UNIVERSIDADE FEDERAL RURAL DO RIO DE JANEIRO - UFRRJ

INSTITUTO MULTIDISCIPLINAR - IM
DEPARTAMENTO DE TECNOLOGIAS E LINGUAGENS - DTL

ANOTAES DE ESTATSTICA I

Prof D.Sc Rosemberg Carlos

Ano 2017

1
 ndice
Programa do curso Pag.
1 Tcnicas de Contagem 4
1.1 - Introduo 4
1.2 Princpio Fundamental da Enumerao 4
1.3 Permutao Simples 4
1.4 Permutao com Repetio 4
1.5 Arranjo 5
1.6 Combinao 5
2 Fundamentao Terica de Probabilidade 5
2.1 Modelos 5
2.1.2 Modelo no-determinstico ou probabilstico 5
2.2 Experimento aleatrio 5
2.2.1 Caractersticas dos experimentos aleatrios 6
2.3 O espao amostral 6
2.3.1 Classificao de um espao amostral 7
2.4 Eventos 7
2.5 Operaes com Eventos 7
2.6 Eventos mutuamente excludentes 8
2.7 Propriedades das combinaes de eventos 8
2.7 Interpretaes do Conceito de Probabilidade 8
2.8 Partio do Espao amostral 9
3 Conceitos de Probabilidade 9
3.1 A definio clssica 9
3.1.1 Crtica definio clssica 9
3.2 A definio frequncial ou eststica 9
3.2.1 Frequncia relativa de um evento 10
3.2.2 - Crtica definio frequncial 10
3.3 Definio Axiomtica 11
4 Probabilidade Condicional 12
5 Teorema da Multiplicao 13
6 Eventos Independentes 13
7 Teorema da Probabilidade Total 14
8 Teorema de Bayes 14
9 Estatstica Descritiva 24
9.1 Populao 25
9.2 Unidade Elementar 25
9.3 Parmetro 25
9.4 Amostra 25
9.5 Estatstica 26
9.6 Estimador 26
9.7 Estimativa 26
9.8 Estatstica dedutiva e estatstica indutiva 26
9.9 Consideraes sobre levantamento de informaes estatsticas 26
9.9.1 Comparao entre Censos e Amostras 27
9.9.2 Erros No Amostrais 28
9.10 Tecnologia de Amostragem 29

2
9.10.1 Amostragem Probabilstica 29
9.10.2 Amostragem No- Probabilstica 30
10 Varivel 31
10.1 Tcnicas de Descrio Grfica 31
10.2 Descrio Grfica das Variveis (qualitativas e quantitativas) 31
10.3 Descrio Grfica das Variveis quantitativas Contnuas 32
11 Medidas de Tendncia Central 32
11.1 Mdia Aritmtica Simples 32
11.2 Mediana 33
11.3 Moda 34
12 Medidas de Variabilidade 34
12.1 Amplitude Total 34
12.2 Desvio Mdio 34
12.3 Varincia 35
12.4 Desvio Padro 36
12.5 Interpretao do Desvio Padro 36
12.6 Regra Emprica da Amplitude 37
12.7 Coeficiente de Variao 37
13 Coeficiente de Assimetria de Pearson 37
14 Desvio Quartlico 38
15 Curtose 38
16 Medidas de Posio 39
17 Varivel Aleatria Unidimensional 46
17.1 Varivel Aleatria do Tipo Discreta 46
17.2 Funo de Probabilidade 47
17.3 Parmetros Caractersticos 47
17.4 Funo de Probabilidade Acumulada 48
18 Distribuio de Probabilidade para VAD (Bernoulli e Binomial) 48
19 Varivel aleatria do tipo Contnuo 49
20 Distribuio de Probabilidade para VAC (Uniforme e Normal) 51

3
1. Tcnicas de Contagem

1.1. Introduo

Sero apresentadas as ferramentas bsicas que nos permitem determinar o nmero de elementos de
conjuntos formados de acordo com certas regras, sem que seja necessrio enumerar seus elementos.
A procura por tcnicas de contagem est diretamente vinculada histria da Matemtica e forma pela
qual as pessoas tm seu primeiro contato com a disciplina. A primeira tcnica matemtica aprendida por
uma criana a "contar", ou seja, enumerar os elementos de um conjunto de forma a determinar quantos
so os seus elementos. As operaes aritmticas so tambm motivadas (e aprendidas pelas crianas)
atravs de sua aplicao a problemas de contagem.
Por exemplo, a operao de adio sempre introduzida em conexo com um problema de contagem:

Fig.1

A figura 1 ilustra um princpio bsico de contagem, que podemos chamar de "Princpio de Adio":
Se A e B so dois conjuntos disjuntos, com p e q elementos, respectivamente, ento AUB possui p+q
elementos.

1.2. Princpio Fundamental da Enumerao ou Princpio da Multiplicao

Apresentaremos o "Princpio da Multiplicao", que, ao lado do "Princpio da Adio", constitui a

ferramenta bsica para resolver os problemas de contagem. Para motivar tal princpio, consideramos o
exemplo.
Exemplo 1) Numa sala h 3 homens e 4 mulheres. De quantos modos possvel selecionar um casal
homem-mulher?
O exemplo ilustra o Princpio Fundamental da Enumerao ou Princpio da Multiplicao, o qual diz:
Se uma deciso d(1) pode ser tomada de "x " maneiras e se , uma vez tomada a deciso d(1), a deciso
d(2) puder ser tomada de "y" maneiras, ento o nmero de maneiras de se tomarem as decises d(1) e
d(2) "xy".

1.3. Permutao Simples

Dados n objetos distintos a1, a2,....,an, de quantos modos possvel orden-los ou permut-los?
O nmero de modos de ordenar n objetos distintos :
Pn n! n (n 1) ( n 2) 3 2 1

1.4. Permutao com Repetio

um tipo de tcnica de contagem, onde a ordem dos elementos envolvidos e fundamental.

Pnn1 ,n 2 ,,n k
n! , onde: n1 n 2 n k n
(n1 !)(n 2 !) (n k !)

4
1.5. Arranjo

um tipo de contagem, onde a ordem tem influncia, entretanto, no usa a totalidade dos elementos.

n! n: total de elementos
A n ,x
(n x)! x: elementos que interessa

1.6. Combinao

Semelhante ao arranjo com uma nica diferena: a ordem dos elementos no interessa.
n
C n,x
n! n: total de elementos
x x!(n x)! x: elementos que interessa

2. Fundamentao Terica de Probabilidade

A cincia manteve-se at pouco tempo atrs, firmemente apegada lei da causa e efeito. Quando o
efeito esperado no se concretizava, atribua-se o fato ou a uma falha na experincia ou a uma falha na
identificao da causa. No poderia haver quebra da cadeia lgica. Segundo Laplace (Pierre Simon) uma
vez conhecidas a vizinhana, a velocidade e a direo de cada tomo no universo, poder-se-ia, a partir da
predizer com certeza, o futuro at a eternidade. Sabe-se hoje, atravs do princpio da incerteza, que no
bem assim. Que no existem meios que permitam determinar os movimentos dos eltrons individuais se
conhecido a sua velocidade, conforme o estabelecido em 1927, pelo fsico alemo W. Heisenberg.

2.1. Modelos

Conforme J. Neyman, toda a vez que se emprega Matemtica com a finalidade de estudar algum
fenmeno deve-se comear por construir um modelo matemtico. Este modelo pode ser: determinstico ou
ento probabilstico.

2.1.1. Modelo Determinstico.

Neste modelo as condies sob as quais o experimento executado, determinam o resultado do

experimento. Tome-se, por exemplo, a lei de Ohm, V = I.R. Se R e I forem conhecidos, ento V estar
precisamente determinado.

2.1.2. Modelo no-determinstico ou probabilstico.

um modelo em que de antemo no possvel explicitar ou definir um resultado particular. Este modelo
especificado atravs de uma distribuio de probabilidade. utilizado quando se tem um grande nmero
de variveis influenciando o resultado e estas variveis no podem ser controladas. Tome-se por exemplo,
o lanamento de um dado onde se tenta prever o nmero da face que ir sair, a retirada de uma carta de um
baralho, etc.
O modelo estocstico caracterizado como um modelo probabilstico que depende ou varia com o tempo.

2.2. Experimento Aleatrio (No-Determinstico).

No existe uma definio satisfatria de Experimento Aleatrio. Por isto necessrio ilustrar o conceito
um grande nmero de vezes para que a ideia fique bem clara. Convm lembrar que os exemplos dados so
de fenmenos para os quais modelos probabilsticos so adequados e que por simplicidade, so

5
denominados de experimentos aleatrios, quando, de fato, o que deveria ser dito modelo no-
determinstico aplicado a um experimento.
Ao descrever um experimento aleatrio , deve-se especificar no somente que operao ou
procedimento deva ser realizado, mas tambm o que que dever ser observado. Note-se a diferena entre
e .
: Joga-se um dado e observa-se o nmero obtido na face superior.
: Joga-se uma moeda 4 vezes e observasse o nmero de caras obtido.
: Joga-se uma moeda 4 vezes e observa-se a sequncia de caras e coroas.
: Um lote de 10 peas contm 3 defeituosas. As peas so retiradas uma a uma (sem reposio) at que a
ltima defeituosa seja encontrada. Conta-se o nmero de peas retiradas.
: Uma lmpada nova ligada e observa-se o tempo gasto at queimar.
: Lana-se uma moeda at que ocorra uma cara e conta-se ento o nmero de lanamentos necessrios.
: Lanam-se dois dados e anota-se o total de pontos obtidos.
: Lanam-se dois dados e anota-se o par obtido.

2.2.1. Caractersticas dos Experimentos Aleatrios.

Observando-se os exemplos acima pode-se destacar algumas caractersticas comuns:

1. Podem ser repetidos indefinidamente sob as mesmas condies.
2. No se pode adiantar um resultado particular, mas pode-se descrever todos os resultados possveis
3. Se repetidos muitas vezes apresentaro uma regularidade em termos de frequncia de resultados.

2.3. O Espao Amostral.

A cada experimento pode-se associar um conjunto de resultados.

Definio
o conjunto de todos os resultados possveis de um experimento aleatrio. Anota-se por S ou .
Exemplo 2). Determinar o espao amostra dos experimentos anteriores. refere-se ao experimento .

= { 1, 2, 3, 4, 5, 6 }
= { 0, 1, 2, 3, 4 }
= { cccc, ccck, cckc, ckcc, kccc, cckk, kkcc, ckck, kckc, kcck, ckkc, ckkk, kckk, kkck, kkkc, kkkk },
= { 3, 4, 5, 6, 7, 8, 9 , 10 }
= { t / t 0 }
= { 1, 2, 3, 4, 5, ... }
= { 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12 }
= { (1, 1), (1, 2), (1, 3), (1, 4), (1, 5), (1, 6) (2, 1), (2, 2), (2, 3), (2, 4), (2, 5), (2, 6) (3, 1), (3, 2), (3, 3),
(3, 4), (3, 5), (3, 6) (4, 1), (4, 2), (4, 3), (4, 4), (4, 5), (4, 6) (5, 1), (5, 2), (5, 3), (5, 4), (5, 5), (5, 6) (6, 1),
(6, 2), (6, 3), (6, 4), (6, 5), (6, 6) }

6
Ao descrever um espao amostra de um experimento, deve-se ficar atento para o que se est observando
ou mensurando. Deve-se falar em um espao amostral associado a um experimento e no de o espao
amostral. Deve-se observar ainda que nem sempre os elementos de um espao amostral so nmeros.

2.3.1. Classificao de Um Espao Amostra.

Um espao amostral, conforme exemplos anteriores podem ser classificados em:

a) Finito.
So os espaos: , , , , e
b) Infinitos.
i) Enumerveis (ou contveis):
ii) No-enumerveis (ou no contveis):

2.4. Eventos

O espao amostral desempenha uma funo bsica na teoria da probabilidade. Mas a probabilidade
definida para subconjuntos de um espao amostral.
Definio:
Qualquer subconjunto de um espao amostra S denominado um evento.
Assim tem-se que:
S o evento certo;
{ a } o evento elementar e o evento impossvel.
Convm observar que tecnicamente todo subconjunto de um espao amostra um evento apenas quando
ele for finito ou, ento, infinito enumervel. Se o espao amostra infinito no-enumervel possvel
construir subconjuntos que no so eventos. Se S finito, isto , #(S) = n ento o nmero de eventos
possveis #(A) = .

2.5. Combinao de Eventos ou Operaes com Eventos

Pode-se realizar operaes entre eventos da mesma forma que elas so realizadas entre conjuntos. Antes
de definir as operaes conveniente conceituar o que se entende por ocorrncia de um evento.
Seja um experimento com um espao amostra associado S. Seja um evento de S. dito que o evento
ocorre se realizada a experincia, isto , se executado S, o resultado for um elemento de .
Sejam A e B dois eventos de um mesmo espao amostra S. Diz-se que ocorre o evento:
1. A unio B ou A soma B, anotado por AB, se e somente se A ocorre ou B ocorre.

2. A produto B ou A interseo B, anotado por AB ou AB, se e somente A ocorre e B ocorrer.

7
3. A menos B ou A diferena B, anota-se A - B, se e somente se A ocorre e B no ocorre.

4. O complementar de A, anotado por A , A c ou ainda A se e somente se A no ocorre.

2.6. Eventos Mutuamente Excludentes

Dois eventos A e B, so denominados mutuamente exclusivos ou excludentes, se eles no puderem

ocorrer juntos, isto , se AB = .

