Você está na página 1de 142

Mtodos Quantitativos Estatsticos

Mtodos
Quantitativos
Estatsticos

Mtodos
Quantitativos
Estatsticos

Denise Maria Martins


Este material parte integrante do acervo do IESDE BRASIL S.A.,
mais informaes www.iesde.com.br

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Denise Maria Martins

Mtodos Quantitativos Estatsticos

Edio revisada

IESDE Brasil S.A.


Curitiba
2012

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

2008 IESDE Brasil S.A. proibida a reproduo, mesmo parcial, por qualquer processo, sem autorizao por escrito dos autores e
do detentor dos direitos autorais.

CIP-BRASIL. CATALOGAO-NA-FONTE
SINDICATO NACIONAL DOS EDITORES DE LIVROS, RJ
__________________________________________________________________________________
M341m
Martins, Denise Maria
Mtodos quantitativos estatsticos / Denise Maria Martins. - 1.ed., rev. - Curitiba, PR :
IESDE Brasil, 2012.
138p. : 24 cm
Inclui bibliografia
ISBN 978-85-387-2986-0
1. Estatstica matemtica. 2. Probabilidades. I. Ttulo.
12-5023.

CDD: 519.5
CDU: 519.2

16.07.12 31.07.12
037526
__________________________________________________________________________________

Capa: IESDE Brasil S.A.


Imagem da capa: Shutterstock

Todos os direitos reservados.

IESDE Brasil S.A.

Al. Dr. Carlos de Carvalho, 1.482. CEP: 80730-200


Batel Curitiba PR
0800 708 88 88 www.iesde.com.br

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Denise Maria Martins


Mestre em Administrao Estratgica pela
Universidade Cidade de So Paulo (Unicid).
Especialista em Engenharia da Qualidade pela
Universidade Catlica de Minas Gerais (PUCMinas). Graduada em Estatstica pelo Centro
Universitrio Capital (Unicapital). Atua como
gestora de processos.

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

sumrio
sumrio

Estatstica com aplicaes 11


e anlise exploratria
11 | Estatstica: definio e aplicaes
13 | Conceitos e regras
20 | Anlise exploratria de dados: o problema

35
Medidas de tendncia central e posio
35 | Definio
47 | Quartis, Decis e Percentis

55
Medidas de variabilidade
55 | Definio
60 | O problema

Introduo probabilidade
75
e distribuio de probabilidade discretas

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

113
Distribuio
de probabilidade contnua
113 | Definio
132 | Apndice n. 1 Tabela 1: reas sob a curva normal

137
Referncias

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Apresentao

 Desenvolver a confiana dos alunos ao lidar


com dados numricos;
 Expor o leitor a uma ampla variedade de
tcnicas estatsticas introdutrias para uso
na interpretao e anlise de dados empresariais.
No livro, temos a descrio das principais ferramentas e mtodos, apresentando a estatstica
e a anlise exploratria, em que so indicados
conceitos bsicos e ferramentas para anlise grfica. A aplicao da estatstica envolve medidas
de tendncia central e de posio, evidenciando
mtodos e ferramentas para indicar valores que
representam a maioria dos dados de forma resumida. O desenvolvimento e o entendimento de
medidas de variabilidade que permitem ao leitor

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Mtodos Quantitativos Estatsticos

O assunto da estatstica pode ser apresentado


em diversos nveis de dificuldades matemticas
e orientado para aplicaes em vrios campos
de pesquisa. A consequncia apresentao de
textos sobre estatstica mdia, estatstica para
administrao, estatstica educacional, estatstica psicolgica e at mesmo estatstica para historiadores. Embora os problemas que surgem
nessas diversas reas por vezes exijam tcnicas
estatsticas especiais, nenhum dos mtodos
bsicos apresentados neste livro est restrito a
qualquer campo particular de aplicao.
Os objetivos gerais da Estatstica aplicados Administrao so os seguintes:

Mtodos Quantitativos Estatsticos

acrescentar a sua interpretao e anlise de ferramentas para medir as disperses de amostras analisadas.
Temos a Introduo probabilidade e distribuies de
probabilidade discretas demonstrando mtodos para
tratamento de dados discretos e indicando clculos de
probabilidade. Como encerramento apresentada a
distribuio de probabilidade contnua, representada
pela distribuio normal como meio para a realizao
de previses em determinados contextos onde temos
varivel contnua como dados.

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Estatstica com
aplicaes e anlise exploratria

Estatstica: definio e aplicaes


No moderno ambiente administrativo e econmico global, dispe-se de
uma vasta quantidade de informaes estatsticas. Os gerentes e tomadores
de deciso de maior sucesso so aqueles capazes de entender a informao
e us-la de forma eficaz. As empresas precisam de informaes para tomar as
decises: parte dessas informaes ser transformada em dados e em anlise estatstica.

(SMAILES, 2007)

Uma definio de dicionrio afirma que estatstica a apresentao de


fatos numricos coletados sistematicamente, ordenados e estudados. Para
aqueles que tomam decises, o principal papel da estatstica fornecer-lhes
os mtodos para obter e converter dados (valores, fatos, observaes, medies) em dados teis.
Dados
de Entrada

Coletar

Organizar

Analisar

Interpretar

Informaes
de sada
Figura 1 Definio de Estatstica.

O objetivo da estatstica proporcionar conhecimento a partir de dados.


Os dados so nmeros que representam um contexto. Exemplo: o nmero
4,8, no d, por si s, qualquer informao. Mas se o filho recm-nascido de
um amigo pesa 4,8 quilos, congratula-se pelo tamanho do filho. O contexto
motiva o conhecimento fundamental e permite fazerem-se julgamentos.
Do ponto de vista prtico, pode-se dividir a estatstica em trs partes.

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

11

Estatstica com aplicaes e anlise exploratria

 Anlise de dados (estatstica descritiva): consiste em mtodos e ideias


para organizar e descrever dados mediante a utilizao de grficos, resumos numricos e descries matemticas mais elaboradas. A revoluo do computador colocou a anlise de dados no centro da prtica
estatstica.
 A produo de dados fornece mtodos para produzir dados que podem
dar respostas mais claras a questes especficas. Os conceitos bsicos de
como selecionar amostras (tcnicas de amostragem) e planejar experimentos so talvez as mais importantes de todas as ideias estatsticas.
 A inferncia estatstica vai alm dos dados disponveis e procura tirar
concluses sobre um universo mais amplo. A inferncia estatstica no
s formula concluses, como tambm as acompanha, indicando seu
grau de confiabilidade.
Os dados vm em diferentes formas, cada uma das quais tratada de
maneira um pouco diferente na converso em informaes.

Dados
Qualitativos (Categricos)

Quantitativos

Nominais

Ordinais

Contnuos

Discretos

Categorias nomeadas

Nmeros agem
como categorias/
ordenaes

Qualquer valor dentro


de um intervalo
possvel

Somente valores fixos


so possveis (valores
absolutos)

(SMAILES, 2007)

Quadro 1 Tipo de dados

Supondo as situaes a seguir pode-se entender a importncia da estatstica e sua aplicao nas atividades em que as decises devem ser tomadas
em um curto espao de tempo e a um baixo custo.

Contexto A
Uma empresa que est se preparando para lanar um novo produto precisa conhecer as preferncias dos consumidores no mercado de interesse.
Para isso, pode fazer uma pesquisa de mercado entrevistando um nmero
de residncias escolhidas aleatoriamente. Poder ento usar os resultados
para estimar as preferncias de toda a populao.
12

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Estatstica com aplicaes e anlise exploratria

Contexto B
Um auditor deve verificar os livros de uma empresa, para se certificar de
que os lanamentos refletem efetivamente a situao financeira da companhia. Ele deve examinar pilhas de documentos originais, como notas de
venda, ordens de compra e requisies. Seria um trabalho incalculvel consultar todos os documentos originais; em vez disso, o auditor pode verificar
uma amostra de documentos escolhidos aleatoriamente, com base nessa
amostra, fazer inferncias sobre toda a populao.

Contexto C
Um tcnico de controle da qualidade deve realizar um ensaio para garantir que o produto fabricado est funcionando conforme as especificaes
do cliente. Por se tratar de palitos de fsforos, o ensaio destri o produto, o
tcnico utiliza seleo de amostras para realizar e concluir sua anlise.
Os contextos permitem refletir como analisar uma situao sem a necessidade de levantar todos os dados, isso possvel atravs da estatstica
e a aplicao de mtodos na coleta de dados que estimam as caractersticas da populao com base na amostra. Uma das vantagens em utilizar-se
de amostras, encontra-se no fato de chegar a uma concluso e/ou deciso
em um tempo menor a um custo reduzido, levando-se tambm em considerao que em algumas situaes o processo de pesquisa destri o elemento pesquisado.
 Como dispendioso, difcil e por vezes impraticvel ter acesso a toda
uma populao, costuma-se escolher uma amostra e estud-la.
 Para evitar predies imprecisas, essencial que a amostra represente
efetivamente a populao da qual foi extrada.

Conceitos e regras
Estatstica
uma coleo de mtodos para planejar experimentos, obter dados e organiz-los, resumi-los, analis-los, interpret-los e deles extrair concluses.
Este material parte integrante do acervo do IESDE BRASIL S.A.,
mais informaes www.iesde.com.br

13

Estatstica com aplicaes e anlise exploratria

Populao (N)
uma coleo de todos os elementos (valores, pessoas, medidas etc.) a
serem estudados.

Amostra (n)
uma subcoleo de elementos extrados de uma populao.

Populao

Amostra

Figura 2 Definio de populao e amostra.

Parmetro e Estatstica
Um Parmetro uma medida numrica que descreve uma caracterstica
de uma populao, enquanto Estatstica uma medida numrica que descreve uma caracterstica de uma amostra.

Dados quantitativos
Consistem em nmeros que representam contagens ou medidas. Ex.: durao de uma msica.

14

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Estatstica com aplicaes e anlise exploratria

Dados discretos
Resultam de um conjunto finito de valores possveis, ou de um conjunto
enumervel desses valores (o nmero de valores possveis 0, ou 1, ou 2 etc.),
ou seja, quando os dados representam contagens so discretos.
Ex.: contagens, nmeros de mensagens em uma secretria eletrnica,
nmero de visitas a Londres.

Dados contnuos (numricos)


Resultam de um nmero infinito de valores possveis que podem ser associados a pontos em uma escala contnua de tal maneira que no haja lacunas ou interrupes, ou seja, quando os dados representam mensuraes,
so contnuos. Ex.: alturas, salrios, horrios, pesos.

Dados qualitativos
(ou dados categricos, ou atributos)
Podem ser separados em diferentes categorias que se distinguem por
alguma caracterstica no numrica. Ex.: estilo de msica.

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

15

Estatstica com aplicaes e anlise exploratria

Nveis de mensurao de dados


Outra forma de classificar dados tambm muito comum.

Nvel

Sumrio

Nominal

Categorias somente. Os dados


no podem ser dispostos em
um esquema ordenado.

Carros de alunos

As categorias so ordenadas,
mas no podem estabelecer
diferenas, ou estas no tm
sentido.

Carros de alunos

Podemos determinar
diferenas entre valores, mas
no h ponto de partida
inerente. As razes no tm
sentido.

Temperatura no campus

Como intervalo, mas com um


ponto de partida inerente. As
razes tm sentido.

Peso de jogadores em uma faculdade

Ordinal

Intervalo

Razo

Exemplo
10 Mercedez
20 Ferraris
40 Porsches

Categorias ou
nomes somente

10 Compactos
20 Mdios
40 Grandes
45 F
80 F
90 F

(TRIOLA, 1999)

Quadro 2 Nveis de mensurao de dados

Est determinada uma


ordem: compacto;
mdio e grande.

90 F no duas
vezes mais quente
do que 45F

115 lb
195 lb
300 lb

300 lb duas
vezes 150 lb

Tabelas de frequncias
Relaciona categorias (ou classes) de valores, juntamente com contagens (ou
frequncias) do nmero de valores que se enquadram em cada categoria.
Exemplo: tabela de frequncia da idade dos alunos de Administrao.
idade

frequncia

De 18 a menos de 19

16

De 19 a menos de 20

De 20 a menos de 21

De 21 a menos de 22

22 ou mais

36

16

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Estatstica com aplicaes e anlise exploratria

Rol
Um rol um arranjo de dados numricos brutos em ordem crescente ou
decrescente de grandeza.
Exemplo: 2, 3, 4, 5, 6, 7, 8, 9, 10.

Limites inferiores de classes


So os menores nmeros que podem efetivamente pertencer s diferentes classes.
De 18 a menos de 19

Amplitude de classe + limite inferior da primeira classe


1 + 18 = 19 ( limite inferior da segunda classe)

idade

frequncia

De 18 a menos de 19

16

limite inferior de classes

Limites superiores de classes


So os maiores nmeros que podem efetivamente pertencer s diferentes classes.
Exemplo:
classes
1

idade
De 18 a menos de 19

frequncia
16
limite superior de classes

Amplitude de classe
a diferena entre dois limites de classe inferiores consecutivos ou entre
duas fronteiras inferiores de classe consecutivas.

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

17

Estatstica com aplicaes e anlise exploratria

Exemplo:
idade
Diferena entre
dois limites de
classes inferiores

frequncia

De 18 a menos de 19

16

De 19 a menos de 20

Fronteiras de classes
So os nmeros usados para separar classes, mas sem as lacunas criadas
pelos limites de classe, podendo ser representados pelos intervalos de classes ajustados.
Exemplo:
classes

intervalo de classes

18

19
fronteira de classes

Intervalo de classe
a amplitude de uma classe, ou intervalo de valores que ela pode conter
e dado pela diferena entre seus limites ou fronteiras.
Exemplo:
classes

intervalo de classes

ponto mdio

18

19

18,5

19

20

19,5

Distribuio de frequncia
o agrupamento dos dados em um certo nmero de classes, intervalos
ou categorias.
Exemplo:
Idade

18

frequncia

De 18 a menos de 19

16

De 19 a menos de 20

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Estatstica com aplicaes e anlise exploratria

Histograma
Consiste em uma escala vertical para as frequncias e barras para representar os valores das frequncias das diversas classes.
Exemplo:
Histograma
40
30
20
10
0
11,4

25,9

40,4

54,9

69,4

83,9

98,4

112,9

25,9

40,4

54,9

69,4

83,9

98,4

112,9 127,4

Polgono de frequncia
uma variante do histograma, sendo que as frequncias so marcadas
nos pontos mdios, e os valores so unidos por segmentos retilneos.
Exemplo:
Polgono de frequncia
35
30
25
20
15
10
5
0
11,4
25,9

25,9
40,4

40,4
54,9

54,9
69,4

69,4
83,9

83,9
98,4

98,4
112,9

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

112,9
127,4

19

Estatstica com aplicaes e anlise exploratria

Ponto mdio
Obtm-se adicionando os limites inferior e superior de uma classe e dividindo-se o resultado por dois.
Exemplo:
classes

intervalo de classes

ponto mdio

18

19

18,5

19

20

19,5

Ramo e folhas
uma tabela em que cada linha representa a posio de um ramo e cada
algarismo direita da reta pode ser considerado uma folha.

ramo

(TRIOLA, 1999)

Exemplo:
folhas

10

Anlise exploratria de dados: o problema


Contexto A
A organizao e apresentao de informaes numricas a primeira
etapa para entender um problema. Como situao tpica, considerando os
valores a seguir, que representam o tempo de percurso at o trabalho de
empregados de um grande escritrio localizado no centro de uma cidade.
20

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Estatstica com aplicaes e anlise exploratria

Os tempos so em minutos e cada valor representa o tempo mdio gasto


por um empregado em cinco dias teis. A simples coleta de dados por si
s j no tarefa simples, mas claro que preciso muito mais para tornar
os nmeros compreensveis. O que se pode fazer para tornar esta massa de
informaes mais utilizvel?
Tabela 1 Coleta de dados de tempo de percurso ao trabalho em
minutos
49,6

42,6

43,2

44

50,6

52,6

53,6

42,2

52,4

43

55,4

53,6

54,6

55

55,4

55,8

55,8

53,6

55,6

53,8

60,2

56,4

60

60,2

60,4

60,8

61

56,2

60,4

56,4

67

63,8

66,8

66,8

67,2

67,4

68

63,4

67,4

64

74

68,2

69,8

69,8

75,4

75,8

76

68

75,8

68,8

82

77,4

80

81,2

82,4

82,6

82,8

76

82,6

77,8

85,4

83,2

84

85

86,4

89,6

95,2

83

86,4

83,4

29,4

15,8

37

28,8

30,2

36,8

38,4

11,4

35,8

26

41

40,4

40,6

40,8

41

42

42

40,2

41,4

40,4

103,4

97

97,8

100

108,2

123,8

125,4

96,8

110,2

97

Explorando o problema
Ao analisar um conjunto de dados, deve-se determinar se uma amostra ou uma populao. Essa determinao afetar no somente os mtodos
utilizados, mas tambm suas concluses. Na sequncia utilizar mtodos de
estatstica descritiva (anlise dos dados) para resumir ou descrever as caractersticas importantes de um conjunto conhecido de dados, considerando
a tabela de frequncia e o histograma como um mtodo para organizar e
resumir os dados coletados.
O objetivo do uso da tabela de frequncia e histograma identificar a
natureza ou forma da distribuio dos dados, como forma de sino, uniforme
ou assimtrica.

Equacionando o problema
O processo de construo de uma tabela de frequncia e grficos que
envolvem os seguintes passos:
Este material parte integrante do acervo do IESDE BRASIL S.A.,
mais informaes www.iesde.com.br

21

Estatstica com aplicaes e anlise exploratria

Passo 1:
Organizar os dados em ordem crescente ou decrescente de grandeza.
Arranjar os dados em forma de Rol.
Aplicando no exemplo:
Coleta de dados em Rol tempo de percurso ao trabalho em minutos
11,4

15,8

26

28,8

29,4

30,2

35,8

36,8

37

38,4

40,2

40,4

40,4

40,6

40,8

41

41

41,4

42

42

42,2

42,6

43

43,2

44

49,6

50,6

52,4

52,6

53,6

53,6

53,6

53,8

54,6

55

55,4

55,4

55,6

55,8

55,8

56,2

56,4

56,4

60

60,2

60,2

60,4

60,4

60,8

61

63,4

63,8

64

66,8

66,8

67

67,2

67,4

67,4

68

68

68,2

68,8

69,8

69,8

74

75,4

75,8

75,8

76

76

77,4

77,8

80

81,2

82

82,4

82,6

82,6

82,8

83

83,2

83,4

84

85

85,4

86,4

86,4

89,6

95,2

96,8

97

97

97,8

100

103,4

108,2

110,2

123,8

125,4

Passo 2:
Decidir o nmero de classes de sua tabela de frequncia.
A ttulo de orientao, o nmero de classes deve ficar entre 5 e 20.
O nmero efetivo de classes pode depender da convenincia de utilizar
nmeros arredondados ou outros fatores subjetivos.
Importante: a relao entre o nmero de classes (k) e o tamanho da amostra (n), foi estudada por Sturges, o qual estabeleceu a relao:
Clculo do nmero de classes (k)
k (nmero de classes) = 1 + logn
log2
Aplicando no exemplo:
k = 1 + log100 = 764 ou seja, k = 7,64
log2
22

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Estatstica com aplicaes e anlise exploratria

Passo 3:
Determinar o maior e o menor valor dos dados organizados.
Calcular a amplitude total do Rol (diferena entre o maior e o menor dos
valores coletados).
Aplicando no exemplo:
Amplitude total do Rol = 125,4 11,4 ou seja, amplitude total do Rol = 114

Passo 4:
Dividir a amplitude total do rol pelo nmero de classes.
Arredondar o resultado para mais, at um nmero conveniente. Esse arredondamento para mais, no somente conveniente como tambm garante que todos os valores sejam includos na tabela de frequncias.
Frmula 1 Clculo da amplitude de classe (h)
Amplitude de classe (h) =

R (Amplitude)
k (Nmero de classes)

(arredondar para mais)

Aplicando no exemplo:
Amplitude de classe (h) = 114 = 14,25, ou seja, 14,5
8
(os dados originais trabalham com uma casa decimal)

Passo 5:
Escolher como limite inferior da primeira classe o menor valor observado
ou um valor ligeiramente inferior a ele.
Esse valor serve como ponto de partida.
Aplicando no exemplo:
Limite inferior da primeira classe com intervalo fechado para
inclu-lo = 11,4

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

23

Estatstica com aplicaes e anlise exploratria

Passo 6:
Somar a amplitude de classe ao ponto de partida, obtendo o segundo
limite inferior de classe.
Adicionar a amplitude de classe ao segundo limite inferior para obter o
terceiro; e assim por diante.
Aplicando no exemplo:
Amplitude de classe + limite inferior da primeira classe
11,4 + 14,5 = 25,9 (limite inferior da segunda classe)
Obs.: fazer o mesmo at completar as oito classes.

Passo 7:
Relacionar os limites inferiores de classe em uma coluna e introduzir os
limites superiores, que podem ser facilmente determinados a esta altura.
Aplicando no exemplo:
Tabela 2 Frequncia do tempo de percurso ao trabalho em minutos
classes

intervalo de classes

11,4

25,9

25,9

40,4

40,4

54,9

54,9

69,4

69,4

83,9

83,9

98,4

98,4

112,9

112,9

127,4

Passo 8:
Representar cada observao por um pequeno trao na classe apropriada
e, com auxlio desses traos, determinar a frequncia total de cada classe.

