Estatística Aplicada à Veterinária

Universidade Estadual de Londrina
Centro de Cincias Exatas

Departamento de Estatstica
Estatstica Aplicada
Veterinria
Prof. Silvano Cesar da Costa
L O N D R I N A
Estado do Paran - Brasil
Sumrio
Pgina
Lista de Tabelas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Lista de Figuras
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1 Introduo
Aplicaes da Estatstica
1.2
Planejamento de uma pesquisa
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Vantagens da amostragem sobre o censo . . . . . . . . . . . . . . . . . . . .
Amostragem
2.1
Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2
Tcnicas de Amostragem
2.3
1.1
1.2.1
vi
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10
2.2.1
Amostragem simples ao acaso ou amostragem aleatria simples . . . . . . . .
10
2.2.2
Amostragem sistemtica
. . . . . . . . . . . . . . . . . . . . . . . . . . . .
12
2.2.3
Amostragem estraticada . . . . . . . . . . . . . . . . . . . . . . . . . . . .
13
Etapas de uma pesquisa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
16
3 Conceitos elementares
20
3.1
Diviso da estatstica
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
20
3.2
Tipos de variveis
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
21
3.3
Dimensionamento da amostra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
23
3.3.1
Determinao do tamanho amostral para variveis qualitativas
. . . . . . . .
24
3.3.2
Determinao do tamanho amostral para variveis quantitativas
. . . . . . .
25
4 Estatstica Descritiva
4.1
4.2
4.3
30
Organizao e apresentao de dados . . . . . . . . . . . . . . . . . . . . . . . . . .
30
4.1.1
Elementos essenciais de uma tabela . . . . . . . . . . . . . . . . . . . . . . .
30
4.1.2
Elementos complementares de uma tabela
. . . . . . . . . . . . . . . . . . .
32
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
33
4.2.1
Construo de uma distribuio de frequncia de variveis discretas . . . . . .
33
4.2.2
Construo de uma distribuio de frequncia para variveis contnuas
. . . .
35
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
40
Distribuio de frequncias
Tabelas de dupla entrada
5 Grcos
5.1
5.2
5.3
42
Apresentao grca de variveis qualitativas . . . . . . . . . . . . . . . . . . . . . .
43
5.1.1
Grco em colunas
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
43
5.1.2
Grco em barras
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
46
5.1.3
Grco em colunas justapostas . . . . . . . . . . . . . . . . . . . . . . . . .
47
5.1.4
Grco em colunas compostas
. . . . . . . . . . . . . . . . . . . . . . . . .
48
5.1.5
Grco em setores circulares
. . . . . . . . . . . . . . . . . . . . . . . . . .
50
5.1.6
Grco em setores retangulares . . . . . . . . . . . . . . . . . . . . . . . . .
52
Apresentao grca de variveis discretas . . . . . . . . . . . . . . . . . . . . . . .
53
5.2.1
Grco em basto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
53
Apresentao grca de variveis contnuas . . . . . . . . . . . . . . . . . . . . . . .
54
5.3.1
Histograma
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
54
5.3.2
Polgono de frequncias . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
55
5.3.3
Grco de ramo-e-folhas
. . . . . . . . . . . . . . . . . . . . . . . . . . . .
56
Construo de um grco ramo-e-folhas . . . . . . . . . . . . . . .
56
5.3.3.1
5.4
5.3.4
Grco de Caixas (ou Box Plot )
. . . . . . . . . . . . . . . . . . . . . . . .
57
5.3.5
Grco de disperso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
58
5.3.6
Grco de Setores Proporcionais
. . . . . . . . . . . . . . . . . . . . . . . .
59
5.3.7
Grco de Linhas
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
61
Iluso dos Grcos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
62
6 Medidas de Posio
64
6.1
Mdia Aritmtica Simples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
64
6.2
Mdia Aritmtica Ponderada
65
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.3
Mdia Geomtrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
67
6.4
Mediana
70
6.5
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.4.1
Determinao da mediana de valores no tabulados
. . . . . . . . . . . . . .
70
6.4.2
Mediana de dados agrupados em classes
. . . . . . . . . . . . . . . . . . . .
72
Moda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
72
6.5.1
. . . . . . . . . . . . . . . . . . . .
73
. . . . . . . . . . . . . . . . . . . . . .
77
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
77
6.7.1
Separatrizes de dados no agrupados . . . . . . . . . . . . . . . . . . . . . .
77
6.7.2
Separatrizes de dados agrupados
. . . . . . . . . . . . . . . . . . . . . . . .
79
6.7.3
Grco de caixa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
82
Moda para dados agrupados em classes
6.6
Utilizao das medidas de tendncia central
6.7
Medidas Separatrizes
6.8
Assimetria e Curtose
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
84
6.8.1
Assimetria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
84
6.8.2
Curtose
86
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7 Medidas de disperso ou variabilidade
92
7.1
Amplitude Total . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
92
7.2
Desvio Absoluto Mdio
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
93
7.3
Varincia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
95
7.3.1
Varincia de Dados Brutos Populacionais . . . . . . . . . . . . . . . . . . . .
95
7.3.2
Varincia de Dados Brutos Amostrais . . . . . . . . . . . . . . . . . . . . . .
95
7.3.3
Varincia de Dados Agrupados
. . . . . . . . . . . . . . . . . . . . . . . . .
97
7.3.4
Propriedades da varincia . . . . . . . . . . . . . . . . . . . . . . . . . . . .
98
7.4
Desvio Padro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
100
7.5
Coeciente de Variao
100
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
8 Anlise Combinatria
107
8.1
Fatoriais
8.2
Princpio Fundamental da Contagem
. . . . . . . . . . . . . . . . . . . . . . . . . .
108
8.3
Permutaes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
110
8.3.1
. . . . . . . . . . . . . . . . . . . . . . . . . .
111
Arranjos e Combinaes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
114
8.4.1
114
8.4
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Quantidade de Permutaes
Combinaes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
107
8.4.2
Arranjos
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
115
8.5
Quantidade de Arranjos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
117
8.6
Quantidade de Combinaes
118
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
9 Noes sobre a teoria das probabilidades

9.1
9.2
Conceitos Bsicos em Probabilidade
. . . . . . . . . . . . . . . . . . . . . . . . . .
121
9.1.1
Experimento Aleatrio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
121
9.1.2
Espao Amostral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
122
9.1.3
Evento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
122
Conceito de Probabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
123
9.2.1
. . . . . . . . . . . . . . . . . . . . . . . . . .
123
. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
126
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
126
Operaes com Eventos . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
126
9.4.1.1
Unio de Eventos: . . . . . . . . . . . . . . . . . . . . . . . . . . .
126
9.4.1.2
Interseo de Eventos:
. . . . . . . . . . . . . . . . . . . . . . . .
127
9.4.1.3
Sub-Conjuntos:
. . . . . . . . . . . . . . . . . . . . . . . . . . . .
127
9.4.1.4
Eventos Disjuntos:
. . . . . . . . . . . . . . . . . . . . . . . . . .
127
9.4.1.5
Complemento: . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
128
Conceito Clssico ou a priori
9.3
Propriedades da Probabilidade
9.4
Diagramas de Venn
9.4.1
9.4.2
9.5
121
Regras de Clculo de Probabilidades
. . . . . . . . . . . . . . . . . . . . . .
128
Probabilidade Condicional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
131
9.5.1
Probabilidade Condicional no Diagrama de Venn . . . . . . . . . . . . . . . .
132
9.5.2
Aplicao da Probabilidade Condicional
. . . . . . . . . . . . . . . . . . . .
133
9.5.3
Valor das Predies
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
136
9.5.4
Probabilidade da Interseco de Dois Eventos
9.5.5
. . . . . . . . . . . . . . . . .
137
Amostragem Sem Reposio
. . . . . . . . . . . . . . . . . . . . . . . . . .
138
9.5.6
Amostragem com Reposio
. . . . . . . . . . . . . . . . . . . . . . . . . .
139
9.5.7
Teorema de Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
141
10 Variveis aleatrias discretas

10.1 Conceitos Iniciais
146
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10.2 Varivel Aleatria Discreta
146
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
148
10.2.1 Distribuio de uma Varivel Aleatria . . . . . . . . . . . . . . . . . . . . .
148
10.2.2 Funo de Probabilidade
. . . . . . . . . . . . . . . . . . . . . . . . . . . .
149
10.2.3 Valor mdio ou Esperana Matemtica de Y . . . . . . . . . . . . . . . . . .
150
10.2.4 Varincia de Y . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
151
10.2.5 Distribuio acumulada de uma varivel aleatria
. . . . . . . . . . . . . . .
152
. . . . . . . . . . . . . . . . . . . . . . .
154
. . . . . . . . . . . . . . . . . . . . . . . . . . . .
154
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
156
10.3 Principais Distribuies de Probabilidades

10.3.1 Distribuio de Bernoulli
10.3.2 Distribuio Binomial
10.3.3 Distribuio de Poisson
. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
160
10.3.4 Aproximao da Distribuio Binomial pela Distribuio de Poisson . . . . . .
164
10.3.5 Distribuio Geomtrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
165
11 Variveis aleatrias contnuas
172
11.1 Distribuio Normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
175
11.1.1 Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
175
11.1.2 Propriedades da Distribuio Normal . . . . . . . . . . . . . . . . . . . . . .
176
11.2 Distribuio Normal Padro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
178
11.3 Uso da Tabela da Distribuio Normal Padro . . . . . . . . . . . . . . . . . . . . .
180
12 Introduo inferncia estatstica
191
12.1 Distribuio Amostral da Mdia . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
192
12.2
198
Distribuio Amostral da Proporo
. . . . . . . . . . . . . . . . . . . . . . . . . .
Lista de Tabelas
Pgina
mg/100 ml.
Tabela 1.1 -
cido arcrbico, em
. . . . . . . . . . . . . . . . . . . . . . . .
Tabela 2.1 -
Dados sobre tilpias do Nilo, coletados por alunos do curso de Medicina Veterinria da Universidade Estadual de Londrina, no ano de 2005.
Tabela 2.2 -
Diagnsticos de radiograas de trax
Tabela 3.1 -
Dados dos alunos do
1o
. . . . . . . .
11
. . . . . . . . . . . . . . . . . . . . . .
16
ano do curso de Medicina Veterinria, da Universidade
Estadual de Londrina, do ano de 2005.

Tabela 3.2 -
. . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Tabela 3.3 -
Tamanho amostral e erro de preciso.
Tabela 4.1 -
Animais atendidos no Hospital Veterinrio (HV) da Universidade Estadual de

Londrina (UEL), no ano de 2005.
. . . . . . . . . . . . . . . . . . . . .
28
31
32
Nmero de lhotes de cadelas submetidas a inseminao articial no Hospital

. . . . . . . . . . . . . . . . . . . . . . . . . .
34
Frequncias dos intervalos entre cios observados em um rebanho leiteiro da raa

Holands, segundo a classicao de Gaines (1994).
Tabela 4.5 -
27
Espcies de animais atendidos no Hospital Veterinrio da Universidade Estadual
Veterinrio da UEL em 2005.

Tabela 4.4 -
. . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . .
de Londrina. Londrina - Paran, 2002.

Tabela 4.3 -
21
Dados parciais coletados no Hospital Veterinria da Universidade Estadual de

Londrina, ano 2013.
Tabela 4.2 -
Distribuio de frequncia dos pesos
(kg)
. . . . . . . . . . . . . .
36
de 30 ces das raas Fila Brasileiro e
Pastor Alemo, coletados no Hospital Veterinrio da UEL, em 2003.
. . . . .
38
Tabela 4.6 -
Acasalamentos fecundos e infecundos por raa.
Tabela 4.7 -
Nmero de cabeas da produo pecuria dos estados do Sul do Brasil em 2012. 41
Tabela 5.1 -
Nmero de atendimentos no Hospital Veterinrio, da Universidade Estadual de

Londrina, no primeiro semestre de 2003.
Tabela 6.1 -
Distribuio de frequncia dos pesos
(kg)
. . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
de
30
40
62
ces das raas Fila Brasileiro e
Pastor Alemo, coletados no Hospital Veterinrio da Universidade Estadual de

Londrina, em 2003.
Tabela 6.2 -
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Efeito da temperatura de armazenamento e tempo aps a ordenha sobre o

crescimento bacteriano.
Tabela 6.3 -
67
. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
68
Tempo (em semanas) de sobrevida de ratos com cncer induzido experimentalmente.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Tabela 6.4 -
Peso mdio (kg) das leitegadas da raa Landrace, ao nascer.
Tabela 6.5 -
Suicdios ocorridos no Brasil em 1986, segundo a causa atribuda.
Tabela 6.6 -
Peso mdio em ratos por idade.
Tabela 7.1 -
Pesos de cinco coelhos de quatro raas distintas.
Tabela 7.2 -
Desvios e desvios absolutos para pesos dos animais da raa Alaska.
. . . . . .
94
Tabela 7.3 -
Desvios e quadrado dos desvios para pesos dos animais da raa Alaska . . . . .
96
Tabela 7.4 -
Pesos das carcaas de bovinos.
98
Tabela 7.5 -
Teor de gordura (g/24
Tabela 7.6 -
Pesos dos frangos de uma granja.
Tabela 7.7 -
Distribuio de frequncia da dosagem de cido rico.
Tabela 7.8 -
Nmero de acidentes na rodovia X.
Tabela 9.1 -
Distribuio dos animais quanto ao Porte e Sexo.
Tabela 9.2 -
Esquema padro de sntese dos dados para vericao da qualidade de um teste

clnico.
Tabela 9.3 -
Tabela 9.4 -
horas)
. . . . . . . . .
73
80
. . . . . . .
89
. . . . . . . . . . . . . . . . . . . . . . . . .
90
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . .
em 43 crianas.
92
. . . . . . . . . . . . . . . . .
103
. . . . . . . . . . . . . . . . . . . . . . . .
104
. . . . . . . . . . . . .
104
. . . . . . . . . . . . . . . . . . . . . . .
105
. . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
132
134
Resultados da tomograa computadorizada em 67 pacientes com metstase e

83 sem metstase do carcinoma heptico. . . . . . . . . . . . . . . . . . . . .
135
Probabilidades necessrias para o clculo dos ndices VPP e VPN. . . . . . . .
136
Tabela 10.1 - Distribuio da varivel aleatria
Y.
Tabela 10.2 - Distribuio da varivel aleatria
. . . . . . . . . . . . . . . . . . . . . .
de Bernoulli.
. . . . . . . . . . . . . . . .
148
155
Tabela 10.3 - Nmero de consultas realizadas pelos liados ao plano de sade.
Tabela 12.1 - Distribuio das Mdias
. . . . . . .
163
. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
194
Lista de Figuras
Pgina
Figura 5.1 -
Raas caninas atendidas no Hospital Veterinrio da Universidade Estadual de

Londrina em 2003.
Figura 5.2 -
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Percentual de raas caninas atendidas no Hospital Veterinrio da Universidade

Estadual de Londrina em 2003.
Figura 5.3 -
. . . . . . . . . . . . . . . . . . . . . . . . .
44
Cor dos Olhos dos alunos do 1 ano do curso de Medicina Veterinria da Universidade Estadual de Londrina em 2011.
Figura 5.4 -
43
. . . . . . . . . . . . . . . . . . . .
45
Raas caninas atendidas no Hospital Veterinrio da Universidade Estadual de

Londrina em 2003.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
46
Figura 5.5 -
Produo pecuria dos estados do sul do Brasil no ano de 2012.
. . . . . . .
47
Figura 5.6 -
Produo pecuria dos estados do sul do Brasil no ano de 2008.
. . . . . . .
49
Figura 5.7 -
Categoria dos animais atendidos no Hospital Veterinrio da Universidade Estadual de Londrina, no ano de 2005.
Figura 5.8 -
50
Categoria dos animais atendidos no Hospital Veterinrio da Universidade Estadual de Londrina, no ano de 2005.
Figura 5.9 -
. . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . .
Relao entre tolerncia ao cigarro e gnero dos estudantes.
. . . . . . . . .
51
52
Figura 5.10 - Nmero de lhotes de cadelas submetidas a inseminao articial no Hospital

Veterinrio da UEL em 2003.
. . . . . . . . . . . . . . . . . . . . . . . . . .
53
Figura 5.11 - Nmero de atendimentos dirios, do Hospital Veterinrio, da Universidade Estadual de Londrina, nos ltimos 50 dias.
. . . . . . . . . . . . . . . . . . . .
54
Figura 5.12 - Nmero mdio de atendimentos dirios, do Hospital Veterinrio, da Universidade

Estadual de Londrina, nos ltimos 50 dias.
. . . . . . . . . . . . . . . . . . .
55
Figura 5.13 - Comparao de pesos (g) de tilpias para quatro equipes de alunos do curso de
Medicina Veterinria da Universidade Estadual de Londrina em 2003.
. . . . .
58
Figura 5.14 - Relao entre peso e comprimento de tilpias do Nilo, do tanque de piscicultura
da Universidade Estadual de Londrina, 2003.
. . . . . . . . . . . . . . . . . .
59
Figura 5.15 - Relao entre peso e comprimento de tilpias do Nilo, controladas para a varivel
tempo de recuperao da anestesia, do tanque de piscicultura da Universidade
Estadual de Londrina, 2003.
. . . . . . . . . . . . . . . . . . . . . . . . . . .
60
Figura 5.16 - Peso mdio de 10 tilpias, do tanque de piscicultura da UEL, acompanhadas

durante 8 semanas.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
61
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
62
Figura 5.18 - Grco Correto. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
62
Figura 5.17 - Grco distorcido.
Figura 6.1 -
Esquema para obteno da moda pelo mtodo de Czuber, do nmero de atendimentos do Hospital Veterinrio da UEL, 2005.
. . . . . . . . . . . . . . . .
74
. . . . . . . . . . . . . . . . . . . . . . . . . .
83
Figura 6.2 -
Esboo do grco de caixas.
Figura 6.3 -
Frequncia cardaca dos animais atendidos no Hospital Veterinrio, da Universidade Estadual de Londrina, em 2003.
Figura 6.4 -
. . . . . . . . . . . . . . . . . . . . .
83
Frequncias respiratrias dos animais atendidos no Hospital Veterinrio, da Universidade Estadual de Londrina, em 2003.
. . . . . . . . . . . . . . . . . . .
Figura 10.1 - Grco das probabilidades de prenhez dos animais.

Figura 10.2 - Distribuio acumulada da prenhez dos animais.
Figura 10.3 - Grco da distribuio Binomial, para
sucesso
p = 0, 30.
n = 10
87
. . . . . . . . . . . . . . .
148
. . . . . . . . . . . . . . . .
153
ensaios com probabilidade de
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
157
Figura 10.4 - Grco da distribuio de Poisson, cuja mdia () 4,0. . . . . . . . . . . . .
161
1 3
y .
4
. . . . . . . . . . . . . . . . . . . . . . . . .
173
Figura 11.2 - Grco da Distribuio Normal.
. . . . . . . . . . . . . . . . . . . . . . . . .
176
Figura 11.1 - Grco da funo
f (y) =
Figura 11.3 - Probabilidade entre as reas
b.
. . . . . . . . . . . . . . . . . . . . . . . .
176
Figura 11.4 -
desvio da mdia.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
177
Figura 11.5 -
desvios da mdia. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
177
Figura 11.6 -
desvios da mdia. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
177
Figura 11.7 - reas sob a curva normal.
. . . . . . . . . . . . . . . . . . . . . . . . . . . .
Figura 11.8 - Relao entre mdias e desvios da distribuio normal.
. . . . . . . . . . . . .
177
178
Figura 11.9 - reas sob a curva normal padro.
. . . . . . . . . . . . . . . . . . . . . . . .
179
Captulo 1
Introduo
A estatstica, de uma forma geral, trata da organizao, interpretao e apresentao de
dados, sejam de contagens ou mensuraes. A palavra
estatstica est associada idia de coleo
de dados (nmeros).
Mesmo sem serem estudiosos da rea, as pessoas convivem com informaes estatsticas
praticamente todos os dias, seja atravs de rdio, televiso, jornais ou relatrios tcnicos das mais
diversas reas.
Vrias denies so dadas estatstica, entre elas:
Estatstica a arte e cincia de coletar, analisar e interpretar dados.
A estatstica uma cincia da tomada de deciso diante de incertezas.
Estatstica a cincia de fazer uso efetivo dos dados numricos relativos aos grupos de
indivduos ou de experimentos.
O pensamento estatstico ser um dia to necessrio para o cidado quanto a habilidade
de ler e escrever. (Wells, H. G., 1993)
A estatstica preocupa-se com a compreenso do mundo real atravs da informao que
ns extramos da classicao e mensurao. Sua caracterstica distintiva lidar com a
variabilidade e a incerteza, que esto em toda parte. (Bartholomew, 1995)
Ao conjunto de mtodos estatsticos usados no tratamento da variabilidade nas cincias
mdicas e biolgicas, convencionou-se chamar de
Bioestatstica.
A Bioestatstica fornece mtodos para se tomar decises timas na presena de incerteza,

estabelecendo faixas de conana para a eccia dos tratamentos e vericando a inuncia de fatores
de risco no aparecimento de doenas.
1
Captulo 1. Introduo
1.1 Aplicaes da Estatstica

As aplicaes da estatstica se desenvolveram de tal forma que, hoje, praticamente todo
campo de estudo se benecia da utilizao de mtodos estatsticos. Alguns exemplos da aplicabilidade
da estatstica na Medicina Veterinria so:
Exemplo 1: Comparao do uso de rastreabilidade para sunos em grupo e individual1

Com o acrscimo da demanda do mercado consumidor nacional e internacional por
dutos rastreados,
pro-
urge o desenvolvimento de conhecimento sobre processos de identicao e ras-
treamento de informaes na produo animal. Este trabalho teve como objetivo comparar dois tipos
de rastreabilidade em sunos: individual e de grupo, utilizando o sistema de identicao e registro de
dados eletronicamente. Os
50 leites foram identicados ao nascer e as variveis peso e converso
alimentar serviram de base para comparao entre os dois sistemas. Uma amostra foi considerada
a partir do erro admissvel, estabelecido pelo produtor.
Exemplo 2: Fatores de Risco Associados com a Prevalncia Sorolgica de Salmonela em

Granjas Comerciais de Sunos do Sul do Brasil2 .
Devido a complexa ecologia da Salmonela, estudos epidemiolgicos tm sido realizados
para identicar os fatores de risco para a infeco, cuja eliminao reduzir o nmero de sunos
portadores de salmonela ao abate. O presente trabalho objetivou identicar esses fatores associados
com infeco por Salmonela em granjas de sunos comerciais dos estados do Rio Grande do Sul e
Santa Catarina. A identicao da infeco foi realizada atravs da reao sorolgica de sunos na
terminao. O estudo conduzido foi observacional transversal em 33 granjas de ciclo completo e 32
unidades de terminao de leites nos estados do RS e SC. Em cada granja foi aplicado um questionrio
que contemplava informaes sobre manejo, alimentao, ambincia e condies higinico-sanitrias
do rebanho. Foi coletado sangue de aproximadamente 40 animais uma semana antes do abate. O soro
foi submetido ao teste de Elisa polivalente para Salmonela dos sorovares Typhimurium, Choleraesuis
e Anatum. Durante a visita foram tambm coletadas amostras de gua e rao, avaliadas quanto
presena de coliformes pela tcnica de fermentao em tubos mltiplos. A rao, alm da avaliao
da granulometria, foi submetida a contagem de coliformes e pesquisa de Salmonela pela tcnica
bacteriolgica e por PCR. Os resultados destes exames e as respostas do questionrio foram usadas
na anlise de fatores de risco como variveis explicativas (180 variveis) e os resultados da prevalncia

Brazilian Journal of Veterinary Research and Animal Science (2004) 41:327-331

Comunicado Tcnico 309 - Embrapa Sunos - Concrdia, SC
sorolgica constituram a varivel resposta.
Inicialmente, atravs de teste de
2 ,
foi estudada a
associao entre variveis resposta e explicativas como anlise preliminar. As variveis explicativas
associadas com a varivel resposta
(p 20), foram submetidas a anlise de correspondncia mltipla.
Exemplo 3: Corte da cauda em leites: estudo comparativo de dois mtodos3 .

O objetivo deste trabalho foi de avaliar a inuncia do corte e do esmagamento da cauda,
a nvel do ltimo tero da cauda dos leites sobre a ocorrncia de hemorragia, de diarria, e o ganho
de peso dos leites at os 21 dias de idade. O experimento foi conduzido no sistema de produo
de sunos da EMBRAPACNPSA, em Concrdia/SC, envolvendo um total de 251 leites das raas
Landrace, Large White e Mestios destas raas, distribudos nos seguintes tratamentos: Tratamento
A (TA) corte do ltimo tero da cauda; Tratamento B (TB) esmagamento do ltimo tero da cauda.
O corte foi realizado com o auxlio de uma tesoura e o esmagamento com uma tesoura sem o com
os referidos bordos arredondados. O corte ou o esmagamento da cauda foi sempre realizado ao nvel
do ltimo tero da cauda, nas primeiras horas da manh do primeiro dia de vida dos leites, no TA,
logo aps o corte o restante da cauda foi mergulhada em uma soluo de iodo.
Os leites foram
examinados de hora em hora durante as primeiras 10 horas aps o corte ou esmagamento da cauda
com o objetivo de vericar a ocorrncia de hemorragia ou diarria para os dois tratamento. Os animais
do TB foram examinados duas vezes ao dia com o objetivo de determinar o dia da queda da cauda.
Quanto presena ou ausncia de diarria adotou-se os seguintes critrios: ausncia de diarria (fezes
consistentes ou pastosas); e, presena de diarria (fezes lquidas com ou sem desidratao dos leites).
Todos os leites foram pesados no dia do nascimento e aos 21 dias de idade.
1.2 Planejamento de uma pesquisa

O planejamento de uma pesquisa essencial para o desenvolvimento de trabalhos acadmicos e cientcos. Ele servir como um roteiro para orientar o trabalho de pesquisa, denindo as
etapas a serem realizadas, os instrumentos de avaliao e a metodologia a ser usada.
O planejamento possibilita ao pesquisador seguir uma disciplina de trabalho no s referente aos procedimentos lgicos, como tambm em termos de organizao de tempo e cumprimento
de prazos.
Alguns pontos importantes para o planejamento de uma pesquisa so:
1. Planejamento do problema:
!
Comunicado Tcnico 173 - Embrapa Sunos - Concrdia, SC
Captulo 1. Introduo
a) denio da importncia do problema que se pretende estudar;
b) determinao do objetivo e nalidade do estudo;
c) determinao das variveis que sero observadas (ou coletadas) e a forma como as mesmas
sero obtidas (mensurao, contagem, questionrio, etc.).
2. Avaliao da informao existente:

reviso bibliogrca.
3. Formulao de hipteses.
Em toda pesquisa, exceto naquelas meramente descritivas ou exploratrias, a formulao de
uma hiptese estatstica necessria para sua comprovao ou rejeio.
4. Vericao da hiptese:
consiste da coleta de dados, anlise estatstica e apresentao dos resultados.
5. Parte nal:
concluso ou discusso, bibliograa, anexos, apndices.
Alguns termos tcnicos so bastante comuns na estatstica, tais como:
a)
Populao
- dene-se como populao ao conjunto de todos os elementos (animais, plantas,
pessoas, etc) que possuam pelo menos uma caracterstica comum, a qual se deseja estudar.
Parmetro - uma medida numrica que descreve uma caracterstica de uma populao.
So
valores xos, geralmente desconhecidos e usualmente representados por caracteres gregos.
Exemplos:
pulacional),
b)
Amostra
(mdia populacional),
(proporo populacional),
(varincia populacional),
(desvio-padro po-
(tamanho populacional), etc.
- a amostra pode ser denida como um subconjunto da populao e, a partir dela,
faz-se inferncia sobre as caractersticas da populao. Uma amostra tem que ser representativa
da populao.
Estatstica
- uma medida numrica que descreve uma caracterstica de uma amostra.
Representada por caracteres latinos.
Exemplos: y (mdia amostral), s2

(proporo amostral),
(varincia amostral),
(tamanho da amostra), etc.
(desvio padro amostral),
Como exemplo, considere uma pesquisa realizada com 30 alunos do primeiro ano, do
curso de Medicina Veterinria, da Universidade Estadual de Londrina, no ano de 2013, em que a
estatura mdia foi de
y
= 1, 74 m.
Como essa estatura se baseia em uma amostra, trata-se de uma
estatstica.
Realizou-se a mesma pesquisa com
todos
os alunos do primeiro ano, do curso de Me-
dicina Veterinria, da Universidade Estadual de Londrina, no ano de 2013, e a estatura mdia foi de
= 1, 75 m.
Neste caso,
um
parmetro,
pois baseia-se em toda a populao de alunos do
primeiro ano do curso de Medicina Veterinria, da UEL, ano de 2013.

O aspecto a ser estudado, observado ou medido em cada elemento da populao recebe o
nome de
varivel.
So exemplos de variveis: estatura, gnero, idade, peso, renda, grau de instruo,
nmero de animais eutanasiados, nmero de animais capturados, etc.

No havendo condies de se trabalhar com todos os elementos da populao (
retira-se uma amostra representativa (
censo),
amostragem) da populao para o estudo.
1.2.1 Vantagens da amostragem sobre o censo

Um levantamento por amostragem apresenta algumas vantagens sobre o censo, tais
como:
a)
custo reduzido:
devido ao nmero de dados coletados ser menor do que o censo, o custo da
pesquisa ca reduzido;
b)
tempo:
quando se utiliza a amostragem ao invs do censo, gasta-se menos tempo para concluso
do estudo, pois trabalha-se com menos elementos. Por outro lado, quando o produto perecvel,
a amostragem a nica soluo;
c)
aprofundamento:
a pesquisa amostral pode ser mais detalhada, visto que so examinados me-
nos elementos. Portanto, uma pesquisa
amostral
com exames clnicos e laboratoriais pode ser
mais informativa do que realizar o censo usando como instrumento de coleta de informao um
questionrio.
Algumas tcnicas amostrais podem ser utilizadas para a obteno da amostra.
Captulo 1. Introduo
Exerccios
1) Seja
a varivel tempo, em segundos, de recuperao da anestesia de tilpias, com 7 observaes:
yi = {y1 y2 y3 y4 y5 y6 y7 } .
yi = {17, 0 8, 9 28, 7 20, 5 8, 9 26, 1 43, 9} .
Calcular (passo-a-passo):
a) Soma de todos os tempos:
yi ;
c)
i=1
b) Soma dos 5 primeiros tempos:
yi ;
i=2
5
yi ;
d) Quadrado da soma:
i=1
e) Soma de Quadrados:
)2
yi
i=1
yi2 ;
i=1
n
f ) A mdia aritmtica simples dos tempos:
g) Suponha a constante
k = 15
e calcule
y =
yi
i=1
k yi ;
i=1
h) Soma dos desvios em relao a
k:
(yi k);
i=1
i) Soma dos desvios em relao mdia:
(yi y).
O que voc observa de diferente em relao
i=1
ao item anterior?
j) Demonstre algebricamente o resultado encontrado no item anterior;
k) Soma de quadrado dos desvios:
(yi y)2 ;
i=1
l) Considerando-se
y como
uma constante, desenvolva algebricamente o seguinte quadrado:
(yi y)2 ;
i=1

2) Considere a varivel
X,
tempo (s) de induo da anestesia, para as mesmas 7 tilpias, respecti-
vamente:
xi = {165 183 161 147 146 152 174}

Calcule:
a)
xi yi ;
b)
i=1
xi
i=1
3) As quantidades de cido ascrbico, em miligramas por
yi ;
i=1
100
mililitros, presentes em
80
qumicos de plasma humano, esto indicadas na Tabela 1.1:
mg/100 ml.
Tabela 1.1 cido arcrbico, em
cido ascrbico (em
mg/100ml)
Frequncias
(fi )
Ponto Mdio
0, 0 0, 2
0,1
0, 2 0, 4
0,3
0, 4 0, 6
18
0,5
0, 6 0, 8
35
0,7
0, 8 1, 0
16
0,9
1, 0 1, 2
1,1
80
80
Total
(xi )
Determine:
a)
fi ,
i = 1, 2, . . . , 6;
c)
i=1
b)
e)
)2
xi fi
i=1
xi fi ,
i = 1, 2, . . . , 6;
i=1
k
( k
d)
x2i fi ;
i=1
xi fi
i=1
k
i=1
fi
i = 1, 2, . . . , 6.
Que medida voc encontrou?
i = 1, 2, . . . , 6;
exames
Captulo 1. Introduo
f)
k
1
2
xi fi
V =
n1
i=1
)2
xi fi
i=1
k
fi
i = 1, 2, . . . , 6;
i=1
Nem sempre podemos construir o futuro para nossa

juventude, mas podemos construir nossa juventude
para o futuro.
Captulo 2
Amostragem
2.1 Introduo
Usualmente trabalha-se com apenas uma amostra da populao. Em geral, selecionase uma amostra (ou parte) da populao em estudo e, a partir dela, tabula-se a caracterstica (ou
varivel) que est sendo avaliada.
Esta caracterstica pode ser o peso de ces, a raa dos felinos,
se o animal vacinado ou no, gastos com medicamentos ou quaisquer outras caractersticas.
partir dos resultados obtidos na amostra, o pesquisador dever estend-los para toda a populao,
estabelecendo inclusive as margens de erro e acerto nas previses.
A realizao do censo no garante que a pesquisa esteja livre de erros. Os erros de coleta
e manuseio de um grande nmero de dados, em geral, so maiores do que as imprecises a que se
est sujeito quando generaliza-se, via inferncia, as concluses de uma amostra bem selecionada.
Para que se possa fazer inferncias vlidas sobre a populao, a partir de uma amostra,
necessrio que esta seja representativa da populao.
No tarefa simples denir uma amostra
representativa da populao e, por isso, uma forma de se conseguir essa representatividade fazer com
que o processo de escolha da amostra seja, de alguma forma, aleatrio, introduzindo desta maneira o
conceito de amostra probabilstica, conforme discutido em Bolfarine & Bussab, 2005.
Denida a populao, preciso estabelecer a
tcnica de amostragem, isto , o proce-
dimento que ser adotado para escolher os elementos que iro compor a amostra.
9
10
Captulo 2. Amostragem
2.2 Tcnicas de Amostragem

Os tipos de amostragem que sero apresentados so probabilsticos sendo que sua principal caracterstica poder ser submetido a tratamento estatstico, o que permite compensar erros
amostrais. A amostragem no probabilstica quando alguns elementos da populao no tem chance
de pertencer a amostra, como por exemplo, amostras intencionais, a esmo ou de voluntrios.
2.2.1 Amostragem simples ao acaso ou amostragem aleatria simples

um mtodo de selecionar,
tamanho
N,
sem reposio,
elementos de uma populao de
conhecido e nito, em que todo elemento da populao tem igual probabilidade de
ser escolhido para a amostra, sendo cuidadosamente planejada para se evitar qualquer tendenciosidade.
Processo de coleta:
n
Todos os
elementos da populao devem ser enumerados. Sorteia-se, ento,
elementos para compor a amostra.
Este sorteio pode ser feito com o auxlio de uma tabela de
nmeros aleatrios, com a utilizao de algum programa computacional ou utilizando-se uma urna
que recebe os nmeros de
N.
Os elementos correspondentes aos nmeros escolhidos iro compor
a amostra.
Utilizao:
Exemplo 1:
Este tipo de amostragem utilizado quando a populao for considerada homognea.
Proceder a um sorteio, em sala de aula, com 45 alunos, para compor uma amostra de
tamanho 5.
Soluo:
Para selecionar a amostra usando o
R, basta utilizar o comando:
sala = 1:45
sample(sala, 5, replace=F)
# ou, simplesmente,
sample(45, 5, replace=F)
Obs.:
a opo
11
replace=F quer dizer que um aluno sorteado no poder ser sorteado novamente, ou
seja, a amostragem que est sendo realizada

com reposio, basta trocar o
Exemplo 2:
(false ) por
sem reposio.
(true ):
Caso se proceda a uma amostragem
replace=T.
Considere um conjunto de dados com muitas variveis e muitos indivduos e se queira
retirar uma amostra desse conjunto para um estudo, como apresentado na Tabela 2.1 .
Tabela 2.1 Dados sobre tilpias do Nilo, coletados por alunos do curso de Medicina Veterinria da
Universidade Estadual de Londrina, no ano de 2005.
Tilpia
Turma
Equipe
Induo
Peso
Comp
Alt
Comp_cabea
2000
2021
165
408,5
29,0
7,3
7,8
17,0
2000
2021
183
400,0
29,5
9,0
7,3
8,9
2000
2021
161
397,2
29,3
8,7
8,0
28,7
2000
2021
108
431,6
29,5
9,1
7,6
115,0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
500
2000
2021
147
309,4
25,8
8,1
6,7
As variveis
Alt
.
.
.
20,5
Induo (tempo para anestesiar a tilpia) e Recup (tempo para se recuperar
da anestesia) so dadas em segundos; A varivel

(comprimento),
Recup
(altura) e
Comp_cabea
Peso
dada em gramas; J as variveis
Comp
(comprimento da cabea) so dadas em centmetros.
Pode-se pensar, neste caso, em duas situaes em que a amostragem simples ao acaso utilizada.
I. No primeiro caso, em que uma amostra ser retirada para uma

mao no
varivel especca,
a progra-
ca exatamente como no Exemplo 1, ou seja, para se retirar uma amostra aleatria
de tamanho 15 para a varivel
comprimento (cm),
tem-se
dados = read.table(`http://www.uel.br/pessoal/silvano/Dados/Tilapia.txt',
dec=`,', head=T)
attach(dados)
names(dados)
(amostra = sample(Comp, 15, replace=F))

Disponvel em: http://www.uel.br/pessoal/silvano/Dados/Veter/Tilapia.txt, com apenas 40 indivduos.
12
II. No segundo caso, o objetivo retirar uma
amostra de indivduos,
sendo que cada indivduo
manter os valores observados de cada varivel. Neste caso, necessrio carregar o pacote
car.
Os comandos so:
require(car)
(saida = some(dados, n=15, replace=FALSE))
2.2.2 Amostragem sistemtica

