eventos elementares igual a 1.
Ento, substituindo, vem:
k + k + k + k/2 + k/2 + k/2 = 1 \ k = 2/9.
Assim, temos:
p(2) = p(4) = p(6) = 2/9
p(1) = p(3) = p(5) = 2/18 = 1/9.
5
10
15
20
100
D
i
a
g
r
a
m
a

o
:

L

o
:

1
9
/
1
1
/
0
8

-
|
|
-

1

R
e
v
i
s

o
:

A
n
a

-

C
o
r
r
e

o
:

L

o

0
3
/
1
2
/
0
8

-
|
|
-

Unidade II
O evento sair nmero primo corresponde a sair o 2, ou o 3,
ou o 5. Logo,
p(2) + p(3) + p(5) = 2/9 + 1/9 + 1/9 = 4/9.
Exemplo 4: possuo trs jarros idnticos e desejo
ornament-los com dezoito rosas, sendo dez vermelhas e oito
amarelas. Desejo que um dos jarros tenha sete rosas, e os outros
dois, no mnimo, cinco rosas. Cada um dever ter, pelo menos,
duas rosas vermelhas e uma amarela. Quantos arranjos orais
poderei fazer usando as dezoito rosas?
Soluo
Sejam os jarros J
1
, J
2
e J
3
.
Pelos dados do enunciado, temos:
a) um dos jarros dever ter sete rosas; seja J
1
este jarro.
Poderemos ter as seguintes combinaes, lembrando que existe
uma outra condio dada no enunciado, de que cada jarro tenha
no mnimo duas rosas vermelhas e uma amarela:
1) 5 A + 2 V (cinco rosas amarelas e duas vermelhas);
2) 4 A + 3 V (quatro rosas amarelas e trs vermelhas);
3) 3 A + 4 V (trs rosas amarelas e quatro vermelhas);
4) 2 A + 5 V (duas rosas amarelas e cinco vermelhas);
5) 1 A + 6 V (uma rosa amarela e seis vermelhas);
b) nos outros dois jarros, J
2
e J
3
, devero ser distribudas as 18
7 = 11 rosas restantes, obedecendo-se ao critrio de que em
cada jarro tenha no mnimo cinco rosas, sendo pelo menos duas
vermelhas e uma amarela.
5
10
15
20
25
101
ESTATSTICA APLICADA
D
i
a
g
r
a
m
a

o
:

L

o
:

1
9
/
1
1
/
0
8

-
|
|
-

1

R
e
v
i
s

o
:

A
n
a

-

C
o
r
r
e

o
:

L

o

0
3
/
1
2
/
0
8

-
|
|
-

Vamos supor seis rosas no jarro 2 e cinco rosas no jarro 3.
Temos ento que, partindo das cinco composies possveis
para o jarro J
1
(item (a) acima), dividir convenientemente
as rosas restantes, observando-se as regras dadas e as suas
quantidades.
Veja a tabela abaixo, em que V = rosa vermelha e A = rosa
amarela.
Situao
Jarro 1
7 rosas
Jarro 2
6 rosas
Jarro 3
5 rosas
Total
18 rosas
01 5A + 2V 1A + 5V 2A + 3V 18
02 5A + 2V 2A + 4V 1A + 4V 18
03 4A + 3V 1A + 5V 3A + 2V 18
04 4A + 3V 2A + 4V 2A + 3V 18
05 4A + 3V 3A + 3V 1A + 4V 18
06 3A + 4V 2A + 4V 3A + 2V 18
07 3A + 4V 3A + 3V 2A + 3V 18
08 3A + 4V 4A + 2V 1A + 4V 18
09 2A + 5V 4A + 2V 2A + 3V 18
10 2A + 5V 3A + 3V 3A + 2V 18
11 1A + 6V 4A + 2V 3A + 2V 18
Observe que, na tabela, em cada linha, as rosas vermelham
somam dez e as rosas amarelas somam oito, conforme
enunciado. Alm disso, xamos o jarro 3 como aquele que
receberia o nmero mnimo de rosas (cinco), restando as seis
rosas para serem distribudas convenientemente no jarro 2, j
que no jarro 1 deveriam car sete rosas, ou seja: 7 + 6 + 5 = 18,
que o nmero total de rosas. Vemos, na tabela acima, que
existem onze possibilidades de solucionar o problema dado.
A melhor maneira, entretanto, de esquematizar a soluo
deste interessante problema construir uma rvore de
possibilidades conforme indicado a seguir, tendo em mente
5
10
15
102
D
i
a
g
r
a
m
a