2.7. Propriedade das Combinaes de Eventos

Os diagramas de Venn (John Venn 1834-1923) podem ser usados para ilustrar propriedades das operaes
entre conjuntos. As propriedades que podem ser verificadas atravs dos diagramas so:
Propriedade comutativa:
AUB = BUA
AB = BA
Propriedade associativa:
(AUB)UC = AU(BUC)
(AB)C = A(BC)
Propriedade distributiva:
A(BUC) = (AB)U(AC)
AU(BC) = (AUB) (AUC)
Propriedades da identidade:
AU = A
AU = A
As leis de De Morgan1
(AB) = AUB
(AUB) = AB

1
Em homenagem ao lgico Britnico Augustus de Morgan (1805-1871)

8
2.8 - Partio do Espao Amostral ().

Dizemos que os eventos A1 , A2 , , An formam uma partio de S ou , se:

i) Ai , i 1,2, ,n ;

ii) Ai A j , p / i j . Se A1 A2 , ento os eventos A1 , A2 , so

chamados mutuamente exclusivos (excludentes) e exaustivos a ocorrncia
de um impede a ocorrncia do outro. Ento os Ai formam uma partio do
espao amostral .
n
iii) Ai
i 1

3. Conceitos de Probabilidade

Existem pelo menos trs formas de se definir probabilidade. Entre elas tem-se a definio clssica,
frequntista ou estatstica e a axiomtica. A definio subjetiva no ser tratada.

3.1. A Definio Clssica

Seja E um experimento aleatrio e S um espao amostra associado formado por n resultados igualmente
provveis. Seja A S um evento com m elementos. A probabilidade de A, anotada
por P(A), l-se pe de A, definida como sendo: P(A) = m / n
Isto , a probabilidade do evento A o quociente entre o nmero m de casos favorveis e o nmero n
de casos possveis.
Exemplo 7. Calcular a probabilidade de no lanamento de um dado equilibrado obter-se:
(a) Um resultado igual a 4.
(b) Um resultado mpar.
Soluo:
S = { 1, 2, 3, 4, 5, 6 } n = #(S) = 6
a) A = { 4 } m = #(A) = 1 ento P(A) = m / n = 1 / 6 = 0,1667
b) B = { 1, 3, 5 } m = #(B) = 3 ento P(B) = m / n = 3 / 6 = 0,50

3.1.1. Crtica Definio Clssica

i) A definio clssica dbia, j que a ideia de igualmente provvel a mesma de com probabilidade
igual, isto , a definio circular, porque est definindo essencialmente a probabilidade com seus
prprios termos.
ii) A definio no pode ser aplicada quando o espao amostral infinito.

3.2. A Definio Frequncial ou Estatstica

Na prtica acontece que nem sempre possvel determinar a probabilidade de um evento. Neste caso
necessrio ter um mtodo de aproximao desta probabilidade. Um dos mtodos utilizados a
experimentao que objetiva estimar o valor da probabilidade de um evento A com base em valores reais.
A probabilidade avaliada atravs deste processo denominada de probabilidade emprica.

9
3.2.1. Frequncia Relativa de um Evento

Seja um experimento e A um evento de um espao amostra associado ao experimento . Suponha-se que

seja repetido n vezes e seja m o nmero de vezes que A ocorre nas n repeties de . Ento a
frequncia relativa do evento A ser:

ou seja, nmero de vezes que A ocorre/nmero de vezes que repetido

Exemplo 2:

i) Uma moeda foi lanada 200 vezes e forneceu 102 caras. Ento a frequncia relativa de caras :

ii) Um dado foi lanado 100 vezes e a face 6 apareceu 18 vezes. Ento a frequncia relativa do evento A =
{face 6} :

Definio: Seja um experimento e A um evento de um espao amostra associado S. Suponhamos que

repetido n vezes e seja a frequncia relativa do evento. Ento a probabilidade de A definida
como sendo o limite de quando n tende ao infinito, ou seja,
P(A) lim f rel (A)
n

Deve-se notar que a frequncia relativa do evento A uma aproximao da probabilidade de A. As duas
se igualam apenas no limite. Em geral, para um valor de n, razoavelmente grande a uma boa
aproximao de P(A).

3.2.2. Crtica Definio Frequncial

Esta definio, embora til na prtica, apresenta dificuldades matemticas, pois o limite pode no existir.
Em virtude dos problemas apresentados pela definio clssica e pela definio frequncial, foi
desenvolvida uma teoria moderna2, na qual a probabilidade um conceito indefinido, como o ponto e a
reta o so na geometria.

2
Devida a Andrey Nikolaevich Kolmogorov (1903-1987)

10
3.3. Definio Axiomtica

Seja um experimento aleatrio com um espao amostra associado S. A cada evento A S associa-se um
nmero real, representado por P(A) denominado probabilidade de A, que satisfaz as seguintes
propriedades (axiomas):

i) 0 P(A) 1;

ii) P(S) = 1;

iii) Se AB = ento P(AUB) = P(A) + P(B),

iv) Se A1 , A2 , A3 , forem, dois a dois, eventos mutuamente excludentes, ento:

P Ai P Ai
i 1 i 1
Obs.: Os trs primeiros axiomas so suficientes para lidar com espaos amostrais finitos. Para manejar
espaos amostrais infinitos o axioma trs deve ser substitudo pelo axioma quatro.

3.3.1. Consequncias dos Axiomas (Propriedades)

i) P() = 0

Prova:
Seja A S ento tem-se que A = , isto , A e so mutuamente excludentes. Ento:
P(A) = P(A) = P(A) + P(), pelo axioma trs. Cancelando P(A) em ambos os lados da igualdade segue
que P() = 0.

ii) Se A e A so eventos complementares ento:

P(A) + P( A ) = 1 ou P( A ) = 1 - P(A)
Prova
Tem-se que A A = e A A = S. Ento:
1 = P(S) = P(A A ) = P(A) + P( A ), pela propriedade 3.

iii) Se A B ento P(A) P(B)

Prova
Tem-se: B = A(B - A) e A(B - A) =
Assim P(B) = P(A(B - A)) = P(A) + P(B - A) e como P(B - A) 0 segue que:
P(B) P(A)

iv) Se A e B so dois eventos quaisquer ento:

P(A - B) = P(A) - P(AB)

Prova
A = (A - B)(AB) e (A - B) (AB) =
Logo P(A) = P((A - B)(AB)) = P(A - B) + P(AB). Do que segue:
P(A - B ) = P(A) - P(AB)

11
v) Se A e B so dois eventos quaisquer de S, ento:

P(AB) = P(A) + P(B) - P(AB)

Prova
AB = (A - B)B e (A - B)B= Tem-se ento:
P(AB) = P((A - B)B) = P(A - B) + P(B) = P(A) + P(B) - P(AB), pela propriedade (iv).

vi) P(ABC) = P(A) + P(B) + P(C) - P(AB) - P(AC) - P(BC) + P(ABC)

Prova

Faz-se BC = D e aplica-se a propriedade (v) duas vezes.

vii) Se A1 , , An so dois a dois mutuamente exclusivos, ento:

n
n
P Ai P Ai
i 1 i 1

viii) Se A1 , , An so eventos de um espao amostra S, ento:

n n n n
n 1
P A i P A i P A i A j P A i A j A k 1 P A i A j A k
i 1
i 1 i j i j k

Os axiomas mais as propriedades fornecem um conjunto de resultados para que se possa calcular a
probabilidade de qualquer evento A em termos de outros eventos dados. Entretanto ainda necessria a
atribuio de probabilidades iniciais para um conjunto bsico de eventos a partir do qual as probabilidades
dos demais podero ser obtidas. Este problema resolvido a seguir.

4. Probabilidade Condicional

As urnas de provas constituem um argumento de ampla visualizao para fenmenos aleatrios,

considerando-se a condicionalidade dos eventos. Uma urna dicotmica admite dois eventos possveis.
Com relao ao processo de extrao de bolas retiradas, as urnas so classificadas como reposio e sem
reposio, conforme o retorno ou no da bola para urna. As urnas com reposio exemplificam uma
populao infinita (urna no exaustiva) e enquanto as urnas sem reposio exemplificam uma populao
finita (urna exaustiva).

Exemplo 3. Suponha ento, uma urna dicotmica contendo 100 bolas, das quais 20 so brancas e 80 so
vermelhas. Considere o experimento que consiste na retirada de duas bolas da urna uma aps a outra.
Vamos definir os seguintes eventos:
a) 1 bola extrada branca;
b) 2 bola extrada branca.

12
Exemplo 4. Considere 250 alunos que cursam faculdade destes, 100 so homens e 150 so mulheres, 110
cursam matemtica e 140 cursam informtica. Os alunos so distribudos segundo o quadro abaixo:
Curso
Mat Inf Total
H 40 60 100
Sexo M 70 80 150
Total 110 140 250
P(Mulher Inf ) ?
P(Mulher) ?
P(Inf Mulher) ?
Definio: Seja A S e B S dos eventos quaisquer. Definimos a probabilidade condicional de A dado
B ocorreu como:
P B A
P( B | A) , se P(A) 0
P ( A)
Sempre que se calcular P(B A) est se calculando a probabilidade de ocorrncia do evento B em relao
ao espao amostra reduzido A, ao invs de faz-lo em relao ao espao amostral original S.
Analogamente,
P A B
P( A | B) , se P(B) 0
P( B)

5. Teorema da Multiplicao ou Teorema da Probabilidade Composta.

Com o conceito de probabilidade condicionada possvel apresentar uma maneira de se calcular a

probabilidade da interseo de dois eventos A e B em funo destes eventos. Esta expresso denominada
de teorema da multiplicao.
Definio: Sejam A S e B S
i) P(A B) P(B) P(A | B) ou P(B A) P(A) P(B | A)
A seguir temos a generalizao:
n
ii) P(A1 A2 A n ) P( Ai ) P(A1 ) P(A 2 | A1 ) P(A 3 | A1 A 2 ) P(A n | A1 A 2 A n 1 )
i 1

6. Eventos Independentes

Definio: Sejam A S e B S dois esventos quaisquer, ento os eventos aleatrios A e B so

(estocasticamente) independentes se:
P ( A | B ) P ( A)
P ( B | A) P ( B )
Mas, como P( A B) P( B) P( A | B) , ento:

P(A B) P(B) P(A)

Obs: para verificarmos se 3 eventos so independentes, devemos verificar se satisfazem
simultaneamente s condies, a abaixo:

13
i) P(A B C) P(A) P(B) P(C)
ii) P( A B) P( A) P(B)
iii) P ( B C ) P ( B ) P (C )
iv) P( A C ) P( A) P(C )
Se alguma delas no for satisfeita, ento no haver independncia entre os eventos.
Obs3: Se n eventos so independentes, ento temos:
n

P( A ) P ( A ) P ( A ) P ( A ) , onde o smbolo representa o produtrio.

i 1
i 1 2 n

Exemplo 5: Trs componentes C1, C2, e C3, de um mecanismo so postos em srie (em linha reta).
Suponha que esses componentes sejam dispostos em ordem aleatria. Seja R o evento { C2 est direita
de C1 }, e seja S o evento { C3 est direita de C1 }. Os eventos R e S so independentes? Por qu?

7. Teorema da Probabilidade Total ou Absoluta

Se a sequncia (finita ou enumervel) de eventos aleatrios A1, A2, ..., formar uma partio de , ento
k
P( B) P( Ai ) P( B | Ai ), B
i 1

Prova: Analisado o diagrama de Venn.

Como vemos os eventos ( B Ai ) e ( B A j ) ; para qualquer i j , so E.M.E, pois:

( B Ai ) ( B A j ) B ( Ai A j ) B . Alm disso, B, pode ser escrito da seguinte
forma: B ( B A1 ) ( B A2 ) ( B A3 ) ( B Ak ) . Portanto, segue que:
P(B) P(B A1 ) P(B A2 ) P(B A3 ) P(B A k )
Finalizando usando o teorema do produto, teremos:
k
P(B) P(Ai )P(B | A i )
i 1

8. Teorema de Bayes

Usando o teorema acima, podemos calcular a probabilidade de A j dada a ocorrncia de B :

P( Aj B) P( Aj ) P( B | Aj )
P Aj | B P Aj | B k
P( B)
P( A ) P( B | A )
i 1
i i

Esta a frmula de Bayes. Ela til quando conhecemos as probabilidades dos Ai e a probabilidade

condicional de B dado Ai , mas no conhecemos diretamente a probabilidade de B .

14
Observao: A frmula de Bayes , s vezes, chamada de frmula de probabilidades posteriores. Com
efeito, as probabilidades P ( A j ) podem ser chamadas probabilidade a priori e as P ( A j | B ) ,
probabilidades a posteriori.

15
 Exerccios para Relaxar a Mente

1) Para fazer uma viagem Rio-S. Paulo-Rio, posso usar como transporte o trem, o nibus ou avio. De
quantos modos posso escolher os transportes se no desejo usar na volta o mesmo meio de transporte?
2) Quantos nmeros de quatro dgitos so maiores que 2400 e
a) Tem todos os dgitos diferentes; 3864
b) No tem dgitos iguais a 3, 5 ou 6; 1567
c) Tem as propriedades a) e b) simultaneamente. 560
3) Uma bandeira formada por quatro listras, que devem ser coloridas usando-se apenas as cores amarelo,
branco e cinza, no devendo listras adjacentes ter a mesma cor. De quantos pode ser colorida a bandeira?
4) Quantos nmeros naturais de 4 algarismos (na base 10), que sejam menores que 5000 e divisveis por 5,
podem ser formados usando-se apenas os algarismos 2, 3, 4 e 5? 480
5) Quantos so os anagramas da palavra PRTICO?
6) Quantos anagramas possui a palavra TARTARA?