Os elementos so escolhidos utilizando-se algum tipo de sistema.
Um professor,
utilizando-se de sua lista de chamada, poderia compor uma amostra chamando todos os alunos cujo
nmero na pauta terminasse em um determinado digito. Assim, o professor chamaria para compor
sua amostra, por exemplo, todos os alunos com nmeros terminados em zero, ou seja, os nmeros
10, 20, 30, 40
e assim por diante.
Esta amostragem utilizada quando a populao est naturalmente ordenada, como

chas em um chrio, listas telefnicas, quando os elementos da populao so prdios de uma rua,
etc.
Suponha que a administrao da UEL quisesse fazer uma pesquisa com seus
13.000
alunos. Neste caso, poderia-se obter uma relao completa dos mesmos e selecionar um a cada
50
para compor a amostra. Esse mtodo simples e utilizado com frequncia.
Processo de coleta:
seja
o intervalo de amostragem
o tamanho da populao e
N
k= .
n
Sorteia-se um nmero
elementos correspondentes aos nmeros:
Utilizao:
Exemplo:
o tamanho da amostra, ento calcula-se
entre
k,
formando a amostra dos
x, x + k, x + 2k, . . ..
Este tipo de amostragem utilizado quando a populao est naturalmente ordenada.
Considere a populao formada pelos 400 alunos do curso de Medicina Veterinria da
O Colegiado do Curso decide realizar uma
pesquisa para saber o grau de conhecimento dos alunos quanto prosso escolhida. Dispe-se de
uma lista, em ordem alfabtica, de todos os alunos. Uma amostra de 50 estudantes ser selecionada.
Proceda escolha desta amostra.
13
Soluo:
Para selecionar a amostra usando o
n = 50 ; N = 400 ; k = N/n
(amostra = sample(k, 1))
(amostras = seq(amostra, N, k))
2.2.3 Amostragem estraticada

Se uma populao considerada heterognea em relao ao atributo que se quer pesquisar, mas possvel distinguir sub-populaes mais ou menos homogneas, deve-se utilizar a amostragem estraticada.
Por exemplo, se os alunos dos vrios cursos da UEL so diferentes em relao ao atributo
a ser pesquisado, pode-se considerar cada curso como um estrato.
Para obter uma amostra dos
alunos da UEL, seria razovel obter uma amostra dentro de cada curso e depois reunir as informaes
numa nica amostra, que seria representativa dos alunos da UEL.
Processo de coleta:
deve-se dividir as
unidades da populao em
disjuntos e homogneos e selecionar, ao acaso, amostras de tamanhos

o tamanho da amostra seja
N1 , N2 , . . . , Nj
n1 , n2 , . . . , nj ,
estratos
de modo que
n = n1 + n2 + . . . + nj .
O tipo de amostragem estraticada mais comum a proporcional, que consiste em

selecionar os elementos de uma amostra entre os vrios estratos em nmero proporcional ao tamanho
de cada um dos estratos.
Procedimento:
1) calcular a frao de amostragem dada por:
f=
n
;
N
14
2) calcular o nmero de elementos a ser sorteado em cada estrato:
n1 = N 1 f ;
n2 = N2 f ;
. . .;
nj = Nj f
sendo:
(nmero de elementos da populao);
Nj
n
(nmero de elementos do estrato
j );
(tamanho da amostra a ser selecionada).
Exemplo 1:
Deve-se extrair uma amostra de tamanho
N = 2.000,
N4 = 100.
que consiste de 4 estratos de tamanhos
n = 80
de uma populao de tamanho
N1 = 500, N2 = 1.200, N3 = 200
Se a alocao deve ser proporcional, qual o tamanho da amostra a ser extrada de cada
um dos quatro estratos?
Soluo:
Os comandos do
so:
n = 80 ; N1 = 500 ; N2 = 1200 ; N3 = 200 ; N4 = 100

N = N1 + N2 + N3 + N4 ; f = n / N
n1 = f*N1 ; n2 = f*N2 ; n3 = f*N3 ; n4 = f*N4
(amostras = cbind(n1, n2, n3, n4))
(amostra.1 = sample(N1, n1, replace=F))
Exemplo 2:
Considere o conjunto de dados tilpia, que tem 4 estratos (Equipes: 1011, 1012, 2021,
2022), e o objetivo retirar uma amostra de tamanho 5 para cada extrato da varivel comprimento
(Comp). Os comandos so
15
dados = read.table(`http://www.uel.br/pessoal/silvano/Veter/Dados/Tilapia.txt',
dec=`,', head=T)
attach(dados)
names(dados)
(Amostras = tapply(Comp, Equipe, sample, size=5))
Caso o nmero de amostras dentro de cada estrato seja diferente, pode-se utilizar o pacote
sampling,
em que possvel determinar se as amostras retiradas dentro de cada estrato sero do tipo:
amostragem aleatria simples
require(sampling)
amost.estrat.simples = strata(dados, c(`Èquipe"), size = c(5, 7, 3, 4),
method = ``srswor")
(amostras.est.simples = getdata(dados, amost.estrat.simples))
Observe a coluna Stratum, no arquivo de sada do
R.
amostragem sistemtica
amost.estrat.sist = strata(dados, c(`Èquipe"), size = c(5, 7, 3, 4),

method = ``systematic", pik=Equipe)
(amostras.est.sist = getdata(dados, amost.estrat.sist))
Pode-se citar, ainda, a amostragem por conglomerado e a amostragem por convenincia.
No importa quo bem se planeje e execute o processo de coleta de amostras, h sempre

a possibilidade de um erro nos resultados.
Erro amostral:
a diferena entre um resultado amostral e o verdadeiro resultado populacional.
Tais erros resultam de utuaes amostrais aleatrias.
Exemplo:
escolha aleatoriamente
50 chas de ces da raa Poodle
atendidos no Hospital Veterinrio
da UEL e verique o peso mdio (kg ) desses animais. Retirada uma outra amostra de
50
animais,
16
provvel que se obtenha um peso mdio (kg ) diferente.
Ocorre um
erro no amostral
quando os dados amostrais so coletados, registrados ou analisados
incorretamente. Tais problemas resultam em um erro que no seja uma simples utuao amostral
aleatria, como por exemplo, a escolha de uma amostra no aleatria e tendenciosa, a utilizao de
um instrumento de mensurao defeituoso, uma questo formulada de modo tendencioso, um grande
nmero de recusas de resposta ou a cpia incorreta dos dados amostrais.
Muitos desses erros so provenientes do prprio observador, devido ao grau de treinamento (experincia), o excesso de trabalho, seu estado fsico e/ou condies ambientais.
Como exemplo, cita-se o caso de cinco radiologistas que examinaram, em diferentes
pocas, separadas por um perodo de dois meses, as mesmas 1.200 radiograas de trax, com a
nalidade de diagnosticar a existncia de tuberculose pulmonar. As radiograas de tamanho-padro
foram lidas separadamente por cada radiologista e os resultados se encontram na Tabela 2.2.
Tabela 2.2 Diagnsticos de radiograas de trax.
Radiologista
Nmero de radiograas consideradas positivas
1a
Leitura
2a
Leitura
118
139
69
78
83
88
96
89
106
92
Deve-se concluir que tais discordncias no reetem uma variao real e sim, erros cometidos por quem procedeu leitura do material radiogrco.
2.3 Etapas de uma pesquisa

Considerando-se que as fases do planejamento foram seguidas, deve-se levar em considerao algumas etapas para que a validao da hiptese possa ser aceita. Essas etapas so relativas
aos dados propriamente, como a unidade de medida, a unidade amostral, dentre outras. Essas etapas
so:
a)
populao
- a populao a ser trabalhada deve ser bem denida, identicando-se corretamente
Etapas de uma pesquisa
17
os seus elementos para que a amostra coletada represente os dados da populao;
b)
dados a serem coletados - ao se efetuar a coleta dos dados importante vericar se todos esses
dados sero importantes para os propsitos da pesquisa, e se nenhum dado essencial est sendo
omitido;
c)
mtodos de medidas - antes de se coletar os dados necessrio e importante que a metodologia

de sua coleta seja estruturada. Deve-se decidir preliminarmente se os dados sero coletados por
chas, por declarao de entrevistados, por telefone, por respostas a um questionrio, etc. Em
qualquer das alternativas, h necessidade de um perfeito treinamento em toda a equipe de trabalho,
a m de que haja um critrio nico de registro;
d)
unidade de amostragem - se a pesquisa for realizada atravs de levantamento por amostragem,

deve-se denir qual a unidade de amostragem, que pode ser: uma pessoa, uma famlia, uma
empresa, um quarteiro, uma planta, um animal, etc.;
e)
escolha do tipo de amostragem
- de acordo com o objetivo da pesquisa e do tipo de popula-
o, deve-se escolher a melhor tcnica para selecionar a amostra: amostragem simples ao acaso,
amostragem estraticada, etc.;
f)
vericao preliminar
- a vericao preliminar no pode faltar em qualquer pesquisa. Deve-se
testar em uma pequena parte da populao as seguintes caractersticas: se a tcnica a ser utilizada
para a coleta a melhor possvel; se a forma escolhida de registro das informaes no deve ser
alterada; se os coletores esto bem treinados, enm deve-se vericar a ecincia da metodologia
a ser empregada;
g)
anlise dos dados - apurados os resultados, os mesmos devem ser analisados estatisticamente.
Os
dados podem ser apresentados em forma de tabelas ou grcos. Podem ser calculadas algumas
medidas, alguns testes estatsticos e realizadas algumas inferncias.
Aps a anlise cuidadosa,
deve-se elaborar um relatrio completo contendo os objetivos da pesquisa, a metodologia utilizada,

a anlise de todos os resultados, suas concluses, a bibliograa e, se necessrio os anexos, como
por exemplo, cpia do questionrio.
18
Exerccios
1) Um pesquisador est interessado em avaliar o Peso (kg ) de animais domsticos das espcies
caninas e felinas, no importando a raa. Para isso, ele dispe de uma lista de dados, disponvel
em
http://www.uel.br/pessoal/silvano/Veter/Dados/HV.txt,
com a relao dos animais
atendidos no Hospital Veterinrio da Universidade Estadual de Londrina, durante um certo perodo.
(a) Retire uma amostra aleatria de 25 animais. Explique o processo de seleo. Quantos so
da espcie canina e felina?
(b) importante para o pesquisador coletar amostras de cada espcie. Sendo assim, que tipo
de amostragem ele deve utilizar?
(c) Considerando o item 1b, retire uma amostra de tamanho 20 para a espcie canina e de
tamanho 5 para a espcie felina. Relacione as amostras retiradas. Qual o peso mdio dos
dados? E para cada um dos estratos?
2) A enumerao dos pronturios de animais atendidos pelo Hospital Veterinrio da Universidade

Estadual de Londrina reiniciada sempre no primeiro dia til de cada ano. Assim, o pronturio do
primeiro animal atendido no ano de 2014 recebeu o nmero 1 e, assim, sucessivamente. No ano
de 2013, foram 3.756 novos pronturios. Uma pesquisa de satisfao com os proprietrios cujos
animais foram atendidos em 2013 ser realizada. Para isto, uma amostra de 300 proprietrios ser
estudada. Que tipo de amostragem voc usaria e porqu? Enumere a amostra coletada.
3) Um hematologista deseja fazer uma nova vericao de uma amostra de tamanho 10 dos 854
espcimes de sangue analisados por um laboratrio em determinado ms. Para isto, ele cria uma
estrutura amostral numerando como 001, 002, ..., 854. Use a tabela de nmeros aleatrios ou
calculadora para escolher que espcimes de sangue sero selecionados? Explique como escolheu
os nmeros da tabela aleatria.
4) Deve-se retirar uma amostra estraticada de tamanho
4.000,
n = 60
N1 = 2.000, N2 = 1.200, N3 = 800.
Para que a
alocao seja proporcional, qual deve ser o tamanho da amostra a ser retirada de cada estrato?
Etapas de uma pesquisa
19
5) Deseja-se realizar um estudo, junto comunidade universitria da Universidade Estadual de Londrina, quanto posse e cuidado com os animais domsticos. Explique de que forma voc planejaria
esta pesquisa. Tambm, elabore 10 questes relativas ao assunto que ser pesquisado.
Nem tudo o que pode ser contado conta, e nem tudo

que conta pode ser contado.
(George Gallup).
Captulo 3
Conceitos elementares
3.1 Diviso da estatstica
A estatstica uma cincia dividida basicamente em duas partes:
estatstica descritiva
- descreve e analisa determinada populao (ou amostra), sem pretender tirar
concluses; de carter mais genrico.
Os elementos bsicos para essa anlise so:
tabelas,
grcos e medidas numricas como a mdia, moda e mediana.
estatstica indutiva ou inferncia estatstica
- preocupa-se com a anlise e interpretao dos da-
dos experimentais, e tem como objetivo tirar concluses sobre populaes com base nos resultados observados em amostras extradas dessas populaes.
Tanto a estatstica descritiva quanto a indutiva so realizadas em funo da coleta de

dados, sejam populacionais ou amostrais. A questo ento : como obter os dados estatsticos? Que
tipo de variveis so obtidas?
Em relao a primeira questo, eles podem ser obtidos atravs de: coleta documental,
entrevista, questionrio, formulrio, observao, experimento, etc. importante que a obteno dos
dados seja realizada utilizando-se da metodologia apresentada no Captulo 2.
Os tipos de variveis encontradas dependero, obviamente, do tipo de estudo realizado.
A classicao dos tipos de variveis passveis de serem encontradas so descritos na seo 3.2.
20
Tipos de variveis
21
3.2 Tipos de variveis

Em estatstica usual a manipulao de grandes conjuntos de dados, que constituem a
matria-prima das pesquisas estatsticas.
Para simplicar seu manuseio, costuma-se represent-los
atravs de variveis, usando-se as expresses
variveis qualitativas e variveis quantitativas para
distingui-los.
Exemplo:
Foi elaborado um questionrio com 34 questes para se traar o perl dos alunos do
1o
ano do curso de Medicina Veterinria, da Universidade Estadual de Londrina, no ano de 2005. As

variveis analisadas, entre outras, so apresentadas na Tabela 3.1.
Tabela 3.1 Dados dos alunos do
1o
ano do curso de Medicina Veterinria, da Universidade Estadual
de Londrina, do ano de 2005.
Aluno
Gnero
Procedncia
Nmero de
Estatura
irmos
(m)
Grau de
instruo dos pais
Masculino
Londrina
1,73
Superior incompleto
Masculino
Londrina
1,71
Segundo grau
Feminino
Campinas
1,65
Superior completo
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
27
Feminino
So Paulo
1,68
Primeiro grau
28
Masculino
Londrina
1,76
Primeiro grau
29
Feminino
Arapongas
1,58
Superior completo
Algumas respostas so numricas e outras em forma de atributo ou qualidade. Assim,

pode-se classicar as variveis como:
1.
Variveis categricas (ou qualitativas) - apresentam como possveis realizaes uma qualidade (ou atributo) do indivduo pesquisado. O nmero de categorias pode depender do interesse
do estudo. Elas se dividem em:
a)
variveis categricas nominais
- caracterizado por dados que consistem apenas em
nomes, rtulos ou categorias, no existindo nenhuma ordenao nos possveis resultados.
Exemplo:
Gnero dos estudantes, estado civil, tipo sanguneo, cor dos olhos, cor dos
cabelos, raa, respostas do tipo sim, no, etc.
22
Captulo 3. Conceitos elementares

b)
variveis categricas ordinais - os dados possuem uma ordenao natural.

Exemplo:
Grau de instruo (Ensino Fundamental, Ensino Mdio, Ensino Superior), classe
social (alta, mdia, baixa), presso sangunea (baixa, normal, alta), etc.
2.
Variveis numricas (ou quantitativas)
- apresentam como possveis realizaes, nmeros
resultantes de uma contagem ou mensurao (medida). Elas se dividem em:
a)
variveis numricas discretas - so aquelas que assumem valores em pontos da reta real,
frequentemente resultam de uma contagem e no possuem unidade de medida.
Exemplo:
Nmero de lhotes, nmero de animais eutanasiados, nmero de pulges em
plantas, nmero de animais hidratados, nmero de bactrias em uma lmina, nmero de

consultas mdicas em um determinado perodo, nmero de erros em um livro, nmero de
acidentes, etc.
b)
variveis numricas contnuas
- os possveis resultados podem assumir, teoricamente,
qualquer valor em certo intervalo da reta real, normalmente resultam de uma mensurao e
apresentam unidade de medida.
Exemplo:
Estatura, salrio, idade, peso, presso sangunea, temperatura, taxa de colesterol,
etc.
A importncia dessa classicao justica-se porque cada tipo de varivel resposta exige
um mtodo de anlise estatstica especco. Esquematicamente, tem-se:
3
Nominal
Qualitativas
q8
q
q
q
q
q
qq
+
q
q
q
q
q
Ordinal
qq
qqq
q
q
qqq
qqq
&
Variveis
3
Discreta
Quantitativas
+
Contnua
Dimensionamento da amostra
23
De acordo com Ogliari e Andrade (2005),
A distino entre variveis contnuas e discretas muitas vezes articial, pois depende
da aproximao (preciso) utilizada.
Por exemplo, idade uma varivel de medida de
tempo, portanto, por denio, uma varivel aleatria contnua, porm, em muitos
casos ela medida em anos completos (discretizao da varivel), o que a torna uma
varivel discreta.
Portanto, poder ocorrer situaes em que uma varivel contnua ser tratada como uma
varivel discreta.
3.3 Dimensionamento da amostra

muito comum ao pesquisador indagar sobre o nmero de elementos para uma amostra
quando pretende realizar uma pesquisa de campo, laboratrio ou um simples levantamento.
A determinao do tamanho da amostra depende de alguns fatores:
a)
Tamanho da populao-alvo - quanto ao nmero de elementos que a compe, pode-se classicar

em nitas e innitas. Na obteno do tamanho amostral ser importante esta informao.
b)
Varincia ou percentual
- em alguns estudos so empregadas caractersticas que apresentam
determinada variabilidade. Em outros casos, observa-se a porcentagem de certas caractersticas

em um conjunto. Dependendo do tipo de pesquisa, usa-se a varincia ou a porcentagem.
c)
Nvel de conana - deve-se imaginar que, ao se apresentar um valor percentual, referente taxa
de prevalncia do fenmeno estudado na amostra observada, esse valor tem, em relao ao valor
percentual da populao, uma diferena, que , a priori, arbitrada pelo pesquisador. Esta diferena
arbitrada considerada tendo em conta um nvel de acerto que normalmente consideramos de 95%
ou 99% de conana, ou seja, o nvel de conana de que a diferena arbitrada realmente ocorra
at o limite de diferena proposto.
Os nveis de conana propostos rotineiramente so de
pela letra
99%
de conana.
Simbolizado
Z, este valor substitudo na frmula (3.1) por uma constante 1, 96 quando o nvel de
conana corresponde a
d)
95%
95%
Informao de literatura
e por
2, 58
quando o nvel de conana de
99%.
- toda pesquisa a realizar, em que o objetivo a taxa de prevalncia
de certo fenmeno, apresenta, na literatura, resultados que se pode utilizar para a determinao
24

do valor de
ou seja,
em relao ao valor de
Chama-se
ao valor complementar de
para
100%,
+ (1 ) = 100%.
Quando na literatura de referncia no se encontra o valor de

consequentemente
e)
considera-se este igual a
50%,
1 = 50%.
Erro de amostragem ou preciso - ao proceder-se s tcnicas de amostragem para determinao

do tamanho amostral (n), entende-se que a amostra obtida representar um determinado valor
para a taxa de prevalncia de certo evento. Normalmente esperada uma diferena em relao
taxa de prevalncia da populao-alvo. A esta diferena chama-se erro de amostragem ou preciso,
a qual, geralmente, arbitrada pelo pesquisador.
3.3.1 Determinao do tamanho amostral para variveis qualitativas

Quando se dispe de variveis nominais ou ordinais, utiliza-se as seguintes frmulas:
n0 =
z 2 (1 )
( p)2
(3.1)
n=
n0
n0
1+
N
(3.2)
em que:
n0 :
amostra inicial;
z:
nvel de conana;
valor obtido de trabalhos anteriores (literatura);
N:
tamanho da populao;
= p:
o erro de preciso arbitrado pelo pesquisador.
Em populaes
nitas
so utilizadas as frmulas (3.1) e (3.2).
innitas, apenas a frmula (3.1) deve ser utilizada.
Para populaes
Exemplo:
25
Com o objetivo de se vericar a incidncia de listeriose
regio, determine o tamanho da amostra, considerando-se

uma prevalncia
()
de 2%,
z = 1, 96
em uma populao de certa
N = 40.000.
e um erro de preciso de
Para este caso, considere
4%.
Soluo:
3.3.2 Determinao do tamanho amostral para variveis quantitativas

Para variveis quantitativas, tem-se:
n0 =
z2 2
2
(3.3)
n=
n0
n0
1+
N
(3.4)
sendo:
a varincia obtida de trabalhos anteriores.
=x
:

o erro de preciso arbitrado pelo pesquisador.
Doena rara, mas muito grave, causada, usualmente, pelo consumo de alimentos contaminados com a bactria
Listeria monocytogenes.
26
Obs.:

Caso no se disponha de
2 (varincia populacional), realiza-se uma pr-amostragem, retirando-
se, por exemplo, 30 observaes da populao e calcula-se o desvio padro da caracterstica a estudar;
Para populaes nitas, utilizam-se as frmulas (3.3) e (3.4) e, para populaes innitas,
apenas a frmula (3.3) utilizada.
Exemplo:
Numa pesquisa para se determinar a taxa mdia do teor de hemoglobina em fmeas bovinas
da raa Aquitnica, com idade acima de 12 meses, depara-se com o problema de denir-se o tamanho
da amostra. Sem informaes a priori, seleciona-se uma amostra de
30 animais e determina-se o valor
do teor de hemoglobina de cada animal e, a seguir, calcula-se a varincia (captulo 7), cujo valor, por
exemplo, de
preciso de
Soluo:
1, 72 (g/dl)2 .
0, 15 g/dl.
Determine o tamanho da amostra, considerando-se
z = 1, 96
e uma
27
Exerccios
1) Classique cada uma das variveis apresentadas na Tabela 3.2 em qualitativa (nominal ou ordinal)
ou quantitativa (discreta ou contnua).
Tabela 3.2 Dados parciais coletados no Hospital Veterinria da Universidade Estadual de Londrina,
ano 2013.
Sexo
Castrado
Espcie
Peso (kg )
No
Canina
20,0
Londrina
No
Canina
20,0
Londrina
No
Canina
13,0
No
Canina
No
TR
FC
FR
Magro
38,3
124
Normal
28
Londrina
Normal
39,5
100
80
2,5
Londrina
Magro
35,1
132
Canina
11,2
Londrina
Magro
38,9
144
120
No
Canina
11,0
Camb
Magro
39,2
100
40
No
Canina
10,2
Londrina
Normal
38,4
208
No
Canina
10,2
Londrina
Caqutico
39,5
100
32
No
Canina
10,0
Londrina
Normal
39,6
96
32
No
Canina
10,0
Camb
Obeso
39,7
156
36
No
Felina
3,3
Camb
Normal
39,0
220
48
Sim
Felina
2,2
Londrina
Normal
39,6
72
No
Felina
3,5
Londrina
Normal
39,4
208
64
No
Felina
3,3
Londrina
Normal
39,0
96
36
Sim
Felina
2,7
Londrina
Magro
39,2
126
28
No
Felina
6,5
Londrina
Magro
38,6
220
No
Felina
6,5
Londrina
Normal
38,9
184
60
Sim
Felina
5,4
Londrina
Magro
38,8
168
32
No
Felina
5,3
Londrina
38,2
176
68
No
Felina
4,5
Londrina
Magro
38,2
148
60
No
Felina
3,1
Camb
Obeso
39,7
200
40
No
Felina
3,0
Londrina
Normal
38,1
160
46
No
Felina
2,9
Rolndia
Normal
36,5
172
88
No
Felina
Londrina
Normal
37,5
120
56
Considere: TR - temperatura retal (
Cidade
Irmos
EN
C ); FC - frequncia cardaca (bpm); FR - frequncia respi-
ratria (mpm); EN - estado nutricional.
28
2) Considerando-se as equaes
n0 =
z2 2
2
n=
n0
n0
1+
N
para determinao do tamanho amostral
para variveis quantitativas, mostre passo-a-passo, que o tamanho amostral para populao innita
pode ser expresso pela seguinte equao:
n=
em que
3) Fixe
N
,
N ( )2
1+ 2
z
representa o erro de preciso.
z = 1, 96, s2 = 4
e considere a populao innita.
Complete a Tabela 3.3 do tamanho
amostral (n0 ) em funo do erro de preciso ().

Tabela 3.3 Tamanho amostral e erro de preciso.
=x
n0
3,0
2,0
1,5
1,0
0,5
0,1
0,01
O que voc pode observar da relao acima?
4) Considere os seguintes valores:
= 0, 3
nanceiros, coletar 100 amostras.
z = 1, 96.
O pesquisador s poder, por problemas
Qual o erro de preciso desse experimento?
Demonstre os
clculos passo-a-passo.
5) Refaa o item anterior, considerando-se uma populao de tamanho
N = 1.000.
6) Um pesquisador est interessado em avaliar a temperatura retal (TR, em grau Celsius) de animais domsticos das espcies caninas e felinas, no importando a raa.
Sabe-se, de estudos
anteriores, que a varincia da temperatura retal nestas duas espcies de aproximadamente
1, 1513 o C 2 .
Para isso, ele dispe de uma lista com a relao dos animais atendidos no Hos-
pital Veterinria da Universidade Estadual de Londrina, durante um certo perodo, disponvel em
http://www.uel.br/pessoal/silvano/Veter/Dados/HV.txt.
a) Considerando-se
z = 1, 96
29
0, 3 o C ,
e um erro de preciso de
quantas amostras so necessrias
para a realizao do estudo?

b) importante para o pesquisador coletar amostras de cada espcie. Sendo assim, que tipo de
amostragem ele deve utilizar?
c) Relacione as amostras retiradas. Qual a temperatura retal mdia dos dados? E para cada um
dos estratos?
7) Suponha que um pesquisador tenha diversas gaiolas que contenham, cada uma,
ratos. Qual a
maneira de selecionar 2 ratos de cada gaiola, para uma amostra?
8) Dada uma populao de

sistemtica de
elementos, estabelea trs formas distintas de se obter uma amostra
elementos.
9) Um hematologista deseja fazer uma nova vericao de uma amostra de tamanho

espcimes de sangue analisados por um laboratrio mdico em determinado ms.
ele cria uma estrutura amostral numerando como
001, 002, . . . , 854.
10
dos
854
Para isto,
Use a tabela de nmeros
aleatrios ou a calculadora para escolher que espcimes de sangue sero selecionados? Explique
como selecionou a amostra.
10) Deve-se retirar uma amostra estraticada de tamanho
4.000,
n = 60
N1 = 2.000, N2 = 1.200, N3 = 800.
Para que a
alocao seja proporcional, qual deve ser o tamanho da amostra a ser retirada de cada estrato?
11) Os empregados de um hospital tm etiquetas de identicao numeradas consecutivamente de

a
563.
Deve-se escolher um comit de
10
101
pessoas, selecionadas aleatoriamente. Use a tabela de
nmeros aleatrios para escolher os nmeros das etiquetas. Explique como escolheu os nmeros
da tabela aleatria.
Quando todos pensam igual, porque

ningum est pensando.
(Walt Lippman).
Captulo 4
Estatstica Descritiva
4.1 Organizao e apresentao de dados
A apresentao de dados na forma de tabela um dos mtodos estatsticos mais simples
e utilizado. Uma tabela estatstica consegue expor os resultados de determinada pesquisa ou parte
dela, sinteticamente, em que se tem uma viso mais clara e fcil dos resultados obtidos. Ao dispor
os dados em linhas e colunas, distribudos de forma ordenada, segundo regras estabelecidas, tem-se
as tabelas estatsticas.
4.1.1 Elementos essenciais de uma tabela

O objetivo de se construir tabelas obter uma viso geral do que ocorre com os dados
observados, condensando as informaes. Os elementos essenciais de uma tabela so:
a)
Ttulo:
uma indicao que precede a tabela estatstica e que contm a designao do fenmeno
observado, o local e a poca em que ocorreu;
b)
Cabealho:
colocado na parte superior da tabela, tem por nalidade especicar o contedo das
colunas;
c)
Corpo:
corresponde ao conjunto de colunas e de linhas que contm, respectivamente, em ordem
vertical e horizontal, informaes sobre o fenmeno estudado.
Chama-se casa (ou casela) ao
cruzamento de uma coluna com uma linha. As casas nunca devero car em branco, contendo
sempre um nmero ou um sinal convencional:
i) (trao), quando o dado no existe;

30
Organizao e apresentao de dados

ii)
iii)
...
0
31
(trs pontos), quando a informao existe mas no est disponvel;
(zero), quando o valor numrico for menor que a metade da unidade de medida adotada
para expressar os dados;

iv) X (letra x), quando o dado for omitido a m de evitar a individualizao das informaes, nos
casos onde existe apenas um ou dois informantes.
d)
Coluna indicadora:
a parte da tabela que tem por nalidade especicar o que contm as linhas;
Toda tabela dever ter identicao feita com algarismos arbicos, de modo crescente,
precedidos da palavra
Tabela,
podendo ser subordinada ou no a captulos ou sees de um docu-
mento.
A Tabela 4.1 um exemplo sobre a maneira de se resumir e apresentar dados coletados,
relativos uma pesquisa ou experimento.
Tabela 4.1 Animais atendidos no Hospital Veterinrio (HV) da Universidade Estadual de Londrina
(UEL), no ano de 2005.
Categoria dos animais
Frequncias
Pequeno porte
20.650
Mdio porte
12.300
Pequeno porte
Total
5.700
38.650
Fonte: HV da UEL.
Na Tabela 4.1, o ttulo :
Animais atendidos no Hospital Veterinrio da Universidade Estadual de Londrina, no ano

de 2005.
O cabealho constitudo por:
Categorias dos animais

A coluna indicadora contm as especicaes:
Pequeno porte
Mdio porte
Grande porte
Frequncias
32
Captulo 4. Estatstica Descritiva
O corpo da tabela formado por:
20.650
12.300
5.700
4.1.2 Elementos complementares de uma tabela

Os elementos complementares de uma tabela estatstica so os seguintes: fonte, notas e
chamadas, que de preferncia so colocados no rodap.
a)
Fonte:
a indicao do rgo ou entidade responsvel pelo fornecimento dos dados ou pela sua
elaborao. colocada no rodap da tabela;
b)
Notas:
so informaes destinadas a esclarecer ou conceituar o contedo das tabelas, ou indicar a
metodologia adotada na coleta ou preparo dos dados. Devem ser colocadas embaixo da indicao
da fonte;
c)
Chamadas:
so informaes de natureza especca referindo-se a um item especco da tabela,
colocada aps a nota. Devem ser feitas atravs de algarismos arbicos escritos entre parnteses,
e colocados direita da coluna;
A Tabela 4.2 um exemplo sobre a maneira de se resumir e apresentar dados coletados,
relativos uma pesquisa ou experimento.
alunos do
1o
Os dados foram coletados no Hospital Veterinrio por
ano do curso de Medicina Veterinria da Universidade Estadual de Londrina, em pesquisa
realizada em 2002.
Tabela 4.2 Espcies de animais atendidos no Hospital Veterinrio da Universidade Estadual de Londrina. Londrina - Paran, 2002.
Espcies
Percentual (%)
Canina
85,00
Felina
11,07
Equina
2,50
Bovina
0,71
Lagarto
0,36
Roedor
0,36
Fonte: Hospital Veterinrio da Universidade Estadual de Londrina.

Nota: Utilizou-se uma amostragem sistemtica para selecionar as chas dos animais.
33
Observaes:
As tabelas so constitudas por trs traos horizontais paralelos, um para separar o topo, outro
para separar o cabealho e o terceiro para o rodap. No so usados traos verticais para separar
os dados;
Devem ser identicadas na parte superior iniciada com a palavra Tabela e seu nmero de ordem,
em algarismos arbicos seguidos de hfen, separando o ttulo.
As tabelas devem ser numeradas consecutivamente ou identicadas com nmeros relacionados ao

captulo ou seo nas quais esto inseridas e seu nmero de ordem. Exemplo: vide Tabela 4.2.
No caso da tabela ter de ocupar mais de uma pgina, no ser delimitada na parte inferior e
o cabealho ser repetido na pgina seguinte.
Nesse caso, usa-se no cabealho, ou na coluna
indicadora, a expresso continua ou concluso, conforme o caso.
Quando no for possvel dispor a tabela na posio normal de leitura, ela dever ser apresentada
de forma que a rotao se efetue no sentido horrio.
4.2 Distribuio de frequncias

Uma maneira de sintetizar os dados atravs de distribuio de frequncias, que consiste
na construo de uma tabela a partir dos dados brutos em que se considera a frequncia com que
cada observao ocorre. A interpretao dos resultados obtidos em tabelas de frequncias pode ser
auxiliada pela anlise grca.
4.2.1 Construo de uma distribuio de frequncia de variveis discretas

Quando a varivel resposta do tipo quantitativa discreta, para se apresentar os dados
em forma de tabela, basta escrever em uma coluna os valores da varivel discreta estudada em ordem
crescente (ou decrescente) e assinalar, em outra coluna paralela, o nmero de vezes que cada um
desses valores foi observado, isto , a frequncia absoluta de cada valor. Uma terceira coluna ser
destinada a indicar a frequncia relativa com que cada um desses valores ocorreram na amostra. A
tabela assim obtida denominada tabela de distribuio de frequncias.
Exemplo 1 -
Os dados a seguir referem-se ao nmero de lhotes de cadelas submetidas insemi-
nao articial, no Hospital Veterinrio da UEL, em 2005. Os seguintes nmeros de lhotes foram
34
observados:
Dados Brutos:
Quando os dados esto dispostos sem qualquer ordem lgica, recebem o nome de dados brutos.
Ao organizarmos os dados brutos, em ordem crescente ou decrescente de grandeza,
obtemos o rol:
Rol:
Pode-se obter como informaes pelo rol:
Li :
limite inferior do rol,
Ls :
limite superior do rol,
A:
amplitude
total
Li = 0;
dos
Ls = 5;
dados,
que
diferena
entre
maior
menor
valor
do
rol
A = Ls Li = 5 0 = 5.
Uma tabela de distribuio de frequncia pode ser construda, tanto a partir dos dados
brutos como do rol. Para o exemplo em questo, tem-se:
Tabela 4.3 Nmero de lhotes de cadelas submetidas a inseminao articial no Hospital Veterinrio
da UEL em 2005.
Nmero de Filhotes
Frequncia Absoluta (fi )
Frequncia relativa (fr %)
3,33
13,33
20,00
10
33,34
23,33
6,67
Fonte: Hospital Veterinrio da UEL.

Para obter-se as frequncias relativas,
fr , divide-se cada frequncia absoluta pelo tamanho
da amostra:
fr =
fi
.
n
Essas frequncias relativas costumam ser expressas em porcentagens:
fr % =
fi
100.
n
35
Evidentemente a soma das frequncias absolutas igual ao nmero total das cadelas que foram
submetidas inseminao articial.
Para se construir a Tabela 4.3, usando o
R, os comandos so:
Filhotes = c(5,4,3,4,3,1,4,4,5,3,0,1,3,2,2,3,2,3,4,2,3,3,1,1,3,3,4,2,4,2)
(filhotes.caes = table(Filhotes))
(percentual.caes = round(100*prop.table(filhotes.caes), dig=2))
(tabela.filhotes = cbind(filhotes.caes, percentual.caes))
colnames(tabela.filhotes) = c(`Freq. Absoluta', `Percentual')
tabela.filhotes
4.2.2 Construo de uma distribuio de frequncia para variveis contnuas

Ao contrrio das variveis discretas, as variveis contnuas assumem, em geral, muitos
valores.
Isto quer dizer que se usssemos as tabelas de frequncias, como no caso das variveis
discretas teramos uma tabela com muitas linhas, tornando-a pouco operacional.
este problema usa-se descrever as variveis numricas contnuas atravs de
Para contornar
tabelas de classes de
frequncias ou tabelas de intervalo.

Considere os seguintes dados, referentes aos pesos
(kg)
de ces das raas Fila brasileiro
e Pastor Alemo, coletados no Hospital Veterinrio da UEL em 2003.
Dados Brutos
5,5
19,0
28,0
30,0
33,0
40,0
40,0
40,3
40,5
12,6
12,6
14,2
14,2
17,5
17,5
18,0
19,0
19,2
21,0
21,0
27,0
27,0
27,0
27,2
28,0
28,0
30,0
30,0
39,8
13,5
O que se pode dizer sobre os ces com base nestes dados? possvel ter uma ideia clara,
apenas observando os nmeros? O passo seguinte, optativo, poderia ser a obteno do rol:
Rol
5,5
12,6
12,6
13,5
14,2
14,2
17,5
17,5
18,0
19,0
19,0
19,2
21,0
21,0
27,0
27,0
27,0
27,2
28,0
28,0
28,0
30,0
30,0
30,0
33,0
39,8
40,0
40,0
40,3
40,5
36

Qual o nmero de classes a ser usado?
O nmero ideal de classes a ser utilizado em
uma tabela, pode depender mais do bom senso do pesquisador, de acordo com seus interesses e
necessidades, do que de regras pr-estabelecidas. Um exemplo disso a Tabela 4.4 que mostra os
cios observados, segundo a classicao de Gaines .
Tabela 4.4 Frequncias dos intervalos entre cios observados em um rebanho leiteiro da raa Holands, segundo a classicao de Gaines (1994).
Intervalos entre cios (dias)
Percentual (%)
0 3
0,1
4 17
6,3
18 24
44,6
25 35
5,8
36 48
16,3
> 48
27,0
Caso no haja, por parte do pesquisador, um motivo para o uso de intervalos de classes
diferentes, pode-se optar pela utilizao de uma das regras para se construir os intervalos de classes.
Dentre as vrias regras existentes, duas tem sido adotadas:
a)
Critrio de Sturges - Herbert Sturges2 considera um histograma de frequncias idealizado com k

divises, sendo que a i-sima diviso dada pelo coeciente binomial
Quando
(k1)
i
, i = 0, 1, . . . , k 1.
aumenta, este histograma se aproxima da forma de uma densidade normal. O tamanho
amostral total dado por:
n=
)
k1 (
k1
i=0
= (1 + 1)k1 = 2k1
Gaines, J.D. Proceedings for annual meeting. Kansas City: Society for Theriogenology, 1994.
ductive eciency of dairy herds : p.86-107.

Sturges, H. The choice of a class-interval. J. Amer. Stat. Association, 21, 6566, 1926.
Analysis of repro-
37
Aplicando-se logaritmos em ambos os membros, tem-se:
log2 n = log2 2k1

log2 n = k 1
k = 1 + log2 n
e, fazendo-se transformao da base logartmica, chega-se a:
k = 1+
log10 n
log10 n
=1+
log10 2
0, 301029
k = 1 + 3, 3 log n
que o nmero de classes sugeridas, por este critrio;
b)
Critrio da Raiz Quadrada - tem-se k = n.

