Nocoes de Estatistica e Probabilidade - 2012 Parte 1 PDF

unesp
UNIVERSIDADE ESTADUAL PAULISTA

JLIO DE MESQUITA FILHO
Faculdade de Engenharia Campus de Ilha Solteira
NOES DE
PROBABILIDADE E ESTATSTICA
PROF BERENICE CAMARGO DAMASCENO
2012
ESTATSTICA E PROBABILIDADE
1.0 ALGUMAS DEFINIES DE ESTATSTICA

Etimologicamente a palavra estatstica vem de status expresso latina que significa,
sensu lato, o estudo do estado. Os primeiros a empregarem esse termo foram os
Alemes seguidos pela Itlia, Frana, Inglaterra e ainda por outros paises.
Para Levasseur a estatstica : O estudo numrico dos fatos sociais. Yule define
estatstica como: Dados quantitativos afetados marcadamente por uma multiplicidade de
causas.
Uma definio mais usual nos dias de hoje seria: Um mtodo cientfico que permite a
anlise, em base probabilstica, de dados coligados e condensados. Ou ainda podemos
dizer que Estatstica um conjunto de mtodos quantitativos, que servem para a coleta,
organizao, reduo e apresentao de dados, anlise dos mesmos e a obteno de
concluses vlidas e tomadas de decises a partir de tais anlises.
Estatstica pode ser entendida como sendo a cincia de aprendizagem a partir de dados.
No nosso cotidiano, precisamos tomar decises, muitas vezes decises rpidas. Assim
podemos dizer que a Estatstica fornece mtodos que auxiliam o processo de tomada de
deciso.
1.1 POR QUE ESTUDAR ESTATSTICA?
O raciocnio estatstico largamente utilizado no governo e na administrao; assim,

possvel que, no futuro, um empregador venha a contratar ou promover um profissional por
causa do seu conhecimento de estatstica. Essa uma razo, esperamos que ao final
deste trabalho o leitor encontre suas prprias razes.
1.2 A NATUREZA DOS DADOS

Os dados estatsticos constituem a matria prima das pesquisas estatsticas, eles surgem
quando se fazem mensuraes ou se restringem observaes.
Estatstica descritiva: Trata-se da descrio e resumo dos dados.
Probabilidade: um estudo que envolve o acaso.
Inferncia: a anlise e interpretao de dados amostrais (Amostragem).
Modelos: So verses simplificadas (abstraes) de algum problema ou situao real.
Noes de Probabilidade e Estatstica 1 Prof Berenice C. Damasceno

1.3 TIPOS DE DADOS
Quantitativos Contnuos
Discretos
Qualitativos Nominais
Por postos
As variveis contnuas podem assumir qualquer valor num intervalo contnuo. Os dados
referentes a tais variveis dizem-se dados contnuos. Ex.: peso, comprimento, espessura
onde se usa a mensurao.
As variveis discretas assumem valores inteiros de dados discretos so os resultados da

contagem de nmeros de itens. Ex.: alunos da sala de aula, nmero de defeitos num carro
novo, acidentes de uma fbrica.
Os dados nominais surgem quando se definem categorias e se conta o nmero de

observaes pertencentes a cada categoria. Atuam dentro das variveis Qualitativas, s
quais devemos associar a valores numricos para que possamos processar
estatisticamente. Ex.: cor dos olhos (azuis, verdes, castanhos), sexo (masculino e
feminino), desempenho (excelente, bom, sofrvel, mau), etc.
Os dados por postos consistem de valores relativos atribudos para denotar ordem:
primeiro, segundo, terceiro, quarto, etc. Ex.: concurso de beleza se classificam em 1, 2,
3 colocadas.
TABELA 1: A mesma populao pode originar diferentes tipos de dados.
TIPOS DE DADOS
POPULAES CONTNUOS DISCRETOS NOMINAIS POR POSTO
Alunos de administrao idade/peso N. de classes Homens/Mulheres 3 grau

1.4 TIPOS DE LEVANTAMENTOS
Os levantamentos podem ser classificados em contnuos, peridicos e ocasionais:
CONTNUOS: Quando os eventos vo sendo registrados medida que ocorrem. Exemplos

os registros civis dos fatos vitais (nascimento, bitos e casamentos).
PERIDICOS: Acontecem ciclicamente. Exemplo o recenceamento, feito no Brasil a

cada dez anos. A realizao de um Censo Demogrfico representa o desafio mais
importante para um instituto de estatstica, sobretudo em um pas de dimenses
continentais como o Brasil, com 8 514 215,3 km2, composto por 27 Estados e 5 507
municpios existentes na data de referncia da pesquisa, abrangendo um total de
54 265 618 de domiclios pesquisados (dados do IBGE sobre o Censo de 2000).
OCASIONAIS: So aqueles realizados sem a preocupao de continuidade ou

periodicidade preestabelecidas, exemplos a maioria dos trabalhos de investigao
cientifica.
Os dados ainda podem ser classificados em: primrios e secundrios.
DADOS PRIMRIOS: Quando o investigador no encontra dados publicados adequados

ao seu estudo, parte para a realizao de um inqurito, isto , os dados so levantados
diretamente na populao no momento da investigao.
DADOS SECUNDRIOS: Quando o investigador para verificar as suas hipteses de

trabalho utiliza-se de dados j existentes, arquivados, registrados ou publicados. Podem
ser, at mesmo, dados gerados pelo Departamento de Estatstica de Populaes da
Fundao Instituto Brasileiro de Geografia e Estatstica (IBGE).