24

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Estatstica com aplicaes e anlise exploratria

Aplicando no exemplo:
Tabela 3 Frequncia com classes ajustadas: tempo de percurso at
o trabalho em minutos
classes

intervalo de classes

intervalo de classe ajustado

11,4

25,9

11,4 a 25,8

25,9

40,4

25,9 a 40,3

40,4

54,9

40,4 a 54,8

54,9

69,4

54,9 a 69,3

69,4

83,9

69,4 a 83,8

83,9

98,4

83,9 a 98,3

98,4

112,9

98,4 a 112,8

112,9

127,4

112,9 a 127,3

Tabela 4 Frequncia com frequncia total: tempo de percurso ao


trabalho em minutos
classes

intervalo de classes

frequncia

11,4

25,9

02

25,9

40,4

09

40,4

54,9

23

54,9

69,4

29

69,4

83,9

20

83,9

98,4

11

98,4

112,9

04

112,9

127,4

02

Passo 9:
Representar as distribuies de frequncia (dados da tabela de frequncia) em forma grfica, conhecida como histograma. Um histograma construdo representando-se as medidas ou observaes que so agrupadas em
uma escala horizontal, e as frequncias de classes em uma escala vertical;
traam-se os retngulos, onde as bases so iguais aos intervalos de classes e
cujas alturas so as frequncias de classe correspondentes.

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

25

Estatstica com aplicaes e anlise exploratria

Aplicando no exemplo:
Grfico 1 Histograma dos tempos de percurso ao trabalho
Histograma
35
30
25
20
15
10
5
0
11,4
25,9

25,9
40,4

40,4

54,9

54,9

69,4

69,4
83,9

83,9
98,4

98,4

112,9

112,9 127,4

Passo 10:
A finalidade do histograma a de ajudar a entender os dados. Aps ter
sido construdo deve-se perguntar: Que que estou vendo? Procurar
no s um padro global, como tambm desvios acentuados em relao ao
mesmo. No caso de um histograma, o padro global a forma geral da distribuio. Os valores discrepantes so um tipo importante de desvio em relao ao padro global. Uma vez localizados os valores discrepantes, deve-se
procurar uma explicao. Muitos valores discrepantes so provenientes de
erros, outros revelam a natureza especial de algumas observaes. A explicao dos valores discrepantes, em geral, requer alguma informao bsica
do contexto.

Passo 11:
Outra forma, no tanto utilizada de apresentao grfica o polgono
de frequncia, onde as frequncias so marcadas nos pontos mdios de
cada intervalo de classe, e os valores sucessivos so unidos por segmentos
retilneos.
Frmula 2 Clculo do ponto mdio
Ponto mdio =

(X maior + X menor)
2

(considerar os valores dos intervalos)

26

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Estatstica com aplicaes e anlise exploratria

Aplicando no exemplo:
Tabela 5 Frequncia com ponto mdio Tempo de percurso ao
trabalho
classes

intervalo de classes

ponto mdio

frequncia

11,4

25,9

18,65

02

25,9

40,4

33,15

09

40,4

54,9

47,65

23

54,9

69,4

62,15

29

69,4

83,9

76,65

20

83,9

98,4

91,15

11

98,4

112,9

105,65

04

112,9

127,4

120,15

02

Grfico 2 Polgono de frequncia dos tempos de percurso ao trabalho


Polgono de frequncia
35
30
25
20
15
10
5
0
11,4
25,9

25,9
40,4

40,4
54,9

54,9
69,4

69,4
83,9

83,9
98,4

98,4
112,9

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

112,9
127,4

27

Estatstica com aplicaes e anlise exploratria

Passo 11:
Uma tcnica elaborada recentemente, a apresentao ramo e folhas, oferece uma boa visualizao global dos dados. Primeiramente decompem-se
cada nmero em seus algarismos das dezenas e das unidades, marcando
juntos os valores que tm o mesmo algarismo das dezenas. Considerando os
100 tempos de percurso registrados, esses nmeros foram dados em dcimos de minutos. Ao fazer o grfico ramo e folhas, recomenda-se ignorar os
dcimos, ao invs de arredond-los para o prximo minuto.
Aplicando no exemplo:
Grfico 3 Ramo e folhas Tempos de percurso ao trabalho
Ramo

28

Folhas

10

11

12

Nota: 7
12

4
3

5
significa 74 minutos
significa 123 minutos

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Estatstica com aplicaes e anlise exploratria

Ampliando seus conhecimentos


Uma forma conveniente de indicar relaes entre os dados qualitativos (categorias) a construo de um diagrama de Pareto. Um diagrama de Pareto
um grfico em barras para dados qualitativos, com as barras ordenadas
de acordo com a frequncia. As escalas verticais em um diagrama de Pareto
podem representar frequncias absolutas ou relativas. A barra mais alta fica
esquerda, e as barras menores na extrema direita.
Dispondo as barras por ordem de frequncia, o diagrama de Pareto focaliza a ateno sobre as categorias mais importantes.

Construo do grfico de Pareto


Nmero de ocupados por setor de atividades - Regio Metropolitana SP - Jul/2007
setores de atividade

frequncia

Servios

4663

Indstria

1626

Comrcio

1384

Outros (1)

978

Total

861

(1) incluem construo civil, servios domsticos etc.


Fonte: SEP. Convnio Seade Dieese e TEM/FAT
<www.dieese.org.br>.

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

29

Estatstica com aplicaes e anlise exploratria

Nmero de ocupados por setor de atividades Regio Metropolitana SP Jul/2007


Grfico de Pareto
5000
4000
3000
2000
1000
0
Servios

Indstria

Comrcio

Outros (1)

(1) incluem construo civil, servios domsticos etc.


Fonte: SEP. Convnio Seade Dieese e TEM/FAT
<www.dieese.org.br>.

Anlise do grfico de Pareto


Conforme mostra o grfico de Pareto, evidenciou-se uma concentrao de
pessoas em atividades no setor de servios na regio metropolitana em So
Paulo no ms de julho/2007, comparado com outros setores.

Curiosidades
John W. Tukey comeou como qumico e tornou-se matemtico, especializando-se na estatstica, em virtude das experincias com problemas reais
e experincias com dados reais no trabalho da Segunda Guerra Mundial.
[...] Tukey dedicou muito do seu tempo ao estudo estatstico de problemas
confusos com dados complexos: a segurana dos anestsicos utilizados por
muitos mdicos e hospitais e em muitos pacientes, o monitoramento da concordncia com uma proibio de testes nucleares, e a qualidade do ar e a
poluio ambiental. Inventou alguns instrumentos simples como o diagrama
em caixa e os diagramas ramo e folhas. Mais importante, modificou a maneira de tratar os dados, enfatizando a necessidade de uma abordagem flexvel, exploratria, que procure no s responder a questes especficas, mas
tambm formular questes como o que os dados nos dizem?.

30

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Estatstica com aplicaes e anlise exploratria

Atividades de aplicao
1. Escolha a alternativa correta quanto s caractersticas/variveis: cor de
olhos, nmero de filhos, peso lquido e idade podem ser classificadas
respectivamente, como:
a) variveis qualitativas, quantitativa discreta, quantitativa contnua
e quantitativa contnua.
b) variveis quantitativa discreta, quantitativa discreta, quantitativa
contnua e qualitativa.
c) variveis qualitativas, quantitativa contnua, quantitativa contnua
e qualitativa.
d) variveis qualitativas, quantitativa discreta, quantitativa contnua
e quantitativa contnua.
2. Identifique a resposta correta.
a) Uma pesquisa efetuada com 1 015 pessoas indica que 40 delas so
assinantes de um servio de computador on-line. Trata-se de uma
varivel quantitativa contnua.
b) Rendas anuais de enfermeiras tratam-se uma varivel qualitativa.
c) As cores de uma amostra de confeitos M&M so variveis quantitativas.
d) O nmero de inscries do INSS trata-se de uma varivel quantitativa discreta.
3. Escolha a alternativa correta quanto ao conjunto de caractersticas:
inteno de votos dos eleitores de uma cidade, opinies dos telespectadores sobre um filme de fico exibido num canal de televiso
e atitudes de clientes de supermercados face a um novo detergente.
Trata-se de:
a) um conjunto de amostras.
b) um conjunto de amostragem.

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

31

Estatstica com aplicaes e anlise exploratria

c) um conjunto de populao
d) um conjunto de amostragem e populao.
4. Calcule os pontos mdios conforme tabela de frequncia abaixo:
peso (kg)

frequncia

2,0

20

2,0

4,0

32

4,0

6,0

49

6,0

8,0

31

8,0

10,0

18

5. Determine o nmero ideal de classes (k) para um conjunto de dados,


conforme orientao de Sturges (arredondando para cima com nmero inteiro).
a) 50 dados (elementos) e
b) 150 dados (elementos).

Gabarito
1. A
2. D
3. C
4.
Ponto mdio =

(X maior + X menor)

Ponto mdio 1. classe = (2 + 0) = 1


2
Ponto mdio 2. classe = (4 + 2) = 3
2
Ponto mdio 3. classe = (6 + 4) = 5
2
Ponto mdio 4. classe = (8 + 6) = 7
2
Ponto mdio 5. classe = (10 + 8) = 9
2
32

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Estatstica com aplicaes e anlise exploratria

5. k (nmero de classes) = 1 + log n


log 2
para 50 dados: k (nmero de classes) = 1 + log 50 = 1 + 5,6438 =
log 2
6,6438 ~ 7 classes

para 150 dados: k (nmero de classes) = 1 +


8,2288 ~ 9 classes

log 150
= 1 + 7, 2288 =
log 2

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

33

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Medidas de tendncia
central e posio

Definio
As medidas de tendncia central tm como finalidade principal a de informar sobre onde se localiza o centro da distribuio.
um dado importante para o estabelecimento de um esquema de trabalho, para a efetivao de uma compra, para a avaliao de um projeto ou de
um produto qualquer, etc. Por exemplo, suponha-se uma varivel que seja o
nmero de lmpadas vendidas por dia em uma casa comercial. Esse nmero
uma varivel X que assume valores possivelmente diferentes ao longo do
tempo, mas que se distribuiro em torno de um valor central, o qual fixa e
caracteriza as vendas em um determinado nmero de unidades por dia. Na
verdade, esse centro seria o valor que representaria o nmero de unidades
vendidas, caso ele fosse uma constante ao longo do tempo, ou seja: vender
seis lmpadas hoje e dez amanh seria equivalente a vender oito em cada
um dos dois.
Determinar o valor exato do centro de uma distribuio muitas vezes
impraticvel, ou mesmo impossvel, seja pela evoluo natural da populao
em funo do tempo, seja por deficincia dos aparelhos, dos mtodos, dos
observadores. Por isso, em muitos casos, poder-se- contar apenas com uma
estimativa do total, obtida por meio de uma amostra.
H diferentes maneiras de definir o centro e, assim, h diferentes definies de medidas de tendncia central. As medidas de tendncia central
frequentemente utilizadas so: mdia aritmtica, mediana, moda e ponto
mdio. Qual dessas medidas a melhor? Infelizmente, no h uma resposta nica, porque no h critrios objetivos para determinar a medida mais
representativa para todos os conjuntos de dados. As diversas medidas de
tendncia central tm diferentes vantagens e desvantagens. Uma vantagem
importante da mdia aritmtica que se levam em conta todos os valores,
mas uma grande desvantagem que, s vezes, pode ser seriamente afetada
por alguns valores extremos.
Este material parte integrante do acervo do IESDE BRASIL S.A.,
mais informaes www.iesde.com.br

35

Medidas de tendncia central e posio

Tabela1 Comparao entre mdia, mediana e moda


Medida

Definio

Existncia

Vantagens

Desvantagens

Existe sempre

Reflete cada valor.


Possui propriedades
matemticas
atraentes.

influenciada por valores


extremos.

Existe sempre

Menos sensvel a
valores extremos do
que a mdia.

Difcil de determinar para


grande quantidade de
dados.

n
x
X = i = 1
n

Mediana

Valor do meio

Moda

Pode no existir;
Valor de maior
Pode haver mais
frequncia
de uma moda

No se presta a anlise
Valor tpico: maior
matemtica.
quantidade de
valores concentrados Pode no ser moda para
certos conjuntos de
neste ponto.
dados.

Ponto
Mdio

alto + baixo
2

Muito sensvel a valores


_________x_________ externos
Raramente usada.

Mdia

Existe sempre

Comentrios gerais
 Para um conjunto de dados aproximadamente simtrico com uma moda,
a mdia, a mediana, a moda e o ponto mdio tendem a coincidir.
 Para um conjunto de dados obviamente assimtricos, convm levar
em conta a mdia e a mediana.
 A mdia relativamente confivel: ou seja, quando as amostras so
extradas da mesma populao, as mdias tendem a ser mais constantes do que outras medidas (constantes no sentido de que as mdias
amostrais extradas da mesma populao no variam tanto quanto as
outras medidas).

Conceitos e regras
Mdia aritmtica da amostra (X):
A mdia fornece uma medida central de um conjunto de valores. Se os
dados so de uma amostra a mdia denotada por x (L-se: x barra).

36

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Medidas de tendncia central e posio

Talvez a medida de tendncia central mais importante seja a mdia de


uma varivel. A mdia fornece uma medida da posio central. Se os dados
so de uma amostra, a mdia denotada por x; se os dados so de uma
populao, a mdia denotada pela letra grega . Nas frmulas estatsticas, costume denotar o valor da primeira observao por x1, o valor da
segunda observao por x2 e assim por diante. Em geral, o valor da i-sima
observao denotado por xi. Para uma amostra com n observaes.
Frmula 1 Mdia aritmtica da amostra (x)
X

in = 1x
n

Notao:
: denota somatrio de um conjunto de valores;
x: a varivel usada para representar valores individuais dos dados;
n: representa o nmero de valores em uma amostra.

Mdia

Figura 1 A mdia como ponto de equilbrio.

Mdia aritmtica da populao ():


Tambm fornece uma medida central de um conjunto de valores, mas
se os dados so de uma populao, a mdia denotada pela letra grega
(L-se: mi).
Frmula 2 Mdia aritmtica da populao ()

iN 1x
N

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

37

Medidas de tendncia central e posio

Notao:
: denota somatrio de um conjunto de valores;
x: a varivel usada para representar valores individuais dos dados;
N: representa o nmero de valores de uma populao.

Mdia ponderada (X):


s vezes associam-se os nmeros a certos fatores de ponderao ou
pesos, que dependem do significado ou importncia atribuda aos nmeros.
Nesse caso tem a denominao de mdia ponderada.
Frmula 3 Mdia ponderada (x)
X

in 1 wi . x i
in 1 wi

Notao:
: denota somatrio de um conjunto de valores;
Xi: a varivel usada para representar valores individuais dos dados;
Wi: o peso da observao de ordem i.

Mediana (X):
Em um conjunto de valores o valor do meio desse conjunto, quando os
valores esto dispostos em ordem crescente ou decrescente (l-se x til).
A mediana outra medida de centralizao de uma varivel. A mediana o valor que fica no meio da sequncia quando os dados so arranjados na ordem ascendente (classificao do menor para o maior). Com um
nmero mpar de observaes, a mediana o valor do meio. Um nmero
par de observaes no tem um valor nico no meio. Neste caso, segue-se a
conveno de definir a mediana como sendo a mdia dos valores das duas
observaes do meio.

Processo para determinar a mediana:


 ordenar os valores de forma crescente ou decrescente;
38

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Medidas de tendncia central e posio

 se o nmero de valores impar, a mediana o nmero localizado exatamente no meio da lista;


 se o nmero de valores par, a mediana a mdia dos dois valores do
meio.

Moda (M)
Em um conjunto de dados o dos que ocorre com maior frequncia.
Podem surgir situaes em que a maior frequncia ocorra em dois ou
mais valores diferentes. Nesses casos existe mais de uma moda. Se os dados
tm exatamente duas modas, diz-se que so bimodais. Se os dados tm mais
de duas modas, diz-se que so multimodais. Nos casos multimodais, a moda
quase nunca considerada, porque listar trs ou mais modas no seria particularmente til para descrever a posio dos dados. A moda uma importante medida de posio para os dados qualitativos, em que se observa a
caracterstica que apresentou maior frequncia na anlise de um conjunto
de dados.
Quando nenhum valor repetido, o conjunto no tem moda.

Ponto Mdio (Pm)


o valor que est a meio caminho entre o maior e o menor valor.
Embora o Ponto Mdio no seja muito usado, importante enfatizar que
existem maneiras diferentes de definir o centro de um conjunto de dados.
Frmula 4 Ponto mdio (Pm)
Pm

x maior + x menor
2

Processo para determinar o ponto mdio:


 identificar o maior valor de todos os valores;
 identificar o menor valor de todos os valores;
 somar os dois valores;
 dividir por dois.
Este material parte integrante do acervo do IESDE BRASIL S.A.,
mais informaes www.iesde.com.br

39

Medidas de tendncia central e posio

Mdia geomtrica (G)


De um conjunto de n nmeros x1, x2 , x3 , ..., xn a raiz de ordem n do produto desses nmeros:
Frmula 5 Mdia geomtrica
G

x1 x2 x3 . . . xn

A mdia geomtrica usada em administrao e economia para achar


taxas mdias de variao, de crescimento, ou razes mdias. Dados n valores
(todos positivos), a mdia geomtrica de 2, 4, 10 multiplicando-se os trs valores o que d 80, e tomando-se a raiz cbica do resultado, cbica porque
h trs valores.

Exemplo:
Admita-se que, nos ltimos quatro anos, o produto interno bruto (PIB) de
um determinado pas cresceu 2,5%, 1,7%, 2,2% e 3,5%. Denota-se por PIB0
o valor do PIB no ano relativo a este perodo, o seu valor do ltimo ano ser
dado por:
PIB4= (R1. R2. R3. R4) . PIB0
Onde as razes de crescimento, Rn, so:
R1 = 1 + 0,025
R2 = 1 + 0,017
R3 = 1 + 0,022
R4 = 1 + 0,035
Se o crescimento fosse constante nos quatro anos e, globalmente fosse
idntico ao verificado, a razo R entre valores sucessivos do PIB deveria satisfazer a seguinte condio:
R4 = R1. R2. R3. R4

40

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Medidas de tendncia central e posio

Frmula 6 Mdia geomtrica


G
R=

R1 R2 R3 R4 =

x1 x2 x3 . . . xn

1,025 . 1,017 . 1,022 . 1,035 = 1,0247

O valor de R a mdia geomtrica das razes de crescimento R1. R2 . R3 . R4


a partir de R= 1,0247 obtm-se a taxa mdia anual de crescimento do PIB,
que de 2,47%.

Assimetria
Uma distribuio de dados assimtrica quando no simtrica, estendendo-se mais para um lado do que para o outro (uma distribuio de dados
simtrica quando a metade esquerda do seu histograma aproximadamente a imagem-espelho da metade direita).

Mdia
Moda
Mediana
Assimtrica para a esquerda (negativamente assimtrica).
A mdia e a mediana esto esquerda da moda.

Moda - Mdia - Mediana


Simtrica (assimetria zero).
A mdia, a mediana e a moda coincidem.

Moda

Mdia
Mediana

Assimtrica para a direita (positivamente assimtrica).


A mdia e a mediana esto direita da moda.

Figura 2 Assimetria.

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

41

Medidas de tendncia central e posio

Na prtica, muitas distribuies de dados so simtricas. As distribuies


assimtricas para a direita so mais comuns do que as assimtricas para a esquerda, porque em geral mais fcil obter valores excepcionalmente grandes do que valores excepcionalmente pequenos. Com as rendas anuais, por
exemplo, impossvel termos valores abaixo do limite inferior zero, mas h
algumas pessoas que ganham milhes de reais em um ano. Assim, as rendas
anuais tendem a ser assimtricas para a direita.

O problema
Contexto A
H uma grande variedade de bebidas alcolicas espalhadas pelo mundo,
fazendo do lcool a substncia psicoativa mais popular do planeta. O Brasil
detm o primeiro lugar do mundo no consumo de destilados de cachaa e
o quinto maior produtor de cerveja. O lcool a droga preferida dos brasileiros (68,7% do total). Motoristas alcoolizados so responsveis por 65%
dos acidentes fatais em So Paulo. A maioria das fatalidades relacionadas
ao consumo de lcool ocorre entre 18 e 25 anos. Com esta preocupao foi
coletada a idade de 15 motoristas envolvidos em acidentes fatais.
Tabela 1 Idades de motoristas envolvidos em acidentes fatais

Idades

16

18

19

17

18

20

45

20

22

22

15

18

21

19

19

Explorando o problema
De posse de uma grande lista de nmeros, pouco proveito se pode tirar
dela, a menos que possamos reduzi-la a uma ou algumas medidas numricas que resumem todo o conjunto. Tais medidas so de mais fcil manejo e
compreenso do que os dados originais. Uma caracterstica importante dos
dados o valor central ou mais tpico do conjunto. O objetivo deste problema apresentar os mtodos mais teis para resumir dados.

42

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Medidas de tendncia central e posio

Equacionando o problema
As medidas de posio referem-se a valores de uma varivel que so tpicos ou representativos de um conjunto de dados, isto , eles so um valor
em torno do qual uma grande proporo de outros valores est centralizada.
Existem alguns mtodos de se obter a medida de posio. Utilizando os valores do problema (Contexto A) sero explicadas as diferentes abordagens.

Calculando a mdia aritmtica da amostra (X)


Para calcular-se a mdia aritmtica da amostra das idades dos motoristas,
conforme o contexto A, tem-se a seguinte condio:
X

in = 1 x
n

Passo 1:
Somam-se todas as idades.
16 + 17 + 45 + 22 + 21 + 18 + 18 + 20 + 15 + 19 + 19 + 20 + 22 +18 + 19 = 309

Passo 2:
O total das idades divide-se pelo total de motoristas (15).
X

309
15

X = 38,625 = 39

Passo 3:
Concluir e interpretar o resultado (mdia).
A mdia aritmtica pode ser calculada para qualquer conjunto de dados
e, assim, sempre existe. Leva-se em conta todos os elementos de um conjunto de dados, mas pode ser influenciada por um valor extremo.