7) Uma corrida, 7 cavalos esto disputando o preo, de quantas modos podemos encontrar a 1 3
colocaes?
8) Uma pizzaria oferece as seguintes escolhas: Presunto, Atum, Cogumelo, Queijo e Quatro Queijos. De
quantas maneiras podemos escolher dois sabores diferentes?
9) De quantos modos podemos escolher 6 pessoas, incluindo pelo menos duas mulheres, em um grupo de
7 homens e 4 mulheres? 371

10) Em uma reunio social havia n pessoas; cada uma saudou as outras com um aperto de mo. Sabendo
que houve ao todo 66 apertos de mo, responda: qual valor de n? 12

11) (UFMG) Em uma viagem area, um passageiro tem, em sua bagagem, 20 livros diferentes, entre os
quais um escrito em alemo e um dicionrio de alemo. Desses livros, 10 pesam 200 g cada um, seis
pesam 400 g cada um e quatro, 500 g cada um. No entanto, ele s pode levar 2 kg de livros. Sabendo-se
que ele pretende levar o livro em alemo e o dicionrio, que pesam 200 g e 500 g, de quantas maneiras
distintas poder obter esses 2 kg? 1071

12) O teclado de um caixa eletrnico tem a configurao tradicional, ou seja, os algarismos aparecem
dispostos em 4 linhas e 3 colunas, conforme se mostra abaixo:

1 2 3
4 5 6
7 8 9
0

16
Enquanto um cliente digita sua senha de 4 (quatro) algarismos, um sujeito mal-intencionado observa que
os dois primeiros algarismos so diferentes, mas de uma mesma linha; os dois ltimos so iguais e situado
em uma linha imediatamente abaixo. Nessas condies, o nmero de senhas possveis ? 42

13) Lana-se um dado e observamos os seguintes eventos:

A: {sair um nmero par}
B: {sair um nmero menor que 4}
Determine os seguintes eventos.
a) A B
f ) AB l) A B
b) A B m) B A
g)A B
c) A
h) A B
d )B
i) B A

e) A B j) A B

14) Retira-se uma carta de um baralho de 52 cartas. Calcule as seguintes probabilidades:

a) sair cartas de naipe preto;
b) sair n > 2 e n < 6;
c) sair um rei ou cartas de ouro.

15) Os seguintes grupos esto em uma sala 5 homens de + de 21 anos, 4 homens de de 21 anos, 6
mulheres de + de 21 anos e 3 mulheres de de 21 anos. Um escolhido ao acaso dentre todos e os
seguintes eventos so definidos.
A > 21; B < 21; C = H; D = M
Encontre:
a) P(BUD);0,7222
b) P(A C) ,0,1667

16) Em um congresso cientfico, esto reunidos 15 estatsticos e 12 matemticos. Qual a

probabilidade de escolhendo-se ao acaso uma comisso de 5 pessoas, contendo 3 estatsticos e 2
matemticos? 0,371981

17) Probabilidades do Jogo de Poker c/32 cartas:

Cinco cartas so selecionadas aleatoriamente de um baralho de poker limitado s cartas do tipo 7, 8, 9, 10,
valete, dama, rei e s, onde cada um desses tipos aparecem em quatro naipes: ouros, copas , espadas e
paus. Calcule as probabilidades dos seguintes jogos serem formados:
Obs.: Cada jogo formado por 5 cartas, sendo cada carta caracterizada pelas letras x,y,z e w, estas
indicando tipos de cartas distintas.
a) Par (0,53)
b) Dois Pares (0,12)
c) Trinca (0,05)

17
18) Suponha que somente trs resultados sejam possveis em um experimento, saber, a 1, a2, a3. Alm
disso, suponha que, a1 seja duas vezes mais provvel de ocorrer que a2, o qual por sua vez duas vezes
mais provvel de ocorrer que a3. Qual a probabilidade de ocorrncia de cada experimento?

19) Um certo tipo de motor eltrico falha se ocorrer uma das seguintes situaes: empenamento dos
mancais, queima dos enrolamentos, desgastes das escovas. Supondo que o empenamento seja duas vezes
mais provvel do que a queima, esta sendo quatro vezes mais provvel do que o desgaste das escovas.
Qual ser a probabilidade de que a falha seja devida a cada uma das circunstncias? 0,0769; 0,3077 e
0,6154

20) Dez fichas numeradas de 1 at 10 so misturadas em uma urna. Duas fichas, numeradas (X,Y), so
retiradas da urna, sucessivamente e sem reposio. Qual a probabilidade de que seja X + Y = 10? 0,0889

21) As lmpadas coloridas produzidas por uma fbrica so 50% vermelhas, 30% azuis e 20% verdes. Em
uma amostra de 5 lmpadas, extradas ao acaso, encontre a probabilidade de duas serem vermelhas, duas
serem verdes e uma ser azul. Multiplique o resultado por 100. 0,09

22) Uma cidade tem 30.000 habitantes e trs jornais: A, B, C. uma pesquisa de opinio revela que 12000
lem A; 8000 lem B; 7000 lem A e B; 6000 lem C; 4500 lem A e C; 1000 lem B e C e 500 lem A,
B e C. Selecionamos ao acaso um habitante dessa cidade. Qual a probabilidade de que ele leia:
a) pelo menos um jornal?0,4667
b) somente um jornal?0,0834

23) Uma urna contm 2 bolas brancas, 3 bolas pretas e 4 bolas vermelhas. Duas bolas so retiradas da
urna, uma aps a outra sem reposio. Qual probabilidade?
a) Que ambas sejam vermelhas; 0,1667
b) que ambas sejam da mesma cor. 0,2778

24) Dois jogadores A e B jogam 120 partidas de xadrez das quais A vence 60 B vence 40 e haja 20
empates. Determine a probabilidade de que em mais trs partidas a serem jogadas:
a) A vena todas; 0,125
b) Duas termine empatadas; 0,0694
c) Ae B ganhe alternadamente.0,15625

25) Sejam os eventos A e B, tais que P(A) =0,2, P(B)= p e P(AB)= 0,6. Encontre o valor de p para
que os eventos A e B sejam:
a) INDEPENDENTES;
b) E.M.E

26) A urna 1 tem 3 bolas brancas e 2 bolas pretas, a urna 2 tem 4 bolas brancas e 5 bolas pretas, a
urna 3 tem 4 bolas brancas e 3 bolas pretas. Passa-se uma bola escolhida aleatoriamente da urna 1
para urna 2. Feito isso retira-se 1 bola da urna 2 e 2 bolas da urna 3. Qual a probabilidade das 3
bolas serem da mesma cor? Com repos.: 0,249388 e Sem repos.: 0,208571

18
27) REDUNDNCIA O princpio da redundncia usado quando a confiabilidade do sistema pode ser
melhorada atravs de componentes redundantes ou replicados. Suponha que seu despertador tenha uma
probabilidade de 0,975 de funcionar em uma determinada manh.
a) Qual a probabilidade de que o seu despertador no funcione em uma manh de um importante exame
final?
b) Se voc tem dois desses despertadores, qual a probabilidade de que ambos no funcionem em uma
manh de um importante exame final?
c) Com um despertador, voc tem uma probabilidade de 0,975 de ser acordado. Qual a probabilidade de
ser acordado se voc est usando dois despertadores?

28) Admitamos que um mecanismo seja constitudo por dois componentes montados em srie, como
indica a figura abaixo. Cada componente tem uma probabilidade p de no funcionar. Responda:

a) Qual a probabilidade de que o mecanismo funcione;

b) Qual a probabilidade de que o mecanismo no funcione.

29) o circuito mostrado a seguir opera somente se houver um caminho de equipamentos funcionais, da
esquerda para direita. A probabilidade de que cada aparelho funcione mostrada no grfico. Supondo que
os equipamentos falhem independentemente. Qual ser a probabilidade de que o circuito opere? Obs.:
Considere que os equipamentos falhem modo independente.0,9975

30) Certo aparelho eletrnico tem duas lmpadas que podem estar acesas ou apagadas, tendo sido
observadas as seguintes probabilidades:

Lmpada 2
Lmpada 1
Acesa Apagada
Acesa 0,15 0,45
Apagada 0,10 0,30
Esta tabela mostra, por exemplo, que ambas as lmpadas estavam simultaneamente apagadas 30% do
tempo.
a) O fato lmpada 1 acesa independente de lmpada 2 acesa?
b) O fato lmpada 1 apagada independente de lmpada 2 acesa?

31) Um piloto de corrida tem 50% de probabilidade de vencer uma corrida, quando esta se realiza sob
chuva. Caso no chova durante a corrida a probabilidade cai para 25%. Se o servio de meteorologia
estima em 30% de probabilidade de chuva, qual a probabilidade do piloto vencer?0,325

32) Uma urna contm 3 bolas brancas e 2 bolas amarelas e uma outra urna contm 4 bolas brancas e 2
bolas amarelas, escolhe-se ao acaso uma urna e dela retira-se uma bola. Qual a probabilidade que a bola
seja branca. (19/30)

19
33) Um assinante a de uma central A pode atingir um assinante b de uma central B atravs de dois
percursos T1 e T2, conforme mostra figura abaixo que representa a comunicao entre dois assinantes de
lima rede telefnica:

A probabilidade de congestionamento em T1 (impedindo que a atinja b por este percurso) de 0,05. A

probabilidade de congestionamento em T2 vale 0,02. Alm disso, sabendo que T1 est congestionado a
probabilidade de T2 congestionado vale 0,15 e T2 est congestionado a probabilidade de T 1 congestionado
tambm vale 0,15. Determinar a probabilidade de que a consiga atingir b.0,9895

34) Consideremos 3 urnas. A primeira contm 2 bolas brancas e 4 vermelhas, a segunda contm 8 brancas
e 4 vermelhas e a terceira contm 1 branca e 3 vermelhas. Uma bola selecionada ao acaso, de cada urna.
Qual a probabilidade de que a bola selecionada da urna 2 seja branca dado que dentre as 3 bolas
selecionadas exatamente duas so brancas?(10/11)

35) Suponha que trs cartes estejam dentro de uma caixa. O primeiro carto tem ambas as faces
vermelhas, o segundo carto tem ambas as faces pretas e o terceiro carto tem uma face vermelha e outra
preta. Os trs cartes so misturados dentro da caixa e um deles selecionado aleatoriamente e jogado
sobre uma mesa, sem que a face postada na mesa seja observada. Se a face visvel do carto escolhido
vermelha, qual a probabilidade de que a outra face seja preta? (1/3)

36) Uma urna contm 6 bolas brancas e 9 vermelhas. Se 4 bolas so selecionadas aleatoriamente sem
reposio, qual a probabilidade de que as duas primeiras selecionadas sejam brancas e as ltimas duas
vermelhas?(6/91)

37) Considere 3 urnas. A urna I contm 2 bolas brancas e 4 vermelhas. A urna II, 8 brancas e 4 vermelhas.
A urna III, 1 branca e 3 vermelhas. Se uma bola extrada ao acaso de cada urna, qual a probabilidade de
que a bola selecionada da urna I seja branca, dado que exatamente 2 bolas brancas foram
selecionadas?(7/11)

38) Trs cartas so selecionadas aleatoriamente, sem reposio de um baralho normal de 52 cartas. Qual a
probabilidade de que a primeira carta seja de espadas dado que a segunda e terceira so espadas?

39) Sejam A e B urnas, a urna A tem 3 moedas de ouro e 2 de prata, a urna B tem 4 moedas de
ouro e 1 de prata; seleciona-se uma urna ao acaso e dela retira-se uma moeda. A moeda de ouro. Qual a
probabilidade de que a moeda tenha vindo da urna A. (3/7)

40) Trs mquinas, A, B e C, produzem respectivamente 50%, 30% e 20% do nmero total de peas de
uma fbrica. As porcentagens de peas defeituosas na produo dessas mquinas so respectivamente 3%,
4% e 5%. Uma pea selecionada ao acaso e constata-se ser ela defeituosa. Encontre a probabilidade de a
pea ter sido produzida pela mquina A. 0,405

55) Pedro e Jos so pastores de cabras. Pedro tem 3 vezes mais ovelhas do que Jos. No rebanho de
Pedro 20% das cabras so malhadas e no rebanho de Jos 10% das cabras so malhadas. Encontrou-se

20
uma cabra desgarrada. Sem saber nada sobre essa cabra, qual a probabilidade de que ela pertena a Jos?
Sabendo-se que a cabra desgarrada e malhada, qual a probabilidade de que ela pertena a Jos?0,142857

41) Um certo tipo de circuito integrado (CI) produzido em trs diferentes fbricas a saber: fbrica I,
fbrica II e fbrica III. O setor de qualidade de uma empresa que utiliza este CI sabe, por experincia, que
2% dos circuitos produzidos pela fbrica I apresentam falhas; o mesmo ocorrendo para 1% dos circuitos
produzidos por II e, 3% dos produzidos por III. A empresa realiza uma compra da seguinte forma: tantos
circuitos de I, o dobro de II, e o triplo de III. Pergunta-se:
a) Qual a probabilidade de escolhendo-se um CI ao acaso dentre os comprados pela empresa, este no
apresente falhas?0,9783
b) Sabendo-se que se trata de um C.I defeituoso, qual a probabilidade de ser proveniente de cada uma
das trs fbricas?0,1528; 0,1528 e 0,6944

42) Uma empresa de comrcio eletrnico quer saber como funciona a relao entre o interesse por certos
produtos e a renda de seus clientes. Uma pesquisa anterior revelou que:
25 % dos clientes pertencem classe A.
35% dos clientes pertencem classe B.
30% dos clientes pertencem classe C.
10% dos clientes pertencem classe D.
Dentre os clientes da classe A, 60% j pesquisaram no site da empresa por notebooks.
Dentre os clientes da classe B, 50% usam pesquisaram no site da empresa por notebooks.
Dentre os clientes da classe C, 40% pesquisaram no site da empresa por notebooks.
Dentre os clientes da classe D, 20% pesquisaram no site da empresa por notebooks.
Um cliente escolhido aleatoriamente e est pesquisando no site sobre notebooks. Qual a probabilidade
dele pertencer a cada uma das classes?