1.5 PLANEJAMENTO DE EXPERIMENTOS
1- Definio do problema: Um Estudo ou Uma Anlise
2- Formular plano adequado para coleta de dados
3- Organizar os dados
4- Analisar e interpretar os dados
5- Relatar as concluses
EXERCCIOS
1- Identifique os seguintes exemplos em termos de tipos de dados:
a- 17 gramas
b- 3 certos, 2 errados
c- 25 segundos
d- 25 alunos na classe
e- tamanho de camisa
f- Km/litro
g- O mais aprazvel
h- O mais lento
i- 5 acidentes no ms de maio
Responder as perguntas:
1- Defina o termo Estatstica.
2- Responder a pergunta: Por que estudar estatstica?
3- Dar exemplos de como voc, na sua profisso, poder se beneficiar do
conhecimento de Estatstica?

2.0 AMOSTRAGEM
AMOSTRAGEM VERSUS CENSO: Uma amostra usualmente envolve o estudo de uma
parcela dos tens de uma populao, enquanto que o censo requer o estudo de todos os
tens.
Restries ao Censo:
- Custo
- Populaes infinitas
- Dificuldade nos critrios (Preciso)
- Produtos de testes Destrutivos (fsforos, munies)
- Tempo despendido (atualizao)
- Tipos de informaes mais restritivas
Casos de excesso:
- Populaes pequenas
- Amostras grandes em relao populao
- Se exige preciso completa
- Se j so disponveis informaes completas
2.1 DEFINIES:
POPULAO: o conjunto de indivduos (ou objetos), que tem pelo menos uma varivel
comum observvel. Populao a totalidade dos elementos de um conjunto com uma
dada caracterstica, no qual se deseja fazer um determinado estudo.
AMOSTRA: qualquer subconjunto da populao extrada para se realizar estudos
estatsticos.
.
POPULAO
AMOSTRA

A estatstica indutiva a cincia que busca tirar concluses probabilsticas sobre a
populao, com base em resultados verificados em amostras retiradas dessa populao.
Entretanto no basta que saibamos descrever convenientemente os dados da amostra
para que possamos executar, com xito, um trabalho estatstico completo. Antes de tudo
preciso garantir que a amostra ou amostras que sero utilizadas sejam obtidas por
processos adequados.
- O que necessrio garantir, em suma, que a amostra seja Representativa da
populao.
Dois aspectos nas amostras so fundamentais, e que do a sua representatividade em
termos:
- Qualitativos: Amostras que representem todas as sub-populaes, quando for o caso.
- Quantitativos: Que possua quantidade de dados suficientes para representar a
populao.
Na indstria onde amostras so freqentemente retiradas para efeito de Controle da

Qualidade dos produtos e materiais, em geral os problemas de amostragem so mais
simples de resolver.
Por outro lado, em pesquisas sociais, econmicas ou de opinio, a complexibilidade dos

problemas de amostragem so normalmente bastante grandes.
Inferncia estatstica envolve a formulao de certos julgamentos sobre um todo aps

examinar apenas uma parte, ou a amostra, dele.
A probabilidade e a amostragem esto estreitamente correlacionadas e juntas formam o

fundamento da teoria de inferncia.
- Amostragem o ato de retirar amostra, isto , a ao.
- Amostra a quantidade de dados especificados para representar a populao.

Amostragem aleatria permite estimar o valor do erro possvel, isto , dizer quo
prxima est a amostra da populao, em termos de representatividade.
Amostragem no aleatria no apresenta esta caracterstica.
H vrios mtodos para extrair uma amostra, talvez o mais importante seja a amostragem
aleatria. De modo geral, a amostragem aleatria exige que cada elemento tenha a
mesma oportunidade de ser includo na amostra.
Nas Populaes discretas uma amostra aleatria aquela em que cada item da
populao tem a mesma chance de ser includo na amostra.
Nas Populaes contnuas, uma amostra aleatria aquela em que a probabilidade de
incluir na amostra qualquer intervalo de valores igual percentagem da populao que
est naquele intervalo.
Populaes finitas: quando, temos constitudo por nmeros finitos, ou fixos de

elementos, medidas ou observaes.
Ex.: Peso bruto de 3000 latas de tinta de um certo lote de produo.
Populaes infinitas: so aquelas que contm, pelo menos hipoteticamente, um nmero

infinito de elementos.
Ex.: Produo de carros V.W. produzidos no Brasil e a serem produzidos (universo
volkswagem), processo probabilstico.
2.2 AMOSTRAGEM ALEATRIA BASEADA EM NMEROS

ALEATRIOS (RANDMICOS)
As tabelas de nmeros aleatrios contm os dez algarismos 0,1,2,3,4,......,9. Esses

nmeros podem ser lidos isoladamente ou em grupos; podem ser lidos em qualquer ordem.
A probabilidade de qualquer algarismo aparecer em qualquer ponto 1/10. Portanto todas
as combinaes so igualmente provveis.