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

43

Medidas de tendncia central e posio

Calculando a mdia ponderada


O clculo da mdia ponderada deve levar em conta a quantidade em que
cada idade dos motoristas aparece:
X

in 1 wi . xi
in 1 w i

Passo 1:
Multiplica-se a idade pela sua respectiva frequncia.
15

1 vez

15

16

1 vez

16

17

1 vez

17

18

3 vezes

54

19

3 vezes

57

20

2 vezes

40

21

1 vez

21

22

2 vezes

44

45

1 vez

45

Passo 2:
Somam-se os resultados.
15 + 16 + 17 + 54 + 57 + 40 + 21 + 44 + 45 = 309

Passo 3:
O total divide-se pelo total de idades (15).
X

309
15

X = 38,625 = 39

44

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Medidas de tendncia central e posio

Passo 4:
Concluir e interpretar o resultado (mdia ponderada).

Calculando a mediana (X)


A mediana o valor que divide um conjunto de dados em duas partes
iguais. Ento, para calcular-se a Mediana das idades dos motoristas, tem-se
a seguinte condio:

Passo 1:
Ordenar os valores de forma crescente ou decrescente.
15

16

17

18

18

18

19

19

19

20

20

21

22

22

45

Passo 2:
O total de valores impar (15 motoristas). Pega-se o elemento que separa
o grupo ao meio (oitavo elemento).
15

16

17

18

18

18

19

19

19

20

20

21

22

22

45

X = 19

Passo 3:
Concluir e interpretar o resultado (Mediana).
Mediana (X) o valor central, quando os valores encontram-se ordenados. O valor do elemento do meio se n mpar, ou a mdia dos dois valores
do meio se n par.

Calculando a moda (M)


A moda no genericamente considerada a medida mais eficiente de
tendncia central, porque existem muitas situaes em que mltiplos valores ou nenhum valor distinto ocorre.

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

45

Medidas de tendncia central e posio

Passo 1:
Ordenar os valores de forma crescente ou decrescente.
15

16

17

18

18

18

19

19

19

20

20

21

22

22

45

22

22

45

Passo 2:
Selecionar o valor que ocorre com maior frequncia.
15

16

17

18

18

18

19

19

19

20

20

21

M = 18 e 19

Passo 3:
Concluir e interpretar os resultados (Moda).
O conjunto de valores bimodal, possui dois valores que ocorrem com a
mesma frequncia mxima.

Calculando o ponto mdio (Pm)


Para calcular-se o Ponto Mdio das idades dos motoristas, conforme o
contexto A, tem-se a seguinte condio:
Pm

x maior + x menor
2

Passo 1:
Identificar a maior idade e a menor idade.

Idades

46

16

18

19

17

18

20

45

20

22

22

15

18

21

19

19

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Medidas de tendncia central e posio

Passo 2:
Somam-se os dois valores.
45 + 15 = 60

Passo 3:
Dividir a soma por dois.
Pm

60
2

30

Passo 4:
Concluir e interpretar o resultado (Ponto Mdio).
Extremamente simples, o Ponto Mdio (Pm), porm, dever ser usado com
cuidado como medida de tendncia central. uma medida de localizao de
centro quando as distribuies forem simtricas.

Quartis, Decis e Percentis


Assim como a mediana divide os dados em duas partes iguais, os trs quartis, denotados por Q1, Q2 e Q3, dividem as observaes ordenadas (dispostas
em ordem crescente) em quatro partes iguais. Grosso modo, Q1 separa os
25% inferiores dos 75% superiores dos valores ordenados; Q2 a mediana e
Q2 separa os 75% inferiores dos 25% superiores dos dados. Mais precisamente, ao menos 25% dos dados sero no mximo iguais a Q1 e ao menos 75%
dos dados sero no mnimo iguais a Q1. Ao menos 75% dos dados sero no
mximo iguais a Q3, enquanto ao menos 25% sero, no mnimo, iguais a Q3.
Analogamente, h nove decis, denotados por D1, D2, D3,..., D9, que dividem os
dados em dez grupos com cerca de 10% deles em cada grupo. H, finalmente,
99 percentis, que dividem os dados em 100 grupos com cerca de 1% em cada
grupo. (Os quartis, decis e percentis so exemplos de fractis, que dividem os
dados em partes aproximadamente iguais). Um estudante que se submeteu
ao vestibular para ingresso em uma faculdade informado de que est no 92.
percentil. Isso no significa, entretanto, que ele tenha obtido 92% no exame;
indica, apenas, que qualquer que tenha sido a nota obtida, ela foi superior a
92% (e inferior a 8%) das notas de toda a turma. O 92. percentil , pois, uma
excelente classificao em relao aos outros que fizeram o exame.
Este material parte integrante do acervo do IESDE BRASIL S.A.,
mais informaes www.iesde.com.br

47

Medidas de tendncia central e posio

25%

25%
Q1
primeiro
quartil
25% percentil

25%
Q2
segundo
quartil
50% percentil

25%

Q3
terceiro quartil
75% percentil

Figura 2 Posio dos quartis.

Para calcular os quartis:


 dispomos as observaes em ordem crescente e localizamos a Mediana
(X) na lista ordenada de observaes;
 o primeiro quartil Q1 a mediana das observaes que esto esquerda da mediana global na lista ordenada de observaes;
 o terceiro quartil Q3 a mediana das observaes que esto direita
da mediana global na lista ordenada de observaes.
Frmula 6 Percentil
Clculo do ndice (i) =

p
. n
100

Onde p o percentil de interesse e o n o nmero de observaes.


Se no for um nmero inteiro, arredonda-se para cima. O prximo inteiro
maior que i denota a posio do p-simo percentil.
Se i um inteiro, o p-simo percentil a mdia dos valores de dados nas
posies i e i+1.

Exemplo de aplicao
Frequentemente desejvel dividir os dados em quatro partes, cada
parte contendo aproximadamente um quarto, ou 25% das observaes.
Os dados representam o salrio inicial e esto arranjados em ordem ascendente. Q2, o segundo quartil (mediana), j foi identificado como 2405.
2210

48

2255

2350

2380

2380

2390

2420

2440

2450

2550

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

2630

2825

Medidas de tendncia central e posio

Clculo do quartil
Os clculos dos quartis Q1 e Q3 exigem o uso da regra para encontrar o 25. e o
75. percentis. Estes clculos so:
Para Q1
Frmula 7 Percentil
Clculo do ndice (i) =

i=

p
. n
100

p
25
12 = 3
n=
100
100

Como i um inteiro, indica que o primeiro quartil, ou 25% percentil, a


mdia do terceiro e do quarto valor dos dados; assim, Q1= (2350+2380)/2 =
2365.
Para Q3
Frmula 8 Percentil
Clculo do ndice (i) =

i=

p
. n
100

p
75
12 = 9
n=
100
100

Como i um inteiro, indica que o terceiro quartil, ou 75% percentil, a mdia


do nono e do dcimo valores de dados: assim, Q3= (2450+2550)/2 = 2500. Os
quartis dividem os dados dos salrios iniciais em quatro partes, com cada parte
contendo 25% das observaes.
2210

2255

2350

2380

q1 = 2365

2380

2390

2420

q2 = 2405

2440

2450

2550

2630

2825

q3 = 2500

Assim, calculam-se os quartis do mesmo modo que os percentis. No entanto,


outras convenes podem ser usadas para calcular os quartis. Os valores reais atribudos aos quartis podem variar levemente, dependendo da conveno usada.
Contudo, o objetivo de todos os procedimentos para o clculo dos quartis dividir os dados em quatro partes iguais.

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

49

Medidas de tendncia central e posio

Ampliando seus conhecimentos


Fundada em 1997, a Small Fry Design uma empresa de brinquedos e de
acessrios que projeta e importa produtos para crianas. A linha de produtos
da empresa inclui ursinhos, mbiles, brinquedos musicais, chocalhos e cobertores de segurana, caracterizando-se por projetos de brinquedos delicados e
de alta qualidade, com nfase na cor, textura e som. Os produtos so projetados nos Estados Unidos e fabricados na China.
A Small Fry Design utiliza representantes independentes para vender os produtos para as crianas, fornecendo para varejistas, lojas de roupas e acessrios
infantis, lojas de presentes, lojas de departamento de grande porte e principais
empresas de catlogo. Atualmente, os produtos da Small Fry Design so distribudos em mais de mil canais de varejo por todo o territrio dos Estados Unidos.
O gerenciamento do fluxo de caixa uma das mais crticas atividades na
operao do dia a dia dessa jovem empresa. Assegurar a suficiente entrada de
caixa para satisfazer tanto as obrigaes de dbito correntes como as vindouras pode significar a diferena entre o sucesso e o fracasso no negcio. Um
fator crtico no gerenciamento do fluxo de caixa a anlise e o controle das
contas a receber. Avaliando-se o perodo mdio e o valor em dlares das faturas pendentes, os gerentes podem prever a disponibilidade de caixa e monitorar as mudanas na posio das contas a receber. A empresa estabeleceu
os seguintes objetivos: o tempo mdio de atraso no pagamento das faturas
no deve exceder a 45 dias e o valor das faturas com mais de 60 dias no deve
exceder a 5% do de todas as contas a receber.
Em um recente sumrio da posio das contas a receber, as seguintes estatsticas descritivas foram fornecidas para o perodo das faturas pendentes:
Mdia: 40 dias

Mediana: 35 dias

Moda: 31 dias

A interpretao dessas estatsticas mostra que o perodo mdio de uma


fatura de 40 dias. A mediana mostra que metade das faturas tem ficado pendente 35 dias ou mais. A moda de 31 dias o perodo mais frequente de fatura,
indicando que a extenso de tempo mais comum que uma fatura tem ficado
pendente 31 dias. O sumrio estatstico tambm mostrou que somente 3%
do valor monetrio de todas as contas a receber ficaram acima de 60 dias.
Baseada na informao estatstica, a administrao ficou satisfeita de que as
contas a receber e a entrada de caixa estejam sob controle.
50

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Medidas de tendncia central e posio

Atividades de aplicao
1. Valores de vendas dirias de pizzas do tipo calabresa durante um perodo de nove dias:
15

11

13

14

12

Relacione as colunas de acordo com as respostas.


a) Mdia

)7

b) Mediana

) 11

c) Moda

) 8,5

d) Ponto Mdio

) 10

2. Escolha a alternativa correta quanto aos resultados obtidos do conjunto a seguir:


22

19

22

19

18

20

21

22

a) mdia aritmtica igual a 17,6


mediana igual a 20
moda igual a 22
ponto mdio igual a 3
b) mdia aritmtica igual a 17,6
mediana igual a 20,5
moda igual a 19
ponto mdio igual a 3
c) mdia aritmtica igual a 20,4
mediana igual a 20,5
moda igual a 22
ponto mdio igual a 20,0

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

51

Medidas de tendncia central e posio

d) mdia aritmtica igual a 16,6


mediana igual a 20
moda igual a 19 e 22
ponto mdio igual a 3
3. Para os 20 valores de cargas axiais de latas de alumnio, relacionados
abaixo, determine (a) a mdia aritmtica, (b) a mediana, (c) a moda e
(d) o ponto mdio.
225

200

201

223

209

230

209

217

234

209

217

218

220

217

200

219

201

225

200

236

4. Escolha a alternativa correta quanto aos resultados obtidos do conjunto a seguir:


35

25

28

32

31

31

29

30

a) A distribuio dos dados assimtrica para a esquerda.


b) A distribuio dos dados simtrica.
c) A distribuio dos dados assimtrica para a direita.
5. Para as 30 idades de motoristas envolvidos em acidentes fatais, ordenadas da mais nova at a mais velha. Determine o percentil correspondente a 21.

52

17

17

17

18

18

18

18

19

19

19

19

19

21

22

22

22

23

23

24

25

27

27

28

29

31

31

32

35

39

40

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Medidas de tendncia central e posio

Gabarito
1.
a) Mdia

(C) 7

b) Mediana

(B) 11

c) Moda

(D) 8,5

d) Ponto Mdio

(A) 10

2. C
3.

x
n

a) mdia (X)

4310
20

215,5

b) mediana (X)
200

200

200

201

201

209

209

209

217

217

217

218

219

220

223

225

225

230

234

236

217 + 217
2

217

c) moda (M) = 200, 209 e 217 (multimodal)


d) Ponto mdio (Pm)
225

200

201

223

209

230

209

217

234

209

217

218

220

217

200

219

201

225

200

236

Pm

X maior + X menor

236 + 200
2

218

4. A
5. Percentil de 21 = 12 100 = 40
30
A idade de 21 o 40. percentil

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

53

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Medidas de variabilidade

Definio
Um conjunto de valores pode ser convenientemente resumido, por meio
de procedimentos estatsticos, em poucos valores representativos mdia
aritmtica, mediana e moda. Tais valores podem servir de comparao para
dar a posio de qualquer elemento do conjunto. Porm, no o bastante
dar uma das medidas de posio para caracterizar perfeitamente um conjunto de valores, pois, mesmo sabendo, por exemplo, que a temperatura
mdia de duas cidades a mesma, e igual a 28C, ainda assim, se levado
a pensar a respeito do clima dessas cidades. Em uma delas a temperatura
poder variar entre limites de muito calor e de muito frio e possuir, ainda,
uma temperatura mdia de 28C. A outra poder ter uma variao pequena
de temperatura e possuir, portanto, no que se refere temperatura, um clima
mais favorvel.
Por essa razo a mdia ainda que considerada como um nmero que
tem a faculdade de representar uma srie de valores no pode, por si
mesma, destacar o grau de homogeneidade ou heterogeneidade que existe
entre os valores que compem o conjunto.
Considerando os seguintes valores das variveis x, y e z:
X: 60, 60, 60, 60, 60
Y: 58, 59, 60, 61, 62
Z: 5,5, 30, 110, 150
Calculando a mdia aritmtica de cada um desses conjuntos, obtm-se:
Frmula 1 Mdia aritmtica da amostra
Mdia Aritmtica da amostra (x)

in

xi

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

55

Medidas de variabilidade

varivel X (x)

in

varivel Y (y)

in

varivel Z (z)

in

xi

300
5

60

xi

300
5

60

xi

300
5

60

n
n

Observa-se, ento, que os trs conjuntos apresentam a mesma mdia


aritmtica: 60.
, porm, fcil de notar que o conjunto de X mais homogneo que os
conjuntos Y e Z, j que todos os valores so iguais mdia.
O conjunto Y, por sua vez, mais homogneo que o conjunto Z, pois h
menor diversificao entre cada um de seus valores e a mdia representativa. Chamando de disperso ou variao a maior ou menor diversificao dos
valores de uma varivel, em torno de um valor de tendncia central tomado
como ponto de comparao, pode-se dizer, ento, que o conjunto X apresenta disperso ou variao nula e que o conjunto Y apresenta uma disperso ou variao menor que o conjunto Z. Portanto, para qualificar os valores
de uma dada varivel, ressaltando a maior ou menor disperso ou variao
entre esses valores e a sua medida de posio, a Estatstica recorre a medidas
de disperso ou de variao.

Conceitos e regras
Disperso ou variao
O grau aos quais os dados numricos tendem a dispersar-se em torno de
um valor mdio chama-se variao ou disperso dos dados.

Amplitude (R)
De um conjunto de dados a diferena entre o maior e o menor valor.
claro que o valor de R est relacionado com a disperso dos dados. Quanto
maior a Amplitude maior a disperso dos dados. Entretanto, por depender
de apenas dois valores do conjunto de dados, a amplitude contm relativamente pouca informao quanto disperso.
56

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Medidas de variabilidade

Valor maior

Valor menor

Amplitude (R)
R = Xmximo Xmnimo

Figura 1 Representao da amplitude em um conjunto de dados.

Processo para determinar a amplitude:


 ordenar os valores de forma crescente ou decrescente;
 identificar o maior valor de todos os dados da amostra;
 identificar o menor valor de todos os dados da amostra;
 tomar a diferena entre os dois valores.

Varincia amostral (s2)


De um conjunto de dados , por definio, a mdia dos quadrados das
diferenas dos valores em relao sua mdia.
Quando se tratar de uma amostra, a simbologia s2 e quando se tratar
de populao 2, que a letra minscula sigma. No confundir o (sigma)
minsculo com o (sigma) maisculo, este usado para representar um
somatrio.

Propriedades da varincia
 A Varincia de uma constante zero.
 Multiplicando-se uma varivel aleatria por uma constante, sua
Varincia fica multiplicada pelo quadrado da constante.
Este material parte integrante do acervo do IESDE BRASIL S.A.,
mais informaes www.iesde.com.br

57

Medidas de variabilidade

 Somando-se ou subtraindo-se uma constante uma varivel aleatria,


sua Varincia no se altera.
 A Varincia da soma ou diferena de duas variveis aleatrias independentes a soma das respectivas varincias.
Frmula 2 Varincia da amostra (sx2)
n
( sx2 ( i

( xi x) 2
n 1
1

Processo para determinar a varincia da amostra:


 Calcular a mdia (x);
 Subtrair a mdia a cada valor do conjunto (xi x);
 Elevar ao quadrado cada desvio (xi x)2;
 Somar os quadrados dos desvios i

(xi x)2; e

 Dividir a soma por (n 1) quando forem dados amostrais, ou simplesmente por (N) para somar o conjunto ou todos os valores da populao, conhecido como Varincia da populao e mdia da populao
().
Frmula 3 Varincia da populao (2)
Varincia da populao ( )
2
x

N( Xi )2
i 1

, onde

( )l-se sigma e ( ) l-se Mi

Desvio-padro amostral (s):


De um conjunto de valores amostrais uma medida da variao dos valores em relao mdia. Define-se desvio-padro como a raiz quadrada positiva da varincia. Seu clculo feito por meio da varincia. Ao contrrio da
amplitude, o desvio-padro leva em conta todos os valores, mas essa vantagem torna o clculo mais difcil.

58

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Medidas de variabilidade

Frmula 4 Desvio-padro da amostra (sx)


(sx)

in

( xi x) 2
n 1
1

Frmula 5 Desvio-padro da populao (x)


(x )

iN 1 ( xi ) 2
N

Regras para o desvio-padro


 o desvio-padro (s): mede a disperso em torno da mdia e s deve ser
usado quando a mdia tomada como medida de centro.
 o desvio-padro (s) igual a zero: somente quando no h disperso. E
isto ocorre quando todas as observaes tm o mesmo valor. Em caso
contrrio, s > 0. Na medida em que as observaes se tornam mais
dispersas em torno da mdia, s aumenta.
 Assim como a mdia (x), o Desvio-padro (s) fortemente influenciado
por observaes extremas. Uns poucos valores discrepantes podem
acarretar um grande valor de s.

Arredondamento de dados
O resultado do arredondamento de um nmero como 72,8 para o inteiro mais prximo 73, posto que 72,8 mais prximos de 73 do que de 72.
Semelhantemente em 72,8146 o arredondamento para o centsimo mais
prximo, ou com duas decimais, 72,81, porque 72,8146 mais prximo de
72,81 do que 72,82.
Ao arredondar 72,465 para o centsimo mais prximo, entretanto, depara-se com um dilema, pois 72,465 dista igualmente de 72,46 e de 72,47.
Usa-se, na prtica, em tais casos, aproximar para o nmero par que precede o cinco. Assim, 72,465 arredondado para 72,46, onde 183,575 arredondado para 183,58. Essa prtica especialmente valiosa para reduzir
ao mnimo os erros acumulados por arredondamento, quando se tratar de
grande nmero de operaes.

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

59

Medidas de variabilidade

O problema
Contexto A
Muitos bancos comerciais costumavam exigir que os clientes formassem filas separadas para os diversos guichs, mas recentemente passaram
a adotar fila nica. Qual o motivo dessa modificao? O tempo mdio de
espera no se modifica, porque a fila de espera no afeta a eficincia dos
caixas. A adoo de fila nica se deveu ao fato de os clientes preferirem
tempos de espera mais consistentes com menor variao. Assim que milhares de bancos efetuaram uma modificao que resultou em uma variao
menor (e clientes mais satisfeitos), mesmo que a mdia no tenha sido afetada. Considera-se agora uma amostra de dados bancrios, onde os valores
relacionados so tempos de espera (em minutos) de clientes.
Tabela 1 Tempos de espera em minutos em filas de banco
Banco Jefferson Valley (fila nica)

7,1

7,7

6,7

6,8

6,5

7,3

7,4

7,7

7,7

6,6

Banco da Providncia (fila mltipla) 7,7

5,4

9,3

6,7

6,2

7,7

4,2

8,5

5,8 10,0

Os clientes do Banco Jefferson Valley entram em uma fila nica que


atendida por trs caixas. Os clientes do Banco da Providncia podem entrar
em qualquer uma das trs filas que conduzem a trs guichs.

Explorando o problema
So necessrios dois tipos de medidas para descrever adequadamente
um conjunto de dados. Alm da informao quanto ao meio de um conjunto de nmeros, conveniente dispor tambm de um mtodo que permita
exprimir a disperso, pois a sumarizao de um conjunto de dados, por meio
de uma nica medida de representao central, esconde toda a informao
sobre a variao do conjunto de valores. Ento se nota a convenincia de
criar-se uma medida que sumariza a variao de uma srie de valores e que
permite comparar conjuntos diferentes de valores. A Estatstica recorre s
medidas de disperso ou variao para atender esse objetivo.
Alguns conceitos-chave so fundamentais para dominar a anlise de um
conjunto de dados:

60

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Medidas de variabilidade

 a variao se refere a quanto os valores podem diferir entre si e pode


ser medida por nmeros especficos;
 os nmeros relativamente prximos uns dos outros tm baixas medidas de variao, enquanto os valores mais dispersos tm maior medida de variao.