21
9 Estatstica Descritiva
A palavra Estatstica comumente associada aos recenseamentos gerais (Censos:
Demogrficos, agropecurio, Industrial, Comercial, dos Transportes e Comunicaes e de Servios)
realizados no Pas e que constituem tarefas complexas e rduas, visando obteno de informaes
necessrias demandadas pela sociedade e pelos governos. Desta forma, atravs dos recenseamentos so
realizadas contagem de populaes e propriedades, fornecendo informaes sobre seus habitantes, sua
condio socioeconmica, sua cultura, religio, economia, etc. H mais de quatro mil anos os chineses
utilizavam tabelas estatsticas na agricultura. A Bblia cita vrias operaes de recenseamento. Por
exemplo, no IX Livro de Moiss descrito o processo de enumerao dos israelitas em condies de
portar armas, o recenseamento geral ordenado por Csar Augusto no ano do nascimento de Cristo, etc. Da
mesma, forma os egpcios, os gregos e os persas realizaram inquritos semelhantes, obtendo estatsticas
rudimentares, tais como: conhecimento da extenso de domnios, riquezas, poderio militar, etc.
Essa associao da Estatstica ao Censo perfeitamente correta do ponto vista histrico, embora
a Estatstica englobe muitos outros diferentes aspectos, sendo imprescindvel na obteno e anlise de
dados provenientes de quaisquer processos onde exista a variabilidade.
Embora no exista uma definio clssica para essa cincia descrita primeiramente por italianos
em plena Idade Mdia e desenvolvida por matemticos ao longo do Sculo XIX, pode-se dizer, linhas
gerais, que a Estatstica constri tcnicas e mtodos de anlise que permitem tomar decises acertadas nos
mais diferentes setores do saber: onde houver incerteza, l estar a Estatstica. neste contexto que se
insere a Estatstica, que tem por objetivo fornecer mtodos e tcnicas para convivermos, racionalmente,
com a variabilidade. Combinando os elementos dispersos e heterogneos do cotidiano, as informaes
estatsticas nos possibilitam a compreenso e a transformao da realidade, em escalas apropriadas
compreenso humana.
Os ndices de inflao e de emprego e desemprego, divulgados e analisados permanentemente
pela mdia, so outro exemplo da contribuio da Estatstica no nosso dia-a-dia. E quanto aos sistemas de
pesquisas domiciliares, voc j ouviu falar? Essas pesquisas so realizadas pelo Instituto Brasileiro de
Geografia e Estatstica - IBGE, e tm como finalidade a produo de informaes bsicas para o estudo e
anlise da evoluo socioeconmica do Pas. A Pesquisa Nacional por Amostra de Domiclios - PNAD e a
Pesquisa Mensal de Empregos - PME, fornecem informaes importantes que subsidiam os estudos e
planejamento governamentais.
Na prtica, a Estatstica pode ser empregada em muitas outras situaes. Na rea mdica, por
exemplo, a Estatstica fornece metodologia adequada que possibilita decidir corretamente se um novo
medicamento eficiente no combate determinada doena. Esta metodologia considera os vrios tipos de
reao que os indivduos possam apresentar ao medicamento, ou seja, ela considera a existncia de
variabilidade nas respostas ao medicamento. Atravs da Estatstica possvel identificar situaes crticas
e, consequentemente, atuar em seu controle. Por exemplo, as pesquisas mdicas sobre a distribuio,
incidncia e evoluo da AIDS no mundo atual.
Para registrar, classificar, controlar e estudar mais adequadamente fenmenos, fatos, eventos e
ocorrncias, foram sendo criadas, desenvolvidas e aperfeioadas muitas tcnicas de obteno e anlises de
informaes. Esses conjuntos de tcnicas e mtodos de pesquisa, que, entre outros tpicos envolve o

22
planejamento de experimentos a ser realizado, a coleta qualificada dos dados, a inferncia e o
processamento e anlise das informaes o que modernamente se conhece como Cincia Estatsticas, ou
simplesmente Estatstica.

9.1 Populao

o conjunto de todas as unidades de um determinado tipo, em certa regio, num determinado

perodo de tempo. Desta forma, pode-se ter uma populao constituda de todas as pessoas moradoras no
municpio de Nova Iguau ou de todos os automveis em circulao no municpio de Nova Iguau em
certa poca. Uma populao poder ser finita ou infinita dependendo de se o nmero de elementos finito
ou infinito. Nas aplicaes prticas normalmente ter-se- populao finita.

9.2 - Unidade elementar ou simplesmente elemento de uma populao

o objeto ou entidade portadora das informaes que pretende-se coletar. Pode ser uma pessoa,
famlia, domiclio, loja, empresa, estabelecimento, classe de alunos, escola, etc. importante que a
unidade elementar seja claramente definida, para que o processo de coleta e anlise tenha sempre um
significado preciso e uniforme. Por exemplo, o conceito de famlia parece ser natural, mas, sem uma
definio adequada pessoas distintas teriam dificuldade de dar uma mesma classificao para situaes
especiais. Veja um destes casos: suponha que em um domiclio vive um casal com filhos adultos,
inclusive uma de suas filhas casada, com o genro e um neto. Deve-se considerar uma ou duas famlias?
Suponha, agora, que a filha divorciada, e claro, o genro no vive com eles: mudaria alguma coisa na sua
definio? Nestas situaes, em vez de tentar criar definies prprias, recomenda-se fortemente buscar
estudos j realizados, onde esses problemas j foram estudados e as definies sero mais amplas e
permitiro comparaes entre pesquisas. Para o exemplo citado acima, sugere consultar os manuais de
metodologia de pesquisa editados pelo IBGE. Na Fig.1 temos as comparaes das populaes-alvo,
referenciada e amostrada.
Figura 2 As diversas populaes possveis.

9.3 Parmetro
uma medida numrica que descreve alguma caracterstica de uma populao. (Referncia,
padro).

9.4 - Amostra

Como o prprio nome indica, qualquer parte da populao ou em outras palavras um

subconjunto da populao. O propsito da amostra o de fornecer informaes que permitam descrever os

23
parmetros da populao, da maneira mais adequada possvel. A boa amostra permite a generalizao de
seus resultados dentro de limites aceitveis de dvidas. Qualquer amostra fornece informaes, porm no
qualquer uma que permite estender os resultados para a populao da qual foi retirada. Ouve-se
frequentemente o argumento de uma boa amostra aquela que representativa. Vejamos um exemplo a
seguir.
Suponha que o objetivo estudar a renda familiar de certa cidade. O conhecimento da geografia
da cidade possibilita agrupar, aproximadamente, os bairros em mais ricos (A), mdios (B) e pobres (C).
Uma consulta aos registros da prefeitura permite afirmar que 10% dos domiclios pertencem classe A,
30% classe B e os restantes 60% classe C. Se o oramento garante entrevistar 1.000 domiclios, a
amostra representativa seria selecionar 100 do estrato A, 300 do estrato B e 600 do estrato C. Observe
que uma outra amostra no representativa que alocasse 600 no estrato A, 300 no estrato B e 100 no
estrato C pode apresentar resultados mais confiveis.
Diante da dificuldade em definir amostra representativa, os estatsticos preferem trabalhar com o
conceito de amostra probabilstica, que so os procedimentos onde cada possvel amostra tem uma
probabilidade conhecida, a priori, de ocorrer. Desse modo, tem-se toda a teoria de probabilidade e
inferncia estatstica para dar suporte s concluses.

9.5 - Estatstica
uma medida numrica que descreve alguma caracterstica de uma amostra. Poder ser igual ou
diferente de amostra para amostra.

9.6 Estimador
Chamamos de estimador a quantidade, calculada em funo dos elementos da amostra, que ser
usada no processo de estimao do parmetro desejado.

9.7. Estimativa
Chamaremos estimativa a cada particular valor assumido por um estimador.

9.8 - Estatstica dedutiva e estatstica indutiva

Quando temos conhecimento do todo e desejamos estudar o particular, estamos fazendo uma
deduo e quando temos conhecimento de uma parte e desejamos extrapolar para a populao fazemos
uma inferncia ou induo. A Estatstica Indutiva, ir nos dizer at que ponto podemos estar errando em
nossas indues, e com que probabilidade.
Em suma, a Estatstica Indutiva busca obter resultados sobre as populaes a partir das amostras,
dizendo tambm qual a preciso desses resultados e com que probabilidade se pode confiar nas concluses
obtidas.

9.9 - Consideraes sobre o levantamento de informaes estatsticas: censitrias e amostras

Abordaremos alguns aspectos relacionados ao campo de amostragem e que so fundamentais
para realizao e execuo de um bom modelo de amostragem.

Inicialmente, sero feitos alguns comentrios relacionados aos censos e s amostragens no que
diz respeito, no s aos levantamentos, como tambm aos diferentes tipos de tendncias e erros no

24
amostrais que esto presentes nos tipos de levantamentos. Sero apresentados tambm, os principais
conceitos, definies e notaes que sero utilizados no desenvolvimento dos tpicos.

9.9.1 - Comparao entre censos e amostras

As informaes estatsticas podem ser obtidas de diferentes maneiras. Uma das formas mais
antigas de levantamentos de dados estatsticos atravs da realizao de censos, os quais por definio
pesquisam todas as unidades pertencentes populao para o qual o censo foi planejado. Essas unidades
podem ser pessoas, famlias, fbricas, fazendas, etc.
Em virtude desta definio, a ideia que se tem dos resultados divulgados por um censo, que os
mesmos so precisos, ou seja, isentos de erros, porm medida que passam a ser considerados alguns
aspectos envolvidos nestes levantamentos, constata-se de imediato, que esta ideia errnea e que os
resultados divulgados por um levantamento censitrio esto sujeitos a erros, que podero ser muito
maiores que os encontrados em levantamentos no censitrios.
Os erros que ocorrem com maior frequncia na realizao dos censos so os que esto
relacionados identificao correta da rea onde o recenseador dever trabalhar e ao preenchimento das
informaes desejadas.
O gigantismo de uma operao censitria torna necessrio o envolvimento de um nmero muito
grande de pessoas, principalmente na fase de coleta de dados.
Para tornar mais gil a coleta, a rea a ser pesquisado, por exemplo, no caso de um municpio, o
mesmo dividido em reas menores, que no Brasil so chamados setores censitrios e que e que possuem
em mdia 300 domiclios nas reas urbanas e 200 nas reas rurais.
Ocorre, entretanto que, em muitas situaes prticas, estas reas so difceis de serem
identificadas em campo, como no caso das favelas no municpio do Rio de Janeiro. Esta dificuldade faz
com que surjam omisses e/ou duplicaes de domiclios, gerando, por conseguinte, erros no
cadastramento.
No que diz respeito ao preenchimento dos questionrios, vrios estudos desenvolvidos aps a
realizao dos censos demonstraram, dentre outras falhas, a existncia de omisso de pessoas,
principalmente de recm-nascidos, cuja taxa varia de acordo com a infraestrutura adotada pelo pas onde o
censo foi realizado.
O censo demogrfico tem como objetivo maior arrolar as pessoas moradoras nos domiclios,
tarefa aparentemente fcil do ponto de vista de coleta. Para conseguir boa coleta, torna-se necessrio
montar uma infraestrutura que, dentre outras coisas, exige uma equipe de campo qualificada e para que
este objetivo seja alcanado, fundamental um treinamento bem estruturado de forma a permitir a
homogeneizao da equipe.
Vejamos o Brasil como exemplo, pode-se facilmente imaginar a impossibilidade de uniformizar
uma equipe de 115.000 recenseadores, espalhados por todo o territrio nacional. A seleo dos
recenseadores normalmente leva em conta alguns pr-requisitos, destacando-se entre estes o nvel de
escolaridade. Se para alguns municpios, possvel formar um corpo de recenseadores com o segundo
grau completo, para outros municpios impossvel conseguir uma equipe com o primeiro grau completo.
Esta heterogeneidade por si s, j um fator limitante para que seja atingida o objetivo desejado, que
associado com a forma de treinamento adotado no censo restringe ainda mais a meta a ser alcanada, pois

25
o treinamento para estas equipes feito em cadeia e normalmente a ltima fase, fica a cargo dos
supervisores, que alm de ser de curta durao, ministrado por pessoas que na sua maioria nunca
participaram de pesquisas, ou seja, no tem experincia necessria para realizar este tipo de orientao.
Diante desta situao, pode-se concluir que os resultados divulgados por um censo no so exatos e
dependendo das caractersticas da populao que se deseje estudar, esses erros podem ser maiores ou
menores.
A existncia de informaes estatsticas atualizadas de fundamental importncia, pois alm de
ajudarem na tomada de decises, permitem a elaborao de projetos que objetivam alcanar projees
para o futuro. Para a consecuo destes objetivos, no de capital importncia a exatido dos dados, visto
que quaisquer projees esto sujeitas a erros, mesmo que os dados estejam corretos.
Um planejamento perfeito para o futuro, isto , sem qualquer erro, uma tarefa praticamente
impossvel, pois para atingir este objetivo tornar-se-ia necessrio possuir informaes sobre o
comportamento futuro de uma gama de variveis envolvidas num projeto, bem como, se as necessidades
futuras no sero alteradas em funo das condies atuais.
O comportamento destas variveis de um modo geral aleatrio, pois dependem de fatores
socioeconmicos.
Diante disso, verifica-se de imediato, a presena de algum grau de incerteza e assim, em
qualquer planejamento torna-se obrigatrio admitir uma margem de erro, denominado erro permissvel.
Visto que um censo no fornece informaes exatas, o que se questiona se, com esta, margem
de erro permissvel e com um custo menor, no seria possvel encontrar um outro mtodo de pesquisa com
a mesma eficincia.
Os custos envolvidos na realizao de um censo, a demora na divulgao dos resultados, alm de
outros fatores, fez com que fosse pensado uma forma alternativa de levantamento, que tornasse mais gil a
divulgao dos resultados e oferecesse uma confiabilidade igual ou maior do que o censo.
Como o censo investiga todas as unidades da populao e como esta investigao no poderia
ser demasiadamente grande, pelas razes j abordadas, foi introduzida nos censos uma investigao por
amostra para algumas caractersticas socioeconmicas.
Este procedimento, alm de permitir uma ampliao no leque de investigaes, viabilizou uma
divulgao mais rpida dos resultados reduzindo tambm os custos de coleta.
Os levantamentos por amostragem consistem em trabalhar, dentro de certos critrios, com uma
parte da populao selecionada aleatoriamente e tomando por base esta investigao, fazer inferncia para
a populao como um todo. Como este trabalho feito apenas com parte da populao e a inferncia feita
para o todo, ele estar sujeito a um erro de amostragem.
Se nos censos no existe o erro de amostragem, pois por definio toda a populao ser
estudada, ocorrem outros tipos de erros, chamados erros no amostrais, e que so comuns tanto nos
censos como em pesquisas por amostragem.