Conceitualmente, poderamos construir uma tabela de nmeros aleatrios numerando
dez bolinhas com os algarismos de 0 a 9 , colocando-as numa urna, misturando bem e
extraindo uma de cada vez, com reposio, anotando os valores obtidos.
A titulo de ilustrao poderamos querer selecionar aleatoriamente 15 clientes de uma lista

de 830 de um grande magazine, a finalidade poderia ser :
Estimar a freqncia de compras;
Determinar o valor mdio de cada compra;
Registrar as queixas contra o sistema.
2.3 OUTROS PLANOS DE AMOSTRAGEM
Amostragem probabilstica versus Amostragem no probabilstica.
Os planos de amostragem probabilstica so delineados de tal modo que se conhece a

probabilidade de todas as combinaes amostrais possveis. Em razo disso, pode-se
determinar a quantidade de varivel amostral numa amostra aleatria e uma estimativa do
erro amostral. A amostragem aleatria um exemplo da amostragem probabilstica.
A amostragem no probabilstica a amostragem subjetiva, ou por julgamento, onde a
variabilidade amostral no pode ser estabelecida com preciso, conseqentemente, no
possvel nenhuma estimativa do erro amostral.
A verdade que, sempre que possvel, deve-se usar a amostragem probabilstica.
2.4 AMOSTRAGEM POR JULGAMENTO (NO PROBABILSTICA)

Se o tamanho da amostra bem pequeno; digamos, de uns 5 itens, a amostragem
aleatria pode dar resultados totalmente no representativos, ao passo que uma pessoa
familiarizada com a populao pode especificar quais os itens mais representativos da
populao.

Exemplo: Uma equipe mdica deve trabalhar com pacientes que se apresentem como
voluntrios para testar um novo medicamento. Nenhum desses grupos podem ser
considerados como uma amostra aleatria do pblico em geral, e seria perigoso tentar
tirar concluses gerais com base em tal estudo. Todavia, os resultados poderiam
proporcionar uma base para a elaborao de um plano de amostragem aleatrio para
validar os resultados bsicos. Os perigos inerentes pesquisa mdica, bem como outro
tipo de pesquisa, freqentemente obrigam a limitar a pesquisa inicial a um pequeno grupo
de voluntrios.
Exemplo: A aplicao de hormnios em mulheres na menopausa, aps um perodo de

tempo notou-se o aumento das chances de adquirirem cncer de mama, doenas
cardacas etc.
2.5 AMOSTRAGEM PROBABILSTICA
SISTEMTICA
ESTRATIFICADA
CONGLOMERADO
AMOSTRAGEM SISTEMTICA
muito parecida com a amostragem aleatria simples. Podemos ter uma amostragem
realmente aleatria, escolhendo-se cada K-sima amostra, onde K obtem-se dividindo o
tamanho da populao pelo tamanho da amostra.
K= N onde: N= Tamanho da Populao

n n= Tamanho da Amostra
EX. N= 200 e n=10 ento K=200/10 = 20
Significa que ser escolhido um item a cada seqncia de 20 de uma lista. Para iniciar
pode-se usar uma tabela de nmeros aleatrios de 0 a 9 para iniciar os grupos. Por
exemplo se der o 9, escolhemos o 9, 29, 39 ,49 , etc.

AMOSTRAGEM ESTRATIFICADA
Pressupe a diviso da populao em sub-grupos Homogneos (Estratos), procedendo
ento a amostragem de cada sub-grupo. Ex.: Para se fazer o inventrio do estoque,
comum termos 10% dos itens representarem cerca de 60% do valor total em quanto que os
90% restantes representam s 40% do valor total (Curva A,B,C; Pareto; regra 80/20).
AMOSTRAGEM POR CONGLOMERADO
Pressupe a disposio dos itens de uma populao em sub-grupos heterogneos (sub-
populaes) representativos da populao global. Neste caso cada conglomerado pode ser
encarado como uma minipopulao.
Ex.: Estudo pr-eleitoral para medir a preferncia dos eleitores. (Sub-grupos: sexo,
educao, faixa etria, poder aquisitivo, regio da habitao, etc.)