Equacionando o problema
As medidas de disperso indicam se os valores esto relativamente prximos uns dos outros, ou separados. Esta situao ilustrada esquematicamente na figura abaixo. As observaes (a) apresentam valores relativamente
prximos dos outros, em comparao com os da (b). As formas de encontrar
essas medidas de disperso podem ser tratadas atravs da amplitude, varincia amostral e desvio-padro amostral.

(a)
(b)

(a) pequena disperso e (b) grande disperso


Figura 2 Representao da disperso de dados.

Calculando a amplitude (R)


Para medir-se a amplitude dos tempos de espera em filas de bancos, conforme o contexto A, tem-se a seguinte condio:
Frmula 6 Amplitude (R)
Amplitude (R) = Xmximo Xmnimo

Passo 1:
Ordenar os valores de forma crescente ou decrescente.

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

61

Medidas de variabilidade

Tabela 2 Tempos de espera em minutos em filas de banco


ordenados
Banco Jefferson Valley (fila nica)

6,5

6,6

6,7

6,8

7,1

7,3

7,4

7,7

7,7

7,7

Banco da Providncia (fila mltipla)

4,2

5,4

5,8

6,2

6,7

7,7

7,7

8,5

9,3 10,0

Passo 2:
Identificar o maior valor (Xmximo ) e o menor valor (Xmnimo) para cada banco.
Tabela 3 Tempos de espera em minutos em filas de banco
identificao dos valores extremos
Banco Jefferson Valley (fila nica)

X mximo = 7,7

Xmnimo = 6,5

Banco da Providncia (fila mltipla)

X mximo = 10,0

Xmnimo = 4,2

Passo 3:
Aplicar a frmula para cada banco.
Amplitude (R) = Xmximo Xmnimo
Tabela 4 Tempos de espera em minutos em filas de banco valor da
amplitude
Banco Jefferson Valley (fila nica)

R = 1,2

Banco da Providncia (fila mltipla)

R = 5,8

Passo 4:
Concluir e interpretar os resultados (Amplitude).
A Amplitude (R) fornece uma ideia do afastamento entre o maior valor e o
menor valor, mas no , na realidade, uma boa medida de disperso de toda
a distribuio. A amplitude no fornece qualquer informao de toda a distribuio, ou seja, no d qualquer informao sobre qualquer elemento na
relao, exceto seus valores extremos. No contexto apresentado dos bancos,

62

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Medidas de variabilidade

nota-se uma distncia maior dos valores (mximo e mnimo) do Banco da


Providncia (fila mltipla) necessita-se ainda de uma medida de disperso
que leve em conta todos os nmeros da relao.

Calculando a varincia amostral ( sx2 )


2
A varincia da amostra ( sx ) uma medida de disperso extremamente
importante na teoria estatstica. Do ponto de vista prtico, ela tem o inconveniente de se expressar numa unidade quadrtica em relao da varivel
em questo.
2

Frmula 5 Varincia da amostra (sx )


2

Varincia da amostra ( sx )

in

( xi x) 2
n 1
1

Passo 1:
Calcular a mdia aritmtica para cada banco.
Frmula 6 Mdia aritmtica da amostra (x)
Mdia Aritmtica da amostra (x)

in

xi

Tabela 5 Mdia dos tempos de espera em minutos em filas de banco


Banco Jefferson Valley
(fila nica)

Banco da Providncia
(fila mltipla)

BJV

BPro

6,5 + 6,6 + 6,7 + 6,8 + 7,1 + 7,3 + 7,4 + 7,7 + 7,7 + 7,7
10

7,15

4,2 + 5,4 + 5,8 + 6,2 + 6,7 + 7,7 + 7,7 + 8,5 + 9,3 + 10,0
10

7,15

Passo 2:
Subtrair a mdia de cada valor do conjunto (amostra).

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

63

Medidas de variabilidade

Tabela 6 Tempos de espera em minutos no Banco Jefferson Valley


xi

(xi x)

6,5
6,6
6,7
6,8
7,1
7,3
7,4
7,7
7,7
7,7

7,15
7,15
7,15
7,15
7,15
7,15
7,15
7,15
7,15
7,15

-0,65
-0,55
-0,45
-0,35
-0,05
0,15
0,25
0,55
0,55
0,55

Tabela 7 Tempos de espera em minutos no Banco Providncia


xi

(xi x)

4,2
5,4
5,8
6,2
6,7
7,7
7,7
8,5
9,3
10,0

7,15
7,15
7,15
7,15
7,15
7,15
7,15
7,15
7,15
7,15

-2,95
-1,75
-1,35
-0,95
-0,45
0,55
0,55
1,35
2,15
2,85

Passo 3:
Elevar ao quadrado cada desvio.
Tabela 8 Tempos de espera em minutos no Banco Jefferson Valley
para clculo da Varincia da Amostra (sx2 )

64

xi

(xi x)

(xi x)2

6,5
6,6
6,7
6,8
7,1
7,3
7,4
7,7
7,7
7,7

7,15
7,15
7,15
7,15
7,15
7,15
7,15
7,15
7,15
7,15

-0,65
-0,55
-0,45
-0,35
-0,05
0,15
0,25
0,55
0,55
0,55

0,4225
0,3025
0,2025
0,1225
0,0025
0,0225
0,0625
0,3025
0,3025
0,3025

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Medidas de variabilidade

Tabela 9 Tempos de espera em minutos no Banco Providncia para


clculo da Varincia da Amostra (sx2 )
xi

(xi x)

(xi x)2

4,2
5,4
5,8
6,2
6,7
7,7
7,7
8,5
9,3
10,0

7,15
7,15
7,15
7,15
7,15
7,15
7,15
7,15
7,15
7,15

-2,95
-1,75
-1,35
-0,95
-0,45
0,55
0,55
1,35
2,15
2,85

8,7025
3,0625
1,8225
0,9025
0,2025
0,3025
0,3025
1,8225
4,6225
8,1225

Passo 4:
Somar os quadrados dos desvios.
Tabela 10 Somatria dos tempos de espera em minutos no Banco
Jefferson Valley
xi

(xi x)

(xi x)2

6,5

7,15

-0,65

0,4225

6,6

7,15

-0,55

0,3025

6,7

7,15

-0,45

0,2025

6,8

7,15

-0,35

0,1225

7,1

7,15

-0,05

0,0025

7,3

7,15

0,15

0,0225

7,4

7,15

0,25

0,0625

7,7

7,15

0,55

0,3025

7,7

7,15

0,55

0,3025

7,7

7,15

0,55

0,3025

(somatria) =

2,0450

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

65

Medidas de variabilidade

Tabela 11 Somatria dos tempos de espera em minutos no Banco


Providncia
xi

(xi x)

(xi x)2

4,2

7,15

-2,95

8,7025

5,4

7,15

-1,75

3,0625

5,8

7,15

-1,35

1,8225

6,2

7,15

-0,95

0,9025

6,7

7,15

-0,45

0,2025

7,7

7,15

0,55

0,3025

7,7

7,15

0,55

0,3025

8,5

7,15

1,35

1,8225

9,3

7,15

2,15

4,6225

10,0

7,15

2,85

8,1225

(somatria) =

29,8650

Passo 5:
Dividir a soma por (n - 1) se tratar de dados amostrais ou simplesmente
por N se os dados representam todos os valores de uma populao. No caso
dos bancos trata-se de dados amostrais dividindo-se por (n - 1), o valor de
n=10 elementos/valores. Encontrar a varincia da amostra (s2).
Varincia da amostra (sx2 )
2

Varincia da amostra ( sx )

in

( xi x) 2
n 1

Tabela 12 Valor da varincia da amostra para cada banco (sx2 )


Banco Jefferson Valley (fila nica)

2
BJV

Banco da Providncia (fila mltipla)

BPRO

2,0450
10 1
29,8650
10 1

0,227222

3,318333

Passo 6:
Concluir e interpretar os resultados (varincia amostral).

66

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Medidas de variabilidade

A varincia de uma amostra a mdia dos quadrados dos desvios dos


valores a contar da mdia. No contexto dos bancos percebe-se uma maior
varincia quanto ao tempo de espera na fila do Banco Providncia. Porm, a
varincia representa um valor (resultado) elevado ao quadrado, sendo difcil
interpretar o valor numrico. Esse inconveniente sanado com a definio
do desvio-padro amostral (s).

Calculando o desvio-padro da amostra (sx)


O Desvio-Padro da amostra simplesmente a raiz quadrada positiva da
varincia da amostra. Assim, para determinar o desvio-padro, calcula-se a
varincia e toma-se a raiz quadrada positiva do resultado. O desvio-padro
cresce quando a disperso dos dados aumenta.
Frmula 7 Desvio-padro da amostra (sx)
Desvio-padro da amostra (sx)

in

( xi x) 2
n 1
1

Passo 1:
Calcular a raiz quadrada positiva da varincia da amostra, isto , calcular o desvio-padro da amostra (s). Tomar uma casa a mais dos dados
originais.
Tabela 13 Valor do desvio-padro da amostra para cada banco (sx)
Banco Jefferson Valley
(fila nica)

2
BJV

2,0450
10 1

0,227222

Banco da Providncia
(fila mltipla)

2
BPRO

29,8650
10 1

3,318333

0,227222

0,48

3,318333

1,82

Passo 6:
Concluir e interpretar os resultados (varincia amostral).
O desvio-padro da amostra (s) uma das medidas mais comumente utilizadas para distribuies e desempenha papel relevante em toda a

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

67

Medidas de variabilidade

estatstica. Cabe observar que a unidade do desvio-padro a mesma unidade da mdia aritmtica, permitindo confirmar que entre os bancos o que
apresenta uma variao (disperso) maior quanto ao tempo de espera nas
filas o banco Providncia, com um desvio-padro de 1,821629, reforando
a concluso de que o sistema de fila nica utilizado na amostra do Banco
Jefferson Valley tem variao muito menor.

Ampliando seus conhecimentos


Uma desvantagem do desvio-padro como medida de variao que ele
depende das unidades de medida. Por exemplo, os pesos de determinado
objeto podem ter um desvio-padro de 0,1 miligramas, o valor no informa
ou traduz se representa uma grande variao ou pequena variao, somente
se existe uma comparao entre duas amostras ou mais. O que interessa nessa
situao uma medida de variao relativa, como o coeficiente de variao.

Coeficiente de variao % (CV%)


definido como o quociente entre o desvio-padro e a mdia. frequentemente expresso em porcentagem. Sua vantagem a de caracterizar a disperso dos dados em termos relativos a seu valor mdio. Assim, uma pequena disperso absoluta pode ser, na verdade, considervel quando comparada
com a ordem de grandeza dos valores da varivel e vice-versa. Alm disso, por
ser adimensional, o coeficiente de variao fornece uma maneira de se compararem as disperses de variveis cujas unidades so irredutveis.
Frmula 9 Coeficiente de variao % (CV%)
CV%

sx . 100
x

No exemplo dos bancos tem-se a anlise da variao de cada um confirmada pelo coeficiente de variao.
Tabela 14 Valor do coeficiente de variao para cada banco

Banco Jefferson Valley (fila nica)

68

CV%

0,48
7,15

. 100

6,71%

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Medidas de variabilidade

Banco da Providncia (fila mltipla)

CV%

1,82
7,15

. 100

25,87%

Regra emprica para os dados


Uma regra que auxilia a interpretao do valor de um desvio-padro
a regra emprica, aplicvel somente a conjuntos de dados com distribuio
aproximadamente em forma de sino.
A regra 68-95-99 para os dados com distribuio em forma de sino.
 Cerca de 68% dos valores esto a menos de um desvio-padro a
contar da mdia.
 Cerca de 95% dos valores esto a menos de dois desvios-padro
a contar da mdia.
 Cerca de 99,7% dos valores esto a menos de trs desvios-padro
a contar da mdia.
Grfico 1 A regra emprica para dados com distribuio em
forma de sino
Curva normal e reas de probabilidade
0.4
0.3

68%

0.2

95%

0.1

99,73%

0.0
-4

-3

-2

-1

Output

O entendimento do grfico acima evidencia valores presumivelmente em percentagens (output = sada so os registros dos dados de uma
determinada varivel), sendo razovel entender que so aproximadamente 68%, aproximadamente 95%, ou aproximadamente 99,73%
dos valores em torno da mdia (no grfico a mdia representada pelo
ponto zero).
Este material parte integrante do acervo do IESDE BRASIL S.A.,
mais informaes www.iesde.com.br

69

Medidas de variabilidade

Curiosidade
No Brasil o Instituto Brasileiro de Geografia e Estatstica (IBGE) se constitui
no principal provedor de dados e informaes do pas, que atendem s necessidades dos mais diversos segmentos da sociedade civil, bem como dos
rgos das esferas governamentais federal, estadual e municipal.
O IBGE oferece uma viso completa e atual do pas, atravs do desempenho de suas principais funes:
 produo e anlise de informaes estatsticas;
 coordenao e consolidao das informaes estatsticas;
 produo e anlise de informaes geogrficas;
 coordenao e consolidao das informaes geogrficas;
 estruturao e implantao de um sistema de informao ambiental;
 documentao e disseminao de informaes;
 coordenao do sistema estatstico e cartogrfico nacionais.

Histrico do IBGE
Durante o perodo imperial, o nico rgo com atividades exclusivamente
estatsticas era a Diretoria Geral de Estatstica, criada em 1871. Com o advento da Repblica, o governo sentiu necessidade de ampliar essas atividades,
principalmente depois da implantao do registro civil de nascimentos, casamentos e bitos.
Com o passar do tempo, o rgo responsvel pelas estatsticas no Brasil
mudou de nome e de funes algumas vezes at 1934, quando foi extinto o
Departamento Nacional de Estatstica, cujas atribuies passaram aos ministrios competentes.

70

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Medidas de variabilidade

A carncia de um rgo capacitado a articular e coordenar as pesquisas


estatsticas, unificando a ao dos servios especializados em funcionamento
no Pas, favoreceu a criao, em 1934, do Instituto Nacional de Estatstica (INE),
que iniciou suas atividades em 29 de maio de 1936. No ano seguinte, foi institudo o Conselho Brasileiro de Geografia, incorporado ao INE, que passou a se
chamar, ento, Instituto Brasileiro de Geografia e Estatstica.
H 69 anos, o IBGE cumpre a sua misso: identifica e analisa o territrio,
conta a populao, mostra como a economia evolui atravs do trabalho e da
produo das pessoas, revelando ainda como elas vivem.

Atividades de aplicao
1. Observam-se, a seguir, os tempos (em segundos) de reao a um alarme de incndio, aps a liberao de fumaa de uma fonte fixa:
12

11

14

10

Escolha a alternativa correta quanto ao valor da amplitude da amostra.


a) Amplitude igual a 10.
b) Amplitude igual a 4.
c) Amplitude igual a 8.
d) Amplitude igual a 6.

2. Identifique das alternativas abaixo a resposta correta para a situao


descrita:

Situao: suponha que trs grupos de alunos submetem-se a um teste, obtendo as seguintes notas:
Grupo A: notas = 3 4 5 6 9
Grupo B: notas = 1 3 5 7 9
Grupo C: notas = 5 5 5 5 5
a) O grupo A o que apresenta maior disperso/variao, com amplitude igual a 2.
Este material parte integrante do acervo do IESDE BRASIL S.A.,
mais informaes www.iesde.com.br

71

Medidas de variabilidade

b) O grupo B o que apresenta menor disperso/variao, com amplitude igual a 4.


c) O grupo A e B apresentam maior disperso/variao, do que o
grupo C .
d) O grupo C apresenta maior disperso/variao, com amplitude
igual a 0 (zero).
3. Escolha a alternativa correta quanto aos resultados obtidos da amostra abaixo:
Amostra n. 1:
4

a) A amplitude igual a 3 e a varincia igual a 5,5.


b) A amplitude igual a 5 e a varincia igual a 8,5.
c) A amplitude igual a 7 e a varincia igual a 5,5.
d) A amplitude igual a 7 e a varincia igual a 8,5.
4. Calcule a varincia da amostra dos valores abaixo:

Situao: para facilitar um projeto de ampliao da rede de esgotos


de uma regio em uma pequena cidade, as autoridades tomaram uma
amostra de oito quarteires que compem a regio, e identificaram os
seguintes nmeros de casas por quarteires:
12

15

10

18

5. Calcule o desvio-padro da amostra dos valores abaixo:


Situao: para facilitar um projeto de ampliao da rede de esgotos


de uma regio em uma pequena cidade, as autoridades tomaram uma
amostra de oito quarteires que compem a regio, e identificaram os
seguintes nmeros de casas por quarteires:
12

72

15

10

18

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Medidas de variabilidade

Gabarito
1. C
2. C
3. D
in 1 x i
n
2
1 ( x i x)
n 1

4. Mdia Aritmtica da amostra (x)


Varincia da amostra (sx2 )

ni

xi

(xi x)

(xi x)2

9,5

-6,5

42,25

9,5

-4,5

20,25

9,5

-3,5

12,25

9,5

-2,5

6,25

10

9,5

0,5

0,25

12

9,5

2,5

6,25

15

9,5

5,5

30,25

18

9,5

8,5

72,25

76
8

9,5

190

Varincia da amostra (s 2x )

in 1 ( xi x) 2
n 1

5. Mdia Aritmtica da amostra (x)


Varincia da amostra (s 2x )

ni 1 x i

n
ni 1 ( xi x) 2
n1

xi

(xi x)

(xi x)2

9,5

-6,5

42,25

9,5

-4,5

20,25

9,5

-3,5

12,25

9,5

-2,5

6,25

10

9,5

0,5

0,25

12

9,5

2,5

6,25

15

9,5

5,5

30,25

18

9,5

8,5

72,25

Varincia da amostra (s 2x )

190
7

27,14286

76
8

9,5

190

in 1 ( xi x) 2

Desvio-padro da amostra (sx)

n 1
2

190
7

ni 1 ( xi x) 2
n 1

27,14286
2

27,14286 5,20988

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

73

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Introduo probabilidade
e distribuio de probabilidade
discretas

Muitas pessoas agem com base na chance da ocorrncia de eventos.


Alguns viajam em avies, reconhecendo que, embora haja a chance de uma
coliso com outro aparelho, essa chance realmente mnima. Alguns aceleram seus automveis durante uma tempestade, sabendo que podem ser
atingidos por um raio, mas, novamente, a chance de tal evento tambm
mnima. Muitos compram bilhetes de loteria com a esperana de ganhar, no
entanto, a chance de ganhar na loteria com uma aposta menor do que a
chance de ser atingido por um raio no perodo de um ano.
As probabilidades so teis porque auxiliam a desenvolver estratgias,
pois exprimem a chance de ocorrncia de determinado evento.
As decises nos negcios so frequentemente baseadas na anlise de incertezas, tais como.
 Quais so as chances de as vendas decrescerem se aumentarmos os
preos?
 Qual a probabilidade do projeto terminar no prazo?
 Quais so as chances de um novo investimento ser lucrativo?
A probabilidade uma medida numrica da chance de um evento ocorrer. Assim, as probabilidades podem ser usadas como medidas do grau de
incerteza associadas aos eventos, por exemplo, aos citados acima. Se as probabilidades estiverem disponveis, pode-se determinar a chance de cada
evento ocorrer.
Na natureza encontram-se dois tipos de fenmenos: determinsticos e
aleatrios.
Os fenmenos determinsticos so aqueles em que os resultados so
sempre os mesmos, qualquer que seja o nmero de ocorrncias dos mesmos.

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

75

Introduo probabilidade e distribuio de probabilidade discretas

Quando se toma um determinado slido, sabemos que a certa temperatura haver a passagem para o estado lquido. Esse exemplo caracteriza um
fenmeno determinstico.
importante notar que a definio de um evento determinstico exige
que os resultados tenham a mesma chance. Se os resultados no tm a
mesma chance, evento aleatrio deve-se apelar para a estimativa atravs da
frequncia relativa.
Ao calcular probabilidades pelo mtodo da frequncia relativa, obtemos
uma aproximao em lugar de um valor exato. medida que o nmero de
observaes aumenta, as aproximaes tendem a ficar cada vez mais prximas da probabilidade efetiva. Essa propriedade enunciada como um teorema comumente conhecido como a lei dos grandes nmeros.
Mas no absolutamente essencial realizar um experimento para obter
dados amostrais. Em muitos casos dispem-se de informaes histricas,
que podem ser utilizadas precisamente da mesma maneira. Essas informaes histricas podem apresentar-se sob a forma de dados publicados, ou
resultados de testes prvios, ou simplesmente informaes acumuladas no
arquivo de uma companhia.
Por exemplo, os arquivos de uma companhia imobiliria revelam que,
num perodo de 16 dias, a frequncia de casas vendidas por dia foi:
Tabela 1 Exemplo de frequncia relativa
nmero vendido

nmero de dias

Total

16

Admitindo-se que o passado representativo do futuro (o que nem


sempre o caso), pode-se determinar as seguintes probabilidades:
P (0)

3 , P (1)
16

2 , P (2)
16

5 , P (3)
16

6
16

Assim, de acordo com a conceituao de frequncia de probabilidade,


imagina-se uma recorrncia desse mesmo conjunto de condies, e procu76

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Introduo probabilidade e distribuio de probabilidade discretas

ra-se responder pergunta: Que porcentagem das vezes ocorreu o evento


em questo? Por exemplo, duas casas vendidas em cinco dos 16 dias, de
modo que a estimativa da probabilidade de tal ocorrncia seria 5 . Ana16

logamente, pode-se estimar em 6 a probabilidade de vender trs casas.