9.9.2 - Erros no amostrais

i. Questionrios;
ii. Treinamento;
iii. Coleta de dados;

26
 iv. Critica de questionrio.

9.10 - Tecnologia de Amostragem

9.10.1 - Amostragem Probabilstica

i. Amostragem Aleatria Simples (AAS) esse tipo de amostragem, tambm chamada simples ao acaso,
aleatria, elementar, randmica, etc., equivalente a um sorteio lotrico. Nela todos os elementos da
populao tm igual probabilidade de pertencer amostra, e todas as possveis amostras tm igual
probabilidade de ocorrer. Na prtica, a amostragem aleatria simples pode ser realizada numerando-se
a populao de 1 a N, sorteando-se, a seguir, por meio de um dispositivo aleatrio qualquer, n nmeros
dessa sequncia, os quais correspondero aos elementos sorteados para a amostra.
Um instrumento til para realizar o sorteio acima descrito a tabela de nmeros aleatrios. Tal
tabela simplesmente constituda por inmeros dgitos que foram obtidos por algum processo equivalente
a um sorteio equiprovvel.
Observaes:
i) a amostragem aleatria simples pode ser realizada sem reposio das unidades elementares ou com
reposio destas. No caso de populaes muito grandes, a amostragem sem reposio pode ser tratada
com reposio.
ii) Fica evidente pela prpria definio de amostragem aleatria sem reposio e com reposio, que a
primeira mais precisa, pois numa amostra, por exemplo, de 50 indivduos, no 1 caso os mesmos
sero distintos ao passo que se for com reposio pode-se ter o mesmo indivduo repetido 50 vezes o
que em termos prticos nada acrescenta aos objetivos desejados.
ii. Amostragem Sistemtica (AS) quando os elementos da populao se apresentam ordenados e a
retirada dos elementos feita periodicamente, atravs de passos pr determinados. O primeiro sorteio
realizada fazendo-se uso da AAS e os demais elementos sero sorteados atravs de intervalos (saltos)
de tamanho constante at completar a quantidade de elementos da amostra.
iii. Amostragem Aleatria Estratificada (AAE) muitas vezes a populao se divide em subpopulaes ou
estratos, sendo razovel supor que, de estrato para estrato, a varivel de interesse apresenta um
comportamento substancialmente diverso, tendo, entretanto, comportamento razoavelmente homogneo
dentro de cada estrato.
Observao:
i) Estratos homogneos dentro varincia pequena;
Estratos heterogneos entre varincia grande.
iv. Amostragem por Conglomerado (AC) quando a populao apresenta uma subdiviso em pequenos
grupos, chamados conglomerados, possvel e muitas vezes conveniente fazer-se amostragem por meio
desses conglomerados, a qual consiste em sortear um nmero suficiente de conglomerados, cujos
elementos constituiro a amostra.
Observaes:
i) A amostragem por conglomerados pode ser 1 estgio ou em mltiplos estgios. Na amostragem
conglomerada e um estgio ou monoetpica, uma vez selecionados os conglomerados so examinados
todos os elementos do conglomerado. Mais geralmente teremos amostragem em mltiplos estgios.

27
 Exemplo:
Estgio 1: Municpios;
Estgio 2: Bairro;
Estgio 3: Quarteiro;
Estgio 4: Domiclio

ii) Situaes em que usada a amostragem por conglomerado.

2.1. Quando no se dispe de uma listagem completa dos elementos na populao. mais fcil fazer
essa listagem uma vez selecionados os conglomerados.
2.2. Por economia de tempo e dinheiro
iii)Desvantagem: Em geral, a AC menos precisa que a AAS.
Exemplo: numa pesquisa de 600 domiclios numa cidade mais rpido selecionar 20 quarteires com 30
domiclios cada do que selecionar por AAS 600 domiclios da cidade.
No exemplo acima, 600 domiclios selecionados por AAS cobrem melhor a cidade que 20
quarteires de 30 domiclios cada, sendo, portanto a AAS mais precisa.

9.10.2 - Amostragem no Probabilstica

i. Amostragem de Convenincia a amostragem em que o amostrador, para facilitar o processo,

procura ser aleatrio sem, no entanto, realizar propriamente o sorteio usando algum dispositivo
aleatrio confivel;
ii. Inacessibilidade a toda Populao uma situao muito comum em que ficamos diante da
inacessibilidade a toda populao o caso em que parte da populao no tem existncia real, ou seja,
uma parte da populao ainda hipottica;
iii. Amostragem Intencional enquadram-se aqui os diversos casos em que o amostrador deliberadamente
escolhe certos elementos para pertencer amostra, por julgar elementos bem representativos da
populao. Na Fig.3 temos as amostras probabilsticas (AAS, AS, AG e AE) e no-probabilsticas
Figura 3: exemplos de amostras probabilsticas e no-probabilsticas

28
 10 - Varivel

uma caracterstica qualquer do objeto em estudo. Pode ser classifica como:

i). varivel qualitativa quando apresenta como possveis resultados uma qualidade ou atributo do objeto em
estudo.
ii). varivel quantitativa quando apresenta como possveis resultados, nmeros resultantes de uma contagem
ou mensurao.
As variveis qualitativas podem ainda se subdividir em: nominais, ordinais e as variveis
quantitativas tambm podem ser subdividir em: discretas e contnuas.
Resumo:

Nominal
Qualitativa
Ordinal
Varivel
Quantitativa Discretas

Contnuas

10.1 - Tcnicas de Descrio Grfica

O primeiro passo para se descrever graficamente um conjunto de dados observados verificar as

frequncias dos diversos valores existentes da varivel. Definimos a frequncia de um dado valor de uma
varivel (qualitativa ou quantitativa) como o nmero de vezes que esse valor foi observado. Denotaremos
a frequncia do i-simo valor observado por f i . Sendo n o nmero total de elementos observados,
verifica-se imediatamente que
k

f
i 1
i n

onde k o nmero de diferentes valores existentes da varivel.

A associao das respectivas frequncias a todos os diferentes valores observados define a
distribuio de frequncias do conjunto de valores observados. Definimos a frequncia relativa, ou
proporo de um valor e uma varivel (qualitativa ou quantitativa), como o quociente de sua frequncia
pelo nmero total de elementos observados. Ou seja, denotando por pi a frequncia relativa ou proporo
do i-simo elemento observado, temos
fi
pi
n
claro que
k

p 1
i 1
i

10.2 - Descrio grfica das variveis (Qualitativas e Quantitativas)

No caso de variveis qualitativas, a descrio grfica muito simples, bastando computar as

frequncias ou frequncias relativas das diversas classificaes existentes, elaborando a seguir um grfico
conveniente. Esse grfico poder ser de barras, setores, ou outro qualquer tipo de diagrama equivalente.
No caso das variveis quantitativas discretas o primeiro passo fazer a tabulao do conjunto de valores e

29
depois o modelo mais adequado para representao grfica (lembre-se uma boa visualizao muito
importante tenha bom senso).

10.3 - Descrio grfica das variveis quantitativas contnuas

A construo do grfico para variveis contnuas segue o mesmo princpio do grfico de barras,
sendo que no grfico de barras a representao pontual e no histograma contnua. Para construo do
histograma segue a regra abaixo:
1) os dados devem ser colocados em rol (ordem crescente ou decrescente);
2) devemos calcular o nmero de classes: K N , K 2,5 x 4 N , k 1 3,3 log N
onde N o nmero de observaes;
3) agora calcularemos a amplitude total: AT X maior valo r X menor valo r

4) finalizando devemos calcular a amplitude de classe ou a amplitude padro: h AT

k

11 - Medidas de Tendncia Central

11.1 - Mdia Aritmtica Simples.

Seja X 1 , , X n , elementos de um conjunto de dados, definimos como mdia aritmtica o

somatrio do conjunto de valores pelo total de elementos.
N

X
i 1
i
X
N
No caso, de termos uma distribuio de frequncia podemos reescrever a frmula anterior da
seguinte forma:
k

X
i 1
i fi
X k

fi
i

Para dados agrupados em forma de intervalos de classes a mdia poder ser assim reescrita:
k
to
P
i 1
medio( i ) fi
X k

fi
i

Propriedades da mdia aritmtica

P1. A soma algbrica dos desvios de um conjunto de valores observados em relao mdia aritmtica,
nula.
Supondo um conjunto de N observaes tm-se: d1 X1 X , d 2 X 2 X , , d N X N X
Somando-se as diferenas d i resulta em:

30
 d1 d 2 d N (X1 X) (X 2 X) (X N X)
N

N N N X i

d X
i 1
i
i 1
i NX X i N
i 1
i 1

N
0
N

X
i 1
i
visto que X
N
Exemplo: Considere o conjunto de valores observados: 5, 7, 8, 9, 4 e 3

P2. Se somarmos (ou subtrairmos) uma mesma constante C, a todos os valores observados, a mdia
aritmtica ficar aumentada (ou diminuda) desta constante.
N N

X 1 C X 2 C X N C
X i NC X i
i 1 i 1 NC
X C
N N N N

Considere o exemplo anterior e some-se o valor 2 a todas observaes.

P3. Multiplicando-se (ou dividindo-se) todas as observaes por uma mesma constante C, a mdia
aritmtica fica multiplicada (ou dividida) por esta constante.
N

N N
C X i
X C X C X
i 1 2 C X N C C X i N i 1
CX
i 1 i 1 N
Considere o exemplo anterior e multiplica-se o valor 2 a todas observaes.

P4. A soma dos quadrados dos desvios em relao a mdia aritmtica, um mnimo.
Considere-se o exemplo utilizado para a mdia aritmtica simples dos dados anteriores. Subtraindo-se a
mdia aritmtica 6 de todos os valores observados. Depois elevando os resultados ao quadrado e somando.
Considere agora um outro valor qualquer, diferente da mdia, Subtraindo agora por exemplo 5
de todos os valores observados. Depois elevando os resultados ao quadrado e somando. Agora compare os
resultados.
Obs: Qualquer outro valor que venha ser considerado ter uma soma maior do que em relao ao valor
mdio.

11.2 - Mediana

Definimos mediana de um conjunto de valores ordenados, sendo n mpar, como igual ao valor
de ordem central que divide o conjunto de valores em duas partes iguais (50% para cada lado). Se n for
par, a mediana poder ser definida como sendo valor mdio dos dois valores centrais.
Para dados agrupados em forma de intervalos de classes para clculo da mediana usaremos a
frmula de Czuber:
n
2 fa
X md Li h
f md
onde:
Li : o limite inferior da classe que contm a mediana;
f a : a frequncia das classes anteriores que contm a mediana;

31
f md : a frequncia da classe que contm a mediana;
h : amplitude de classe padro.
11.3 - Moda

Definimos a moda (ou modas) de um conjunto de valores como o valor de frequncia (ou
valores) de mxima frequncia.
Para dados agrupados em forma de intervalos de classes para clculo da moda faremos uso da
frmula de Czuber:
d1
X o Li h
d1 d 2
onde:
Li : o limite inferior da classe modal;
d1 : a diferencia entre a frequncia da classe moda e a da classe imediatamente anterior;
d 2 : a diferencia entre a frequncia da classe moda e a da classe imediatamente seguinte;
h : amplitude de classe padro.

12 - Medidas de Disperso ou Variabilidade

12.1 - Intervalo Total ou Amplitude Total

a diferena entre o maior valor e o menor valor da srie: R X max X min

Obs.: claro que o valor de R est relacionado com a disperso dos dados. Entretanto, por depender de
apenas dois valores do conjunto de dados, a amplitude contm relativamente pouca informao quanto
disperso. Salvo aplicaes no controle de qualidade, a amplitude no muito utilizada como medida de
disperso.