RESUMO
A finalidade da amostra permitir fazer inferncia sobre a populao aps inspeo de

apenas parte dela. Fatores como custo, ensaios destrutivos e populaes infinitas, tornam
a amostragem prefervel a um estudo completo (Censo) da populao.
Naturalmente espera-se que a amostra seja representativa da populao da qual foi

extrada.
Potencialmente, este objetivo atingido quando a amostragem aleatria.
Para populaes discretas o termo Aleatrio significa que cada item da populao tem a
mesma chance de participar na amostra.
No caso de populaes contnuas, significa que a probabilidade de incluir qualquer valor

de um dado intervalo de valores igual proporo de valores naquele intervalo.
As amostras aleatrias podem ser obtidas:

- Atravs de um processo de mistura, como o embaralhamento de cartas;
- Pela utilizao de um processo mecnico (Misturadores);
- Utilizando-se uma tabela de nmeros aleatrios para proceder seleo de uma
lista.
Em certas condies, podem ser mais eficientes variantes da amostragem aleatria

simples, tais como amostragem sistemtica (peridica), estratificada (sub-grupos
Homogneos), ou amostragem por aglomerados (sub-grupos convenientes e
heterogneos).
A principal vantagem da amostragem aleatria que se pode determinar o grau de

variabilidade amostral, o que essencial na inferncia estatstica. Para a amostragem
no probabilstica falta esta caracterstica.

QUESTES PARA RECAPITULAO
1- Em que circunstncia a amostragem prefervel a um censo completo?
2- Quando se deve preferir um censo a uma amostragem?
3- Defina Amostra Aleatria.
4- Explique rapidamente as caractersticas:
a- da amostragem por conglomerado;

b- da amostragem estratificada;
c- da amostragem sistemtica.
5- O que amostragem por julgamento e em que circunstncia deve ser usada?
6- O que amostragem probabilstica e quando deve ser usada?
7- Explique o que uma populao:
a- Finita;
b- Infinita.

3.0 ANLISE EXPLORATRIA DE DADOS
Em alguma fase de seu trabalho, o pesquisador se v s voltas com o problema de
analisar e entender uma massa de dados, relevantes ao seu particular objeto de estudos.
De modo geral, podemos dizer que a essncia da cincia a observao e que seu
objetivo bsico a inferncia. Esta a parte da metodologia da cincia que tem por
objetivo a coleta, a reduo, a anlise e a modelagem dos dados, a partir do que,
finalmente, faz-se a inferncia para uma populao, da qual os dados (amostras) foram
obtidos.
4.0 DISTRIBUIO DE FREQNCIA
Para cada tipo de varivel existem tcnicas mais apropriadas para resumir as informaes.
Porm podemos usar algumas tcnicas empregadas num caso e adapt-las para outros.
Quando se estuda uma varivel, o maior interesse do pesquisador conhecer a
distribuio dessa varivel atravs das possveis realizaes (valores) da mesma.
Exemplo: Dados relativos a uma amostra de 36 funcionrios de uma populao de 2000
funcionrios da empresa Milsa. Ver resultados anotados na tabela abaixo.

TABELA 1: Dados relativos a uma amostra de 36 funcionrios de uma populao de 2000
funcionrios da empresa Milsa.
N ESTADO GRAU DE N DE SALRIO IDADE REGIO DE

CIVIL INSTRUO FILHOS (X SAL. MIN) ANOS MESES PROCEDNCIA
1 solteiro 1 grau --- 4 26 03 interior
2 casado 1 grau 1 4,56 32 10 capital
4 solteiro 2 grau --- 5,73 20 10 outro
6 casado 1 grau 0 6,66 28 00 interior
7 solteiro 1 grau --- 6,86 41 00 interior
8 solteiro 1 grau --- 7,39 43 04 capital
14 casado 1 grau 3 8,95 44 02 outro
19 solteiro superior --- 10,53 25 08 interior
20 solteiro 2 grau --- 10,76 37 04 interior
24 casado superior 0 12,79 26 01 outro
31 solteiro superior --- 16,22 31 05 outro
33 casado superior 3 17,26 43 07 capital
34 solteiro superior --- 18,75 33 07 capital
36 casado superior 3 23,30 42 02 interior

TABELA 2: Freqncia e porcentagem da amostra de 36 empregados da empresa Milsa
segundo o grau de instruo.
GRAU DE FRQNCIA FREQ. RELATIVA

INSTRUO TABULAO F FR (%)
1 grau
IIIIIIIIIIII 12 33,33
2 grau
IIIIIIIIIIIIIIIIII 18 50,00
superior IIIIII 6 16,67
TOTAL 36 100
TABELA 3: Freqncia e porcentagem dos 2000 empregados (Populao) da empresa

Milsa (Censo x Probabilidade)
GRAU DE FRQNCIA FREQ. RELATIVA FREQ. RELATIVA

INSTRUO F FR % CENSO FR % PROVVEL
1 grau 650 32,50 33,33
2 grau 1020 51,00 50,00
superior 330 16,50 16,67
TOTAL 2000 100 100

TABELA 4: Freqncia e porcentagens dos 36 empregados (Amostra) da empresa Milsa
CLASSES DE FREQNCIA FREQ. RELATIVA