Outras regras para escolha do nmero de classes de um histograma so sugeridas na
literatura. Para o exemplo em questo, o nmero de classes recomendado ser dado por:
k = 1 + 3, 3 log 30
= 1 + 3, 3 1, 4771
ou
k=
30 = 5, 4772.
= 5, 8745
Logo, sero utilizadas, aproximadamente,
k=6
classes ou intervalos para representar a
distribuio dos dados. A amplitude de cada intervalo ser:
a =
amplitude total
nmero de classes
40, 5 5, 5
= 5, 9579.
5, 8745
Assim, os dados podero ser resumidos em 6 classes de amplitude
a = 6 kg
como amplitude das
classes.
A primeira classe de frequncias um intervalo do tipo
(l + 2a)
e assim sucessivamente.
l (l + a),
a segunda
(l + a)
Com este tipo de notao estamos indicando que o intervalo
fechado esquerda e portanto pertencem classe valores iguais ao extremo inferior dessa classe.
Tambm estamos indicando que o intervalo aberto direita e portanto no pertencem classe
valores iguais ao extremo superior.
38
Assim, tem-se:
Tabela 4.5 Distribuio de frequncia dos pesos
(kg)
de 30 ces das raas Fila Brasileiro e Pastor
Alemo, coletados no Hospital Veterinrio da UEL, em 2003.
Pesos (kg )
Frequncias absolutas (fi )
Ponto mdio
Frequncias relativas (fr %)
11
3,33
11
17
14
16,67
17
23
20
26,67
23
29
26
23,33
29
35
32
13,33
35
41
38
16,67
Fonte: Hospital Veterinrio da UEL

A construo da Tabela 4.5 simplicou muito a interpretao dos dados, com apenas seis
classes (linhas) conseguiu-se condensar os
30 dados.
Com uma rpida olhada na tabela j se nota que
a maioria dos ces concentram-se nas classes centrais, ou seja, entre
17
29
quilos, havendo poucos
animais nas classes extremas. No entanto isto tem um preo, por exemplo, tudo que se sabe agora
que apenas um valor est entre
5, 0
11, 0 kg ,
cinco valores esto entre
11, 0
17, 0 kg ,
e assim
por diante. Mas no se sabe quais so esses valores. Dessa forma, como no se conhece os dados
originais, como acontece muitas vezes em certas publicaes cientcas, deve-se utilizar o ponto mdio
da classe, como um valor representativo. Assim, tudo se passa como se os dados originais fossem
constitudos por um valor igual a
20, 0 kg ,
8 kg ,
por cinco valores iguais a
14, 0 kg ,
por oito valores iguais a
etc.
Para estruturar a tabela de frequncias usando o
caes = c(5.5,19.0,28.0,30.0,33.0,40.0,40.0,40.3,40.5,12.6,
12.6,14.2,14.2,17.5,17.5,18.0,19.0,19.2,21.0,21.0,
27.0,27.0,27.0,27.2,28.0,28.0,30.0,30.0,39.8,13.5)
hist(caes, plot=F, breaks=c(5,11,17,23,29,35,41), right=F)
Caso queira construir a tabela da forma exata como apresentado na Tabela 4.5,
acrescente os seguintes comandos:
39
histo = hist(caes, plot=F, breaks=c(5,11,17,23,29,35,41), right=F)

histo.caes = cbind(c(histo$counts))
(prop = 100*round(prop.table(histo.caes), 4))
tab.caes = cbind(histo.caes, prop)
colnames(tab.caes) = c('fi', 'Percentual')
rownames(tab.caes) = c('5|-11','11|-17','17|-23','23|-29','29|-35','35|-41')
tab.caes
Exemplo:
Dados brutos de rao
(kg)
utilizada em 40 dias em uma granja.
Dados Brutos (kg )

0,71
2,63
3,63
1,94
3,69
2,77
1,42
2,48
3,77
2,75
2,04
2,16
4,05
1,80
2,22
2,06
1,20
1,67
5,41
1,57
3,09
2,16
3,94
2,06
3,55
3,56
3,57
2,39
2,48
1,53
2,67
2,18
3,93
3,34
2,78
3,26
3,06
3,32
3,37
0,75
i) Encontre o nmero de classes para a construo de uma tabela para estes dados;
Soluo:
ii) Encontre a amplitude total dos dados;
Soluo:
iii) Encontre a amplitude das classes;
Soluo:
40
iv) Dena os limites inferior e superior de cada classe:
Soluo:
v) Construa a tabela com as frequncias simples e acumuladas.
Soluo:
4.3 Tabelas de dupla entrada

Um tipo de tabela muito importante e bastante utilizada a tabela de dupla entrada,
em que os elementos da amostra ou da populao so classicados de acordo com dois fatores, sendo
cada entrada relativa a um dos fatores. Exemplos so apresentados nas Tabelas 4.6 e 4.7. Os dados
apresentados na Tabela 4.7 foram obtidos na pgina do Instituto Brasileiro de Geograa e Estatstica - IBGE,
http://www.ibge.gov.br/estadosat/temas.php?sigla=rs&tema=pecuaria2012,
acessada em 05 de fevereiro de 2014.

Tabela 4.6 Acasalamentos fecundos e infecundos por raa.
Acasalamentos
Raas
Fecundos
Infecundos
Charolesa
606
394
Indubrasil
508
632
Nelore
394
406
Fonte: Fictcia
Tabelas de dupla entrada
41
Tabela 4.7 Nmero de cabeas da produo pecuria dos estados do Sul do Brasil em 2012.
Estados
Pecuria
Totais
Paran
Santa Catarina
Rio Grande do Sul
Bovinos
9.413.937
4.072.960
14.140.654
27.627.551
Sunos
5.518.927
7.480.183
6.213.316
19.212.426
Ovinos
638.923
307.651
4.095.648
5.042.222
Equinos
325.837
122.565
468.691
917.093
Caprinos
176.130
57.243
100.283
333.656
Bubalinos
24.502
13.898
74.792
113.192
Muares
39.132
1.965
2.888
43.985
1.710
925
1.747
4.382
16.139.098
12.057.390
25.098.019
53.294.507
Asininos
Totais
Fonte: IBGE - 2012.

Para construir a Tabela 4.7, utilizando os dados diretamente do site do IBGE, bastam os seguintes
comandos do
R:
pec_pr = read.csv2('http://www.ibge.gov.br/estadosat/download/pr_pecuaria2012.csv',
sep=';', head=F)
pr = data.frame(pec_pr[1:8, -3])
pec_sc = read.csv2('http://www.ibge.gov.br/estadosat/download/sc_pecuaria2012.csv',
sep=';', head=F)
sc = data.frame(pec_sc[1:8, -3])
pec_rs = read.csv2('http://www.ibge.gov.br/estadosat/download/rs_pecuaria2012.csv',
sep=';', head=F)
rs = data.frame(pec_rs[1:8, -3])
rebanhos = data.frame(PR=pr, SC=sc[ , 2], RS=rs[ , 2])
pecuaria = data.frame(rebanhos[with(rebanhos, order(-RS)), ])
names(pecuaria) = c('Pecuria', 'Paran', 'Santa Catarina', 'Rio Grande do Sul')
require(xtable)
xtable(pecuaria)
Captulo 5
Grcos
O objetivo da representao grca apresentar de maneira clara, rpida e objetiva os
dados coletados na primeira fase do trabalho estatstico. Um grco tem a funo de transmitir uma
idia visual do comportamento de um conjunto de valores, de forma a se poder tirar concluses claras
de tabelas complicadas.
Ele tanto serve para simplicar como pode facilmente enganar.
Existem
algumas regras para a confeco de grcos, dadas a seguir:
a) toda representao grca deve ter ttulo, escala e fonte dos dados, de forma a dispensar qualquer
esclarecimento adicional;
b) a numerao dos grcos feita utilizando-se algarismos arbicos;
c) a primeira srie de variveis dever car no eixo das abscissas (X ). Consequentemente, a segunda
no eixo das ordenadas (Y );
d) as escalas devem crescer da esquerda para a direita e de baixo para cima;
e) as legendas explicativas devem ser colocadas, de preferncia, direita do grco.
f ) as distncias que indicam as unidades de escala devem ser rigorosamente uniformes;
g) ao lado da escala da abscissa deve ser escrita a caracterstica relativa mesma. Em cima da escala
da ordenada deve constar a caracterstica correspondente. A razo da altura para a largura pode
variar de 60% a 80% para que a gura tenha boas propores (simetria e equilbrio);
Existem inmeras formas grcas interessantes, sero apresentados apenas alguns tipos
de grcos.
42
Apresentao grca de variveis qualitativas
43
5.1 Apresentao grca de variveis qualitativas

5.1.1 Grco em colunas
O grco em colunas e em barras consistem em construir retngulos, em que uma das
dimenses proporcional magnitude a ser representada
igual para todas as colunas ou barras.
(ni
ou
fi ),
sendo a outra arbitrria, porm
Essas colunas so dispostas paralelamente umas s outras,
horizontal ou verticalmente. Alm do ttulo e fonte de referncias devemos observar o seguinte:
a) as barras devem ter todas a mesma largura;
b) a distncia entre as barras deve ser constante e de preferncia menor que a largura das barras.
Considere o
grco em colunas apresentado na Figura 5.1:

120
100
Frequncias
80
60
40
20
0
Pinscher
Pastor
Alemo
Poodle
Rottweiller
SRD
Outros
Raas dos Ces
Figura 5.1 Raas caninas atendidas no Hospital Veterinrio da Universidade Estadual de Londrina
em 2003.
O programa
para construir o grco de colunas dos dados absolutos dado por:
caes = c(37, 20, 19, 16, 75, 103)

names(caes) = c("Pinscher","Pastor \n Alemo","Poodle","Rottweiller","SRD","Outros")
par(mai=c(1,1,.2,.2))
barplot(caes, ylim=c(0, 120), space=0.6, xlab="Raas dos Ces", ylab="Frequncias",
col="LightYellow", las=1, cex.axis=1, cex.names=1, cex.lab=1)
abline(h=0, lwd=1)
44
Captulo 5. Grcos
Nem sempre interessante utilizar os dados absolutos no eixo das ordenadas. de uso
mais frequente apresent-la utilizando-se a porcentagem. A Figura 5.2 apresenta os mesmos dados
utilizados na Figura 5.1, s que transformando os valores absolutos em porcentagem.
40
Percentuais (%)
30
20
10
0
Pinscher
Pastor
Alemo
Poodle
Rottweiller
SRD
Outros
Raas dos Ces
Figura 5.2 Percentual de raas caninas atendidas no Hospital Veterinrio da Universidade Estadual
de Londrina em 2003.
Observe o clculo das porcentagens nos comandos do
R:
caes = c(37, 20, 19, 16, 75, 103)

names(caes) = c("Pinscher","Pastor \n Alemo","Poodle","Rottweiller","SRD","Outros")
caes.prop = round(100*prop.table(caes), 2)
par(mai=c(1,1,.2,.2))
barplot(caes.prop, ylim=c(0, 40), space=0.6, las=1, xlab="Raas dos Ces",
ylab="Percentuais (%)", col="LightYellow", cex.axis=1, cex.names=1, cex.lab=1)
abline(h=0, lwd=1)
Observe que neste caso, so fornecidos os totais observados para cada categoria. Caso
o grco fosse construdo a partir de um banco de dados, seria necessrio tabular os valores de cada
categoria primeiro. Considere os dados dos pers dos alunos do curso de Medicina Veterinria do ano
de 2011. Na Figura 5.3 so apresentados os resultados para a cor dos olhos, em porcentagem.
45
80
Percentual (%)
60
40
20
0
Castanhos
Verdes
Azuis
Pretos
Cor dos olhos
Figura 5.3 Cor dos Olhos dos alunos do 1 ano do curso de Medicina Veterinria da Universidade
Estadual de Londrina em 2011.
O programa
para construir o grco de colunas percentual a partir de um banco de dados dado
por:
rm(list=ls())
require(foreign)
perfil = read.epiinfo('http://www.uel.br/pessoal/silvano/Veter/Dados/Perfil2011.rec')
names(perfil) ; attach(perfil)
(tab.olhos = table(Q6))
names(tab.olhos) = c('Azuis','Castanhos','Pretos', 'Verdes')
barplot(tab.olhos, xlab="Cor dos olhos", ylab="Frequncias", col="LightYellow", las=1)
abline(h=0, lwd=1)
#------------------------------------# Ordenando por valores decrescentes #------------------------------------(tab.olhos.ord = sort(tab.olhos, decreasing = T))
barplot(tab.olhos.ord, xlab="Cor dos olhos", ylab="Frequncias",
col="LightYellow", las=1)
abline(h=0, lwd=1)
#---------------------------# Utilizando os percentuais #----------------------------
46
Captulo 5. Grcos
par(mai=c(1,1,.15,.2))
barplot(100*prop.table(tab.olhos.ord), ylim=c(0,80), xlab="Cor dos olhos",
ylab="Percentual (%)", col="LightYellow", las=1, space=0.7)
abline(h=0, lwd=1)
Quando os rtulos dos eixos (atributo) da varivel so longos, pode-se optar pelo grco
de barras.
5.1.2 Grco em barras

Considerando o mesmo conjunto de dados dos ces, utilizados na construo do grco
de colunas, pode-se construir o
grco em barras que apresentado na Figura 5.4.
Outros
SRD
Raas dos Ces
Pinscher
Pastor
Alemo
Poodle
Rottweiller
20
40
60
80
100
120
Frequncias
Figura 5.4 Raas caninas atendidas no Hospital Veterinrio da Universidade Estadual de Londrina
em 2003.
Observar que, em termos de programao

grco de barras o comando
horiz=T
R,
o que diferencia o grco de colunas do
e a denio dos limites para o eixo
X.
47
caes = c(37, 20, 19, 16, 75, 103)

names(caes) = c("Pinscher", "Pastor \n Alemo", "Poodle", "Rottweiller", "SRD", "Outros")
(caess = sort(caes, decreasing=F))
names(caess) = c('Rottweiller','Poodle','Pastor \n Alemo',
'Pinscher','SRD','Outros')
par(mar=c(4.5, 6.7, 1, 1), mgp=c(5.5, .5, 0))
barplot(caess, las=1, horiz=T, space=.7, col="LightYellow", ylab="Raas dos Ces",
xlab="", bty='l', xlim=c(0,120), cex.axis=1, cex.names=1)
mtext("Frequncias", side=1, line=2)
abline(v=0)
5.1.3 Grco em colunas justapostas

Quando uma das variveis qualitativas tem mais de um nvel, uma forma de apresentao
comumente usada atravs do grco de colunas justapostas, que consiste em colocar lado-a-lado
os nveis da variveis.
Considere os dados apresentados na Tabela 4.7. Vamos comparar o nmero de cabeas
da produo pecuria dos estados do sul do Brasil, levando em considerao apenas as duas maiores
produes, que so os bovinos e sunos. A comparao apresentada na Figura 5.5.
1500
Bovinos
Sunos
Nmero de cabeas
(x 10.000)
1000
500
0
Rio Grande do Sul
Paran
Santa Catarina
Estados
Figura 5.5 Produo pecuria dos estados do sul do Brasil no ano de 2012.
48
Captulo 5. Grcos
Os comandos do
para construo do grco de colunas justapostas so dados por:
rm(list=ls())
cabecas=c(14140654, 9413937, 4072960,
6213316, 5518927, 7480183,
4095648, 638923, 307651,
468691, 325837, 122565,
100283, 176130, 57243,
74792, 24502, 13898,
2888, 39132,
1965,
1747,
1710,
925)/10000
(dados = matrix(cabecas, nrow=8, byrow=T))
rownames(dados) = c('Bovinos','Sunos','Ovinos','Equinos','Caprinos',
'Bubalinos','Muares','Asininos')
colnames(dados) = c('Rio Grande do Sul','Paran','Santa Catarina')
dados
#----------------------------# Apenas Bovinos e Sunos #----------------------------(parte = dados[1:2, 1:3])
par(mai=c(1, 1.2, .2, .2))
ylim = range(0, 1600, by=300)
barplot(parte, beside=T, col = c("lightgreen", "lightblue"), ylim=ylim,
angle=c(90, 0), xlab="Estados", ylab='', las=1)
legend(7, 1400, angle=c(90,0), legend=rownames(parte), bty='n',
fill=c('lightgreen','lightblue'), cex=1)
mtext('Nmero de cabeas \n (x 10.000)', side=2, line=4)
abline(h=0)
5.1.4 Grco em colunas compostas

Pode-se comparar os nveis de uma varivel dentro de cada categoria em uma nica
coluna. Esta forma de apresentao atravs do grco de colunas compostas apresentado na Figura
5.6.
Considere os dados apresentados na Tabela 4.7. Vamos comparar o nmero de cabeas
da produo pecuria dos estados do sul do Brasil, levando em considerao apenas as duas maiores
produes, que so os bovinos e sunos. A comparao apresentada na Figura 5.6.
49
2000
Bovinos
Sunos
Nmero de cabeas
(x 10.000)
1500
1000
500
0
Rio Grande do Sul
Paran
Santa Catarina
Estados
Figura 5.6 Produo pecuria dos estados do sul do Brasil no ano de 2008.
Os comandos do
para construo do grco de colunas compostas so dados por:
cabecas=c(14115643, 9585600, 3864724, 5320252, 4631600, 7846398, 4009938, 579764,

4009938, 579764, 256965, 454938, 393544, 101943, 94545, 167382, 55995,
70868, 27918, 23295, 3867, 44684, 2182, 1600, 1988, 708)/10000
(dados = matrix(cabecas, nrow=8, byrow=T))
rownames(dados) = c('Bovinos', 'Sunos', 'Ovinos', 'Equinos', 'Caprinos',
'Bubalinos', 'Muares', 'Asininos')
colnames(dados) = c('Rio Grande do Sul','Paran','Santa Catarina')
(parte = dados[1:2,1:3])
par(mai=c(1,1,.2,.2))
ylim = range(0, 2000, by=200)
barplot(parte, beside=F, las=1, col=c("green", "blue"), ylim=ylim, angle=c(90,0),
density=c(15,15), xlab="Estados", ylab="Nmero de cabeas \n (x 10.000)")
legend(2.8, 2000, angle=c(90,0), legend=rownames(parte), bty='n', density=c(20,20),
fill=c('green','blue'), cex=1)
abline(h=0)
50
Captulo 5. Grcos
5.1.5 Grco em setores circulares

uma forma adequada de se visualizar a proporo que cada categoria representa em
relao ao total dos dados, permitindo comparaes entre as categorias. Constitui-se num crculo no
qual so destacados,
setores circulares, cada qual com rea proporcional frequncia do i-simo
valor assumido pela varivel.
n
f
Tomando-se os dados da Tabela
360o
io
fi
360
fi .
n
??, tem-se v = 3, desse modo, o crculo ser dividido em trs setores
circulares. Assim, o nmero total de observaes,

e a frequncia
io =
corresponde ao ngulo
io .
n = 38.650,
corresponde ao total dos graus,
360o
Assim, tem-se:
1o =
360
360
20.650 = 192, 34o 2o =
12.300 = 114, 57o
38.650
38.650
3o =
360
5.700 = 53, 09o
38.650
Figura 5.7 Categoria dos animais atendidos no Hospital Veterinrio da Universidade Estadual de
Londrina, no ano de 2005.
O programa
para construo do grco de setores dado por:
anim = c(650, 230, 70)

names(anim) = paste(c("Pequeno Porte", "Mdio Porte", "Grande Porte"),
51
round(100*anim/sum(anim), dig=1), "%")

pie(anim, col=c("LightYellow","white", "green"),
cex=1.3, border="red", clockwise=F)
Caso se queira incluir os nomes das categorias dentro do grco, bastam os seguintes comandos:
#--------------------------------------# Incluindo os nomes dentro do grfico #--------------------------------------par(mar=c(1, 1, 1, 1))

pie(anim, labels=`', col=c("LightYellow", "white", "green"), radius=1)
text(0, .5, "Pequeno Porte \n (68,4%)", col= "black", cex=.9)
text(0.2, -.5, "Mdio Porte \n (24,2%)", col= "black", cex=.9)
text(0.7, -.15, "Grande Porte \n (7,4%)", col= "black", cex=.9)
O resultado apresentado na Figura 5.8.
Pequeno Porte
(68,4%)
Grande Porte
(7,4%)
Mdio Porte
(24,2%)
Figura 5.8 Categoria dos animais atendidos no Hospital Veterinrio da Universidade Estadual de
Londrina, no ano de 2005.
52
Captulo 5. Grcos
5.1.6 Grco em setores retangulares

Uma forma interessante de apresentao grca do relacionamento entre duas variveis
qualitativas utilizando o grco de setores retangulares.
A Figura 5.9 mostra o sentimento das pessoas em relao tolerncia ao cigarro. Os
dados so apresentados no livro de Magalhes & Pedroso e integram as informaes de um questionrio
estudantil.
Indiferente
14 %
Incomoda muito
Incomoda pouco
32 %
28 %
Gnero
Feminino
Masculino
6 %
14 %
6 %
Tolerncia ao Cigarro
Figura 5.9 Relao entre tolerncia ao cigarro e gnero dos estudantes.
O programa
para construo do grco de setores dado por:
pedroso = read.table("http://www.uel.br/pessoal/silvano/Veter/Dados/questionario.txt",
head=T, dec=".", sep="")
attach(pedroso)
Sexo = factor(Sexo, label=c("Feminino", "Masculino"))
Toler = factor(Toler, label=c("Indiferente", "Incomoda muito", "Incomoda pouco"))
dupla.ent.p = round(100*prop.table(table(Toler, Sexo)), 2)
par(mar=c(3.1, 2.7, 1, 1), cex.lab=1.2, col.lab='black')
plot(dupla.ent.p, col="LightYellow", xlab="Tolerncia ao Cigarro", ylab='Gnero',
main='', las=1, cex.axis=1.1)
text(.25, .65, paste(dupla.ent.p[1,1],'%', sep=' '), col= "red", cex=1.1)
text(.25, .12, paste(dupla.ent.p[1,2],'%', sep=' '), col= "blue", cex=1.1)
Apresentao grca de variveis discretas
53

5.2 Apresentao grca de variveis discretas

Para variveis quantitativas discretas, a representao grca pode ser feita utilizando-se
o grco de basto.
5.2.1 Grco em basto

Este grco constitudo de linhas verticais ou horizontais traadas num eixo de coordenadas cartesianas. Na Figura 5.10 apresentado o grco de basto relativo aos dados da Tabela 4.3.
10
Freqncias
0
0
Nmero de Filhotes
Figura 5.10 Nmero de lhotes de cadelas submetidas a inseminao articial no Hospital Veterinrio da UEL em 2003.
O programa
para construo do grco de basto dado por:
Filhotes = c(5, 4, 3, 4, 3, 1, 4, 4, 5, 3, 0, 1, 3, 2, 2, 3,
2, 3, 4, 2, 3, 3, 1, 1, 3, 3, 4, 2, 4, 2)
sort(Filhotes)
(tab.cad = table(Filhotes))
par(mai=c(1,1,.2,.3),mgp=c(3, 1, 0))
54
Captulo 5. Grcos
plot(tab.cad, xlab="Nmero de Filhotes", ylab="Frequncias",

col="red", lwd=2, type="h", bty="l", cex.axis=1.3, las=1)
abline(h=0)
5.3 Apresentao grca de variveis contnuas

A representao grca de dados relativos a uma varivel contnua, dispostos em uma
tabela de classes de frequncias, pode ser feita atravs de um histograma ou polgono de frequncias.
5.3.1 Histograma
uma sequncia de retngulos justapostos, em que cada retngulo tem como base a
amplitude do intervalo e como altura as respectivas frequncias (absoluta ou relativa). A Figura 5.11
mostra a distribuio do nmero de atendimentos dirios, do Hospital Veterinrio, da Universidade
Estadual de Londrina, nos ltimos 50 dias.
20
Frequncias
15
10
0
12
18
24
30
36
42
48
54
Nmero de atendimentos
Figura 5.11 Nmero de atendimentos dirios, do Hospital Veterinrio, da Universidade Estadual de

Londrina, nos ltimos 50 dias.
Pode-se notar que a distribuio dos dados aproximadamente simtrica e no apresenta

grande variabilidade e, ainda, que o nmero de atendimentos dirios mais comum est entre 30 e 36
Apresentao grca de variveis contnuas
55
atendimentos/dia.
O programa
para construo do grco de basto dado por:
atend=c(49,39,42,43,45,22,23,24,25,23,32,30,31,32,33,12,15,16,19,20,18,30,31,32,33,
33,26,26,27,28,28,27,33,30,31,32,33,29,29,27,28,41,39,38,35,37,35,34,36,36)
par(mai=c(1, 1, .2, .2))
hist(atend, breaks=c(12,18,24,30,36,42,48,54), freq=T, right=F, col="red", main="",
ylim=c(0,20), las=1, xaxt="n", xlab='', ylab='Frequncias', border="blue", density=10)
mtext('Nmero de atendimentos', side=1, line=2) ; abline(h=0)
axis(1, at = c(12,18,24,30,36,42,48,54), line=-1)
Obs.:
Caso queira acrescentar os valores observados no grco, basta acrescentar o comando
labels=T.
5.3.2 Polgono de frequncias

Pode ser usado como alternativa para o histograma. Para se traar o polgono de frequncias,
une-se os pontos cujas abscissas so os pontos mdios das classes e as ordenadas so as respectivas frequncias.
Depois para fechar o polgono unimos os extremos da gura com o eixo das abscissas, nos pontos em que
estariam os pontos mdios de uma classe imediatamente inferior primeira e de uma classe imediatamente
superior ltima.
20
Frequncias
15
10
0
9
15
21
27
33
39
45
51
57
Pontos Mdios
Figura 5.12 Nmero mdio de atendimentos dirios, do Hospital Veterinrio, da Universidade Estadual de Londrina, nos ltimos 50 dias.
Os comandos do
para construo do polgono de frequncias so dados por:
56
Captulo 5. Grcos
atend=c(49,39,42,43,45,22,23,24,25,23,32,30,31,32,33,12,15,16,19,20,18,30,31,32,33,
33,26,26,27,28,28,27,33,30,31,32,33,29,29,27,28,41,39,38,35,37,35,34,36,36)
(histo = hist(atend, breaks=c(12,18,24,30,36,42,48,54), las=1, freq=T, right=F, xlab='',
ylab="Frequncias", col="LightYellow", main="", ylim=c(0,20), plot=F))
(pontos.medios = c(9, histo$mids, 57))
(fr = c(0, histo$counts, 0))
par(mai=c(1,1,.2,.2))
plot(pontos.medios, fr, type="l", lwd=2, bty="l", xlab="Pontos Mdios",
ylab="Frequncias", col="red", main="", ylim=c(0,20),las=1, xaxt="n")
axis(1, at=c(pontos.medios))
abline(h=0)
5.3.3 Grco de ramo-e-folhas

Agrupar os dados em classes condensa os dados originais e, como resultado, algum detalhe
perdido. Uma vantagem do
ramo-e-folhas
que as observaes individuais so preservadas, enquanto que
no histograma elas so perdidas.

Considere os dados relativos ao nmero de atendimentos dirios, do Hospital Veterinrio, da
Universidade Estadual de Londrina, nos ltimos 50 dias.
12 15 16 18 19 20 22 23 23 24 25 26 26 27 27 27 28 28 28 29 29 30 30 30 31
31 31 32 32 32 32 33 33 33 33 33 34 35 35 36 36 37 38 39 39 41 42 43 45 49
5.3.3.1 Construo de um grco ramo-e-folhas

a) Denir a unidade de medida que dividir cada valor em duas partes: ramo e folha. Para o conjunto de
dados do nmero de atendimentos no Hospital Veterinrio, a diviso foi separar a dezena da unidade,
considerando-se que os dados pertencentes ao intervalo 0 a 4, cam em um ramo e de 5 a 9 em outro:
12
ramo = 1 e folha = 2
15
16
18
19
45
49
57
b) Escrever os ramos em ordem crescente verticalmente e passar uma linha vertical direta deles.
c) Associar cada folha ao respectivo ramo.
d) Ordenar, em cada ramo, as folhas em ordem crescente da esquerda para a direita.
Assim, o grco de ramos-e-folhas para os dados do nmero de atendimentos :
1 | 2
1 | 5689
2 | 02334
2 | 56677788899
3 | 0001112222333334
3 | 55667899
4 | 123
4 | 59
Os comandos do
para construo do polgono de frequncias so dados por:
atend=c(49,39,42,43,45,22,23,24,25,23,32,30,31,32,33,12,15,16,19,20,18,30,31,32,33,
33,26,26,27,28,28,27,33,30,31,32,33,29,29,27,28,41,39,38,35,37,35,34,36,36)
stem(atend)
Obs.:
note que o resultado mostrado no
5.3.4 Grco de Caixas (ou
console do R
e no em uma janela grca.
Box Plot )
O chamado grco de caixa (ou box plot, box-whisker plot ), tem por nalidade a deteco de
observaes discrepantes e o estudo da simetria da distribuio.
O grco de caixas d uma idia da posio, disperso, assimetria, caudas e dados discrepantes.
A posio central dada pela mediana e a disperso por
dq .
As posies relativas de
q1 , q2 , q3
do uma noo
da assimetria da distribuio. Os comprimentos das caudas so dados pelas linhas que vo do retngulo aos
valores remotos e pelos pontos atpicos (Bussab & Morettin, 2003).
A Figura 5.13 mostra a comparao, atravs do grco de caixas, dos pesos
(g)
de tilpias do
nilo, coletados por quatro equipes de alunos do curso de Medicina Veterinria, no tanque de piscicultura da
58
Captulo 5. Grcos
500
Pesos (g)
450
400
+
+
1012
2021
2022
350
300
250
1011
Equipes
Figura 5.13 Comparao de pesos (g) de tilpias para quatro equipes de alunos do curso de Medicina
Veterinria da Universidade Estadual de Londrina em 2003.
A determinao dos quartis e demais valores para a construo do grco de caixas ser visto
no Captulo 6.
Os comandos do
para construo do grco de caixas so dados por:
tilapia = read.table("http://www.uel.br/pessoal/silvano/Veter/Dados/Tilapia.txt",
head=T, dec='.')
attach(tilapia)
names(tilapia)
(medias = tapply(Peso, factor(Equipe), mean))
par(mai=c(1,1,.2,.2))
boxplot(Peso~factor(Equipe), xlab='Equipes', ylab='Pesos (g)', las=1, bty='l',
col="LightYellow", pch=19, outline=F)
points(medias, pch="+", cex=1.5, col="blue")
5.3.5 Grco de disperso

aquele em que cada dado representado por um ponto
(X, Y )
do sistema de coordenadas
cartesianas. O objetivo deste tipo de diagrama vericar se existe algum tipo de associao entre as variveis
observadas.
59
500
450
Peso (g)
400
350
300
250
200
22
24
26
28
30
Comprimento (cm)
Figura 5.14 Relao entre peso e comprimento de tilpias do Nilo, do tanque de piscicultura da
Universidade Estadual de Londrina, 2003.
Da Figura 5.14 nota-se uma relao linear crescente entre as variveis Peso e Comprimento. No
Captulo
?? ser estudado como ajustar uma equao linear a um conjunto de dados.

Deve-se tomar cuidado na anlise deste tipo de grco, uma vez que as variveis correlacionadas
no necessariamente esto sujeitas a uma relao de causa e efeito.

Os comandos do
para construo do grco de disperso so dados por:
tilapia = read.table("http://www.uel.br/pessoal/silvano/Veter/Dados/Tilapia.txt",
header=TRUE, dec=",")
attach(tilapia)
names(tilapia)
par(mai=c(1, 1, .2, .2))
plot(Peso ~ Comp, las=1, xlab="Comprimento (cm)", ylab="Peso (g)", pch=19, col="blue",
cex=1.2, bty="l")
detach(tilapia)
5.3.6 Grco de Setores Proporcionais

Uma forma interessante de apresentar a relao entre trs variveis atravs do grco de
setores proporcionais. Ele uma variao do grco de disperso, sendo que a magnitude do crculo indica a
contribuio de uma terceira varivel.
60
Captulo 5. Grcos
A Figura 5.15 mostra a relao entre o peso
controladas pelo tempo
(s)
(g)
e comprimento
(cm)
das tilpias do Nilo,
de recuperao da anestesia. A varivel Tempo de Recuperao indicada pelo
raio de cada circunferncia. Quanto maior o raio, maior o tempo que o animal levou para se recuperar da
anestesia.
500
Pesos (g)
400
300
200
22
24
26
28
30
32
Comprimento (cm)
Figura 5.15 Relao entre peso e comprimento de tilpias do Nilo, controladas para a varivel tempo
de recuperao da anestesia, do tanque de piscicultura da Universidade Estadual de
Londrina, 2003.
A Figura 5.15 mostra que h tilpias que demoraram mais tempo a se recuperar da anestesia. Os comandos
do
para construo do grco de setores proporcionais so dados por:
tilapias = read.table('http://www.uel.br/pessoal/silvano/Veter/Dados/Tilapia.txt',
head=T, dec=',')
attach(tilapias)
names(tilapias)
symbols(Peso~Comp, circles = Recup/500,
inches=F, bty="l", bg="LightGreen", xlab="Comprimento (cm)",
ylab="Pesos (g)", fg="blue", las=1)
61
5.3.7 Grco de Linhas

Quando as observaes so feitas ao longo do tempo, os dados so denominados temporais ou
longitudinais e uma representao adequada para este tipo de dados o grco de linhas. Consiste em colocar
no eixo horizontal do grco a escala temporal (ano, ms, dia, etc) e no eixo vertical a varivel a ser estudada
(frequncia, taxa ou medida tomada).
usual unir os pontos atravs de segmentos de reta, da o nome
recebido.
420
Pesos (g)
400
380
360
340
320
Semanas
Figura 5.16 Peso mdio de 10 tilpias, do tanque de piscicultura da UEL, acompanhadas durante 8
semanas.
Os comandos do
para construo do grco de linhas so dados por:
prod = read.table("http://www.uel.br/pessoal/silvano/Veter/Dados/Tilapia.txt",
head=T, dec=",")
(dados=data.frame(Prod=sort(prod[1:8,4]), Semanas=1:8))
attach(dados)
par(mai=c(1,1,.2,.2))
plot(Semanas, Prod, las=1, xlab="Semanas", ylab="Pesos (g)", lwd=2.5, type="b",
bty="l", col="blue", xaxt='n')
axis(1, at=c(0,1,2,3,4,5,6,7,8))
detach(prod)
Um cuidado a se ter com grcos, com as escalas adotadas. Muitas vezes uma mudana de
escala pode dar uma impresso errnea sobre a realidade dos acontecimentos.
62
Captulo 5. Grcos
5.4 Iluso dos Grcos

Embora os grcos sejam utilizados para que se tenha uma visualizao mais rpida, clara e
objetiva do comportamento dos dados, muitas vezes eles so utilizados, de forma errnea, para dar uma
impresso que no condiz com a realidade.
Para o propsito de mostrar uma aplicao grca ilusria, considere os dados (ctcios) apresentados na Tabela 5.1, referentes ao nmero de atendimentos realizados pelo Hospital Veterinrio, da Universidade Estadual de Londrina, no primeiro semestre de 2003.
Tabela 5.1 Nmero de atendimentos no Hospital Veterinrio, da Universidade Estadual de Londrina,

no primeiro semestre de 2003.
Meses
Janeiro
410
Fevereiro
430
Maro
450
Abril
408
Maio
408
Junho
405
Fonte: Fictcia
Os grcos, com escalas diferentes, para representar os dados da Tabela 5.1, so dados pelas
Figuras 5.17 e 5.18.
450
450
400
350
440
430
420
300
250
200
150
100
410
50
400
0
Janeiro
Fevereiro
Maro
Abril
Maio
Meses
Figura 5.17 Grco distorcido.
Junho
Janeiro
Fevereiro
Maro
Abril
Maio
Junho
Meses
Figura 5.18 Grco Correto.
Observe que na Figura 5.17 tem-se a impresso de que houve um nmero muito grande de
Iluso dos Grcos
63
atendimentos comparado aos outros meses. Perceba que a escala do grco comea em 400 atendimentos.
J na Figura 5.18 a escala comea no zero e percebe-se que no ms de maro houve, realmente, um nmero
maior de atendimentos, mas que a quantidade de atendimentos a mais no to signicativa quanto quela
apresentada na Figura 5.17. Logo, cuidado ao analisar grcos, seja crtico.
Os comandos do
para construo desses grcos so dados por:
atend = c(410,430,450,408,408,405)
names(atend) = c('Janeiro', 'Fevereiro', 'Maro', 'Abril', 'Maio', 'Junho')
barplot(atend-400, las=1, xlab='Meses', ylab='Nmero de atendimentos',
col='red', yaxt='n', space=0.6, density=10)
axis(2, at=seq(0,50, by=10), lab=seq(400,450, by=10), las=1)
abline(h=0, col='black', lwd=1)
barplot(atend, las=1, xlab='Meses', ylab='Nmero de atendimentos',
col='red', yaxt='n', space=0.6, density=10)
axis(2, at=seq(0,450, by=50), las=1)
abline(h=0, col='black', lwd=1)
Uma grande variedade de modelos grcos, aplicados s mais diversas reas, pode ser encontrada
na seguinte pgina:
http://bm2.genes.nig.ac.jp/RGM2/index.php?clear=all.
Captulo 6
Medidas de Posio
Viu-se que o resumo de dados atravs de grcos e tabelas de frequncias fornece muitas informaes sobre o comportamento de uma varivel. Muitas vezes, deseja-se resumir ainda mais esses dados,
apresentando um ou alguns valores que sejam representativos do conjunto em estudo.
As medidas de posio so utilizadas para sintetizar, em um nico nmero, o conjunto de
dados observados da varivel em estudo. Usualmente emprega-se uma das seguintes medidas de posio (ou
localizao) central: mdia, mediana ou moda.
6.1 Mdia Aritmtica Simples

A medida de tendncia central mais comumente usada para descrever resumidamente um
conjunto de dados, tabelados ou no, a mdia aritmtica simples, ou simplesmente mdia e representa-se
por
y.
denida como a soma das observaes dividida pelo nmero delas.
Exemplo:
Os pesos, em
kg ,
de
10
coelhos da raa Nova Zelndia Branco foram anotados, obtendo-se os
seguintes valores:
3, 7 3, 8 4, 8 5, 1 3, 9 4, 1 4, 2 4, 0 4, 5 5, 0.
Logo, a mdia ser:
y =
3, 7 + 3, 8 + 4, 8 + 5, 1 + 3, 9 + 4, 1 + 4, 2 + 4, 0 + 4, 5 + 5, 0
= 4, 31 kg.
10
Os comandos do
4 para o clculo da mdia so dados por:
pesos = c(3.7, 3.8, 4.8, 5.1, 3.9, 4.1, 4.2, 4.0, 4.5, 5.0)
mean(pesos)
64
Mdia Aritmtica Ponderada