12.2 - Desvio Mdio ou Afastamento Mdio

Esta medida pode ser obtida, calculando-se o afastamento de cada termo, em relao a mdia (ou
mediana) e posteriormente a mdia desses afastamentos. O afastamento de cada termo em relao a mdia
(ou mediana) considerado em valor absoluto (Mdulo). Uma medida de disperso na totalidade dos
dados ser bem mais fidedigna, um bom exemplo para reflexo o caso anterior.
N

di 1
i
dm
N
N

di 1
i fi
dm
N

32
Sendo d i X i -X, onde Xi o i - simo termo, X a mdia e N o nmero de observaes.
N

d
i 1
i fi
dm
N
Para dados agrupados em intervalos de classes: d i P to mdio X

Notas:
1) O somatrio dos di sempre ser zero;
2) Os desvios mdios ou afastamentos mdios so menores, quando tomados em relao a mediana, do
que em relao a mdia aritmtica, porm na maioria das vezes, o desvio mdio se baseia na mdia,
principalmente pela facilidade operacional;
3) O desvio mdio substitui o desvio padro (que ser visto a seguir), quando este for influenciado
fortemente pelos valores extremos.

12.3 - Varincia

No podemos usar a soma dos desvios como medida de disperso porque, de acordo como
vimos, essa soma totalizar sempre zero. Ento, para caracterizar a disperso dos dados, devemos
considerar os desvios independentemente do sinal, o que se pode obter tomando os desvios ao quadrado.
O valor da soma dos quadrados dos desvios d dividido pelo nmero de observaes
i
2

obtemos a varincia dos dados:

n
N

X X
2 2
X i i
2 i 1 s2 i 1

N n 1
j Populao j Amostra
X X fj
2
X i f j
2
i

2
i 1
s2 i 1

N n 1
Quando os dados forem agrupados (Populao ou Amostra) substituir por X i por P to mdio , a
varincia como medida de disperso tem o inconveniente de apresentar unidade de medida igual ao
quadrado da unidade de medida dos dados. Assim, por exemplo, se X medida em kg, a varincia
medida em kg2. O desvio padro por definio, a raiz quadrada, com sinal positivo, da varincia. A
unidade de medida do desvio padro igual unidade de medida dos dados.

33
12.4 - Desvio Padro

A medida de disperso mais utilizada o desvio padro que expressa o grau da grandeza mdia
dos espalhamentos da distribuio em torno de sua mdia aritmtica, e representado por (para
populao) e S (para amostra).

N
n
2
Xi
2
X i X
s s2 i 1
2 i 1
N n 1
Populao Amostra
k
k 2
Xi f k X X fk
2
i
2 i 1 s s2 i 1

N n 1

Quando os dados forem agrupados (Populao ou Amostra) substituir X i por P to mdio , tambm
a frmula da amostra pode ser reescrita:
2
n
n
2 Xi
n X
2 n
X
i 1
i
X i 2 i 1
s n
n 1 s i 1
ou n 1
k
2 2
X 2
fk n X k
Xi f k
i
i 1 k
s
n 1 X i 2 f k i 1
n
s i 1
n 1

12.5 - Interpretao do Desvio Padro

Algumas informaes importantes no uso do desvio padro. Nos casos em que o fator sob estudo
puder ser descrito por uma distribuio normal (que ser visto posteriormente), os valores das medidas de
disperso tm uma relao definida e conhecida a seguir:
Tem-se que, cerca de dois teros dos valores da distribuio, caem dentro de um desvio
padro em torno de sua mdia, e praticamente todos os valores, dentro de trs desvios padro, engloba
para ambos os lados em torno da mdia, ou seja, 68% dos valares entre a mdia e mais ou menos um
desvio padro e 99,7% entre a mdia e mais ou menos trs desvios padro.

34
Observaes acerca do desvio padro:
1) A soma dos quadrados dos desvios ser mnimo quando os desvios forem calculados em relao
mdia aritmtica. Portanto, se no clculo dos desvios for considerado quaisquer outros valores, essa soma
dos quadrados dos desvios resultar em valores superiores ao obtido com a mdia aritmtica;
2) Se cada elemento do conjunto de valores for multiplicado ou dividido por uma constante qualquer, o
desvio padro ficar multiplicado ou dividido por esta constante. Consequentemente, a varincia ficar
multiplicada ou dividida pelo quadrado da constante;
3) Se a cada elemento do conjunto de valores for adicionado ou subtrado uma constante qualquer, o
desvio padro no se altera. Idem, para a varincia;
4) O desvio padro maior do que o desvio mdio.

12.6 - Regra Emprica da Amplitude

Para estimar um valor do desvio padro s: para estimar grosseiramente o desvio padro, use:
amplitude total
s
4
Se o desvio padro s conhecido, use-o para estimativas razoveis dos valores amostrais
mximo e mnimos usuais, usando:

valor mnimo " usual" (mdia) - 2 (desvio padro)

valor mximo " usual" (mdia) 2 (desvio padro)

12.7 - Coeficiente de Variao ou Erro Relativo

O coeficiente de variao definido como sendo a razo entre o desvio padro e sua mdia.
Populao Amostra
S
CV 100 CV 100
X
O coeficiente de variao muito utilizado na prtica, pois alm de permitir a comparao do
grau de homogeneidade entre distribuies de diferentes caractersticas de uma mesma populao ou
amostra, permite a comparao entre distribuies de mesmas caractersticas entre diferentes populaes
ou amostras.
Este valor normalmente expresso em percentagem (%). O quadrado do erro relativo ou do
coef. de variao, fornece a varincia relativa, analogamente ao que foi visto, e o quadrado do desvio
padro a varincia absoluta.

13 - Coeficiente de Assimetria de Pearson

X Xo
O coeficiente de assimetria de Pearson definido da seguinte forma: Ap
S
Podemos ter os seguintes resultados possveis:
Ap < 0Assimtrica negativa ou esquerda;
Ap = 0 Simtrica;
Ap > 0Assimtrica positiva ou direita.

35
OBS: A resposta de Ap deve ser dada em desvios padres.

Nas distribuies simtricas, a mdia, a mediana e a moda coincidem enquanto que nas
distribuies moderadamente assimtricas, Pearson props uma relao entre a mdia, a mediana e a
moda, que a seguinte: a moda igual a trs vezes a mediana menos duas vezes a mdia aritmtica.

M o 3 M e 2 X ou X M o 3( X M e )

14 - Desvio Quartlico ou Amplitude Semi-Interquartlica

A metade da diferena entre o terceiro quartil e o primeiro.

Q3 Q1
Q
2
1
Q1
N
4
Quando temos os dados em rol: Q 1 N
2
2
3
Q3 N
4

15 Curtose

Mede o grau de achatamento da curva. O coeficiente percentlico de curtose definido da

seguinte forma:
Q3 Q1
K 2
P95 P5
Q3 P75%
Q1 P25%
Podemos ter os seguintes resultados possveis:
K < 0,262 Leptocrtica;
K = 0,262 Mesocrtica, Padro ou Normal;
K > 0,262 Platicrtica.

36
16 Medidas de Posio

Para dados agrupados em intervalos de classes, podemos calcular os quartis de anlogo

mediana.

E Q Fac.anterior
Q i li i xh
fclasse
li limite inferior da classe que contm o quartil;
i N
EQ o elemento quartlico de ordem i (i 1, 2 ou 3);
i 4
F a frequncia acumulada at a classe anterior que contm o quartil de ordem i;
anterior acumulada
f a frequncia simples da classe que contm o quartil desejado;
classe
h amplitude do intervalo de classe que contm o quartil (padro).

Por analogia tambm podem calcular os percentis e decis com adaptao da frmula acima.

37
 Exerccios para Relaxar a Mente

43) Dentre 240 pessoas escaladas para o sorteio do jri, 120 so brancas, 80 so negras e 40 hispnicas.
Quantas amostras estratificadas de seis dessas 240 pessoas podemos formar, se:
a) um tero da amostra deve ser atribuda a cada um dos trs estratos;
b) a alocao deve ser proporcional?

44) Amostra Aleatria e Amostra Aleatria Simples. Imagine uma sala de aula com 60 alunos arrumados
em seis filas de 10 alunos cada. Suponha que o professor selecione uma amostra de 10 alunos jogando e
selecionando a fila correspondente ao resultado da jogada. O resultado uma amostra aleatria? amostra
aleatria simples?

45) Com relao a amostragem, analise as afirmativas abaixo e assinale a alternativa mais correta.
I. Na amostragem aleatria simples, cada uma das amostras tem a mesma probabilidade de ser
selecionada;
II. Na amostragem sistemtica selecionado todo K-simo elemento da populao. O valor K representa
intervalo de seleo ou salto para seleo;
III. Na amostragem por conglomerados, pressupe-se a diviso dos itens de uma populao em subgrupos
homogneos entre si e heterogneos dentro, representativos da populao;
IV. Na amostragem estratificada, pressupe-se a diviso dos itens de uma populao em subgrupos que
no se superpem e homogneos, procedendo-se a amostragem aleatria simples em cada subgrupo.
a) Apenas a afirmativa I verdadeira;
b) As afirmativas I e III so verdadeiras;
c) Apenas a afirmativa II verdadeira;
d) As afirmativas II e IV so verdadeiras;
e) As afirmativas I, II, III e IV so verdadeiras.

46) A tabela abaixo refere-se a uma pesquisa, realizada com 200 alunos de uma escola, a respeito do
esporte preferido:
Esporte Freq. Absoluta Freq. Relativa %
Futebol 108
Vlei 0,21
Basquete
Natao 12
Outros 8,5%
Total 200 1,00 100%
47) Classifique as variveis em: 1 qualitativa nominal, 2 qualitativa ordinal, 3 quantitativa discreta e
4 quantitativa contnua.
a) Sexo
b) Idade exata
c) Nmero de leitos no hospital
d) Altura
e) Dimetro de uma esfera
f) Nota de prova

38
48) Seja X a varivel renda disponvel em salrios mnimos dos alunos da UEZO no ano de 2007.
Construa um histograma e uma breve analise do perfil dos dados.
3 6 3 3 1
1 0,5 1 2 3
3 2 1 5 1
2 3 10 1 1
1 1 3 3 1
2 4 1 5 4
1 1 1
49) A fim de ter um perfil de seu pblico nos finais de semana, o proprietrio de um cinema contrata
uma empresa jnior PRESTAPE IM/UFRRJ. A pesquisa foi realizada no perodo de 15 de junho 15 de
julho de 2007. Os resultados esto representados no banco de dados abaixo: (Arquivo no Excel).
a) Escolha uma varivel qualitativa construa pelos menos dois grficos e faa uma breve anlise;
b) Escolha uma varivel quantitativa construa um histograma e faa uma breve anlise.

50) Define-se a mdia aritmtica de n nmeros dados como os resultados da diviso por n da soma
dos n nmeros dados. Sabe-se que 3,6 a mdia aritmtica de 2,7; 1,4; 5,2 e X. O nmero de X
igual a?

51) Considere os pesos de 20 alunos relacionados a seguir como uma amostra:

69 67 54 69 63
65 93 68 54 64
71 63 60 75 67
65 69 58 80 69
Determine:
a) Mdia aritmtica, moda, mediana dos dados;
b) Varincia, desvio padro e coeficiente de variao.

52) Numa cidade, a renda mdia mensal dos trabalhadores do sexo masculino de R$520,00, enquanto
dos de sexo feminino de R$400,00. Se, nesta cidade, h 1.500 trabalhadores homens e 1.000
trabalhadoras, ento a renda mdia do total dos trabalhadores desta cidade, em reais, de:

a) 456 b) 464 c) 472 d) 488 d) 496

54) O histograma a seguir apresenta os dados a respeito de uma amostra de pesos, em kg, de duzentos
homens:

Os nmeros indicados no eixo dos pesos so os pontos mdios de cada intervalo. O peso mdio desta
amostra, obtido a partir destes dados grupados, em kg, igual a:

39
a) 75,6 b) 78,9 c) 79,1 d) 82,3 e) 84,2

55) Um provedor mediu o tempo (em minutos) de uso dirio da Internet por seus assinantes. Com os
dados obtidos constitui-se o seguinte histograma:

a) Que porcentagem do total de assistentes fica entre meia hora e uma hora e meia na rede?
b) Qual a mdia, media e a moda do tempo de uso da Internet?

56) Dada a distribuio abaixo, determine a idade mdia, mediana e a moda.

Idade (anos) Frequncia
04 5
59 25
10 14 35
15 19 25
20 24 10
57) Os dados seguintes, ordenados do menor para o maior, foram obtidos de uma amostra aleatria, de 50
preos (Xi) de aes, tomada numa bolsa de valores internacional. A unidade monetria o dlar
americano: 4, 5, 5, 6, 6, 6, 6, 7, 7, 7, 7, 7, 7, 8, 8, 8, 8, 8, 8, 8, 8, 8, 9, 9, 9, 9, 9, 9, 10, 10, 10, 10, 10, 10,
10, 10, 11, 11, 12, 12, 13, 13,14, 15, 15, 15, 16, 16, 18, 23. Os valores seguintes foram calculados para
amostra:
50 50

x i 490 e x 2i 5470
i 1 i 1

Calcule a mdia e varincia amostral, respectivamente (com aproximao de uma casa decimal).