SALRIOS F FR (%)
4 |----- 8 10 27,78
8 |----- 12 12 33,33
12 |----- 16 8 22,22
16 |----- 20 5 13,89
20 |----- 24 1 2,78
TOTAL 36 100
TABELA 5: Freqncias e porcentagem dos empregados da empresa Milsa, segundo N

de filhos
FREQNCIA FREQ. RELATIVA

N DE FILHOS F FR (%)
0 4 20
1 5 25
2 7 35
3 3 15
5 1 5
TOTAL 20 100

5.0 APRESENTAO GRFICA
A apresentao grfica dos dados e respectivos resultados de sua anlise pode tambm
ser feita sob forma de figuras, em geral grficos ou diagramas.
Grficos devem ser auto-explicativos e de fcil compreenso, de preferncia sem

comentrios inseridos. Os grficos devem ser simples, atrair a ateno do leitor e inspirar
confiana.
5.1 DIAGRAMA DE ORDENADAS

Para sua construo traada uma reta horizontal (ou vertical) de sustentao; a partir de pontos
eqidistantes na reta, traam-se perpendiculares cujos comprimentos sejam proporcionais s
freqncias.
freqncias
12
10
0
4 I-------8 8 I-------12 12 I-------16 16 I-------20 20 I-------24
Salrios

5.2 DIAGRAMA DE BARRAS
A mesma distribuio acima poderia ser representada por meio de diagrama que levasse
em conta a magnitude da rea da figura geomtrica, j que a vista repousa melhor sobre
uma superfcie do que sobre uma linha.
freqncias
12
10
0
4 |---- 8 8 |---- 12 12 |----16 16 |----20 20 |----24
salrios

5.3 DIAGRAMA DE CRCULOS
Alm do retngulo, outra figura geomtrica utilizada o crculo ou conjunto de crculos.
Lembrando que a rea do crculo o produto do nmero irracional = (3,1416) pelo
quadrado do raio (r), isto , C = .r 2 , e desde que as reas dos diversos crculos devem ser
proporcionais s magnitudes das freqncias, isto , C = .f onde o fator de

proporcionalidade, segue-se que:

.f = .r 2 , ou seja, r = f . Se chamar r = ' f .
de , tem-se:
Portanto, os raios dos crculos devem ser proporcionais raiz quadrada das freqncias
das modalidades da varivel.
Assim se quisermos representar graficamente a distribuio da tabela 4, os raios do crculo
devero ser:
r1 = 27,78 . = 5,27 . 5,27. 3 = 15.8 mm
r2 = 33,33 . = 5.77 . 5,77. 3 = 17,3 mm
r3 = 22,22 . = 4,71. 4,71. 3 = 14,1 mm
r4 = 13,89 . = 3.72. 3,72. 3 = 11,1 mm
r5 = 2,78 . = 1,66 1,66. 3 = 5,00 mm
A figura abaixo representa esta distribuio, com um adotado de 3 mm.
33,33
2,7 13,89 22,22 27,78
% %
% % %

5.4 DIAGRAMA DE SETORES CIRCULARES
Outra opo seria atravs de setores circulares, na qual se divide a rea total de um crculo
em subreas (setores) proporcionais as freqncias.
Lembrando que o crculo compreende setores cujas reas (S) so produto do raio (r) pelo
tamanho do arco (a), isto , S = r.a, e como S deve ser proporcional freqncia f, tem-se
S= .f , onde o fator de proporcionalidade; ento:
.f = r. a
a = .f
r

Se chamarmos de , tem-se S = .f , isto , os arcos e os respectivos ngulos centrais
r
de um crculo igual a 360, e sendo F a freqnci a total, tem-se
360 = . F
360
ou seja: ' =
360
. Portanto a= .f .
F F
Assim, a distribuio de freqncia da tabela 4 representando faixas de salrios ser:
a1 = 360 x 27,78 = 100

100
a2 = 360 x 33,33 = 120

100
a3 = 360 x 22,22 = 80
100
a4 = 360 x 13,89 = 50
100
S5 = 360 x 2,78 = 10
100

Diagrama de Setor Circular:
120
50
10
.
100 80
Diagrama de Setor Circular feito automaticamente pelo Excel:
33%
22%
28% 14%
3%

5.5 DIAGRAMA LINEAR
No diagrama linear deve-se plotar os pontos nos eixos como foi feito no diagrama de
barras e em seguida unir esses pontos por semi-retas constituindo-se desta forma o
diagrama linear.
freq.
12
10
0
4 8 8 12 12 16 16 20 20 24
salrios