o
:

L

o
:

1
9
/
1
1
/
0
8

-
|
|
-

1

R
e
v
i
s

o
:

A
n
a

-

C
o
r
r
e

o
:

L

o

0
3
/
1
2
/
0
8

-
|
|
-

Unidade II
o cumprimento das condies impostas nos itens (a) e (b)
supra.
O
5A + 2V
4A + 3V
3A + 4V
2A + 5V
1A + 6V 4A + 2V
4A + 2V
2A + 4V
1A + 5V
1A + 5V
2A + 4V 1A + 4V
2A + 3V
2A + 4V
3A + 3V 1A + 4V
2A + 3V
3A + 2V
3A + 3V
4A + 2V 1A + 4V
2A + 3V
3A + 2V
3A + 3V 3A + 2V
2A + 3V
3A + 2V
1
2
3
4
5
6
7
8
9
10
11
Ou seja, so possveis onze arranjos orais, obedecendo s
condies dadas no enunciado do problema.
8 REVISO
Este mdulo registra os conceitos mais utilizados em
uma anlise estatstica de dados, para qualquer tipo de
rea de atuao; portanto, , como um todo, essencial na
vericao dos conceitos abordados por este curso.
A partir do sculo XX, os mtodos estatsticos foram
desenvolvidos como uma mistura de cincia, tecnologia
e lgica para a soluo e investigao de problemas em
vrias reas do conhecimento humano. Ela foi reconhecida
como um campo da cincia neste perodo, mas sua histria
tem incio bem anterior a 1900. A estatstica moderna
uma tecnologia quantitativa para a cincia experimental e
observacional que permite avaliar e estudar as incertezas e os
seus efeitos no planejamento e interpretao de experincias
e de observaes de fenmenos da natureza e da sociedade.
5
103
ESTATSTICA APLICADA
D
i
a
g
r
a
m
a

o
:

L

o
:

1
9
/
1
1
/
0
8

-
|
|
-

1

R
e
v
i
s

o
:

A
n
a

-

C
o
r
r
e

o
:

L

o

0
3
/
1
2
/
0
8

-
|
|
-

A estatstica no apenas um ramo da matemtica
em que se investigam os processos de obteno,
organizao e anlise de dados sobre uma determinada
populao. A estatstica tambm no se limita a um
conjunto de elementos numricos relativos a um fato
social, nem a nmeros, tabelas e grcos usados para o
resumo, a organizao e apresentao dos dados de uma
pesquisa, embora este seja um aspecto da estatstica
que pode ser facilmente percebido no cotidiano.
Ela uma cincia multidisciplinar, que permite
a anlise estatstica de dados em qualquer rea de
interesse: fsica, economia, agronomia, qumica, geologia,
matemtica, biologia, sociologia, psicologia, cincias
polticas, administrao, etc.
Como denio atual: estatstica uma cincia que estuda
e pesquisa sobre o levantamento de dados com a mxima
quantidade de informao possvel para um dado custo; sobre
o processamento de dados para a quanticao da quantidade
de incerteza existente na resposta para um determinado
problema; sobre a tomada de decises em condies de
incerteza, sob o menor risco possvel.
De fato, tem sido utilizada na pesquisa cientca para
a otimizao de recursos econmicos, para o aumento da
qualidade e produtividade, na otimizao em anlise de
decises, em questes judiciais, previses e em muitas outras
reas.
Faam um timo uso desta poderosa ferramenta cientca!
Reviso - mdulo 1 - Introduo estatstica
A estatstica uma tcnica que engloba os mtodos
cientcos para a coleta, organizao, apresentao,
tratamento e anlise de dados.
104
D
i
a
g
r
a
m
a

o
:

L

o
:

1
9
/
1
1
/
0
8

-
|
|
-

1

R
e
v
i
s

o
:

A
n
a

-

C
o
r
r
e

o
:

L

o

0
3
/
1
2
/
0
8

-
|
|
-

Unidade II
O objetivo da estatstica fazer com que dados dispersos
se transformem em informao organizada e til.
Universo o conjunto de possveis elementos a serem
observados e de onde obteremos os dados.
Populao seria um subconjunto do universo, na medida
em que se constitui de um grupo de objetos ou indivduos
com caractersticas comuns.
A amostra uma parte representativa da populao que
ser examinada quando for impossvel ou impraticvel
observar todo o grupo representado pela populao.
Uma fonte estatstica direta quando o dado obtido
de uma fonte primria, ou seja, toma-se a informao
diretamente na fonte e produzem-se as informaes a
partir disso.
Fonte indireta quando o dado obtido atravs de uma
fonte secundria.
Estatstica descritiva a parte da estatstica que procura
organizar, resumir e simplicar informaes complexas, a
m de torn-las de mais fcil entendimento, exposio e
discusso.
Se no h a possibilidade da descrio de fatos pela
existncia de circunstncias ou experimentos que envolvam
o acaso, usa-se a probabilidade.
A inferncia estatstica prope-se a analisar e a interpretar
dados que so obtidos atravs de uma amostra.
Dados brutos - dados que ainda no foram numericamente
organizados e processados.
Varivel contnua: a varivel que pode assumir qualquer
valor num intervalo contnuo.
5
10
15
20
25
105
ESTATSTICA APLICADA
D
i
a
g
r
a
m
a

o
:

L

o
:

1
9
/
1
1
/
0
8

-
|
|
-

1

R
e
v
i
s

o
:

A
n
a

-

C
o
r
r
e

o
:

L

o

0
3
/
1
2
/
0
8

-
|
|
-

Varivel discreta: origina-se da contagem de itens e s
pode assumir valores inteiros.
Variveis nominais: so aquelas que existem com o objetivo
de denir categorias.
Variveis por posto: quando existe o desejo de dispor os
elementos observados segundo uma ordem de preferncia
ou desempenho.
Rol: quando organizamos os dados brutos em ordem
crescente ou decrescente de grandeza.
Distribuio de frequncia: organizar os dados brutos em
classes, a m de identicar o nmero de itens pertencentes
a cada classe, denominado frequncia de classe.
Se uma determinada varivel y tiver os valores 3, 5, 7, 9 e
11, o y ser: y = 3+5+7+9+11.

x x x
i
i
n


1
= somar as n observaes de x
i

comeando com a primeira.

c x c x . .

= valor da varivel x multiplicado ou
dividido por uma constante.

c nc
i
i i
n

= o somatrio de uma constante c ser igual

ao produto da constante pelo nmero de vezes que ela se
repete.