Genericamente, seja
65
y1 , y2 , . . . , yn
os
valores da varivel
Y,
obtidos pelo pesquisador.
mdia aritmtica pode ser escrita como:
1
yi
n i=1
n
y =
sendo
yi
o valor observado do i-simo indivduo e
(6.1)
o total de observaes.
Quando dados de uma amostra de determinada populao so utilizados, a mdia aritmtica

calculada ser uma estimativa, pois emprega-se apenas uma frao do conjunto total.
6.2 Mdia Aritmtica Ponderada

A mdia aritmtica considerada ponderada se os valores observados tiverem pesos diferentes.
Este o critrio denido para o clculo da mdia nal para a disciplina de Estatstica do curso de Medicina
Veterinria, cujos pesos so:
em que
a nota obtida na listas;
Prova
Peso (pi )
P1
P2
P3
P4
P 1 , P2 , P3
Portanto, para calcular a mdia nal tem-se a
y =
P4
so as notas obtidas nas provas e os respectivos pesos.
mdia ponderada, dada por:
P1 + P2 + 2 P3 + 2 P4 + T
5
pi
i=1
em que o valor
pi
refere-se soma dos pesos.
i=1
De forma genrica, tem-se:
y =
yi pi
i=1
i=1
pi
66
sendo
Captulo 6. Medidas de Posio

yi
o valor que a varivel recebe e
Exemplo:
pi
seu respectivo peso.
Considere que as notas de um determinado aluno, obtidas na disciplina de Estatstica, foram:
P1
P2
P3
P4
P5
Notas
8,5
6,5
7,7
9,0
7,5
10,0
Pesos
Calcule a mdia nal.
Soluo:
Os comandos do
para o clculo da mdia ponderada so:
Provas = c(8.5, 6.5, 7.7, 9.0, 7.5, 10.0)

pesos = c(1, 1, 2, 2, 3, 1)
(MF = weighted.mean(Provas, pesos))
Caso as observaes estejam agrupadas em
distribuies de frequncias,
o clculo da mdia
passa a ser:
y =
y i fi
i=1
k
,
fi
i=1
sendo
yi
o valor observado (ou ponto mdio da classe),
o nmero de classes e
fi
as frequncias observadas.
Portanto, o clculo da mdia para dados agrupados, nada mais que o clculo de uma
mdia ponderada em
que os pesos so dados pelas frequncias observadas.
Exemplo:
Considere a distribuio de frequncias dos pesos de ces das raas Fila Brasileira e Pastor Alemo,
atendidos no Hospital Veterinrio da UEL em 2003 e apresentado na Tabela 6.1.
Mdia Geomtrica
67
Tabela 6.1 Distribuio de frequncia dos pesos
(kg)
de
30
ces das raas Fila Brasileiro e Pastor
Alemo, coletados no Hospital Veterinrio da Universidade Estadual de Londrina, em

2003.
Pesos
5
11
17
23
29
35
(kg)
Freq. absolutas (fi )
11
17
23
29
35
41
Freq. Acum. (Fac )
Ponto mdio
(yi )
yi fi
1
5
8
7
4
5
Total
30
Fonte: Hospital Veterinrio da UEL

Calcule a mdia de pesos dos animais.
Soluo:
Os comandos do
para o clculo da mdia para dados agrupados so:
yi = c(8,14,20,26,32,38)
fi = c(1,5,8,7,4,5)
(media = weighted.mean(yi, fi))
Obs.:
A mdia sofre muita inuncia de valores atpicos. Por outro lado, tima se a distribuio dos dados
for aproximadamente normal.
6.3 Mdia Geomtrica

Quando os valores observados crescem de forma exponencial, a mdia aritmtica pode no
representar bem o conjunto de dados.
Neste caso, deve-se utilizar a mdia geomtrica dos dados, que
calculada por:
yg = n y1 y2 . . . yn
ou
yg =
yi
(6.2)
i=1
A Contagem Bacteriana Total - CBT relaciona-se principalmente com prticas de higiene durante
a ordenha e limpeza do equipamento de ordenhar. Sendo assim, considere os dados apresentados na Tabela 6.2
68
referentes a CBT encontrada no leite, considerando-se a temperatura de armazenamento e o tempo aps a

ordenha.
Tabela 6.2 Efeito da temperatura de armazenamento e tempo aps a ordenha sobre o crescimento
bacteriano.
Temperatura de
armazenamento
(o C)
3 horas
9 horas
24 horas
9.000
9.000
10.000
15
10.000
46.000
5.000.000
25
18.000
1.000.000
57.000.000
35
30.000
35.000.000
800.000.000
Fonte:
Obs.:
Tempo de armazenamento
http://www.laticinio.net/inf_tecnicas.asp?cod=62
O leite deve atingir a temperatura de
4 oC
em no mximo 2 horas aps a ordenha.
Determine a mdia geomtrica do nmero de bactrias encontrada nos trs tempos apresentados
na Tabela 6.2.
Soluo:
Os comandos do
para o clculo da mdia geomtrica, entre outros, so:
require(psych)
cbt_3 = c(9000, 10000, 18000, 30000)
cbt_9 = c(9000, 46000, 1000000,35000000)
cbt_24 = c(10000, 5000000, 57000000, 800000000)
geometric.mean(cbt_3)
Mdia Geomtrica
69
Observe que necessrio instalar o pacote
psych.
No caso de se utilizar o pacote
asbio,
os
comandos seriam:
require(asbio)
cbt_3 = c(9000, 10000, 18000, 30000)
G.mean(cbt_3)
Pode ser necessrio o uso de logaritmos para o clculo da mdia geomtrica. Nesta situao,
aplica-se o logaritmo ao segundo termo da Equao (6.2), obtendo-se:
log yg
yg
1
(log10 y1 + log10 y2 + + log10 yn )
n
10
log10 y1 + log10 y2 + + log10 yn

n
Caso as observaes estejam agrupadas em
distribuies de frequncias, a mdia geomtrica
ponderada passa a ser:
yg =
y1f1 y2f2 . . . ynfn
70
Exemplo:
Determine a mdia geomtrica para os dados da Tabela (6.1).
Soluo:
6.4 Mediana
A mediana, denotada por
M d, uma quantidade que, como a mdia, tambm procura caracteri-
zar o centro da distribuio de frequncias quando os valores so dispostos em ordem crescente ou decrescente
de magnitude.
o valor que divide o conjunto ordenado de valores em duas partes com igual nmero de
elementos, ou seja, 50% das observaes cam acima da mediana e 50% cam abaixo.
Para calcular a mediana deve-se, em primeiro lugar, ordenar os dados para que se possa localizar
a posio da mediana e assim encontrar seu valor.
O nmero que indica a ordem ou posio em que se
encontra o valor correspondente mediana denominado elemento mediano (EM d ).
6.4.1 Determinao da mediana de valores no tabulados

Para determinar a mediana preciso ordenar os dados; em seguida aplique um dos processos a
seguir:
a) A varivel em estudo discreta e
mpar.
Neste caso a mediana ser o valor da varivel que ocupa a
posio:
EM d =
Exemplo:
n+1
.
2
O nmero de pacientes atendidos no Hospital Veterinrio da UEL, nos ltimos 11 dias foi:
10 12
Determine a mediana.
11
17 21 18
16
17 20
15
27
Mediana
71
Ordenados os valores, tm-se:
10 11
12
15 16 17
17
18 20
21
27.
Portanto, o elemento mediano ser:
EM d =
11 + 1
= 6,
2
ou seja, a mediana se encontra na sexta posio da lista ordenada de valores. Logo, a
mediana
neste
caso ser: 17 pacientes.
Os comandos do
4 para clculo da mediana so:
pacientes = c(10, 12, 11, 17, 21, 18, 16, 17, 20, 15, 27)
median(pacientes)
Obs.: Caso queira ordenar os elementos, o comando :
sort(pacientes)
b) A varivel em estudo discreta e
par.
Neste caso a mediana, por conveno, ser a mdia aritmtica
dos valores que ocupam as posies:
(
EM d =
Exemplo:
n
2
n+2
2
)
.
Acrescentando-se mais um dia aos dados do nmero de paciente atendidos pelo Hospital Vete-
rinrio da UEL, tem-se:
10 11
12
14 15 16
17
17 18
20
21
27.
Portanto, a mediana ser a mdia aritmtica dos valores cujos elementos so:
(
EM d =
Logo,
Md =
12
=6
2
)
12 + 2
=7 .
2
16 + 17
= 16, 5.
2
A mediana uma medida resistente a valores atpicos (muito grandes ou muito pequenos).
Os comandos do
4 para clculo da mediana so:
pac = c(10, 11, 12, 14, 15, 16, 17, 17, 18, 20, 21, 27)
median(pac)
72
6.4.2 Mediana de dados agrupados em classes

Quando os valores da varivel estiverem agrupados em classes, admite-se que os valores da
varivel na distribuio de frequncias distribuam-se continuamente. A mediana ser, neste caso, o valor da
varivel, para o qual 50% da frequncia total (n/2) ca situada abaixo e outra metade acima. O elemento
mediano para dados agrupados em classes ser n/2 (no importa se par ou mpar).
Para determinao da mediana aplica-se a seguinte frmula:
(EM d Fac1 )
a,
fM d
M d = Li +
(6.3)
sendo:
Li
a
= limite inferior da classe mediana;
= amplitude do intervalo de classe mediana;
fM d
= frequncia simples (absoluta) da classe mediana;
Fac1
Exemplo:
= frequncia acumulada anterior classe mediana;
Determinar a mediana dos dados da Tabela 6.1.

Todos os termos utilizados na Equao (6.3) so referentes classe mediana; logo, deve-se,
primeiramente, determinar a classe mediana encontrando-se o elemento mediano, dado por:
EM d =
Portanto, a classe mediana :
23 29,
n
30
=
= 15.
2
2
uma vez que, at 29, tem-se 21 observaes, e at 23 apenas 14.
Logo, substituindo-se os termos na expresso 6.3, tem-se:
Md
Md
(15 14)
6
7
= 23, 86 kg.
= 23 +
6.5 Moda
Outra medida que pode ser utilizada a
moda,
representada por Mo, denida como a
realizao mais frequente do conjunto de valores observados.

Se dois valores ocorrem com a mesma frequncia mxima, cada um deles ser a moda, e o
conjunto se denomina bimodal. Se mais de dois valores ocorrem com a mesma frequncia mxima, cada um
deles uma moda, e o conjunto multimodal. Quando nenhum valor repetido, o conjunto no tem moda
(amodal). A moda pode ser obtida mesmo que a varivel seja
qualitativa.
Moda
73
Exemplo 1:
Considere a estatura (em cm) dos alunos do curso de Medicina Veterinria:
155 161 163 163 168 168 168 169 172 175.
Logo, a altura modal entre esses alunos
Os comandos do
M o = 168 cm,
pois este valor se repetiu em maior nmero de vezes.
4 para o clculo da moda so dados por:
estat = c(155, 161, 163, 163, 168, 168, 168, 169, 172, 175)
tab.est = table(estat)
estat.mo = names(tab.est)[tab.est == max(tab.est)]
estat.mo
Exemplo 2:
O conjunto de nmeros 1, 2, 3, 4 e 5 no tem moda (Amodal).
Exemplo 3:
O conjunto de nmeros 1, 2, 2, 3, 4, 4 e 5 tem duas modas (bimodal), 2 e 4.
Exemplo 4:
Considere os seguintes dados:
Tipo Sanguneo
Frequncia
277
141
102
37
AB
O sangue tipo O ocorreu com maior frequncia. Ento a moda dessa amostra sangue tipo O.
6.5.1 Moda para dados agrupados em classes

Para dados agrupados em uma tabela de distribuio de frequncias para
tivas discretas,
variveis quantita-
a determinao da moda imediata, bastando, para isso, consultar na tabela, o valor que
apresenta maior frequncia, sendo este a moda. Considerando-se os dados da Tabela 6.3, determine a moda.
Tabela 6.3 Tempo (em semanas) de sobrevida de ratos com cncer induzido experimentalmente.
Sobrevida (semanas)
30
Nmero de ratos
10
Neste caso, a moda 6 semanas, pois o valor que ocorre com maior frequncia.
Para dados agrupados em uma tabela de distribuio de frequncias para
variveis quantita-
tivas contnuas, pode-se utilizar um dos seguintes mtodos:

a)
Moda bruta - o mtodo mais rudimentar para o clculo da moda em tabelas de frequncias, com valores
agrupados em classes. Consiste em tomar o ponto mdio da classe modal (aquela que apresenta maior
frequncia).
74
b)

Mtodo de Czuber - O processo para clculo da moda para dados agrupados o geomtrico, a partir do
histograma de frequncias. Este mtodo baseado na inuncia que as classes adjacentes exercem sobre
a moda, deslocando-a no sentido da classe de maior frequncia. Considere a Figura 6.1.
Figura 6.1 Esquema para obteno da moda pelo mtodo de Czuber, do nmero de atendimentos
do Hospital Veterinrio da UEL, 2005.
Processo:
Na Figura 6.1, marca-se, na classe modal, os vrtices A, B, C e D;
Traa-se retas
AC
BD;
No ponto de interseco dessas retas (E), traa-se uma perpendicular ao eixo das ordenadas, localizando
o ponto
Mo ,
O ponto
Mo
onais a
anterior e
Por
valor da moda;
divide a intervalo da classe modal
2 ,
sendo
(a)
em duas partes, cujos comprimentos so proporci-
a diferena entre a frequncia da classe modal e da classe imediatamente
a diferena entre as frequncias da classe modal e da imediatamente posterior;
traa-se a reta
FG
paralela ao eixo das abscissas, obtendo-se, assim, os segmentos
que representam as alturas dos tringulos

Sendo
Li
(Mo ),
verica-se, da Figura 6.1 que:
o limite inferior e
Ls
ABE
EG,
CDE ;
o limite superior da classe modal e
Mo = Li + x;

EF
a distncia entre
Li
e a moda
(6.4)
Emanuel Czuber: nasceu em 19/01/1851 em Praga, Repblica Tcheca e morreu em 22/08/1925 em Gnigl, Austria.
Moda
75
Sendo os tringulos
ABE
CDE
semelhantes (pois possuem dois ngulos iguais), tem-se que:
EF
EG
AB
CD
x
ax
1
2
x2
x
= a1 x1
=
1
a
1 + 2
(6.5)
Substituindo-se (6.5) em (6.4), tem-se:
M o = Li +
1
a,
1 + 2
(6.6)
em que:
Li
a
c)
= limite inferior da classe modal;
= amplitude do intervalo da classe modal;
= diferena entre a frequncia da classe modal e a imediatamente anterior;
= diferena entre a frequncia da classe modal e a imediatamente posterior;
Frmula de Pearson - em distribuies moderadamente assimtricas pode ser usada a frmula de Pearson,
dada por:
Mo
x
= 3M d 2
em que:
Md
x
= o valor da mediana;
= a mdia amostral;
(6.7)
76
Exemplo:
Determinar a moda pelos mtodos: moda bruta, Czuber e Pearson da seguinte distribuio:
Classes
fi
Fi
10
20
10
10
20
30
15
25
30
40
20
45
40
50
15
60
50
60
68
60
70
70
Total
a) A classe modal
30 40,
70
logo, pelo mtodo da moda bruta, tem-se que a moda
35;
b) Pelo mtodo de Czuber, tem-se:
Mo =
Li +
1
a,
1 + 2
Mo =
30 +
5
10 = 35.
5+5
c) Pelo mtodo de Pearson, tem-se:
Mo
x
= 3M d 2
Mo
= 3 35 2 35, 29 = 34, 42.
Observaes:
a) mdia, mediana e moda tm interpretaes diferentes, mas ajudam igualmente a representar um conjunto
de dados. A mdia pode ser vista como ponto de equilbrio das observaes, a mediana como o ponto
mdio e a moda como o ponto de mxima frequncia;
b) dados categricos (ou qualitativos) no tem mdia nem mediana, mas podem ter moda.
c) se a distribuio dos dados absolutamente
simtrica
em torno de um valor central, ento a mdia, a
mediana e a moda coincidem;

d) se a mdia for maior do que a moda, a distribuio de frequncia tem
e) se a mdia for menor que a moda, tem-se
assimetria positiva;
assimetria negativa da distribuio de frequncia;
Na seo 6.8, pgina 84, apresentado formas de se calcular a assimetria e a curtose de uma
conjunto de dados.
Utilizao das medidas de tendncia central
77
6.6 Utilizao das medidas de tendncia central

a)
Escolha da mdia:
i) quando a distribuio dos dados pelo menos aproximadamente simtrica;
ii) quando for necessrio obter posteriormente outros parmetros que podem depender da mdia, como
por exemplo a varincia, o desvio padro, etc.
b)
Escolha da mediana
i) quando h valores extremos;
ii) quando deseja-se conhecer o ponto central da distribuio;
iii) quando a distribuio dos dados muito assimtrica.
c)
Escolha da moda
i) quando a medida de interesse o ponto mais tpico ou popular dos dados;
ii) quando precisa-se apenas de uma rpida idia sobre a tendncia central dos dados.
6.7 Medidas Separatrizes

Dados simtricos so adequadamente descritos pela mdia e pelo desvio-padro.
Quando os
dados so assimtricos, a mediana identica mais adequadamente o centro de um conjunto de dados. Para
entender bem uma distribuio, pode-se conhecer valores acima ou abaixo dos quais se encontra uma determinada porcentagem dos dados atravs da medidas separatrizes. Separatriz de uma srie de
termos colocados
em ordem crescente de valor, o termo da srie que a divide em duas partes quaisquer. As principais separatrizes so a
mediana, os quartis, os decis e os percentis.
6.7.1 Separatrizes de dados no agrupados

O percentil de ordem
tal que
100 p
de um conjunto de valores dispostos em ordem crescente um valor
(100 p)% das observaes esto nele ou abaixo dele e 100(1p)% esto nele ou acima dele (0 < p < 1).
Assim, o percentil generaliza qualquer tipo de medida separatriz. Logo, tem-se:
i) o percentil de ordem 50
(P50 )
a mediana;
ii) os percentis de ordens 25, 50 e 75, representados por
P25 = Q1 , P50 = Q2
P75 = Q3 ,
respectivamente,
so chamados quartis (inferior, mediano e superior).

H vrios mtodos para o clculo do percentil de ordem
apresentados 9 mtodos diferentes.
100 p,
ou seja
P100 p .
No
so
78

Seja
o nmero de valores no nulos para uma varivel e seja
valores ordenados, tal que
y1
o menor valor e
yn
percentil o valor tal que a rea a esquerda dele
y 1 , y2 , , yn
o maior. Para um dado valor de
p.
representando os
entre 0 e 1, o p-simo
O p-simo percentil calculado como:
y +y
(i+1)
(i)
, se f = 0
2
yp =
y
se f > 0
(i+1) ,
em que
a parte inteira e
a parte fracionria de
np = i + f .
damento. Para obter as medidas separatrizes por este mtodo no
Aplicam-se aqui os critrios de arrendon-
R,
basta optar pelo type = 2.
Um outro critrio, que pode ser adotado, considerar a estatstica de ordem par mais prxima.
Neste caso, no
Exemplo:
R,
basta escolher a opo type = 3.
Considere os seguintes comprimentos (cm) de tilpias do nilo:
29, 0 29, 5 29, 3 25, 8 29, 8 24, 3 27, 0 29, 6 30, 0 28, 5
Determinar os percentis:
0, 20 0, 34 0, 45.
79
Soluo:
Os comandos do
4 so:
tilap = c(29.0,29.5,29.3,25.8,29.8,24.3,27.0,29.6,30.0,28.5)
quantile(tilap, probs=c(0.20,0.34,0.45), type=2)
quantile(tilap, probs=c(0.20,0.34,0.45), type=3)
6.7.2 Separatrizes de dados agrupados

Assim como a mediana divide os dados em duas partes iguais, os trs quartis, denotados por
Q1 , Q2
Q3 ,
dividem as observaes ordenadas em quatro partes iguais. O primeiro quartil separa os 25%
inferiores dos 75% superiores dos valores ordenados; o segundo quartil a mediana e o terceiro quartil separa
os 75% inferiores dos 25% superiores dos dados.
Para o clculo dos quartis, utiliza-se uma frmula semelhante da mediana, dada por:
( in
4
Qi = Li +
Fac1
)
a,
fQi
(6.8)
em que:
Li
a
= limite inferior da classe quartlica;
= amplitude do intervalo da classe quartlica;
fQi
= frequncia simples (absoluta) da classe quartlica;
Fac1
= frequncia acumulada anterior classe quartlica;

Analogamente, h nove decis, denotados por
D 1 , D 2 , D3 , . . . , D 9
grupos com cerca de 10% deles em cada grupo. A frmula dada por:
( in
Di = Li +
10
Fac1
fDi
)
a,
(6.9)
que dividem os dados em 10
80
em que:
Li
a
= limite inferior da classe decil;
= amplitude do intervalo da classe decil;
fDi
= frequncia simples (absoluta) da classe decil;
Fac1
= frequncia acumulada anterior classe decil;
H nalmente, 99 percentis, que dividem os dados em 100 grupos com cerca de 1% em cada
grupo. A frmula dada por:
( in
)
Fac1
Pi = Li + 100
a,
fPi
(6.10)
em que:
Li
a
= limite inferior da classe percentil;
= amplitude do intervalo da classe percentil;
fPi
= frequncia simples (absoluta) da classe percentil;
Fac1
Exemplo:
= frequncia acumulada anterior classe percentil;
Considere a distribuio de frequncias dos pesos mdios (kg) das leitegadas
da raa Landrace,
ao nascer, apresentada na Tabela 6.4.
Tabela 6.4 Peso mdio (kg) das leitegadas da raa Landrace, ao nascer.
Pesos mdios (kg)
Frequncias
12, 0 12, 5
12, 5 13, 0
10
13, 0 13, 5
12
13, 5 14, 0
23
14, 0 14, 5
17
14, 5 15, 0
10
15, 0 15, 5
15, 5 16, 0
Determine:
Conjunto dos leites, que nasceram de um parto
a) a mdia, a mediana e a moda;
Soluo:
b) a distribuio simtrica? Se no, que tipo de assimetria?
Soluo:
c) Determine:
Soluo:
Q1 , Q2 , Q3 , D5 , D6 , P95 ;
81
82

Uma forma direta de se determinar os valores das medidas separatrizes utilizando o grco de
frequncias acumuladas percentuais (conhecida como Ogiva de Galton).
6.7.3 Grco de caixa

Uma aplicao interessante para os quartis a construo do chamado grco de caixa (ou box
plot, box-whisker plot), que tem por nalidade a deteco de observaes discrepantes e o estudo da simetria
da distribuio. Tal grco foi apresentado no Captulo 5, na pgina 57.
Para a construo de um grco de caixa necessrio:
1) calcular o primeiro quartil (Q1 ), a mediana (Md) e o terceiro quartil (Q3 );
2) calcular a amplitude interquartlica (ou distncia interquartlica), dada por
3) calcular os limite inferior e superior. Tem-se que o limite inferior

dado por
LS = Q3 + 1, 5dq .
LI = Q1 1, 5dq
Traa-se uma linha a partir do centro de
da mesma forma com o valor de
Q3 ,
d q = Q3 Q1 ;
Q1
e o limite superior
at o limite inferior, e procede-se
traando-se a linha at o valor do limite superior;
4) vericar se h observaes discrepantes. As observaes que estiverem acima do limite superior ou abaixo
do limite inferior sero consideradas discrepantes do restante dos dados. So, em geral, representadas por
um asterisco (*) ou ().
Na Figura 6.2 so apresentados os quartis, bem como os limites inferior e superior, alm da
mdia e de outliers.
83
Figura 6.2 Esboo do grco de caixas.
Exemplo:
Na Figura 6.3 apresentado as frequncias cardacas dos animais atendidos no Hospital Veterinrio,
da Universidade Estadual de Londrina, em 2003, por sexo.
Freqncia Cardaca
200
150
100
50
Fmeas
Machos
Sexo dos Animais
Figura 6.3 Frequncia cardaca dos animais atendidos no Hospital Veterinrio, da Universidade Estadual de Londrina, em 2003.
Pelo grco, observa-se que as fmeas tm batimentos cardacos mais homogneos que os ma-
84
chos, embora haja alguns animais com batimentos discrepantes em relao ao seu grupo. Em termos mdios,
percebe-se que a mdia de batimentos cardacos para machos e fmeas aproximadamente igual.
Para construo do grco, os comandos do
4 so:
dados = read.table("http://www2.uel.br/pessoal/silvano/Dados/Dados_HV.txt", sep="\t",

header=T, dec=",")
attach(dados)
names(dados)
medias = by(FC, Sexo, mean, na.rm=TRUE)
boxplot(FC~Sexo, xlab="Sexo dos Animais", names=c("Fmeas", "Machos"),
ylab="Frequncia Cardaca", col="LightYellow", las=1)
# Opes: border="red")
points(medias, pch="+", cex=1.5, col="red")
detach(dados)
6.8 Assimetria e Curtose

6.8.1 Assimetria
Numa distribuio estatstica, a assimetria o quanto sua curva de frequncia se desvia ou se
afasta da posio simtrica, possibilitando analisar uma distribuio de acordo com as relaes entre suas
medidas de moda, mdia e mediana. Pode-se caracterizar a distribuio de frequncia em:
a) Assimetria nula ou simtrica.

Uma distribuio dita
simtrica
quando apresenta o mesmo valor para a moda, a mdia e a mediana,
ou seja,
y = M d = M o.
b) Assimtrica direita ou positiva.
Quando a cauda da curva da distribuio declina para direita, tem-se uma distribuio com
curva assi-
mtrica positiva:
y > M d > M o.
c) Assimtrica esquerda ou negativa;
Analogamente, quando a cauda da curva da distribuio declina para esquerda, tem-se uma distribuio
com
curva assimtrica negativa:

y < M d < M o.
85
Gracamente, tem-se um eixo de referncia ou eixo de simetria, que traado sobre o valor
da mdia da distribuio. Sempre que a curva da distribuio se afastar do referido eixo, ser considerada
como tendo um certo grau de afastamento, que considerado como uma assimetria da distribuio. Ou seja,
assimetria o grau de afastamento que uma distribuio apresenta do seu eixo de simetria.
Existem diversos mtodos para o clculo da medida de assimetria e, entre eles:
a) o
1o coeciente
de assimetria de Pearson, que dado por:
As =
y M o
s
para dados amostrais.

b) o
2o coeciente
de assimetria de Pearson.
Quando a distribuio for quase simtrica ou moderadamente assimtrica, pode-se calcular o grau de
assimetria substituindo-se a moda pela mediana, segundo a relao emprica proposta por Pearson:
As =
c) o
3(
y M d)
s
coeciente quartil de assimetria que, em seu clculo, recorre apenas aos quartis.
Trata-se de uma medida muito til quando no for possvel empregar o desvio-padro como medida de
disperso. denido por:
Asq =
d) o
Q3 2 M d + Q1
Q3 Q1
coeciente momento de assimetria.
Outra medida utilizada para avaliar a assimetria de uma distribuio de frequncias o coeciente momento
de assimetria, calculado com base nos momentos centrados da segunda e terceira ordem, denido por:
m3
Asm = ( )3
m2
em que:
(yi y)3 fi
m3 =
Obs.:
i=1
A assimetria calculada usando o
(yi y)2 fi
m2 =
i=1
baseada no coecente momento de assimetria.
A interpretao do coeciente de assimetria, em qualquer dos casos :
simtrica;
As > 0 a distribuio assimtrica positiva;
As < 0 a distribuio assimetrica negativa.
As = 0,
ento a distribuio
86
6.8.2 Curtose
A curtose uma medida de disperso que indica at que ponto a curva de frequncias de uma
distribuio se apresenta mais alada ou mais achatada do que uma curva-padro, denominada curva normal.
Para avaliar o grau de curtose de uma curva ou distribuio de frequncias, pode-se adotar dois
tipos de medidas:
a)
coeciente percentlico de curtose.

a medida mais elementar usada para avaliar o grau de curtose de uma distribuio ou curva de frequncias.
denido por:
kp =
em que,
dq
a distncia interquartlica;
D9
dq
2 (D9 D1 )
o nono decil e
se
k = 0, 263,
a curva ou distribuio mesocrtica;
se
k > 0, 263,
a curva ou distribuio platicrtica;
se
k < 0, 263,
a curva ou distribuio leptocrtica;
D1
No caso da distribuio normal padro, o valor da curtose
o primeiro decil. Neste caso, tem-se que:
k = 0, 263,
caracterizando uma curva meso-
crtica.
b)
coeciente momento de curtose.

Utiliza-se do quociente entre o momento centrado de quarta ordem e o quadrado do momento centrado
de segunda ordem, dado por:
km =
em que
m4
m4
m22
o quarto momento central e
ou, ainda,
s2
km =
m4
(s2 )2
a varincia.
A interpretao da curtose :
Se o valor da curtose for
km = 3, ento tem o mesmo achatamento que a distribuio normal.
Chama-se
a estas funes de mesocrticas ;

Se o valor
km > 3
ento a distribuio em questo mais alta (afunilada) e concentrada que a
distribuio normal. Diz-se desta funo probabilidade que leptocrtica, ou que a distribuio tem
caudas pesadas (o signicado que relativamente fcil obter valores que se afastam da mdia a vrios
mltiplos do desvio padro);
Se o valor
km < 3
ento a funo de distribuio mais achatada que a distribuio normal.
Chama-se-lhe platicrtica.
Obs.:
A curtose calculada usando o
baseada no coecente momento de curtose.
Exemplo:
87
Na Figura 6.4 so apresentadas as frequncias respiratrias dos animais atendidos no Hospital
Veterinrio, da Universidade Estadual de Londrina, em 2003.
0.020
Densidade de Probabilidade
0.015
0.010
0.005
0.000
0
20
40
60
80
100
120
140
160
180
200
Frequncia Respiratria
Figura 6.4 Frequncias respiratrias dos animais atendidos no Hospital Veterinrio, da Universidade
Estadual de Londrina, em 2003.
Pelo grco, observa-se que a moda
(M o = 32) menor que a mdia (

y = 53, 8), caracterizando
uma distribuio assimtrica positiva.

Para construo do histograma e das medidas de assimetria e curtose, os comandos do
4 so:
rm(list=ls())
dados = read.table("http://www2.uel.br/pessoal/silvano/Dados/Dados_HV.txt", sep="\t",
header=T, dec=",")
attach(dados) ; names(dados)
(media = mean(FR, na.rm=T)) ; (desvio = sd(FR, na.rm=T)) ;
(minimo = min(FR, na.rm=T)) ;
(maximo = max(FR, na.rm=T))
tab.est = table(FR) ; (moda = names(tab.est)[tab.est == max(tab.est)])

par(mai=c(1,1,.2,.2))
hist(FR, breaks=c(0, 20, 40, 60,80, 100, 120, 140, 160, 180, 200), freq=F, right=F, xlab=`',
ylab=`', col=`LightYellow', main=`', ylim=c(0,.02), las=1, xaxt="n", border="blue", labels=F)
mtext(`Frequncia Respiratria', side=1, line=1.5)
mtext(`Densidade de Probabilidade', side=2, line=4)
abline(h=0) ; abline(v=media, col=`red', lwd=2, lty=2)
axis(1, at = c(0, 20, 40, 60,80, 100, 120, 140, 160, 180, 200), line=-1.2)
y = seq(minimo-10, maximo, 0.01)
lines(y, dnorm(y, media, desvio), col="red", lwd=1.5)
require(moments)
skewness(FR, na.rm=T) ; kurtosis(FR, na.rm=T)
88
Exerccios - Medidas de Posio

1) Em uma pesquisa sobre diabetes mellitus, foram coletados os seguintes valores de glicemia em jejum:
80
85
86
90
95
96
99
100
101
103
103
103
104
105
108
108
109
110
110
110
a) Agrupar os dados em classes e calcular a mdia aritmtica, a moda (bruta e Czuber) e a mediana;
b) Determine, sem agrupar os dados em classes (dados brutos): a mdia aritmtica, a moda e a mediana.
Utilize-se do
4 e de calculadora.
2) Em um estudo sobre instituies de atendimento mdico, foram obtidos dados da disponibilidade de leitos
de 50 dessas instituies:
48
53
58
62
64
66
69
71
77
81
49
54
58
62
64
67
69
72
77
82
50
55
59
63
65
67
70
73
78
83
52
56
60
64
65
67
70
74
78
86
52
57
61
64
66
68
71
76
80
90
a) Determine a mdia e a mediana dos dados e, tambm, determine o terceiro quartil e interprete-o;
b) Construa o histograma;
c) Construa o grco de caixas (box plot ).
d) Agora, utilizando o
4, refaa os clculos anteriores.
e) Agrupar os dados em classes (Sturges) e calcular a mdia, a moda (bruta e Czuber) e a mediana.
Compare os resultados obtidos e discuta-os.
3) Os dados abaixo representam a largura mxima de amostras de crnios de animais machos.

mdia, a mediana e a moda. Conrme os resultados utilizando-se do
131 119
138
125
129 126
131
132
Calcule a
4.
126 128
128
131
4) A amplitude total de um conjunto de nmeros 500. Se a distribuio de frequncias apresenta 20 classes,

qual dever ser o limite inferior e o ponto mdio da
35?
5a
classe, se o limite superior da
1a
classe igual a
89
5) Os nveis de cido rico, em (mg/100
ml), encontrados nos exames bioqumicos de sangue de 10 pacientes
de um laboratrio, so os seguintes:
5, 1
4, 0
6, 4
5, 0
5, 5
9, 0
5, 5
5, 5
6, 0
8, 0
Com base nessas informaes, calcular:
a) a mdia aritmtica simples;
d) a mediana;
b) a mdia geomtrica;
e) a moda.
c) a mdia harmnica;
Conrme os clculos utilizando-se do
4 ou da sua calculadora.
6) Com base nos dados apresentados na Tabela 1.1, pgina 7, calcular a mdia aritmtica simples, a mdia
geomtrica, a mdia harmnica, a mediana e moda de cido ascrbico no plasma.
7) Qual o tipo mais comum de suicdio apresentado na Tabela 6.5? A esse tipo de medida estatstica, qual o
nome que se d?
Tabela 6.5 Suicdios ocorridos no Brasil em 1986, segundo a causa atribuda.
Causa atribuda
Frequncias
Alcoolismo
263
Diculdade nanceira
198
Doenca mental
700
Outro tipo de doena
189
Desiluso amorosa
416
Outras
217
Total
1983
Fonte: IBGE (1988)
Qual a probabilidade de um indivduo que se suicidou, t-lo feito por desiluso amorosa?
8) Consideremos 12 observaes (ordenadas) do tempo de internao (dias) de animais de pequeno porte do

Hospital Veterinrio da UEL:
10
13
15
17
17
18
19
Obtenha os quartis e interprete estes valores. Construa o grco de caixas usando o
21
4.
90
9) Com base nos dados da Tabela 6.6, calcule o peso mdio dos ratos em cada idade. Usando o
4, construa o
grco de caixas para a varivel peso, considerando-se cada rato (apenas um grco com todos os ratos).
Compare os resultados e comente.
Tabela 6.6 Peso mdio em ratos por idade.
Nmero do rato
Idades
30
34
38
42
46
76,2
95,5
99, 2
122,7
134,6
81,5
90,0
101,2
125,9
136,2
50,0
60,0
47,5
50,0
63,5
79,2
65,1
75,7
63,2
74,8
64,5
74,1
72, 2
72, 3
94, 7
88, 5
88, 1
96, 0
85, 3
84, 0
62, 3
57, 5
82, 1
79, 3
79, 0
92, 6
110,0
98, 7
100,0
98, 3
10) Trinta pessoas foram consultadas sobre sua cor favorita. Suas respostas foram:
Vermelho
Azul
Azul
Roxo
Preto
Preto
Azul
Marrom
Vermelho
Azul
Amarelo
Azul
Verde
Amarelo
Preto
Amarelo
Azul
Verde
Azul
Verde
Azul
Preto
Preto
Azul
Azul
Azul
Laranja
Vermelho
Verde
Vermelho
Construa uma tabela de frequncias para os dados.
Qual a escolha modal e a frequncia relativa (ou
porcentagem) desta cor?
11) Calcule para a tabela de frequncias abaixo sua respectiva mdia e mediana.
Xi
Fi
19
25
28
12) Determinar o quarto decil, o primeiro quartil e o septuagsimo segundo percentil da seguinte distribuio:
Classes
4 9
9 14
14 19
19 24
fi
8
12
17
Fi
91
Se voc seguir apenas por caminhos traados, chegar onde todos poderiam chegar.
Alexandre Graham Bell
Captulo 7
Medidas de disperso ou
variabilidade
As medidas de disperso servem para indicar o quanto os dados se apresentam dispersos em
relao ao seu valor mdio.
Considere os dados referentes aos pesos de cinco animais, de quatro raas de
coelhos: Alaska, Beli, Califrnia e Chinchila, apresentados na Tabela 7.1.
Tabela 7.1 Pesos de cinco coelhos de quatro raas distintas.
Pesos (em kg)
Raas dos coelhos
Mdias
Animal 1
Animal 2
Animal 3
Animal 4
Animal 5
Alaska
3,0
3,5
4,5
4,0
5,0
4,0
Beli
4,2
3,8
4,1
3,9
4,0
4,0
Califrnia
3,0
3,0
4,0
5,0
5,0
4,0
Chinchila
4,0
4,0
4,0
4,0
4,0
4,0
Analisando-se os resultados da Tabela 7.1, verica-se que a mdia de pesos para as quatro raas
a mesma, ou seja, quatro quilos. Embora o valor mdio seja o mesmo, a varivel peso tem um comportamento
diferente dentro de cada raa. Assim, para a raa Alaska, o peso varia de 3,0 a 5,0 quilos; para a raa Beli,
a variao de 3,8 a 4,2 quilos; para a Califrnia, de 3,0 a 5,0 quilos; para a Chinchila, no h variao. Em
geral, um alto grau de uniformidade ou pequena disperso desejvel.
7.1 Amplitude Total