16

Verifica-se ento que, do ponto de vista emprico, a probabilidade pode


ser encarada como uma proporo, ou uma frequncia relativa, com que
ocorre um evento.
Ao adotar-se o mtodo atravs de frequncia relativa, importante reconhecer os seguintes pontos:
 A probabilidade assim determinada apenas uma estimativa do verdadeiro valor. O simples fato de obter-se cara quatro vezes em 10 lances de moeda no autoriza a afirmao de que isso ocorrer sempre.
A evidncia emprica no nos d uma probabilidade exata.
 Quanto maior a amostra, melhor a estimativa da probabilidade (lei dos
grandes nmeros). O nmero de observaes importante, de modo
geral, quanto maior for esse nmero (isto , o tamanho da amostra),
melhor ser a estimativa da frequncia relativa.
 A probabilidade s vlida para um conjunto de condies idnticas
quelas sob as quais se originaram os dados. A validade do mtodo
da frequncia relativa depende da coincidncia dos dois conjuntos de
condies. Naturalmente, a no ser no campo das cincias fsicas, frequentemente difcil, ou mesmo impossvel, coincidirem as condies
exatamente. Infelizmente, na maioria das situaes de administrao,
no se pode controlar todos os fatores relevantes. A implicao que
as propores resultantes devem ser encaradas como aproximaes
menos precisas do que as que poderiam obter-se atravs de experimentos mais controlados. Consequentemente, o grau de confiana
nessas probabilidades deve levar em conta o grau de discrepncia entre as condies originais e as condies em que tais probabilidades
vo ser aplicadas.
Do ponto de vista prtico, em geral no necessrio calcular as probabilidades individuais para obter uma distribuio de probabilidades. Existem
tabelas e frmulas para isso. Consequentemente, o problema no como se
deduzem os valores?, mas sim como se usam as distribuies para resolver
problemas?
Este material parte integrante do acervo do IESDE BRASIL S.A.,
mais informaes www.iesde.com.br

77

Introduo probabilidade e distribuio de probabilidade discretas

Fora o fato de que as distribuies de probabilidades proporcionam um


mtodo simples para a determinao de certas probabilidades, os tipos de
distribuies podem ser considerados como modelos para descrever situaes que envolvem resultados gerados pela chance.
As distribuies discretas de probabilidade envolvem variveis aleatrias
relativas a dados que podem ser contados, como o nmero de ocorrncias
por amostra, ou o nmero de ocorrncias por unidade num intervalo de
tempo, de rea, ou de distncia.
As distribuies discretas podem ser definidas como Binomial e de Poisson, em que o termo Binomial utilizado para designar situaes em que os
resultados de uma varivel aleatria podem ser agrupados em duas classes
ou categorias. H muitos exemplos de variveis aleatrias que podem ser
classificadas como varveis Binomiais: respostas a um teste do tipo F ou V,
respostas do tipo sim ou no a um questionrio, produtos manufaturados
classificados como perfeitos ou defeituosos, alunos de uma escola vacinados ou no vacinados, exames do tipo passa ou no passa. comum
referir-se s duas categorias de uma distribuio Binomial como sucesso
ou fracasso/falha, muito embora no importe, para fins de clculo, qual
categoria seja considerada sucesso e qual seja considerada fracasso/falha,
pois as duas so complementares. Por exemplo, no caso de um jogo de
chance, o sucesso para um parceiro falha para o outro. Note-se, porque
sucesso e fracasso/falha so mutuamente excludentes e coletivamente
exaustivos, P(sucesso) + P(fracasso/falha) = 1,00. A distribuio Binomial
til para determinar a probabilidade de certo nmero de sucessos num
conjunto de observaes.
Por exemplo, suponha-se que se saiba que 80% dos eleitores registrados
numa seo eleitoral tm mais de 30 anos. Pode-se querer saber a probabilidade de, numa amostra de 4 eleitores registrados, encontrarem-se 3 ou mais
eleitores com mais de 30 anos. Em tal caso, sucesso = eleitor com mais de 30
anos e P(sucesso) = 0,8.
 H n observaes ou provas idnticas.

78

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Introduo probabilidade e distribuio de probabilidade discretas

 Cada prova tem dois resultados possveis, um chamado sucesso e o


outro falha/fracasso.
 As probabilidades p de sucesso e 1-p de falha/fracasso permanecem
constantes em todas as provas.
 Os resultados das provas so independentes uns dos outros.

Para calcular uma probabilidade Binomial preciso especificar n, o


nmero de provas, x, o nmero de sucessos, e p, a probabilidade de
sucesso em cada prova. Suponha-se que p = 0,80 (como no exemplo
acima, representam eleitores com mais de 30 anos), e consequentemente, P(falha/fracasso) = 0,20, e que queira se calcular a probabilidade de trs sucessos (isto , trs eleitores com mais de 30 anos) em uma
amostra de quatro observaes.

Essas observaes acham-se tabeladas a seguir, com as respectivas


probabilidades.

Tabela 2 Exemplo binomial


disposio

probabilidade

SSSF

(0,8).(0,8).(0,8).(0,2) =

0,1024

SSFS

(0,8).(0,8).(0,2).(0,8) =

0,1024

SFSS

(0,8).(0,2).(0,8).(0,8) =

0,1024

FSSS

(0,2).(0,8).(0,8).(0,8) =

0,1024

Soma

0,4096

A probabilidade de trs sucessos e uma falha a soma das probabilidades de todas as maneiras de se obter trs sucessos em quatro observaes.

No caso acima a soma 0,4096. Nota-se que cada situao tem a mesma probabilidade de ocorrncia, porque os fatores so os mesmos, apenas sua ordem diferente. Isso sempre verdadeiro. Essa observao
leva s seguintes diretrizes: as probabilidades de resultados Binomiais
podem ser determinadas levando-se duas coisas em considerao: o
nmero de maneiras como a situao pode ocorrer e a probabilidade
de uma dessas maneiras.

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

79

Introduo probabilidade e distribuio de probabilidade discretas

No caso da distribuio discreta de probabilidade Poisson, til para descrever as probabilidades do nmero de ocorrncias num campo ou intervalo
contnuo (em geral tempo ou espao). Eis alguns exemplos de variveis que
podem ter como modelo a distribuio de Poisson: defeitos por centmetro quadrado, acidentes por dia, clientes por hora, chamada telefnica por
minuto etc. Nota-se que a unidade de medida (tempo, rea) contnua, mas
a varivel aleatria (nmero de ocorrncias) discreta. Alm disso, as falhas
no so contveis. No possvel contar os acidentes que no ocorreram,
nem tampouco o nmero de chamadas que no foram feitas, nem o nmero
de defeitos por centmetro quadrado que no ocorreram.
A utilizao da distribuio de Poisson baseia-se nas seguintes hipteses:
 A probabilidade de uma ocorrncia a mesma em todo o campo de
observao.
 A probabilidade de mais de uma ocorrncia num nico ponto aproximadamente zero.
 O nmero de ocorrncias em qualquer intervalo independente do
nmero de ocorrncias em outros intervalos.
O limite inferior do nmero de ocorrncias, em todas essas situaes,
zero, enquanto o limite superior ao menos teoricamente infinito, muito
embora, na maioria dos exemplos acima, seja difcil imaginar um nmero
ilimitado de ocorrncias. A distribuio de Poisson fica completamente caracterizada por um nico parmetro a mdia do processo. Assim que,
sabendo que a varivel aleatria tem resultados distribudos segundo Poisson, e conhecendo o nmero mdio de ocorrncias por unidade, pode-se
determinar a probabilidade de qualquer dos resultados possveis.
Se uma varivel aleatria descrita por uma distribuio de Poisson,
ento a probabilidade de realizar (observar) qualquer nmero dado de ocorrncias por unidade de medida (minuto, hora, centmetro, jarda quadrada
etc.) dada pela frmula:
Distribuio de Poisson

k
P (X ~
= k) = e .

k!

80

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Introduo probabilidade e distribuio de probabilidade discretas

Exemplo
Um processo mecnico produz tecido para tapetes com uma mdia de
dois defeitos por metro. Determine a probabilidade de um metro ter exatamente um defeito, admitindo-se que o processo possa ser bem aproximado
por uma distribuio de Poisson.
dado = 2, e pela aplicao da frmula calcula-se:
~ 1) = e2 . 21 = 0,135 . (2) = 0,270
P (X =

1!

A probabilidade de encontrar-se em um metro um defeito de 0,27, ou


seja, de 27%, tendo como referncia a mdia de ocorrncias ().

Conceitos e regras
Experimento
qualquer processo que permite ao pesquisador fazer observaes.

Evento
uma coleo de resultados de um experimento. Exemplo de evento:
pode ser chuva, lucro, cara, rendimento de pelo menos 6%, terminar o curso,
notas etc.

Evento simples
um resultado ou evento que no comporta mais qualquer decomposio.
Exemplo: o arremesso de um dado um experimento, e o resultado trs um
evento. O resultado trs um evento simples porque no pode ser decomposto: e o espao amostral consiste nesses eventos simples: 1, 2, 3, 4, 5, 6.

Evento composto
qualquer evento que combina dois ou mais eventos simples. Exemplo:
o arremesso de um par de dados um experimento, o resultado sete um
evento, mas sete no um evento simples porque pode ser decomposto
Este material parte integrante do acervo do IESDE BRASIL S.A.,
mais informaes www.iesde.com.br

81

Introduo probabilidade e distribuio de probabilidade discretas

em eventos mais simples, como 3-4 e 6-1. Na jogada de um par de dados, o


espao amostral consiste em 36 eventos simples, 1-1, 1-2, ..., 6-6.

Eventos mutuamente excludentes


Os eventos A e B dizem-se mutuamente excludentes quando no podem
ocorrer simultaneamente.

Espao amostral
De um experimento consiste em todos os eventos simples possveis; ou
seja, o espao amostral consiste em todos os resultados que no comportam
mais qualquer decomposio. Representa-se o espao amostral por (letra
grega: mega). Exemplo:
a) lanamento de uma moeda honesta: = {cara, coroa}
b) lanamento de um dado: = {1,2,3,4,5,6}
c) lanamento de duas moedas:
= {(cara, coroa), (cara, coroa), (cara, coroa), (cara, coroa)}

Probabilidade
uma medida numrica da plausibilidade de que um evento ocorrer.
Os valores da probabilidade so sempre atribudos numa escala de 0 a 1. A
probabilidade prxima de zero indica um evento improvvel de ocorrer e a
probabilidade prxima de 1 indica um evento quase certo. Por exemplo: ao
considerarmos o evento chover amanh, entendemos que quando a previso do tempo indica uma probabilidade prxima de zero de chover significa quase sem chance de chover. No entanto, se uma probabilidade 9,90 de
chuva anunciada, sabe-se que provvel que chova.
Plausibilidade crescente de ocorrncia
Probabilidade
0

Probabilidade
1,0
0,5
A ocorrncia do evento to provvel quanto improvvel

82

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Introduo probabilidade e distribuio de probabilidade discretas

Probabilidade pela frequncia relativa


Realizar um experimento um grande nmero de vezes e contar quantas
vezes o evento A ocorre efetivamente. Ento P(A) estimada como:
Frmula 1 Probabilidade relativa
P (A) =

nmero de ocorrncias de A
nmero de repeties do experimento

Lei dos grandes nmeros


Ao se repetir um experimento um grande nmero de vezes, a probabilidade pela frequncia relativa de um evento tende para a probabilidade terica. A lei dos grandes nmeros afirma que a aproximao pela frequncia
relativa tende a melhorar quando o nmero de observaes aumenta. Essa
lei reflete uma noo bastante simples apoiada pelo senso comum: uma
estimativa probabilstica baseada apenas em poucas observaes pode
apresentar grande divergncia, mas com um nmero crescente de provas
a estimativa tende a ser mais precisa. Por exemplo, se fizermos uma pesquisa entrevistando apenas algumas pessoas, os resultados podem acusar
grande erro; mas se entrevistamos milhares de pessoas selecionadas aleatoriamente, os resultados amostrais estaro muito mais prximos dos verdadeiros valores populacionais. Em uma amostra aleatria de um elemento de
uma populao, todos os elementos da mesma tm igual chance de serem
escolhidos; uma amostra de n elementos uma amostra aleatria (ou uma
amostra aleatria simples) se escolhida de tal maneira que toda amostra
possvel de n elementos da populao tem a mesma chance de ser escolhida. O conceito geral de aleatoriedade extremamente importante em estatstica. Ao fazerem-se inferncias (indues) baseadas em amostras, deve-se
ter um processo de amostragem que seja representativo, imparcial e no
tendencioso. Se uma amostra no selecionada cuidadosamente, pode ser
totalmente intil.
Por exemplo: considerando os resultados do lanamento de uma moeda,
trata-se de uma varivel aleatria, portanto, o comportamento da proporo
de lanamentos de uma moeda que do cara, de 1 a 1000 lanamentos, em
longo prazo, a proporo de caras tende para 0,5, sendo a probabilidade de
dar cara.

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

83

Introduo probabilidade e distribuio de probabilidade discretas

Grfico 1 Proporo no lanamento de moedas

Proporo de caras

1,0

0,8

0,6
probabilidade = 0,5
0,4

0,2

10

50

100

500 1.000

Nmero de jogadas

Probabilidade clssica
Supondo que um experimento tenha n eventos simples diferentes, cada
um dos quais com a mesma chance de ocorrer. Se o evento A pode ocorrer
em s dentre as n maneiras, ento:
Frmula 2 Probabilidade clssica
P (A) = nmero de maneiras como A poder ocorrer = s
n
nmero de eventos simples diferentes

Comparao entre
frequncia relativa e abordagem clssica
 Abordagem pela frequncia relativa: ao procurar determinar P (tachinha cair com a ponta para cima) deve-se repetir o experimento (jogar a tachinha) muitas vezes e determinar a razo do nmero de vezes
que a ponta fica pra cima para o nmero total de jogadas. Essa razo
a estimativa da probabilidade.

84

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Introduo probabilidade e distribuio de probabilidade discretas

 Abordagem clssica: ao procurar determinar P(2) com um dado equilibrado, cada uma das faces tem a mesma chance de aparecer.
Frmula 3 Probabilidade clssica aplicada no lanamento de um
dado
P (2) = nmero de possibilidades de ocorrncia de 2 = 1
nmero total de eventos simples
6

Notao para probabilidade


P denota uma probabilidade.
A, B, C denotam eventos especficos.
P(A) denota a probabilidade de ocorrncia do evento A.

Arredondamento de probabilidade
O valor de probabilidade deve dar a frao ordinria ou a expresso decimal exata, ou arredondar o resultado final para trs algarismos significativos.
Sugesto: quando uma probabilidade no uma frao simples como 2/3
ou 5/9, deve-se express-la na forma decimal, como por exemplo: 0,667 ou
0,556 respectivamente.

Notao de espao amostral:


Representa-se o espao amostral por .

Classe dos eventos aleatrios


o conjunto formado de todos os eventos (subconjunto) do espao
amostral.
Exemplo:
Considerando um espao amostral finito:
= {e1, e2, e3, e4}

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

85

Introduo probabilidade e distribuio de probabilidade discretas

A classe dos eventos aleatrios :

{e1} - {e2} - {e3} - {e4} - {e1, e2, e3, e4}


F ( ) = {e , e } - {e , e } - {e , e } - {e , e } - {e , e } - {e , e }
1
2
1
3
1
4
2
3
2
4
3
4
{e1, e2, e3} - {e1, e2, e4} - {e1, e3, e4} - {e2, e3, e4}
{e1, e2,, e3, e4}
Para determinar o nmero de elementos (eventos) de F() observa-se
que:
corresponde a

4
0
4
1

{e1, e2,, e3, e4} corresponde a

{e1, e2} - {e1, e3} - {e1, e4} - {e2, e3} - {e2, e4} - {e3, e4} corresponde a

4
3

{e1, e2, e3} - {e1, e2, e4} - {e1, e3, e4} - {e2, e3, e4}
{e1, e2,, e3, e4} corresponde a
Portanto, n(F) =

4
0

4
1

4
4
4
2

4
3

4
2

4
4

= 16

Genericamente, se o nmero de pontos amostrais de um espao amostral


finito n, ento o nmero de eventos de F 2n, pois
n(F) =

n
0

n
1

n
2

+ ... +

n
= 2n
n

Operaes com eventos aleatrios


Considerando um espao amostral finito = {e1, e2,, e3, ..., en}. Sejam A e
B dois eventos de F(). As seguintes operaes so definidas:

Reunio
(A U B) = {ei

86

|ei

A ou ei

B}, i + 1, 2, 3, ..., n.

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Introduo probabilidade e distribuio de probabilidade discretas

O evento reunio formado pelos pontos amostrais que pertencem a


pelo menos um dos eventos.

Figura 1 Reunio.

Interseco
(A

B) = {ei

| ei

A e ei

B}, i + 1, 2, 3, ..., n.

O evento interseco formado pelos pontos amostrais que pertencem


simultaneamente aos eventos A e B.

Figura 2 Interseco.

Complementao
A = A = { ei

| ei

A}.

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

87

Introduo probabilidade e distribuio de probabilidade discretas

Figura 3 Complementao.

Regra da adio
Clculo da probabilidade de ocorrncia do evento A ou do evento B ocorrer, encontrando o total de maneiras como A pode ocorrer e o total de maneiras que B pode ocorrer, mas de modo que nenhum resultado seja contado mais de uma vez.

Regra formal da adio


Frmula 4 Regra da adio
P (A ou B) = P (A) + P (B) P (A e B)
Ou
P (A U B) = P (A) + P (B) P (A

88

B)

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Introduo probabilidade e distribuio de probabilidade discretas

Aplicao da regra de adio


P(A ou B)
Regra de adio

A e B so
mutuamente
excludentes?

P(A ou B) = P(A) + P(B)

P(A ou B) = P(A) + P(B) P(A e B)

Figura 4 Fluxograma para aplicao da regra de adio.

Exemplo
Em um teste com o antialrgico Seldane, 49 dos 781 usurios de Seldane
experimentaram dores de cabea, 49 dos 665 que usaram placebo experimentaram dores de cabea e 24 dos 626 indivduos do grupo de controle
experimentaram dores de cabea (fonte: Merrell Doww Pharmaceutical).
Nessa afirmao, os dados so um tanto difceis de serem compreendidos,
mas se tornam muito mais claros se forem reorganizados em forma tabular.
Tabela 3 Teste de Seldane
Seldane

Placebo

Grupo de Controle

Total

Dor de cabea

49

49

24

122

No dor de cabea

732

616

602

1950

Total

781

665

626

2072

Se um dos indivduos escolhido aleatoriamente, determine a probabilidade de se obter algum que fez uso do placebo ou estava no grupo de
controle.

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

89

Introduo probabilidade e distribuio de probabilidade discretas

Frmula 5 Regra da adio (eventos excludentes)


P(A ou B) = P(A) + P(B)
P(placebo ou controle) =

665
626
1291 0,623
=
=
+
2072
2072
2072

Regra da multiplicao
Para determinar a probabilidade de ocorrncia do evento A em uma prova,
e de ocorrncia do evento B na prxima prova, deve-se multiplicar a probabilidade de A pela probabilidade de B, no esquecendo de que a probabilidade
do evento B deve levar em conta a ocorrncia prvia do evento A.

Regra formal da multiplicao


Regra da multiplicao para eventos independentes
P(A e B) = P(A) . P(B) se A e B so independentes
Ou
P(A

B) = P(A) . P(B) se A e B so independentes

Regra da multiplicao para eventos dependentes


P(A e B) = P(A) . P(B | A) se A e B so dependentes
Ou
P(A

B) = P(A) . P(B | A) se A e B so dependentes

Eventos independentes
Se a ocorrncia de um deles no afeta a probabilidade de ocorrncia do
outro.

Eventos dependentes
Se A e B no so independentes, isto , a ocorrncia de um deles afeta a
probabilidade de ocorrncia do outro.
90

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Introduo probabilidade e distribuio de probabilidade discretas

Exemplo:
Na extrao de duas cartas de um baralho bem misturado, determinar a
probabilidade de que a primeira carta seja um s e a segunda seja um rei (admite-se que a primeira carta extrada no seja reposta antes da extrao da
segunda carta). Utilizando a regra de multiplicao tem-se a seguinte condio: existem 4 ases nas 52 cartas distintas, tem-se P(s) = 4 . Para a segunda
52
extrao, supem-se que tenha obtido um s na primeira extrao, de modo
que tm-se agora 4 reis entre apenas 51 cartas, em que P(rei) = 4 . A probabi51
lidade de obter um s na primeira extrao e um rei na segunda :

Regra da multiplicao para eventos dependentes


P (s e rei) =

4
4
.
= 0,00603
52
51

Regra dos eventos complementares


A definio de eventos complementares implica que eles devem ser mutuamente excludentes, pois impossvel que um evento ocorra e no ocorra
simultaneamente.

Regra dos eventos complementares


Frmula 6 Regras dos eventos complementares
P(A) + P(A) = 1
P(A) = 1 P(A)
P(A) = 1 P(A)
Exemplo:
Se P(chuva) = 0,4 determine P(no chuva). Pela regra dos eventos complementares, tem-se: P(no chuva) = 1 0,4 = 0,6.

Regra fundamental da contagem


Dados dois eventos, o primeiro dos quais pode ocorrer de m maneiras
distintas e o segundo pode ocorrer de n maneiras distintas, ento os dois
eventos conjuntamente podem ocorrer de m.n maneiras distintas.
Este material parte integrante do acervo do IESDE BRASIL S.A.,
mais informaes www.iesde.com.br

91

Introduo probabilidade e distribuio de probabilidade discretas

Notao fatorial
Denota o produto dos inteiros positivos em ordem distinta. Por exemplo,
4! = 4 . 3 . 2 . 1 = 24. Por definio 0! = 1.

