IP 2015.1 Completo

UNIVERSIDADE FEDERAL DE CAMPINA GRANDE - Campus de Campina Grande
UNIDADE ACADMICA DE ESTATSTICA

Disciplina: Introduo Probabilidade (4 crditos)
Perodo: 2015.1
Professor(a):
Aluno(a):
ESTATSTICA DESCRITIVA
Conceitos Preliminares
1.1
A Cincia Estatstica
O conceito de Estatstica pode ser considerado de duas maneiras. O primeiro conceito,

logo relaciona a Estatstica com tabelas e grficos nos quais os dados obtidos so representados, ou melhor, relaciona nmeros especficos. Ouvimos, assim, falar em estatsticas
do IBGE, estatsticas relacionadas sade e educao, ndices econmicos, pesquisas de
opinio, etc. Um segundo conceito refere-se ao conjunto de processos ou tcnicas empregadas na investigao e anlise de fenmenos. Neste caso, a Estatstica a cincia
ou mtodo cientfico que estuda os fenmenos aleatrios e, procura inferir as leis que os
mesmos obedecem. Assim, um conceito mais abrangente e absoluto deve englobar tanto o
primeiro conceito, o qual o mais popular, quanto o segundo, o qual normalmente escapa
noo corrente.
Definio 1.1 (Estatstica). A Estatstica uma cincia que se preocupa com a
coleta, organizao, descrio, anlise e interpretao dos dados, a fim de extrair informaes a respeito de uma populao.
Dentro dessa idia, podemos considerar a Cincia Estatstica como dividida basicamente em duas partes:
1. Estatstica Descritiva - que se preocupa com a organizao e descrio dos dados
experimentais;
2. Estatstica Inferencial - que, a partir da observao de alguns dados experimentais,
realiza a anlise e interpretao de dados com o objetivo de generalizar e prever
resultados, utilizando-se para isto da Teoria das Probabilidades.
Nesta disciplina, sero abordados tpicos referentes estatstica descritiva, conceitos
fundamentais de probabilidade e os modelos probabilsticos mais importantes para o estudo
da inferncia estatstica.
(Desenhar figura representando uma viso sistmica da estatstica)
1.2
Populao e Amostra
Definio 1.2 (Populao). A populao um conjunto de todos os elementos

(pessoas, objetos, etc) que possuem pelo menos uma caracterstica em comum, a(s)
qual(is) os relacionam ao problema que est sendo estudado.
Exemplo 1: Se o problema a ser pesquisado est relacionado com a qualidade de
um certo produto produzido numa indstria, a populao pode ser composta por todas as
peas produzidas numa determinada hora, turno, dia ou ms, dependendo dos objetivos.
Exemplo 2: Se o objetivo de um estudo pesquisar o nvel de renda familiar de uma

certa cidade, a populao seria todas as famlias desta cidade. Mas, se o objetivo fosse
pesquisar apenas a renda mensal do chefe da famlia, a populao a ser pesquisada seria
composta por todos os chefes de famlia desta cidade.
A Populao pode ser:
1. Finita - Quando o nmero de unidades de observao pode ser contado e limitado;
2. Infinita - Quando a quantidade de unidades de observao ilimitada;
Podemos citar como exemplo de populao finita o conjunto formado pelos alunos
que cursam a disciplina de estatstica num determinado semestre da UFCG. Um exemplo de
populao infinita seria o conjunto formado por todos os alunos de estatstica do Brasil,
pois este conjunto composto por um nmero incontvel de elementos.
Definio 1.3 (Amostra). A amostra apenas uma parte da populao, ou seja,
qualquer subconjunto no vazio da populao.
Vrios motivos levam a necessidade de se observar apenas uma parte da populao,
como, por exemplo: a falta de tempo, recursos financeiros e/ou humanos. A amostra deve
ser obtida atravs de tcnicas de amostragem, as quais tem como objetivo principal
garantir a representatividade da populao, ou seja, fazer com que a amostra seja um
retrato fiel da populao.
Exemplos de amostra podem ser conjuntos formados por apenas uma parte dos elementos populacionais descritos nos Exemplos 1 e 2.
1.3
Variveis (ou Dados)
Definio 1.4 (Varivel). Uma Varivel nada mais que uma caracterstica (ou
dado) associada a cada elemento da populao ou da amostra. A varivel apresenta
diferentes valores, quando sujeita a mensuraes sucessivas, e, em geral, denotada
pelas letras maisculas do nosso alfabeto.
2
Antes de realizar qualquer tratamento estatstico de um conjunto de dados, importante identificar qual o tipo de dado (ou varivel) que ser analisado, pois, mediante
a este conhecimento que o pesquisador poder ou no adotar determinadas tcnicas estatsticas para a resoluo de problemas. Por exemplo, ser que possvel calcular o peso
mdio de lutadores de boxe, quando os dados so coletados segundo a categoria de peso:
Leve, Mdio ou Pesado?
1.4
Tipos de Variveis
Basicamente, as variveis podem ser classificadas como sendo Qualitativas ou Quantitativas.

1. Variveis Qualitativas - quando os valores que elas podem receber so referentes
qualidade, atributo ou categoria. Exemplos so:
Raa: podendo assumir os valores Branco ou Negro;
Sexo: Masculino ou Feminino;
Escolaridade: 1 grau completo, 2 grau completo, superior, ps-graduado;
Conceito de qualidade: pssima qualidade, regular ou boa qualidade.
As variveis qualitativas podem, ainda, ser classificadas como: Nominais ou Ordinais.
(a) Variveis qualitativas nominais - So caracterizadas por dados que se apresentam apenas sob o aspecto qualitativo. Por exemplo: raa e sexo.
(b) Variveis qualitativas ordinais - So caracterizadas por categorias que apresentam uma ordenao natural. Por exemplo: escolaridade e conceito de
qualidade.
2. Variveis Quantitativas - Quando os valores que ela pode assumir so numricos,
os quais podem ser obtidos atravs de uma contagem ou mensurao.
As variveis quantitativas podem ser classificadas de acordo com o processo de obteno; podendo ser: Discreta ou Contnua.
(a) Variveis quantitativas discretas - So variveis numricas obtidas a partir
de procedimento de contagem. Por exemplo: Quantidade de pessoas numa
famlia, quantidade de acidentes numa indstria, etc.
(b) Variveis quantitativas contnuas - So variveis numricas cujos valores
so obtidos por um procedimento de mensurao, podendo assumir quaisquer
valores num intervalo dos nmeros reais. Por exemplo: temperatura, altura,
salrio, etc..
Observao: O fato de uma varivel poder ser expressa por nmeros no significa
que ela seja necessariamente quantitativa, por que a classificao da varivel depende de
como foi medida. Por exemplo, para a varivel peso de um lutador de boxe, se for anotado
o peso marcado na balana, a varivel quantitativa contnua; por outro lado, se esse peso
for classificado segundo as categorias do boxe, a varivel qualitativa ordinal.
1.5
Fases do Mtodo Estatstico
Assim como qualquer cincia, a estatstica utiliza o mtodo cientfico, que consiste das
cinco etapas bsicas seguintes:
1. Definir cuidadosamente o problema.
Nesta etapa o pesquisador deve certificar-se de que clara a finalidade de um estudo
ou anlise. Ao definir o que se quer estudar, ou seja, o problema, necessrio que se
faa um levantamento sobre quais estudos j foram realizados no campo de pesquisa
abordado. Deve-se tambm especificar quem ou o qu ser observado no estudo, ou
seja, a populao a ser pesquisada.
2. Formular um plano para a coleta dos dados adequados.
Nesta fase, o pesquisador dever listar as variveis (caractersticas ou dados) que
sejam relevantes para se atingir os objetivos propostos pela pesquisa. Alm disso,
deve-se decidir se a coleta dos dados ser realizada atravs de um censo ou amostragem, ou seja, se todos os elementos da populao sero observados ou se apenas
uma parte da populao que ser observada e neste ltimo caso deve-se decidir por
alguma tcnica de amostragem, podendo ser probabilstica ou no.
Os dados podem ser classificados quanto forma de coleta, como:
(a) Dados primrios - Quando o prprio pesquisador quem elabora e aplica os
instrumentos necessrios para a coleta dos dados, ou seja, quando a Coleta
Direta;
(b) Dados secundrios - Quando o pesquisador utiliza informaes j colhidas por
outrem, retirando-as de livros, revistas, mapas anurios, etc.
3. Coligir ou apurar os dados.
Esta fase consiste em resumir os dados, atravs de sua contagem e agrupamento.
possvel que nesta fase seja identificado a presena de dados absurdos fazendo-se
necessrio a eliminao ou correo destes tipos de dados.
4. Analisar e interpretar os dados.
5. Relatar as concluses de maneira que sejam facilmente entendidas por quem as for
usar na tomada de decises.
1a LISTA DE EXERCCIOS
1 - Defina e/ou explique com suas prprias palavras, o que voc entende por Cincia
Estatstica e quais os principais ramos (partes) da Estatstica.
2 - Atravs de um exemplo, defina: Populao e Amostra.
3 - O que voc entende por varivel? Justifique a sua resposta por intermdio de um
exemplo.
4 - Como voc diferencia uma varivel discreta de uma varivel contnua? Utilize um
exemplo para melhor ilustrar.
5 - Defina e/ou explique com suas prprias palavras, o que voc entende por amostragem.
6 - Qual o principal objetivo de qualquer plano de amostragem?
7 - As estatsticas geradas por intermdio de uma amostra devem ser representativas
desta amostra ou da populao de origem? Justifique a sua resposta.
8 - Para que uma amostra seja representativa, necessrio apenas que a mesma tenha
um tamanho apropriado? Justifique a sua resposta.
9 - Classifique cada uma das informaes (variveis) abaixo, de acordo com os tipos de
variveis.
a) Nome
b) Nvel de satisfao
c) Idade
d) Nmero de dias hospedado numa pousada
Anlise Exploratria de Dados
2.1
Introduo
A estatstica pode ser considerada como um instrumento ou um conjunto de mtodos

matemticos que devem ser utilizados quando se pretende transformar dados em informao.
Para ilustrar este processo, veja a Figura 1:
12
15
18
17
15
12
15
19
18
18
18
20
Mdia
Moda
Mediana
Proporo
Quantis
Conjunto de dados
Conjunto de informaes
Figura 1:
No primeiro retngulo, tem-se um conjunto de observaes da varivel idade de um

grupo de 12 pessoas e, no segundo retngulo, as estatsticas (informaes) que podem
representar esses nmeros.
2.2
Organizao de Dados: Tabelas e Grficos
2.2.1
Distribuio de Frequncias
O primeiro passo para se resumir um conjunto de dados orden-los em ordem crescente ou decrescente, e proceder a contagem do nmero de ocorrncia (frequncia) de cada
dado. ordenao dos dados denominamos de Rol. Assim, o rol para o conjunto de dados
da Figura 1 fica:
Rol de dados: (Organize!)
Desta maneira, fica fcil verificar a frequncia com que cada um dos dados foi observado, por exemplo: o valor 12 ocorreu 2 vezes; o valor 15 ocorreu 3 vezes, e assim por
diante.
Uma maneira adequada de apresentar os dados e suas respectivas frequncias atravs
de uma Tabela de Frequncias, a qual constituda por uma coluna referente aos
dados e outra referente s frequncias absolutas associadas a cada valor observado
(ni ). Veja como fica para o conjunto de dados da Figura 1:
Tabela 1: Tabela de Frequncias da varivel

idade, para um grupo de 12 pessoas.
Idade
Frequncia (ni )
12
15
17
18
19
20
Total de observaes (n)
Fonte: Figura 1
Uma medida bastante til na interpretao de tabelas de frequncias a frequncia
relativa (fi ), a qual dada pela razo entre a frequncia do i-simo valor observado, ni , e
o total de dados observados, n. Pode-se, ainda, representar a frequncia relativa em termos
de porcentagem, bastando para isso multiplicar a frequncia relativa fi por 100.
Para alguns tipos de variveis, tais como a qualitativa ordinal e as quantitativas (discreta ou contnua), pode ser til tambm, a informao de quantas observaes apresentam
valores menores ou iguais a um certo valor fixado. Este tipo de informao denominado
de frequncia absoluta acumulada, Ni , a qual tambm pode ser expressa em termos
relativos ou por porcentagens (Fi ).
Vejamos, agora, como fica a tabela de frequncias anterior com estas informaes
adicionadas:
Tabela 2: Tabela de Frequncias da varivel
idade, para um grupo de 12 pessoas.
Idade
ni
fi
fi 100 (%)
Fi (%)
12
2
15
3
17
1
18
4
19
1
20
1
Total (n) 12
Fonte: Figura 1
Observao: Ao conjunto de todos os pares de valores, referentes a cada dado observado e sua respectiva frequncia, denominamos de Distribuio de Frequncias. Desta
forma, os pares (12, 2), (15, 3), (17, 1), (18, 4), (19, 1) e (20, 1) representam a distribuio
de frequncias da varivel idade para esse grupo de pessoas.
Exerccio: Construa uma Tabela de Frequncias para a varivel OpTV, referente

aos alunos matriculados na disciplina Introduo Probabilidade - Turma
, neste
semestre.
2.2.2
Representao Grfica
Uma representao grfica da distribuio de frequncias de uma varivel tem a vantagem

de, numa maneira rpida e concisa, informar sobre a variabilidade da mesma.
Grfico de Colunas - mais adequado para variveis discretas mas tambm pode ser
utilizado para variveis qualitativas ordinais, ou ainda, para variveis qualitativas nominais
cujos nomes das categorias so pequenos. Neste grfico, cada valor observado representado por retngulos de mesma base e alturas proporcionais s frequncias. Para ilustrar,
veja como fica este grfico para a distribuio de frequncias da varivel idade, utilizando
a frequncia absoluta e relativa em termos de porcentagem:
Grfico de Pizza ou de Setores - adequado para representar variveis discretas

desde que no assumam uma quantidade muito grande de valores. adequado tambm para
variveis qualitativas nominais. Este grfico caracterizado por um crculo de raio arbitrrio
representando a frequncia absoluta ou percentual total de dados. O crculo por sua vez
dividido em setores(fatias) que correspondem, proporcionalmente, s frequncias com que
as categorias da varivel em estudo ocorrem. O clculo do ngulo, 0 , correspondente a
uma fatia do grfico de pizza, feito atravs da seguinte frmula:
0 = fi 3600 ,
obtida a partir de uma simples regra de trs.
8
Exerccio: Construa um Grfico de Pizza para representar distribuio de frequncias

da varivel OpTV, referente aos alunos matriculados na disciplina Introduo Probabili, neste semestre.
dade - Turma
Exerccio de Fixao
1 - O seguinte conjunto de dados referente ao nmero de acidentes por dia em certo
trecho de rodovia no ms de setembro de certo ano:
2
1
0
0
2
1
1
2
0
2
1
2
3
2
1
1
0
2
6
1
4
1
4
1
0
2
1
0
3
1
Responda as seguintes questes:

a) Qual o nmero mnimo de acidentes, num certo dia? E o nmero mximo?
Resp.: 0 e 6
b) Frequntemente, ocorreram quantos acidentes por dia? E o que isso representa
em termos de percentuais? Resp.: 1 e 36,7%
c) Represente graficamente a distribuio de frequncia da varivel nmero de
acidentes por dia, no ms de setembro.
2.2.3
Distribuio de Frequncias para Dados Agrupados em Classes
Em algumas situaes, necessrio o agrupamento de dados em categorias ou classes

para se proceder a construo de uma tabela de frequncias. Por exemplo, em um conjunto
de dados contnuos, um mesmo valor no ocorrer com grande frequncia, ou at mesmo,
no se repetir por mais de uma vez. Uma vantagem em agrupar os dados em classes
consiste na organizao de grandes conjuntos de dados de forma mais clara e objetiva.
Por outro lado, uma desvantagem, consiste na perda de informaes por no se saber
exatamente quais os valores ocorridos dentro de cada classe.
Para ilustrar como proceder a construo de uma tabela de frequncias em classes,
considere o seguinte conjunto de dados:
Tabela 2: Dados referentes s notas no 1o estgio de 20 estudantes de estatstica.
Cdigo do aluno 1
Nota
7,5
Cdigo do aluno 11
Nota
7,5
2
8,0
12
7,0
3
9,0
13
8,5
4
7,3
14
6,8
5
6,0
15
9,5
6
5,8
16
9,8
7
10,0
17
10,0
8
3,5
18
4,8
9
10
4,0 6,0
19 20
5,5 7,0
Note que, no haver vantagem alguma se organizarmos estes dados numa tabela de
frequncias, uma vez que os dados pouco se repetem. Assim, torna-se til o agrupamento
dos dados, que, de um modo geral, pode ser feito de acordo com os seguintes passos:
1. Organizar os dados num Rol.
2. Estabelecer o Nmero de Intervalos (categorias ou classes) para se dividir o conjunto de dados.
A escolha do nmero de classes arbitrria e pode ser estabelecida de acordo com
o bom senso do pesquisador ou obtido por alguma frmula matemtica construda
para este fim. Uma sugesto prtica a escolha entre 5 e 15 classes com a mesma
amplitude. Duas frmulas matemticas que podem orientar na escolha do nmero de
classes so:
(a) k = 5, se n 25, ou k = n, se n > 25

(b) k = 1 + 3, 3 log10 (n)
Onde k o nmero de classes e n o nmero total de observaes.
3. Calcular a Amplitude Total:
AT ot = xmax xmin ,
onde xmax o valor mximo e xmin o valor mnimo observado no conjunto de dados.
4. Determinar a Amplitude de Classe:
h=
10
AT ot
k
5. A partir do menor valor observado no conjunto de dados, ou de algum valor imediatamente inferior e adequadamente escolhido, delimitar as classes, ou seja, determinar
os limites inferiores e superiores de cada classe.
Neste momento, os seguintes smbolos so teis:
(a) li | Li - para indicar que o valor extremo inferior (li ) no pertence
i-sima classe, enquanto que o valor extremo superior (Li ) pertence.
(b) li | Li - para indicar que o valor extremo inferior (li ) pertence i-sima
classe, enquanto que o valor extremo superior (Li ) no pertence.
6. Aps todos estes passos, s resta proceder a contagem do nmero de observaes
pertencentes cada uma das classes e organizar estas informaes numa tabela de
frequncias para dados agrupados.
De acordo com estes passos, o conjunto de dados anterior pode ser organizado como:
(Construir a tabela de frequncias para dados agrupados)
2.2.4
Representao Grfica para Dados Agrupados em Classes (Histograma)
Para a representao grfica de variveis quantitativas contnuas necessrio alguma adaptao do grfico de colunas, uma vez que, em geral, necessrio agrupar os dados em
classes e, consequentemente, h perda de informaes.
Histograma - um grfico indicado para representar dados agrupados em classes.
Este grfico uma adaptao do grfico de colunas, onde as bases correspondem aos
intervalos de classe e as alturas so proporcionais s frequncias (absolutas ou relativas) de
classe. Veja como fica o histograma para a distribuio das notas:
(Construir o histograma para a distribuio de frequncias em classes)
11
2.2.5
Distribuio de Frequncias com Amplitude de Classes Desiguais
Em algum momento o prezado leitor poder ter a necessidade de construir uma distribuio de frequncias em classe com amplitudes desiguais. Em tal situao recomendvel
substituir as frequncias absolutas pelo que chamamos de densidades de frequncias
absolutas, dia , calculadas da seguinte forma:
dia =
ni
,
hi
em que hi a amplitude da i-sima classe, dada por Li li .