A maneira mais simples de se medir a variabilidade de uma varivel atravs da distncia entre
o maior e o menor valor observado em um conjunto de dados. Essa diferena a amplitude total, denotada
92
Desvio Absoluto Mdio

por
93
At .
Para os dados apresentados na Tabela 7.1, a amplitude total ser:
Raa dos coelhos
Amplitude total
Alaska
At = 5, 0 3, 0 = 2, 0 kg
Beli
At = 4, 2 3, 8 = 0, 4 kg
Califrnia
At = 5, 0 3, 0 = 2, 0 kg
Chinchila
At = 4, 0 4, 0 = 0, 0 kg
O problema em se considerar a amplitude total como medida de disperso dos dados, o fato
dela levar em considerao em seu clculo, apenas os valores extremos e no todos os valores. Assim, dois
conjuntos de dados podem apresentar a mesma amplitude total, mesmo que tenham disperso muito diferente.
Embora fcil de calcular e de interpretar, no deve ser usada normalmente como medida de disperso.
Uma forma de se calcular as amplitudes usando os comandos do
4 :
coelhosd = c(3.0,3.5,4.5,4.0,5.0,4.2,3.8,4.1,3.9,4.0,
3.0,3.0,4.0,5.0,5.0,4.0,4.0,4.0,4.0,4.0)
coelhos = matrix(coelhosd, 4,5, byrow=T)
colnames(coelhos) = c('Animal1','Animal2','Animal3','Animal4','Animal5')
rownames(coelhos) = c('Alaska', 'Beli','Califrnia','Chinchila')
coelhos
alaska = range(coelhos[1,])
diff(alaska)
belie = range(coelhos[2,])
diff(belie)
california = range(coelhos[3,]) ;
diff(california)
chinchila = range(coelhos[4,])
diff(chinchila)
7.2 Desvio Absoluto Mdio

Outra forma de se medir a variabilidade de uma varivel quanticando a disperso das observaes em relao a um ponto especco na distribuio, em geral, a mdia. Claro que poderia-se pensar em
calcular os desvios em relao a, por exemplo, mediana. distncia entre os valores observados e a mdia ou
mediana, d-se o nome de desvio, logo
Desvio = yi y
ou
Desvio = yi M d
94
Captulo 7. Medidas de disperso ou variabilidade
Considere os pesos dos animais da raa Alaska, apresentados na Tabela 7.1 e calcule os desvios em torno da
mdia. Esses clculos so apresentados na Tabela 7.2.
Tabela 7.2 Desvios e desvios absolutos para pesos dos animais da raa Alaska.
Animais
Desvios:
(yi y)
Desvios absolutos:
|yi y|
3, 0 4, 0 = 1, 0
|3, 0 4, 0| = 1, 0
3, 5 4, 0 = 0, 5
|3, 5 4, 0| = 0, 5
4, 5 4, 0 =
0, 5
|4, 5 4, 0| = 0, 5
4, 0 4, 0 =
0, 0
|4, 0 4, 0| = 0, 0
5, 0 4, 0 =
1, 0
|5, 0 4, 0| = 1, 0
Soma
(yi y) = 0
i=1
|yi y| = 3, 0
i=1
Observe que a soma dos desvios em relao mdia sempre zero, logo, ela no informativa a
respeito da variabilidade dos dados, portanto, melhor utilizar a soma dos valores absolutos dos desvios, que
ser sempre positiva. A soma dos valores absolutos ser tanto maior quanto maior o nmero de observaes
(n).
O desvio absoluto mdio pode ser calculado como:
1
|yi y|
n i=1
n
dy =
Para a raa Alaska, o desvio absoluto mdio :
dy =
3, 0
= 0, 6 kg .
5
Caso os dados estejam agrupados em uma tabela de distribuio de frequncias, o clculo do

desvio mdio ser calculado por:
No
1
dy =
|yi y|fi
n i=1
n
4 o clculo dos desvios absolutos mdios, por raa, :
n1 = length(coelhos[1,]) ; (dm1 = (1/n1)*(sum(abs(coelhos[1,] - mean(coelhos[1,])))))

desvios_medios = cbind(dm1, dm2, dm3, dm4) ; desvios_medios
Para o clculo do desvio absoluto mdio dos dados, independentemente de raa, tem-se:
Varincia
95
n = length(coelhosd)
desvio_medio = (1/n)*(sum(abs(coelhosd - mean(coelhosd))))
7.3 Varincia
A medida de variabilidade mais utilizada a varincia, que simplesmente a soma dos quadrados
dos desvios, divididos pelo total de observaes menos um. Pode-se calcular a varincia para dados provenientes
de uma populao ou amostra e de dados brutos ou agrupados em classes.
7.3.1 Varincia de Dados Brutos Populacionais

Quando se coleta dados de toda populao-alvo ou simplesmente populao, o clculo da varincia se d da seguinte forma:
(yi )2
2 =
i=1
(7.1)
7.3.2 Varincia de Dados Brutos Amostrais

Se as informaes coletadas so provenientes de uma amostra da populao, ento a varincia
calculada da seguinte maneira:
(yi y)2
s2 =
i=1
n1
(7.2)
Considere os dados da Tabela 7.1 e calcule a varincia para os pesos dos animais da raa Alaska. Na Tabela
7.3 so apresentados os desvios calculados.
96

Tabela 7.3 Desvios e quadrado dos desvios para pesos dos animais da raa Alaska.
Animais
Desvios:
(yi y)
Quadrado dos desvios:
(yi y)2
3, 0 4, 0 = 1, 0
(3, 0 4, 0)2 = 1, 00
3, 5 4, 0 = 0, 5
(3, 5 4, 0)2 = 0, 25
4, 5 4, 0 =
0, 5
(4, 5 4, 0)2 = 0, 25
4, 0 4, 0 =
0, 0
(4, 0 4, 0)2 = 0, 00
5, 0 4, 0 = 1, 0
n
(yi y) = 0
(5, 0 4, 0)2 = 1, 00
n
(yi y)2 = 2, 5
Soma
i=1
i=1
Logo, a varincia ser:
(yi y)2
s2 =
i=1
n1
2, 5
= 0, 625 kg 2 .
51
Uma forma computacionalmente mais eciente, para o clculo da varincia, obtida quando se
desenvolve a soma de quadrados dos desvios, da seguinte maneira:
(yi y)2
i=1
(yi2 2yi y + y2 )
i=1
y
yi2 2
i=1
i=1
yi + n
y2
i=1
yi2
yi
n
n
i=1
2
yi
yi + n
n
n i=1 i=1
n
(
)2
yi
yi2
i=1
i=1
(7.3)
Substituindo-se 7.3 em 7.2, tem-se:
s2 =
y2
n 1 i=1 i
)2
yi
i=1
O clculo da varincia dos pesos para cada raa, usando o
(7.4)
4 dado por:
Varincia
97
var1 = (1/(n1-1))*(sum((coelhos[1,] - mean(coelhos[1,]))^2))

cbind(var1, var2, var3, var4)
Para o clculo da varincia dos pesos de todos os coelhos, sem levar em considerao a raa, :
media = mean(coelhosd)
media
n = length(coelhosd)
variancia = (1/(n-1))*sum((coelhosd - media)^2)

variancia
ou, simplesmente
var(coelhosd)
7.3.3 Varincia de Dados Agrupados

Quando os dados esto dispostos em uma tabela de fequncias, para se calcular a varincia basta
levar-se em considerao as frequncias de cada classe. Logo, multiplica-se o numerador da equao 7.2 por
fi
e obtm-se:
(yi y)2 fi
s2 =
i=1
n1
Desenvolvendo-se o quadrado dos desvios, chega-se a:
s2 =
y 2 fi
n 1 i=1 i
Exemplo:
n
(
)2
yi fi
i=1
Considere a distribuio de fequncia da Tabela 7.4. Determine a varincia.
(7.5)
98

Tabela 7.4 Pesos das carcaas de bovinos.
Pesos (kg)
Frequncias (fi )
Ponto mdio (yi )
120 140
140 160
160 180
180 200
200 220
220 240
240 260
130
12
150
15
170
17
190
14
210
11
230
250
Usando-se a frmula (7.5), tem-se:
s =
3.214.200
86 1
)2
16.340
86
s2 = 1.289, 411765 kg2
fi = c(8,12,15,17,14,11,9)
xi = c(130,150,170,190,210,230,250)
nc = sum(fi) ; nc
xifi = sum(xi*fi)
xi2fi = sum(xi^2*fi)
var_carcaa = 1/(nc-1) * (xi2fi - xifi^2/nc)
claro que, com a facilidade computacional e a disponibilidade de programas estatsticos gratuitos como o
4, se o pesquisador dispe dos dados brutos, recomendvel que as estatsticas sejam baseadas
neles. As distribuies de frequncias servem, neste caso, apenas para apresentar as informaes de forma
resumida.
7.3.4 Propriedades da varincia

As propriedades da varincias so:
a) somar (ou subtrair) um valor constante e arbitrrio
a cada elemento de um conjunto de nmeros no
altera a varincia;
b) multiplicar (ou dividir) por um valor constante e arbitrrio
cada elemento de um conjunto de nmeros,
a varincia ca multiplicada (ou dividida) pelo quadrado da constante.
Varincia
Exemplo:
99
Considere uma constante
c=4
e os seguintes valores observados para a varivel
Y = {2, 4, 5, 8, 10, 12}

a) Calcule a varincia dos dados;
Soluo:
b) Acrescente a constante a cada valor de
e calcule a varincia;
Soluo:
c) Subtraia a constante de cada valor de
e determine a varincia;
Soluo:
d) Multiplique cada valor de
pela constante e calcule a varincia;
Soluo:
e) Divida cada valor de
pela constante e calcule a varincia;
Soluo:
f ) O que se observou dos resultados obtidos?
Y:
100
Soluo:
7.4 Desvio Padro

Observe que, devido ao fato de se elevar os desvios ao quadrado, a unidade de medida tambm
ca elevada ao quadrado, gerando escalas sem sentido prtico. Assim, caso a unidade de mensurao seja
metros (m), a unidade de medida da varincia ser
m2 .
Uma forma de se obter uma medida de disperso com a mesma unidade de medida dos dados observados , simplesmente, extrair a raiz quadrada da varincia, obtendo-se o desvio padro. Ele representado
por
s.
Logo,
s=
s2 .
Para os dados dos coelhos da raa Alaska, a varincia calculada foi
s2 = 0, 625 kg 2 .
Portanto,
o desvio padro dado por:
s2
0, 625 kg 2
=
= 0, 790569415 kg.
No
4, basta extrair a raiz quadrada das varincias de cada raa calculadas anteriormente.
sd1 = sqrt(var1)
sd2 = sqrt(var2)
sd3 = sqrt(var3)
sd4 = sqrt(var4)
cbind(sd1, sd2, sd3, sd4)

ou, se de forma direta:
sd(coelhosd)
7.5 Coeciente de Variao

A interpretao do desvio padro depende da ordem de grandeza da varivel em estudo. Assim,
um desvio padro de 10 pode ser insignicante se os valores tpicos observados forem em torno de 10.000,
mas pode ser muito signicativo para um conjunto de dados cuja observao tpica seja 100.
Coeciente de Variao
101
Logo, pode ser conveniente expressar a variabilidade dos dados de uma varivel de modo
inde-
pendente da sua unidade de medida utilizada, tirando a inuncia da ordem de grandeza da varivel.
Tal
medida denominada coeciente de variao.

O coeciente de variao de Pearson a razo entre o desvio padro e a mdia. Em geral, o
resultado multiplicado por 100, para que o coeciente de variao seja dado em porcentagem. dado por:
CV =
s
100
y
Sua utilidade est em fornecer uma medida para a homogeneidade de um conjunto de dados.
Quanto menor o coeciente de variao, mais homogneo o conjunto de dados.
Esta medida pode ser
bastante til na comparao de duas variveis ou dois grupos que, a princpio, no so comparveis.
Em geral, considera-se:
a) Baixa disperso:
b) Mdia disperso:
c) Alta disperso:
CV < 15%;
15% < CV < 30%
CV > 30%
Em experimentos realizados em laboratrio, em que todas as condies podem ser controladas,

espera-se que o coeciente de variao seja baixo, ou seja, menor que 10%.
102
Exemplo:
Calcular a mdia, a varincia, o desvio padro e o coeciente de variao para as variveis Estatura
(cm), Peso (kg ) e Idade (anos) de dez alunos aleatoriamente selecionados:
Estatura (cm)
= 177 162 188 157 166 153 158 176 168 163
Peso (kg)
= 68, 0 83, 0 72, 0 99, 9 51, 0 52, 0 52, 0 66, 5 80, 0 48, 0
Idade (anos)
= 18, 0 20, 1 20, 5 17, 7 19, 2 18, 9 26, 9 20, 1 20, 7 19, 3
Qual varivel apresenta maior variabilidade?
Soluo:
Coeciente de Variao
103
Exerccios - Medidas de Disperso
Quando procedemos a uma investigao cientca em que utilizamos dados de uma frao representativa de uma populao (amostra), a mdia aritmtica determinada apresentar, em relao
mdia populacional, um afastamento.
Se outras amostras fossem retiradas da populao, apresentariam mdias aritmticas que teriam outros afastamentos em relao mdia populacional. Para se determinar a mdia destes
afastamentos utilizamos o
erro-padro da mdia, cujo clculo expresso pela frmula:

s
sx =
n
1) Embora os gastroenterologistas infantis reconhecessem a utilidade diagnstica do teor de gordura fecal, at

1984 no existia um padro de referncia desta medida para crianas brasileiras. Para preencher esta lacuna,
o Prof. Francisco Penna, titular da Pediatria da UFMG, examinou 43 crianas sadias que produziram os
valores da Tabela 7.5 expressos em
g/24 horas.
Tabela 7.5 Teor de gordura (g/24
horas)
em 43 crianas.
3,7
1,6
2,5
3,0
3,9
1,9
3,8
1,5
1,1
1,8
1,4
2,7
2,4
2,1
2,1
3,3
3,2
2,3
2,3
2,4
0,8
3,1
1,8
1,0
2,0
2,0
1,3
2,7
2,9
3,2
1,9
1,6
2,9
2,0
1,0
2,7
3,0
1,3
1,5
4,6
2,1
2,8
1,9
Baseando-se nos dados brutos, pede-se:
a) faa o histograma, o grco de caixas e discuta-os;
b) determine o teor mdio de gordura;
c) determine a varincia dos dados;
d) determine o desvio padro e interprete-o;
e) determine o erro-padro.
2) Em uma granja foi observada a distribuio dos frangos em relao ao peso, apresentada na Tabela 7.6.
104

Tabela 7.6 Pesos dos frangos de uma granja.
Peso (gramas)
Frequncia absoluta
960 980
60
980 1000
160
1000 1020
280
1020 1040
260
1040 1060
160
1060 1080
80
a) Qual a mdia da distribuio?

b) Determine o desvio padro dos dados.
c) Determine o erro-padro dos dados.
d) Qual o inconveniente de se usar a varincia como medida de variabilidade?
3) Uma das caractersticas da gota, distrbio hereditrio que ocorre especialmente em homens, a hiperuricemia (excesso de cido rico no sangue). Embora nem todos os indivduos com hiperuricemia desenvolvam
manifestaes clnicas de gota, h muito tempo tem-se reconhecido que o componente hereditrio da doena est ligado a uma tendncia para hiperuricemia. A Tabela 7.7 apresenta a distribuio de frequncias
das dosagens de cido rico srico em 267 homens sadios.
Tabela 7.7 Distribuio de frequncia da dosagem de cido rico.
cido rico (mg/dL)
3, 0 3, 5
3, 5 4, 0
15
4, 0 4, 5
33
4, 5 5, 0
40
5, 0 5, 5
54
5, 5 6, 0
47
6, 0 6, 5
38
6, 5 7, 0
16
7, 0 7, 5
15
7, 5 8, 0
8, 0 8, 5
8, 5 9, 0
Total
Pede-se:
Frequncia absoluta
267
Coeciente de Variao
105
a) calcule a mdia;
b) determine a varincia dos dados;
c) determine o desvio padro e interprete-o.
4) Em trabalho laboratorial realizado no Jockey Club Brasileiro, vericou-se que os animais apresentaram
em torno de 42% e desvio padro de 5%. O mesmo trabalho realizado
um valor mdio de hematcrito
no Jockey Club de Porto Alegre apresentou valor mdio de hematcrito igual a 38% e varincia de 25%.
Opinar sobre os Coecientes de Variao (CV).
5) Calcular a mdia aritmtica e desvio padro dos seguintes dados relativos dosagem de hemoglobina
vericada em 12 animais bovinos(mg ):
15
14
13
11
13
14
13,5
12
16
14,5
12
9.
6) Em 25 pessoas adultas do sexo masculino, observou-se em relao ao teor de hemoglobina um valor mdio
igual a
13, 7 mg .
O erro padro da mdia foi igual a
0, 45 mg .
Determinar o CV e opinar sobre o seu
valor.
7) Na Tabela 7.8 apresenta-se a distribuio de frequncias quanto ao nmero de acidentes por dia, durante
setenta dias, na rodovia X. Determinar a mdia aritmtica e o desvio padro.
Tabela 7.8 Nmero de acidentes na rodovia X.
Nmero de acidentes
Nmero de dias
8) O efeito da castrao sobre a espessura (em
21
16
12
mm)
de toucinho de leites foi avaliado em um experimento,
cujos resultados esto disponvel na pgina:
http://www2.uel.br/pessoal/silvano/Dados/Toucinho.txt.
Usando o
R:
a) Construa o histograma;
b) Faa o grco de caixas considerando apenas um grupo. Refaa o grco para comparar a espessura
entre tipos; Discuta os resultados observados;
c) Calcule a mdia, o desvio-padro e o coeciente de variao das espessuras para cada tipo. Interprete.
Hematcrito (ou Ht ou Htc) a percentagem ocupada pelos glbulos vermelhos ou hemcias no volume total de
sangue.
106
d) Repita os clculo efetuados no item (8c) para todos os animais e compare os resultados.
9) O tempo (em meses) entre a remisso
! de 48 pacientes de uma determinada
de uma doena e a recidiva
clnica foi registrado. Os dados ordenados so apresentados a seguir, separadamente para machos (M) e
fmeas (F):
Machos
Fmeas
10
12
15
15
15
16
18
18
22
22
24
10
10
11
11
12
18
a) Faa o grco de caixas para comparar o tempo entre machos e fmeas;

b) Calcule a mdia, o desvio-padro e o coeciente de variao para cada gnero. Interprete.
c) Repita os clculo efetuados no item (9b) para todos os 48 pacientes. Compare os resultados.
A diferena entre as pessoas que

tm sucesso e as que fracassam,
que as primeiras nunca desistem.
Remisso completa o termo utilizado em Medicina para designar a fase da doena aonde no h sinais de atividade
da mesma mas no possvel concluir como cura.
!
Recidiva (popularmente conhecido como recada) o retorno da atividade de uma doena.
Captulo 8
Anlise Combinatria
A Anlise Combinatria a parte da Matemtica em que se estuda as tcnicas de contagem
de agrupamentos que podem ser feitos com elementos de um dado conjunto.
de agrupamentos que se pode formar: um em que se leva em conta a
agrupamento e outro em que a
So basicamente dois tipos
ordem dos elementos
dentro do
ordem dos elementos irrelevante.
Um requisito bsico simplicao das frmulas da Anlise Combinatria o fatorial, que ser
explicado a seguir.
8.1 Fatoriais
Indica-se por
5!
(leia-se: cinco fatorial) o produto dos cinco primeiros naturais positivos:
5! = 5 4 3 2 1
portanto,
5! = 120.
Tem-se tambm:
4!
4 3 2 1 = 24
7!
7 6 5 4 3 2 1 = 5.040
Dado um nmero natural qualquer
n,
sendo
n > 1,
dene-se:
n! = n (n 1) (n 2) 3 2 1
e os seguintes casos particulares:
1! = 1
e
107
0! = 1
108
Captulo 8. Anlise Combinatria

Note que:
0! =
1! =
2! =
21=2
3! =
321=6
4! =
4 3 2 1 = 24
5! =
5 4 3 2 1 = 5 4! = 120
6! =
6 5 4 3 2 1 = 6 5! = 720
e assim por diante. Ao desenvolver um fatorial, colocando-se os fatores em ordem decrescente, pode-se parar
onde for conveniente, indicando os ltimos fatores tambm na notao fatorial.
Calcule:
a)
9!
b)
10!
c)
11!
d)
e)
f)
g)
h)
i)
5!15!
13!7!
j)
6!
k)
10!
9!
10!
12!
6!
8!
10!
4!6!
12!
10!2!
l)
m)
n)
o)
5!
4 5! 6 3!
30 + 0! 3 1!
13!
5!
+ 13
3!10!
3!2!
n!
(n 1)!
(n + 1)!
n!
p) Calcule
Para o clculo de fatoriais, no
R,
na equao
n! = 12 (n 2)!
basta
factorial(9)
factorial(10)/factorial(9)
8.2 Princpio Fundamental da Contagem

Imagine que h apenas dois residentes (R1 e
chegam, simultaneamente, 3 animais (A1 ,
A2
A3 )
R2 )
no Hospital Veterinrio da UEL de planto e
para serem atendidos.
Princpio Fundamental da Contagem
109
Pode-se pensar nas seguintes possibilidades de atendimento:

R1
A1
R2
R1
A2
R2
R1
A3
R2
Assim, cada animal poderia ser atendido por um dos dois residentes, gerando as seguintes
possibilidades:
A1 R1 , A1 R2 , A2 R1 , A2 R2 , A3 R1 , A3 R2 .
Portanto, h seis maneiras diferentes dos animais
serem atendidos.
Princpio Fundamental da Contagem:

Se uma ao composta de duas etapas sucessivas, sendo que a primeira pode ser realizada de
e, para cada uma destas, a segunda pode ser realizada de
se realizar a ao
m maneiras
maneiras, ento, o nmero de maneiras de
m n.
Exerccios:
1) Com os algarismos
1, 2, 3, 4
quantos nmeros naturais de trs algarismos podem ser escritos? Destes
nmeros, quantos so formados por algarismos diferentes?
2) Quantas placas de licena de automveis podem ser formadas por 3 letras e 4 algarismos sendo as letras
apenas vogais e sendo os algarismos distintos?
3) Uma sorveteria oferece uma taa de sorvete que pode vir coberto com calda de chocolate ou de morango
ou de caramelo. Se o sorvete pode ser escolhido entre 10 sabores diferentes, quantas so as opes para
um cliente escolher a taa com a cobertura?
4) Uma moeda ser lanada 6 vezes e a cada vez ser anotado o resultado obtido, cara ou coroa, formando
assim uma sequncia de 6 resultados. Quantas sequncias diferentes podem ser formadas?
110
5) Dez alunos da UEL cadastraram-se para adotar animais do Hospital Veterinrio.
Sabe se que h duas
espcies de animais para serem adotadas: Canina e Felina. Da espcie Felina h 3 raas e da canina 5
raas. De quantas maneiras os animais podero ser adotados?
8.3 Permutaes
Com os seguintes smbolos
, ,
Denomina-se
), ( ), (
), (
Cada uma dessas sucesses chamada de
pode-se formar as seguintes sucesses:
), (
), ( ).
permutao dos trs smbolos.
permutao de n elementos dados a toda sucesso de n termos formada com os n elementos
dados.
Duas permutaes dos mesmos objetos so diferentes se a ordem dos objetos numa delas
diferente da ordem em que os objetos esto colocados na outra.
Exemplos:
1) Formar os anagramas da palavra UEL.
Soluo:
No
R,
tem-se
require(combinat)
U = c(Ù',È',`L')
permn(U)
2) Formar os anagramas da palavra LILI.
Soluo:
No
R,
tem-se
require(combinat)
L = c(`L',Ì',`L',Ì')
permn(L)
Permutaes
111
3) Forme todos os anagramas da palavra RIMA que comeam com consoante.
Soluo:
No
R,
tem-se
require(combinat)
R = c(Ì',`M',À')
permn(R)
M = c('R','I','A')
permn(M)
Exerccios:
1) Forme todas as permutaes dos algarismos
1, 2
3.
2) Forme todas as permutaes das letras a, b, c e d.

3) Forme todos os anagramas da palavra AZUL que comeam pela letra Z.
4) Forme todos os anagramas da palavra PAPAI que comeam e terminam por vogal.
8.3.1 Quantidade de Permutaes

Geralmente se est interessado no
nmero de permutaes
que podem ser feitas com deter-
minados elementos. Para determinar esse nmero, tem-se que considerar duas situaes possveis:
permutaes com elementos distintos;
permutaes com elementos repetidos.
Permutaes de elementos distintos

Quantas permutaes podem ser formadas com as letras A, B, C, D e E?
(, , , , )
1a etapa:
escolher a
1a
letra da permutao.
possibilidades para esta etapa.
Ela pode ser A ou B ou C ou D ou E. H, portanto, 5
112
2a etapa:
escolher a
2a
letra da permutao. Tem-se 4 possibilidades para esta etapa, uma vez que uma das
letras j ter sido eliminada.
3a etapa:
escolher a
3a
letra da permutao. Tem-se 3 possibilidades para esta etapa.
4a etapa:
escolher a
4a
letra da permutao. Tem-se 2 possibilidades para esta etapa.
5a etapa:
escolher a
5a
letra da permutao. Tem-se 1 possibilidade para esta etapa.
Pelo princpio fundamental da contagem, conclui-se que possvel formar
5! = 120
54321 =
permutaes diferentes. Indica-se o nmero de permutaes de cinco elementos diferentes por
P5 .
Assim, tem-se:
P5 = 5! = 120.
Assim, racionando da mesma forma, conclui-se que o nmero de permutaes de
n elementos distintos dado
por:
Pn = n!
A soluo no
R,
para o nmero de permutaes possveis, dada por:
require(combinat)
nsamp(n=5, k=5, replace=FALSE, ordered=TRUE)
Exemplos:
1) Quantos so os anagramas da palavra BRASIL?
Soluo:
Os comandos a seguir, no
R,
calculam o nmero de permutaes e quais so elas.
require(combinat)
nsamp(n=6, k=6, replace=FALSE, ordered=TRUE)
DD = c('B','R','A','S','I','L')
Perm = unlist(permn(DD))
t(array(Perm, dim = c(6, gamma(7))))
Permutaes
113
2) Com os algarismos
1, 3, 4, 6, 7
9,
quantos nmeros pares de seis algarismos distintos podem ser escritos?
Soluo:
Para formar um nmero par deve-se primeiro escolher o algarismo da casa das unidades, que pode ser o 4 ou 6.
Como so algarismos distintos, a quantidade de nmeros pares que se pode formar :
2 P5 = 2 5! = 2 120 = 240.
Permutaes com elementos repetidos

Quantas permutaes podem ser formadas com elementos no distintos? Por exemplo, com as
letras
A, A,
B,
h apenas 3 permutaes:
(A, A, B), (A, B, A)

Se as letras A e A fossem distintas (por exemplo
A1
A2 ,
(B, A, A)
ento as permutaes seriam:
(A1 , A2 , B), (A2 , A1 , B), (A1 , B, A2 ), (A2 , B, A1 ), (B, A1 , A2 )
(B, A2 , A1 )
Sabe-se que o nmero de permutaes de 3 elementos distintos
P3 = 3! = 6.
elementos tiver 2 elementos repetidos, este nmero ca dividido por
2!
V-se que se entre os 3
(que o nmero de permutaes dos
2 elementos se eles forem considerados distintos). Indica-se o nmero de permutaes de 3 elementos sendo
2 repetidos por
P32 .
Tem-se:
P32 =
Quando se tem
elementos, dos quais
n1
3!
6
= = 3.
2!
2
so repetidos de um tipo,
n2
so repetidos de outro tipo,
repetidos de outro tipo e assim por diante, o nmero de permutaes que se pode formar dado por:
Pnn1 ,n2 ,n3 , ,nk =
n!
,
n1 !n2 !n3 ! nk !
(n1 + n2 + n3 + + nk = n)
Exemplos:
1) Quantos so os anagramas da palavra ELEGER?
Soluo:
ELEGER 6 letras, sendo 3 E, 1 L, 1 G, 1 R. O nmero de anagramas :
P63 =
6!
6 5 4 3!
=
= 120
3!
3!
n3
so
114
2) Quantos so os anagramas da palavra ESTATSTICA?
Soluo:
ESTATSTICA 11 letras, sendo 1 E, 2 S, 3 T, 2 A, 2 I, 1 C. O nmero de anagramas :
3,2,2,2
P11
=
11!
= 831.600
3!2!2!2!
3) Quantos so os anagramas da palavra VETERINRIA?
Soluo:
VETERINRIA 11 letras, sendo 1 V, 2 E, 1 T, 2 R, 2 I, 1 N, 2 A. O nmero de anagramas :
2,2,2,2
P11
=
11!
= 2.494.800
2!2!2!2!
Exerccios:
1) Quantos nmeros pares so obtidos permutando-se os algarismos
1, 2, 2, 3, 3, 3
4?
2) Determine o nmero de permutaes que podem ser feitas com as letras de cada palavra:
a) ORDEM
c) AMAZONAS
b) DOMINAR
d) MANADA
3) Sete atletas participam de uma prova de atletismo.
No ocorrendo nenhum empate, quantas so as
classicaes possveis nesta prova?

4) De quantas formas 5 sinais +, 3 sinais - e 2 sinais podem ser colocados em sequncia?
5) Numa mesa de bilhar h 4 bolas vermelhas, 3 bolas brancas, 2 amarelas e uma verde, encostadas umas
nas outras, em linha reta. De quantas maneiras pode-se dispor estas bolas obtendo coloridos diferentes?
8.4 Arranjos e Combinaes

8.4.1 Combinaes
H no Hospital Veterinrio da UEL dois animais para serem adotados. Como h quatro pessoas
interessadas, Andressa, Fernanda, Herick e Igor, ser realizado um sorteio. Os alunos sorteados podero ser:
Andressa e Fernanda
ou
Andressa e Herick
ou
Andressa e Igor
Fernanda e Herick
ou
Fernanda e Igor
ou
Herick e Igor
Arranjos e Combinaes
115
Cada uma dessas possibilidades um agrupamento das 4 pessoas tomadas 2 a 2.

agrupamentos, a ordem citada dos elementos no importa.
Em cada um destes
Note, por exemplo, que sortear Andressa e
Fernanda ou Fernanda e Andressa exatamente a mesma coisa.

Quando se agrupam elementos em que a
chamados de
combinaes.
ordem do agrupamento no importa,
estes so
As combinaes so conjuntos cujos elementos so escolhidos entre os elementos
dados.
Denominam-se
combinaes
de
elementos distintos tomados
elementos distintos escolhidos entre os
aos conjuntos formados de
elementos dados.
No exemplo citado, considerando-se os elementos
Andressa, Fernanda, Herick e Igor
as combinaes destes 4 elementos tomados 2 a 2 so:

{Andressa e Fernanda}
{Andressa e Herick}
{Andressa e Igor}
{Fernanda e Herick}
{Fernanda e Igor}
{Herick e Igor}
Observe que duas combinaes so diferentes apenas quando tm elementos diferentes.
8.4.2 Arranjos
Suponha que os animais a serem adotados so de espcies diferentes: um canino e um felino.
Assim, a
1a
pessoa sorteada adotar o co e a
2a
pessoa sorteada adotar o gato. Neste caso, se as pessoas
sorteadas fossem Andressa e Fernanda, nesta ordem, Andressa caria com o co e a Fernanda com o gato.
Mas, se os sorteados fossem Fernanda e Andressa, nesta ordem, Fernanda caria com o co e Andressa com
o gato.
Tem, neste caso, uma situao em que os agrupamentos:
Andressa e Fernanda
Fernanda e Andressa
so considerados agrupamentos diferentes.

Quando se agrupam elementos de modo que em cada agrupamento
elementos, estes agrupamentos so chamados
arranjos
dos
arranjos.
de
elementos distintos tomados
distintos escolhidos entre os
elementos dados.
Denominam-se
importa a ordem
No exemplo citado, considerando-se os elementos
s sucesses formadas de
termos
116

Andressa, Fernanda, Herick e Igor
os arranjos destes 4 elementos tomados 2 a 2 so:

(Andressa, Fernanda)
(Andressa, Herick)
(Andressa, Igor)
(Fernanda, Andressa)
(Fernanda, Herick)
(Fernanda, Igor)
(Herick, Andressa)
(Herick, Fernanda)
(Herick, Igor)
(Igor, Andressa)
(Igor, Fernanda)
(Igor, Herick)
Observe que dois arranjos so diferentes se tiverem elementos diferentes, ou se tiverem os mesmo elementos
porm em ordens diferentes.
Exemplos:
1) Formar as combinaes dos algarismos
1, 3, 5, 7
tomados
2.
Soluo:
As combinaes so os conjuntos de dois algarismos escolhidos entre os algarismos dados:
{1, 3}, {1, 5}, {1, 7}, {1, 9}, {3, 5}, {3, 7}, {3, 9}, {5, 7}, {5, 9}, {7, 9}
2) Formar os arranjos dos algarismos
1, 3, 5
tomados
3.
Soluo:
Os arranjos so as sucesses de trs algarismos distintos escolhidos entre os algarismos dados:
(1, 3, 5), (1, 3, 7), (1, 5, 7), (1, 5, 3), (1, 7, 3), (1, 7, 5)
(3, 1, 5), (3, 1, 7), (3, 5, 1), (3, 5, 7), (3, 7, 1), (3, 7, 5)
(7, 1, 3), (7, 1, 5), (7, 3, 1), (7, 3, 5), (7, 5, 1), (7, 5, 3)
Exerccios:
1) Forme as combinaes das letras a, b, c e d tomadas duas a duas.
2) Forme os arranjos das letras a, b, c e d tomadas duas a duas.
3) Quatro equipes, A, B, C e D, esto classicadas para o quadrangular nal de um campeonato em que as
trs primeiras colocadas sero premiadas (com prmios diferentes).
a) Escreva todas as possibilidades para as trs primeiras colocaes no campeonato.
b) Cada uma destas possibilidades corresponde a um arranjo ou a uma combinao das equipes tomadas
trs a trs?
Quantidade de Arranjos
117
4) Cesar, Diego, Maisa, Nara e Sabrina entregaram o trabalho relativo pesquisa feita no Hospital Veterinrio
da UEL e dois deles sero escolhidos para uma apresentao perante a classe.
a) Escreva todas as possibilidades de escolha dos dois que faro a apresentao do trabalho.
b) Cada uma destas possibilidades corresponde a um arranjo ou a uma combinao dos 5 alunos tomados
dois a dois?
8.5 Quantidade de Arranjos

O nmero de arranjos de
elementos tomados
ser denotado por
An,k
(ou pelo smbolo
Akn ).
Para determinar esta quantidade de arranjos, deve-se formar uma sucesso de
entre os
k termos escolhidos
elementos dados:
1o termo
1o
2o
3o
pode ser qualquer um dos
ko
. . .,
elementos dados; h, portanto,
possibilidades para
ele.
Para cada uma destas possibilidades, o
2o termo do arranjo poder ser qualquer um dos (n 1)

(n 1)
elementos restantes, excludo aquele j escolhido. H, portanto,
3o
Para cada par de elementos j escolhidos, o

elementos restantes. H, portanto,
(n 2)
possibilidades para o
2o
termo.
termo poder ser qualquer um dos
possibilidades para o
3o
(n 2)
termo.
E assim por diante.
(
Arranjo
possibilidades
1o
2o
3o
. . .,
ko
(n 1)
(n 2)
n (k 1)
Pelo princpio fundamental da contagem, conclui-se que a quantidade de arranjos que podem ser
formados :
An,k =
n!
(n k)!
Exemplos:
1) Quantos so os arranjos de 6 elementos, tomados 3 a 3?
118

Soluo:
An,k =
n!
(n k)!
6!
(6 3)!
A6,3 =
A6,3 = 120
2) Vinte equipes cursos disputam o campeonato interno da UEL de futebol de salo. Quantas so as possibilidades de classicao nos dois primeiros lugares (campeo e vice-campeo)?
Soluo:
An,k =
n!
(n k)!
A20,2 =
20!
(20 2)!
A20,2 = 380
Exerccios:
1) Calcule os nmeros
a)
A5,2
c)
A10,4
b)
A8,5
d)
A12,3
2) Numa corrida de frmula 1 h 24 pilotos participando e apenas os dez primeiros colocados ganham pontos.
Quantas so as possibilidades de classicao nos 10 primeiros lugares?
3) Com as letras da palavra FLAMENGO, quantas palavras distintas formadas de 5 letras distintas podem
ser escritas? (As palavras no precisam ter sentido na linguagem comum).
4) Sero eleitas duas pessoas para representarem os alunos do curso Medicina Veterinria.
Uma ser o
representante principal e a outra ser suplente. Dez alunos esto interessados. Quantos so os possveis
resultados da eleio.
8.6 Quantidade de Combinaes

O nmero de combinaes de
smbolo
Cnk .
elementos tomados
ser denotado por
Para determinar esta quantidade de combinaes deve-se lembrar que com
a1 , a2 , a3 , , ak
Cn,k
(ou pelo
elementos distintos:
Quantidade de Combinaes
podem ser obtidas
k!
119
permutaes:
(a1 , a2 , a3 , , ak ), (a2 , a1 , a3 , , ak ), (a3 , a1 , a2 , , ak ), etc

Isto signica que a partir de uma combinao pode-se obter
k!
arranjos dos
Ento, o nmero de combinaes igual ao nmero de arranjos dividido por
Cn,k =
elementos tomados
k.
k!:
An,k
k!
Logo
Cn,k =
n!
k!(n k)!
Exemplos:
1) Quantas so as combinaes de 6 elementos tomados 2 a 2?
Soluo:
Cn,k =
n!
k!(n k)!
C6,2 =
6!
2!(6 2)!
2) Em um experimento com camundongos sero utilizados 5 deles.
C6,2 = 15
No laboratrio h 15 camundongos
em condies homogneas e que podem ser utilizados no experimento. De quantos modos diferentes o
experimento pode ser realizado?
Soluo: Como so 15 camundongos e apenas 5 sero utilizados no experimento, basta calcular o nmero de
combinaes possveis.
Cn,k =
n!
k!(n k)!
Exerccios:
1) Calcule os nmeros:
C15,5 =
15!
5!(15 5)!
C15,5 = 3.003
120
a)
C8,6
c)
C7,4
b)
C12,3
d)
C100,2
2) Calcule o valor de
na equao
Cn,2 = n + 2.
3) Numa festa compareceram 36 pessoas.
Se cada uma delas cumprimentou todas as outras ao chegar,
quantos cumprimentos foram realizados?