( )
( )
x y x y
x y x y
i i i i
i
n
i
n
i
n
i i i i
i
n
i
n
i
n
+ +





1 1 1
1 1 1
= a soma ou a diferena de duas
variveis ser igual soma ou diferena dos somatrios
individuais das duas variveis.
5
10
15
20
25
106
D
i
a
g
r
a
m
a

o
:

L

o
:

1
9
/
1
1
/
0
8

-
|
|
-

1

R
e
v
i
s

o
:

A
n
a

-

C
o
r
r
e

o
:

L

o

0
3
/
1
2
/
0
8

-
|
|
-

Unidade II

( ) ( ... ) x x x x x
i
i
n
n

+ + + +
1
2
1 2 3
2
= soma dos valores de
x
i
elevado ao quadrado.
Reviso - mdulo 2 - Medidas de tendncia
central: mdia, moda e mediana para dados
simples
As medidas de tendncia central denotam um valor no centro
ou no meio de um conjunto de dados. Essas medidas servem para
dar uma ideia acerca dos valores mdios da varivel em estudo.
So utilizadas para sintetizar em um nico nmero o conjunto
de dados observados. Enquanto as tabelas de frequncia e
grcos revelam a natureza ou a forma da distribuio de um
conjunto de dados, as medidas de tendncia central focalizam
a determinao de valores tpicos ou representativos de um
conjunto de dados. H diferentes maneiras de denir o centro e,
assim, h diferentes denies de medidas de tendncia central,
como a mdia, a mediana, a moda e o ponto mdio.
A mdia
A mdia aritmtica , de modo geral, a mais importante de
todas as mensuraes numricas descritivas. Na gura abaixo,
ilustramos a propriedade da mdia como centro do conjunto
de dados, no sentido de que um ponto de equilbrio dos
mesmos. Existem vrios tipos de mdia (aritmtica, ponderada,
geomtrica, harmnica, etc.).
Mdia
5
10
15
20
107
ESTATSTICA APLICADA
D
i
a
g
r
a
m
a

o
:

L

o
:

1
9
/
1
1
/
0
8

-
|
|
-

1

R
e
v
i
s

o
:

A
n
a

-

C
o
r
r
e

o
:

L

o

0
3
/
1
2
/
0
8

-
|
|
-

Denio: a mdia aritmtica de um conjunto de valores
o valor obtido somando-se todos eles e dividindo-se o total pelo
nmero de valores. Essa denio pode expressar-se atravs da
frmula 1 abaixo, em que x representa a soma de todos os
valores e n denota o tamanho da amostra, que o nmero de
valores em questo.
Frmula 1: Mdia = x
n
A mdia pode denotar-se por x se o conjunto de valores
de que dispomos uma amostra extrada de uma populao
maior. Se todos os valores da populao foram considerados,
denotamos por a mdia calculada. As estatsticas amostrais
so, em geral, representadas por letras do alfabeto latino,
como x, ao passo que os parmetros populacionais costumam
representar-se por letras gregas, como . A mdia pode ser
interpretada como o centro de gravidade, isto , o ponto de
equilbrio das discrepncias positivas e negativas.
Notao:
=> denota somatrio de um conjunto de valores;
x => a varivel usada para representar valores individuais
dos dados;
n => representa o nmero de valores em uma amostra;
N => representa o nmero de valores em uma populao.
Mdia aritmtica simples: mdia

x
n
i
i
n
1
;
Mdia aritmtica para a populao:

Xi
N
i i
N
, onde
=>Mdia aritmtica da populao (parmetro)
N =>Total de observaes da populao (total da
populao)
X
i
=> Cada varivel populacional
5
10
15
20
108
D
i
a
g
r
a
m
a

o
:

L

o
:

1
9
/
1
1
/
0
8

-
|
|
-

1

R
e
v
i
s

o
:

A
n
a

-

C
o
r
r
e

o
:

L

o

0
3
/
1
2
/
0
8

-
|
|
-

Unidade II
Mdia aritmtica para a amostra:
x
x
n
i
i
n

1
, onde
x =>Mdia aritmtica da amostra (estimativa)
n =>Nmero de dados da amostra
x
i
=> Cada varivel da amostra
A soma de uma constante mdia:

x
c x
n
x
x
n
nc
n
x x c
i
i
n
i
i
n
2
1
2
1
2 1

+
+ +


( )
;
Soma algbrica dos desvios em torno da mdia:
x x
i

0
.
Mdia aritmtica ponderada:
x
wx
w
p
i i
i
n
i
i
n

1
1
.
Posio da mediana: posmed posmed
n

+ ( ) 1
2
.
Mediana: o elemento que ocupa a posio central num
determinado conjunto de dados ordenados.
No clculo da mdia, todos os valores da amostra so
levados em conta, ao passo que no caso da mediana, isto
no ocorre. Por esta razo, valores muito grandes ou muito
pequenos, comparados aos demais valores da amostra,
causam grandes variaes na mdia, o que, em geral, no
ocorre com a mediana. Por isso, dizemos que a mediana
uma medida robusta, isto , resistente a valores atpicos.
A mediana de um conjunto de nmeros, organizados em
ordem de grandeza (isto , em um rol), o valor central ou
a mdia aritmtica dos dois valores centrais.
5
10
15
109
ESTATSTICA APLICADA
D
i
a
g
r
a
m
a

o
:

L

o
:

1
9
/
1
1
/
0
8

-
|
|
-

1

R
e
v
i
s

o
:

A
n
a

-

C
o
r
r
e

o
:

L

o

0
3
/
1
2
/
0
8

-
|
|
-

Moda: o valor ou valores que mais se repetem em um
conjunto de dados. A moda de um conjunto de dados
o valor que ocorre com maior frequncia, ou seja, o
valor mais comum. Quando dois valores ocorrem com a
mesma frequncia mxima, cada um deles uma moda, e
o conjunto se diz bimodal. Se mais de dois valores ocorrem
com a mesma frequncia mxima, cada um deles uma
moda, e o conjunto multimodal. A moda pode no existir
e, mesmo que exista, pode no ser nica. Quando nenhum
valor repetido, o conjunto no tem moda. Costuma-se
denotar a moda por Mo.
Reviso - mdulo 3 Medidas de disperso
para dados simples
Amplitude total: Amplitude
total
= Valor
mximo
~Valor
mnimo
Desvio mdio absoluto: D
mdio
=
x x
n
i
i
n

1
.
Varincia populacional:

2
2

( ) x
N
i
.
Varincia amostral: s
x x
n
i 2
2
1

( )
.
Se somar ou subtrair uma constante a cada elemento de
um conjunto de dados, o valor da varincia no se altera.
Ao multiplicarmos uma constante pela varincia, a nova
varincia ser:
2
2 2
1
2
c . .
Ao dividirmos a varincia por uma constante, a nova
varincia ser:

2
2 1
2
2

c
.
A varincia de uma constante igual a zero.
5
10
15
20
110
D
i
a
g
r
a
m
a

o
:

L

o
:

1
9
/
1
1
/
0
8

-
|
|
-

1

R
e
v
i
s

o
:

A
n
a

-

C
o
r
r
e

o
:

L

o

0
3
/
1
2
/
0
8

-
|
|
-

Unidade II
Desvio padro populacional:

( ) x
N
i
2
.
Desvio padro amostral: s
x x
n
i

( )
2
1
.
Reviso - mdulo 4 Distribuio de
frequncias
A distribuio de frequncias o modo de tratamento de
dados utilizado quando grande a quantidade de dados
brutos, e passamos a agrupar os dados estatsticos em
subconjuntos com caractersticas semelhantes as classes
ou categorias.
Amplitude total: A
total
= V
mximo
- V
mnimo
A teoria estatstica tem se desenvolvido ao longo dos anos
e chegou ao consenso de que aconselhvel estabelecer o
nmero de classes entre um mnimo de cinco e um mximo
de vinte.
Para determinar o nmero de classes: Nmero
classes
=
n
.
Para determinar a amplitude de classes:
Amplitude
Amplitude
Numero
classes
total
classes