Semelhantemente, tal distribuio tambm pode ser feita utilizando a densidade de
frequncia relativa, dir , calculada de maneira anloga densidade de frequncia absoluta,
trocando-se apenas o valor de ni pelo valor de fi , ou seja:
dir =
fi
.
hi
Exerccio:: Construa um histograma para representar a distribuio de frequncias a

seguir.
Varivel Frequncia Absoluta (ni )
10| 20
13
20| 30
17
30| 50
20
50| 100
25
T OT AL
75
12
Exerccios de Fixao
1 - Segue abaixo os dados da varivel taxa de mortalidade infantil de 34 municpios:
32,3
18,0
23,7
22,7
62,2
22,6
13,9
29,9
10,3
20,3
36,3
18,3
22,0
38,3
32,9
33,0
13,1
19,6
29,7
9,9 11,9 20,0 36,4 23,5

27,2 28,9 18,4 27,3 21,7
25,4 23,8 15,7 17,0 39,2
Obtenha uma distribuio de frequncias com 7 classes, comeando do valor 0 (incluso) e com amplitudes de classe iguais a 10. Apresente alguns comentrios sobre a
taxa de mortalidade infantil dos 34 municpios.
2 - Em uma pesquisa foram anotados os tempos decorridos entre a incidncia de uma
certa doena e sua cura, em 50 pacientes. Estes tempos so os seguintes, em horas:
21
47
41
41
16
44
96
84
10
35
27 323 99 90 20
127 74 82 92 69
02 61 35 74 02
24 24 80 87 40
114 120 67 37 126
66 39 16
43 33 12
83 03 13
14 82 58
31 56 04
Construa um histograma e comente sobre alguns aspectos relevantes desta distribuio.
13
2.3
Medidas Resumo para Variveis Quantitativas
2.3.1
Medidas de Tendncia Central
Nesta seo veremos algumas medidas que tem como objetivo resumir um conjunto
de dados em um nico valor o qual possa fornecer informaes sobre o comportamento dos
dados, ou seja, sobre a distribuio de frequncias da varivel.
As medidas de tendncia central so bastante utilizadas e representam o centro ou o
meio de um conjunto de dados. As principais so: a mediana, a moda e a mdia aritmtica.
A seguir, estas medidas so definidas e obtidas para os dois seguintes conjuntos de
dados que representam o nmero de gols registrados em cada partida de futebol, durante
5 e 6 jogos, respectivamente:
Conjunto de dados 1: Nmero de gols por partida de futebol, em 5 jogos.
3
Conjunto de dados 2: Nmero de gols por partida de futebol, em 6 jogos.

5
1. Mediana - o valor que divide o conjunto de dados ordenados em duas partes

iguais, ou seja, 50% das unidades observadas possuem valores menores ou iguais ao
valor mediano e as demais 50% possuem valores acima da mediana.
Para se obter o valor da mediana necessrio seguir os seguintes passos:
1 ) Ordenar o conjunto de dados em ordem crescente (ou descrescente);
2 ) Identificar a posio central do conjunto de dados, ou seja, a posio onde
se encontra o valor da mediana. Esta(s) posio(es) pode(m) ser verificada(s)
utilizando-se as seguintes frmulas:
(a) PM d = n+1
, se o total de observaes, n, mpar. Assim, a mediana ser
2
o valor observado na posio PM d ;
(b) P1M d = n2 e P2M d = n2 + 1, se o total de observaes, n, par. Pois, neste
caso, existem duas posies centrais e a mediana ser a mdia aritmtica dos
valores observados nestas duas posies.
Notao: M d ou M d(X).
Exemplo 1: A partir do conjunto de dados 1, pode-se obter o seguinte rol de dados:

1
2
|{z}
mediana
14
Note que, o nmero de observaes, n = 5, mpar, logo o valor da mediana (valor

= 5+1
= 3, que igual a M d = 2.
central) est na posio PM d = n+1
2
2
Exemplo 2: Ordenando em ordem crescente o conjunto de dados 2, teremos o
seguinte rol de dados:
1
2|{z}3
dois
valores
centrais
Agora, neste caso, o nmero de observaes, n = 6, par, e, portanto, existem dois

valores centrais localizados nas posies P1M d = n2 = 62 = 3 e P2M d = n2 + 1 =
3 + 1 = 4. Assim, a mediana ser a mdia aritmtica dos valores que se encontram
nestas duas posies, dada por:
Md =
xP1M d + xP2M d
2+3
=
= 2, 5.
2
2
2. Moda - o valor (ou os valores) no conjunto de dados que ocorre(m) com maior
frequncia, se existir(em).
Notao: Mo ou Mo (X).
Exemplo 3: O primeiro conjunto de dados, 1 2 2 3 5, dito ser unimodal,
tendo em vista que um nico valor ocorre com maior frequncia. Assim, a moda
Mo = 2.
Exemplo 4: O segundo conjunto de dados, 1 2 2 3 5 5, dito ser bimodal,
tendo em vista que, neste caso, dois valores ocorrem com maior frequncia, assim,
os valores modais so: Mo = 2 e Mo = 5.
Outros Exemplos: - Classifique os conjuntos de dados a seguir com relao moda:

a) 2
11
b) 2
11
c) 2
d) 2
e) -1
17
15
17
17
9
4
3. Mdia Aritmtica (Mdia) - obtida a partir da razo entre a soma dos valores
observados e o total de observaes:
Mdia =
soma dos valores

total de observaes (n)
Notao: M e, M e(X) ou x.
Exemplo 5: A partir do conjunto de dados 1, a mdia obtida por:

M e(X) = x =
1+2+2+3+5
soma dos valores
=
= 2, 6.
total de observaes (n)
5
Observao:
P A mdia aritmtica pode ser expressa atravs do uso do smbolo de
somatrio
(sigma). Por exemplo, se x1 , x2 , . . . , xk so k valores distintos da
varivel X, podemos escrever:
k
x1 + x2 + . . . + xk
1X
=
M e(X) = x =
xi .
k
k i=1
Agora, se, de um total de n valores observados (ou observaes), x1 ocorreu n1 vezes,
x2 ocorreu n2 vezes, etc., xk ocorreu nk vezes, ento a mdia de X pode ser reescrita
como:
1X
x1 .n1 + x2 .n2 + . . . + xk .nk
=
xi .ni
M e(X) = x =
n
n i=1
=
k
X
i=1
k
X
i=1
onde:
ni frequncia absoluta do valor observado xi ,
P
n = ki=1 ni o total de observaes, e,
fi frequncia relativa do valor observado xi .
16
(1)
ni
n
(2)
xi .fi ,
(3)
xi .
Exemplo 6: A partir do segundo conjunto de dados, 1 2 2 3 5 5, temos:
1X
1
18
xi .ni = (1 1 + 2 2 + 3 1 + 5 2) =
= 3.
M e(X) = x =
n i=1
6
6
Exerccios de Fixao
1 - Dado o seguinte conjunto de dados:
12
12
15
15
15
17
18
18
18
18
19
20
Determine a mdia, moda e mediana.

Soluo:
2.3.2
Separatrizes: 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 (em ordem crescente) em quatro
partes iguais. A grosso modo:
- Q1 separa os 25% inferiores dos 75% superiores dos valores ordenados;
- Q2 separa os 50% inferiores dos 50% superiores, ou seja, a mediana; e
- Q3 separa os 75% inferiores dos 25% superiores dos dados;
Analogamente, h nove decis, denotados por D1 , D2 , . . . , D9 , que dividem os dados
em 10 grupos com cerca de 10% deles em cada grupo. Finalmente, h 99 percentis que
dividem os dados em 100 grupos com cerca de 1% em cada grupo.
Basicamente, dois passos so necessrios para se encontrar as medidas em questo.
Primeiro deve-se identificar a sua posio, e, em seguida, determinar o seu valor.
Veja a seguir, como obter os valores referentes aos percentis, quando se est trabalhando com dados brutos ou em distribuio de frequncias para dados no agrupados:
17
1 ) Identificar a posio do percentil que se deseja encontrar, atravs da seguinte

expresso:

k
L=
n
100
Onde:
- L o valor que indica a posio do percentil de interesse;
- k o k esimo percentil; e
- n o total de dados observados.
2 ) Utilizar a seguinte regra:

1. Se L for um nmero no inteiro, ento, arredonda-se o valor de L para o maior
inteiro mais prximo, e, assim, o valor do k esimo percentil, Pk , dado pelo valor
que ocupa esta nova posio obtida.
2. Se L for um nmero inteiro, ento o valor do k esimo percentil, Pk , ser a mdia
aritmtica dos valores que esto nas posies L e L + 1.
Uma vez dominados os clculos para os percentis, pode-se seguir o mesmo processo
para calcular
os quartis e decis, tendo-se

o cuidado de calcular o valor de L, pelas frmulas
k
k
L = 4 n, k = 1, 2, 3 e L = 10 n, k = 1, 2, . . . , 9, respectivamente. Pode-se,
ainda, obter os quartis e decis pelas seguintes relaes existentes entre estas medidas e os
percentis:
Quartis
Q1 = P25
Q2 = P50
Q3 = P75
Decis
D1 = P10
D2 = P20
..
.
D9 = P90
Exerccios de Fixao
12
12
15
15
15
17
18
18
18
18
19
Determine os quartis, o stimo decil e o dcimo nono percentil.
18
20
2.3.3
Medidas de Disperso ou de Variabilidade
Na sumarizao de um conjunto de dados, uma nica medida representativa da posio

central, esconde toda a informao sobre a variabilidade dos dados. Veja, por exemplo, os
seguintes dados:
Varivel X : 3 4 5 6 7
Varivel Y : 4 5 5 6
Varivel Z : 5 5 5 5
Note que a mdia M e(X) = M e(Y ) = M e(Z) = 5, a qual nada informa sobre a
variao dos valores nos dois grupos. Assim, torna-se importante o conhecimento de uma
medida que fornea este tipo de informao.
19
Na prtica, existem vrias medidas que expessam a variabilidade de um conjunto de

dados, sendo que as mais utilizadas baseam-se na idia que consiste em verificar a distncia
de cada valor observado em relao mdia. Estas distncias so denominadas de desvios
em relao mdia.
Definio 2.1 (Varincia). uma medida que representa a variabilidade de um
conjunto de dados, e obtida pelo clculo da mdia dos quadrados dos desvios em
relao mdia aritmtica:
V ar(X) = s2
k
1X
(xi x)2 ni
n i=1
k
X
i=1
k
X
(xi x)2
ni
n
(xi x)2 fi
i=1
Vejamos, agora, como fica a varincia para as variveis X, Y e Z:
Exerccio
1. Mostre que:
k
k
X
X
2
x2i ni nx2 ,
(xi x) ni =
i=1
i=1
e, por isso, a varincia tambm pode ser obtida pela seguinte frmula:
k
1X 2
V ar(X) = s =
x n i x2 .
n i=1 i
2
20
Definio 2.2 (Desvio Padro). a raiz quadrada da varincia.
D.P.(X) = s =
v
u k
uX
s2 = t (xi x)2 fi
i=1
O uso do desvio padro como medida de variabilidade prefervel pelo fato de ser
expresso na mesma unidade de medida dos valores observados, pois a varincia pode causar
problemas de interpretao por ser expressa em termos quadrticos.
Definio 2.3 (Coeficiente de Variao). O coeficiente de variao (CV) uma

medida relativa de variabilidade. O seu valor determinado por intermdio do quociente entre o desvio padro e a mdia aritmtica dos dados.
CV (X) =
s
100
x
(expresso em porcentagem (%)).
A utilidade imediata do coeficiente de variao a possibilidade de avaliar o grau

de representatividade da mdia. Esta medida tambm bastante til na comparao
entre conjuntos de dados, em relao variabilidade, ainda que as unidades de medida nos
conjuntos de dados sejam distintas. Por exemplo, comparar a variabilidade das distribuies
da varivel peso expressa em quilogramas (Kg) e altura expressa em metros (m).
Um critrio de deciso sobre a representatividade ou no da mdia, pode ser dada pela
seguinte linha de corte:
Se CV 50%, a mdia no representativa.
Se CV < 50%, a mdia representativa.
Exemplo 7: Obtenha o desvio padro das variveis X, Y e Z alm dos coeficientes
de variao CV (X), CV (Y ) e CV (Z).
Exemplo 8: Considere os quilmetros rodados por 3 carros: 30 Km, 40 Km e 50

Km. Calcule a mdia, a varincia, o desvio padro e o CV. Interprete essas medidas.
21
Exemplo 9: A tabela abaixo apresenta informaes sobre as notas dos alunos de duas
turmas, A e B:
Turma:
A
B
Mdia (
x)
9,0
6,0
Desvio Padro (s)

4,0
3,2
Terceiro Quartil (Q3 )

7,0
4,0
a) Qual das duas turmas apresentou notas com maior variabilidade?

b) Analise a representatividade da mdia em cada turma.
c) Interprete os resultados obtidos para o terceiro quartil.
Exerccios de Fixao
12
12
15
15
15
17
Determine o desvio padro e o CV.
22
18
18
18
18
19
20
2.4
Medidas Resumo para Dados Agrupados
Sabemos que ao agrupar um conjunto de dados em classes, perde-se informao sobre

cada valor individual e, no caso em que seja impossvel recuperar cada valor observado, podese supor que todos os dados dentro de uma classe tenham seus valores iguais ao ponto
mdio desta classe, que denotaremos por si . Assim, pode-se, por exemplo, utilizar os
pontos mdios das classes, si , e suas respectivas frequncias, ni , para calcular a mdia
aritmtica de maneira anloga ao exposto anteriormente. Da mesma forma, pode-se adotar
como valor modal, o ponto mdio da classe modal (que a classe de maior frequncia) e
como mediana, o ponto mdio da classe mediana (que a classe cuja frequncia absoluta
acumulada atinge, ou ultrapassa pela primeira vez, o valor n/2).
Para o clculo da varincia, quando os dados esto agrupados em classes, basta substituir os verdadeiros valores observados xi pelo ponto mdio da i-sima classe, si .
Exemplo 10: Dada a seguinte distribuio de frequncia da varivel S=salrio (dados
agrupados em classes):
Salrio
ni
4, 00 ` 8, 00 10
8, 00 ` 12, 00 12
12, 00 ` 16, 00 8
16, 00 ` 20, 00 8
20, 00 ` 24, 00 2
Determine o valor (aproximado) da mdia, moda e mediana. Determine tambm o
desvio padro e o CV. Determine a mediana aproximada usando o histograma. Determine,
ainda, os quartis aproximados pelos pontos mdios de classe e usando o histograma.
23
1 - Obtenha a mdia e a mediana para o seguinte conjunto de dados:
20 30 40
a) Se substitumos o valor 40 por 70, os valores da mdia e da mediana sero os
mesmos? Justifique?
b) Analisando os resultados acima, ressalte uma caracterstica vantajosa da mediana em relao mdia.
2 - Na turma A do curso normal da Escola X, esto matriculados 50 alunos no corrente ano. O levantamento das fichas biomtricas revelou as seguintes estaturas em
centmetros:
165 164 151 160 155 169 153 156 165 160
170 157 162 162 155 154 151 155 162 150
168 160 154 151 168 155 156 158 166 155
154 152 163 156 170 158 171 159 175 154
159 158 153 158 156 162 165 156 161 157
a) Elabore uma distribuio de frequncias, fazendo o limite inferior da primeira classe
igual a 150 (inclusive) e amplitudes dos intervalos de classe igual a 5 cm.
b) Baseado na distribuio de frequncia calcule: a mdia, a mediana e a moda.
c) Construa um histograma para representar este conjunto de dados.
3 - As taxas de juros recebidas por 10 aes durante certo perodo foram (medidas em
porcentagem): 2.59; 2.64; 2.60; 2.62; 2.57; 2.55; 2.61; 2.50; 2.63; 2.64. Calcule a
mdia e a mediana.
4 - Dados os conjuntos de nmeros: A = {1000; 1001; 1002; 1003; 1004; 1005} e B =
{0, 1, 2, 3, 4, 5} podemos afirmar que:
a) o desvio-padro de A igual a 100 vezes o desvio-padro de B.
b) o desvio-padro de A igual ao desvio-padro de B.
c) o desvio-padro de A igual ao desvio-padro de B multiplicado pelo quadrado de
1000.
d) o desvio-padro de A igual ao desvio-padro de B dividido por 1000.
e) o desvio-padro de A igual ao quadrado do desvio-padro de B.
24
Anlise Bidimensional
3.1
Introduo
Em algumas anlises de dados pode surgir a necessidade de se fazer um estudo sobre

o comportamento conjunto de duas ou mais variveis e para isso a distribuio conjunta de
frequncias de grande utilidade.
Na presente nota de aula estudaremos apenas o caso de duas variveis e, sendo assim,
possvel observar a ocorrncia de trs situaes distintas que requerem tcnicas estatsticas
tambm distintas. As trs situaes distintas que podem ocorrer so:
As duas variveis so Qualitativas;
As duas variveis so Quantitativas;
Uma varivel Qualitativa e a outra Quantitativa.
Na presente nota de aula, estudaremos apenas os dois primeiros casos.
3.2
Associao entre Duas Variveis Qualitativas
Para ilustrar como podemos realizar uma anlise sobre a associao entre duas variveis
qualitativas, veremos, por exemplo, como se comportam as variveis: regio de procedncia
(X) e grau de instruo (Y ), das quais alguns valores hipotticos foram registrados na tabela
a seguir, a qual chamamos de Distribuio de Frequncias Conjunta das variveis X
e Y:
Tabela 1 - Distribuio de frequncias conjunta das variveis X e Y .
X
Y
freq. conj. (nij )
0
Capital 1 Grau
4
0
Capital 2 Grau
5
Capital Superior
2
0
Interior 1 Grau
3
0
7
Interior 2 Grau
Interior Superior
2
0
Outra 1 Grau
5
Outra 20 Grau
6
Outra Superior
2
Tal distribuio de frequncias melhor representada por uma Tabela de Dupla Entrada onde, alm das frequncias conjunta, tambm podem ser apresentadas as frequncias
ditas marginais ou unidimensionais de X e Y . Para o nosso exemplo, esta tabela dada
por:
25
Tabela 2 - Distribuio de frequncias conjunta das variveis X e Y .