58) Considerando a tabela abaixo, calcule para essa amostra o coeficiente de variao das variveis peso e
estatura, respectivamente:
Peso (kg) Estatura (cm)
60 1,60
75 1,80
70 1,70
75 1,65

40
59) A tabela a seguir registra uma amostra da rentabilidade mdia anual entre a Ao A e a Ao B durante
5 anos. Determine a ao que teve uma rentabilidade mais homognea e qual teve a rentabilidade mais
heterognea?
Ao A Ao B
9,00% 12,00%
10,00% 10,50%
12,00% 9,50%
10,50% 11,00%
9,50% 12,50%
60)
Turmas Mdia das Notas Varincia
A 60 36
B 66 225
C 62 16

Considerando os resultados obtidos relativos as notas mdias dos alunos de 3 turmas estudadas,
demonstrados na tabela acima, assinale a alternativa correta.
a) O coeficiente de variao da turma A menor do que o da turma B e C;
b) A turma que possui menor coeficiente de variao a C e a que possui maior coeficiente de variao
a B;
c) Nada se pode afirmar sobre o coeficiente de variao baseado nas informaes contidas na tabela, por
insuficincia de informaes;
d) A turma que possui o menor coeficiente de variao a turma B, e a que possui maior coeficiente de
variao a turma A;
e) O coeficiente de variao da turma B igual ao da turma C, porm, maior que o da turma A.

61) Dado do histograma da figura abaixo e sabendo que todas as classes tm igual amplitude, calcule a
moda, mediana e o coeficiente de variao da distribuio.

41
62) Os salrios mensais dos funcionrios de uma empresa so descritos pela tabela abaixo:
Salrios (em R$) Frequncia
[1.000; 3.500) 15
[3.500; 6.000) 12
[6.000; 8.500) 6
[8.500; 11.000) 5
[11.000; 13.500) 5
[13.500; 16.000) 3
[16.000; 18.500) 2
[18.500; 21.000) 2
a) A mdia salarial destes funcionrios;
b) Para qual valor do salrio temos 50% para baixo e 50 % para cima dos valores;
c) Qual o menor valor para que tenhamos os 14% dos maiores salrios;
d) Calcule o valor do coeficiente de variao e interprete seu valor;
e) Construa um histograma e faa uma breve anlise do perfil da distribuio dos salrios e um quadro
resumo das principais medidas de tendncia central e de variabilidade.

63) Uma amostra de oitenta peas retiradas de um grande lote forneceu a seguinte distribuio de
comprimentos:
Classes Frequncia
50 60 1
60 70 3
70 80 6
80 90 15
90 100 25
100 110 20
110 120 7
120 130 3

A especificao para esse tipo de material exige que o comprimento mdio das peas esteja compreendido
entre 92 e 96 mm, que o coeficiente de variao seja inferior a 20% e que a distribuio dos comprimentos
seja simtrica. Quais dessas exigncias parecem no estar satisfeita no presente caso?

64) Em uma granja foi observada a distribuio dos frangos em relao ao peso, que era a seguinte:
Peso (gramas) Frequncia
960 980 60
980 1.000 160
1.000 1.020 280
1.020 1.040 260
1.040 1.060 160
1.060 1.080 80
Total 1.000
Deseja-se dividir os frangos em quatro categorias, com relao ao peso, de modo que:
- os 20% mais leves sejam da categoria D;
- os 30 %seguintes sejam da categoria C;

42
- os 30% seguintes sejam da categoria B; e
- os 20% seguintes sejam da categoria A.
Quais os limites de peso entre as categorias, A, B, C e D?

65) Considerando as seguintes medidas, relativas a trs distribuies de frequncia.

Distribuies Q1 Q3 P10 P90
A 814 935 772 1012
B 63,7 80,3 55,0 86,6
C 28,8 45,6 20,5 49,8

Como so Classificadas as distribuies A, B e C, respectivamente, quanto curtose?

43
17 - Varivel Aleatria Unidimensional

17.1 - Variveis Aleatria do Tipo Discreta.

Considere o lanamento de trs moedas, com probabilidade de cara igual a p = 1/2.

Representemos por X a varivel aleatria que se identifica ao nmero de caras observado. Ora, ento X
pode assumir os valores x = 0,1,2,3 e a correspondncia entre os eventos elementares de S e o conjunto
dos reais, e as probabilidades respectivas, compem a tabela abaixo: c = cara e c = coroa.
S c, c, c , c, c, c , c, c, c , c, c, c , c, c, c , c, c, c , c, c, c , c, c, c

X Evento correspondente Ai P(Ai ) P(X x), i 1,2,3, 4

0 c, c, c P(X 0) q3
1 c, c, c , c, c, c , c, c, c P(X 1) 3pq2
2 c, c, c , c, c, c , c, c, c P(X 2) 3p2q
3 c, c, c P(X 3) p3

Podemos observar que, sendo independentes os resultados individuais de cada moeda, a

probabilidade de ocorrer cara nas trs moedas igual ao produto da probabilidade do evento cara em cada
moeda, e, assim as probabilidades so calculadas. Vale registrar que P(X=1) = 3pq2, pois o evento (X = 1)
a unio dos eventos elementares c, c, c , c, c, c , c, c, c . Em resumo, podemos apresentar as
probabilidades dos possveis valores da varivel aleatria X na tabela abaixo, considerando agora que, p =
q = .
Sabemos que o objeto fundamental na descrio de um experimento aleatrio so os eventos
elementares Ai S. sempre possvel associar um nmero real a cada um dos eventos elementares e o
conceito matemtico adequado para isto uma funo. Utilizaremos a noo de funo para
representar os nmeros reais associados aos resultados possveis de uma experincia aleatria. Esta
funo, denominada varivel aleatria X uma funo tal que:
- o domnio de X o espao amostra S;
- o contradomnio de X o conjunto dos nmeros reais;
A regra que associa cada elemento Ai do domnio a um nico elemento P(Ai ) :
X :
x f (X) P X = x

Definio
Seja X uma varivel aleatria real definida a partir de uma experincia aleatria (psilon).
Dizemos que X uma varivel aleatria do tipo discreto se, e somente se, o seu contradomnio um
conjunto finito ou infinito mas numervel de pontos.

44
 17.2 - Funo de Probabilidade de X.

Definio
Seja X uma varivel aleatria real do tipo discreto e seja x i um ponto genrico de seu domnio.

A cada x i associaremos um nmero pi P X x i denominado probabilidade de xi satisfazendo as

seguintes condies:

i) 0 P X x i 1

ii) P X x 1
i 1
i

A probabilidade pi P X x i para i = 1,2,3,..... define o que chamamos de funo de

probabilidade da varivel aleatria X.

17.3 - Parmetros Caractersticos

Uma distribuio de probabilidade pode ser caracterizada por alguns parmetros, cuja anlise
fundamental para se definir o comportamento da varivel aleatria.

i) Esperana Matemtica

Seja X uma V.A.D., chamaremos valor esperado, expectncia, mdia da distribuio, a seguinte
definio:
k
E( X ) X P( X x )
i 1
i

Notao: E(X), (X), X ,

Obs.: repare que trata-se da mdia aritmtica ponderada e um valor terico, ou seja, pode assumir
qualquer valor no conjunto dos nmeros reais.

Propriedades:
1) se X=c, ento E(X)=c, onde c uma constante
2) E(cX)=cE(X)
3) E(X Y)=E(X) E(Y)
4) E(X1 X2 Xn ) E(X1 ) E(X 2 ) E(X n )
5)E(XY) E(X)E(Y) se X e Y forem independentes

45
ii) Varincia
A varincia de X definida da seguinte forma
2
Var(X)= X E( X )

Var(X)=E ( X 2 ) ( E ( X )) 2
k
2
Var(X)= X P( X xi ) ( E ( X )) 2
i=1

Propriedades:
1) V(Xc)=V(X)
2) V(cX)=c2 V(X)
3) V(X Y)=V(X)+V(Y) se Cov(X,Y)=0

17.4 - Funo de Probabilidade Acumulada ou Funo Repartio de Probabilidades

A funo repartio de probabilidade ou funo de probabilidade acumulada de X dada por:

F ( X ) P( X x ), para todo x R

18 Distribuies de Probabilidade para VAD

i) Distribuio de Bernoulli

Considere um experimento aleatrio , constitudo de uma nica tentativa, onde podemos obter
sucesso fracasso. Seja p a probabilidade de sucesso e q a probabilidade de fracasso de tal modo que
p+q=1.
Seja x a varivel aleatria que representa o nmero de sucessos em 1 nica tentativa, ento x
assumir os valores:

0 (fracasso) P(X=0)=q
x
1 (sucesso) P(X=1)=p

Nessas condies dizemos que x tem distribuio de probabilidade de Bernoulli e sua funo de
probabilidade dada por:
P( X x) p x .q (1- x)
onde X=0 ou X=1.

Clculo dos parmetros caractersticos n = 1

X P(X=xi) XP(X=x i ) X2 .P(X=x i )

0
1

46
ii) Distribuio de Probabilidade Binomial
Considere n tentativas independentes de um mesmo experimento . Cada tentativa admite
apenas 2 resultados (sucesso com probabilidade p e fracasso com probabilidade q) de modo que
p+q=1. As probabilidades de sucesso e fracasso se mantem constantes a cada tentativa.
Seja X a v.a.d. que representa o nmero de sucessos em n tentativas, ento:

Se X=1, temos:
n 1 (n 1)
S FFFFF
P(X 1) p q
1sucesso (n-1)fracassos 1

Se X=2, temos:
n 2 (n 2)
SS
P(X 2) 2 p q
FFFFF
2sucessos (n-2)fracassos

Generalizando, Se X=x, temos:
n x (n x)
S FF
S FF
P(X x) x p q
x sucessos (n-x)fracassos

Funo de distribuio de probabilidades

Notao:

X ~ Bn, p , onde n e p so os parmetros da distribuio binomial.

n = nmero de repeties do experimento;

p = probabilidade de sucesso, a cada repetio.

Parmetros caractersticos:
Valor esperado: E X np
Varincia: VAR ( X ) npq
Desvio padro: DP( X ) npq

19 - Varivel Aleatria do Tipo Contnuo

Na seo anterior tratamos do estudo de variveis aleatrias do tipo discreto, ou seja, aquelas
que assumem valores em um conjunto finito ou infinito mas numervel. Contudo, existem variveis
aleatrias cujo conjunto de valores possveis no numervel. Vrios exemplos podem ser mencionados:
- tempo de vida de uma lmpada
- tempo gasto no trajeto entre dois pontos A e B
- peso de um aluno selecionado aleatoriamente em turma
- altura de um elemento escolhido ao acaso de uma populao
Nos exemplos citados, as variveis tempo, peso e altura so claramente medidas contnuas. Na
prtica, entretanto, quando registramos a idade de uma pessoa, por exemplo 53 anos, o fazemos usando o
nmero inteiro 53 pertencente a um conjunto discreto, no caso infinito numervel. No registro da idade

47
poderamos ser mais precisos se registrssemos 53,5 (53 anos e 6 meses) e ainda assim esta idade pertence
a um conjunto discreto (dos reais com 1 decimal). Se a pessoa tem precisamente 53 anos, 5 meses e 15
dias, registraramos 53,452 (19510 dias/365), que tambm pertence a um conjunto de nmeros reais,
discreto, com trs casas decimais. E assim por diante, se desejssemos registrar a idade da pessoa com
preciso ainda maior, faramos idade = t 2 t1 , onde t1 o instante do nascimento e t2 o instante da
observao em questo. Conclumos ento que idade uma varivel contnua, que pode ser teoricamente
medida por um nmero real, embora no tenhamos essa condio na prtica, pois inexiste um dispositivo
de medida que proporcione uma preciso de infinitas casas decimais.
O conjunto dos nmeros reais apropriado para representar estas medidas porque um
conjunto denso.

Definio

Dizemos que uma varivel aleatria X do tipo contnuo se existe uma funo no negativa f(x),
definida para todo x R, tal que para todo intervalo I R,
P X I f x dx .
I

A funo f(x) chamada funo de densidade de probabilidade da varivel aleatria X.

Propriedades da funo de densidade.

1. Como a integrao de f(x) em algum intervalo produz uma probabilidade, ento:

f(x) 0.

2. Como X assume algum valor em um intervalo de R, ento: f x dx 1

b
3. Se I = (a,b), ento: P a X b f x dx

a

x
4. Sendo X uma varivel contnua: P X x P X x F x f x dx

a
5. Se I = (a,a), ento: P a X a P X a f x dx 0

a

Obs 1: Em outras palavras, se X uma varivel aleatria contnua, a probabilidade dela assumir um fixado
valor x ZERO. A probabilidade de selecionar um aluno de uma determinada turma, que tenha
exatamente 24 anos nula.
Obs 2: Imaginemos que uma varivel aleatria assuma valores no intervalo (0,1) e que todos os pontos
dos intervalos sejam equiprovveis. Se, inadvertidamente, usarmos a frmula do clculo de
probabilidade definida para espaos amostrais finitos com elementos equiprovveis, concluiramos que
todos os pontos tm probabilidade zero de ocorrer, porque o espao amostra contm infinitos pontos.

48
 20 Distribuio de Probabilidade para VAC

i) A Distribuio Normal

Um dos modelos estatsticos mais importantes, talvez o mais importante, a distribuio normal (ou
gaussiana), que o famoso matemtico Karl F. Gauss props no incio do sculo XIX, para calcular
probabilidades de ocorrncias de erros em medies. Tantos foram e continuam sendo, os conjuntos de
dados que podem ser bem representados pela distribuio normal, que ela passou a ser considerado o
comportamento natural de qualquer tipo de erro experimental: da o adjetivo normal.