6.0 MONTAGEM DE UMA DISTRIBUIO DE FREQNCIAS
A anlise estatstica de dados relativos a uma amostra de uma populao, requer uma
aglutinao organizada de informaes, conforme regras cuja prtica demonstrou serem
eficientes.
Consideremos uma relao de pesos de pacotes de manteiga, em gramas, de uma
amostra de 100 pacotes extrados parcialmente de um processo automtico de
empacotamento.
15
A especificao de fabricao 215 gramas (200 a 230 gramas)
TABELA 6
AMOSTRA PESO AMOSTRA PESO AMOSTRA PESO AMOSTRA PESO AMOSTRA PESO
1 207 21 220 41 210 61 210 81 217
2 213 22 204 42 214 62 220 82 211
3 210 23 213 43 219 63 213 83 213
4 215 24 211 44 215 64 217 84 218
5 201 25 214 45 217 65 214 85 213
6 210 26 217 46 213 66 219 86 216
7 212 27 224 47 218 67 214 87 218
8 204 28 211 48 214 68 215 88 216
9 209 29 220 49 215 69 223 89 206
10 212 30 209 50 212 70 217 90 212
11 215 31 214 51 221 71 213 91 207
12 216 32 208 52 211 72 218 92 213
13 221 33 217 53 218 73 207 93 215
14 219 34 214 54 205 74 210 94 212
15 222 35 209 55 220 75 208 95 223
16 225 36 212 56 203 76 214 96 210
17 215 37 208 57 216 77 211 97 226
18 218 38 215 58 222 78 205 98 224
19 213 39 211 59 206 79 215 99 214
20 216 40 216 60 221 80 207 100 215
O agrupamento destes dados em sub-grupos feito com base nos seguintes conceitos:
Amplitude total (RT ou ): a diferena entre a medida mxima e a medida mnima. No
caso da amostra de pacotes de manteiga acima, temos:

RT = 226 201 = 25 gramas
Nmero de classes (d) : o nmero de divises que estipulamos para a Amplitude Total.
Normalmente pode-se usar d n onde n o nmero de itens na amostra. Para o

exerccio temos d 100 = 10 classes, porm deve-se utilizar sempre que possvel nmero
mpar de classes, no caso podemos usar 9 classes.

(Classe: o intervalo de variao das medidas.)
Amplitude do intervalo de classe (RI): a diferena entre os valores mximos e mnimos

de cada classe.
RT
Amplitude do intervalo de cada classe RI =
d
25
No exerccio temos: amplitude do intervalo de cada classe RI = = 2,78 (aprox. 3)
9
RI adotado = 3 e RT adotado = 27 (comea um antes do menor e termina um depois do

maior valor)
OBS.: Normalmente usa-se um nmero mnimo de 5 e no mximo 20 classes, de

preferncia de mesma amplitude.
As classes devem ser mutuamente exclusivas, para que no haja dvida na localizao
dos valores das variveis, podemos da utilizar as seguintes simbologias para os intervalos:
0 ----I 10 intervalo aberto & fechado, para significar que o intervalo compreende os
valores da varivel maiores do que 0 (exclusive) e at 10 (inclusive);
0 I---- 10 intervalo fechado & aberto, para significar que compreende os valores da
varivel a partir de 0 (inclusive) e at 10 (exclusive);
0 ----- 10 Intervalo aberto & aberto, para significar que compreende valores maiores do
que 0 e menores do que 10.
0 I----I 10 intervalo fechado & fechado, para significar que compreende os valores da
varivel a partir de 0 (inclusive) e at 10 (inclusive).

TABELA DE DISTRIBUIO DAS FREQNCIAS
Para a facilidade e metodizao do processo de anlise estatstica, monta-se uma tabela
que agrupe as informaes obtidas, da forma de Tabela de Freqncias. Para os pacotes
em pauta, teremos a seguinte tabela de freqncias:
TABELA 7
FREQ. FREQU. FREQ. ACUM.
VALOR COMPRIMENTO FREQ. RELATIVA (%) ACUM. REL (%)
CLASSE CLASSE TABULAO f fR F FR
1 200 I--- 203 I 1 1 1 1
2 203 I--- 206 I I I I 4 4 5 5
3 206 I--- 209 I I I I I I I I I I 10 10 15 15
4 209 I--- 212 I I I I I I I I I I I I I I I 15 15 30 30
5 212 I--- 215 I I I I I I I I I I I I I I I I I I I I I I I I I 25 25 55 55
6 215 I--- 218 I I I I I I I I I I I I I I I I I I I I I 21 21 76 76
7 218 I--- 221 I I I I I I I I I I I I I 13 13 89 89
8 221 I--- 224 I I I I I I I 7 7 96 96
9 224 I--- 227 I I I I 4 4 100 100
100 100%
Onde:
Freqncia (f) = nmero de vezes que as medidas ocorrem no intervalo de classes
Freqncia Relativa (fR) = porcentagem da freqncia de cada classe em relao ao total
f
de elementos. f R = .100
n
Freqncia acumulada (F) = soma das freqncias at o intervalo de classe considerado.
Ex. F5 = f1+ f2 + f3 + f4 + f5 1 + 4 + 10 + 15 + 25 = 55
Freqncia acumulada relativa (FR) = soma das freqncias relativas at o intervalo
considerado. Por ex.: FR3 = fR1 + fR2 + fR3 1 + 4 + 10 = 15