.
O intervalo de classes composto por um limite inferior
(nmero menor) e por um limite superior (nmero maior).
Aps o clculo do nmero de classes e da amplitude de
classes, devemos denir os limites inferior e superior de
cada classe.
Frequncia absoluta simples (
i
): nmero de observaes
existentes em um dado intervalo.
5
10
15
20
111
ESTATSTICA APLICADA
D
i
a
g
r
a
m
a

o
:

L

o
:

1
9
/
1
1
/
0
8

-
|
|
-

1

R
e
v
i
s

o
:

A
n
a

-

C
o
r
r
e

o
:

L

o

0
3
/
1
2
/
0
8

-
|
|
-

Frequncias absolutas simples acumuladas (
i
, A): indicam
o nmero de observaes acumuladas at o limite superior
de uma classe.
Frequncia relativa simples: mostra a participao
relativa do nmero de observaes em uma dada classe:

i
i
i
R ,

.
A soma das frequncias relativas de todas as classes ser
igual a 1.
Reviso - mdulo 5 As medidas de posio e
variabilidade numa distribuio de frequncias
As observaes em dada distribuio de frequncia sero
representadas pelo ponto mdio de cada classe:
P X
Limite Limite
medio i
erior erior

+
inf sup
2
.
No clculo da mdia aritmtica, usa-se uma frmula que
deriva da frmula de clculo da mdia ponderada para
determinar a mdia de uma distribuio de frequncia:
x
X
n
i i

.
A mediana o elemento que ocupa a posio central num
determinado conjunto de dados ordenados.
Posio da mediana:
n
2
.
Mediana: x
n
h
F
MD
MD
~
( ).
+

MD
: limite inferior da classe da mediana;
n: tamanho da amostra;
: soma das frequncias anteriores a da mediana;
h : amplitude da classe da mediana;
F
MD
: frequncia da classe da mediana.
5
10
15
112
D
i
a
g
r
a
m
a

o
:

L

o
:

1
9
/
1
1
/
0
8

-
|
|
-

1

R
e
v
i
s

o
:

A
n
a

-

C
o
r
r
e

o
:

L

o

0
3
/
1
2
/
0
8

-
|
|
-

Unidade II
Moda: M L
D
D D
h
od
+
+
1
1
1 2
( ).
M
od
: valor da moda;
L
1
: limite inferior da classe modal;
D
1
: diferena entre a frequncia da classe modal e
a frequncia da classe anterior;
D
2
:diferena entre a frequncia da classe modal e
a frequncia da classe posterior;
h: amplitude de classe.
Desvio Mdio: D
mdio
=
X x
n
i i

.

D
mdio
: desvio mdio absoluto;
X
i
: ponto mdio de cada classe;
x: mdia da distribuio de frequncia;

i
: frequncia absoluta;
n: total de observaes.
Varincia populacional:

2
2

( ) X
N
i i

2
: varincia populacional;
X
i
: ponto mdio de cada classe;
: mdia populacional;

i
: frequncia absoluta simples;
N: tamanho da populao.
Varincia amostral:
s
X x
n
i i 2
2
1

( )

s2: varincia amostral;
X
i
: ponto mdio de cada classe;
x: mdia aritmtica amostral;

i
: frequncia absoluta simples;
n: total de observaes da amostra.
Desvio padro populacional:

2
.
Desvio padro amostral: s s
2
.
Reviso - mdulo 6 Introduo
probabilidade
Fatos que apresentam resultados de difcil previsibilidade,
dados que variam de uma observao para outra, mesmo
5
113
ESTATSTICA APLICADA
D
i
a
g
r
a
m
a

o
:

L

o
:

1
9
/
1
1
/
0
8

-
|
|
-

1

R
e
v
i
s

o
:

A
n
a

-

C
o
r
r
e

o
:

L

o

0
3
/
1
2
/
0
8

-
|
|
-

em condies normais de experimentao, devem ser
analisados atravs da probabilidade.
As probabilidades surgem para denir quais as chances de
ocorrerem certos eventos determinados.
A probabilidade de ocorrer determinado evento ser sempre
um nmero entre 0 e 1: 0 < P(A) < 1.
Quanto mais prxima de 1, maior a probabilidade de
ocorrer este evento; quanto mais prxima de zero, menor
a chance de o evento acontecer.
Nmero de subconjuntos de um conjunto: N
subconjuntos
=2
n
,
onde n = nmero de elementos do conjunto.
Experimento: experincia que poder ser repetida sob as
mesmas condies indenidamente.
Espao amostral: todos os possveis resultados de um
experimento.
Evento: subconjunto do espao amostral.
Conjuntos disjuntos: dois ou mais conjuntos que no
possuam elementos em comum.
Conjuntos no-disjuntos: dois ou mais conjuntos
apresentam elementos em comum.
Eventos complementares: quando completam um
determinado espao amostral.
Eventos mutuamente excludentes: dois ou mais eventos
que no possuam elementos comuns, ou no podem
ocorrer simultaneamente.
Eventos no mutuamente excludentes: quando dois
eventos apresentam elementos em comum ou podem
ocorrer simultaneamente.
5
10
15
20
25
114
D
i
a
g
r
a
m
a

o
:

L

o
:

1
9
/
1
1
/
0
8

-
|
|
-

1

R
e
v
i
s

o
:

A
n
a

-

C
o
r
r
e

o
:

L

o

0
3
/
1
2
/
0
8

-
|
|
-

Unidade II
Eventos coletivamente exaustivos: quando os eventos
em questo ocuparem todo o espao amostral, tornando
impossvel qualquer outro resultado alm daqueles eventos
dados.
Reviso - mdulo 7 Probabilidade: origem,
mtodos e principais teoremas
A probabilidade uma tcnica estatstica utilizada para
expressar a chance de ocorrncia de um determinado
evento.
A forma clssica de calcular a probabilidade atravs da
relao entre o nmero de casos favorveis e o nmero de
casos possveis.
Existem trs maneiras diferentes de se calcular ou estimar
as probabilidades. So eles: os mtodos clssico, emprico
e subjetivo.
Mtodo clssico: temos eventos igualmente provveis:
P
numero de resultados possiveis
evento

1

.
Mtodo clssico para experimentos que envolvam dois ou
mais resultados associados: P
resultados favoraveis
resultados possiveis

.
Chance: Chance
numero de resultados favoraveis
numero de resultados desfa

vvoraveis

.
Utilizamos o mtodo emprico ou frequencial
para estimar a probabilidade em situaes em
que os resultados no so igualmente provveis:
P A
numero de ocorrencias de A
numero total de
( )

ocorrncias
^
ou P A
A
A
( )

.
5
10
15
20
115
ESTATSTICA APLICADA
D
i
a
g
r
a
m
a

o
:

L

o
:

1
9
/
1
1
/
0
8

-
|
|
-

1

R
e
v
i
s

o
:

A
n
a

-

C
o
r
r
e

o
:

L

o

0
3
/
1
2
/
0
8

-
|
|
-

Mtodo subjetivo: utilizado em situaes em que os
eventos no eram nem passveis de um estudo objetivo
nem provveis.
O mtodo subjetivo semelhante ao mtodo emprico, a
nica diferena que, em geral, os dados no podem ser
coletados.
Se o conjunto vazio, ento P()=0.
Se A complemento de A, ento P(A)= 1 - P(A).
Se, por outro lado, tenho o seguinte conjunto B = A(AB),
onde A e AB so mutuamente exclusivos, P(B) P(A).
P(AB) = P(A) + P(B) - P(AB).
5
10
116
D
i
a
g
r
a
m
a

o
:

L

o
:

1
9
/
1
1
/
0
8

-
|
|
-

1

R
e
v
i
s

o
:

A
n
a

-

C
o
r
r
e

o
:

L

o

0
3
/
1
2
/
0
8

-
|
|
-

Unidade II