Y
X
Capital
Interior
Outra
Total marginal de Y
1 Grau
2 Grau
n11 = 4
n12 = 5
n21 = 3
n21 = 7
n31 = 5
n32 = 6
36 n.1 = 12 n.2 = 18
Superior Total marginal de X

n13 = 2
n21 = 2
n32 = 2
n.3 = 6
n1. = 11
n2. = 12
n3. = 13
n.. = 36
Observaes:
1. Cada clula do corpo da tabela apresenta o nmero de ocorrncia simultnea (nij
dos valores (x, y) de X e Y , constituindo a distribuio conjunta;
i, j)
2. A coluna dos totais, frequncias marginais de X, ni. , i = 1, 2, 3, constitui a distribuio marginal de X;

3. A linha dos totais, frequncias marginais de Y , n.j , j = 1, 2, 3, constitui a distribuio
marginal de Y ;
4. Assim como no caso de uma nica varivel, as frequncias absolutas podem ser
expressas em termos de frequncias relativas e/ou porcentagens, sendo que, estas
medidas podem ser obtidas em relao ao total geral, em relao ao total de cada
linha ou em relao ao total de cada coluna, de acordo com os objetivos da
pesquisa. Vejamos como ficam estas tabelas:
Tabela 3 - Frequncias percentuais da distribuio conjunta das variveis X e Y , em
relao ao total de dados observados.
Y
1 Grau
2 Grau
X
Capital
Interior
Outra
Total marginal de Y
100%
26

relao ao total de linha (frequncia marginal de X).
Y
1 Grau
2 Grau
X
Capital
Interior
Outra
Total marginal de Y
100%
100%
100%
100%

relao ao total de coluna (frequncia marginal de Y ).
Y
X
Capital
Interior
Outra
Total marginal de Y
1 Grau
2 Grau
100%
100%
100%
100%
Exerccio de Fixao
A partir dos dados apresentados na Tabela 2, determine:
a) O percentual de pessoas que possuem o 2 grau e que so do interior. Resp: 19,4%.;
b) Sabendo-se que uma pessoa veio do interior, qual a probabilidade, em termos
percentuais, de ter o 2 grau? Resp: 58,3%.
c) Dentre os que possuem o 2 grau, qual o percentual de pessoas provenientes do
interior? Resp: 38,9%;
27
3.2.1
Independncia entre Variveis
Ocorre com bastante frequncia em anlises de distribuio conjunta o questionamento

sobre a existncia de dependncia ou no entre as variveis, alm da necessidade
de se saber o grau de dependncia entre elas, caso exista.
De modo geral, o grau de dependncia entre duas variveis quantificado pelos coeficientes de associao ou correlao. Usualmente, esses coeficientes variam de zero at
um, sendo que, s vezes, variam de -1 a 1. Desta maneira, valores prximos de zero do
indcios de independncia entre as variveis e, valores prximos de 1 (ou -1) indicam um
alto grau de dependncia positiva (ou negativa).
Uma maneira pouco rigorosa mas bastante prtica para se ter uma idia sobre a existncia ou no de associao/dependncia entre duas variveis qualitativas obtida quando
observamos se a proporo em cada categoria de uma varivel (fixada o total em linha
ou coluna) igual ou prxima proporo marginal (de X ou de Y ). Pois caso estas
propores sejam razoavelmente prximas, temos um indcio de independncia entre as
variveis; caso contrrio; a evidncia de que as variveis sejam dependentes.
Ilustrao: Para cada uma das tabelas abaixo, verifique se h alguma indicao de
dependncia entre as variveis.
Tabela 6 - Distribuio conjunta das frequncias e propores de alunos, segundo sexo
(X) e curso escolhido (Y).
X
Y
Economia
Administrao
Total marginal de X
Masculino
Feminino
Total marginal de Y
85 (61%)
55 (39%)
140 (100%)
35 (58%)
25 (42%)
60 (100%)
120 (60%)
80 (40%)
200 (100%)
Comentrio:
Tabela 7 - Distribuio conjunta das frequncias e propores de alunos, segundo sexo

(X) e curso escolhido (Y).
X
Y
Fsica
Cincias Sociais
Total marginal de X
Masculino
Feminino
Total marginal de Y
100 (71%)
40 (29%)
140 (100%)
20 (33%)
40 (67%)
60 (100%)
120 (60%)
80 (40%)
200 (100%)
Comentrio:
28
3.2.2
Medidas de Associao entre Duas Variveis Qualitativas
Uma medida de dependncia bastante utilizada para variveis qualitativas o coeficiente

de contingncia, o qual dado por
s
C=
2
,
2 + n
onde n o nmero de observaes e 2 uma medida conhecida por qui-quadrado de

Pearson, a qual obtida a partir da seguinte soma
r X
s
X
(nij eij )2
=
,
eij
i=1 j=1
2
onde o somatrio estendido a todas as caselas de frequncias conjunta em uma tabela

r s de dupla entrada (r categorias de X e s de Y ), e
nij a frequncia observada na ij-sima casela;
eij a frequncia esperada na ij-sima casela, caso houvesse independncia entre as
variveis, ou seja, quando a proporo em cada categoria de uma varivel (fixada o
total em linha ou coluna) igual ou prxima proporo marginal. Deste modo, a
frequncia esperada dada, por exemplo, por:
eij = fi. n.j =
ni. n.j
ni.
n.j =
n..
n..
Observaes:
Se a hiptese de no-associao for verdadeira, o valor do qui-quadrado, 2 , deve
estar prximo de zero; caso contrrio; o valor deve ser grande. Como no existe
limitao para este valor, sua classificao como grande ou pequeno se torna uma
tarefa invivel. Desta forma, torna-se necessrio fazer uma padronizao do mesmo,
e iso feito ao calcularmos o coeficiente de contingncia.
Um inconveniente do coeficiente de contigncia C que seu valor mximo depende
de r e s e, para evitar esse inconveniente, costuma-se definir um outro coeficiente,
que tambm apresenta uma vantagem adicional de variar entre 0 e 1. Este novo
coeficiente de contigncia dado por
s
2 /n
T =
.
(r 1)(s 1)
Neste caso, quanto mais prximo de 1 o valor de T estiver, maior o grau de
associao/dependncia entre as duas variveis qualitativas; por outro lado, quanto
mais prximo de 0, menor o grau de associao/dependncia.
29
Exemplo 1: Utilizando uma medida de associao, verifique se h associao entre

as variveis:
a) Regio de Procedncia e Grau de Instruo, cujos valores observados se encontram
na Tabela 2. Resp.: T
= 0, 076
b) Sexo e Curso Escolhido, cujos valores observados se encontram:
(i) Na Tabela 6; Resp.: T
= 0, 022
(ii) Na Tabela 7. Resp.: T
= 0, 3563
30
3.3
Medidas de Associao entre duas Variveis Quantitativas
No caso em que as variveis so ambas do tipo quantitativa, pode-se aplicar um procedimento anlogo ao realizado para a anlise de variveis qualitativas. E, por se tratar de
variveis quantitativas, antes de construir uma tabela de dupla entrada, os dados marginais
podem ser agrupados em intervalos de classe, assim como no caso de uma nica varivel.
Apesar de ser possvel analisar as variveis quantitativas de modo anlogo ao caso de
variveis qualitativas, nas anlises de associao entre variveis quantitativas so possveis
realizar procedimentos analticos e grficos mais refinados, como veremos a seguir.
Diagrama de Disperso
O diagrama (ou grfico) de disperso nada mais que a representao de pares dos
valores observados (x1 , y1 ), (x2 , y2 ), . . . , (xn , yn ) num sistema cartesiano. Vejamos a ilustrao de alguns grficos que podem surgir na prtica:
Coeficiente de Correlao (Linear)

Ao ser observada uma associao entre variveis quantitativas, seria muito til sabermos sobre a intensidade desta associao. Aqui, veremos apenas uma medida referente
ao tipo de associao linear, ou seja, ao tipo de relao em que os pontos do grfico de
disperso aproximam-se de uma reta.
Definio 3.1 (Covarincia). Dados n pares de valores (x1 , y1 ), (x2 , y2 ), ..., (xn , yn ),
chamamos de covarincia entre as variveis X e Y medida dada por
cov(X, Y ) =
n
X
(xi x)(yi y)
i=1
ou seja, a mdia dos produtos dos valores centrados das variveis.

Definio 3.2 (Coeficiente de Correlao Linear). Dados n pares de valores
(x1 , y1 ), (x2 , y2 ), ..., (xn , yn ), chama-se coeficiente de correlao linear entre as variveis
X e Y o valor obtido por
corr(X, Y ) =
cov(X, Y )
.
dp(X)dp(Y )
31
ou seja, a mdia dos produtos dos valores reduzidos (ou padronizados) das variveis.
Alternativamente, o coeficiente de correlao tambm pode ser escrito como

n
corr(X, Y ) =
1 X (xi x)(yi y)
,
n i=1 dp(X)dp(Y )
ou ainda,
Pn
xi yi nx y
,
corr(X, Y ) = p Pn 2 i=1 2 Pn 2
( i=1 xi nx )( i=1 yi ny 2 )
sendo esta ltima frmula uma expresso mais operacional e com uso mais frequente.
Enquanto o coeficiente T para variveis qualitativas s assume valores ente 0 e 1, o
coeficiente de correlao pode assumir qualquer valor entre -1 e 1.
Propriedades:
1. |corr(X, Y )| 1;
2. Quanto mais prximo corr(X, Y ) estiver de 1 ou de 1, mais forte a relao linear
entre X e Y ; quanto mais proximo de zero, mais fraca a relao linear entre elas;
3. corr(X, Y ) = 0 ausncia de correlao linear entre X e Y ;
4. corr(X, Y ) = 1 ou corr(X, Y ) = 1 correlao linear perfeita entre X e Y ;
5. corr(X, Y ) > 0 X e Y variam no mesmo sentido;
6. corr(X, Y ) < 0 X e Y variam em sentidos contrrios.
Exemplo 2: Numa amostra de cinco operrios de uma dada empresa foram observadas
duas variveis. X: anos de experincia num dado cargo e Y : tempo, em minutos, gasto
na execuo de uma tarefa relacionada com esse cargo. As observaes so apresentadas
na tabela abaixo.
X
Y
Obs.:
xi = 16,
x2i = 62,
1
7
2
8
4
3
4
2
yi = 22,
5
2
yi2 = 130,
xi yi = 53.
Voc diria que a varivel X pode ser usada para explicar a variao de Y ? Justifique.
32
1 - Realizou-se um estudo com 456 pessoas machucadas em acidentes de motocicleta,
e os resultados amostrais, selecionados aleatoriamente, esto resumidos na tabela a
seguir.
Com ferimentos faciais

Todos os ferimentos no faciais
Com capacete
30
8
Sem capacete
182
236
Com base nestes resultados, o capacete parece ser eficaz para evitar ferimentos faciais
em um acidente? Justifique.
2 - Uma teoria plausvel a de que as pessoas que fumam so menos preocupadas com sua
sade e segurana e so, portanto, menos inclinadas a usar o cinto de segurana. Um
estudo de usurios e no usurios de cintos de segurana forneceu os seguintes dados
amostrais, selecionados aleatoriamente, resumidos na tabela a seguir. Verifique se a
quantidade de fumo (dada em nmero de cigarros fumados por dia) independente do
uso do cinto de segurana. Essa teoria apoiada pelos dados amostrais? Justifique.
Uso do cinto \ No de cigarros 0 1 - 14 15 - 34 35 ou mais
Usa cinto de segurana
175
20
42
6
No usa cinto de segurana
149
17
41
9
3 - Um pesquisador coleta os dados dispostos na tabela e suspeita que h uma relao
significante entre o tempo de propaganda na TV (em minutos por ms) e as vendas
mensais de um produto (em centenas de dlares). Os dados amostrais confirmam
a suspeita do pesquisador? Justifique sua resposta com base em uma medida de
associao linear.
Tempo de propaganda 15 20 20 30 40 45 50 60
Vendas
104 128 152 224 216 312 320 352
4 - Um levantamento obtido, junto aos funcionrios de um pequeno escritrio, busca
relacionar as variveis: anos de estudo (X) e nmero de diferentes empregos nos
ltimos cinco anos (Y ).
X
Y
8 9 10 11 12
4 2 1 2 1
a) Construa o diagrama de disperso.

b) Calcule o coeficiente de correlao e interprete o resultado encontrado.
33
RELAO DE EXERCCIOS PARA O 1 ESTGIO

Livro: "Estatstica Bsica". Wilton O. Bussab e Pedro A. Morettin.
Captulo 2 (Resumo de Dados)
Problema Pgina (5a. Edio)
2
15
4e5
22
11
28
Pgina (6a. Edio)

15
22
28
Captulo 3 (Medidas Resumo)

1a3
40
6
41
16
58
19
60
25 e 26
62
27
63
40
66
Pgina (6a. Edio)

40
41
56
60
61 e 62
62
65 e 66
Captulo 4 (Anlise Bidimensional)

1a3
73 e 74
6
76
9
80
18 a 21
95
22 e 26
96
29
97
Pgina (6a. Edio)

72 e 73
75
79
94
95
96
34

Perodo: 2015.1
Professor(a):
Aluno(a):
NOTAS DE AULA PARA O 2o ESTGIO
4
4.1
Teoria das Probabilidades

Introduo
O estudo da teoria das probabilidades de extrema importncia, pois nos fornece

ferramentas apropriadas para descrever e interpretar situaes em que os resultados no
podem ser previstos com certeza. Tais situaes so denominadas fenmenos aleatrios.
Ao jogarmos uma moeda para o ar, de modo geral, no podemos afirmar se ocorrer
cara ou coroa. Da mesma forma, quando lanamos um dado no sabemos qual das faces
1, 2, 3, 4, 5, ou 6 ocorrer. No campo dos negcios e do governo h numerosos exemplos
de tais situaes. Por exemplo, a incerteza existe quando desejamos realizar uma previso
sobre a procura de um novo produto, a opinio pblica em relao a determinado assunto,
o sucesso de um novo plano econmico, etc - tudo isso contm algum elemento de acaso.
Na Estatstica, a incerteza existe quando se quer fazer alguma afirmao a respeito de
alguma caracterstica populacional baseada em informaes extradas de dados amostrais.
Neste caso, a aplicao da Teoria das Probabilidades de fundamental importncia
para a soluo de problemas de Inferncia Estatstica.
Independente de qual seja a aplicao em particular, a utilizao das probabilidades
indica que existe um elemento de acaso, ou de incerteza, quanto ocorrncia ou no de um
evento futuro. Assim que em muitos casos, pode ser impossvel afirmar com antecipao
o que ocorrer. No entanto, possvel dizer o que pode ocorrer.
O ponto central em todas essas situaes a possibilidade de quantificar quo provvel
determinado evento.
Em suma, podemos dizer que, as probabilidades so utilizadas para exprimir a chance
de ocorrncia de determinado evento.
4.2
Definies Bsicas
Definio 4.1 (Experimentos Aleatrios ou Fenmenos Aleatrios). So aqueles onde o processo de experimentao est sujeito a influncias de fatores casuais e
conduz a resultados incertos.
Notao: E.
35
Exemplo 1:
E1 : Jogar uma moeda e observar a face superior.
E2 : Lanar um dado e observar o nmero da face superior.
E3 : Uma lmpada fabricada. Em seguida testada a durao da vida til dessa
lmpada.
E4 : Numa linha de produo, conta-se o nmero de peas defeituosas num dia.
Observaes:
a) Cada experimento poder ser repetido um grande nmero de vezes sob as mesmas
condies;
b) No podemos afirmar que resultado particular ocorrer, porm podemos descrever
o conjunto de todos os possveis resultados do experimento;
c) Quando o experimento repetido um grande nmero de vezes, surgir uma regularidade nos resultados. Esta regularidade, chamada de regularidade estatstica, que torna
possvel construir um modelo matemtico preciso com o qual se analisar o experimento.
Definio 4.2 (Espao Amostral). o conjunto de todos os possveis resultados
de um experimento aleatrio.
Notao: S ou .
Exemplo 2:
Os espaos amostrais associados aos experimentos aleatrios E1 , E2 , E3 e E4 so:
1 =
2 =
3 =
4 =
36
Definio 4.3 (Evento). Dado um espao amostral associado a um experimento E,

definimos como evento, qualquer subconjunto desse espao amostral, ou seja, qualquer
coleo de resultados do experimento E.
Notao: A, B, C, D, etc.
Observaes:
i) Dizemos que o evento A ocorre se o resultado do experimento, , pertencer ao
evento. Caso contrrio, dizemos que A no ocorre.
ii) Como os eventos de um espao amostral so conjuntos, todas as operaes da

teoria dos conjuntos so vlidas para obter novos eventos. Considere, por exemplo, dois
eventos A e B, ento o evento:
a) A B ocorrer se, e somente se, A ocorrer, ou B ocorrer, ou ambos ocorrerem;
b) A B ocorrer se, e somente se, A e B ocorrerem simultaneamente;
c) A ocorrer se, e somente se, A no ocorrer;
Um recurso grfico, conhecido como Diagrama de Venn, poder ser vantajosamente
empregado quando estivermos combinando conjuntos. Para ilustrar, vejamos como fica
este diagrama representando os eventos descritos nos itens a, b e c:
(Desenhar os Diagramas de Venn, para cada evento)
Observao: Leis de DMorgan