4) Numa urna h 12 etiquetas numeradas, 6 com nmeros positivos e 6 com nmeros negativos. De quantos
modos pode-se escolher 4 etiquetas diferentes tal que o produto dos nmeros nelas marcados seja positivo?
Captulo 9
Noes sobre a teoria das

probabilidades
Conceitos probabilsticos so necessrios para se estudar fenmenos aleatrios, isto , situaes
em que os resultados possveis so conhecidos, mas no se pode saber a priori qual deles ocorrer.
Caso os fenmenos estudados, repetidos sob as mesmas condies iniciais, levem sempre ao
mesmo resultado, eles so chamados de determinsticos.
O
tem um pacote chamado
prob,
muito interessante, para clculo de probabilidades.
Tal
pacote ser utilizado neste captulo, para tanto carregue o pacote:
>
require(prob)
9.1 Conceitos Bsicos em Probabilidade

9.1.1 Experimento Aleatrio
um processo de coleta de dados relativo a um fenmeno que acusa variabilidade em seus
resultados. Os resultados no sero previsveis, sero diferentes mesmo que as condies iniciais sejam sempre
as mesmas.
Exemplos:
a) o lanamento de uma moeda;
b) lanar trs moedas justas e observar as faces voltadas para cima;
c) lanar um dado e observar a face voltada para cima;
d) anotar o resultado de um exame de gravidez;
e) colocar 20 sementes em um germinador e observar, aps um certo perodo de tempo, o nmero de sementes
germinadas;
121
122
Captulo 9. Noes sobre a teoria das probabilidades

Quando se tem um experimento aleatrio, no se pode prever com certeza o resultado. Pode-se,
no entanto, descrever todos os possveis resultados deste experimento.
9.1.2 Espao Amostral

O conjunto de
todos os resultados possveis de um experimento aleatrio chamado de espao
amostral. Vamos represent-lo por
Exemplos:
a) o lanamento de uma moeda:
= {C, K},
em que: C = cara e K = coroa;
>
tosscoin(1);
>
urnsamples(1:2, x = c(`C',`K'), size=1, replace=TRUE, ordered=TRUE)
b) lanar trs moedas justas e observar as faces voltadas para cima:
= {CCC, CCK, CKC, CKK, KCC, KKC, KCK, KKK};

>
tosscoin(3);
>
urnsamples(1:2, x = c(`C',`K'), size=3, replace=TRUE, ordered=TRUE)
c) lanar um dado e observar a face voltada para cima;
= {1, 2, 3, 4, 5, 6};
>
rolldie(1)
d) anotar o resultado de um exame de gravidez;
= {P ositivo, N egativo};
>
urnsamples(1:2, x = c(`Positivo',`Negativo'), size=1, replace=TRUE, ordered=TRUE)
e) colocar 20 sementes em um germinador e observar, aps um certo perodo de tempo, o nmero de sementes
germinadas:
= {0, 1, 2, . . . , 20}
>
urnsamples(1:20, x = c(0:20), size=1, replace=T, ordered=TRUE)
9.1.3 Evento
qualquer subconjunto do espao amostral. Os eventos so geralmente representados por letras
maisculas, como A, B, C,
. . ..
Dentre os eventos a considerar, deve-se incluir o prprio espao amostral
(evento certo) e o conjunto vazio (evento impossvel).
Conceito de Probabilidade
Exemplo:
123
Um experimento foi conduzido com a nalidade de se conhecer a ecincia de um tratamento na
cura de certa doena. Para tanto, trs doentes foram tratados com a referida droga. O espao amostral
dado por:
= {CCC; CCC; CCC; CC C; C CC; CCC; CCC, C C C}

em que: C = cura e
= no cura.
O espao amostral, construindo no
>
R,
ser dado por:
(Tr = urnsamples(1:2, x = c('C','NC'), size=3, replace=T, ordered=TRUE))
Considere os seguintes eventos:
A = {Obter duas curas}
B = {Obter quatro curas}
A = {CCC; CCC; CCC}
B=
>A
O evento
= Tr[c(2,3,5),]
denominado evento impossvel.
9.2 Conceito de Probabilidade

9.2.1 Conceito Clssico ou a priori
Pelo conceito clssico, tem-se que:
a) a probabilidade denida com base em dados do experimento aleatrio;
b) a probabilidade obtida antes de o experimento ser realizado e, da, o nome a priori;
O conceito clssico surgiu no sculo XVII a partir dos jogos de azar e dene a probabilidade de
o evento
ocorrer como sendo:
P (A) =
Exemplo:
Nmero de resultados favorveis a A

Nmero de resultados possveis
No lanamento de um dado honesto, qual a probabilidade de o resultado ser um nmero:
a) mpar?
b) Menor que 3?
c) Primo?
Assim, para o clculo de probabilidades de modelo igualmente provveis usando o
R,
tem-se:
124
(S.dado = round(rolldie(1, makespace=TRUE), 4))

probspace(1:6)
iidspace(c(`1',`2',`3',`4',`5',`6'), ntrials = 1, probs = c(1/6,1/6,1/6,1/6,1/6,1/6))
> I = sum(S.dado[c(1,3,5),2]) ; I
> M = sum(S.dado[c(1,2),2]) ; M
> P = sum(S.dado[c(2,3,5),2]) ; P
Observe que as trs primeiras linhas so formas diferentes de se obter as probabilidades dos
valores observados do lanamento de um dado.
importante notar que a denio clssica exige que os resultados tenham todos a mesma
chance. Se os resultados no tm a mesma chance, deve-se apelar para a estimativa pela frequncia relativa.
Mas como podemos calcular as probabilidades a priori nas seguintes situaes:
a) Uma pessoa que fuma um pacote de cigarros por dia desenvolver cncer;
b) Ocorrer uma geada no prximo inverno;
c) Haver uma exploso na populao de desfolhadores presentes numa oresta de eucalipto;
d) Encontrar uma rvore de mogno num parcela de
numa oresta nativa;
400 m3 /ha.
e) A produo mdia de uma oresta superar
Exemplo:
1 ha
Planejamento Familiar
Um casal planeja ter lhos at terem uma menina e no mximo quatro lhos. Qual a probabilidade de este
casal ter uma lha?
Esta questo pode ser respondida com o uso de simulao:
1) Utilize a tabela de nmeros aleatrios e selecione 20 nmeros:
1 2 7
0 3
5 6 3
0 6
2 1
2) Os nmeros pares representam meninas (F) e os mpares, meninos (M):
3) Agrupe os nmeros de acordo com planejamento do casal para simular as diferentes possibilidades de lhos.
Numere cada simulao como uma famlia:
Observe que 8 famlias foram geradas por simulao.
Conceito de Probabilidade
125
4) Calcule a probabilidade de ocorrncia do evento
P (A)
A=
{o casal ter uma lha}:
Nmero de ocorrncias de A
Nmero de repeties
P (A) =
8
= 1.
8
a) Ser que a probabilidade de 100%?

b) Ser que se for selecionado um outro conjunto de 20 nmeros aleatrios obter-se- a mesma probabilidade?
Para responder s questes anteriores, repete-se a simulao com vrios grupos. Assim, tem-se:
Grupo
No
10
11
12
13
14
15
16
17
18
19
de
Famlias
No
de
Famlias com
Filhas
O clculo da probabilidade, por simulao, :
P (A)
Total de famlias com lhas

Nmero total de famlias
P (A) =
O clculo da probabilidade pode ser efetuado da seguinte forma:
Nmero de tentativas
Probabilidades
0, 5
0, 5 0, 5 =
0, 5 0, 5 0, 5 =
F
0, 5 0, 5 0, 5 0, 5 =
0,5
0,25
0,125
0,0625
0, 9375
Que uma aplicao do modelo geomtrico.
Exemplo:
1) Dentre 10.878 partos sucessivos que ocorreram em uma maternidade de So Paulo, e que resultaram em
crianas vivas, 100 foram de gmeos. Qual a probabilidade (em porcentagem) de nascimento de um par de
gmeos entre os recm-nascidos vivos que podem ser estimados a partir desses dados? Considere o evento
como sendo nascimento de um par de gmeos.
20
126
9.3 Propriedades da Probabilidade

As probabilidades sempre se referem a ocorrncia de eventos e, independentemente do conceito
utilizado, clssico ou frequentista, o modelo de probabilidade em Bioestatstica ter sempre uma
coerncia
interna que resulta dos axiomas de probabilidade:

0 P (A) 1
P () = 1
P () = 0
Obs.:
Se
for o evento complementar de
A,
ento
= 1 P (A).
P (A)
9.4 Diagramas de Venn

9.4.1 Operaes com Eventos
Em muitos problemas de probabilidade
interessam-nos eventos que podem ser expressos
em termos de dois ou mais eventos, formando
unies, intersees e complementos.
Os espaos
amostrais e os eventos, especialmente as relaes
diagramas de Venn, que auxiliam na visualizao

entre os eventos, costumam ser ilustrados por
dos conceitos bsicos de probabilidade.
9.4.1.1 Unio de Eventos:

O evento unio de A e B equivale ocorrncia de A, ou de B, ou ambos. Contm os elementos
do espao amostral que esto em pelo menos um dos dois conjuntos.
Diz-se ocorre A
Notao:
>
union(A, B)
ou B .
Diagramas de Venn
127
9.4.1.2 Interseo de Eventos:

A interseo de dois eventos
simultaneamente em
Notao:
>
e em
B.
B,
o evento que consiste de todos os elementos contidos
Contm todos os pontos comuns a A e B.
intersect(A, B)
9.4.1.3 Sub-Conjuntos:
Diz-se: B sub-conjunto de
A
ou B implica em
A.
B A = A
BA
B A = B
Notao:
S
B
A
9.4.1.4 Eventos Disjuntos:

Dois eventos A e B, dizem-se disjuntos ou mutuamente exclusivos, quando a ocorrncia de um
deles impossibilita a ocorrncia do outro. Os dois eventos no tm elementos em comum.
128
S
B
A
Notao:
B=
9.4.1.5 Complemento:
o evento que consiste de todos os elementos do espao amostral que
no esto contidos em
A, ou seja, a negao de A.
Notao:
Ac .
Ac A = S
c
A
Ac A =
Sc
A
>
setdi(A, B)
9.4.2 Regras de Clculo de Probabilidades

Utilizando os diagramas de Venn torna-se mais fcil compreender algumas regras que surgem
naturalmente no clculo de probabilidades.
Regra 1: Probabilidade da unio de eventos

P (A B) = P (A) + P (B) P (A B)
Se
forem mutuamente exclusivos, tm-se
P (A B) = 0,
e o teorema ca sendo:
P (A B) = P (A) + P (B)
Diagramas de Venn
Exemplo:
129
Considere o experimento lanamento de um dado e os seguintes eventos:
a) A = sair o nmero 3;
b) B = sair nmero par, e
c) C = sair nmero mpar.
Determinar:
P (A);
P (B);
P (A B);
P (C);
P (A C)
P (Ac ).
Soluo:
Obs.:
Pode-se determinar a probabilidade da unio de trs ou mais eventos, usando a teoria de conjuntos.
Assim, se considerarmos trs eventos,
P (A B C) =
A, B
C,
a probabilidade da unio dos trs eventos dada por:
P [(A B) C]
= P (A B) + P (C) P [(A B) C]
= P (A) + P (B) P (A B) + P (C) P (A C) P (B C) + P (A B C)
P (A B C) = P (A) + P (B) + P (C) P (A B) P (A C) P (B C) + P (A B C)
> (S = rolldie(1, makespace=TRUE))

> (A = subset(S, X1 == "3"))
> (B = subset(S, X1 %in% c(2,4,6)))
> (C = subset(S, X1 %in% c(1,3,5)))
> prob(A) ; prob(B) ; prob(C)
> union(A, B) ; prob(union(A,B))
> union(A, C) ; prob(union(A,C))
> setdiff(S, A) ; prob(setdiff(S, A))
130
Regra 1B: Probabilidade da unio de eventos disjuntos

Se
so disjuntos
AB =
P (A B) = 0.
Portanto, a probabilidade da unio de eventos disjuntos ca:
P (A B) = P (A) + P (B)
Regra 2: Probabilidade da unio de uma sequncia de eventos disjuntos

Se
A1 , A2 , A3 , . . . ,
formam uma sequncia de eventos disjuntos, ento:
)
Ai
i=1
Exemplo:
P (Ai ).
i=1
No lanamento de duas moedas temos:
= pelo menos uma cara,
= duas coroas. Qual a
probabilidade de duas coroas ou pelo menos uma cara?
Soluo:
> (L = tosscoin(2, makespace=TRUE))

> A1 = subset(L, toss1=="H") ; A2 = subset(L, toss2=="H")
> (A = union(A1, A2))
> (B = subset(L, toss1=='T' & toss2=='T'))
> prob(union(A,B))
Regra 3: Probabilidade do complemento

Do diagrama de Venn, tm-se que
P (S) = 1,
e que
A Ac =
sendo
P () = 0,
A Ac = S P (A Ac ) = P (S).
logo:
P (A Ac ) = P (S)
P (A) + P (Ac ) = 1
P (Ac ) = 1 P (A).
Mas, sabe-se que:
Probabilidade Condicional
Exemplo:
131
Um dado lanado 10 vezes, qual a probabilidade de A = pelo menos um 6?
Soluo:
9.5 Probabilidade Condicional

Algumas vezes a chance de um particular evento acontecer depende do resultado de algum
outro evento. Por exemplo, a chance de um paciente com alguma doena sobreviver o prximo ano depende,
naturalmente, de ter sobrevivido no presente perodo.
A probabilidade do evento
condicional de A dado B,
denota-se por
ocorrncia de ambos os eventos
>
A, quando se sabe que o evento B
P (A|B).
ocorreu, chamada
probabilidade
Pode ser determinada dividindo-se a probabilidade de
pela probabilidade do evento
B,
como se mostra a seguir:
P (A|B) =
P (A B)
,
P (B)
se
P (B) > 0
P (B|A) =
P (A B)
,
P (A)
se
P (A) > 0
prob(A, given=B)
ou, ainda,
>
prob(B, given=A)
Na probabilidade condicional, a ocorrncia de um evento altera a probabilidade de ocorrncia de
outro evento.
Exemplo:
Em uma pesquisa realizada no Hospital Veterinrio da Universidade Estadual de Londrina, no ano
de 2010, foram coletadas diversas informaes e, entre elas, o Porte do animal e o Sexo do mesmo, conforme
apresentado na Tabela 9.1.
132

Tabela 9.1 Distribuio dos animais quanto ao Porte e Sexo.
Porte
Sexo
Pequeno
Total
Mdio
Grande
Fmea
649
41
77
767
Macho
495
27
65
587
1.144
68
142
1.354
Total
Considerando-se que o animal escolhido de mdio porte, qual a probabilidade de ser fmea? Dado que o
animal macho, qual a probabilidade de ser de grande porte?
Soluo:
9.5.1 Probabilidade Condicional no Diagrama de Venn

Nota-se, atravs do diagrama de Venn, que a probabilidade condicional apenas uma reduo
do espao amostral, ao evento que j ocorreu.
Se o evento A ocorreu, o resultado est em
Se o evento B ocorreu, o resultado est em
A, ou seja,
B, ou seja,
Exemplo:
P (A B)
P (B|A) =
P (A).
Um nmero sorteado ao acaso entre os inteiros
qual a probabilidade de que seja o nmero 9?
Soluo:
P (A|B) =
1, 2, . . . , 15.
P (A B)
P (B).
Se o nmero sorteado for mpar,
133
Para resolver o problema com a utilizao do
R,
basta simular o lanamento de um dado com
15 faces, da seguinte forma:
> (S = rolldie(1, nsides = 15, makespace = TRUE))

> (A = subset(S, X1 %in% c(1,3,5,7,9,11,13,15)))
> (B = subset(S, X1 %in% c(9)))
> prob(B, given=A)
9.5.2 Aplicao da Probabilidade Condicional

Epictetus , no sculo II D.C., arma que as aparncias para a mente so de quatro tipos:
as coisas so o que parecem ser;
ou so e no parecem ser;
ou no so, mas parecem ser;
ou no so, nem parecem ser.
de forma que pode-se resumir essa relao entre
Mente
Parecer
+
-
parecer e ser em uma tabela da seguinte forma:
Ser
As coisas so o que parecem ser
No so mas parecem ser
So mas no parecem ser
No so e nem parecem ser
Da mesma forma, pode-se pensar na relao entre uma doena e o teste para detect-la. Pode-se
resumir esta relao da seguinte forma:
http://epiclcn.blogspot.com.br/ em 14/06/2012.
134
Relao
Teste
Doena
Verdadeiro positivo
Falso positivo
Falso negativo
Verdadeiro negativo
Portanto, o bom uso de um teste diagnstico requer, alm de consideraes clnicas, o conhecimento de medidas que caracterizam a sua qualidade: a sensibilidade, a especicidade e os parmetros que
reetem a sua capacidade de produzir decises clnicas corretas: valor da predio positiva (VPP) e o valor
da predio negativa (VPN).
Na anlise da qualidade de testes diagnsticos, interessa conhecer duas
probabilidades condi-
cionais que, pela sua importncia, recebem nomes especiais: sensibilidade e especicidade.
A sensibilidade, denotada por
s,
denida como:
s = P (T+ |D+ ),
ou seja, a probabilidade de o teste ser positivo sabendo-se que o paciente que est sendo examinado doente.
Portanto, a sensibilidade mede a capacidade de reao do teste em um paciente doente
A especicidade, denotada por
e,
denida como:
e = P (T |D ),
ou seja, a probabilidade de o teste ser negativo sabendo-se que o paciente examinado no portador da
doena. Logo, a especicidade mede a capacidade de no reao do teste em pacientes no portadores da
doena.
Na etapa de pesquisa para a determinao do grau de conabilidade de um teste diagnstico, o
pesquisador utiliza-o primeiramente em dois grupos muito especcos de pessoas: um de portadores da doena
e outro de pacientes sem a doena em questo. Os resultados desta etapa da pesquisa podem ser resumidos
na forma da Tabela 9.2.
Tabela 9.2 Esquema padro de sntese dos dados para vericao da qualidade de um teste clnico.
Teste
Doena
Total
Positivo
Negativo
Presente
a+b
Ausente
c+d
Total
a+c
b+d
Para denir os ndices que descrevem o grau de conabilidade de um teste, precisamos trabalhar
com os seguintes eventos:
135
T+
corresponde a teste positivo;
corresponde a teste negativo;
D+
corresponde a indivduo portador da doena;
corresponde a indivduo no portador da doena.

Usando a notao da Tabela 9.2 e a denio de probabilidade condicional, tm que a sensibili-
dade e a especicidade so dadas, respectivamente, por:
Sensibilidade
s=
Exemplo:
Especicidade
a
a+b
e=
d
c+d
estudaram a qualidade da tomograa computadorizada para o diagnstico de
Linder & Singer
metstase de carcinoma de fgado, e os resultados resumidos na Tabela 9.3.
Tabela 9.3 Resultados da tomograa computadorizada em 67 pacientes com metstase e 83 sem

metstase do carcinoma heptico.
Metstase de
Tomograa computadorizada
Total
carcinoma heptico
Positiva (T+ )
Negativa (T )
Presente (D+ )
52
15
67
Ausente (D )
74
83
61
89
150
Total
A sensibilidade e a especicidade da tomograa computadorizada so estimadas por:
Sensibilidade
Especidade
s=
a
a+b
e=
d
c+d
s=
52
= 0, 776
67
e=
74
= 0, 892
83
Existem alguns pacotes no
que calculam a sensibilidade e especicidade do teste. Entre eles
pode-se citar: DiagnosisMed e epibasix, cujas aplicaes encontram-se a seguir.
> require(DiagnosisMed)
> diagnosis(52, 15, 9, 74)
> require(epibasix)
> dados = cbind(c(52,15), c(9,74))
> sensSpec(dados)

Diagnosing liver metastases: a Bayesian analysis.
Journal of Clinical Oncology, v.3, p.379-88, 1986
136
9.5.3 Valor das Predies

A sensibilidade e a especicidade, embora sendo ndices ilustrativos e bons sintetizadores das
qualidades gerais de um teste, tm uma limitao sria: no ajudam a deciso da equipe mdica que, recebendo
um paciente com resultado positivo do teste, precisa avaliar se o paciente est ou no doente. No se pode
depender apenas da sensibilidade e a especicidade, pois estes ndices so provenientes de uma situao em
que h certeza total sobre o diagnstico, o que no acontece no consultrio mdico. Da a necessidade destes
dois outros ndices que reetem melhor a realidade prtica.
Neste momento, interessa mais conhecer os
seguintes ndices denominados valor da predio positiva (VPP) e valor da predio negativa (VPN), denidos
respectivamente por:
Valor da predio positiva (VPP) a probabilidade do paciente estar realmente doente quando
o resultado do teste positivo.
V P P = P (D+ |T+ ) =
a
a+c
Valor da predio negativa (VPN) a probabilidade do paciente no estar doente quando o

resultado do teste negativo.
V P N = P (D |T ) =
d
b+d
Estes valores so probabilidade condicionantes, tal que o evento condicionante o resultado do

teste, aquele que na prtica acontece primeiro.
Uma forma de se calcular o VPP e VPN, em funo da sensibilidade e prevalncia da doena,
atravs da Tabela 9.4, sugerida por Vecchio . Seja p a prevalncia
da doena na populao de interesse,
isto , a proporo de pessoas doentes.
Tabela 9.4 Probabilidades necessrias para o clculo dos ndices VPP e VPN.
Populao
Proporo com resultado
Proporo
Positivo
Negativo
Doente
ps
p(1-s)
Sadia
1 - p
(1 - p) (1 - e)
(1 - p)e
Total
ps + (1 - p)(1 - e)
p (1 - s) + (1 p)e
Assim, o valor da predio positiva :

Predictive value of a single diagnostic test in unselected populations. The New England Journal of Medicine,
v.274, p.1171-3, 1966
a contagem do nmero de casos que existe em uma populao de pacientes em um momento especco no
tempo.
137
V P P = P (D+ |T+ ) =
ps
.
ps + (1 p)(1 e)
O valor da predio negativa dado por:
V P N = P (D |T ) =
(1 p)e
.
p(1 s) + (1 p)e
Para o exemplo da Tabela 9.3, considere que a prevalncia de metstase de carcinoma de fgado
de 2%, os valores de predio da tomograa computadorizada so:
V PP
V PP
0, 02 0, 776
ps
=
ps + (1 p)(1 e)
0, 02 0, 776 + (1 0, 02)(1 0, 8916)
= 0, 1275.
=
V PN
V PN
(1 p)e
(1 0, 02) 0, 892
=
p(1 s) + (1 p)e
0, 02 (1 0, 776) + (1 0, 02) 0, 8916)
= 0, 9949.
=
Portanto, o valor de predio positiva baixo enquanto que o valor de predio negativa
bastante alto. Se o resultado da tomograa computadorizada negativo, a chance de no haver metstase
de 99,5%. O clculo de VPP e VPN no
V PP
usando o pacote DiagnosisMed dado por:
a
a+c
V PN =
d
b+d
9.5.4 Probabilidade da Interseco de Dois Eventos

A probabilidade condicional permite-nos calcular diretamente a probabilidade da interseco de
dois eventos. Assim,
P (A|B) =
>
P (A B)
P (B)
P (A B) = P (B) P (A|B)
P (A B)
P (A)
P (A B) = P (A) P (B|A)
prob(B)*prob(A, given=B)
ou, ainda.
P (B|A) =
>
prob(A)*prob(B, given=A)
138
Exemplo:
= retirar uma carta de copas do baralho e
= retirar um s
do baralho. Determine a probabilidade desses eventos ocorrerem simultaneamente.
Soluo:
> require(MASS)
> CC = cards(makespace=TRUE)
> (A = subset(CC, suit == "Heart"))
> (B = subset(CC, rank == "A"))
> (B = subset(CC, rank %in% "A"))
> prob(A)*prob(B, given=A)
> fractions(prob(A)*prob(B, given=A))
9.5.5 Amostragem Sem Reposio

Considere uma urna contendo 3 bolas brancas e duas bolas pretas de onde so feitas duas
extraes de 1 bola ao acaso e
sem reposio.

B1: sair bola branca na primeira extrao;
B2: sair bola branca na segunda extrao;
P1: sair bola preta na primeira extrao;
P2: sair bola preta na segunda extrao.
Os eventos B1 e B2 so independentes?
Os eventos P1 e P2 so independentes?
Pede-se:
a) Calcular a probabilidade de sair branca na
1a
extrao e preta na
2a
extrao.
b) Construir o espao amostral e indicar as probabilidades associadas a cada um dos pontos amostrais.
Calcular as probabilidades:
a) de sair bola branca na
b) de sair bola preta na
2a
2a
139
extrao;
extrao;
c) de ter sado bola preta na primeira extrao sabendo-se que (dado que) saiu bola branca na segunda
extrao;
d) de ter sado bola preta na primeira extrao sabendo-se que (dado que) saiu bola preta na segunda extrao.
9.5.6 Amostragem com Reposio

Considere o mesmo caso anterior, mas
da
2a
com reposio
da
1a
bola extrada, antes da extrao
bola.
Os eventos B1 e B2 so independentes?
Os eventos P1 e P2 so independentes?
Construir o espao amostral e indicar as probabilidades associadas a cada um dos pontos amostrais.
Calcular as probabilidades:
a)
P (B2 );
b)
P (P2 );
c)
P (B2 |B1 );
d)
P (B2 |P1 );
e)
P (P2 |B1 );
f)
P (P2 |P1 );
Independncia de Eventos
Dois eventos so considerados independentes quando a ocorrncia de um deles no depende da
ocorrncia do outro, isto ,
P (A|B) = P (A)
P (B|A) = P (B).
Logo, o teorema do produto para dois
eventos independentes dado por:
P (A B) = P (A) P (B)
Exemplo 1:
Efeitos colaterais com o uso de certa droga ocorrem em 10% de todos os pacientes que a tomam.
Dois pacientes de um mdico esto tomando a droga.
140
a) Qual a probabilidade de que ambos os pacientes apresentem os efeitos colaterais?
Soluo:
b) Qual a probabilidade de que pelo menos um apresente os efeitos colaterais ?
Soluo:
Exemplo 2:
Suponha que a probabilidade de uma pessoa ser do tipo sanguneo O 40%, ser A 30% e ser
B 20%. Suponha ainda que a probabilidade de
Rh+
de 90% e que o fator independe do tipo sanguneo.
Nestas condies, qual a probabilidade de uma pessoa tomada ao acaso da populao ser:
a) O e
Rh+ ?
Soluo:
b) AB e
Rh ?
Soluo:
141
9.5.7 Teorema de Bayes

Uma das relaes mais importantes envolvendo probabilidades condicionais e dada pelo
de Bayes.
Sejam
A1 , A2 , A3 , , Ak
Teorema
eventos mutuamente excludentes cuja unio o espao amostral
que suas probabilidades sejam conhecidas. Assim, se
P (Ai |B) =
um evento qualquer, tem-se o seguinte teorema:
P (Ai ) P (B|Ai )
k
i = 1, , k.
P (Ai )P (B|Ai )
i=1
Exemplo:
Sabe-se que dos animais atendidos pelo Hospital Veterinrio da Universidade Estadual de Londrina,
40% so provenientes da regio norte, 15% da regio sul, 20% da regio leste, 15% da regio oeste da cidade
de Londrina e os 10% restantes so provenientes de outras cidades. Observou-se, ainda, que 5% dos animais
da regio norte foram submetidos a algum procedimento cirrgico, enquanto que para as outras regies os
percentuais foram: 3% para a regio sul, 8% para a regio leste, 4% para a regio oeste e 15% para outras
cidades. Uma cha escolhida aleatoriamente acusou que o animal foi submetido a um procedimento cirrgico.
Qual a probabilidade desse animal ser de outra cidade?
Soluo:
142
Exerccios - Probabilidades
1) Para cada um dos casos abaixo, escreva o espao amostral correspondente e conte seus elementos.
a) Uma moeda lanada duas vezes e observam-se as faces obtidas.

b) Um dado lanado duas vezes e a ocorrncia de face par ou mpar observada.
c) Uma urna contm 10 bolas azuis e 10 vermelhas com dimenses rigorosamente iguais. Trs bolas so
selecionadas ao acaso com reposio e as cores anotadas.
d) Em uma cidade, famlias com 3 crianas so selecionadas ao acaso, anotando-se o gnero de cada uma.
2) Em 750 pessoas utilizadas para pesquisa de tipo sanguneo, vericou-se:
Tipos
Pessoas
85
193
252
Sorteando-se uma pessoa ao acaso, qual a probabilidade da mesma ser do tipo sangneo AB?
3) Uma urna contm duas bolas brancas (B ) e trs bolas vermelhas (V ). Retira-se uma bola ao acaso da
urna. Se for branca, lana-se uma moeda; se for vermelha, ela devolvida urna e retira-se outra. D o
espao amostral para o experimento.
4) Lance um dado at que a face 5 aparea pela primeira vez. Enumere os resultados possveis desse experimento.
5) Dentre seis nmeros positivos e oito negativos, dois nmeros so escolhidos ao acaso e multiplicados. Qual
a probabilidade de que o produto seja positivo?
6) Um casal pretende ter lhos. Admitindo probabilidades iguais para ambos os sexos, qual a probabilidade
de que venha a ter trs lhos do mesmo sexo?
7) Num grupo de 30 animais, 12 esto com parasitose intestinal. Trs animais so escolhidos ao acaso, um
aps o outro, sem reposio. Qual a probabilidade de pelo menos 2 deles no estarem infectados?
8) Considere o lanamento de dois dados. Considere os eventos:
A = soma dos nmeros obtidos igual a 9, e
B = nmero do primeiro dado maior ou igual a 4.
Enumere os elementos de A ou B. Obtenha
A B, A B
Ac
e suas probabilidades.
143
9) Uma universidade tem 10 mil alunos dos quais 4 mil so considerados esportistas. Temos ainda que 500
alunos so do curso de biologia diurno, 700 da biologia noturno, 100 so esportistas e da biologia diurno
e 200 so esportistas e da biologia noturno. Um aluno escolhido ao acaso e pergunta-se a probabilidade
de:
a) ser esportista;
b) ser esportista e aluno da biologia noturno;
c) no ser da biologia;
d) ser esportista ou aluno da biologia;
e) no ser esportista nem aluno da biologia.
10) Uma fazenda contm quatro bezerros Nelore, cinco Gir e seis Guzer. Outra fazenda contm cinco bezerros
Nelore, seis Gir e dois Guzer. Sorteia-se um bezerro de cada fazenda. Qual a probabilidade de que ambos
sejam da mesma raa?
11) Num cruzamento de galos de pescoo pelado com galinhas do mesmo tipo, temos a probabilidade de
1/4
para obter um lho de pescoo coberto. Numa ninhada de seis pintos, qual a probabilidade de que nenhum
tenha pescoo coberto?
12) Sabendo-se que 2% dos exames clnicos feitos por um laboratrio apresentam falha humana, 1% falha
tcnica e 2,5% pelo menos uma das duas falhas, qual a probabilidade de um exame ter as duas falhas?
13) Uma fazenda composta de 70% de animais machos e 30% de fmeas. Sabe-se que 40% dos machos e
60% das fmeas so da raa Nelore. Qual a probabilidade de que escolhido um animal da raa Nelore, ele
seja macho?
14) Uma escola do ensino mdio do interior de So Paulo tem 40% de estudantes do gnero masculino. Entre
estes, 20% nunca viram o mar, ao passo que, entre as meninas, essa porcentagem de 50%.
Qual a
probabilidade de que um aluno selecionado ao acaso seja:

a) do gnero masculino e nunca tenha visto o mar;
b) do gnero feminino ou nunca tenha visto o mar.
15) O Londrina Esporte Clube ganha com probabilidade

a probabilidade de chuva de
0, 3.
0, 7
se chove e com
0, 8
se no chove. Em agosto
O Londrina Esporte Clube ganhou uma partida em agosto, qual a
probabilidade de ter chovido nesse dia?
16) Dos animais de uma fazenda, 60% so castrados. Se no for castrado, a probabilidade de ter tido um distrbio hormonal de 10%, enquanto que para os demais essa probabilidade aumenta para 30%. Pergunta-se:
144
a) qual a probabilidade do animal escolhido ao acaso ter tido um distrbio hormonal?

b) Se o animal sorteado tiver distrbio hormonal, qual a probabilidade de no ser castrado?
17) Uma urna contm 10 bolas verdes, 8 vermelhas, 4 amarelas, 4 pretas e cinco brancas, todas de mesmo
raio. Uma bola retirada ao acaso. Qual a probabilidade de a bola escolhida ser:
a) no verde;
c) vermelha ou preta;
b) no-branca ou vermelha;
d) verde, vermelha ou amarela.
18) Uma urna contm 15 cartes enumerados de 1 a 15.
Um carto retirado aleatoriamente.
Qual a
probabilidade de o nmero no carto ser mltiplo de 3?
19) Joga-se um dado branco e um dado preto. Calcule a probabilidade de:
a) Ocorrer soma 6;
c) ocorrer soma 2;
b) ocorrer soma 11;
d) no ocorrer nem soma 2 e nem 8.
20) Uma carta retirada de um baralho comum de 52 cartas. Qual a probabilidade de:
a) sair uma carta vermelha;
c) sair um rei ou uma carta de copas.
b) sair uma carta de copas;
21) Um nmero inteiro escolhido ao acaso dentre os nmeros
1, 2, 3, . . . , 30.
Qual a probabilidade de:
a) o nmero ser divisvel por 3;

b) o nmero ser divisvel por 5;
c) o nmero ser divisvel por 5 ou por 3;
d) o nmero no ser divisvel nem por 3 e nem por cinco.
22) Uma moeda viciada, de maneira que as caras so 3 vezes mais provveis de aparecer do que as coroas.
Se esta moeda lanada duas vezes. Qual a probabilidade de ocorrer cara apenas uma vez?
23) Das 8 alunas de uma classe, 3 tm olhos azuis.
145
Se duas delas so escolhidas aleatoriamente, qual a
probabilidade de:
a) ambas terem olhos azuis;

b) nenhuma ter olhos azuis;
c) pelo menos uma ter olhos azuis?
24) De 120 estudantes, 70 estudam matemtica, 80 estudam portugus e 40, matemtica e portugus. Se um
estudante escolhido aleatoriamente, encontre a probabilidade dele:
a) estudar matemtica ou portugus;
d) no estudar matemtica;
b) s estudar portugus;
e) no estudar nem portugus e nem estudar mate-
c) s estudar matemtica;
mtica.
25) Em uma prova caram dois problemas. Sabe-se que 132 alunos acertaram o primeiro problema, 86 erraram
o segundo, 120 acertaram os dois e 54 acertaram apenas um problema. Qual a probabilidade de que um
aluno, escolhido ao acaso:
a) no tenha acertado nenhum problema;

b) tenha acertado apenas o segundo problema;
c) tenha acertado a pelo menos um problema.
26) Um professor de probabilidade props a seus alunos o seguinte problema: So dadas duas moedas, uma
perfeita (probabilidade de cara igual 1/2), e outra com duas caras. Uma moeda escolhida ao acaso e
lanada trs vezes. Qual a probabilidade que seja obtida 3 caras?
Captulo 10
Variveis aleatrias discretas

10.1 Conceitos Iniciais
Exemplo:
Um pesquisador desenvolveu uma nova tcnica de inseminao articial que, segundo ele, garante
60% de sucesso. Um fazendeiro resolveu aplicar esta nova tcnica em seus animais. Para isso ele selecionou
3 animais de seu rebanho.
Considere inicialmente, o experimento:
resultado. Seja
o evento o animal emprenhar e
aplicar a nova tcnica de inseminao e observar o

o evento o animal no emprenhar.
a) Construir o espao amostral associado a esse experimento;

b) Calcular as probabilidades associadas a cada um dos elementos do espao amostral;
c) Considerar
Y o nmero de animais prenhes
e associar um valor
a cada um dos elementos do espao
amostral.
O diagrama da rvore facilita a visualizao do espao amostral, quando o tamanho da amostra

a ser coletada no grande.
146
Conceitos Iniciais
147
Resultados Possveis
<E
E
E
"
E
J

<E
"
<E
"
<E
"
Probabilidades
EEE
0,216
EE E
0,144
E EE
0,144
EE
0,096
EEE
0,144
EE
0,096
EE
0,096
E
E
0,064
Logo, o espao amostral dado por:
{
}
E EE,
EE
E,
EEE,
E,
E
EE,
E
E
E
= EEE, EE E,
EE
e as probabilidades associadas a cada ponto do espao amostral so dadas por:
P (EEE) = 0, 216
= 0, 144
P (EE E)
P (EEE)
= 0, 144
P (EE E) = 0, 096
P (E EE)
= 0, 144
P (E E E) = 0, 096
EE)
P (E
= 0, 096
P (E E E) = 0, 064
148
Captulo 10. Variveis aleatrias discretas
10.2 Varivel Aleatria Discreta

Uma funo denida sobre o espao amostral
de pontos do conjunto real dita uma
e assumindo valores num conjunto enumervel
varivel aleatria discreta.
10.2.1 Distribuio de uma Varivel Aleatria

O conjunto dos valores da varivel e as respectivas probabilidades, ou seja,
i = 1, . . . , n chamado distribuio
n
Observao:
P (yi ) = 1.
i=1
Costuma-se adotar, tambm, a notao
assumir o valor
da varivel aleatria
P (Y = yi )
Y = {nmero
de animais prenhe} dada por:
yi
P (Y = yi )
0,064
0,288
0,432
0,216
Y.
cuja representao grca apresentada na Figura 10.1.
0.40
0.35
0.30
Probabilidades
P (yi ),
para designar a probabilidade de a varivel aleatria
Tabela 10.1 Distribuio da varivel aleatria
0.25
0.20
0.15
0.10
0.05
0
Y.
yi .
Portanto, a distribuio da varivel aleatria
yi
Nmero de Sucessos
Figura 10.1 Grco das probabilidades de prenhez dos animais.
Varivel Aleatria Discreta
149
Qual a porcentagem esperada de :
a) trs animais emprenharem?
b) nenhum animal emprenhar?
c) pelo menos um animal emprenhar?
Para elaborar a Tabela 10.1 e construir o grco usando o
R,
bastam os comandos:
vacas = 0:3
prob_suc = 0.6
prenhez = data.frame(Pr = dbinom(vacas, 3, prob_suc))
rownames(prenhez) = 0:3
prenhez
plot(vacas, dbinom(vacas, size=3, prob=prob_suc), xlab="Nmero de Sucessos",
ylab="Probabilidades", main=`', axes=F, type="h", col=`blue')
points(vacas, dbinom(vacas, size=3, prob=prob_suc), pch=16, , col=`blue')
axis(1, vacas)
axis(2, seq(0, 0.45, .05), las=1)
abline(h=0, col="gray", cex=2.5, lwd=2)
box(bty=`l')
10.2.2 Funo de Probabilidade

A funo que fornece as probabilidades de ocorrncias dos valores que a varivel aleatria pode
assumir chamada funo de probabilidades.
Exemplo:
A funo de probabilidades da varivel
Y ={nmero
( )
3
P (Y = y) =
0, 6y (1 0, 6)3y ,
y
em que
(3)
y
Exerccios:
y = 0, . . . , 3.
3!
.
y!(3 y)!
Calcular
P (Y = 0), P (Y = 1), P (Y = 2)
interpretar o resultado.
Soluo:
de animais prenhe} dada por:
P (Y = 3),
atravs da funo de probabilidades e
150
10.2.3 Valor mdio ou Esperana Matemtica de Y