A distribuio normal uma distribuio contnua, isto , uma distribuio em que a varivel pode
assumir qualquer valor dentro de um intervalo previamente definido. Para uma varivel normalmente
distribuda, o intervalo (-, +), o que significa que ela pode assumir, pelo menos em princpio,
qualquer valor real.
Para indicar que uma varivel aleatria x se distribui normalmente, com mdia e varincia 2,

empregamos a notao x ~ N , 2 , onde o sinal ~ pode ser lido como distribui-se de acordo com ou
tem distribuio normal.

Caractersticas importantes da distribuio normal:

1. A varivel aleatria x pode assumir qualquer valor real (varivel aleatria contnua);
2. O grfico da distribuio normal corresponde a uma curva em forma de sino, simtrica em torno
da mdia indicada por ;

49
3. A rea total sob a curva vale 1, pois essa a rea correspondente a probabilidade da varivel
aleatria x assumir qualquer valor real.

Devido a existncia de uma famlia de distribuies normais diferentes, a obteno de resultados se

torna muito trabalhosa, pois para obter o valor da probabilidade P(x a) devemos integrar a funo f(x) da
distribuio normal entre (-, +a) conhecidos os valores da mdia e do desvio padro.

Para facilitar os clculos foi desenvolvido um procedimento com uma nica curva de distribuio,
denominada como distribuio normal padronizada, sendo aplicado o desvio padro normalizado Z como
operador de transformao.
X
Z

Aps realizar a transformao, a curva normal padronizada tem a mesma forma que a distribuio
normal, porm com os valores de mdia e desvio padro iguais 0 e 1
X ~ N (0,1)

Os valores padronizados tambm so chamados de escores;

Regra emprica

50
 Exerccios para Relaxar a Mente

66) Uma seguradora paga R$ 30.000,00 em caso de roubo de veculo e cobra para tanto ma taxa de R$
1000,00. Sabe-se que a probabilidade de roubo nessa localidade de 3%. Quanto espera ganhar a
seguradora por veculo assegurado? (Feito em sala)

67) Uma urna contm 4 bolas pretas e 6 bolas brancas, 3 bolas so retiradas sem reposio. Seja X a
varivel aleatria que representa o nmero de bolas pretas, encontre a valor esperado de X. (Feito em sala)

68) Um jogo de dados o jogador A paga R$ 20,00 a banca e lana trs dados. Se sair face 1 em apenas
um dos dados o jogador ganha R$ 20,00. Se sair face 1 em apenas dois dados o jogador ganha R$ 50,00.
Se sair face 1 em trs dados o jogador ganha R$ 80,00. Calcule o lucro lquido esperado pelo jogador em
uma nica jogada. Resp.: - 9,21 R$

69) Um negociante espera vender um automvel at sexta-feira. A expectativa de que venda na segunda-
feira de 50%. Na tera-feira de 30%, na quarta-feira de 10%, na quinta-feira de 5% e na sexta-feira
de 5%. Seu lucro de 3.000 reais se vender na segunda-feira e diminui 40 % a cada dia.
a) calcule o valor esperado do lucro esperado na venda; Resp.: 2.199,84 R$
b) calcule a varincia e o desvio-padro. Resp.:777.897,4464 (R$)^2 e 881,985 R$
70) A rentabilidade para os prximos 12 meses de uma ao de primeira linha est estimada pela varivel
aleatria X definida pelos dados da seguinte tabela. Pede-se calcular o valor esperado, a varincia e o
desvio padro. Rep.: 18,5%, 20,25%^2 e 4,5%
X P(x)
10% 10%
15% 30%
20% 40%
25% 20%
Obs: probabilidade um valor entre 0 e 1.

1 3x 1 x 1 2x
71) Uma varivel aleatria X pode tomar quatro valores, com probabilidades , , e
4 4 4

1 4x
. Para que valores de x est uma distribuio de probabilidade? -1/3 x 1/4
4

72) Suponha que X seja uma v.a., para a qual E(X) =10 e V(X)=25. Para quais valores positivos de a e
b deve Y = aX - b ter valor esperado 0 e varincia 1.

73) Suponha que D, a demanda diria de uma pea, seja uma v. a com a seguinte distribuio de
probabilidade.
C2d
P (D = d) = , d = 1,2,3,4.
d!
a) calcule a constante C; Resp.: 1/6
b) Calcule a demanda esperada. Resp.: 19/9

51
74) Seja X uma v.a c definida no intervalo 0, 4 , com uma f.d.p dada por: f ( X ) 1- 2kX , onde K uma
2
constante. Determine K.
75) Uma certa liga formada pela reunio da mistura em fuso de dois metais. A liga contm certa
porcentagem de chumbo X, que pode ser considerado como uma v.a. Suponha que X tenha f.d.p.:
3 5
10 X(100 X), se 0 X 100
f (X) 5
0, para quaisquer outros valores de X

Suponha-se que P, o lucro lquido pela venda dessa liga (por libra), seja a seguinte funo da porcentagem
de chumbo contida: P C1 C 2 X . Calcule o lucro esperado (por libra)

76) Uma pessoa esta viajando e pretende alugar um carro. A distncia percorrida em (Km) que ela ir
percorrer diariamente uma varivel aleatria com densidade:
X 50
2500 se 50 X 100

f X
150 X
se 100 X 150
2500

Existem duas opes de dirias de aluguel:

1. Opo 1: R$ 70,00 + 0,35 por Km rodado;
2. Opo 2: R$ 90,00 se rodar at 120 Km e R$ 130,00 se rodar mais de 120 Km num dia.

Qual das opes e mais vantajosa, em termos de apresentar o menor custo esperado de aluguel?
1 Opo: E(C)=R$105, 2 Opo: E(C)=R$97,2, Logo, a 2Opo mais econmica.
77) Seja X uma varivel aleatria contnua com f.d.p. dada por:
1
X k se 0 X 3,
f X (X) 6
0 caso contrrio.
Calcule probabilidade de (1 X 2)
Resp.: 1/3
78) Suponha que X seja uma varivel aleatria contnua com funo de densidade dada por
CX 1 X 2 0 X 1
f (x)
0 X 0, X 1
Calcule a constante c e P(X>1/2).

79) O salrio (em milhares de reais) dos funcionrios numa empresa pode ser modelado por v.a.c. X
dada abaixo:
C
f (X) , se 2 X 8
X2

52
a) Ache a constante c para que f ( X ) seja uma f.d.p; Resp.: 8/3
b) Ache o ponto m entre 2 e 8 tal que P( X m) 0,5 . Este ponto a mediana de X, ou seja, o salrio
mediano dos funcionrios desta empresa. Resp.: m=3,2
80) Suponha que a funo distribuio acumulada da varivel aleatria X seja:
0; X 0

F(X) 0, 2X; 0 X 5
1; 5 X

Determine:
a) P(X < 2,8) Resp.:0,56
b) P(X > 1,5) Resp.:0,70
c) P(X < -2) Resp.:0,00
d) P(X>6) Resp.:1,00

81) Uma moeda lanada 10 vezes. Qual a probabilidade de se obter:

a) 6 caras? Resp.: 0,20508
b) no mximo 3 caras? Resp.: 0,11719
c) entre 3 e 6 caras, inclusive? Resp.: 0,77344
d) pelo menos 2 caras? Resp.: 0,98925
82) Acredita-se que 20% dos moradores das proximidades de uma grande indstria siderrgica tem alergia
aos poluentes lanados ao ar. Admitindo que este percentual de alrgicos real (correto), calcule a
probabilidade de que pelo menos 4 moradores tenham alergia entre 13 selecionados ao acaso.
83) Trs em cada quatro alunos de uma universidade fizeram cursinho antes de prestar vestibular. Se 16
alunos so selecionados ao acaso, qual a probabilidade de que:
a) Pelo menos 12 tenham feito cursinho?
b) No mximo 13 tenham feito cursinho?
c) Exatamente 12 tenham feito cursinho?
d) Em um grupo de 80 alunos selecionados ao acaso, qual o nmero esperado de alunos que fizeram
cursinho? E a varincia?
84) Num determinado processo de fabricao 10% das peas so consideradas defeituosas. As peas so
acondicionadas em caixas com 5 unidades cada uma.
a) Qual a probabilidade de haver exatamente 3 peas defeituosas numa caixa?
b) Qual a probabilidade de haver duas ou mais peas defeituosas numa caixa?
c) Se a empresa paga uma multa de R$ 10,00 por caixa em que houver alguma pea defeituosa, qual o
valor esperado da multa num total de 1000 caixas?
85) Um agricultor cultiva laranjas e tambm produz mudas para vender. Aps alguns meses a muda pode
ser atacada por fungos com probabilidade 0,02 e, nesse caso, ela tem probabilidade 0,5 de ser recupervel.
O custo de cada muda produzida R$ 1,20, que ser acrescido de mais R$ 0,50 se precisar ser recuperada.
As irrecuperveis so descartadas. Sabendo que cada muda vendida a R$ 3,50, encontre a distribuio da
varivel aleatria lucro por muda produzida.
a) Qual o lucro mdio por muda produzida?

53
b) Em uma plantao de 10000 mudas, qual o lucro esperado?
c) Em um lote de 50 mudas, qual a probabilidade de que pelo menos 45 sejam aproveitveis?
86) Turbulncia no avio
A probabilidade de ocorrncia de turbulncia em um determinado percurso a ser feito por uma aeronave
de 0,4 em um circuito dirio. Seja X o nmero de vos com turbulncia em um total de 7 desses vos (ou
seja, uma semana de trabalho). Qual a probabilidade de que:
a) No haja turbulncia em nenhum dos 7 vos?
b) Haja turbulncia em pelo menos 3 deles?
c) X esteja entre E(X) DP(X) e E(X) + DP(X)?
d) Num total de 5 semanas, tenha havido duas delas com turbulncia em pelo menos 3 dias?
87) Examinando alunos
O Professor Paulo ministra, de segunda a sexta feira, aulas para uma turma com 30 homens e 20 mulheres.
Suponha que todos os 50 alunos esto presentes durante as cinco aulas. Durante uma dada semana, ele
decide sortear um aluno por dia para ser examinado. Se X a varivel aleatria que representa o nmero
de dias em que um homem foi selecionado, qual a funo de probabilidade, a mdia e a varincia de X?
Considere duas situaes diferentes:
a) O mesmo aluno pode ser selecionado mais de uma vez.
b) Cada dia o professor examinar um aluno diferente.
c) Compare as funes de probabilidade obtidas em a) e b).
88) Avaliao da qualidade de um processo produtivo
A proporo de itens que atendem as especificaes entre os que so fabricados por um determinado
processo industrial igual a p, onde 0 < p < 1. Quando selecionada uma amostra aleatria contendo 5
desses itens, se X o nmero de itens entre eles que atendem as especificaes, ento dizemos que o
resultado do experimento pode ser considerado:
pssimo, se X 1;
ruim, se X 2
bom, se X 3
timo, se X 4
Se a probabilidade condicional de que o resultado do experimento seja pssimo, dado que ele ruim,
igual a:
a) Qual o valor de p?
b) Calcule a probabilidade condicional de que o resultado do experimento seja timo, dado que ele bom.

89) Seja X N(20, 4) , encontre os valores reduzidos, escores ou padronizados correspondentes a:

x1 =14, x 2 =16, x3 =18, x 4 =20, x5 =22, x 6 =24, x 7 =26

54
90) Se X N(0,1) , calcule:
a)P(X 0,55)
b)P(X 2,33)
c)P(X 0,74)
d)P(1,96 X 1,96)
e)P X 1
f )P(X 2 ou X > 1)

91) Seja X N(100, 25) , encontre:

a)P(100 X 106)
b)P(89 X 107)
c)P(102 X 116)
d)P(X 108)

92) Sendo X N(50,16) , determine X , tal que:

a)P(X X ) 0,05
b)P(X X ) 0,99

93) Seja X N(100,100) , encontre:

a) P( X 100 10)
b) o valor de "a", tal que P(100 a X 100 a) 0,95

94) Seja X uma varivel aleatria que representa o valor das vendas de um determinado produto em um
ms. X normalmente distribuda com mdia $500 e desvio padro $50. Podemos afirmar que:
a) A probabilidade do valor das vendas ser superior a $ 600 5,3%.
b) No intervalo (450 550) ento contidas 68,3% de todos os possveis valores das vendas mensais do
produto.
c) Em 20% dos casos as vendas so inferiores a $458.
d) A distribuio normal plenamente especificada pelo seu parmetro mdia.
95) Uma fbrica de carros sabe que seus motores de fabricao tm durao normal como mdia de
150.000 km e desvio padro de 5.000 km. Qual a probabilidade de que um carro escolhido ao acaso dentro
os fabricados tm um motor que deva rodar:
a) menos de 170.000 km;
b) entre (140.000 km e 165.000 km)
c) se a fabricao substituir o motor que apresenta durao inferior a garantia, qual deve ser esta garantia
para que a porcentagem de motores substitudos seja inferior a 0,2%?
96) Uma empresa produz um equipamento cuja vida til admite distribuio normal com
300h e 20h . Se a empresa garante uma de pelo menos de 280h para unidades vendidas, qual
a probabilidade de que tenha que repor um equipamento.

55
97) Uma varivel aleatria X tem distribuio normal tal que:
P(X 60) 0, 05
P(X 45) 0,15
Caracterize essa distribuio.
98) As notas da Disciplina Probabilidade e Estatstica dos alunos de uma determinada Universidade
distribuem-se de acordo com uma distribuio normal, com mdia 6,4 e desvio padro 0,8. O professor
atribui graus A, B e C da seguinte forma.
Nota Grau
X<5 C
5 X 7,5 B
7,5 X 10 A
Em uma classe de 80 alunos, qual o nmero esperado de alunos com grau A? B? C?

56