(i) A B = A B
(ii) A B = A B
37
Exemplo 3:
a) Considerando o espao amostral 2 , exemplos de eventos seriam:
A: Ocorre face par =
B: Ocorre um nmero menor que 4 =
C: Ocorre um nmero maior que 0 =
D: Ocorre o nmero 10 =
b) Considerando o espao amostral 3 , um exemplo de evento seria:
A: A vida til de uma lmpada menor que 10 horas =
Definio 4.4 (Eventos Mutuamente Excludentes). Dois eventos, A e B, so
denominados, mutuamente excludentes, se eles no puderem ocorrer simultaneamente,
ou seja, A B = .
Exemplo 4: Esboce um Diagrama de Venn, representando dois eventos mutuamente
excludentes.
Exemplo 5: Ao lanar um dado e observar o nmero da face superior, temos que o

evento A: observar face par mutuamente excludente do evento B: observar face mpar,
pois impossvel observar a ocorrncia simultnea destes dois eventos, ou seja, A B = .
Exemplo 6: Lana-se um dado e observa-se o nmero da face superior. Considerando
este experimento aleatrio e os eventos:
A: Ocorre face par =
B: Ocorre um nmero menor que 4 =
C: ocorre face menor que 7 =
D: ocorre face cujo valor maior que 6 =
Determine em notao de conjuntos os seguintes eventos:
a) A B
b) A B
c) A
d) B
e) A B
38
f) A B
g) A B
h) A B
i) A B = A B
j) B A = B A
Exemplo 7: Sejam A e B dois eventos. Expresse as sentenas a seguir em termos de
operaes entre eventos:
a) A e B ocorrem simultaneamente;
b) Pelo menos um dos eventos ocorre;
c) Nenhum dos eventos ocorre;
d) Apenas A ocorre;
e) Apenas B ocorre;
f) Exatamente um dos eventos ocorre.
4.3
Abordagens para Definir Probabilidade
4.3.1
Aproximao da Probabilidade pela Frequncia Relativa (Lei dos

Grandes Nmeros)
Definio 4.5 (Frequncia Relativa). Suponha que um experimento repetido n

vezes, e sejam A e B dois eventos associados ao experimento. Seja nA o nmero
de vezes que o evento A ocorre nas n repeties. A frequncia relativa do evento A,
representada por fA , definida como
nA
fA =
.
n
Propriedades:
(i) 0 fA 1;
(ii) fA = 1, se, e somente se, A ocorrer em todas as n repeties;
(iii) fA = 0, se, e somente se, A nunca ocorrer nas n repeties;
(iv) Se A e B forem eventos mutuamente excludentes, e se fAB for a frequncia
relativa associada ao evento A B, ento,
fAB = fA + fB .
39
Teorema 4.1 (Lei dos Grandes Nmeros). Ao repetir um experimento um grande

nmero de vezes, a probabilidade de um evento A aproximada pela frequncia relativa,
isto ,
nA
, quando n .
P (A)
= fA =
n
Observao : Esta aproximao ser tanto melhor quanto maior for o nmero de
repeties do experimento.
Exemplo 8: Ao lanar uma moeda honesta 5 vezes, ocorreram 4 caras. Baseado
neste resultado, qual a probabilidade (aproximada) do evento A : ocorrer cara?
Exemplo 9: Considere as seguintes situaes:
(i) Numa pesquisa de mercado, 5 pessoas foram entrevistadas das quais 4 disseram que
comprariam um novo produto a ser lanado.
(ii) Numa outra pesquisa de mercado, 300 pessoas foram entrevistadas das quais 140
disseram que comprariam um novo produto a ser lanado.
a) Para cada pesquisa, determine a probabilidade de que uma pessoa qualquer compre
o novo produto.
b) Em qual das duas probabilidades estimadas voc confia mais?
4.3.2
Definio Clssica de Probabilidade
4.3.2.1 Introduo e definio

Definio 4.6 (Evento Simples e Evento Composto). Cada um dos possveis
resultados que compe o espao amostral e1 , e2 , e3 , . . . um evento simples, enquanto
um evento composto, A, uma coleo de eventos simples.
40
Exemplo 10: Ao lanar um dado, os eventos simples sero: {1}, {2}, {3}, {4}, {5} e
{6} e um evento composto seria A : nmero par = {2, 4, 6}.
Definio 4.7 (Definio Clssica de Probabilidade). Suponha que um experimento tenha n eventos simples diferentes, cada um dos quais pode ocorrer com a
mesma chance. Se r eventos simples so favorveis ocorrncia do evento A, ento
P (A) =
#A
r
Nmero de eventos simples favorveis ocorrncia do evento A
=
= .
Nmero total de resultados possveis
#
n
Observaes:
(1) Nesta definio fundamental que os eventos simples sejam igualmente provveis,
e, neste caso, evidente que:
(i) P (e1 ) = P (e2 ) = ... = P (en ) = n1 , e
(ii) P (e1 ) + P (e2 ) + ... + P (en ) =
1
n
1
n
+ ... +
1
n
= n. n1 = 1.
(2) Espaos amostrais com as caractersticas acima descritas so conhecidos como

Espaos Amostrais Finitos e Equiprovveis.
(3) O evento denominado evento certo, pois P () =
#
#
= 1.
(4) O evento denominado evento impossvel, pois P () =
#
#
0
#
= 0.
Exemplo 11: Considere o experimento E: lanar um dado equilibrado e observar o

nmero da face superior. Considere tambm, os seguintes eventos:
. A: Ocorre face par =
. B: Ocorre um nmero menor que 4 =
. C: ocorre face menor que 7 =
. D: ocorre face cujo valor maior que 6 =
. AB =
. AB =
. B=
Determine a probabilidade de ocorrncia de cada um dos eventos acima definidos.
41
4.3.3
Definio Axiomtica de Probabilidade
Definio 4.8 (Definio Axiomtica de Probabilidade). Dado um espao amostral , a probabilidade de um evento A ocorrer, representado por P (A) , uma funo
definida em , que associa a cada evento A um nmero real, satisfazendo os seguintes
axiomas:
(i) 0 P (A) 1;
(ii) P () = 1;
(iii) Se A e B forem mutuamente excludentes (A B = ), ento
P (A B) = P (A) + P (B) .
Observao: A probabilidade de um evento A, denotada por P (A) , indica a chance
de ocorrncia do evento A. Quanto mais prxima de 1 P (A), maior a chance de
ocorrncia do evento A, e quanto mais prxima de zero, menor a chance de ocorrncia
do evento A.
Principais Teoremas:
T1. Se denota o conjunto vazio (Evento Impossvel), ento
P () = 0.
T2. Se A o evento complementar de A, ento
P (A) = 1 P (A) .
T3. Se A e B so dois eventos quaisquer, ento
P (A B) = P (A) + P (B) P (A B) .
T4.

P A B = P (A) P (A B) .

P A B = P (B) P (A B) .
Exemplo 12: Considere um experimento aleatrio com espao amostral e os eventos

A e B associados tais que: P (A) = 1/2, P (B) = 1/3 e P (A B) = 1/4. Determine:
a) P (A)
b) P (B)
c) P (A B)
d) P (A B)
e) P (A B)
f) P (A B)
g) P (A B)
42
4.4
Noes Bsicas de Tcnicas de Contagem
Nem sempre a tarefa de calcular a probabilidade de um evento aleatrio, da forma

P (A) = r/n, simples. Em algumas situaes necessrio alguns procedimentos sistemticos de contagem ou enumerao para se obter o nmero de maneiras, r, pelas quais A
pode ocorrer, bem como o nmero total de maneiras, n, pelas quais o espao amostral S
pode ocorrer.
no contexto descrito acima, que as tcnicas de contagem so de fundamental importncia. Neste curso, veremos apenas alguns dos principais procedimentos de contagem.
4.4.1
Princpio Fundamental da Contagem - Regra da Multiplicao
Suponha que um experimento possa ser realizado em k etapas, de modo que, para a primeira
etapa existem n1 resultados possveis, para a segunda etapa n2 resultados possveis, e assim
sucessivamente, at que para a k sima etapa existem nk resultados possveis. Ento,
existe um total de
n1 n2 .... nk
resultados possveis para este experimento.
Exemplo 13: Ao lanar um dado e uma moeda, quantos resultados possveis podem
ser obtidos? Resp.: 12
Exemplo 14: Uma companhia produz fechaduras que usam segredos numricos para
serem abertas. Se cada segredo consiste de trs nmeros distintos, escolhidos dentre os
inteiros de 0 a 9, quantos segredos diferentes podero ser fabricados? Resp.: 720
Exemplo 15: Quantos nmeros naturais de 4 algarismos podem ser formados usandose apenas os algarismos 2, 3, 4 e 5, de forma que sejam menores do que 5000 e divisveis
por 5? Resp.: 48
4.4.2
Permutaes
Dizemos que permutaes de n elementos distintos so as sequncias formadas com todos

os n elementos e que se destinguem umas das outras pela ordem de seus elementos. Assim,
permutar os n objetos equivale a coloc-los dentro de uma caixa com n compartimentos,
em alguma ordenao.
Notao: Pnn ou, simplesmente, Pn .
43
Aplicando, ento, a regra da multiplicao, temos que a caixa poder ser arrumada de
n(n 1)(n 2) 1 maneiras e, assim,
Pn = n(n 1)(n 2) 1.
Definio 4.9 (Fatorial). Sendo n um inteiro positivo, definimos n! = n(n 1)(n
2) 1 e o denominamos de fatorial de n. Tambm definimos 0! = 1.
Desta maneira, temos que:
Pn = n!.
4.4.3
Arranjos
Dado um conjunto de n elementos, chama-se de arranjo simples dos n elementos tomados

k a k (0 k n) a toda sequncia de k elementos distintos do conjunto, que se
destingue das demais pela ordem dos seus elementos. assim, arranjar n objetos equivale
a coloc-los dentro de uma caixa com n compartimentos, em alguma ordenao, um em
cada compartimento, at que o k-simo compartimento seja preenchido.
Notao: Ank .
Desta forma, aplicando-se a regra da multiplicao, temos que:
Ank = n(n 1)(n 2) (n k + 1).
Note que:
n! = n(n 1)(n 2) (n k + 1)(n k)!
n!
.
n(n 1)(n 2) (n k + 1) =
(n k)!
Portanto,
Ank =
n!
(n k)!
Observao: Note que, se k = n, temos

n!
n!
Ann =
=
= n! = Pn ,
(n n)!
0!
ou seja, permutaes so casos particulares de arranjos.
Exemplo 16: De um baralho com 52 cartas, 3 cartas so retiradas sucessivamente e
sem reposio. Quantas sequncias de cartas so possveis de se obter?
Exemplo 17: De quantas maneiras podemos dispor 8 pessoas em um banco com 8
lugares?
Exemplo 18: Quantos so os anagramas da palavra ALUNO?
44
4.4.4
Combinaes
Chamamos de combinaes de n objetos distintos tomados k a k ao nmero de maneiras

de escolher k dentre esses n objetos, sem considerarmos a ordem.

n
n
Notao: Ck ou
.
k
Considerando que Ank leva em considerao a ordem em que os k elementos so escolhidos, e que k elementos podem ser permutados de k! maneiras, temos que:
Ckn =

Portanto,
n
k

=
Ank
n!
1
n!
=
=
.
k!
(n k)! k!
k!(n k)!
n!
.
k!(nk)!
Exemplo 19: Qual o nmero de possveis empreendimentos quando desejamos

selecionar dois dentre quatro? Resp: 6
Exemplo 20: Suponha que num lote com 20 peas existem cinco defeituosas. Escolhemos 4 peas do lote ao acaso, ou seja, uma amostra de 4 elementos, de modo que a
ordem dos elementos seja irrelevante:
a) Quantas amostras possveis existem? Resp: 4845
b) Dentre todos os possveis resultados, quantos levam escolha de duas peas defeituosas? Resp.: 1050
c) Qual a probabilidade de sair duas peas defeituosas? Resp.: 0,217
45
4.5
Probabilidade Condicional
Em algumas situaes, a probabilidade de ocorrncia de um certo evento pode ser

afetada se tivermos alguma informao sobre a ocorrncia ou no de um outro evento.
Considere, por exemplo, o seguinte experimento:
E : Lanar um dado.
Seja o evento A: sair o no 3 =
Ento, P (A) =
Considere, agora, o seguinte evento:
B: sair um nmero mpar =
Logo, P (B) =
Suponha, agora, que soubssemos da ocorrncia de B e que quisssemos calcular a
probabilidade de A. Iremos denotar essa probabilidade como P (A | B). Assim,
P (A | B) =
Formalmente definimos probabilidade condicional da seguinte maneira.
Definio 4.10 (Probabilidade Condicional). Dados dois eventos, A e B, denotaremos P (A | B) a probabilidade condicionada do evento A, quando B tiver ocorrido,
por:
P (A B)
P (A | B) =
P (B)
com P (B) 6= 0.
Exemplo 21: Dois dados so lanados e os seguintes eventos so considerados:

A = {(x1 , x2 ); x1 + x2 = 10}, e
B = {(x1 , x2 ); x1 > x2 }.
Baseado nestas informaes, obtenha as seguintes probabilidades:
a) P (A)
b) P (B)
c) P (A B)
d) P (A | B)
e) P (B | A)
Resp.: 1/12; 5/12; 1/36; 1/15 e 1/3
46
4.5.1
Teorema do Produto
A partir da definio de probabilidade condicional, poderemos enunciar o teorema do

produto:
Teorema 1.2 (Teorema do Produto)
P (A | B) =
P (AB)
P (B)
P (A B) = P (B)P (A | B).
Analogamente,
P (B | A) =
P (AB)
P (A)
P (A B) = P (A)P (B | A).
Exemplo 22: Em um lote de 12 peas, 4 so defeituosas. Se duas peas so retiradas

uma aps a outra sem reposio, qual a probabilidade de que:
a) ambas sejam boas? Resp.: 14/33
b) ambas sejam defeituosas? Resp.: 1/11
c) pelo menos uma seja defeituosa? Resp.: 19/33
Exemplo 23: Uma urna contm duas bolas brancas, trs vermelhas e cinco azuis.
Qual a probabilidade de se retirar sem reposio uma bola azul, uma branca e uma vermelha
exatamente nessa ordem? Resp.: 1/24
4.6
Eventos Independentes
A probabilidade da ocorrncia de dois eventos simultaneamente, P (A B), depende

da natureza dos eventos, ou seja, se eles so independentes ou no. Dois ou mais eventos
so independentes quando a ocorrncia ou no-ocorrncia de um no influencia a ocorrncia
do(s) outro(s).
Um evento A considerado independente de um outro evento B se a probabilidade
condicional de A dado B igual a probabilidade de A, isto , se
P (A | B) = P (A).
47
evidente que se A independente de B, ento B independente de A. Assim,

P (B | A) = P (B).
Logo, considerando o Teorema do Produto, observamos que, se A e B forem eventos
independentes, segue que
P (A B) = P (A)P (B).
Observao: A recproca verdadeira, isto , se P (A B) = P (A)P (B), ento A
e B so eventos independentes.
Definio 4.11 (Eventos Independentes). Dois eventos A e B so independentes
se, e somente se
P (A B) = P (A)P (B).
Exemplo 24: Se duas moedas equilibradas (sem vcio) so lanadas, determine qual a
probabilidade de ambas darem cara? E se trs moedas fossem lanadas, qual a probabilidade
de ocorrer trs caras? Resp.: 1/4 e 1/8
Exemplo 25: A probabilidade de que A resolva um problema de 2/3, e a probabiliddae de que B o resolva de 3/4. Se ambos tentarem independentemente, qual a
probabilidade de:
a) Ambos resolverem o problema? Resp.: 1/2
b) O problema ser resolvido? Resp.: 11/12
48
4.7
Teorema da Probabilidade Total
Definio 4.12 (Partio do Espao Amostral). Dizemos que os eventos C1 , C2 , ..., Cn

representam uma partio do espao amostral , quando
a) Ci Cj = , para todo i 6= j,
b) ni=1 Ci = ,
c) P (Ci ) > 0, para todo i.
Considere, agora, um evento B referente a , e C1 , C2 , ..., Cn uma partio de .
Assim, podemos escrever
B = (B C1 ) (B C2 ) (B C3 ) ... (B Cn ).
Logo,
P (B) = P (B C1 ) + P (B C2 ) + P (B C3 ) + ... + P (B Cn ).
Ento, como P (BCj ) = P (Cj )P (B | Cj ), obteremos o que se denomina o Teorema
da Probabilidade Total:
P (B) = P (C1 )P (B | C1 ) + P (C2 )P (B | C2 ) + ... + P (Cn )P (B | Cn ).
Exemplo 26: A proporo de peas produzidas pelas mquinas I, II e III 30%, 30% e
40%, respectivamente. Dentre estas peas, 4%, 3% e 2%, respectivamente, so defeituosas.
Escolhida uma pea da produo conjunta das trs mquinas, qual a probabilidade da
mesma ser defeituosa? Resp.: 0,029
4.8
Teorema de Bayes
Sob as mesmas hipteses do teorema da probabilidade total, podemos calcular a probabilidade de Ci dada a ocorrncia de B da seguinte forma
P (Ci )P (B | Ci )
P (Ci | B) = Pn
,
j=1 P (Cj )P (B | Cj )
i = 1, 2, ..., n.
Este resultado o que chamamos de Teorema de Bayes. Esse teorema til