Para responder sobre qual o nmero mdio esperado de animais emprenhados?
necessrio
calcular o valor mdio denido por:
Dada a varivel aleatria
Y , assumindo os valores y1 , y2 , . . . , yn com as respectivas probabilidades
P (y1 ), P (y2 ), . . . , P (yn ),
chamamos valor mdio ou
Y = E(Y ) =
esperana matemtica de Y
ao valor:
(10.1)
yi P (yi )
i=1
Exemplo:
Portanto,
Para os dados da Tabela 10.1, calcula-se a esperana de
yi
P (Y = yi )
0,064
0,288
0,432
0,216
Total
1,000
E(Y ) =
Interpretao:
como:
yi P (Y = yi )
animais emprenhados.
Espera-se obter um nmero mdio de
animais emprenhados.
Propriedades da Esperana Matemtica

Supondo
uma constante e
da esperana matemtica:
a)
E(k) = k
variveis aleatrias, pode-se denir as seguintes propriedades

b)
E(kX) = kE(X)
c)
E(X Y ) = E(X) E(Y )
d)
E(X k) = E(X) k
e) Se
151
so variveis aleatrias independentes, ento:
E(XY ) = E(X)E(Y ).
10.2.4 Varincia de Y
Dada a varivel aleatria
Y,
Y2 = V (Y ) =
chamamos de varincia de
n [
]2
yi E(Y ) P (yi ).
Y,
ao valor:
(10.2)
i=1
Logo, para o exemplo dado:
Portanto,
P (Y = y)
[yi E(Y )]2
[yi E(Y )]2 P (Y = y)
0,064
3,24
0,20736
0,288
0,64
0,18432
0,432
0,04
0,01728
0,216
1,44
0,31104
Total
1,000
V (Y ) = 0, 72.
Y =
0,72000
Assim, o desvio padro e o coeciente de variao so dados, respectivamente, por:
V (Y ) = 0, 8485281
CV =
Uma maneira mais prtica para o clculo da varincia de
Y2 = V (Y ) = E(Y 2 ) [E(Y )]
em que
E(Y 2 ) =
i=1
Logo,
yi2 P (Y = yi ).
Y
100 = 47, 14%.
Y
152
yi2
yi2 P (Y = y)
0,000
0,000
0,288
0,288
0,288
0,432
0,864
1,728
0,216
0,648
1,944
Total
1,000
1,8
P (Y = y)
0,064
y P (Y = y)
3,960
Assim,
[
]2
E(Y 2 ) E(Y )
( )2
3, 96 1, 8
V (Y ) =
V (Y ) =
V (Y ) = 0, 72.
Propriedades da Varincia
Supondo
uma constante e
variveis aleatrias, pode-se denir as seguintes propriedades
para a varincia:
a)
V (k) = 0
b)
V (kX) = k 2 V (X)
c)
V (X Y ) = V (X) V (Y ) + 2 COV (X, Y )
d)
V (X Y ) = V (X) V (Y ),
e)
V (X k) = V (X)
f ) Se
Obs.:
O fato de
se
so independentes.
so variveis aleatrias independentes, ento:
COV (X, Y ) = 0
no implica que
COV (XY ) = E(XY ) E(X) E(Y ) = 0.
sejam independentes.
10.2.5 Distribuio acumulada de uma varivel aleatria

O conjunto dos valores da varivel e as probabilidades acumuladas at os respectivos valores, ou
seja,
yi
F (yi ) = P (Y yi )
i = 1, 2, . . . , n
chamada distribuio acumulada da varivel aleatria
Obter a tabela de distribuio acumulada de probabilidades da varivel aleatria

acumulada de
relativos inseminao articial dos apresentados na Tabela 10.1.
Y.
ou distribuio
153
yi
P (Y = yi )
0,064
0,288
0,432
0,216
F(Y) =
P (Y yi )
cujo grco apresentado na Figura 10.2
1.0
Probabilidades
0.8
0.6
0.4
0.2
0.0
0.5
1.0
1.5
2.0
2.5
3.0
Nmero de Sucessos
Figura 10.2 Distribuio acumulada da prenhez dos animais.
Interpretar o valor
F (2).
(Acum = cumsum(dbinom(0:3, size=3, prob=0.6)))

Prenhez = data.frame(Acum)
rownames(Prenhez) = 0:3
Prenhez
plot(0:3, cumsum(dbinom(0:3, size=3, prob=0.6)), type=`s',
col=`blue', xlab=`Nmero de Sucessos', ylab="Probabilidades",
main="", las=1, bty=`l')#, xaxt=`n')
points(0:3, cumsum(dbinom(0:3, size=3, prob=0.6)), pch=19, col=`blue')
Exerccios:
1) Considere um pasto com 3 vacas da raa Holandesa e 5 vacas da raa Gir. Sero retirados do pasto 3
animais, atravs de sorteio e
raa Gir. Pede-se:
sem reposio.
Dena a varivel
como sendo o nmero de animais da
154
a) obter uma tabela contendo todos os possveis resultados desse experimento e as probabilidades associadas a cada um deles;
b) obter a distribuio da varivel aleatria
2) Seja
e um grco que a represente.
a varivel aleatria discreta nmero de bitos observados mensalmente no Hospital Veterinrio,
cuja distribuio de probabilidades dada por:
P (y)
0,1
0,2
0,3
0,2
0,1
0,1
Pede-se:
a) obter a funo de distribuio acumulada
F (y) para a varivel aleatria Y
e um grco que a represente;
b) calcular o nmero mdio de ovos;

c) calcular:
d) calcular
E(4Y ), E(Y + 1), E(Y 2 )

V ar(2Y )
e a varincia de Y;
V ar(Y + 1).
3) Em um experimento com chocadeira automtica so colocados 5 ovos e observado o nmero de ovos

eclodidos. Sabendo-se que teoricamente, 90% dos ovos eclodem, obter:
a) a distribuio de probabilidades da varivel aleatria
= {nmero de ovos eclodidos} e um grco
que a represente;
b) a probabilidade de pelo menos 3 ovos eclodirem;
c) a esperana e a varincia de
Y.
10.3 Principais Distribuies de Probabilidades

10.3.1 Distribuio de Bernoulli
o espao amostral composto por apenas dois resultados pos-
Nos experimentos de Bernoulli
sveis: sucesso (resultado de interesse) ou fracasso (resultado pelo qual no estamos interessados).
Exemplos:
a) Lanar
uma moeda.
b) Inseminar
Pode sair cara ou coroa;
um animal.
Pode emprenhar ou no;
c) Colocar
uma estaca em um vaso com terra.
d) Plantar
uma semente.
Pode enraizar ou no;
Pode germinar ou no;
Jakob Bernoulli (Nascido em 27/12/1654 em Basel, Sua e falecido em 16/08/1705), tambm conhecido como
Jacob, Jacques ou James Bernoulli.
Principais Distribuies de Probabilidades

Seja
<
"
155
a varivel aleatria nmero de sucessos e
a probabilidade de ocorrer sucesso. Assim,
Resultados Possveis
Probabilidades
S (Sucesso)
1p
Y com
F (F racasso)
A distribuio de probabilidade de
0
distribuio de Bernoulli, com parmetro
dada
por:
Tabela 10.2 Distribuio da varivel aleatria
P (Y = y)
1p
Total
de Bernoulli.
Pode-se calcular a mdia desta distribuio utilizando-se a Equao (10.2.3). Assim:
= E(Y ) =
yi P (Y = yi )
i=1
= E(Y ) = 0 (1 p) + 1 p
= E(Y ) = p
Da Equao (10.2.4), pode-se calcular a varincia que :
V (Y ) =
n [
]2
yi E(Y ) P (Y = yi )
V (Y ) = E(Y 2 ) [E(Y )]2
i=1
V (Y ) = (0 p)2 (1 p) + (1 p)2 p
ou
[
]
V (Y ) = 02 (1 p) + 12 p [p]2
V (Y ) = p2 (1 p) + p(1 p)2
V (Y ) = p p2
V (Y ) = p(1 p)
V (Y ) = p (1 p)
Portanto,
V (Y ) = p(1 p)
E(Y ) = p
e
Notao: Y Be(p).
Funo de Probabilidades:
A funo de probabilidades de uma distribuio de Bernoulli dada por:
156

P (Y = y) = py (1 p)1y ,
y = 0, 1.
10.3.2 Distribuio Binomial

a mais importante das distribuies de probabilidades discretas.
Tem esse nome devido ao
clculo das probabilidades ser feito usando termos da expanso do binmio de Newton. O teorema do binmio
de Newton dado por:
(x + y)
n ( )
n
k=0
xnk y k
( )
( )
( )
( )
n n0 0
n n1 1
n n2 2
n nn n
x
y +
x
y +
x
y + ... +
x
y
0
1
2
n
( )
( )
n n2 2
n n3 3
n
n1 1
= x + nx
y +
x
y +
x
y + . . . + yn
2
3
=
(x + y)
em que
( )
n
n!
=
.
k
k!(n k)!
Casos particulares do Binmio de Newton so:
(x + y) = x + y
2
(x + y) = x2 + 2xy + y 2
3
(x + y) = x3 + 3x2 y + 3xy 2 + y 3
4
(x + y) = x4 + 4x3 y + 6x2 y 2 + 4xy 3 + y 4

Para que a varivel aleatria de um experimento tenha distribuio binomial necessrio atender
as seguintes condies:
a) supor uma srie de
realizaes
independentes
(o resultado de um experimento no afetado pelo
resultado dos outros) de Bernoulli;

b) a probabilidade de sucesso em cada realizao sempre
constante e igual a p;
c) o nmero de sucessos observado um nmero inteiro entre
n.
Ento diz-se que a varivel aleatria Y = {nmero de sucessos} nos

com parmetros
ensaios tem
distribuio binomial
p.
Notao: Y Bin(n, p).

Bin(n, p)
A funo de probabilidades de uma varivel
dada por:
( )
n y
P (Y = y) =
p (1 p)ny ,
y
y = 0, 1, . . . , n.
com distribuio binomial

em que
( )
n
n!
; p
=
y
y!(n y)!
157
a probabilidade de sucesso e
(1 p)
a probabilidade de fracasso.
Bin(10; 0, 3),
Considere uma varivel aleatria com distribuio binomial

uma varivel, cujo nmero de ensaios ser igual a
10
ou seja, o estudo de
realizaes e a probabilidade de sucesso igual a
30%.
O grco desta situao apresentado na Figura 10.3.
0.25
Probabilidades
0.20
0.15
0.10
0.05
0.00
0
10
Nmero de Sucessos
Figura 10.3 Grco da distribuio Binomial, para
n = 10
ensaios com probabilidade de sucesso
p = 0, 30.
Para gerar o grco da distribuio no
4 bastam os seguintes comandos:
par(mai=c(.8, .8, .2, .2))

plot(dbinom(db, size=10, prob=0.3) ~ db, type="h", col=`blue',
bty=`l', xlab="Nmero de Sucessos", ylab="Probabilidades", main=`', axes=F)
points(db, dbinom(db, size=10, prob=0.3), pch=16, , col=`blue')
axis(1, db)
axis(2, seq(0, 0.45, .05), las=1)
abline(h=0, col="gray", cex=1.5, lwd=1)
box(bty=`l')
Se o interesse for apenas nos valores das probabilidades, os mesmos podem ser obtidos com:
data.frame(Pr=dbinom(0:10, size=10, prob=0.3))

A esperana e a varincia de uma varivel aleatria
dadas, respectivamente, por:
com distribuio binomial
Bin(n, p)
so
158

V (Y ) = n p (1 p)
E(Y ) = n p
e
Exemplo 1:
Uma moeda lanada dez vezes. Qual a probabilidade de se obter duas caras? Determine a
esperana e a varincia.
Soluo:
dbinom(2, size=10, prob=0.5)

moeda = 0:10
(proba = dbinom(moeda, size=10, prob=0.5) )
require(distrEx)
Y = DiscreteDistribution(supp=moeda, prob=proba)
E(Y) ; var(Y) ; sd(Y)
plot(proba ~ moeda, las=1, type="h", col=`blue',
xlab="Nmero de Sucessos", ylab="Probabilidades", main=`')
abline(h=0, col=`gray')
axis(1, at=c(0:10))
Exemplo 2:
Uma infeco experimental em camundongos determina morte de 30% dos animais a ela subme-
tidos. Qual a probabilidade de obter num lote de 10 animais, uma mortalidade de, no mximo 20%?
Soluo:
159
dbinom(0:10, 10, .3)

pbinom(2, size=10, prob=0.3)
Exemplo 3:
Voc leva sua cadela ao veterinrio e descobre atravs de um exame de ultrasonograa que ela
est grvida de 8 lhotes.

a) Qual a probabilidade de que exatamente 3 dos lhotes sejam fmeas?
Soluo:
b) Qual a probabilidade de que existam um nmero igual de machos e fmeas?
Soluo:
c) Qual a probabilidade de que existam mais machos do fmeas?
Soluo:
160
pbinom(3, size=8, prob=0.5)
10.3.3 Distribuio de Poisson

largamente empregada quando se deseja contar o nmero de ocor-
A distribuio de Poisson
rncias (sucessos) de um evento de interesse, por unidade de tempo, comprimento, rea ou volume. tambm
chamada de distribuio dos eventos raros.
Exemplos:
a) Nmero de insetos de uma espcie coletados por armadilha por dia;
b) Nmero de furos em pneus por
c) Nmero de bactrias por
ml
km
rodado;
de urina;
d) Nmero de pacientes que chegam a um pronto atendimento de uma pequena cidade durante a madrugada;
e) Nmero de rvores de uma certa espcie, por
ha.
Note que os possveis valores que as variveis descritas podem assumir so:
0, 1, . . . ,.
O comportamento dessas variveis pode ser descrito pela chamada
A funo de probabilidades de uma varivel
distribuio de Poisson.
com distribuio Poisson
P oi()
dada por:
P (Y = y) =
em que
e y
,
y!
y = 0, 1, . . .
igual ao nmero mdio de ocorrncias do evento de interesse por unidade de tempo, distncia ou
rea.
Notao: Y P oi().
O grco gerado pela funo de probabilidades de uma distribuio de Poisson, para
apresentado na Figura 10.4.
Simon-Denis Poisson, matemtico Francs, 17811840.
= 4,
161
0.20
Probabilidades
0.15
0.10
0.05
0.00
0
10
11
12
Figura 10.4 Grco da distribuio de Poisson, cuja mdia
Obs.:
Para valores de
maiores que 12, com
= 4,
= 4, 0.
as probabilidades tendem a zero.
Os pressupostos bsicos para a utilizao do modelo so:

1) as condies permanecem estveis no decorrer do tempo, isto , a taxa mdia de ocorrncias () constante
ao longo do tempo;
2) intervalos de tempo disjuntos so independentes, isto , a informao sobre o nmero de ocorrncias em

um intervalo nada revela sobre o nmero de ocorrncias em outro intervalo.
A esperana e a varincia de uma varivel aleatria
com distribuio Poisson
P oi()
so
dadas, respectivamente, por:
E(Y ) =
V (Y ) =
e
Exemplo 1:
Um pesquisador est interessado no nmero de ovos depositados por uma espcie de pssaro.
Na primavera, ele procura e encontra 80 ninhos. O nmero mdio de ovos por ninho foi 3,8 e a varincia foi
3,1. Porque a varincia aproximadamente igual mdia, ele acha que pode ser razovel descrever o nmero
de ovos por ninho como tendo uma distribuio Poisson com mdia 3,8.
a) Construa o grco da distribuio;
plot(0:12, dpois(0:12, lambda=3.8), type=`h', las=1, bty=`l',

xlab=`Nmero de Ovos', ylab="Probabilidades", axes=F)
points(0:12, dpois(0:12, lambda=3.8), pch=19, col=`red')
axis(1, at=c(0:12), line=-1.15)
axis(2, seq(0, 0.25, 0.05), las=1)
abline(h=0, col="black")
162
b) Se esta realmente representa a distribuio populacional, qual seria a probabilidade de no encontrar ovo
num ninho?
Soluo:
dpois(0, lambda=3.8)
c) Qual seria a probabilidade de encontrar um ninho com mais do que 5 ovos?
Soluo:
1 - ppois(5, lambda=3.8)
d) Qual a probabilidade de encontrar de 3 a 6 ovos?
Soluo:
dpois(3:6, 3.8)
sum(dpois(3:6, 3.8))
Exemplo 2:
Uma vacina contra a febre aftosa tem probabilidade igual a
0, 001
de no imunizar um animal.
Se forem vacinados cinco mil animais, qual a probabilidade de no carem imunes:
a) trs animais;
163
Soluo:
dpois(3, lambda=5)
b) dois animais ou mais.
Soluo:
1 - ppois(1, lambda=5)
Exemplo 3:
O nmero de consultas mdicas anuais de um associado de um plano de sade , naturalmente,
um nmero nito.
Uma aproximao, que simplica a especicao de sua distribuio, supor que pode
tomar qualquer valor do conjunto {0, 1, 2, . . . }. Em um plano de sade com 5.694 liados, ao m de um
ano, foram realizadas
13.098
consultas, de acordo com os dados apresentados na Tabela 10.3.
Tabela 10.3 Nmero de consultas realizadas pelos liados ao plano de sade.
Nmero de consultas
Frequncias
Frequncias
589
304
1.274
126
1.542
39
1.144
10
663
Pede-se:
a) Especique o modelo de Poisson para esses dados.
Soluo:
Nmero de consultas
164
b) Qual a probabilidade de se ter 7 consultas ou mais?
Soluo:
ncons = c(0, 1, 2, 3, 4, 5, 6, 7, 8, 9)
Obs = c(589, 1274, 1542, 1144, 663, 304, 126, 39, 10, 3)
(saude = data.frame(ncons, Obs)) ; attach(saude)
(media = weighted.mean(ncons, Obs))
dpois(0:9, lambda=media)
1 - ppois(6, lambda=media)
c) Compare os valores observados com o esperado pelo modelo.
Soluo:
(Esp = round(5694*dpois(0:9, lambda=media), 0))

(compara = data.frame(ncons, Obs, Esp))
10.3.4 Aproximao da Distribuio Binomial pela Distribuio de Poisson

A distribuio de Poisson,
bin(n, p)
quando
Exemplo:
Seja
for pequeno,
P ois(),
com
= np uma boa aproximao distribuio binomial
for bastante grande e de tal forma que
np 7.
a varivel aleatria efeito colateral a um medicamento. De acordo com o fabricante do
medicamento, a probabilidade de um animal sofrer efeito colateral devido ao medicamento de 0,0005. O

plantel da fazenda de 10.000 animais. Calcule:
165
a) a probabilidade de nenhum animal sofrer efeito colateral;
Soluo:
n = 10000
p = 0.0005
lambda = n*p
dpois(0, lambda)
b) a probabilidade de pelo menos um animal sofrer efeito colateral;
Soluo:
1 - dpois(0, lambda)
c) a probabilidade do nmero de animais com efeitos colaterais estar entre 3 e 5 animais, inclusive.
Soluo:
ppois(5, lambda) - ppois(2, lambda)
10.3.5 Distribuio Geomtrica

Destinada ao clculo de probabilidades de situaes em que so feitas sucessivas tentativas
independentes de um mesmo experimento aleatrio at que aparea o
como sucesso e
como fracasso, e realizarmos
1 sucesso.
Assim, se designarmos
n ensaios at que ocorra o primeiro sucesso, o espao amostral
deste experimento ser o conjunto:
= {S, F S, F F S, . . . , F F F S, . . .}
166

Logo, um elemento tpico desse espao amostral uma sequncia de comprimento
primeiras
n1
posies temos
F,
ou seja, ocorrncia de fracassos e na
n-sima
n em que nas
ocorre o sucesso
S.
A distribuio geomtrica apresenta duas parametrizaes importantes, que tem interpretaes

distintas. Uma das parametrizaes da funo geomtrica conta o nmero de ensaios de Bernoulli necessrio
para se obter um sucesso. Assim neste tipo de parametrizao no possvel se ter o zero, portanto nesta
parametrizao da geomtrica o domnio ser o conjunto dos nmeros naturais sem o zero.
As principais caractersticas so:
a)
o nmero de ensaios necessrios para obter o
primeiro sucesso;
b) as tentativas so sucessivas e independentes, com probabilidade de sucesso
p;
A funo de probabilidade dada por:
P (X = x) = p (1 p)x1
x = 1, 2, . . .
A segunda parametrizao da geomtrica conta o nmero de falhas at que ocorra o primeiro

sucesso. Note que neste tipo de parametrizao pode-se incluir o zero como sendo um possvel resultado, pois
pode-se ter sucesso j no primeiro ensaio de Bernoulli. esta parametrizao que usada como padro pelo
R.
a)
As principais caractersticas so:
o nmero de falhas at obter o
primeiro sucesso;
b) as tentativas so sucessivas e independentes, com probabilidade de sucesso
p;
A funo de probabilidade dada por:
P (Y = y) = p (1 p)y
Notao:
Exemplo:
y = 0, 1, 2, . . .
Y G(p).
A probabilidade de se encontrar aberto o sinal de trnsito numa esquina
0, 20.
Qual a probabilidade
de que seja necessrio passar pelo local 5 vezes para encontrar o sinal aberto pela primeira vez?
Soluo:
dgeom(4, prob=0.20)

Exemplo:
167
Um casal com problemas para engravidar, recorreu a uma tcnica de inseminao articial no
intuito de conseguir o primeiro lho. A ecincia da referida tcnica de

o casal obtenha xito na terceira tentativa?
Soluo:
dgeom(2, prob=0.40)
0, 40.
Qual a probabilidade de que
168
Exerccios - Variveis Aleatrias Discretas

Procure fazer os clculos utilizando uma calculadora e depois
utilize o R para comprovar os resultados manuais.
R$ 30.000, 00
1) Uma seguradora paga
em caso de acidente de carro e cobra uma taxa de
Sabe-se que a probabilidade de que um carro sofra acidente de

por carro segurado? Resp:
3%.
Quanto espera a seguradora ganhar
E(Y ) = R$100, 00.
2) Suponha que um nmero seja sorteado de 1 a 10, inteiros positivos.
Seja
o nmero de divisores do
nmero sorteado. Calcular o nmero mdio de divisores do nmero sorteado. Resp:
3) Seja
uma varivel com distribuio binomial com parmetros
os grcos da distribuio de
Y,
em que se aumenta o valor de
4) Num jogo de dados,
paga
para os valores de
Se sair face 1 em dois dados apenas,
ganha
R$ 80, 00.
Calcular o lucro lquido mdio de
4.000
E(Y ) = 3, 15
ou
e
ganha
R$ 50, 00,
A
A
E(Y ) = R$ 9, 21.
pessoas em cada carro que v ao litoral num sbado so,
0, 10.
Qual o nmero mdio de pessoas por carro? Se chegam
10
horas de contagem? Resp:
R$ 600, 00
e retira aleatoriamente uma
pessoas.
bolas numeradas de
bola. Se retirar a bola
faa
e se sair 1 nos trs dados,
em uma jogada. Resp:
carros por hora, qual o nmero esperado de pessoas, em
6) Uma urna contm
1, 2, 3, 4
0, 05, 0, 20, 0, 40, 0, 25
126.000
R,
e lana 3 dados. Se sair face 1 em um dos dados apenas,
R$ 20, 00.
no litoral
Utilizando o
n?
R$ 20, 00
5) As probabilidades de que haja
Y Bin(n, 0, 20).
E(Y ) = 2, 7.
= 5, 10, 15, 20, 30, 50. O que voc nota medida
ganha
respectivamente:
R$ 1.000, 00.
6 recebe R$ 1.500, 00;
6.
Uma pessoa paga
se retirar as bolas
2, 3, 4 ou 5 nada recebe;
ir escolher outra bola, sem repor a primeira, e se esta segunda for a bola 6, recebe
contrrio, nada recebe. Calcular quanto a pessoa que est jogando espera lucrar. Resp:
e se retirar a bola
R$3.600, 00;
caso
R$ = 230, 00.
7) Uma moeda lanada 20 vezes. Qual a probabilidade de sarem 8 caras? Calcule a esperana e varincia.
Faa o grco da distribuio usando o
R.
Resp: 0,12013; 10; 5.
8) Sabe-se que 20% dos animais submetidos a um certo tratamento no sobrevivem. Se esse tratamento foi
aplicado em 20 animais e se X o nmero de no sobreviventes:
a) faa o grco da distribuio;
b) qual o nmero mdio esperado de animais sobreviventes; Resp: 16.
c) Calcule a varincia e o desvio padro de X; Resp: 3,2 ; 1,788854.

d) Calcular a
P (2 < X 4);
e) Calcular a
P (X 2).
169
Resp: 0,4236.
Resp: 0,9308.
9) Em 30 bezerros nascidos, 60% foi do sexo feminino.
Calcular o valor esperado (esperana) e o desvio
padro esperado. Faa o grco. Resp: 18; 2,683282.
10) Seja
X Bin(10, 2/3).
Calcular:
a) P(X=3); Resp: 0,01626

b)
P (X 2);
Resp: 0,003404
c)
P (X 4);
Resp: 0,98034
d)
P (3 < X < 5);
Resp: 0,05690235
e) E(X) e V(X). E(X) = 6,6667 e V(X) = 2,2222.
11) Sabe-se que 10% das vacinas de um determinado laboratrio tem validade vencida. Retiram-se, casualmente, 10 vacinas de uma partida, qual a probabilidade de:
a) todas as vacinas estarem com validade vencida? Resp:
b) no mximo trs com validade vencida? Resp:
c) existir vacina com validade vencida? Resp:
d) uma vacina com validade vencida? Resp:
1, 0 1010
0, 9298
0, 6513
0, 3874
Qual o nmero mdio de vacinas vencidas? Resp:
E(X) = 1
12) Suponha que sabido que 30% de uma certa populao so imunes a alguma doena. Se uma amostra
aleatria de tamanho 10 selecionada desta populao, qual a probabilidade de que:
a) ela contenha exatamente 4 pessoas imunes? Resp: 0,20012
b) ela contenha mais que 4 pessoas imunes? Resp: 0,15027.
c) Construa a distribuio de probabilidade e faa o grco.
13) Em uma grande populao, 16% dos membros so canhotos. Em uma amostra aleatria de tamanho 10,
encontre:
a) a probabilidade de que exatamente dois sejam canhotos; Resp: 0,28555
b)
P (X 2);
Resp: 0,49195
c)
P (X < 2);
Resp: 0,50805
d)
P (1 X 4).
Resp: 0,81209
170
14) Suponha que a probabilidade de recuperao para uma certa doena seja conhecida e igual a 0,4. Se 15
contraem a doena (assuma como sendo uma amostra aleatria), qual a probabilidade que:
a) trs ou mais se recuperem? Resp: 0,972886

b) quatro ou mais? Resp: 0,909498
c) cinco ou mais? Resp: 0,782722
d) menos que 3? Resp: 0,027114
15) Considerando que a probabilidade de nascer uma criana do sexo feminino de 47%, qual a probabilidade
de que uma famlia de 6 lhos seja constituda por seis crianas do sexo feminino? Resp: 0,01077922
16) Um administrador de hospital, que tem estudado as admisses ao setor de emergncias diariamente, por
um perodo de alguns anos, chegou a concluso que elas so distribudas de acordo com a distribuio
de Poisson. Os registros do hospital revelam que as admisses ao setor de emergncias so, em mdia,
trs por dia, durante este perodo. Dado que o administrador est correto em assumir uma distribuio de
Poisson, encontra a probabilidade que:
a) exatamente duas admisses ao setor de emergncias ocorrero em um dado dia; Resp: 0,2240
b) nenhuma admisso ao setor de emergncias ocorrer em um dado dia; Resp: 0,0498
c) ocorram trs ou quatro admisses ao setor de emergncias em um dado dia. Resp: 0,3920
17) Em um estudo sobre um certo organismo aqutico, um grande nmero de amostras foram coletados de
um tanque, e o nmero de organismos em cada amostra foi contado. O nmero mdio de organismos por
amostra foi encontrado como sendo dois. Assumindo o nmero de organismos tendo uma distribuio de
Poisson, encontre a probabilidade que:
a) a prxima amostra coletada conter um ou mais organismos; Resp: 0,8647

b) a prxima amostra coletada conter exatamente trs organismos; Resp: 0,1804
c) Faa o grco da distribuio.
18) Um contador eletrnico de bactrias registra, em mdia, 5 bactrias por
cm3
de um lquido. Admitindo-se
que esta varivel tenha distribuio de Poisson:
a) qual o desvio padro do nmero de bactrias por
cm3 ?
Resp: 5
3
b) Encontre a probabilidade de que pelo menos duas bactrias ocorram num volume de lquido de 1cm .
Resp: 0,9596
171
19) Se a probabilidade de um indivduo sofrer uma reao nociva, resultante da infeco de um determinado
soro 0,0001. Determinar a probabilidade de, entre 2.000 indivduos:
a) exatamente trs sofrerem a reao; Resp: 0,0011

b) mais de dois sofrerem a reao. Resp: 0,0012
20) Num livro de 800 pginas h 800 erros de impresso. Qual a probabilidade de que uma pgina contenha
pelo menos 3 erros? Resp: 0,080301
21) Seja X a varivel aleatria nmero de plantas com mutao, em um total de n plantas irradiadas, e
p = 0, 0004
a probabilidade de uma planta irradiada apresentar mutao. Calcular, usando a distribuio
de Poisson como uma aproximao binomial:
a) a probabilidade de no aparecer nenhuma planta com mutao em 900 plantas irradiadas; Resp: 0,69768
b) a probabilidade de aparecer ao menos uma planta com mutao em 900 plantas irradiadas; Resp:
0,30232
22) Seja X o nmero de rvores de castanha-jarana (Lecythis lurida) por hectare numa oresta tropical. Suponha que X tem distribuio de Poisson (essa espcie distribui-se aleatoriamente pela regio) com mdia
3 plantas por hectare. Pede-se:
a) Calcular a probabilidade de se encontrar no mximo uma rvore dessa espcie, ao se observar 1 hectare
dessa oresta. Resp: 0,19915
b) Calcular a probabilidade de se encontrarem 3 ou mais rvores dessa espcie ao se observar 1 hectare
dessa oresta. Resp: 0,57681
A esperana a ltima que morre, mas a primeira a ser calculada".
Captulo 11
Variveis aleatrias contnuas

Uma varivel aleatria contnua pode tomar um nmero innito de valores, e esse valores podem
ser associados a mensuraes em uma escala contnua e as probabilidades necessrias ao seu estudo so
calculadas como a rea abaixo da curva da distribuio, chamada de funo densidade de probabilidade.
Denio:
a)
Uma varivel aleatria contnua
contnua em
se existir uma funo
f (y),
tal que:
f (y) 0, y ;
b) a rea entre o grco da funo
f (y)
e o eixo
igual a 1, ou seja,
f (y) dy = 1.
A funo
f (y)
chamada funo densidade de probabilidade (f.d.p.).
Observa-se que:
[
]
P aY b =
f (y)dy,
(11.1)
a
corresponde rea limitada pela funo
f (y),
eixo
e pelas retas
Y =a
Y = b.
Da relao entre a probabilidade e a rea sob a funo, a incluso ou no dos extremos

equao (11.1) no afetar os resultados. Assim, ser admitido que
[
]
[
]
[
]
[
]
P a<Y <b =P aY <b =P a<Y b =P aY b .
Exemplo:
Seja uma funo
f (y)
dada por:
0,
f (y) =
ay 3 ,
0,
se
y 0;
se
0 < y 2;
se
y>2
172
na
173
a
em que
uma constante. Obter
varivel aleatria contnua
de modo que
f (y)
seja uma funo densidade de probabilidade de uma
Y.
Soluo:
Se
Y = 2,
o eixo
f (y)
e a
uma funo densidade de probabilidade, a rea compreendida pelas retas
f (y),
Y = 0,
mostrada na Figura 11.1, ser igual a 1.
2.0
f(x)
1.5
1.0
0.5
0.0
0.0
0.5
1.0
2.0
Figura 11.1 Grco da funo
f (y) =
1 3
y .
4
A esperana matemtica (ou valor mdio) e a varincia de uma varivel aleatria contnua
so dadas, respectivamente, por:
Y = E(Y ) =
y f (y)dy
( )
2
Y2 = V (Y ) = E Y 2 [E(Y )]
em que,
E(Y ) =
y 2 f (y)dy .
Y,
174
Exerccio:
Captulo 11. Variveis aleatrias contnuas

Seja
uma varivel aleatria contnua com funo de probabilidade dada por:
f (y) =
a) Fazer o grco de
2y
se
y < 0;
se
0 y 1;
se
y > 1;
f (y);
Soluo:
b) Vericar se
f (y)
uma funo densidade de probabilidade;
Soluo:
c) Calcular
P (0 < Y < 0, 5);
Soluo:
d) Calcular a mdia e o desvio padro de Y.
Soluo:
Distribuio Normal
Se
175
uma varivel aleatria contnua com funo densidade de probabilidade
sua funo de distribuio acumulada
F (y)
F (y) = P (Y y) =
a
dene-se a
como:
Se
f (y)
f (t)dt.
forem dois nmeros reais quaisquer, tem-se que:
P (a < Y < b) = F (b) F (a).
11.1 Distribuio Normal

11.1.1 Introduo
Dentre todas as distribuies de probabilidades, sejam discretas ou contnuas, a mais estudada e
mais utilizada a distribuio normal. As principais razes que fazem a distribuio Normal o modelo mais
importante na estatstica so:
1) Muitas variveis biomtricas tendem a ter distribuio Normal. Isto ocorre principalmente quando a varivel
inuenciada por um grande nmero de fatores que atuam de modo independente e aditivo;
2) A distribuio das mdias amostrais de uma varivel qualquer tendem a ter distribuio Normal, mesmo
que a varivel em si no tenha distribuio Normal;
3) Muitos testes e modelos estatsticos tm como pressuposio a normalidade dos dados, isto , que os
dados possuem distribuio Normal.
A distribuio Normal tambm conhecida como distribuio Gaussiana em homenagem a
Karl F. Gauss (1777-1855), brilhante matemtico e fsico alemo, que a desenvolveu no incio do sculo XIX.
Entretanto, Abraham de Moivre (1667-1754) foi o primeiro a anunciar a equao da distribuio em 1733 e
Pierre-Simon Marquis de Laplace (1749-1827), famoso matemtico e fsico francs, a redescobriu na mesma
poca que Gauss. Para evitar uma questo internacional de originalidade o famoso estatstico ingls Karl
Pearson passou a cham-la de distribuio Normal em 1920.
A funo densidade de probabilidade de uma varivel aleatria contnua
buio normal, dada por:
Y,
seguindo uma distri-
176

1
e 2
1
f (y) =
2 2
)2
,
para
< Y < ,
(11.2)
em que:
R,
a posio central da distribuio (mdia);
2 > 0,
y
a disperso da distribuio (varincia);
so os valores que a varivel aleatria em estudo
= 100
2 = 100,
assume,
apresentado na Figura 11.2.
0.4
0.4
0.3
0.3
f(x)
f(x)
cujo grco, supondo-se
0.2
0.2
0.1
0.1
0.0
0.0
a
60
80
100
120
140
Figura 11.2 Grco da Distribuio Normal.
Figura 11.3 Probabilidade entre as reas
b.
Esta distribuio apropriada para modelar variveis aleatrias contnuas, que assumem valores
em algum subconjunto dos nmeros reais.
pertencer a um certo intervalo
[a; b]
Neste caso, s faz sentido falar na probabilidade da varivel
que dada pela rea sob a curva e dentro deste intervalo.
Para se calcular a probabilidade da varivel aleatria
assumir valores entre
a rea compreendida entre estes intervalos usando a Equao 11.2. Assim:
P (a Y b) =
a
2 2
e 2
)2
dy
como pode ser observado na Figura 11.3.
11.1.2 Propriedades da Distribuio Normal

As principais caractersticas dessa funo so:
1) A funo gera um grco em forma de sino, sendo unimodal e simtrica;
a e b basta calcular
Distribuio Normal
177
2) denida por dois parmetros: a mdia () e o desvio padro ( ), sendo que a mdia controla a localizao
do centro da distribuio ( o ponto de simetria), j o desvio padro controla a disperso da curva ao redor
da mdia;
3) O ponto de mximo de
f (y)
o ponto
Y = ;
4) No possui limite inferior ou superior;

5) Unidades padres: o desvio padro dene unidades padres na distribuio a partir da mdia, isto , a
disperso dos dados controlada pelas unidades de desvio padro, como mostrado na Figura 11.7.
99,7%
95,4%
68,3%
Figura 11.4
+ 2
desvio da mdia. Figura 11.5
+ 3
desvios da mdia.Figura 11.6
Figura 11.7 reas sob a curva normal.
6) Notao:
Exemplo:
Y N (, 2 ).
Suponha que os pesos de animais adultos da raa pastor alemo possam ser descritos por uma
distribuio normal, com mdia
26 kg
42 kg ,
34 kg
e desvio padro
4 kg .
Neste caso, a proporo dos ces tm pesos entre
por exemplo, a proporo da rea sob a curva normal entre
cerca de 95% dos ces tem pesos entre
26
42 kg .
26
42.
Ento neste exemplo,
Em termos probabilsticos, se a varivel aleatria
representa o peso dos ces e se um co for selecionado ao acaso ento
P ( 2 < Y < + 2) = P (26 < Y < 42) = 0, 9545

O clculo direto de probabilidades envolvendo a distribuio normal exige recursos do clculo
avanado e, mesmo assim, dada a forma da funo densidade, no um processo muito elementar. Por isso,
elas foram tabeladas, permitindo-nos obter diretamente o valor da probabilidade desejada. Note-se, entretanto,
que a funo densidade da normal depende de dois parmetros,
de modo que se as probabilidades
fossem tabeladas diretamente a partir dessa funo, seriam necessrias tabelas de dupla entrada, complicando
consideravelmente as coisas.
178

O desvio padro representa o espalhamento na distribuio.
Assim, utilizando-se a ideia de
espalhamento como interpretao, de se esperar que uma distribuio normal com desvio padro 2 seja
mais espalhada que uma distribuio normal com um desvio padro 1. A Figura 11.8(a) mostra as curvas
com mesma mdia e desvios variando de
1
2 a
3.
Se xado o desvio padro para a distribuio e variando-se as mdias, tem-se um deslocamento da

mdia ao longo do eixo
Y.
Quanto maior for a mdia mais deslocada direita estar a curva. A Figura 11.8(b)
ilustra o fato.
0.8
0.4
sigma=1/2
sigma=1
sigma=2
sigma=3
0.3
f(x)
f(y)
0.6
Mdia = 1
Mdia = 6
0.4
0.2
0.2
0.1
0.0
0.0
5
10
(a) Relao entre os desvios xada a mdia da distri- (b) Relao entre as mdias da distribuio, xado o desbuio.
vio padro.
Figura 11.8 Relao entre mdias e desvios da distribuio normal.
Devido as diculdades de clculo e em se construir tabelas da funo dependendo de dois parmetros, recorre-se a uma mudana de varivel, transformando a varivel aleatria
na varivel aleatria
Z.
Essa nova varivel chama-se varivel normal padronizada, ou reduzida.
11.2 Distribuio Normal Padro

Denomina-se distribuio normal padro, a distribuio normal de mdia zero e varincia 1. As
probabilidades associadas a distribuio normal reduzida so facilmente obtidas em tabelas.
Os problemas da vida real, entretanto, no se apresentam j na forma reduzida, ao contrrio,
so formulados em termos da varivel normal original
Y,
com mdia
e desvio-padro
antes de passarmos sua resoluo, padronizar ou reduzir a varivel aleatria normal
Y,
Y .
preciso ento,
transformando-a na
Distribuio Normal Padro

varivel aleatria
179
Z.
O resultado da padronizao a obteno de uma escala de distribuio denominada escala

reduzida, escala
ou escore
Z,
que mede o afastamento das variveis em relao mdia em nmero de
desvios-padro. Assim,
Z=
y
,
em que:
Z = nmero de desvios padres a contar da mdia;
y = o valor que a varivel aleatria assume;
= mdia da populao;
= desvio padro populacional.