Regra do fatorial
Uma coleo de n objetos diferentes pode ser ordenado de n! maneiras
distintas. (Esta regra do fatorial traduz o fato de que o primeiro objeto pode
ser escolhido de n maneiras diferentes, o segundo objeto pode ser escolhido
de n-1 maneiras distintas, e assim por diante).
Exemplo: os problemas de roteamento costumam envolver aplicaes da
regra do fatorial. Suponha que um vendedor de computadores deva visitar
trs cidades distintas denotadas por A, B e C, quantos caminhos so possveis?
Pela regra do fatorial, v-se que as trs diferentes cidades (A, B e C) podem ser
dispostas de 3! = 6 maneiras distintas, como mostra a figura abaixo.
Primeira cidade

Segunda cidade

A
B
C

Terceira cidade

Caminho

ABC

ACB

BAC

BCA

CAB

CBA

3! = 6
caminhos
diferentes
possveis

Figura 5 Diagrama em rvore para roteamentos.

Nota-se que existem trs escolhas para a primeira cidade e duas escolhas
para a segunda, com isto, resta apenas uma escolha para a terceira cidade. O
nmero de arranjos possveis para as trs cidades , pois 3 . 2 . 1 = 6.

Regra dos arranjos


O nmero de arranjos (ou sequncia) de r elementos, escolhidos n elementos (sem repetio).

Regra do arranjo para elementos distintos


n

92

Pr =

n!
(n r) !

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Introduo probabilidade e distribuio de probabilidade discretas

Exemplo de aplicao
No planejamento de um programa noturno da rede de televiso NBC,
devem ser escolhidos seis shows dentre 30 disponveis. Quantas programaes diferentes so possveis?
Selecionar r = 6 dentre n = 30 programas disponveis. A ordem tem importncia, porque os espectadores so outros mais tarde. Como a ordem
influi, deve-se calcular o nmero de arranjos, como segue:
Frmula 7 Regra dos arranjos para elementos distintos
30

P6=

30 !
= 427.518.000 programaes
(30 6) !

Regra de contagem para combinaes


O nmero de combinaes de N objetos que so tomados n de cada vez :
Frmula 8 Regra de contagem para combinaes
N
Cn = N
n

N!
n ! . (N n) !

Exemplo
Considerando um procedimento de controle da qualidade em que um
inspetor seleciona, aleatoriamente, duas de cinco peas para testar, com relao a defeitos. Em um grupo de cinco peas, quantas combinaes de duas
peas podem ser selecionadas?
A regra da contagem mostra que com N=5 e n=2, tem-se:
Frmula 9 Regra de contagem para combinaes
5
C2 = 5
2

5!
=
2 ! .(5 2) !

(5) . (4) . (3) . (2) . (1)


120
=
= 10
(2) . (1) . (3) . (2) . (1)
12

Varivel aleatria discreta


uma varivel (geralmente representada por um x) que tem um valor
numrico nico (determinado aleatoriamente) para cada resultado de um
Este material parte integrante do acervo do IESDE BRASIL S.A.,
mais informaes www.iesde.com.br

93

Introduo probabilidade e distribuio de probabilidade discretas

experimento que admite um nmero finito de valores ou tem quantidade


enumervel de valores.
Exemplo: o nmero de espectadores que assistem a um filme um
nmero inteiro, sendo, portanto, uma varivel aleatria discreta.

Varivel aleatria contnua


uma varivel (geralmente representada por um x) que tem um valor
numrico nico (determinado aleatoriamente) para cada resultado de um
experimento que admite tomar nmero infinito de valores, e esses valores
podem ser associados a mensuraes em uma escala contnua, de tal forma
que no haja lacunas ou interrupes.
Exemplo: a voltagem na pilha de um detector de fumaa pode ser qualquer valor entre 0 volts e 9 volts, sendo, por conseguinte, uma varivel aleatria contnua.

Distribuio de probabilidade
a probabilidade de cada valor de uma varivel aleatria.
Exemplo: suponha que uma companhia area detenha 20% de todas as
linhas areas domsticas e que todos os voos apresentam a mesma chance
de um acidente.
Se a varivel aleatria x representa o nmero de acidentes com a companhia area dentre sete acidentes, escolhidos aleatoriamente, ento a distribuio de probabilidade dada pela tabela abaixo:
Tabela 4 Distribuio de probabilidade do nmero de acidentes,
dentre sete acidentes

94

P(x)

0,21

0,367

0,275

0,115

0,029

0,004

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Introduo probabilidade e distribuio de probabilidade discretas

Obtendo-se as probabilidades da tabela, por exemplo, a probabilidade


de 0 acidentes com a companhia area de 0,210, a probabilidade de um
acidente 0,367 etc.

Condies para uma distribuio de probabilidade


P(x)

0 < P(x) < 1 para todo x

Valor esperado
De uma varivel aleatria discreta denotado por E, e representa o valor
mdio dos resultados. dado por x . P (x).
Exemplo
A probabilidade de um investidor vender uma propriedade com um lucro
de R$2.500,00 de R$1.500,00 de R$500,00 ou com um prejuzo de R$500,00 so
0,22, 0,36, 0,28 e 0,14 respectivamente. Qual o lucro esperado do investidor?
Considerando:
a1 = 2.500,00 a2 = 1500,00 a3 = 500,00 a4 = 500,00.
P1= 0,22, P2= 0,36, P3= 0,28, P4= 0,14
Aplicando a frmula de E, tem-se
E = 2.500,00.(0,22) + 1.500,00.(0,36) + 500,00. (0,28) 500,00.(0,14) = R$1.160,00

Distribuio binomial
A probabilidade de ocorrerem x sucessos em n provas independentes.
Frmula 10 Distribuio binomial
P(x = k) =

n
k

pk . (1 p)n k para k = 0, 1, 2, 3, ..., ou n.

ou seja:
n
[P (sucesso)k ] . [P (fracasso ou falhas)] n k
k
= para k = 0, 1, 2, 3, ..., ou n.

P(x = k) =

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

95

Introduo probabilidade e distribuio de probabilidade discretas

ou seja:
onde p a probalidade constante de sucesso em cada prova.
Cada tentativa admite apenas dois resultados: fracasso com probabilidade q e sucesso com probabilidade p, p + q = 1. As probabilidades de sucesso
e fracasso so as mesmas para cada tentativa.

Propriedades da distribuio binomial


 O experimento deve comportar um nmero fixo de provas.
 As provas devem ser independentes (o resultado de qualquer prova
no afeta as probabilidades das outras provas).
 Cada prova deve ter todos os resultados classificados em duas categorias.
 As probabilidades devem permanecer constantes para cada prova.
Exemplo:
Uma moeda PE lanada 20 vezes. Qual a probabilidade de sarem oito
caras?
X: nmero de sucessos (caras)

P(x = 8) =

20 .
8

1
2

1
2

p = P(c) =

X = 0, 1 ,2, 3, 4, 5, ..., 20
8

1
2

X: B 20; 1
2

12

= 0,12013

Esperana (E) e Varincia (2):


A mdia de uma varivel aleatria discreta o resultado mdio terico de
um nmero infinito de provas. Diz-se que a mdia um valor esperado (esperana) no sentido de que o valor mdio que se espera obter se as provas
se prolongassem indefinidamente.
Se X: B (n, p)

96

P(x = k) =

n
k

. pk . (1 p)n k

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Introduo probabilidade e distribuio de probabilidade discretas

Esperana (E) ou mdia ()e varincia ()2 binomial


E(X) = n . p

2 = n. p. q

Exemplo:
Achar a mdia e a varincia aleatria Y = 3X +2, sendo X: B (20 : 0,3).
Esperana (E) ou mdia ( ) e varincia (2) binomial
E(X) = n . p = 20 . 0,3 = 6

2 = n . p . q = 20 . 0,3 . 0,7 = 4,2

Distribuio de Poisson
Muitas vezes no uso da binomial acontece que n muito grande (n
)ep
muito pequeno (p 0). Nesses casos o clculo torna-se muito difcil, podendo-se fazer uma aproximao da binomial por meio da distribuio da Poisson.
Considera-se a probabilidade de ocorrncia de sucessos em um determinado
intervalo. A probabilidade da ocorrncia de um sucesso no intervalo proporcional ao intervalo. A probabilidade de mais de um sucesso nesse intervalo
bastante pequena com relao probabilidade de um sucesso.

Propriedades da distribuio de Poisson


a) n
b) p

0 (p < 0,1)

c) 0 < < 10
Quando isso ocorre a mdia = n. p. ser tomada como n. p = .
Nessas condies obtm-se a distribuio de Poisson:
Frmula 11 Distribuio de Poisson

k
P(x = k) = c .
k!

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

97

Introduo probabilidade e distribuio de probabilidade discretas

Exemplo:
A probabilidade de uma lmpada se queimar ao ser ligada 1 . Numa
100
instalao com 100 lmpadas, qual a probabilidade de 2 lmpadas se queimarem ao serem ligadas?
X: nmero de lmpadas queimadas
X: B 100, 1
100
P(x = 2) = 100 . (0,01)2 . (0,99)98 = 0,183940
2
Usando a aproximao pelo Poisson
= n. p = 100 . 0,01 = 1
1
2
P(x = 2) = e . 1 = 0,183940
2!

Esperana (E) e Varincia (2):


Frmula 12 Esperana (E) ou Mdia () e Varincia (2) de Poisson
E(X) =

2 =

Contexto A
A companhia area Voar Bem detm 20% dos voos domsticos e est
envolvida em quatro de cada sete acidentes areos consecutivos. Supondo
que os acidentes areos sejam eventos independentes e aleatrios, e admitindo ainda que a empresa seja to segura quanto as outras companhias de
aviao.
a) Qual a probabilidade de que, em sete acidentes areos, quatro ocorram com avies da Voar Bem?
b) Qual a probabilidade da empresa Voar Bem ter ao menos quatro
dentre sete acidentes?
98

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Introduo probabilidade e distribuio de probabilidade discretas

Contexto B
Existe uma preocupao com as ocorrncias de grandes defeitos em uma
estrada um ms depois do recapeamento. Considerando que a probabilidade
de um defeito a mesma para qualquer dos intervalos da estrada de igual
comprimento, e a ocorrncia ou no ocorrncia de um defeito em qualquer
outro intervalo. A taxa mdia de grandes defeitos de dois para cada 100 km.
a) Qual a probabilidade de que em 250km ocorram pelo menos trs
acidentes?
b) Qual a probabilidade de que em 300km ocorram cinco acidentes?

Explorando o problema
Para encontrar-se uma soluo no contexto A deve-se, primeiramente,
observar se as condies abaixo so atendidas:
 o experimento deve comportar um nmero fixo de provas;
 as provas devem ser independentes (o resultado de qualquer prova
no afeta as probabilidades das outras provas);
 cada prova deve ter todos os resultados classificados em duas categorias;
 as probabilidades devem permanecer constantes para cada prova.
O experimento confirma as condies de um experimento Binomial, conforme critrios indicados acima.
No caso do contexto B, deve-se analisar as seguintes condies para aplicao de um modelo de distribuio adequado:
 que a varivel aleatria X seja o nmero de ocorrncias de um evento
em um intervalo;
 que as ocorrncias sejam aleatrias;
 que as ocorrncias sejam independentes umas das outras;
 que as ocorrncias sejam distribudas uniformemente sobre o intervalo considerado.
O experimento confirma as condies de um experimento como sendo
uma Distribuio de Poisson. A distribuio de Poisson difere da Binomial
em dois aspectos importantes:
Este material parte integrante do acervo do IESDE BRASIL S.A.,
mais informaes www.iesde.com.br

99

Introduo probabilidade e distribuio de probabilidade discretas

a distribuio Binomial afetada pelo tamanho amostral n e pela probabilidade p, enquanto a distribuio de Poisson afetada apenas
pelo mdia .
em uma distribuio Binomial, os valores possveis da varivel aleatria
de Poisson os valores possveis de x so 0, 1, 2, ..., sem limite superior.

Equacionando o problema
No contexto A trata-se de um experimento Binomial, porque:
1. tem-se um nmero fixo de provas (7);
2. admite-se que as provas sejam independentes;
3. h duas categorias: cada acidente envolve, ou no envolve, um
avio da Voar Bem. A probabilidade de um acidente envolver um
avio da Voar Bem (considerada sucesso neste experimento)
de 0,20 (porque a Voar Bem detm 20% dos voos domsticos),
e permanece constante em cada prova (admitindo-se que os acidentes sejam independentes e aleatrios).

Passo 1:
Identificar a varivel a ser observada (o sucesso):
X: nmero de acidentes areos com a empresa Voar Bem

Passo 2:
Determinar a funo sucesso de probabilidade da varivel X, isto
, P(x): p = P(quando ocorre um acidente com a empresa Voar Bem) =
20
= 0,20
100

X: B ( 7; 0,20), onde n= 7.

Passo 3:
Determinar o fracasso (q): p+q = 1

q= 1- 0,20 = 0,80

Passo 4:
Determinar o experimento observado:
a) Qual a probabilidade de que, em sete acidentes areos, quatro ocorram com avies da Voar Bem?
100

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Introduo probabilidade e distribuio de probabilidade discretas

Frmula 13 Distribuio Binomial


P(x = k) =

n!
(n k)! . k!

pk . (1 p) n

para k = 0, 1, 2, 3, ..., ou n.

Para se ter a probabilidade de quatro acidentes com avies da empresa


para sete acidentes:
Tem-se: P(4)
X=K=4

P (x = k = 4) =

7!
. 0,204 . (1 0,20)7 4 = 0,029.
(7 4)! . 4!

b) Qual a probabilidade da empresa Voar Bem ter ao menos quatro


dentre sete acidentes?
Para se ter a probabilidade de ao menos quatro em sete acidentes :
Tem-se: P(4) + P(5) + P(6) + P(7)
X=K=4
X=K=5
X=K=6
X=K=7

7!
. 0,204 . (1 0,20)7 4 = 0,029
(7 4)! . 4!
7!
. 0,205 . (1 0,20)7 5 = 0,004
P(x = k = 5) =
(7 5)! . 5!
P(x = k = 4) =

7!
. 0,206 . (1 0,20)7 6 = 0,0
(7 6)! . 6!
7!
. 0,207 . (1 0,20)7 7 = 0,0
P(x = k = 7) =
(7 7)! . 7!
P(x = k = 6) =

P (X < 4) = 0,033
No contexto B trata-se de um experimento de Poisson visto que:
1. a varivel aleatria X seja o nmero de ocorrncias de um evento
em um intervalo;
2. as ocorrncias sejam aleatrias;
3. as ocorrncias sejam independentes umas das outras;
4. as ocorrncias sejam distribudas uniformemente sobre o intervalo considerado.

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

101

Introduo probabilidade e distribuio de probabilidade discretas

Aplica-se uma distribuio de Poisson, pois se tem a ocorrncia de


grande defeito em uma estrada em um intervalo (espao) em quilometragem, onde a chance de ocorrncia desse defeito no intervalo est distribuda
aleatoriamente.

Passo 1:
Identificar a varivel a ser observada (o sucesso).
X: ocorrncia de defeitos em uma estrada a cada intervalo em km.

Passo 2:
Definir o experimento observado.
c) Qual a probabilidade de que em 250km ocorram pelo menos 3 grandes defeitos?
A mdia de grandes defeitos de 2 grandes defeitos para cada 100km,
portanto para cada 250km tm-se a mdia de cinco grandes defeitos.
2 grandes defeitos para 100km
grandes defeitos para 250km
Portanto:

2 . 250
100

Passo 3:
Calcular o experimento observado.
Distribuio de Poisson
k

P(x = k) = e .
k!

(X < 3) = 1 P(X < 3) = 1 {(P(X = 0) + P (X = 1) + P(X + 2))} =


5
0
P(x = 0) = e . 5 = 0,006737947 . 1 = 0,006738
0!
1
5
1
P(x = 1) = e . 5 = 0,006737947 . 5 = 0,033689735 = 0,033690
0!
1
1

102

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Introduo probabilidade e distribuio de probabilidade discretas


5
2
P(x = 2) = e . 5 = 0,006737947 . 25 = 0,168448675 = 0,084224
2!
2
2

= 1

e5 . 50 + e5 . 51 + e5 . 5 2
0!
1!
2!

= 1 {0,006738 + 0,033690 + 0,084224} =

= 1 0,124652 = 0,875348.
No caso da questo abaixo a soluo encontra-se em:

Passo 1:
Definir o experimento observado.
Qual a probabilidade de que em 300km ocorram 5 grandes defeitos?
A mdia de grandes defeitos de 2 grandes defeitos para cada 100km,
portanto para cada 250km tm-se a mdia de 5 grandes defeitos.
Dois grandes defeitos para 100km
grandes defeitos para 300km
Portanto:

2 . 300
100

Passo 2:
Calcular o experimento observado.
Distribuio de Poisson
k

P(x = k) = e .
k!

6
5
P(x = k = 5) = e . 6 = 0,002478752 . 7776 = 19,27477692 = 0,160623
5!
120
120

Notao
: mdia;
: desvio-padro, a raiz quadrada da varincia. a distncia, a partir da
mdia, a qualquer dos dois pontos de inflexo; a varivel usada para representar valores individuais dos dados;
e: um nmero especial, aproximadamente igual a 2,71828;
: tambm um nmero especial, aproximadamente igual a 3,14159.
Este material parte integrante do acervo do IESDE BRASIL S.A.,
mais informaes www.iesde.com.br

103

Introduo probabilidade e distribuio de probabilidade discretas

Ampliando seus conhecimentos


Quando h interesse na determinao da probabilidade de um nico valor
numa distribuio binomial ou distribuio de Poisson, tal como a probabilidade de exatamente quatro sucessos em seis observaes, ento utiliza-se a
tabela de probabilidades binomiais individuais ou as tabelas de probabilidades de Poisson.

Tabelas binomiais individuais


Tal como no caso da frmula, so necessrios trs dados: n, o nmero
de observaes, p, a probabilidade de sucesso, e x, o nmero especificado de sucessos.
Para determinar uma probabilidade de cinco sucessos (x=k=5) em 8
observaes (n=8), quando a probabilidade de sucesso 0,30.
Utiliza-se a tabela como segue.
1. Procurar no topo da tabela o valor de p indicado.
2. Localizar o n na coluna esquerda da tabela e procurar o nmero x de sucessos observado.
3. A probabilidade de x sucessos se encontra na interseco da
linha achada conforme a parte dois com a coluna achada conforme a parte um.
4. Assim, a probabilidade de exatamente dois sucessos em quatro observaes, quando a probabilidade de sucesso em cada
observao 0,30, de 0,2646.
Tabelas binomiais individuais exemplos

104

Probabilidade de sucesso P

P(x)

0,20

0,1681

0,60

0,2765

0,30

0,4410

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Introduo probabilidade e distribuio de probabilidade discretas

x
0

0,902

0,810

0,640

0,490

0,360

0,250

0,160

0,090

0,040

0,095

0,180

0,320

0,420

0,480

0,500

0,480

0,420

0,320

0,002

0,010

0,040

0,090

0,160

0,250

0,360

0,490

0,640

0,857

0,729

0,512

0,343

0,216

0,125

0,064

0,027

0,008

0,05

0,5

0,6

0,7

0,8

0,135

0,243

0,384

0,441

0,432

0,375

0,288

0,189

0,096

0,027

0,096

0,189

0,288

0,375

0,432

0,441

0,384

0,001

0,008

0,027

0,064

0,125

0,216

0,343

0,512

0,656

0,410

0,240

0,130

0,062

0,026

0,008

0,002

0,815

0,171

0,292

0,410

0,412

0,346

0,250

0,154

0,076

0,026

0,014

0,049

0,154

0,265

0,346

0,375

0,346

0,265

0,154

0,004

0,026

0,076

0,154

0,250

0,346

0,412

0,410

0,002

0,008

0,026

0,062

0,130

0,240

0,410

0,774

0,590

0,328

0,168

0,078

0,031

0,010

0,002

0,204

0,328

0,410

0,360

0,259

0,156

0,077

0,028

0,006

0,021

0,073

0,205

0,309

0,346

0,312

0,230

0,132

0,051

0,001

0,008

0,051

0,132

0,230

0,312

0,346

0,309

0,205

0,006

0,028

0,077

0,156

0,259

0,360

0,410

0,002

0,010

0,031

0,078

0,168

0,328

4
5
0

0,735

0,531

0,262

0,118

0,047

0,016

0,004

0,001

0,232

0,354

0,393

0,303

0,187

0,094

0,037

0,010

0,002

0,031

0,098

0,246

0,324

0,311

0,234

0,138

0,060

0,015

0,002

0,015

0,082

0,185

0,276

0,312

0,276

0,185

0,082

0,001

0,015

0,060

0,138

0,234

0,311

0,324

0,246

0,002

0,010

0,037

0,094

0,187

0,303

0,393

0,001

0,004

0,016

0,047

0,118

0,262

4
5
6

0,4

0,007

0,3

0,2

2
3

0,1

0,698

0,478

0,210

0,082

0,028

0,008

0,002

0,257

0,372

0,367

0,247

0,131

0,055

0,017

0,004

0,041

0,124

0,275

0,318

0,261

0,164

0,077

0,025

0,004

0,004

0,023

0,115

0,227

0,290

0,273

0,194

0,097

0,029

4
5
6
7

0,003

0,029

0,097

0,194

0,273

0,290

0,227

0,115

0,004

0,025

0,077

0,164

0,261

0,318

0,275

0,004

(John E. Freund, 2000)

Probabilidade Binomiais

0,017

0,055

0,131

0,247

0,367

0,002

0,008

0,028

0,082

0,210

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

105

Introduo probabilidade e distribuio de probabilidade discretas

0,05

0,1

0,2

0,3

0,4

0,5

0,6

0,663

0,430

0,168

0,058

0,017

0,004

0,001

0,279

0,383

0,336

0,198

0,090

0,031

0,008

0,7

0,8

0,001

0,051

0,149

0,294

0,296

0,209

0,109

0,041

0,010

0,001

0,005

0,033

0,147

0,254

0,279

0,219

0,124

0,047

0,009

0,005

0,046

0,136

0,232

0,273

0,232

0,136

0,046

4
5

0,009

0,047

0,124

0,219

0,279

0,254

0,147

0,001

0,010

0,041

0,109

0,209

0,296

0,294

0,001

0,008

0,031

0,090

0,198

0,336

0,001

0,004

0,017

0,058

0,168

Tabelas de Poisson Individuais


As tabelas de Poisson so bastante semelhantes s tabelas binomiais,
embora primeira vista possam parecer diferentes. Como a distribuio de
Poisson s depende da mdia do processo, as tabelas so construdas de
forma a dar as probabilidades com base nessa mdia. Os valores escolhidos
de , mdia do processo (nmero mdio de ocorrncias por unidade), constituem a linha do topo da tabela, e os resultados possveis constam da coluna
lateral. O corpo da tabela d as probabilidades de exatamente x ocorrncias
por unidade. Alguns exemplos de probabilidade de Poisson obtidos da tabela
de probabilidades individuais.