0
quando conhecemos as probabilidades dos Ci s e a probabilidade condicional de B dado Ci ,
mas no conhecemos diretamente a probabilidade de B.
49
Exemplo 27: Considerando os dados do Exemplo 26, suponha que uma pea escolhida aleatoriamente, foi testada e verificou-se ser defeituosa. Qual a probabilidade de
que a pea tenha sido produzida pela mquina I? E pela mquina II? E pela III? Resp.:
0,414; 0,31 e 0,276
Exemplo 28: Suponha trs urnas com as seguintes configuraes: a urna 1 contm
3 bolas pretas, 1 branca e 5 vermelhas; a urna 2 contm 4 bolas pretas, 3 brancas e 2
vermelhas; a urna 3 contm 2 bolas pretas, 3 brancas e 3 vermelhas. Escolheu-se uma urna
ao acaso e dela extraiu-se uma bola ao acaso, verificou-se que a bola branca. Qual a
probabilidade da bola ter vindo da urna 1, 2? E da 3? Resp.: 0,136; 0,407 e 0,458
Exemplo 29: Voc entrega ao seu amigo uma carta, destinada a sua namorada, para
ser colocada no correio. Entretanto, ele pode esquecer com probabilidade 0,1. Se no
esquecer, a probabilidade de que o correio extravie a carta de 0,1. Finalmente, se foi
enviada pelo correio, a probabilidade de que a namorada no a receba de 0,1.
a) Sua namorada no recebeu a carta, qual a probabilidade de seu amigo ter esquecido
de coloc-la no correio?
b) Avalie as possibilidades desse namoro continuar, se a comunicao depender das
cartas enviadas.
50
1 - De uma linha de produo so retirados trs (3) artigos e cada um classificado
como bom (B) ou defeituoso (D). Determine o espao amostral deste experimento
aleatrio e expresse tambm o evento A: obter dois artigos defeituosos.
2 - Pedro tem dois automveis velhos. Se nas manhs frias, h 20% de probabilidade de
um deles no funcionar e 30% de outro no funcionar,
a) qual a probabilidade de nenhum funcionar? Resp.: 0,06
b) qual a probabilidade dos dois funcionarem? Resp.: 0,56
c) qual a probabilidade de pelo menos um funcionar? Resp.: 0,94
d) qual a probabilidade de exatamente um funcionar? Resp.: 0,38
3 - Considere o lanamento de dois dados equilibrados com o interesse de observar o
nmero das faces superiores.
a) Calcule a probabilidade dos eventos:
i) A: sair face par nos dois dados. Resp.: 1/4
ii) B: sair face par no primeiro dado. Resp.: 1/2
iii) C: sair face par no segundo dado. Resp.: 1/2
d) Os eventos B e C so independentes? Resp.: Sim.
4 - De 120 estudantes, 60 estudam Francs, 50 Espanhol e 20 estudam Francs e Espanhol. Se um estudante escolhido ao acaso, encontre a probabilidade de que
ele:
a) estude Francs e Espanhol? Resp.: 1/6
b) estude pelo menos uma das lnguas? Resp.: 3/4
c) no estude nem Francs nem Espanhol? Resp.: 1/4
5 - A empresa Mar e Sol Pousadas Ltda. possui 350 funcionrios. Destes, 280 possuem
plano de sade particular, 180 possuem plano de sade coletivo e 30 no possuem
plano de sade de nenhum dos dois tipos. Calcule a probabilidade de um funcionrio
escolhido ao acaso:
a) No possuir plano de sade. Resp.: 3/35
b) Possuir pelo menos um dos planos. Resp.: 32/35
c) Possuir ambos os planos. Resp.: 14/35
d) Possuir exatamente um dos planos. Resp.: 18/35
6 - Em uma prova caram dois problemas. Sabe-se que 134 alunos acertaram o primeiro,
88 erraram o segundo, 120 acertaram os dois e 56 acertaram apenas um problema.
Qual a probabilidade de que um aluno, escolhido ao acaso:
51
a) Tenha acertado exatamente um dos problemas. Resp.: 56/250

b) Tenha acertado pelo menos um dos problemas. Resp.: 176/250
c) Tenha acertado apenas o segundo problema. Resp.: 42/250
d) No tenha acertado problema algum. Resp.: 74/250
7 - Ao escolher entre diversos fornecedores de computadores, um comprador deseja saber
a probabilidade de um computador falhar durante os dois primeiros anos. Sabendo-se
que s existem duas possibilidades; ou o computador falha durante os dois primeiros
anos ou no falha, qual essa probabilidade? Agora se voc conhecesse o resultado
de uma pesquisa do PC World feita com 4000 usurios de computadores, na qual
revela que 992 computadores falham durante os dois primeiros anos, qual ser a
probabilidade estimada? Resp.: 0,5 e 0,248.
8 - Um tero dos eleitores de certa comunidade constituido de mulheres, e 40% dos
eleitores votaram na ltima eleio presidencial. Supondo que esses dois eventos
sejam independentes, determine a probabilidade de escolher um eleitor da lista geral,
que seja mulher e que tenha votado na ltima eleio presidencial. Resp.: 0,13
9 - Uma urna contm duas bolas brancas e cinco pretas. Qual a probabilidade de sair
duas bolas pretas supondo que os sorteios so feitos com reposio? Resp.: 25/49
10 - Se cada carta de um baralho de 52 cartas tem a mesma chance de ser escolhida,
ento qual a probabilidade de:
a) se extrair cada uma delas? Resp.: 1/52
b) de se extrair uma dama? Resp.: 4/52
11 - Qual a probabilidade de se obter trs ou menos pontos no lanamento de um dado?
Resp.: 1/2
12 - Uma urna contm duas bolas brancas, trs pretas e cinco azuis.
a) Qual a probabilidade de se extrair uma bola branca? Resp.: 1/5
b) Qual a probabilidade de se extrair uma bola preta ou uma azul? Resp.: 4/5
13 - No lanamento de dois dados qual a probabilidade de sair o par (5,2)? Resp.: 1/36
14 - Suponha que a probabilidade de que ambas crianas gmeas sejam meninos 0,30 e
que a probabilidade de que sejam meninas 0,26. Dado que a probabilidade de uma
criana seja menino 0.52, qual a probabilidade de que:
a) A segunda criana seja um menino, sabendo-se que o primeiro um menino?
Resp.: 0,577.
b) A segunda criana seja uma menina, sabendo-se que a primeira uma menina?
Resp.: 0,542.
15 - Uma urna contm duas bolas brancas, trs verdes e cinco azuis. Se trs bolas so
retiradas ao acaso, sem reposio, determine a probabilidade de trs bolas verdes
ocorrerem. Resp.: 0,0083.
52
16 - A probabilidade de que um time de futebol vena seu prximo oponente estimada

em 0,7 se no chover, mas s em 0,5 se chover. Se os registros meteorolgicos
mostrarem que choveu 40 por cento das vezes, na data do jogo, nos anos passados,
qual a probabilidade de que o time vena seu prximo oponente? Resp.: 0,62.
17 - Empregados de certa firma so submetidos a um teste de aptido quando empregados
pela primeira vez. A experincia mostrou que dos 60 por cento que passaram no teste,
80 por cento deles eram bons trabalhadores, enquanto dos 40 por cento dos que no
conseguiram passar s 30 por cento foram avaliados como bons trabalhadores. Qual
a probabilidade de que um empregado escolhido ao acaso seja um bom trabalhador?
Use aqui a tcnica da rvore. Resp.: 0,60.
18 - Suponhamos que seja p a probabilidade de que o tempo (com sol ou nublado) seja o
mesmo do dia anterior. Se hoje for dia de sol, qual a probabilidade de que depois de
amanh tenhamos tambm um dia de sol? Resp.: 2p2 2p + 1
19 - Um saco contm trs moedas, uma das quais foi cunhada com duas caras, enquanto
as outras duas so normais e no viciadas. Uma moeda retirada ao acaso e jogada.
Dado que o resultado foi cara, qual a probabilidade de que essa seja a moeda de duas
caras? Resp.: 0,5.
20 - As probabilidades de que trs homens atinjam um alvo so, respectivamente, 16 , 14 e 13 .
Cada um atira uma vez em direo ao alvo.
a) Determine a probabilidade p de que exatamente um deles atinja o alvo. Resp.:
0,431.
b) Se apenas um atinge o alvo, qual a probabilidade de ele ser o primeiro homem?
Resp.: 0,194.
53
5
5.1
Variveis Aleatrias
Introduo
Ao descrever um espao amostral associado a um experimento E, podemos observar que os resultados possveis no so, necessariamente, nmricos. Consideremos, por
exemplo, o seguinte experimento:
E1 : Lanar duas moedas e observar a face superior de cada uma.
Neste experimento, temos = {CC, CK, KC, KK} e, na prtica, o que realmente
podemos estar interessados em observar , por exemplo, o nmero de vezes que ocorre
cara (C), ou seja, temos interesse num nmero real que est associado a cada resultado do
espao amostral .
Definio 5.1 (Varivel Aleatria). Seja E um experimento aleatrio e um
espao amostral associado ao experimento. Dizemos que a funo X uma varivel
aleatria quando associa a cada elemento do espao amostral, , um nmero
real, x = X().
Notao: X, Y , Z, etc.
Esquematicamente, temos:
(Esboar a funo (ou varivel aleatria) que associa a cada elemento
do espao amostral, , um nmero real, x = X() )
54
Exemplo 1: Considere o experimento

E1 : Lanar duas moedas e observar a sequncia de caras (C) e coroas (K).
Se X a varivel aleatria que representa o nmero de vezes que ocorre cara (C):
a) Descreva o espao amostral, , e obtenha os possveis valores que a varivel aleatria
X pode assumir.
b) Represente atravs de um grfico o espao amostral e a funo X = X(), isto , a
varivel aleatria X.
Soluo:
Atravs do Exemplo 1, podemos notar que, ao descrever um espao amostral associado a um experimento E, no necessariamente, um resultado individual um nmero.
Neste exemplo, vimos que = {KK, CK, KC, CC} e, na prtica, o que realmente podemos estar interessados em observar o nmero de vezes que ocorre cara (C), ou seja,
temos interesse num nmero real que est associado a cada resultado do espao amostral
.
Definio 5.2 (Eventos Equivalentes). Sejam um experimento E e seu espao
amostral . Seja X uma varivel aleatria definida em e seja RX seu contradomnio.
Seja B um evento definido em relao a RX , isto , B RX . Defina o evento A como
A = { ; X() B}.
Neste caso dizemos que A e B so eventos equivalentes.
Definio 5.3 (Probabilidade de Eventos Equivalentes). Seja B um evento no

contradomnio RX . Nesse caso, definimos P (B) da seguinte maneira:
P (B) = P (A),
onde A = { ; X() B}.
Exemplo 2: A partir do exemplo anterior, temos RX = {0, 1, 2}, onde cada um

desses valores ocorre com as seguintes probabilidades:
55
5.2
Variveis Aleatrias Discretas
Definio 5.4 (Varivel Aleatria Discreta). Dizemos que uma varivel aleatria
discreta se o nmero de valores possveis finito ou infinito enumervel (contvel),
de maneira que podemos listar todos os resultados como x1 , x2 , x3 , ....
Definio 5.5 (Funo de Probabilidade). a funo p = p(xi ) que associa uma
probabilidade a cada valor xi da varivel aleatria X.
Notao:
X
x1
P (X = xi ) = p(xi ) p(x1 )
x2
x3
...
p(x2 ) p(x3 ) . . .
Definio 5.6 (Distribuio de Probabilidades). Ao conjunto de todos os pares

[xi , p(xi )], i = 1, 2, ..., n, ... damos o nome de Distribuio de Probabilidades da
varivel aleatria X, desde que:
1. p(xi ) 0, i;
2.
i=1 p(xi ) = 1.
Exemplo 3: A partir do Exemplo 1, obtenha a distribuio de probabilidades da
varivel aleatria X e represente-a atravs de um grfico.
Exemplo 4: Considerando a varivel aleatria (v.a.) X cuja funo de probabilidade

dada por:
1
P (X = x) = x , x = 1, 2, 3, ...
2
a ) Mostre que X tem realmente uma distribuio de probabilidades.
b ) Faa um grfico representando o comportamento desta distribuio.
c ) Obtenha:
56
i . P (X ser par). Resp.: 1/3

ii . P (X 3). Resp.: 1/4
iii . P (X ser mltiplo de 3). Resp.: 1/7
5.3
Variveis Aleatrias Contnuas
Definio 5.7 (Varivel Aleatria Contnua). A varivel aleatria X contnua

se existir uma funo f , denominada funo densidade de probabilidade (f.d.p.) de X
que satisfaa s seguintes condies:
a) f (x) 0 para todo x;
R +
b) f (x)dx = 1.
Observaes: Se X uma varivel aleatria contnua, ento:
(i) Para quaisquer a, b, com < a < b < +, teremos
P (a X b) = P (a < X b)
= P (a X < b)
= P (a < X < b)
Z b
=
f (x)dx.
a
Probabilidade essa, que pode ser representada pela rea sob o grfico da funo f no
intervalo [a, b], tal como ilustrado abaixo:
Rb
(Esboar o grfico representando a rea definida por P (a < X < b) = a f (x)dx)
(ii) P (X = k) = 0, onde k qualquer valor real.

57
Exemplo 5: Suponha que estamos atirando dardos em um alvo circular de raio de 10

cm, e seja X a distncia do ponto atingido pelo dardo ao centro do alvo. A f.d.p. de X

kx, 0 x 10
f (x) =
0, c.c
a) Identifique o valor de k.
b) Qual a probabilidade de acertar a mosca, se ela um crculo de raio 1 cm?
c) Calcule a probabilidade de acertar um crculo de raio 1 cm, sabendo que a distncia
entre o ponto atingido pelo dardo e o centro do alvo est entre 0,5 cm e 3,5 cm.
5.4
Funo de Distribuio Acumulada
Definio 5.8 (Funo de Distribuio Acumulada - f.d.a.). A funo de distribuio acumulada F , ou simplesmente funo de distribuio (f.d.) de uma varivel
aleatria X qualquer definida como
F (r) = P (X r),
58
r R.
Observao:
a) Se a varivel aleatria X for discreta, ento a funo de distribuio ser dada por
X
F (r) = P (X r) =
p(xi ),
i ; xi r
b) Se a varivel aleatria X for contnua, ento a funo de distribuio ser dada por
Z r
f (x)dx.
F (r) = P (X r) =
Exemplo 6: Suponhamos que a varivel aleatria X tome os trs valores 0, 1 e 2,

com probabilidades 1/3, 1/6 e 1/2, respectivamente. Encontre a funo de distribuio F
e represente-a graficamente.
Exemplo 7: Encontre a funo de distribuio de X cuja f.d.p. dada por

2x, 0 < x < 1,
f (x) =
0, c.c.
Esboe os grficos da f.d.p., f (x), e da funo de distribuio F .
59
5.4.1
Propriedades da Funo de Distribuio
A seguir veremos algumas propriedades importantes da funo de distribuio acumulada F de uma varivel aleatria X qualquer:
(i) A funo F no decrescente.
(ii) F contnua direita.
(iii)
F () lim F (x) = 0
x
e
F (+) lim F (x) = 1.
x+
Alguns Teoremas importantes relacionados funo de distribuio acumulada, tambm so apresentados a seguir:
Teorema 5.1. Seja X uma varivel aleatria discreta, com valores possveis x1 , x2 , ...,
e suponha-se que esses valores tenham sido indexados de modo que x1 < x2 < .... Seja
F a funo de distribuio de X. Ento,
p(xi ) = P (X = xi ) = F (xi ) F (x
i ),
onde F (x
F (x).
i ) limxx
i
Teorema 5.2. Seja F a funo de distribuio de uma varivel aleatria contnua,

com f.d.p. f . Ento,
dF (x)
f (x) =
,
dx
para todo x no qual F seja derivvel.
Exemplos:
a) Considerando os dados do Exemplo 6, temos:
60
b) Considerando os dados do Exemplo 7, temos:
Observaes:
1) Se X for uma varivel aleatria discreta, o grfico da funo de distribuio ser
constitudo por segmentos de reta horizontais. Alm disso, a funo F contnua, exceto
nos valores possveis de X: x1 , ..., xn , ...; pois, para cada valor xi o grfico apresenta um
salto de magnitude p(xi ) = P (X = xi ).
2) Se X for uma varivel aleatria contnua, ento
(i) P (a < X < b) = F (b) F (a).
(ii) P (X > a) = 1 F (a).
Exemplo: Considerando os dados do Exemplo 7, calcule P (0 X 1, 5),
P (X > 0, 4), P (0, 5 X 1, 5) e P (X 1).
61
1 - Sabendo-se que a v.a. X assume os valores 1,2 e 3 e que sua funo de distribuio
F (x) tal que
F (1) F (1 ) = 1/4,
F (2) F (2 ) = 1/2,
F (3) F (3 ) = 1/4.
Obter a distribuio de X, a funo de distribuio acumulada e seu respectivo
grfico.
2 - Dada a seguinte funo de distribuio

0,
x < 0,
F (x) =
x
1 e , x 0.
a) Encontre a probabilidade da varivel X assumir os seguintes valores:
(i) P (X = 1). Resp.: 0
(ii) P (0.5 < X < 1). Resp.: 0,239
(iii) P (X > 1). Resp.: 0,368
b) Encontre a f.d.p. da varivel X.
c) Esboe um grfico ilustrando cada uma das situaes descritas acima.
d) Determine o valor de tal que F () = 1/4. Resp.: 0,288
3 - Seja X o tempo at a desintegrao de alguma partcula radioativa e suponha que a

funo de distribuio de X seja dada por

0,
x < 0,
F (x) =
x
1 e , x 0.
Suponha que seja tal que P (X 0, 01) = 1/2. Obtenha um nmero t tal que
P (X t) = 0, 9. Resp.: 0,00152
62
6
6.1
Caracterizao Adicional das Variveis Aleatrias

Introduo
De maneira anloga ao que acontece na estatstica descritiva (resumo de dados),

no estudo de variveis aleatrias precisamos de algumas caractersticas numricas que
possam nos fornecer uma idia sobre o comportamento da distribuio de probabilidade.
A estas caractersticas denominamos de parmetros da distribuio.
Dois dos principais parmetros so: o valor esperado e a varincia. O valor esperado
de uma distribuio de probabilidades nos d uma idia de um valor mdio ou central da
distribuio. Por outro lado, a medida que nos d o grau de disperso (ou de concentrao)
dos valores assumidos pela varivel em torno da mdia a varincia.
6.2
O Valor Esperado ou Esperana de Uma Varivel Aleatria
Definio 6.1 (Valor Esperado de uma Varivel Aleatria).

Caso 1: Varivel Aleatria Discreta
Seja X uma varivel aleatria discreta, com valores possveis x1 , x2 , ..., xn , ... Seja
p(xi ) = P (X = xi ), i = 1, 2, ..., n, ... Ento, o valor esperado de X (ou esperana
matemtica de X), denotado por E(X) definido como
E(X) =
i=1 xi p(xi ),
se a srie definida acima convergir absolutamente, isto , se
i=1 |xi | p(xi ) < .