7.0 REPRESENTAO GRFICA DAS VARIVEIS QUANTITATIVAS
A representao grfica da distribuio de freqncias de uma varivel tem a vantagem de,

rpida e concisamente, informar sobre a variabilidade da mesma.
Podemos optar por vrios tipos de grficos, porm qualquer que seja ele, devemos
especificar os elementos essenciais para a sua interpretao, que so:
i. o ttulo;
ii. o corpo;
iii. o cabealho;
iv. as colunas indicadoras.
TTULO a indicao que, precedendo tabela, colocado na parte superior da mesma.
Deve ser preciso, claro e conciso, indicando a natureza dos fatos estudados (o qu), e a
poca (quando) em que o mesmo foi observado.
CORPO da tabela o conjunto de linhas e colunas que contem respectivamente, as
sries horizontais e verticais de informaes. Casa, cela ou clula o cruzamento de uma
linha com uma coluna, onde se tem a freqncia com que a categoria (ou categorias)
aparece.
CABEALHO a parte da tabela em que designada a natureza (as categorias, as
modalidades da varivel) do contedo de cada coluna.
COLUNA INDICADORA a parte da tabela em que designada a natureza (as
categorias, as modalidades da varivel) do contedo de cada linha.
Os elementos complementares de uma tabela so:
i. Fontes;
ii. Notas.
FONTE o indicativo, no rodap da tabela, da entidade responsvel pela sua
organizao ou fornecedora dos dados primrios. A razo da presena da fonte no
somente honestidade cientfica, mas tambm permitir ao leitor a possibilidade de
consultar o trabalho original de onde procedem as informaes.
NOTAS so colocadas no rodap da tabela para esclarecimentos de ordem geral. E so
numeradas, podendo-se tambm usar smbolos grficos, sendo comum o asterisco.

7.1 HISTOGRAMA E POLIGONO DAS FREQNCIAS
FREQNCIAS
25
POLGONO DE
FREQNCIAS
HISTOGRAMA
15
10
1 2 3 4 5 6 7 8 9 CLASSES
Polgono de freqncias a representao grfica de uma distribuio de freqncias

atravs de um polgono, onde tomamos sobre a abscissa os pontos mdios das classes e
sobre as ordenadas as freqncias correspondentes. Depois para fechar o polgono
unimos os extremos da figura com o eixo das abscissas nos pontos mdios de uma classe
imediatamente anterior primeira e imediatamente posterior ltima, ambas as
freqncias nulas, para manter a rea sob o polgono igual a rea do histograma.

7.2 HISTOGRAMA E POLIGONO DE FREQNCIA RELATIVA
FREQNCIAS
25 RELATIVAS (%)
POLGONO DE
FREQNCIA
RELATIVA
HISTOGRAMA
15
10
1 2 3 4 5 6 7 8 9 CLASSES

7.3 POLIGONO DE FREQNCIA ACUMULADA OU OGIVA
FREQNCIAS
ACUMULADAS
POLGONO DE
100 FREQNCIA
ACUMULADA
HISTOGRAMA
55
15
1 2 3 4 5 6 7 8 9 CLASSES

7.4 POLIGONO DE FREQNCIA ACUMULADA RELATIVA
FREQNCIAS
ACUMULADAS
RELATIVAS (%)
POLGONO DE
100 FREQNCIA
ACUMULADA
RELATIVA
HISTOGRAMA
55
15
1 2 3 4 5 6 7 8 9 CLASSES

8.0 TIPOS DE DISTRIBUIO
As distribuies de freqncia podem se apresentar de diversas formas conforme as

figuras a seguir:
8.1 DISTRIBUIO SIMTRICA OU EM FORMA DE SINO

A distribuio simtrica quando os valores se distribuem igualmente em torno da mdia
__
( X ou M)
A) Normal
B) Alongada

C) Achatada
8.2 DISTRIBUIO ASSIMTRICA
aquela em que as freqncias dos valores medidos se distribuem de forma desigual em

torno da mdia.
A) Assimtrica Positiva

B) Assimtrica Negativa
8.3 DISTRIBUIO MODAL, AMODAL, BIMODAL E MULTIMODAL
Chamamos de moda (mo) numa distribuio, ao valor da medida ou classe que

corresponde freqncia mxima. Sob o critrio da moda as distribuies classificam-se
em:
A) DISTRIBUIO MODAL Quando a distribuio tem freqncia mxima ela

denominada modal.
mo

B) DISTRIBUIO AMODAL Quando a distribuio no tem moda
C) DISTRIBUIO BIMODAL Quando a distribuio tem duas modas.
mo mo
D) DISTRIBUIO MULTIMODAL Quando a distribuio tem mais de duas modas
mo mo mo