Logo, substituindo-se esses valores na equao (11.2), tem-se a funo densidade padro da
distribuio normal:
1
z2
1
f (z) =
e 2 ,
2
para
< Z < .
cujos grcos so apresentados na Figura 11.9.
68,3%
99,7%
95,4%
(a) 1 desvio da mdia.
(b) 2 desvio da mdia.
(c) 3 desvio da mdia.
Figura 11.9 reas sob a curva normal padro.
Quando a padronizao utilizada, a mdia da distribuio assume valor
V (Z) = 1.
E(Z) = 0 e varincia
Esses valores foram obtidos atravs da aplicao das propriedades do valor esperado e varincia,
180
considerando que
Y N (, 2 ):
[
]
Y
= E
1
E(Y )
=
1
=
( )
E(Z)
[
V (Z) =
=
=
E(Z) = 0.
1
V (Y )
2
1
2
2
V (Z) = 1.
Notao: Z N (0, 1).

De modo inverso, a varivel Normal Padronizada
pode ser transformada em qualquer varivel
Normal:
Z N (0, 1)
Y = Z +
Y N (, 2 ).
11.3 Uso da Tabela da Distribuio Normal Padro

Exemplo 1:
Seja
Z N (0; 1).
Usando a tabela da distribuio normal padro, calcular:
a) P(0 < Z < 1,57)
g) P(-2,22 < Z < -1,35)
b) P(0 < Z < 1,08)
h) P(-1,93 < Z < -0,80)
c) P(-1,89 < Z < 0)
i) P(0,52 < Z < 1,23)
d) P(-0,58 < Z < 0)
j) P(1,25 < Z < 2,23)
e) P(-1,23 < Z < 1,05)
k) P(Z > -1,27)
f ) P(-0,85 < Z < 1,92)
l) P( Z < 2,23)
Para encontrar as probabilidades dos itens do exemplo 1, basta usar a funo acumulada do
pnorm(q, mean = 0, sd = 1).
R,
cuja sintaxe
Sendo a mdia igual a 0 e o desvio igual a 1, no necessrio especic-los
na funo. Assim, para o item (a), por exemplo, o clculo ca:
pnorm(1.57) - pnorm(0)
Exemplo 2:
Sabendo-se que
Z N (0; 1)
e usando a tabela da distribuio normal padro, obter
tal que:
Uso da Tabela da Distribuio Normal Padro
181
a) P(0 < Z < z) = 0,43699
g) P(Z < z) = 0,82121
b) P(0 < Z < z) = 0,475
h) P(Z < z) = 0,30234
c) P(-z < Z < 0) = 0,35314
i) P(Z > z) = 0,95254
d) P(-z < Z < 0) = 0,49492
j) P(Z > z) = 0,07493
e) P(-z < Z < z) = 0,95
k) P(Z < z) = 0,36693
f ) P(-z < Z < z) = 0,97
l) P(Z < z) = 0,5
Para encontrar as probabilidades dos itens do exemplo 2, basta usar a funo
qnorm(p, mean = 0, sd = 1, lower.tail = TRUE, log.p = FALSE).
desvio igual a 1, no necessrio especic-los na funo.
qnorm
do
R,
cuja sintaxe
Sendo a mdia igual a 0 e o
Assim, para os itens (a) e (c), por exemplo, o
clculo ca:
qnorm(0.5 + 0.43699)
qnorm(0.5 - 0.35314)
Exemplo 3:
Seja
Y N (4; 1).
Determine:
a)
P (Y 4);
d)
P (5 < Y < 7);
b)
P (4 < Y < 5);
e)
P (Y 1);
c)
P (2 < Y < 5);
f)
P (0 Y 2);
Para encontrar as probabilidades dos itens do exemplo 3, basta usar a funo
pnorm
do
R.
Como a mdia
igual a 4 e o desvio-padro igual a 1, necessrio especic-los na funo. Assim, para os itens (a) e (b), por
exemplo, o clculo ca:
pnorm(4, 4, 1)
pnorm(5, 4, 1) - pnorm(4, 4, 1)
Exemplo 4:
Seja
Y N (3, 16),
ou seja, a varivel
grco da distribuio e determine
Soluo:
P (3 < Y < 8).
tem mdia igual a
=3
e varincia
2 = 16.
Faa o
182
Exemplo 5:
A estatura mdia dos alunos da UEL de
= 1, 75m e desvio padro = 0, 15m.
Assumindo-se
que a varivel estatura (Y) seja normalmente distribuda, calcule a probabilidade de um aluno aleatoriamente
selecionado ter estatura entre
1, 70m
1, 80m.
Soluo:
Exemplo 6:
- Vagas:
Aplicao da Distribuio Normal a dados do Vestibular.
60
Total de Pontos Obtidos:
PROVAS
1
Classicao:
77 -
A/N
PTS
TPTS
NP
39
1,667
65,013
65,013
52,318
13,712
592,6
7,502
4,6
34,509
Lngua Port./Literatura
14
2,3
32,2
69,909
55,397
13,029
611,4
Lngua Estrangeira
0,8
3,2
Especca A
16
2,5
40
Especca B
16
2,5
40
80
52,319
15,814
676,2
Conhecimentos Gerais
Redao
1880,2
183
Desempenho do Primeiro e do ltimo Classicado no Curso
Classicao
1
60
Pontuao
2.150,2
1.899,3
184
Distribuio Normal
zt
0,00
0,01
0,02
0,03
0,04
0,05
0,06
0,07
0,08
0,09
0,0
0,00000
0,00399
0,00798
0,01197
0,01595
0,01994
0,02392
0,02790
0,03188
0,03586
0,1
0,03983
0,04380
0,04776
0,05172
0,05567
0,05962
0,06356
0,06749
0,07142
0,07535
0,2
0,07926
0,08317
0,08706
0,09095
0,09483
0,09871
0,10257
0,10642
0,11026
0,11409
0,3
0,11791
0,12172
0,12552
0,12930
0,13307
0,13683
0,14058
0,14431
0,14803
0,15173
0,4
0,15542
0,15910
0,16276
0,16640
0,17003
0,17364
0,17724
0,18082
0,18439
0,18793
0,5
0,19146
0,19497
0,19847
0,20194
0,20540
0,20884
0,21226
0,21566
0,21904
0,22240
0,6
0,22575
0,22907
0,23237
0,23565
0,23891
0,24215
0,24537
0,24857
0,25175
0,25490
0,7
0,25804
0,26115
0,26424
0,26730
0,27035
0,27337
0,27637
0,27935
0,28230
0,28524
0,8
0,28814
0,29103
0,29389
0,29673
0,29955
0,30234
0,30511
0,30785
0,31057
0,31327
0,9
0,31594
0,31859
0,32121
0,32381
0,32639
0,32894
0,33147
0,33398
0,33646
0,33891
1,0
0,34134
0,34375
0,34614
0,34849
0,35083
0,35314
0,35543
0,35769
0,35993
0,36214
1,1
0,36433
0,36650
0,36864
0,37076
0,37286
0,37493
0,37698
0,37900
0,38100
0,38298
1,2
0,38493
0,38686
0,38877
0,39065
0,39251
0,39435
0,39617
0,39796
0,39973
0,40147
1,3
0,40320
0,40490
0,40658
0,40824
0,40988
0,41149
0,41309
0,41466
0,41621
0,41774
1,4
0,41924
0,42073
0,42220
0,42364
0,42507
0,42647
0,42785
0,42922
0,43056
0,43189
1,5
0,43319
0,43448
0,43574
0,43699
0,43822
0,43943
0,44062
0,44179
0,44295
0,44408
1,6
0,44520
0,44630
0,44738
0,44845
0,44950
0,45053
0,45154
0,45254
0,45352
0,45449
1,7
0,45543
0,45637
0,45728
0,45818
0,45907
0,45994
0,46080
0,46164
0,46246
0,46327
1,8
0,46407
0,46485
0,46562
0,46638
0,46712
0,46784
0,46856
0,46926
0,46995
0,47062
1,9
0,47128
0,47193
0,47257
0,47320
0,47381
0,47441
0,47500
0,47558
0,47615
0,47670
2,0
0,47725
0,47778
0,47831
0,47882
0,47932
0,47982
0,48030
0,48077
0,48124
0,48169
2,1
0,48214
0,48257
0,48300
0,48341
0,48382
0,48422
0,48461
0,48500
0,48537
0,48574
2,2
0,48610
0,48645
0,48679
0,48713
0,48745
0,48778
0,48809
0,48840
0,48870
0,48899
2,3
0,48928
0,48956
0,48983
0,49010
0,49036
0,49061
0,49086
0,49111
0,49134
0,49158
2,4
0,49180
0,49202
0,49224
0,49245
0,49266
0,49286
0,49305
0,49324
0,49343
0,49361
2,5
0,49379
0,49396
0,49413
0,49430
0,49446
0,49461
0,49477
0,49492
0,49506
0,49520
2,6
0,49534
0,49547
0,49560
0,49573
0,49585
0,49598
0,49609
0,49621
0,49632
0,49643
2,7
0,49653
0,49664
0,49674
0,49683
0,49693
0,49702
0,49711
0,49720
0,49728
0,49736
2,8
0,49744
0,49752
0,49760
0,49767
0,49774
0,49781
0,49788
0,49795
0,49801
0,49807
2,9
0,49813
0,49819
0,49825
0,49831
0,49836
0,49841
0,49846
0,49851
0,49856
0,49861
3,0
0,49865
0,49869
0,49874
0,49878
0,49882
0,49886
0,49889
0,49893
0,49896
0,49900
3,1
0,49903
0,49906
0,49910
0,49913
0,49916
0,49918
0,49921
0,49924
0,49926
0,49929
3,2
0,49931
0,49934
0,49936
0,49938
0,49940
0,49942
0,49944
0,49946
0,49948
0,49950
3,3
0,49952
0,49953
0,49955
0,49957
0,49958
0,49960
0,49961
0,49962
0,49964
0,49965
3,4
0,49966
0,49968
0,49969
0,49970
0,49971
0,49972
0,49973
0,49974
0,49975
0,49976
3,5
0,49977
0,49978
0,49978
0,49979
0,49980
0,49981
0,49981
0,49982
0,49983
0,49983
3,6
0,49984
0,49985
0,49985
0,49986
0,49986
0,49987
0,49987
0,49988
0,49988
0,49989
3,7
0,49989
0,49990
0,49990
0,49990
0,49991
0,49991
0,49992
0,49992
0,49992
0,49992
3,8
0,49993
0,49993
0,49993
0,49994
0,49994
0,49994
0,49994
0,49995
0,49995
0,49995
3,9
0,49995
0,49995
0,49996
0,49996
0,49996
0,49996
0,49996
0,49996
0,49997
0,49997
185
Exerccios
1) Suponha que
= 8; 2 = 4,
a) Construa o grco de
ou seja,
Y N (8; 4).
Y;
x <- seq(1.419, 14.581, length.out=100)

plot(x, dnorm(x, mean=8, sd=2), xlab=expression(x),
ylab=expression(f(x)), type="l", las=1, bty='l')
abline(h=0, col="gray")
b) Construa o grco da funo acumulada;
plot(x, pnorm(x, mean=8, sd=2), xlab=expression(x),

ylab=expression(F(x)), type="l", las=1, bty='l')
abline(h=0, col="gray")
remove(.x)
c) Calcule:
i)
P (Y 9, 5);
Esta probabilidade pode ser calculada usando o
R,
atravs do seguindo comando:
pnorm(c(9.5), mean=8, sd=2, lower.tail=FALSE);

ii)
P (6 Y 10).
Esta probabilidade pode ser calculada usando o R, atravs do seguindo comando:
pnorm(c(10), mean=8, sd=2, lower.tail=TRUE) pnorm(c(6), mean=8, sd=2, lower.tail=TRUE)
2) Em uma populao de indivduos adultos de sexo masculino, a estatura mdia

de
1, 70 m
e desvio padro
0, 08 m.
a) Qual o intervalo de alturas em que 95% da populao est compreendida?
qnorm(c(0.025, 0.975), mean=1.7, sd=0.08)
b) Na mesma populao, qual a probabilidade de um indivduo ter estatura entre
pnorm(c(1.82), mean=1.7, sd=0.08, lower.tail=TRUE) pnorm(c(1.6), mean=1.7, sd=0.08, lower.tail=T)
1, 60
1, 82 m?
186
c) Qual a probabilidade de se encontrar um indivduo com estatura menor que
1, 58?
pnorm(c(1.58), mean=1.7, sd=0.08)
3) Na curva gaussiana padro obtenha o valor de
z0
tal que a rea entre a mdia da curva e
z0
seja
0, 40.
qnorm(c(.1, .9))
4) Um teste de aptido para o exerccio de certa prosso exige uma sequncia de operaes a serem executadas rapidamente uma aps outra. Para passar no teste, o candidato deve complet-lo em
80
minutos no
mximo. Admita que o tempo para completar o teste seja uma varivel aleatria N(90, 400).
a) Qual a porcentagem dos candidatos com chances de serem aprovados?
pnorm(80, mean=90, sd=20)

b) Os melhores 5% recebero um certicado especial. Qual o tempo mximo para fazer jus a tal certicado?
qnorm(0.05, mean=90, sd=20)
5) sabido que, para adultos do sexo masculino, gozando de boa sade, em uma certa populao, a temperatura corporal segue distribuio gaussiana com mdia de 36,8 graus e desvio-padro de 0,15 graus.
a) Se considerarmos 1.000 dessas pessoas, quantas se esperariam com temperatura entre 36,8 e 37,2
graus?
(prob = pnorm(c(37.2), mean=36.8, sd=.15) - pnorm(c(36.8), mean=36.8, sd=.15))

(Esp = 1000*prob)
b) Em qual intervalo de temperaturas esto 98% dos adultos masculinos sadios desta populao?
qnorm(c(0.01, 0.99), mean=36.8, sd=0.15)
6) Um pesquisador deseja criar um padro para identicar presena de infeco bacteriana (Pseudomonas sp)
no trato respiratrio atravs de cultura de escarro. Para isto, coletaram-se dados de pessoas sabidamente
sadias e determinou-se o nmero de colnias encontradas em cada cultura. Foram encontrados os seguintes
resultados:
17
22
23
23
23
23
24
24
24
24
24
24
25
25
25
25
25
25
25
26
28
28
29
30
30
31
31
35
35
35
36
40
41
41
41
42
51
54
56
56
56
58
60
68
79
187
Determine uma faixa de normalidade de 95% para o nmero de colnias de bactrias no trato respiratrio
de pessoas sadias, usando o mtodo da curva de Gauss.
escarro = c(17, 22, 23, 23, 23, 23, 24, 24, 24, 24, 24, 24, 25, 25, 25, 25, 25, 25,
25, 26, 28, 28, 29, 30, 30, 31, 31, 35, 35, 35, 36, 40, 41, 41, 41, 42,
51, 54, 56, 56, 56, 58, 60, 68, 79)
(n = length(escarro))
(mdia = mean(escarro))
(var.amostra = var(escarro))
(var.pop = ((n-1)/n) * varincia)
# ou,
(var.pop = sum((escarro - mean(escarro))^2) / n)
qnorm(c(.025, .975), mean=mdia, sd=sqrt(var.pop))
7) As alturas de 10.000 alunos de um colgio tm distribuio aproximadamente normal, com mdia

e desvio-padro
170 cm
5 cm.
a) Qual o nmero esperado de alunos com altura superior a
165 cm?
(prob = pnorm(165, mean=170, sd=5, lower.tail=F))

(Esp = 10000*prob)
b) Qual o intervalo simtrico em torno da mdia que conter 75% das alturas dos alunos?
qnorm(c(0.125, 0.875), mean=170, sd=5)
8) O peso da carcaa de um animal segue uma distribuio
N (50kg ; 4kg 2 ).
inferior a um desvio-padro abaixo da mdia, ela vendida a
R$ 60, 00,
Se o peso de uma carcaa
caso contrrio, por
R$ 80, 00.
Qual o preo mdio de venda de uma carcaa?
(inf = pnorm(48, mean=50, sd=2))

(sup = pnorm(48, mean=50, sd=2, lower.tail=FALSE))
(Esp = inf*60 + sup*80)
9) Mensuraes de pesos foram realizadas in vivo em 142 fmeas de bovinos da raa Nelore.
desvio padro obtidos foram:
= 390, 19 kg
distribuio normal:
a) Esquematizar o grco da distribuio;
= 45, 23 kg .
A mdia e
Assumindo-se que os pesos seguem uma
188
x = seq(280, 500, length = 142)

y = dnorm(x, mean=390.19, sd=45.23)
plot(x, y, type="l", lwd=2, col="red", bty='l',
xlab='Pesos (kg)', ylab="Probabilidade")
b) Calcular a proporo esperada de animais com pesos acima de
395 kg ;
(prob.b = pnorm(395, mean=390.19, sd=45.23, lower.tail=FALSE))

(Esp.b = 142*prob.b)
c) Calcular a proporo esperada de animais com pesos abaixo de
380, 17 kg ;
(prob.c = pnorm(380.17, mean=390.19, sd=45.23))

(Esp.c = 142*prob.c)
d) Calcular a proporo esperada animais com pesos acima de
385, 0 kg ;
(prob.d = pnorm(385, mean=390.19, sd=45.23, lower.tail=FALSE))

(Esp.d = 142*prob.d)
e) Calcular a proporo esperada de animais com pesos entre
385
390 kg ;
(prob.e = pnorm(390, mean=390.19, sd=45.23) pnorm(385, mean=390.19, sd=45.23))

(Esp.e = 142*prob.e)
f ) Se 25% dos animais com menor peso forem abatidos, qual o peso mnimo dos animais remanescentes?
qnorm(.25, mean=390.19, sd=45.23)

g) Qual o peso mnimo para um animal estar entre os 5% com maior peso?
qnorm(.05, mean=390.19, sd=45.23, lower.tail=FALSE)
10) Uma amostra de 120 sunos mestios, com seis meses de idade, apresenta quanto ao peso (em kg):
= 80kg
a) Quantos sunos tm peso entre
= 12kg.
(prob = pnorm(92, mean=80, sd=12) - pnorm(68, mean=80, sd=12))

(Esp = 120*prob)
189
b) Qual a probabilidade de um suno escolhido ao acaso pesar entre
72
82 kg ?

c) Qual a probabilidade de um suno pesar entre
92
104 kg ?
11) A distribuio dos pesos de coelhos criados numa granja pode muito bem ser representado por uma
N (3, 50kg ; 0, 36kg 2 .
Um abatedouro comprar 10.000 coelhos dessa granja e os classicar de acordo
com o peso, da seguinte forma: 20% dos mais leves como pequenos, os 40% seguintes como mdios,
os 30% seguintes como grandes e os 10% restantes como extras.
Quais os limites de peso para cada
classicao?
(Leves = qnorm(.2, mean=3.5, sd=0.6))

(Mdios = qnorm(c(.2, .6), mean=3.5, sd=0.6))
(Grandes = qnorm(c(.6, .9), mean=3.5, sd=0.6))
(Extras = qnorm(.1, mean=3.5, sd=0.6, lower.tail=FALSE))
12) Dada a funo abaixo, vericar para que valor de

probabilidade. Calcular a
E(X)
pode ser considerada uma funo densidade de
V (X).
kx2
f (x) =
0
se
0 x 2;
se
x<0
ou
x > 2.
k = 8/3 ; E(X) = 32/3 ; V(X) = 256/15
13) Suponha que o peso de animais recm-nascidos (em kg) pode ser considerado uma varivel aleatria com
a seguinte densidade:
1
1
x+
10
10
9
3
f (x) =
x+
40
20
0,
se
0 x 2;
se
2 < x 6;
caso contrrio.
Qual a probabilidade de, escolhendo ao acaso um animal, ele ter peso:
a) inferior a
3 kg ;
190
p = 0,6625
b) entre
4 kg ;
p = 0,25
Aprender a nica coisa que a mente nunca se cansa,

nunca tem medo e nunca se arrepende.
Leonardo da Vinci.
Captulo 12
Introduo inferncia estatstica

O objetivo da inferncia estatstica estudar uma determinada populao baseando-se em informaes obtidas atravs da amostra coletada.
Os modelos probabilsticos procuram medir a variabilidade de fenmenos casuais de acordo com
as ocorrncias. Na prtica, frequentemente o pesquisador tem alguma idia sobre a forma da distribuio, mas
no dos valores exatos dos parmetros que a especicam.
Exemplo:
Suponha que a distribuio das estaturas dos alunos da UEL possa ser representada por um modelo
gaussiano e que os parmetros populacionais, mdia e varincia, fossem conhecidos e iguais, respectivamente,
a
1, 72 m e 0, 0225 m2 .
1, 75 m?
Qual a probabilidade de um aluno, aleatoriamente selecionado, ter altura entre
1, 65 m
Se os dados seguem uma distribuio normal, ento tem-se que a funo densidade de probabilidade dada
por:
f (y) =
1 y 2
1
e 2 ( ) , < Y < +
2
1,75
P (1, 65 Y 1, 75) =
1,65
1 y1,72 2
1
e 2 ( 0,15 ) dy = 0, 2589
0, 15 2
pnorm(1.75, mean=1.72, sd=0.15, lower.tail=T) - pnorm(1.65, mean=1.72, sd=0.15, lower.tail=T)

# ou
diff(pnorm(c(1.65, 1.75), mean=1.72, sd=0.15))
Nessa situao (parmetros populacionais conhecidos), no haveria necessidade de usar a inferncia estatstica.
Raramente se consegue obter a distribuio exata de alguma varivel, ou por que isso muito dispendioso, ou
muito demorado ou s vezes porque consiste num processo destrutivo.
A soluo trabalhar com amostra, analis-la e inferir propriedades para a populao.
191
192
Captulo 12. Introduo inferncia estatstica

J se discutiu a diferena entre estatsticas (amostragem) e parmetros (populao).
Assim,
tem-se:
Parmetro
Estatstica
s2
Desvio padro
Proporo
Mdia
Varincia
Considere:
Y =
yi
i=1
em que que:
chamado estimador e
y = 1, 73 m
, por exemplo, a estimativa.
12.1 Distribuio Amostral da Mdia

Considere a seguinte populao: 1, 3, 5, 5, 7. Seja
a varivel aleatria valor assumido por um
elemento sorteado ao acaso dessa populao.

a) Obter a distribuio de
Y.
P(Y=y)
1/5
1/5
Total
b) Calcular a mdia
Y = E(Y )
e a varincia
[
]2
2 = E(Y 2 ) E(Y ) .
Distribuio Amostral da Mdia
193
Soluo:
c) Considerar todas as possveis amostras de tamanho

varivel aleatria nmero selecionado na
n = 2, com reposio,
extrao e
extrao. Obter a distribuio amostral da estatstica
Amostra
Y1 + Y2
Y =
2
Probabilidade
Y2 ,
dessa populao. Seja
Y1
a varivel aleatria nmero selecionado na
Y1 + Y2
Y =
2
Amostra
Y1 + Y2
Y =
2
Probabilidade
1/25
(5;1)
1/25
(1;3)
1/25
(5;3)
1/25
(1;5)
1/25
(5;5)
1/25
(1;5)
1/25
(5;5)
1/25
(1;7)
1/25
(5;7)
1/25
(3;1)
1/25
(7;1)
1/25
(3;3)
1/25
(7;3)
1/25
(3;5)
1/25
(7;5)
1/25
(3;5)
1/25
(7;5)
1/25
(3;7)
1/25
(7;7)
1/25
(5;1)
1/25
(5;3)
1/25
(5;5)
1/25
(5;5)
1/25
(5;7)
1/25
53 = 125,
(mdia).
(1;1)
O nmero de amostras de tamanho 2 possveis da populao :
52 = 25.
Se fosse de tamanho 3, teramos:
no caso de amostras com reposio. E se fosse sem reposio?
194

0.25
Tabela 12.1 Distribuio das Mdias
P (Y = y)
1/25
2/25
Probabilidades
0.20
0.15
0.10
0.05
1/25
0.00
Total
4
Mdias
Calcular a mdia
Y = E(Y )
e a varincia
[
]2
Y2 = E(Y 2 ) E(Y ) .
Soluo:
y = 1:7
probab=c(1, 2, 5, 6, 6, 4, 1)/25
require(distrEx)
Y = DiscreteDistribution(supp=y, prob=probab)
E(Y) ; var(Y) ; sd(Y)
par(mai=c(1, 1, .2, .5))
plot(probab~y, las=1, type="h", bty="l", col="blue",
xlab="Mdias", ylab="Probabilidades")
points(y, prob, pch=19, col="blue")

Para se retirar uma amostra de tamanho
Para o exemplo dado, pode-se retirar
195
n
N,
basta usar o
R.
uma amostra usando os seguintes comandos:
popul = c(1, 3, 5, 5, 7)
(amostra = sample(popul, 2, replace=T))
# ou
tilapia = read.table('http://www.uel.br/pessoal/silvano/Dados/Tilapia.txt', head=T)
attach(tilapia)
(amostra.tila = sample(Peso, 20, replace=F))
Para efetuar os procedimentos realizados de forma direta no
R, necessrio a construo de uma
funo, encontrada no material da Fiocruz, que execute as tarefas. Dada por:
permuta2.ou.3 <- function (x, N, n)

{
if (n!=2 && n!=3) stop("Esta funo para obter permutaes
2 a 2 ou 3 a 3 apenas")
z <- matrix(0, nrow=N^n, ncol=n)
z[,1] <- rep(x, each=N^(n-1))
z[,2] <- rep(x, times=N^(n-2), each=N^(n-2))
if(n==3)
{
z[,3] <- rep(x, times=N^(n-1))
}
z
}
amostras.2 <- permuta2.ou.3(popul, 5, 2) ; amostras.2
O
R,
por default, calcula a varincia e o desvio padro
da amostra.
Para se determinar a
varincia de uma populao necessrio denir uma funo para efetuar tal clculo, dada por:
var.pop <- function(x)

{ Var = sum((x-mean(x))^2)/length(x) }
(var.pop(popul))
# ou, simplesmente:
n = length(popul)
(var.pop = var(popul)*(n-1)/n)
Assim, pode-se determinar as mdias das amostras e a varincia populacional aplicando-se:
196
(medias.2 <- round(apply(amostras.2, 1, mean), 2))

table(medias.2)
cbind(table(medias.2))
(var.pop(medias.2))
Teorema:
Seja
uma varivel aleatria com mdia
aleatria simples de
Y.
e varincia
2 ,
e seja
(Y1 , Y2 , . . . , Yn )
uma amostra
Ento:
2
.
Y2 = V (Y ) =
n
Y = E(Y ) =
Quando o tamanho da amostra aumenta, independentemente da forma da distribuio da populao, a distribuio amostral de
aproxima-se cada vez mais de uma distribuio normal. Esse resultado, fundamental
na teoria da Inferncia Estatstica, conhecido como Teorema Central do Limite.
Teorema:
Para amostras aleatrias simples (Y1 , Y2 , . . . , Yn ), retiradas de uma populao com mdia
2 ,
varincia
com mdia
a distribuio amostral da mdia

2
e varincia
aproxima-se, para
grande, de uma distribuio normal,
, ou seja,
Y N
Se a populao for normal, ento
(
)
2
,
.
n
ter distribuio
exata
(12.1)
normal. Aceita-se que para amostras com mais
de 30 observaes a aproximao normal j pode ser considerada boa.
Corolrio:
e
, e
(Y1 , Y2 , . . . , Yn ) for uma

1
Y = (Y1 , Y2 , . . . , Yn ), ento:
n
Se
Z=
em que
e = Y
Y a
N (0, 1),
(12.2)
signica aproximadamente distribudo. A diferena entre a estatstica
e o parmetro
isto ,
chamado erro amostral da mdia.

Usando o
no
amostra aleatria simples de uma populao qualquer, com mdia
possvel gerar amostras da populao para comprovar o Teorema. Os comandos
so:
require(TeachingDemos)
clt.examp(n = 50, reps = 10000, nclass =16)

Exemplo 1:
mdia
197
Suponha que os comprimentos de jacars adultos de uma certa raa siga o modelo normal com
= 1, 69 m
e varincia igual a
0, 01 m2 .
Uma amostra de dez animais foi sorteada aleatoriamente.
Qual a probabilidade da mdia do comprimento dessa amostra estar entre
1, 63
1, 69 m?
Soluo:
Exemplo 2:
Os camares machos da espcie Farfantepenaeus paulensis, para serem considerados adultos,
devem apresentar um comprimento total maior ou igual a

machos adultos a mdia dos comprimentos seja igual a
a) Qual a probabilidade de que numa amostra de
22 mm.
Suponha que numa populao de camares
= 27, 3 mm
n = 35
e o desvio padro
= 7, 8 mm.
camares, obtenha-se uma mdia
Y < 22 mm?
Soluo:
b) Qual deve ser o valor para a mdia do comprimento total,
Soluo:
a m de que
P rob(Y 22) = 0, 05?
198
12.2

Considere o
que
1, 69 m.
Seja
Yi
exemplo 1 em que os jacars sero considerados adultos se o comprimento for maior
o comprimento do i-simo jacar escolhido, tal que:
Yi =
Logo,
Yi
ser
para jacars adultos e
1,
se
Xi > 1, 69 m
0,
se
Xi 1, 69 m
para jacars jovens.
variveis aleatrias, uma vez que elas assumem o valor
As quantidades
Y1 , Y2 , , Y10
tambm so
0 ou 1 dependendo do valor assumido Xi , que tambm
uma varivel aleatria. Considere os seguintes dados:
10
Xi
1,58
1,63
1,72
1,75
1,69
1,68
1,70
1,64
1,77
1,74
Yi
Portanto, a proporo
de jacars adultos ser estimada pela proporo de comprimentos maiores que 1, 69 m
encontrada na amostra,
p.
A estimativa obtida foi:
p=
indicando que
Denio:
50%
Seja
Y1 + Y2 + + Y10
0 + 0 + 1 + + 1
=
= 0, 5
10
10
de todos os jacars so considerados adultos.

a proporo das unidades de uma populao que possuem uma determinada caracterstica
(proporo de sucessos). A populao pode ser denida como uma varivel
Y =
sendo
P (Y = 1) =
tal que:
1,
se o elemento da populao tem a caracterstica;
0,
se o elemento da populao no tem a caracterstica,
P (Y = 0) = 1 .
Alguns exemplos so:

a) observar as capivaras machos;
b) observar as rvores com cancro numa oresta de eucalipto;
c) observar os eleitores do candidato A;
d) observar as pessoas que se sentem mal aps tomar uma vacina.

Se amostras aleatrias de tamanho
a distribuio amostral de
n forem tomadas de uma populao com proporo , ento,
tem as seguintes propriedades:

(
1)
E(p) = p = E
Yi
199
= = p um estimador sem vis de ;

n
( n
)
Yi
(1
)
(1 )
V ar(p) = p2 = V ar
=
= p =
.
n
n
n
i=1
i=1
2)
Se o tamanho da amostra cresce, o desvio padro da proporo amostral decresce;

3) Se a populao original tem uma distribuio qualquer, para
sucientemente grande
(n > 30), p
ter
distribuio aproximadamente normal:
[
]
(1 )
a
p N ,
,
n
em que
p
z=
(1)
n
N (0, 1)
signica aproximadamente distribudo.
Quando
de
desconhecida e a amostra com reposio grande, determina-se
p=
y
,
n
estimativa
Logo,
p =
Exemplo 1:
p(1 p)
.
n
Deseja-se saber qual a proporo de pessoas da populao portadoras de determinada doena.
Retira-se uma amostra de 400 pessoas, obtendo-se 8 portadores da doena. Determine a proporo estimada
de pessoas portadoras da doena e o desvio padro.
Soluo:
Exemplo 2:
Um fabricante arma que sua vacina contra gripe imuniza
80%
dos casos. Uma amostra de 25
indivduos que tomaram a vacina foi sorteada e testes foram feitos para vericar a imunizao ou no desses
indivduos. Se o fabricante estiver correto, qual a probabilidade da proporo de imunizados na amostra ser
inferior
0, 75?
E superior
0, 85?
200
Soluo:

Estatística Aplicada à Veterinária

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Estatística Aplicada à Veterinária

Enviado por

Direitos autorais:

Formatos disponíveis

Universidade Estadual de Londrina

Centro de Cincias Exatas

Prof. Silvano Cesar da Costa

Planejamento de uma pesquisa

Vantagens da amostragem sobre o censo . . . . . . . . . . . . . . . . . . . .

Amostragem simples ao acaso ou amostragem aleatria simples . . . . . . . .

Etapas de uma pesquisa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Determinao do tamanho amostral para variveis qualitativas

Determinao do tamanho amostral para variveis quantitativas

Organizao e apresentao de dados . . . . . . . . . . . . . . . . . . . . . . . . . .

Elementos essenciais de uma tabela . . . . . . . . . . . . . . . . . . . . . . .

Elementos complementares de uma tabela

Construo de uma distribuio de frequncia de variveis discretas . . . . . .

Construo de uma distribuio de frequncia para variveis contnuas

Tabelas de dupla entrada

Apresentao grca de variveis qualitativas . . . . . . . . . . . . . . . . . . . . . .

Grco em colunas justapostas . . . . . . . . . . . . . . . . . . . . . . . . .

Grco em colunas compostas

Grco em setores circulares

Grco em setores retangulares . . . . . . . . . . . . . . . . . . . . . . . . .

Apresentao grca de variveis discretas . . . . . . . . . . . . . . . . . . . . . . .

Apresentao grca de variveis contnuas . . . . . . . . . . . . . . . . . . . . . . .

Construo de um grco ramo-e-folhas . . . . . . . . . . . . . . .

Grco de Caixas (ou Box Plot )

Grco de Setores Proporcionais

Iluso dos Grcos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Mdia Aritmtica Simples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Mdia Aritmtica Ponderada

Determinao da mediana de valores no tabulados

Mediana de dados agrupados em classes

Separatrizes de dados no agrupados . . . . . . . . . . . . . . . . . . . . . .

Separatrizes de dados agrupados

Moda para dados agrupados em classes

Utilizao das medidas de tendncia central

7 Medidas de disperso ou variabilidade

Desvio Absoluto Mdio

Varincia de Dados Brutos Populacionais . . . . . . . . . . . . . . . . . . . .

Varincia de Dados Brutos Amostrais . . . . . . . . . . . . . . . . . . . . . .

Varincia de Dados Agrupados

Princpio Fundamental da Contagem

9 Noes sobre a teoria das probabilidades

Conceitos Bsicos em Probabilidade

Operaes com Eventos . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Conceito Clssico ou a priori

Regras de Clculo de Probabilidades

Probabilidade Condicional no Diagrama de Venn . . . . . . . . . . . . . . . .

Aplicao da Probabilidade Condicional

Valor das Predies

Probabilidade da Interseco de Dois Eventos

Amostragem Sem Reposio

Amostragem com Reposio

10 Variveis aleatrias discretas

10.2 Varivel Aleatria Discreta

10.2.1 Distribuio de uma Varivel Aleatria . . . . . . . . . . . . . . . . . . . . .

10.2.2 Funo de Probabilidade

10.2.3 Valor mdio ou Esperana Matemtica de Y . . . . . . . . . . . . . . . . . .

10.2.5 Distribuio acumulada de uma varivel aleatria

10.3 Principais Distribuies de Probabilidades

10.3.3 Distribuio de Poisson

10.3.4 Aproximao da Distribuio Binomial pela Distribuio de Poisson . . . . . .

10.3.5 Distribuio Geomtrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

11 Variveis aleatrias contnuas

11.1 Distribuio Normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Apresentao grca de variveis qualitativas . . . . . . . . . . . . . . . . . . . . . .

Grco em colunas justapostas . . . . . . . . . . . . . . . . . . . . . . . . .

Grco em colunas compostas

Grco em setores circulares

Grco em setores retangulares . . . . . . . . . . . . . . . . . . . . . . . . .

Apresentao grca de variveis discretas . . . . . . . . . . . . . . . . . . . . . . .

Apresentao grca de variveis contnuas . . . . . . . . . . . . . . . . . . . . . . .

Construo de um grco ramo-e-folhas . . . . . . . . . . . . . . .

Grco de Caixas (ou Box Plot )

Grco de Setores Proporcionais

Iluso dos Grcos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Diagnsticos de radiograas de trax

Nmero de lhotes de cadelas submetidas a inseminao articial no Hospital

Esquema padro de sntese dos dados para vericao da qualidade de um teste

Resultados da tomograa computadorizada em 67 pacientes com metstase e

Tabela 10.3 - Nmero de consultas realizadas pelos liados ao plano de sade.

Figura 5.10 - Nmero de lhotes de cadelas submetidas a inseminao articial no Hospital

Figura 5.18 - Grco Correto. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Figura 5.17 - Grco distorcido.

Esboo do grco de caixas.

Figura 10.1 - Grco das probabilidades de prenhez dos animais.

Figura 10.4 - Grco da distribuio de Poisson, cuja mdia () 4,0. . . . . . . . . . . . .

Figura 11.2 - Grco da Distribuio Normal.

Figura 11.1 - Grco da funo

estatstica est associada idia de coleo