Este nmero tambm denominado o valor mdio de X, ou expectncia de X.
63
Caso 2: Varivel Aleatria Contnua

Seja X uma varivel aleatria contnua com f.d.p. f . Ento, o valor mdio de X ou
o valor esperado de X definido como
Z +
xf (x)dx.
E(X) =
Pode acontecer que esta integral (imprpria) no convirja. Consequentemente, diremos

que E(X) existir se, e somente se,
Z +
|x| f (x)dx
for finita.
Exemplo 1: Um fabricante produz peas tais que 10% delas so defeituosas e 90%
delas so no-defeituosas. Se uma pea defeituosa for produzida, o fabricante perde R$ 1,
enquanto uma pea no-defeituosa lhe d um lucro de R$ 5. Se X for o lucro lquido por
pea, qual o valor esperado de X? Resp.: 4,4 Reais
Exemplo 2: O tempo adequado de troca, X, de um amortecedor de certa marca
em automveis, sujeitos a uso contnuo e severo, pode ser considerado como uma varivel
contnua, medida em anos. Suponha que a funo densidade desta varivel seja dada pela
seguinte expresso:
x/4, 0 x 2
1/8, 2 < x 6
f (x) =
0,
caso contrrio.
a) Qual a probabilidade de um automvel, sujeito s condies descritas acima, necessitar de troca de amortecedores antes de 06 meses de uso? E entre 2 e 5 anos?
b) Qual o tempo mdio adequado para a troca do amortecedor desses automveis?
64
6.3
Esperana de uma Funo de uma Varivel Aleatria
intuitivamente evidente a idia de que qualquer funo de uma varivel aleatria X,

Y = H(X), tambm uma varivel aleatria, pois qualquer resultado aleatrio, X = x,
resultar num resultado tambm aleatrio Y = h(x) = y. Desta forma, ter sentido
calcular E(Y ).
Para se obter o valor esperado de Y = H(X) existem duas maneiras que se mostram
equivalentes. A primeira requer que se obtenha primeiramente a distribuio de Y ; problema
este que ser abordado posteriormente. Uma segunda maneira requer, simplesmente, o
conhecimento da distribuio de probabilidade de X.
Definio 6.2 (Esperana de uma Funo de uma de uma Varivel Aleatria). Seja X uma varivel aleatria e seja Y = H(X). Ento,
(a) Se Y for uma varivel aleatria discreta com valores possveis y1 , y2 , ... e se
q(yi ) = P (Y = yi ), o valor esperado de Y definido por
E(Y ) =
i=1 yi q(yi ).
(b) Se Y for uma varivel aleatria contnua com f.d.p. g, o valor esperado de Y
definido por
Z +
E(Y ) =
yg(y)dy.
Exemplo 2: Suponhamos que a varivel aleatria X tome os trs valores 2, 3 e 4, com

probabilidades 1/6, 1/2 e 1/3, respectivamente. Encontre o valor esperado de Y = X 2 .
Exemplo 3: Seja X uma varivel aleatria contnua com funo densidade de probabilidade

2x, se 0 x 1,
f (x) =
0, caso contrrio.
Encontre o valor esperado de Y = X 2 , usando a Definio 6.2. Houve alguma dificuldade?
65
Teorema 6.1. Seja X uma varivel aleatria e seja Y = H(X). Ento,

(a) Se X for uma varivel aleatria discreta e p(xi ) = P (X = xi ), tem-se que o
valor esperado de Y ser dado por
E(Y ) = E[H(X)] =
j=1 H(xj )p(xj ).
(b) Se X for uma varivel aleatria contnua com f.d.p. f , tem-se que o valor
esperado de Y ser dado por
Z +
H(x)f (x)dx.
E(Y ) = E[H(X)] =
Exemplo 4: Resolva os Exemplos 2 e 3, usando o Teorema 6.1.
Exemplos Adicionais:
a)Se Y = 3X + 1, ento E(Y ) =
b) Se Y = X 3 , ento E(Y ) =
66
6.4
Propriedades do Valor Esperado
Se X uma v.a. e a, b, k so constantes quaisquer, ento:

1. E[aX + b] = aE(X) + b.
2. E[k] = k.
3. E[X + k] = E(X) + k.
4. E[kX] = kE(X).
5. E[X ] = 0, onde = E(X).
Demonstraes:
Exemplos:
a) E[3X + 1] =
d) E[] =
b) E[ 2X ] =
e) E[ 2] =
c) E[ 2X] =
Exemplo 5: Considerando a situao problema do Exemplo 1, responda:

a) Se houver um aumento de 10% nos valores de X, qual ser o lucro lquido esperado?
Resp.: 4,84 Reais
b) E se houver um acrscimo de R$ 0,10 nos valores de X, em mdia, quanto ser o
lucro lquido? Resp.: 4,5 Reais
Exemplo 6: Seja X a varivel aleatria contnua descrita no Exemplo 3. Encontre:
a) E(Y ), onde Y = 1 X.
b) E(Z), onde Z = (X )2 e = E(X).
67
6.5
A Varincia de uma Varivel Aleatria
Definio 6.3 (Varincia de uma Varivel Aleatria).

Caso 1: Varivel Aleatria Discreta
Dada a varivel aleatria discreta X e a respectiva funo de probabilidade p(x), a
varincia de X dada por
2
V ar(X) = E[(X )2 ] =
i=1 (xi ) p(xi ),
onde = E(X).
Caso 2: Varivel Aleatria Contnua
Seja X uma varivel aleatria contnua com f.d.p. f . Ento, a varincia de X dada
por
V ar(X) = E[(X )2 ] =
R +
(x )2 f (x)dx
A raiz quadrada da Varincia de X denominada Desvio Padro de X, ou seja,

p
DP (X) = V ar(X).
Exerccio: Mostre que V ar(X) = E(X 2 ) E 2 (X), onde
2
se X for discreta,
i=1 xi p(xi ),
2
E(X ) = R +
2
x f (x)dx, se X for contnua.
Exemplo 6: Determine o desvio padro da v.a. X: lucro lquido por pea, definida
no Exemplo 1. Resp.: 1,8 Reais
Exemplo 7: Obtenha a varincia da varivel aleatria X, cuja f.d.p. dada por

1 + x, 1 x 0
f (x) =
1 x, 0 < x 1.
Resp.: 1/6
68
6.6
Propriedades da Varincia
Se X uma v.a. e k um valor qualquer, constante, ento:

1. V ar(k) = 0.
2. V ar(X + k) = V ar(X).
3. V ar(kX) = k 2 V ar(X).
4. V ar(aX + b) = a2 V ar(X).
Demonstraes:
Exemplos:
a) V ar[] =
d) V ar[3X] =
b) V ar[
2] =
e) V ar[ 2X ] =
69
c) V ar[X 7] =
1 - Uma urna contm 4 bolas brancas e 6 pretas. 3 bolas so retiradas com reposio.
Seja X o nmero de bolas brancas. Calcular E(X) e D.P.(X). Resp.: E(X) = 1, 2.
2 - A funo de probabilidade da varivel aleatria X : P (X = x) = 15 , para X =
1, 2, 3, 4, 5. Calcular E(X) e E(X 2 ), e usando esses resultados calcular:
a) E(X + 3)2 ;
b) V ar(3X 2).
Resp.: E(X) = 3, V ar(X) = 2, a) 38 b) 18.
3 - Um investidor julga que tem 0, 40 de probabilidade de ganhar R$25.000,00 e 0, 60 de
probabilidade de perder R$15.000,00 num investimento.
a) Qual o lucro esperado deste investidor? Resp.: 1000 Reais.
b) Se L o lucro do investidor, qual ser o lucro esperado de Y = 10L 1000?
Resp.: 9000 Reais.
4 - Uma seguradora paga R$30.000,00 em caso de acidente de carro e cobra uma taxa
de R$1.000,00. Sabe-se que a probabilidade de que um carro sofra acidente de 3%.
Quanto espera a seguradora ganhar por carro segurado? Resp.: E(L) = 100, 00
5 - Num jogo de dados, o jogador J1 paga R$ 20,00 ao jogador J2 e lana 3 dados. E a
seguinte regra adotada:
(A) Se sair face 1 em um dos dados apenas, J1 ganha R$ 20,00
(B) Se sair face 1 em dois dados apenas, J1 ganha R$ 50,00
(C) Se sair 1 nos trs dados, J1 ganha R$ 80,00
(D) Se nenhuma face 1 sair, J1 no recebe valor algum.
Nestas condies, qual o lucro lquido esperado pelo jogador J1 em uma jogada?
Voc considera este jogo honesto? Por que? Resp.: R$ 9, 21
6 - Um banco pretende aumentar a eficincia de seus caixas. Para isto, o banco est
oferecendo um prmio de R$ 150,00 para cada cliente atendido, alm de 42 clientes
por dia. O banco tem um ganho operacional de R$ 100,00 para cada cliente atendido
alm de 41. As probabilidades de atendimento so:
no de clientes At 41 42
Probabilidade 0,88 0,06
43
0,04
44
0,01
45
0,006
46
0,004
Qual o ganho esperado do banco, se este novo sistema for implantado? O sistema
vantajoso para o banco? Resp.: E(X) = 7, 30.
7 - Suponhamos que dez cartas estejam numeradas de 1 at 10. Das dez cartas, retira-se
uma de cada vez, ao acaso e sem reposio, at retirar-se o primeiro nmero par. Se
X uma varivel aleatria que expressa o nmero de retiradas necessrias.
70
a) Qual a funo de probabilidade de X?

b) Em quantas retiradas espera-se obter o primeiro nmero par?
8 - Um vendedor de equipamentos pesado pode visitar, num dia, um ou dois clientes,
com probabilidade de 1/3 ou 2/3, respectivamente. De cada contato, pode resultar
a venda de um equipamento por R$ 50.000,00(com probalidade 1/10) ou nenhuma
venda (com probabilidade 9/10). Indicando por Y o valor total de vendas dirias
desse vendedor:
a) Escreva a funo de probabilidade de Y ;
b) Qual o valor total esperado de vendas dirias?
Resp.: a) Y = {0, 50.000, 100.000} com probabilidades 126/150, 23/150, 1/150. b)
E(Y ) = 8.333, 33
9 - Calcule a varincia do problema anterior.
10 - O tempo T , em minutos, necessrio para um operrio processar certa pea uma
v.a. com a seguinte distribuio de probabilidade.
T =t
P (T = t)
2
0,1
3
0,1
4
0,3
5
0,2
6
0,2
7
0,1
a) Calcule o tempo mdio de processamento.

b) Para cada pea processada, o operrio ganha um fixo de R$ 2,00, mas, se ele
processa a pea em menos de seis minutos, ganha R$ 0,50 em cada minuto
poupado. Por exemplo, se ele processa a pea em quatro minutos, recebe a
quantia adicional de R$ 1,00. Encontre a distribuio, a mdia e a varincia da
v.a. G: quantia ganha por pea.
c) Obtenha a funo de distribuio acumulada da varivel aleatria T .
Resp.: a) E(T ) = 4, 6 b) E(G) = 2, 75 e V ar(G) = 0, 4125
11 - O servio de meteorologia classifica o tipo de cu que visvel, em termos de graus
de nebulosidade. Uma escala de 11 categorias empregada: 0,1,2,...,10, onde 0
representa um cu perfeitamente claro, 10 representa um cu completamente encoberto, enquanto os outros valores representam as diferentes condies intermedirias.
Suponha-se que tal classificao seja feita em uma determinada estao meteorolgica, em um determinado dia e hora. Seja X a varivel aleatria que pode tomar um
dos 11 valores acima. Admita que a distribuio de probabilidade de X seja
X=x
P (X = x)
0
0,05
1
0,15
2
0,15
3
0,06
Encontre E(X), E(X 2 ) e V ar(X).
71
4
0,06
5
0,06
6
0,06
7
0,06
8
0,15
9
0,15
10
0,05
12 - A percentagem de lcool (100X) em certo composto pode ser considerada uma varivel aleatria, onde X, tem a seguinte funo densidade:

f (x) =
20x3 (1 x),
0,
0<x<1
c.c.
a) Obtenha a funo de distribuio acumulada de X.

b) Calcule P (X 2/3). Resp.: 0,46
c) Suponha que o preo de venda desse composto dependa do contedo de lcool. Especificadamente, se 1/3 < X < 2/3, o composto vendido por C1
u.m/galo; caso contrrio, vendido por C2 u.m/galo, determine o lucro lquido mdio por galo. Resp.: 0,4156C1 + 0,5844C2
72

Livro: Estatstica Bsica. Wilton O. Bussab e Pedro A. Morettin.
Captulo 5 (Probabilidades)
Problema
Pgina (5a. Edio e 6a. Edio)
1e2
105
5e6
106
11 e 12
110
15, 16, 18 e 21
115
25
121
26, 27, 28 e 30
122
34 e 36
123
40 e 41
124
Captulo 6 (Variveis Aleatrias Discretas):
Problema Pgina (5a. Edio e 6a. Edio)
1, 2 e 3
135
Captulo 7 (Variveis Aleatrias Contnuas)
2
166
10 e 12
172
28 (a e b)
194
Pgina (6a. Edio)

167
173
196
73

Perodo: 2015.1
Professor(a):
Aluno(a):
NOTAS DE AULA PARA O 3o ESTGIO
Modelos Probabilsticos para Variveis Aleatrias

Discretas
Introduo
Em muitas situaes, alguns experimentos aleatrios apresentam caractersticas bastante peculiares. Este fato possibilita que, uma vez identificadas estas caractersticas, um
particular modelo probabilstico seja proposto para modelar o fenmeno em estudo.
neste contexto, que passaremos ao estudo de alguns dos principais modelos probabilsticos.
7.1
Distribuio de Bernoulli
Em muitos experimentos os resultados so tais que ocorre ou no ocorre determinada

caracterstica. Por exemplo:
1. Ao lanar uma moeda: o resultado ou cara, ou no (ocorrendo, ento, coroa);
2. Ao lanar um dado: ocorre nmero par ou no (ocorrendo nmero mpar);
3. Uma pessoa escolhida ao acaso dentre 1000: ou ela do sexo masculino ou no (
do sexo feminino);
4. Uma pessoa escolhida ao acaso dentre 1000: ou ela favorvel a um determinado
projeto governamental ou no.
Em todas estes casos, estamos interessados na ocorrncia (sucesso) ou no (fracasso)
de determinada caracterstica. Ento, para cada experimento acima podemos definir uma
v.a. X, que assume valores: 1, se ocorrer sucesso, e 0, se ocorrer fracasso. E, indicaremos
por p a probabilidade de sucesso, isto , P (sucesso) = P (X = 1) = p, 0 < p < 1.
Definio 7.1 (Distribuio de Bernoulli). Uma varivel aleatria X, que assume
apenas os valores 0 e 1, dita ter distribuio de Bernoulli com parmetro p, 0 < p < 1,
se sua funo de probabilidade dada por

p,
se x = 1
P (X = x) =
1 p, se x = 0
74
Notao: X Ber(p).
Observao: Experimentos que resultam numa v.a. de Bernoulli so chamados ensaios de Bernoulli.
Propriedades:
E(X) = p.
V ar(X) = p(1 p).
Exemplo 1: Ao lanar um dado perfeito, considere a varivel aleatria a seguir:

1, se ocorrer nmero menor que 3;
X=
0, caso contrrio.
Qual a distribuio de X? Obtenha os valores de E(X) e V ar(X).
7.2
Distribuio Binomial
Definio 7.2 (Experimento Binomial). Um experimento binomial consiste de

n tentativas independentes de um mesmo experimento aleatrio, onde cada tentativa
adimite apenas dois resultados: sucesso, com probabilidade p, e fracasso, com probabilidade 1 p. Pode-se dizer ainda que um experimento binomial consiste de n ensaios
independentes de Bernoulli, cuja probabilidade de sucesso em cada ensaio constante
e igual a p, 0 < p < 1.
Definio 7.3 (Varivel Aleatria Binomial). Uma varivel aleatria definida
como X: nmero de sucessos num experimento binomial dita ser uma Varivel Aleatria Binomial com parmetros n e p.
Teorema 7.1. Se X uma varivel aleatria binomial com parmetros n e p, ento

n
P (X = k) =
pk (1 p)nk , k = 0, 1, ..., n,
k
onde k o nmero de sucessos nos n ensaios.
Notao: X B(n, p).
Propriedades:
E(X) = np
V ar(X) = np(1 p)
75
Exemplo 2: Um fabricante de peas de automvel garante que uma caixa de suas

peas conter, no mximo, duas defeituosas. Sabe-se que uma caixa contm 20 peas,
e a experincia tem demonstrado que, em seu processo de fabricao, 6% das peas so
defeituosas. Selecionada uma dessas caixas, ao acaso, encontre:
a) A probabilidade de que nenhum dos itens tenha defeito;
b) A probabilidade de que todas as peas sejam defeituosas;
c) A probabilidade de que a caixa satisfaa a garantia;
d) O nmero de peas defeituosas esperadas nesta caixa.
7.3
Distribuio Hipergeomtrica
Considere uma populao (conjunto) composta de N objetos, r dos quais tm uma

certa caracterstica A, logo, N r no tm a caracterstica A (A). Suponha que n desses
objetos so escolhidos ao acaso sem reposio e que estamos interessados na varivel
X : nmero de elementos que possuem a caracterstica A dentre os n.
Ento, a varivel definida desta forma dita ter distribuio hipergeomtrica com
parmetros N , r e n e funo de probabilidade dada por
r N r
x
nx
, x = max(0, n N + r), 1, 2, ..., min(r, n).
P (X = x) =
N
n
Notao: X hip(N, r, n).
Propriedades:
E(X) = np
n
V ar(X) = np(1 p) N
,
N 1
onde p = Nr a probabilidade de se obter um objeto com a caracterstica A numa

nica extrao.
76
Observao: Quando a populao muito grande, ou seja, N , quando

comparado com n, a retirada ao acaso, com ou sem reposio, sero praticamente equivalentes, de modo que a distribuio hipergeomtrica se aproxima da distribuio
binomial.
Exemplo 3: Em problemas de controle de qualidade, lotes com N itens so examinados. Se num certo lote de 100 peas, dentre as quais 20 so defeituosas, voc escolhe
ao acaso 5 itens, sem reposio, calcule:
a) A probabilidade de nenhum item ser defeituoso;
b) A probabilidade de no mais do que um item ser defeituoso;
c) O nmero esperado de itens defeituosos.
7.4
Distribuio Geomtrica
Considere um experimento cujos resultados podem ser classificados como sucesso ou

fracasso. Seja p a probabilidade de sucesso, logo, 1 p a probabilidade de fracasso.
Considere a varivel aleatria
X: nmero de ensaios at ocorrer o primeiro sucesso
Suponha que os ensaios so independentes. Dessa forma,
P (X = x) = (1 p)x1 p, x = 1, 2, ...
A varivel definida acima chamada de distribuio geomtrica com parmetro p.
Notao: X G(p).
Propriedades:
E(X) =
1
p
V ar(X) =
1p
p2
77
Exemplo 4: Se a probablidade de que um certo ensaio d reao positiva for igual a