106

P(x)

2,1

0,1225

2,4

0,2177

3,0

0,2240

2,2

0,2681

3,0

0,1008

2,8

10

0,0005

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

(William J. Stevenson, 1981)

Tabela 4.4 Tabelas de Poisson individuais

Introduo probabilidade e distribuio de probabilidade discretas

Termos Individuais da Distribuio de Poisson


x

0,1

0,2

0,3

0,4

0,5

0,6

0,7

0,8

0,9

1,0

0
1
2
3
4

0,9048
0,0905
0,0045
0,0002
0,0000

0,8187
0,1637
0,0164
0,0011
0,0001

0,7408
0,2222
0,0333
0,0033
0,0002

0,6703
0,2681
0,0536
0,0072
0,0007

0,6065
0,3033
0,0758
0,0126
0,0016

0,5488
0,3293
0,0988
0,0198
0,0030

0,4966
0,3476
0,1217
0,0284
0,0050

0,4493
0,3595
0,1438
0,0383
0,0077

0,4066
0,3659
0,1647
0,0494
0,0111

0,3679
0,3679
0,1839
0,0613
0,0153

5
6
7

0,0000 0,0000 0,0000 0,0001 0,0002 0,0004 0,0007 0,0012 0,0020 0,0031
0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0002 0,0003 0,0005
0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001

1,1

1,2

1,3

1,4

1,5

1,6

1,7

1,8

1,9

2,0

0
1
2
3
4

0,3329
0,3662
0,2014
0,0738
0,0203

0,3012
0,3614
0,2169
0,0867
0,0260

0,2725
0,3543
0,2303
0,0998
0,0324

0,2466
0,3452
0,2417
0,1128
0,0395

0,2231
0,3347
0,2510
0,1255
0,0471

0,2019
0,3230
0,2584
0,1378
0,0551

0,1827
0,3106
0,2640
0,1496
0,0636

0,1653
0,2975
0,2678
0,1607
0,0723

0,1496
0,2842
0,2700
0,1710
0,0812

0,1353
0,2707
0,2707
0,1804
0,0902

5
6
7
8
9

0,0045
0,0008
0,0001
0,0000
0,0000

0,0062
0,0012
0,0002
0,0000
0,0000

0,0084
0,0018
0,0003
0,0001
0,0000

0,0111
0,0026
0,0005
0,0001
0,0000

0,0141
0,0035
0,0008
0,0001
0,0000

0,0176
0,0047
0,0011
0,0002
0,0000

0,0216
0,0061
0,0015
0,0003
0,0001

0,0260
0,0078
0,0020
0,0005
0,0001

0,0309
0,0098
0,0027
0,0006
0,0001

0,0361
0,0120
0,0034
0,0009
0,0002

2,1

2,2

2,3

2,4

2,5

2,6

2,7

2,8

2,9

3,0

0
1
2
3
4

0,1225
0,2572
0,2700
0,1890
0,0992

0,1108
0,2438
0,2681
0,1966
0,1082

0,1003
0,2306
0,2652
0,2033
0,1169

0,0907
0,2177
0,2613
0,2090
0,1254

0,0821
0,2052
0,2565
0,2138
0,1336

0,0743
0,1931
0,2510
0,2176
0,1414

0,0672
0,1815
0,2450
0,2205
0,1488

0,0608
0,1703
0,2384
0,2225
0,1557

0,0550
0,1596
0,2314
0,2237
0,1622

0,0498
0,1494
0,2240
0,2240
0,1680

5
6
7
8
9

0,0417
0,0146
0,0044
0,0011
0,0003

0,0476
0,0174
0,0055
0,0015
0,0004

0,0538
0,0206
0,0068
0,0019
0,0005

0,0602
0,0241
0,0083
0,0025
0,0007

0,0668
0,0278
0,0099
0,0031
0,0009

0,0735
0,0319
0,0118
0,0038
0,0011

0,0804
0,0362
0,0139
0,0047
0,0014

0,0872
0,0407
0,0163
0,0057
0,0018

0,0940
0,0455
0,0188
0,0068
0,0022

0,1008
0,0504
0,0216
0,0081
0,0027

10
11
12

0,0001 0,0001 0,0001 0,0002 0,0002 0,0003 0,0004 0,0005 0,0006 0,0008
0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0001 0,0001 0,0002 0,0002
0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

107

Introduo probabilidade e distribuio de probabilidade discretas

Curiosidade

A estatstica tem realmente algum valor?


Com uma venda anual superior a $17 bilhes, a Motorola uma das
maiores produtoras de equipamentos eletrnicos, inclusive telefones
celulares, telefones sem fio, pagers, rdios transceptores e mdulos controladores de transmisso em carros. Nos ltimos cinco anos, a Motorola
economizou aproximadamente $2,5 bilhes, implementando um plano
de melhoria de qualidade que usa extensamente mtodos estatsticos.
Seus pagers e telefones celulares esto sendo fabricados com uma taxa
projetada de defeitos de 0,00034%. A Motorola visa a um objetivo popularmente conhecido como o nvel de qualidade dos seis sigmas, que corresponde a menos de 3,4 defeitos por milho de unidades produzidas. A
Motorola constatou que a aplicao de mtodos estatsticos imprescindvel para a sobrevivncia em um mercado cada vez mais competitivo.

Atividades de aplicao
1. No porto chegam navios razo de = 2 navios por hora. Observa-se
o processo durante um perodo de meia hora t 1 , sendo a varivel
2
aleatria o nmero de navios que chegam no porto por hora. A distribuio adequada para aplicao nesse processo trata-se de. Escolha a
alternativa correta:
a) ( ) Distribuio discreta de probabilidade binomial.
b) ( ) Distribuio discreta de probabilidade Poisson.
c) ( ) Distribuio contnua de probabilidade Normal.
d) ( ) Distribuio contnua de probabilidade Poisson.
2. No porto chegam navios razo de = 2 navios por hora. Observa-se
1 , sendo a varivel
2
aleatria o nmero de navios que chegam no porto por hora. Determio processo durante um perodo de meia hora t

nar a mdia de ocorrncia no tempo de meia hora t


108

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

1 .
2

Introduo probabilidade e distribuio de probabilidade discretas

3. No porto chegam navios razo de = 2 navios por hora. Observa-se


o processo durante um perodo de meia hora t 1 , sendo a varivel
2
aleatria o nmero de navios que chegam no porto por hora. Determinar a probabilidade de no chegar nenhum navio no porto.
4. Um engenheiro recolhe uma amostra aleatria de 100 interruptores
de um lote de 10 000. Suponha (sem que o engenheiro saiba) que 10%
dos interruptores do lote apresentem algum defeito. O engenheiro
conta o nmero de X interruptores defeituosos na amostra. Esta a
distribuio binomial com n = 10 e p = 0,1. Os nmeros possveis de
interruptores defeituosos em uma amostra de dez interruptores so os
inteiros de 0 a 10. Calcular a mdia e o desvio-padro da distribuio
binomial.
5. Um engenheiro recolhe uma amostra aleatria de 100 interruptores
de um lote de 10 000. Suponha (sem que o engenheiro saiba) que 10%
dos interruptores do lote apresentem algum defeito. O engenheiro
conta o nmero de X interruptores defeituosos na amostra. Determinar a probabilidade de no mximo um interruptor no ser aprovado.

Gabarito
1. B
2. Frmula Esperana ou Mdia de Poisson

= .t

Aplicar a frmula:
2 . 1 1 navio por meia hora
2

3. Sendo: 2 . 1 1 navio por meia hora


2
A probabilidade do nmero de ocorrncia (chegada de navio) = 0



Frmula Distribuio de Poisson

k
P(X = k) ~
= e .
k!
Aplicar a frmula:
1
0
P(X = k = 0) ~
= e . 1 = 0,368
0!
Este material parte integrante do acervo do IESDE BRASIL S.A.,
mais informaes www.iesde.com.br

109

Introduo probabilidade e distribuio de probabilidade discretas

4. Frmula Esperana ou Mdia Binominal


E (X) ou = n . p e

Aplicar as frmulas:

= n . p = (10) . (0,1) = 1

(10) . (0,1) . (0,9)

0,9

n . p . q ou

n . p . (p 1)

0,9487

5. Sendo o nmero X interruptores que no so aprovados na inspeo


tem, aproximadamente, distribuio binomial, com n = 10 e p = 0,1.
A probabilidade de, no mximo, um interruptor no ser aprovado :

P(X 1) = P(X = 1) + P(X = 0)

Frmula Distribuio binominal

P (x = k) = n pk . (1 p) n k
k
Aplicando-se a frmula:

= 10 . (0,1)1 . (0,9)9 + 10 . (0,1)0 . (0,9)10 =


0
1
= 10! . (0,1) . (0,3874) + 10! . (1) . (0,38740,3487) =
0! 10!
1! 9!
= (10) . (0,1) . (0,3874) + (1) . (1) . (0, 3487) =

= 0,3874 + 0,3487 = 0,7361

Obs.: nota-se que 0! = 1 e a0= 1 para todo e qualquer nmero a diferente de 0.

110

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Distribuio
de probabilidade contnua

Definio
Distribuies contnuas
Nos histogramas as frequncias, percentagens, propores ou probabilidades so representadas pelas alturas dos retngulos, ou por suas reas. No
caso contnuo, representam-se as probabilidades por reas no por reas
do retngulo mas por reas sob curvas contnuas. Um histograma da distribuio de probabilidade de uma varivel discreta que assume apenas os
valores 0, 1, 2, ... e 10. A probabilidade de a varivel assumir o valor 3, por
exemplo, dada pela rea do retngulo branco. No diagrama abaixo a varivel contnua pode assumir qualquer valor no intervalo de 0 a 10. A probabilidade de a varivel assumir um valor no intervalo de 2,5 a 3,5, por exemplo,
dada pela rea da regio branca sob a curva.

0 1 2 3 4 5 6 7 8 9 10

0 1 2 3 4 5 6 7 8 9 10

Figura 1 Histograma de distribuio de probabilidade e grfico de distribuio contnua.

As curvas contnuas so grficos de funes chamadas de densidade


de probabilidade ou, informalmente, distribuies contnuas. A expresso
densidade de probabilidade tem origem na fsica, em que os termos peso e
densidade so empregados precisamente da mesma forma que usamos os
termos probabilidade e densidade em estatstica. Nas densidades de probabilidade a rea sob a curva entre dois valores quaisquer (a e b) indica a probabilidade de uma varivel aleatria com essa distribuio contnua assumir
um valor no intervalo de a e b.

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

113

Distribuio de probabilidade contnua

Conceitos e regras
A curva em forma de sino:
Supondo um grfico de probabilidade dos nmeros de caras esperados
em 15 jogadas sucessivas de uma moeda. Esta curva em forma de sino, chamada curva normal, a curva mais importante da estatstica.
Grfico 1 Grfico de probabilidades dos nmeros de caras Curva
de Sino
0,25

Probabilidade

0,20
0,15
0,10
0,05
0,00

10 11 12 13 14 15

Nmero de caras

Variveis aleatrias contnuas


Escolha aleatoriamente um nome de catlogo telefnico e mea a altura
(em ps) da pessoa assim selecionada. Se H a altura da pessoa, pode-se
considerar H como uma varivel aleatria. Se relacionar todos os valores possveis de H existem valores que, obviamente, no so possveis. Por exemplo,
H nunca poder ser menos de 0,10m nem mais de 3m. Todavia, no poder
listar todos os valores possveis. A altura pode ser de 1,6m, ou 1,61m, ou
1,600001m. De fato, admitindo-se a possibilidade de se medir a altura com
perfeita preciso (isto , apenas na teoria), h um nmero infinito de valores
possveis para a altura. No se pode utilizar uma varivel aleatria discreta
em um caso como esse, em que o resultado pode ser qualquer nmero de
um determinado intervalo. Deve-se, ao contrrio, utilizar uma varivel aleatria contnua.
114

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Distribuio de probabilidade contnua

Funes de distribuio acumulada contnua


Veja agora como descrever o comportamento de uma varivel aleatria
contnua. H muitas semelhanas entre variveis aleatrias discretas e variveis aleatrias contnuas; mas h tambm algumas diferenas importantes.
Pode-se estimar a probabilidade de a pessoa escolhida da lista telefnica ter
altura inferior a 2m, ou calcular a probabilidade de a pessoa ter altura superior a 10m (que , logicamente, zero). Portanto, para definir uma funo de
distribuio acumulada para uma varivel aleatria contnua, a letra maiscula F representa uma funo de distribuio acumulada.
Frmula 1 Funo de distribuio acumulada
F (a) = Pr (X < a)
Uma funo de distribuio acumulada contnua satisfaz os requisitos:
 F(a) est entre 0 e 1;
 quando a se torna muito grande, F(a) tende para 1;
 quando a se torna muito pequeno (tendendo para -), F(a) tende
para 0;
 F(a) nunca decrescente.
Seguem duas propriedades prticas importantes:
Para determinar a probabilidade de X ser maior do que determinado
valor a.
Frmula 2 Funo da probabilidade de X ser maior do que valor
F (x) > a) = 1 Pr (X < a) = 1 F (a)
Para a probabilidade de X estar entre dois valores dados b e c.
Frmula 3 Funo da probabilidade de X estar entre dois valores
F (b < x < c) = Pr (X < c) Pr (X < b) = F (c) F (b)

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

115

Distribuio de probabilidade contnua

Exemplo de varivel aleatria contnua a varivel uniforme, isto , uma


varivel que tem a mesma probabilidade de tomar qualquer um dos valores
de determinado intervalo. Como exemplo, considerar uma varivel aleatria
Y que tem a mesma chance de tomar qualquer valor entre 0 e 3. Ento, a
probabilidade de Y ser inferior a 1 1/3, a probabilidade de Y estar entre 1 e
1,5 1/6 e assim por diante.

Funes contnuas de densidade de probabilidade


Para determinar a probabilidade de Y ser exatamente igual a 2.
Qualquer nmero de 0 a 3 tem a mesma chance de ser escolhido. Seja,
pois, N o nmero de nmero entre 0 e 3; ento, Pr (Y=2) = 1/N. Mas existem
infinitos nmeros entre 0 e 3 (por exemplo: 0,01; 0,011; 0,01111; etc.).
Esta propriedade vale de modo geral para variveis aleatrias contnuas:
a probabilidade de qualquer varivel aleatria contnua tomar valor especfico zero!

Nmero de pessoas

Para definir uma funo de probabilidade de uma varivel aleatria contnua deve-se lembrar que h uma relao entre a funo de probabilidade
e o diagrama de frequncia. Inicialmente, traar um diagrama de frequncia
para os pesos das pessoas de determinada amostra.
400
300
200
100
40

45

50

55

60

65

70

75

80

85

90

95

100

Pesos

Figura 2 Diagrama de frequncia de peso das pessoas.

Note que a altura de cada barra no representa o nmero de pessoas


cujos pesos esto entre dois valores especificados. Por exemplo, a altura da
barra entre 70 e 75 o nmero de pessoas na amostra cujos pesos esto
entre 70kg e 75kg. A largura de cada barra designada por x ( a letra
maiscula grega delta). (Neste caso, x = 5).

116

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Distribuio de probabilidade contnua

Por analogia, traar o grfico de uma funo tal que sua altura em qualquer intervalo seja igual probabilidade de a varivel aleatria tomar um
valor naquele intervalo. Entretanto, mais conveniente fazer a altura de cada
barra igual probabilidade de estar naquele intervalo, dividida por x (a largura da barra).
Frmula 4 Altura da Barra entre a e a + x
f (a) =

Pr (a < X < a = x)
x

Essa funo uma funo de densidade.


f (x)

f (a)

Figura 3 Representao da funo de densidade.

Considerar agora a probabilidade de X estar entre dois valores a e b.


Somar as alturas de todas as barras de a e b e multiplicar o resultado por
x. Mas como f(x) a altura de cada barra e x a largura, f(x) x a rea da
barra. Por conseguinte, a probabilidade de X estar entre a e b precisamente
igual rea de todas as barras entre a e b. Pr (a < X < b) = rea de todos os
retngulos entre a e b.
f (x)

Pr (a < X < b) = rea colorida


Figura 4 Funo de densidade entre dois valores.


Este material parte integrante do acervo do IESDE BRASIL S.A.,
mais informaes www.iesde.com.br

117

Distribuio de probabilidade contnua

Esta a caracterstica definidora bsica da funo de densidade para uma


varivel aleatria contnua. A rea sob a funo entre dois valores a probabilidade de a varivel aleatria estar entre esses valores. Todavia, para uma
varivel aleatria contnua, o diagrama em barras apenas uma representao aproximada da funo de densidade. Para obter melhor aproximao da
verdadeira natureza da varivel aleatria contnua tornando as barras cada
vez mais estreitas. Quando as barras se apresentam extremamente estreitas,
a funo de densidade se assemelha a uma curva suave.
f (x)

Pr (a < X < b) = rea colorida


Figura 5 Curva da funo de densidade.

Definio: a funo f(x) uma funo de densidade para a varivel aleatria X, se satisfaz a propriedade de que a rea sob a curva y = f(x), esquerda
da reta x = b, direita da reta x = a, e acima do eixo x, igual a Pr (a < X < b)
(recorde que as letras maisculas representam variveis aleatrias, e as letras
minsculas representam variveis comuns).
Sabe-se que, se F(x) a funo de distribuio acumulada, ento
rea sob f(x) de a e b = Pr (a < X < b) = F(b) F(a)
Considerar o intervalo de a + . Sabe-se que F(+) F( < X +),
pois o valor de X deve sempre estar em algum ponto entre e +; no h
escolha. Isso significa que a rea sob f(x) de a + = 1.
Em outras palavras, a rea total sob a funo f(x) deve ser igual a 1. Se f(x)
no tem esta propriedade, ento no pode ser uma funo legtima de densidade de probabilidade. Pode-se mostrar que esta condio satisfeita para
a funo de densidade da varivel uniforme Y.

118

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Distribuio de probabilidade contnua

f (x)

1/3
40

rea = (1/3) (3) = 1


Figura 6 Funo de densidade para varivel aleatria contnua uniforme.

Para calcular a probabilidade de uma varivel aleatria contnua estar


entre dois nmeros, necessrio calcular a rea sob a funo de densidade
entre esses nmeros. O clculo da rea sob uma curva exige uma tcnica chamada integrao. Entretanto, mesmo conhecendo clculo, no se podem
obter frmulas simples para reas sob muitas curvas usadas em estatstica,
tornando-se necessrio recorrer a uma tabela para ach-las.

Distribuio normal
a mais importante distribuio de varivel aleatria contnua; sua funo
de probabilidade tem a forma de um sino que se prolonga indefinidamente em
ambas as direes. Muitas populaes reais seguem a distribuio normal.
Frmula 4 Funo da densidade da curva normal
1
f (x) =
2

1 x
2

Notao
: mdia;
: desvio-padro, a raiz quadrada da varincia. a distncia, a partir da
mdia, a qualquer dos dois pontos de inflexo; a varivel usada para representar valores individuais dos dados;
e: um nmero especial, aproximadamente igual a 2,71828;
: tambm um nmero especial, aproximadamente igual a 3,14159.
Este material parte integrante do acervo do IESDE BRASIL S.A.,
mais informaes www.iesde.com.br

119

Distribuio de probabilidade contnua

Figura 7 Curva da distribuio normal.

Caracterstica importante da distribuio normal, visvel na equao


acima, que ela depende apenas dos dois valores (ou parmetros) e ,
que so, na realidade, a mdia e o desvio-padro. Em outras palavras, h
uma e s uma distribuio normal com uma mdia e um dado desvio-padro .
A figura abaixo mostra diferentes curvas, dependendo daqueles dois
valores. No primeiro caso, veem-se duas curvas normais com mdias diferentes e desvios-padro iguais; a curva direita tem maior mdia. No segundo caso, duas curvas normais com mesma mdia, mas desvios-padro
diferentes; a mais achatada e mais dispersa tem maior desvio-padro. Finalmente, no terceiro, duas curvas normais com mdias e desvios-padro
diferentes.

1.

2.