0,4, qual ser a probabilidade de que:
a) Exatamente 3 reaes negativas ocorram antes da primeira positiva?
b) Menos de 3 reaes negativas ocorram antes da primeira positiva?
7.5
Distribuio de Poisson
Suponha, agora, que o interessse num certo experimento seja contar o nmero de
ocorrncia de um certo evento, o qual pode ocorrer durante um intervalo de tempo, ao
longo de uma superfcie ou volume. Por exemplo:
1. Durante o intervalo de uma hora, observar o nmero de carros que passam numa
rodovia;
2. Ao inspecionar a pintura de um carro, deseja-se observar o nmero de falhas;
3. Ao realizar o controle de qualidade de um produto alimentcio, deseja-se conhecer o
nmero de bactrias.
Em todas estas condies poderemos trabalhar com a seguinte distribuio de probabilidade:
Definio 7.4 (Distribuio de Poisson). Dizemos que a varivel aleatria X :
nmero de ocorrncia de um certo evento num determinado intervalo de tempo, superfcie ou volume, tem distribuio de Poisson com parmetro ( > 0), se sua funo
de probabilidade dada por
P (X = x) =
e x
, x = 0, 1, 2, ...
x!
Notao: X P oisson().
O parmetro usualmente referido como a taxa de ocorrncia e diz respeito ao
nmero de eventos de certo tipo que ocorrem em um intervalo de tempo, ou distncia, ou
rea, ou volume.
78
Propriedades:
E(X) =
V ar(X) =
Observao: Se X tem distribuio Binomial, ou seja, X B(n, p), em que n
bastante grande com p pequeno, de modo que np 7, ento a distribuio de X se
aproxima da distribuio de Poisson com parmetro = np, isto , X P oisson(np).
Exemplo 5: Um companhia recebe uma mdia de 5 chamadas por minuto. Obtenha:
a) A probabilidade de que a companhia no receba chamadas durante o intervalo de 1
minuto. Resp.: 0, 674%
b) A probabilidade de que a companhia receba, no mximo, 2 chamadas em 4 minutos.
Resp.: 0, 0000456%
Exemplo 6: Seja X B(200, 0, 01). Calcular P (X = 10) usando a distribuio binomial e compare com o valor aproximado pela Poisson. Resp.: 3,326105 e 3,819105
79
1 - Para os exerccios (a) a (e) abaixo, considere o enunciado:
Das variveis abaixo descritas, assinale quais so binomiais, e para essas d os respectivos campos de definio e funo de probabilidade. Quando julgar que a varivel
no binomial, aponte as razes de sua concluso.
a) De uma urna com 10 bolas brancas e 20 pretas, vamos extrair, com reposio,
cinco bolas. X o nmero de bolas brancas nas cinco extraes.
b) Refaa o problema anterior, mas dessa vez as n extraes so sem reposio.
c) Temos cinco urnas com bolas pretas e brancas e vamos extrair uma bola de
cada urna. Suponha que X seja o nmero de bolas brancas obtidas no final.
d) Vamos realizar uma pesquisa em dez cidades brasileiras, escolhendo ao acaso
um habitante de cada uma delas e classificando-o em pr ou contra um certo
projeto federal. Suponha que X seja o nmero de indivduos contra o projeto
no final da pesquisa.
e) Em uma indstria existem 100 mquinas que fabricam determinada pea. Cada
pea classificada como boa ou defeituosa. Escolhemos ao acaso um instante
de tempo e verificamos uma pea de cada uma das mquinas. Suponha que X
seja o nmero de peas defeituosas.
2 - Se 3% dos habitantes de uma grande cidade so empregados do Governo, determine
a probabilidade de:
a) Nenhum ser empregado do Governo numa amostra aleatria de 50 habitantes?
Resp.: 21,8%
b) Encontrar no mximo 3 empregados do governo na amostra do item anterior?
Resp.: 93,7%
3 - Um fabricante de peas de automvel garante que uma caixa de suas peas conter,
no mximo, duas defeituosas. Se a caixa contm 20 peas, e a experincia tem
demonstrado que, em seu processo de fabricao, 6% das peas so defeituosas, qual
a probabilidade de que uma caixa satisfaa a garantia? Resp.: 88,5%
4 - De acordo com as estimativas de uma companhia de seguros, a probabilidade de
incndio numa casa de 1% ao ano. A firma segura 400 casas.
a) Se muitos dos segurados vivem em casas adjacentes, por que tal circunstncia
pode invalidar o uso da distribuio binomial?
b) Suponha que os segurados morem em casas distantes umas das outras. Qual a
probabilidade de:
i) 0 incndio? Resp.: 1,8%
ii) 1 incndio? Resp.: 7,3%
5 - A probabilidade de um atirador acertar o alvo 1/3. Se ele atirar 6 vezes, qual a
probabilidade de:
80
a) acertar exatamente 2 tiros. Resp.: 0,329

b) no acertar tiro algum. Resp.: 0,088
6 - Em seis lanamentos de um dado equilibrado, qual a probabilidade de ocorrer:
a) nenhuma vez a face 6. Resp.: 33, 5%
b) 6 vezes a face 2. Resp.: 0, 0021%
c) pelo menos uma vez a face 4. Resp.: 66, 5%
7 - Em Campina Grande, nascem por ano 52% de crianas do sexo masculino. Nas
famlias com 4 crianas, qual a probabilidade de:
a) todas serem homens. Resp.: 7, 31%
b) todas serem mulheres. Resp.: 5, 31%
c) todas serem do mesmo sexo. Resp.: 12, 62%
d) haver a mesma quantidade de homens e mulheres. Resp.: 37, 38%
8 - Uma prova composta de 10 questes objetivas, onde cada questo possui 5 alternativas com apenas uma correta. Sabendo-se que um estudante no sabe respond-las
e ir apelar inteiramente pela sorte. Qual a probabilidadede que:
a) acerte 5 questes. Resp.: 2.64%
b) erre todas as questes. Resp.: 10.74%
c) acerte no mnimo 3 e, no mximo 5 questes. Resp.: 31.58%
d) qual o nmero esprerado de questes corretas? Resp.: 2
9 - Suponha que, em um determinado vo, motores de avio falhem com probabilidade
igual a 40%, e independente. Suponha ainda que um avio voa com segurana
se, pelo menos, metade dos seus motores no falha. Nestas condies, um avio
quadrimotor dever ser preferido a um bimotor? Justifique sua resposta!
Resp.: No! O vo com segurana do bimotor de 84%, contra 82, 08% do quadrimotor.
10 - Num determinado processo de fabricao 10% das peas so consideradas defeituosas.
As peas so armazenadas em caixas com 5 unidades cada uma.
a) qual a probabilidade de haver, pelo menos 1, defeituosa numa caixa? Resp.:
40, 95%
b) Se a empresa paga uma multa de R$ 10,00 por cada caixa em que houver, pelo
menos, uma pea defeituosa, qual o valor esperado da multa por caixa? Resp.:
R$ 40, 95
11 - Um produtor de sementes vende pacotes com 10 sementes cada. Os pacotes que
apresentarem mais de uma semente sem germinar sero indenizados. A probabilidade
de uma semente germinar de 0.8.
81
a) Qual a probabilidade de, no mnimo, duas sementes germinarem? Resp.: 99, 99%
b) Qual a probabilidade de um pacote ser indenizado? Resp.: 62, 42%
c) Se o produtor vender 1000 pacotes, qual o nmero esperado de pacotes indenizados? Resp.: 624
d) Quando um pacote indenizado, o produtor tem um prejuzo de R$ 1,20, e se
o pacote no for indenizado, tem um lucro de R$ de 2,50. Qual o lucro lquido
esperado por pacote? Resp.: R$ 0, 19
12 - Um entrevistador do censo deve visitar em uma determinada semana 150 residncias.
Sabe-se que a probabilidade de no ser atendido por qualquer dos domiclios visitados
de 10%. Calcule a probabilidade de o entrevistador no ser atendido por:
a) 13 domiclios. Resp.: 9,86%
b) 18 domiclios. Resp.: 7,28%
13 - Numa prateleira de supermercado esto venda, 45 embalagens de conserva, entre
as quais, 6 esto vencidas. Uma dona de casa coloca no carrinho 5 embalagens sem
olhar o prazo de validade. Qual a probabilidade de, nesta compra, haver exatamente
2 conservas vencidas? Resp.: 11, 22%
14 - Por engano 3 peas defeituosas foram misturadas com peas boas formando um lote
de 12 peas no total. Escolhendo, ao acaso, 4 dessas peas, sem reposio, determine
a probabilidade de encontrar:
a) Pelo menos 2 defeituosas. Resp.: 23,64%
b) No mximo 1 defeituosa. Resp.: 76,36%
c) No mnimo uma boa. Resp.: 100%
15 - Em um estudo sobre o crescimento de jacars, uma pequena lagoa contm 4 exemplares da espcie A e 5 da espcie B. A evoluo de peso e tamanho dos 9 jacars da
lagoa acompanhada pelos pesquisadores atravs de capturas peridicas. Determine
a probabilidade de, em trs jacars capturados, obtermos:
a) Todos da espcie A. Resp.: 4,76%
b) Nem todos serem da espcie B. Resp.: 88,1%
c) A maioria ser da espcie A. Resp.: 40,48%
16 - Uma fbrica produz peas que so embaladas em caixas com 25 unidades. Para
aceitar o lote enviado por essa fbrica, o controle de qualidade de uma empresa
procede da seguinte forma: Sorteia uma caixa do lote e, em seguida, sorteia 5 peas,
sem reposio, dessa mesma caixa. Se constatar no mximo duas defeituosas, aceita
o lote fornecido pela fbrica. Se a caixa sorteada tivesse 4 peas defeituosas, qual
seria a probabilidade de rejeitar o lote? Resp.: 1,62%
17 - A probabilidade de encontrar aberto o sinal de trnsito numa esquina 0,15. Qual a
probabilidade de que seja necessrio passar pelo local 4 vezes, para encontrar o sinal
aberto pela primeira vez? Resp.: 9,21%
82
18 - Qual a probabilidade de que um dado deva ser lanado 15 vezes para que na 15a vez
ocorra a face 6 pela primeira vez? Resp.: 0,01298
19 - Toda manh, antes de iniciar a produo, o setor de manuteno de uma indstria
faz a verificao de todo o equipamento. A experincia indica que em 95% dos
dias tudo est bem e a produo se inicia. Caso haja algum problema, uma reviso
completa ser feita e a indstria s comear a trabalhar aps o almoo. Faa alguma
suposio adicional que julgar necessria e responda:
a) Qual a probabilidade de demorar 10 dias para a primeira reviso completa?
Resp.: 3%
b) E de demorar pelo menos 15 dias? Resp.: 46,3%
20 - Um grande supermercado recebe, em mdia, cinco fregueses por minuto em seus
caixas. Qual a probabilidade de que 10 fregueses cheguem durante o primeiro minuto?
Resp.: 1,81%
21 - Um companhia recebe uma mdia de 5 chamadas por minuto. Obtenha:
a) A probabilidade de que a companhia no receba chamadas durante o intervalo
de 1 minuto. Resp.: 0,674%
b) A probabilidade de que a companhia receba, no mximo, 2 chamadas em 4
minutos. Resp.: 0,0000456%
22 - Uma central telefnica recebe, em mdia, 300 chamadas por hora e pode processar no
mximo 10 ligaes por minuto. Utilizando o modelo Poisson, calcule a probabilidade
de a capacidade de processamento dessa central ser ultrapassada. Resp.: 1,54%
23 - Uma empresa vendedora de carros usados tem as suas vendas distribudas de acordo
com um modelo de Poisson. Sabendo-se que a empresa vende, em mdia, 6 carros
por ms (considerando o ms com 30 dias de trabalho) e analisando-se uma quinzena
de vendas, qual a probabilidade de a empresa vender:
a) Apenas 3 carros? Resp.: 22,4%
b) Pelo menos 2 carros? Resp.: 80,09%
c) Nenhum carro? Resp.: 4,98%
24 - Em um processo de pintura de paredes aparecem defeitos na proporo de um por
metro quadrado. Qual a probabilidade de aparecerem 12 defeitos numa parede 16
m2 ? Resp.: 6,61%
25 - Uma urna tem 10 bolas brancas e 40 pretas.
a) Qual a probabilidade de que a 6a bola retirada, com reposio, seja a 1a branca?
Resp.: 0,0655
b) Qual a probabilidade de que em 16 bolas retiradas, sem reposio, ocorram 3
brancas? Resp.: 0,2933
83
c) Qual a probabilidade de que em 30 bolas retiradas, com reposio, ocorram no

mximo 2 brancas? Resp.: 0,0442
d) Se o nmero de bolas na urna fosse 50 brancas e 950 pretas, qual a probabilidade
de que retirando-se 100 bolas, com reposio, ocorressem pelo menos 3 brancas?
(Use a aproximao da Binomial pela Poisson) Resp.: 0,8753
84
Alguns Modelos para Variveis Aleatrias Contnuas
A seguir, sero apresentados alguns modelos probabilsticos descritos por variveis aleatrias contnuas. Cada modelo corresponde a uma famlia de distribuies de probabilidades,
expressa por densidades de probabilidades que dependem de um ou mais parmetros.
8.1
Distribuio Uniforme
Definio 8.1 (Distribuio Uniforme). Uma varivel aleatria contnua X dita

ter distribuio uniforme se a sua f.d.p. da forma
1
, se a < x < b
ba
f (x) =
0, caso contrrio
Notao: X U (a, b).

Propriedades:
E(X) =
a+b
2
e V ar(X) =
(ba)2
.
12
(Construa um grfico que ilustre a forma da f.d.p.
de uma uniforme qualquer)
Exemplo 1: Admite-se que uma pane pode ocorrer em qualquer ponto de uma rede
eltrica de 10 Km.
a) Qual a probabilidade da pane ocorrer nos primeiros 500 metros? E de ocorrer nos 3
quilmetros centrais da rede?
b) O custo de reparo da rede depende da distncia do centro de servio ao local da
pane. Considere que o centro de servio est na origem da rede e que o custo de
R$ 200,00 para distncias de at 3 Km, de R$ 400,00 para distncias entre 3 Km e
8 Km, e de R$ 1000,00 para distncias de pelo menos 8 Km. Qual o custo mdio
do conserto?
85
8.2
Distribuio Exponencial
Definio 8.2 (Distribuio Exponencial). Uma varivel aleatria contnua X,

assumindo todos os valores no negativos, ter distribuio exponencial com parmetro
> 0, se sua f.d.p. dada por
x
e , x > 0
f (x) =
0, c.c.
Notao: X Exp().
Propriedades:
(i) E(X) =
e V ar(X) =
1
.
2
(ii) A funo de distribuio acumulada F de uma exponencial com parmetro dada

por
F (x) = 1 ex , x > 0.
Observao: Como consequncia, temos que P (X > x) = ex .
(iii) (Falta de memria) Para todo s, t > 0, teremos
P (X > s + t | X > s) = P (X > t) .
(Construa um grfico que ilustre a forma da f.d.p.

qualquer)
de uma exponencial
Exemplo 2: O tempo de vida (em horas) de um transistor pode ser considerado uma
varivel aleatria com distribuio exponencial cuja mdia igual a 500 horas. De acordo
com essas caractersticas, qual a probabilidade de que um determinado transistor dure
mais do que 520 horas?
86
Exemplo 3: Seja X o tempo, em minutos, de deteces de uma partcula com um

contador geiger. Suponhamos que X tem distribuio exponencial com = 1/4.
a) Qual a probabilidade de detectarmos uma partcula dentro de 30 segundos a partir
do momento em que o contador entra em funcionamento?
b) Suponha agora que ligamos o contador geiger e 3 minutos se passaram sem que
qualquer partcula fosse detectada. Qual a probabilidade de que uma partcula seja
detectada:
(i) nos prximos 30 segundos?
(ii) aps 4 minutos do momento em que o contador entrou em funcionamento?
87
8.3
Distribuio Normal (Gaussiana)
A distribuio Normal talvez a mais importante das distribuies de probabilidade,

por razes que possivelmente ficaro claras ao longo deste curso. Erros de mensurao de
fenmenos fsicos ou econmicos so frequentemente modelados pela distribuio Normal,
mas esta no a nica aplicao desta densidade. Por exemplo, a distribuio dos pesos,
alturas e QIs das pessoas numa populao tambm j foram modelados com sucesso por
esta distribuio. A distribuio Normal tem a forma de um sino, e possui dois parmetros,
e 2.
A distribuio Normal tambm chamada de Gaussiana em homenagem ao matemtico
Carl Friederich Gauss (1777 - 1855), que a utilizou pela primeira vez na modelagem de erros
de medida. A distribuio Normal tambm funciona como uma boa aproximao para outras
densidades. Por exemplo, sob algumas condies pode-se provar que a densidade Binomial
pode ser aproximada pela Normal.
Definio 8.3 (Densidade Normal com mdia e varincia 2 ). Seja X uma
varivel aleatria contnua definida nos nmeros reais. Dizemos que X tem densidade
Normal com mdia e varincia 2 se a densidade de X :
f (x) =
1 x 2
1
e 2 ( ) .
2
Notao: X N (, 2 ).
Devemos dizer que o primeiro parmetro, (l-se: mi), a mdia ou o valor esperado
de X, enquanto que o segundo parmetro, 2 (l-se: sigma dois), a varincia de X. A
seguir exibimos grfico das distribuies Normais com mdia zero e varincias 1, 2 e 4.
(Esboar o grfico de Distribuies Normais com mdia zero e varincias
1, 2 e 4)
Note que o mximo das densidades encontrado quando x = 0, isto , quando x

igual mdia da distribuio. Isto vale para qualquer distribuio Normal: o mximo de
f (x) obtido fazendo-se x = , onde a mdia da Normal. Tambm, quanto maior o
valor da varincia 2 , mais espalhada a distribuio.
88
8.3.1
Propriedades da Distribuio Normal
(1) f (x) integra a 1, ou seja, a rea sob a curva da normal igual a 1.

(2) f (x) 0, para qualquer valor real.
(3) Os limites de f (x) quando x tende a e + so iguais a zero.
(4) A densidade N (, 2 ) simtrica em torno de , ou seja: f ( + x) = f ( x).
(5) O valor mximo de f (x) ocorre em x = .
(6) Os pontos de inflexo de f (x) so x = e x = + .
(7) E(X) = e V ar(X) = 2 .
Teorema 8.1. Se X N (, 2 ), ento a varivel aleatria definida por

Z=
X
N (0, 1),
tem distribuio normal reduzida ou normal padro.