120

10

20

30

40

10

20

30

40

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Distribuio de probabilidade contnua

3.

10

20

30

40

Figura 8 Trs pares de distribuies normais.

Unidades padronizadas
No trabalho com distribuies normais, interessam apenas as reas sob
suas curvas, as chamadas reas sob a curva normal. Como fisicamente
impossvel e tambm desnecessrio construir tabelas separadas de reas
sob as curvas normais para todos os pares imaginveis de valores de e
, foram tabeladas (apndice n. 2 tabela 1) apenas as reas para a distribuio normal com = 0 e = 1, chamada distribuio normal padronizada. Pode-se obter reas sob qualquer curva normal fazendo a mudana de
escala que transforma as unidades de medida da escala original, ou escala x,
em unidades padronizadas (escala z).
Frmula 5 Transformao para unidades padronizadas
x

z=

+ + 2 + 3
1

z
x

Figura 9 Transformao da escala para unidades padronizadas.

Nesta nova escala (a escala z), um valor de z representa a quantos desvios-padro o valor correspondente de x est da mdia da distribuio de um
lado ou de outro. O apndice n. 2 Tabela 1 no d valores correspondentes
a valores negativos de z, os que so desnecessrios em virtude da simetria
de qualquer curva normal em relao sua mdia.
Este material parte integrante do acervo do IESDE BRASIL S.A.,
mais informaes www.iesde.com.br

121

Distribuio de probabilidade contnua

O problema
Contexto A
Suponha que a fbrica de pneus Fura menos, que produz pneus para automveis de passeio, acabou de desenvolver um novo pneu Roda Mais, que
ser vendido com desconto por meio de uma cadeia nacional de lojas. Como
o pneu um novo produto, os gerentes da Fura menos acreditam que a
garantia de quilometragem oferecida com o pneu ser um fator importante na aceitao do produto. Antes de conclurem a poltica de garantia de
quilometragem, os gerentes da Fura menos desejam informaes de probabilidade sobre o nmero de quilmetros em que os pneus se gastaro.

Explorando o problema
A partir de testes reais com os pneus em situaes em estradas no pavimentadas, o grupo de engenharia estimou a quilometragem mdia do pneu
em = 16.500 quilmetros e o desvio-padro em = 5.000. Alm disso, os
dados coletados indicam que a distribuio normal uma hiptese razovel. Qual a porcentagem dos pneus que apresenta expectativa de durar mais
20.000 quilmetros?

Equacionando o problema
Uma vez que a distribuio de probabilidade tenha sido estabelecida para
uma aplicao em particular, ela pode ser usada rpida e facilmente para
obter a informao de probabilidade sobre o problema. A probabilidade no
faz diretamente uma recomendao de deciso, mas fornece informaes
que auxiliam o tomador de deciso a melhor entender os riscos e incertezas
associados ao problema e, finalmente, essas informaes podem auxili-lo a
tomar uma boa deciso.
Para transformar o x (20.000) em z, tem-se a seguinte condio:
Frmula 6
z=

Passo 1:
Subtrai-se o valor de x (20.000) do valor da mdia = 16.500.
z = 20.000 16.500 = 3.500
122

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Distribuio de probabilidade contnua

Passo 2:
Dividiram-se as sobras dos quilmetros pelo desvio-padro = 2.500.
z=

3.500
5.000

z = 0,70
= 5.000

= 16.500

z = 0 corresponde a
X = = 16.500

20.000

0,70

z = 0,70 corresponde a
X = = 20.000

Figura 10 Distribuio de quilometragem da companhia Ranger.

Passo 3:
Consultar o apndice n. 2 tabela 1.
O valor de x = 20.000 na distribuio normal corresponde a um valor de
z = 0,70 na distribuio normal-padro. Usando o apndice n. 2 - tabela 1,
vemos que a rea entre a mdia e z = 0,7 0,2580.
Tabela 1 Modelo do apndice n. 2 tabela 1, z = 0,70
z

0,00

0,01

0,0
0,1
0,2
0,3
0,4
0,5

0,0000
0,0398
0,0793
0,1179
0,1554
0,1915

0,0040
0,0438
0,0832
0,1217
0,1591
0,1950

0,6
0,7
0,8
0,9

0,2257
0,2580
0,2881
0,3159

0,2291
0,2611
0,2910
0,3186

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

123

Distribuio de probabilidade contnua

Passo 4:
Calcular a probabilidade.
z = 0,5000 0,2580 = 0,2420
Assim: 0,2420 a probabilidade de x exceder 20.000. Podemos concluir
que cerca de 24,20% dos pneus exceder 20.000 na quilometragem.

Contexto B
A Ranger Time est considerando agora uma garantia que fornecer um
desconto na substituio dos pneus se os originais no excederem a quilometragem declarada na garantia. Qual deveria ser a quilometragem de garantia se a Ranger Time no quer mais do que 15% dos pneus qualificados
elegveis para a garantia de desconto?
Para o clculo temos a seguinte condio:
Frmula 6
z=

Passo 1:
Calcular a porcentagem da rea.
% = 50% (metade da tabela) 15% = 35%

Passo 2:
Consultar no apndice n. 2 tabela 1, o valor correspondente.
35% da rea precisa estar entre a mdia e a quilometragem de garantia
desconhecida. Na tabela, 0,3500 corresponde aproximadamente a 1,04 desvios-padres abaixo da mdia. Isto , z = 1,04 o valor da varivel aleatria
normal-padro que corresponde desejada garantia de quilometragem na
distribuio normal da Ranger Time.

124

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Distribuio de probabilidade contnua

0,00

0,01

0,02

0,03

0,04

0,0

0,0000

0,0040

0,0080

0,0120

0,0160

0,1

0,0398

0,0438

0,0478

0,0517

0,0557

0,2

0,0793

0,0832

0,0871

0,0910

0,0948

0,3

0,1179

0,1217

0,1255

0,1293

0,1331

0,4

0,1554

0,1591

0,1628

0,1664

0,1700

0,5

0,1915

0,1950

0,1985

0,2019

0,2054

0,6

0,2257

0,2291

0,2324

0,2357

0,2389

0,7

0,2580

0,2611

0,2642

0,1673

0,2704

0,8

0,2881

0,2910

0,2939

0,2967

0,2995

0,9

0,3159

0,3186

0,3212

0,3228

0,3264

1,0

0,3413

0,3438

0,3461

0,3485

0,3508

Figura 5.13 Modelo do apndice n. 2 tabela 1, z = 1,04.

Passo 3:
Calcular o valor de x.
Para encontrar a quilometragem x correspondendo a z = 1,04
Frmula 7
z=

x
= 1,04

x = 1,04
x = 1,04
Com = 16.500 e = 5.000
x = 16.500 1,04 . 5.000 = 11.300
Assim, uma garantia de 11.300 quilmetros satisfar as exigncias de que
aproximadamente 15% dos pneus sero qualificados para a garantia? Talvez
com essa informao a empresa possa estabelecer sua garantia de quilometragem em 11.000 quilmetros.

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

125

Distribuio de probabilidade contnua

Ampliando seus conhecimentos


A seguir, diversas observaes sobre as caractersticas da distribuio
normal de probabilidade.
H uma famlia inteira de distribuies normais de probabilidade. Elas so
diferenciadas por suas mdias , e desvios-padro .
O ponto mais alto na curva est na mdia, que tambm a mediana
moda da distribuio.
A mdia da distribuio pode ser de qualquer valor numrico: negativo,
zero ou positivo.
A distribuio normal de probabilidade simtrica, em que a forma da
curva esquerda da mdia uma imagem espelhada da forma da curva
direita da mdia. Os extremos da curva estendem-se ao infinito em ambas as
direes e teoricamente nunca tocam o eixo horizontal.
O desvio-padro determina a largura da curva, valores maiores do desvio-padro resultam em curvas mais largas e mais planas, mostrando maior variabilidade nos dados.
A rea total sob a curva para a distribuio normal de probabilidade 1, o
que verdadeiro para todas as distribuies contnuas de probabilidade.
As probabilidades para a varivel aleatria normal so dadas por reas sob a
curva. As porcentagens de valores em alguns intervalos comumente usados so:
 68,26% dos valores de uma varivel aleatria normal esto dentro de um
desvio-padro positivo ou negativo de sua mdia;
 95,44% dos valores de uma varivel aleatria normal esto dentro de
dois desvios-padres positivos ou negativos de sua mdia;
 99,72% dos valores de uma varivel aleatria normal esto dentro de
trs desvios-padres positivos ou negativos de sua mdia.

126

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Distribuio de probabilidade contnua

99,72%
95,44%
68,26%

z
3 2

+2 +3

Figura reas sob a curva para qualquer distribuio normal.

Teorema do limite central


Envolve duas distribuies diferentes: a distribuio da populao original
e a distribuio das mdias amostrais. Muitos problemas importantes e de
ordem prtica podem ser resolvidos com o Teorema do Limite Central.
 Dados
A varivel aleatria x tem distribuio (que pode ser normal, ou no), com
mdia e desvio-padro .
A amostra de tamanho n extrada aleatoriamente dessa populao.
 Concluses
Na medida em que o tamanho da amostra aumenta, a distribuio das
mdias amostrais tende para uma distribuio normal.
A mdia das mdias amostrais ser a mdia populacional .
O desvio-padro das mdias amostrais ser .
n
 Regras prticas de uso comum:
Para amostras de tamanho n > 30, a distribuio das mdias amostrais
pode ser aproximada satisfatoriamente por uma distribuio normal. A aproximao melhora medida que aumenta o tamanho da amostra n.

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

127

Distribuio de probabilidade contnua

Se a prpria distribuio original tem distribuio normal, ento as mdias


amostrais tero distribuio normal para qualquer tamanho amostral n.
Frmula Teorema limite central
z=

Populao I

Populao II

Populao III

Valores de x

Valores de x

Valores de x

Valores de x

Valores de x

Valores de x

Valores de x

Valores de x

Valores de x

Distribuio
Amostral de x
(n = 2)

Distribuio
Amostral de x
(n = 5)

128

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Distribuio de probabilidade contnua

Distribuio
Amostral de x
(n = 30)

Valores de x

Valores de x

Valores de x

Figura Ilustrao do teorema do limite central para trs populaes.

Curiosidade
A Procter & Gamble (P&G) est no negcio de produtos de consumo no
mundo inteiro. A P&G produz e comercializa produtos tais como detergente,
fralda descartvel, produtos farmacuticos, dentifrcio, sabo em barra, colutrio e toalha de papel. Ela detm a marca lder em mais categorias do que
qualquer outra empresa de produtos de consumo.
Lder tambm na aplicao de mtodos estatsticos para a tomada de
deciso, a P&G emprega pessoas com formao acadmica: engenharia, estatstica, pesquisa operacional e administrativa. As principais tecnologias
quantitativas para as quais esses profissionais fornecem suporte so: deciso
probabilstica e anlise de risco, simulao avanada, melhoria da qualidade
e mtodos quantitativos (programao linear, anlise de regresso, anlise de
probabilidade).
A Diviso Industrial de Produtos Qumicos da P&G o principal fornecedor
de lcoois graxos derivados de substncias naturais, tais como leo de coco
e derivados do petrleo. A diviso queria avaliar os riscos econmicos e as
oportunidades de expandir suas instalaes de produo de lcoois graxos,
e os peritos da P&G em deciso probabilstica e anlise de risco foram chamados para auxiliar. Depois de estruturarem e esquematizarem o problema,
eles determinaram que a chave da lucratividade e a diferena de custo entre
as matrias-primas baseadas no petrleo e no leo coco. Os custos futuros
eram desconhecidos, mas os analistas foram capazes de represent-los com
as seguintes variveis aleatrias contnuas.
Este material parte integrante do acervo do IESDE BRASIL S.A.,
mais informaes www.iesde.com.br

129

Distribuio de probabilidade contnua

x = preo do leo de coco litro de lcool graxo


y = preo da matria-prima do petrleo por quilo de lcool graxo
Devido chave da lucratividade ser a diferena entre essas duas variveis
aleatrias, uma terceira varivel aleatria d = x y foi usada na anlise. Os
peritos foram entrevistados para determinar a distribuio de probabilidade
para x e para y. Essa informao foi usada para desenvolver uma distribuio
contnua de probabilidade para a diferena d.
A distribuio contnua de probabilidade mostrou 0,90 de que a diferena
de preo seria de US$0,0655 ou menos, e uma probabilidade de 0,50 de que
a diferena de preo seria de US$0,035 ou menos. Alm disso, havia somente
uma probabilidade de 0,10 de que a diferena de preo seria de US$0,0045
ou menos. Obs.: As diferenas de preo foram feitas para proteger dados do
proprietrio.
A Diviso Industrial de Produtos Qumicos considerou que, sendo possvel quantificar o impacto das diferenas do preo da matria-prima, teria
a chave para atingir um consenso. As probabilidades obtidas foram usadas
em uma anlise de sensibilidade da diferena no preo da matria-prima. A
anlise produziu subsdios suficientes para embasar uma recomendao
administrao.
O uso de variveis aleatrias contnuas e suas distribuies de probabilidade foram teis P&G para analisar os riscos econmicos associados a sua
produo de lcoois graxos.

130

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Distribuio de probabilidade contnua

Atividades de aplicao
1. Ache a rea sob a curva normal padronizada:
a) esquerda de z = 0,90
b) direita de z = 1,35
c) entre z = 0,62 e z = 1,02
2. Se uma varivel aleatria tem distribuio normal com = 5 e = 5,
qual a probabilidade de ela assumir um valor no intervalo de 6 a 9?
3. Constatou-se que os pesos de uma cidade de 15 000 habitantes tm
distribuio normal com mdia = 65 quilos, e desvio-padro de 5
quilos. Quantas pessoas tm peso entre 65kg e 75kg?
4. Selecionado aleatoriamente um termmetro de uma amostra, determine a probabilidade de acusar uma leitura entre + 1,30 e 2,20:
5. O adulto mdio tem 1,70m de altura. Assuma que o desvio-padro
seja de 0,1m ao responder a seguinte questo. Qual a probabilidade
de que um homem adulto tenha entre 1,75m e 1,80m?

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

131

Distribuio de probabilidade contnua

Apndice n. 1 Tabela 1: reas sob a curva normal


Distribuio normal

0
z

132

0,00

0,01

Os valores da tabela 1 so as probalidades de uma varivel aleatria com


distribuio normal padronizada tomar
um valor entre 0 e z; so dadas pela rea
sombreada entre 0 e z sob a curva na figura ao lado.

z
0,02

0,03

0,04

0,05

0,06

0,07

0,08

0,09

0,0

0,0000 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359

0,1

0,0398 0,4038 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0753

0,2

0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141

0,3

0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406 0,1443 0,1480 0,1517

0,4

0,1554 0,1591 0,1628 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879

0,5

0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224

0,6

0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2517 0,2549

0,7

0,2580 0,2611 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 0,2852

0,8

0,2881 0,2910 0,2939 0,2967 0,2995 0,3023 0,3051 0,3078 0,3106 0,3133

0,9

0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315 0,3340 0,3365 0,3389

1,0

0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621

1,1

0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770 0,3790 0,3810 0,3830

1,2

0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997 0,4015

1,3

0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131 0,4147 0,4162 0,4177

1,4

0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279 0,4292 0,4306 0,4319

1,5

0,4332 0,4345 0,4357 0,4370 0,4382 0,4394 0,4406 0,4418 0,4429 0,4441

1,6

0,4452 0,4463 0,4474 0,4484 0,4495 0,4505 0,4515 0,4525 0,4535 0,4545

1,7

0,4554 0,4564 0,4573 0,4582 0,4591 0,4599 0,4608 0,4616 0,4625 0,4633

1,8

0,4641 0,4649 0,4656 0,4664 0,4671 0,4678 0,4686 0,4693 0,4699 0,4706

1,9

0,4713 0,4719 0,4726 0,4732 0,4738 0,4744 0,4750 0,4756 0,4761 0,4767

2,0

0,4772 0,4778 0,4783 0,4788 0,4793 0,4798 0,4803 0,4808 0,4812 0,4817
Este material parte integrante do acervo do IESDE BRASIL S.A.,
mais informaes www.iesde.com.br

Distribuio de probabilidade contnua

2,1

0,4821 0,4826 0,4830 0,4834 0,4838 0,4842 0,4846 0,4850 0,4854 0,4857

2,2

0,4861 0,4864 0,4868 0,4871 0,4875 0,4878 0,4881 0,4884 0,4887 0,4890

2,3

0,4893 0,4896 0,4898 0,4901 0,4904 0,4906 0,4909 0,4911 0,4913 0,4916

2,4

0,4918 0,4920 0,4922 0,4925 0,4927 0,4929 0,4931 0,4932 0,4934 0,4936

2,5

0,4938 0,4940 0,4941 0,4943 0,4945 0,4946 0,4948 0,4949 0,4951 0,4952

2,6

0,4953 0,4955 0,4956 0,4957 0,4959 0,4960 0,4961 0,4962 0,4963 0,4964

2,7

0,4965 0,4966 0,4967 0,4968 0,4969 0,4970 0,4971 0,4972 0,4973 0,4974

2,8

0,4974 0,4975 0,4976 0,4977 0,4977 0,4978 0,4979 0,4979 0,4980 0,4981

2,9

0,4981 0,4982 0,4982 0,4983 0,4984 0,4984 0,4985 0,4985 0,4986 0,4986

3,0

0,4987 0,4987 0,4987 0,4988 0,4988 0,4989 0,4989 0,4989 0,4990 0,4990

Gabarito
1.
a) a rea esquerda de z = 0,90 igual a 0,5000 mais o valor da Tabela
1 correspondente a z = 0,90, ou 0,5000 + 0,3159 = 0,8159
b) a rea direita de z = 1,35 0,5000 menos o valor da Tabela 1 correspondente a 1,35, ou 0,5000 0,4115 = 0,0885
c) a rea entre z = 0,62 e z = 1,02 a diferena entre os valores da
Tabela 1 correspondente a z = 0,62 e z = 1,02, ou 0,3461 0,2324
= 0,1137
2. Transformando x = 6 e x = 9 em unidades padronizadas, vem

z = 6 5 = 0,20
5

z = 9 5 = 0,80
5

E como os valores correspondentes na Tabela 1 so 0,0793 e 0,2881, a


probabilidade procurada 0,2881 0,0793 = 0,2088 ou 20,88%

3. Transformando x = 65 e x = 75 em unidades padronizadas


z = 65 65 = 0,00
5

z = 75 65 = 2,00
5

E como os valores correspondentes na Tabela 1 so 0,0000 e 0,4772, a


probabilidade procurada 0,4772 0,0000 = 0,4772 ou 47,72 %

Para conhecer a quantidade de pessoas 15.000 0,4772 = 7.158

7 158 pessoas pesam entre 65kg e 75kg.

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

133

Distribuio de probabilidade contnua

4. Na Tabela 1 z = 1,30 corresponde a uma rea de 0,4032, e que z = 2,30


corresponde a uma rea de 0,4893 ou 0,4893 0,4032 = 0,0861 ou
8,61%
5. Transformando x = 1,75 e x = 1,80 em unidades padronizadas

134

z = 1,75 1,70 = 0,50


0,1

z = 1,80 1,70 = 1,00


0,1

E como os valores correspondentes na Tabela 1 so 0,1915 e 0,3413, a


probabilidade procurada 0,3413 0,1915 = 0,1498 ou 14,98%

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Referncias

Referncias
ANDERSON, D. R. et al. Estatstica Aplicada Administrao e Economia.
So Paulo: Pioneira, 2000.
COSTA NETO, P. L. de O. Estatstica. So Paulo: Edgard, Blucher, 1977.
CRESPO, A. A. Estatstica Fcil. So Paulo: Saraiva, 1987.
DOWNING, D. Estatstica Aplicada. Traduo de: FARIAS, A. A. So Paulo:
Saraiva, 2002.
FEUND, J. E.; SIMON, G. A. Estatstica Aplicada Economia, Administrao e
Contabilidade. Porto Alegre: Bookman, 2000.
GUIMARES, R. C.; CABRAL, J. A. S. Estatstica. Portugal: McGraw-Hill de
Portugal, 1998.
MOORE, D. A Estatstica Bsica e sua Prtica. Rio de Janeiro: LTC, 2000.
MORETTIN, L. G. Estatstica Bsica. So Paulo: LCTE, 1983.
PAIVA, A. F. Estatstica. Minas Gerais: UFMG. vol 1.
SMAILES, J. Estatstica Aplicada Administrao com Excel. So Paulo:
Atlas, 2007.
SPIEGEL, M. R. Estatstica. So Paulo: McGraw-Hill do Brasil, 1985.
_____. Estatstica. 2. ed. So Paulo: McGraw-Hill, 1984.
STEVENSON, W. J. Estatstica Aplicada Administrao. So Paulo: Harbra,
1986.
_____. Estatstica Aplicada Administrao. So Paulo: Harper & Row do
Brasil, 1981.
TRIOLA, M. F. Introduo Estatstica. Rio de Janeiro: LTC, 1999.
Consulta online
<www.ibge.gov.br/home/disseminacao/eventos/missao/instituicao.shtm.>.
<www.ufrrj.br/instituto/it/de/acidentes/etanol5.html>.
Este material parte integrante do acervo do IESDE BRASIL S.A.,
mais informaes www.iesde.com.br

137

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Este material parte integrante do acervo do IESDE BRASIL S.A.,


mais informaes www.iesde.com.br

Mtodos Quantitativos Estatsticos

Mtodos
Quantitativos
Estatsticos

Mtodos
Quantitativos
Estatsticos

Denise Maria Martins


Este material parte integrante do acervo do IESDE BRASIL S.A.,
mais informaes www.iesde.com.br