Observaes:
1) Se quisermos calcular a probabilidade de P (a < X < b), onde X N (, 2 ),
devemos resolver a seguinte integral:
Z b
1 x 2
1
P (a < X < b) =
e 2 ( ) dx,
2
a
a qual no apresenta fcil soluo. Por isso, a soluo reduzir (ou transformar) a varivel
X para uma varivel:
X
,
Z=
que tem distribuio normal padro, e, assim obter a probabilidade de interesse na Tabela
da distribuio Normal Padro.
2) Uma das Tabelas da distribuio Normal Padro apresenta a seguinte probabilidade:
Z z
x2
1
e 2 dx
P (0 < Z < z) =
2
0
onde z um valor real positivo.
A probabilidade dada por P (0 < Z < z) corresponde a seguinte rea:
(Esboar o grfico representando a rea referente a P (0 < Z < z))
89
3) Uma outra Tabela da distribuio Normal Padro apresenta a seguinte probabilidade:

Z z
x2
1
e 2 dx
P ( < Z < z) =
2
onde z um valor real qualquer.

A probabilidade dada por P ( < Z < z) corresponde a seguinte rea:
(Esboar o grfico representando a rea referente a P ( < Z < z))
8.3.2
Exemplos do Uso da Tabela Normal Padro
Exemplo 4: Se a varivel Z tem distribuio normal padro, isto , Z N (0; 1),

obtenha:
a) P (0 Z 1, 96)
b) P (Z < 1, 64)
c) P (Z < 2, 57)
d) o valor z, na tabela da normal padro, tal que, P (Z < z) = 0, 025.
90
Exemplo 5: Considere X N (100, 25), calcular:

a) P (100 X 106)
b) P (89 X 107)
c) P (12 X 16)
d) P (112 X 116)
e) P (X 108)
f) P (X = 100)
g) P (X < 100 ou X > 106)
91
Exemplo 6: Sendo X N (50, 16), determinar x , tal que:

a) P (X x ) = 0, 05
b) P (X x ) = 0, 99
Exemplo 7: Uma fbrica de carros sabe que a durao (X) dos motores de sua
fabricao tem distribuio aproximadamente normal, com mdia de 150.000 km e desvio
padro de 5.000 km, ou seja, X N (150.000; 5.0002 ). Qual a probabilidade de que um
carro, escolhido ao acaso, dos fabricados por essa firma, tenha um motor que dure:
a) menos de 170.000 km? Resp.: 99, 997%
b) entre 140.000 km e 165.000 km? Resp.: 97, 59%
c) se a fbrica substitui o motor que apresenta durao inferior garantia (g), qual deve
ser esta garantia, para que a porcentagem de motores substitudos seja aproximadamente igual a 0, 2%? Resp.: g = 135600km
Observaes:
1) P ( < X < + ) = 0, 68268
2) P ( 2 < X < + 2) = 0, 9545
3) P ( 3 < X < + 3) = 0, 9973
92
8.3.3
Aproximao da Binomial pela Normal
Quando dispomos de uma amostra de tamanho n grande, e quando o produto da proporo

de sucesso na populao (p) pelo tamanho da amostra resulta um valor maior que cinco
(np 5), o Teorema Central do Limite nos garante que a distribuio normal constitui uma boa aproximao para a binomial, o que permite tratar uma varivel aleatria
X Bin(n, p) como uma varivel aleatria APROXIMADAMENTE normal. Essa garantia
facilita sobremaneira os clculos de probabilidades, tendo em vista que podemos usar o fato
de que, se X Bin(n, p), temos que E(X) = np e V ar(X) = np(1 p), e assim temos
que
X np
N (0, 1),
Z=p
np(1 p)
de onde temos que
P (a X b)
=P
a np
b np
p
<Z< p
np(1 p)
np(1 p)
!
.
Do contrrio, teramos que encontrar tal probabilidade calculando

X n
P (a X b) =
px (1 p)nx ,
x
o que, para n grande, se torna bastante invivel. No entanto, por aproximarmos uma
distribuio discreta por uma distribuio contnua, necessrio introduzir uma correo,
chamada de correo de continuidade. Esta correo consiste em subtrair 0,5 do valor
inferior e somar 0,5 ao valor superior. Assim, temos:
!
a
0,
5
np
b
+
0,
5
np
P (a X b)
<Z< p
.
=P p
np(1 p)
np(1 p)
Para justificar a correo de continuidade, basta atentar para a figura a seguir, sem
perda de generalidade, que representa uma varivel aleatria X Bin(10, 1/2).
Neste caso, temos que E(X) = 10

P (6 X 8)
=
1
2
= 5 e, por exemplo:
93
Observaes importantes:
1) Note que P (5 < X 8) = P (6 X 8), pois a distribuio Binomial discreta;
2) Para calcular a probabilidade P (X = a), criamos um intervalo artificial, pois com
variveis contnuas essa probabilidade seria zero. Assim,
!
a
+
0,
5
np
a
0,
5
np
<Z< p
.
P (X = a)
=P p
np(1 p)
np(1 p)
Aplicao:
Estudo do Sindicato dos Bancrios indica que cerca de 30% dos funcionrios de banco
tm problema de estresse, provenientes das condies de trabalho. Numa amostra de 200
bancrios, qual seria a probabilidade de
a) entre 50 (inclusive) e 80 (exclusive) com a doena?
b) exatamente 50 com a doena?
c) no mximo 50 com a doena?
94
1 ) Escolhe-se, aleatoriamente, um ponto no intervalo [0;10]. Qual a probabilidade de
que o ponto esteja entre 3/2 e 7/2? E entre 7/2 e 23/2? Resp.: 20% e 65%
2 ) Com o objetivo de verificar a resistncia presso de gua, os tcnicos de qualidade
de uma empresa inspecionam os tubos de PVC produzidos. Os tubos produzidos tm
6 metros de comprimento e so submetidos a grandes presses at o aparecimento do
primeiro vazamento, cuja distncia a uma das extremidades (fixada a priori) anotada
para fins de anlise posterior. Escolhe-se um tubo ao acaso para ser inspecionado.
Seja X a varivel aleatria que indica a distncia correspondente ao vazamento.
Admita que a probabilidade de ocorrncia de vazamento em todos os pontos so
iguais.
a) Calcule a probabilidade de que o vazamento esteja, no mximo, a 1 metro da
extremidade fixada;
b) Calcule a probabilidade de que o vazamento esteja a uma distncia entre 3
metros e 4 metros da extremidade fixada;
c) Existe alguma coincidncia entre os resultados obtidos em (a) e (b)? Justifique
sua resposta.
Resp.: a) 16, 7% b) 16, 7%
3 ) Consideremos um relgio eletrnico, onde o ponteiro dos segundos tem um movimento contnuo. Definamos a varivel aleatria X = ngulo formado pelo ponteiro
dos segundos e pelo eixo que passa pelo nmero 12 e vai at o centro.
a) Identifique o conjunto dos possveis valores de X.
b) Calcule a probabilidade de que, olhando para este relgio em um momento
escolhido ao acaso, encontrar ngulo X entre 120 graus e 240 graus.
Resp.: a) RX = [0, 360 ) b) 33, 3%
4 ) O tempo necessrio para um medicamento contra dor fazer efeito foi modelado de
acordo com a densidade Uniforme no intervalo de 5 a 15 minutos, tendo por base
experimentos conduzidos em animais. Um paciente, que esteja sofrendo dor, recebe o
remdio e, supondo vlido o modelo mencionado acima, pergunta-se a probabilidade
da dor:
a) Cessar em at 10 minutos?
b) Demorar pelo menos 12 minutos?
c) Durar mais de 7 minutos, sabendo-se que durou menos de 10?
Resp.: a) 50% b) 30% c) 60%
5 ) Suponha que o valor esperado de uma varivel aleatria com distribuio Uniforme
contnua igual a 1 e a varincia 1/12. Encontre a probabilidade da varivel assumir
valores menores que 3/4. Resp.: 25%
95
6 ) Seja V a velocidade do vento (em milhas por hora) e suponha-se que V seja uniformemente distribuda sobre o intervalo [0, 10]. A presso, digamos W (em libras/p
quadrado), na superfcie da asa de um avio dada pela relao: W = 0, 003V 2 .
Encontre o valor esperado de W . Resp.: 0, 1
7 ) O tempo de vida (em horas) de um transistor uma varivel aleatria T com f.d.p.
1 1 t
e 500 , t > 0
500
f (t) =
0, c.c.
Encontre:
a) A vida mdia do transistor;
b) A probabilidade de que seu tempo de vida seja maior do que a mdia.
Resp.: a) 500 horas b) 36, 79%
8 ) Estima-se que o tempo de falha de um tubo de televiso seja distribudo exponencialmente, com uma mdia de trs anos. Uma companhia oferece seguro para esses
tubos no primeiro ano de uso. Qual a porcentagem de aplices que tero que pagar?
Resp.: 28, 35%
9 ) Suponha que, em determinado perodo do dia, o tempo mdio de atendimento em
um caixa de banco seja de 5 minutos. Admitindo que o tempo para atendimento
tenha distribuio exponencial, determinar a probabilidade de um cliente:
a) Esperar mais de 5 minutos para ser atendido;
b) Esperar at 5 minutos para ser atendido;
c) Esperar entre 3 e 8 minutos para ser atendido.
Resp.: a) 36, 79% b) 63, 21% c) 34, 69%
10 ) O tempo de atendimento em uma oficina aproximadamente exponencial com parmetro = 1/4. Qual a probabilidade de:
a) Esperar no mnimo 4 minutos?
b) Espera inferior a 5 minutos?
c) Espera de exatamente 4 minutos?
Resp.: a) 36, 79% b) 71, 35% c) Zero
11 ) O tempo, em minutos, de utilizao de um caixa eletrnico por clientes de um certo
banco, foi modelado por uma varivel aleatria T com distribuio Exponencial cuja
mdia igual a 1/3. Determine:
a) P(T < 1).
b) P(T > 1 | T 2).
c) Um nmero a tal que P(T a) = 0,4.
96
Resp.: a) 95, 02% b) 4, 74% c) 0, 1703

12 ) Para uma varivel aleatria com distribuio Exponencial de parmetro igual a 1,
determine a probabilidade de sorteamos um valor que se distancie no mximo 0,5 da
mdia. Resp.: 38, 34%
13 ) Uma v.a X tem Distribuio Normal, com mdia 50 e desvio padro 10, isto ,
X N (50; 102 ), determine o valor de A, B e C, nos seguintes casos:
a) P(X > A) = 0, 0228;
b) P(X < B) = 0, 0668;
c) P(|X | < C) = 0, 6826;
Resp.: a) 70 b) 35 c) 10
14 ) Foi feito um estudo sobre a altura (X) dos alunos de uma faculdade, observando-se
que ela se distribuia com mdia 160 cm e varincia 64 cm2 . Determinar:
a) P (X 176) ;
b) P(|X 160| 8) ;
c) a porcentagem dos alunos com altura acima de 180 cm.
Resp.: a) 97, 725% b) 68, 268% c) 0, 621%
15 ) Um fabricante de mquinas de lavar sabe, por longa experincia, que a durao
de suas mquinas tem distribuio normal com mdia 1000 dias e desvio padro
de 200 dias. Se este fabricante oferece uma garantia de 1 ano (365 dias) e produz
mensalmente 2000 mquinas, quantas mquinas ele espera trocar pelo uso da garantia
dada, mensalmente? Resp.: Aproximadamente uma.
16 ) Avaliou-se que o tempo mdio desperdiado em cirurgias de longa durao (mais de
4 horas) uma varivel aleatria Normal com mdia de 90 min. e desvio padro de
50 min.
a) Qual a probabilidade de uma determinada cirurgia ter um desperdcio de tempo
de pelo menos 60 min. ?
b) Qual a probabilidade de haver um desperdcio de tempo de at 50 min.?
c) 15% das cirurgias tem um tempo de desperdcio muito alto. Acima de que valor
esse tempo considerado muito alto?
d) Em 100 cirurgias de longa durao realizadas em um certo ms, quantas esperamos encontrar com um desperdcio superior a 2 horas?
e) Em um determinado dia, foram realizadas 4 cirurgias de longa durao. Qual
a probabilidade de nenhuma ter tido um desperdcio superior a 50 min.?
Resp.: a) 72, 575% b) 21, 186% c) 142 minutos d) Aproximadamente 27 e) 0, 201%
97
17 ) Numa fbrica foram instaladas 1.000 lmpadas novas. Sabe-se que a durao mdia
das lmpadas de 800 horas e desvio padro de 100 horas, com distribuio normal.
Qual o nmero esperado de lmpadas que duraro:
a) menos de 500 horas;
b) mais de 700 horas;
c) entre 516 e 814.
Resp.: a) Aproximadamente 1 b) Aproximadamente 841 c) Aproximadamente 553
18 ) O preo de um produto se distribui normalmente com preo mdio e desvio padro
. Sabe-se que 81,98% dos preos esto situados entre ( 10) e ( + 10), sendo
que, 42,07% dos preos so superiores a 600 reais. Baseado nessas informaes,
determine e . Resp.:
= 599, 41 e
= 7, 463
19 ) A vida til (em anos) de um computador pessoal tem distribuio aproximadamente
normal com mdia de 3,9 anos e desvio padro de 1,96 anos.
a) Que proporo dos computadores falhar no primeiro ano?
b) Que proporo dos computadores durar quatro anos ou mais?
c) Que proporo dos computadores durar no mnimo dois anos?
d) Que proporo dos computadores durar mais de 2,5 anos, porm menos de
quatro anos?
e) Se o fabricante adota uma poltica de garantia segundo a qual apenas 5% dos
computadores tm de ser substitudos, qual o perodo dessa garantia?
Resp.: a) 6, 944% b) 48, 006% c) 83, 398% d) 28, 109% e) g = 0, 6856 ano
98

Livro: Estatstica Bsica. Wilton O. Bussab e Pedro A. Morettin.
Captulo 6 (Variveis Aleatrias Discretas)
22, 23 e 24
152
37
158
40
159
48
160
Pgina (6a. Edio)

152
159
160
160
Captulo 7 (Variveis Aleatrias Contnuas)

13
182
19 e 20
183
Pgina (6a. Edio)

183
184
99

IP 2015.1 Completo

Enviado por

Dados do documento

Descrição:

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Descrição:

Direitos autorais:

Formatos disponíveis

IP 2015.1 Completo

Enviado por

Descrição:

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE FEDERAL DE CAMPINA GRANDE - Campus de Campina Grande

UNIDADE ACADMICA DE ESTATSTICA

O conceito de Estatstica pode ser considerado de duas maneiras. O primeiro conceito,

Definio 1.2 (Populao). A populao um conjunto de todos os elementos

Exemplo 2: Se o objetivo de um estudo pesquisar o nvel de renda familiar de uma

Variveis (ou Dados)

Basicamente, as variveis podem ser classificadas como sendo Qualitativas ou Quantitativas.

Fases do Mtodo Estatstico

d) Nmero de dias hospedado numa pousada

Anlise Exploratria de Dados

A estatstica pode ser considerada como um instrumento ou um conjunto de mtodos

No primeiro retngulo, tem-se um conjunto de observaes da varivel idade de um

Organizao de Dados: Tabelas e Grficos

Tabela 1: Tabela de Frequncias da varivel

Exerccio: Construa uma Tabela de Frequncias para a varivel OpTV, referente

Uma representao grfica da distribuio de frequncias de uma varivel tem a vantagem

Grfico de Pizza ou de Setores - adequado para representar variveis discretas

Exerccio: Construa um Grfico de Pizza para representar distribuio de frequncias

Responda as seguintes questes:

Distribuio de Frequncias para Dados Agrupados em Classes

Em algumas situaes, necessrio o agrupamento de dados em categorias ou classes

(a) k = 5, se n 25, ou k = n, se n > 25

Representao Grfica para Dados Agrupados em Classes (Histograma)

Distribuio de Frequncias com Amplitude de Classes Desiguais

em que hi a amplitude da i-sima classe, dada por Li li .

Exerccio:: Construa um histograma para representar a distribuio de frequncias a

9,9 11,9 20,0 36,4 23,5

Construa um histograma e comente sobre alguns aspectos relevantes desta distribuio.

Medidas Resumo para Variveis Quantitativas

Medidas de Tendncia Central

Conjunto de dados 2: Nmero de gols por partida de futebol, em 6 jogos.

1. Mediana - o valor que divide o conjunto de dados ordenados em duas partes

Exemplo 1: A partir do conjunto de dados 1, pode-se obter o seguinte rol de dados:

Note que, o nmero de observaes, n = 5, mpar, logo o valor da mediana (valor

Agora, neste caso, o nmero de observaes, n = 6, par, e, portanto, existem dois

Outros Exemplos: - Classifique os conjuntos de dados a seguir com relao moda:

soma dos valores

Exemplo 5: A partir do conjunto de dados 1, a mdia obtida por:

Exemplo 6: A partir do segundo conjunto de dados, 1 2 2 3 5 5, temos:

Determine a mdia, moda e mediana.

Separatrizes: Quartis, Decis e Percentis

1 ) Identificar a posio do percentil que se deseja encontrar, atravs da seguinte

2 ) Utilizar a seguinte regra:

Determine os quartis, o stimo decil e o dcimo nono percentil.

Medidas de Disperso ou de Variabilidade

Na sumarizao de um conjunto de dados, uma nica medida representativa da posio

Na prtica, existem vrias medidas que expessam a variabilidade de um conjunto de

Vejamos, agora, como fica a varincia para as variveis X, Y e Z:

Definio 2.2 (Desvio Padro). a raiz quadrada da varincia.

Definio 2.3 (Coeficiente de Variao). O coeficiente de variao (CV) uma

(expresso em porcentagem (%)).

A utilidade imediata do coeficiente de variao a possibilidade de avaliar o grau

Exemplo 8: Considere os quilmetros rodados por 3 carros: 30 Km, 40 Km e 50

Desvio Padro (s)

Terceiro Quartil (Q3 )

a) Qual das duas turmas apresentou notas com maior variabilidade?

Determine o desvio padro e o CV.

Medidas Resumo para Dados Agrupados

Sabemos que ao agrupar um conjunto de dados em classes, perde-se informao sobre

Em algumas anlises de dados pode surgir a necessidade de se fazer um estudo sobre

Associao entre Duas Variveis Qualitativas