8.4 APRESENTAO TIPO RAMO-E-FOLHAS
Uma alternativa para o uso da tabela de distribuio de freqncias usar o grfico do tipo
ramo-e-folhas.
Podemos estudar a partir de um exemplo prtico:
Observamos os seguintes nmeros de passageiros em 50 viagens de um avio que faz a
ponte area Rio - So Paulo:
61 52 64 84 35 57 58 95 82 64
50 53 103 40 62 77 78 66 60 41
58 92 51 64 71 75 89 37 54 67
59 79 80 73 49 71 97 62 68 53
43 80 75 70 45 91 50 64 56 86
SOLUO:
F FA
3 5 7 2 2
4 0 1 3 5 9 5 7
5 0 0 1 2 3 3 4 6 7 8 8 9 12 19
6 0 1 2 2 4 4 4 4 6 7 8 11 30
7 0 1 1 3 5 5 7 8 9 9 39
8 0 0 2 4 6 9 6 45
9 1 2 5 7 4 49
10 3 1 50
A MEDIANA NESTE CASO SER md = 64

8.5 O PICTOGRAMA
A figura abaixo mostra um exemplo de apresentao pictogrfica de dados temporais

(comumente encontrada em jornais, revistas e relatrios de vrios tipos); no caso abaixo
representa a populao dos Estados Unidos da Amrica do Norte.
1920
1930
1940
1950
1960
1970
1980
1990
Cada smbolo = 10 milhes de pessoas

(Pictograma da populao dos Estados Unidos da Amrica do Norte)
EXERCCIO
Construa uma distribuio de freqncias e faa as possveis representaes grficas para

os dados da tabela abaixo.
Tabela - Presso arterial em milmetros de mercrio, para ces adultos anestesiados

depois de determinado procedimento cirrgico. Fonte: ARAJO e HOSSNE (1977)
130,0 105,0 120,0 111,5 99,0 116,0 92,5
107,5 1250 100,0 107,5 120,0 143,0 115,0
135,0 130,0 135,0 127,5 905 104,5 136,5
100,0 145,0 125,0 104,5 101,5 102,5 101,5
134,5 138,5 110,0 102,5 90,5 107,5 1244,0
121,5 135,0 102,0 119,5 115,5 125,5 117,5
107,5 140,0 121,5 107,5 113,0 93,0 103,5

9.0 MEDIDAS DE POSIO OU DE TENDNCIA CENTRAL
Como o prprio nome indica, a medida de tendncia central visa a determinar o centro da
distribuio. Esta determinao, porm, no bem definida da parece razovel
chamarmos de tendncia central.
So medidas de tendncia central:
__
MDIA ARITMTICA SIMPLES/PONDERADA ( X ou M);
MEDIANA (md);
MODA (mo).
9.1 MDIA ARITMTICA SIMPLES
Dada uma distribuio de freqncias, chama-se mdia aritmtica desta distribuio, e

_
representa-se por X a soma de todos os valores da varivel, dividida pelo nmero de
variveis n.
_ x i _
x
X= i =1
ou simplificadamente, X =
n n
n
Sendo: x
i =1
i = x 1 + x 2 + ... + x n
Exemplo: Calcular a mdia aritmtica simples de 8, 3, 5, 12, 10.
_
8 + 3 + 5 + 12 + 10 38
X= = = 7 ,6
5 5

9.2 MDIA ARITMTICA PONDERADA
__ x i .fi
X= i =1
n
f i =1
i
onde: fi = freqncia dos dados xi
Exemplo: Calcular a mdia ponderada dos nmeros 5, 8, 6, 2 ; os quais ocorrem com as

freqncias 3, 2, 4 e 1, respectivamente.
Nmeros x = 5, 8, 6, 2
Freqncias f = 3, 2, 4, 1
__ x i .fi
(5.3) + (8.2) + (6.4) + ( 2.1) 57
X= i =1
= = = 5 ,7
n
3+ 2+4+1 10
f i =1
i
9.3 MEDIANA (md)
Se ordenarmos uma seqncia de nmeros do menor para o maior e se a quantidade

desses nmeros for impar, ento a mediana ser o valor do meio, ou a mdia dos dois
valores do meio, caso a quantidade de nmeros seja par.
O smbolo que usamos para representar a mediana ser md

No caso de clculo da mediana quando estamos trabalhando com distribuio de
freqncia determinamos o valor mais provvel dessa distribuio a partir de:
Posio da md = Freqncia acumulada total = FA

2 2

n + 1
Ou seja, a posio da MEDIANA definida por -simo elemento quando n
2
mpar e temos um n mero inteiro que d a posio da mediana. Quando temos o meio do
caminho entre dois nmeros inteiros, isto , n par, a mediana ser a mdia deles.
Exemplo: Determine a posio da mediana para: (a) n=15, (b) n=45 e (c)n=88.
n + 1 15 + 1
(a) = = 8 , e a mediana o valor do 8 elemento;
2 2
n + 1 45 + 1
(b) = = 23 , e a mediana o valor do 23 elemento;
2 2
n + 1 88 + 1
(c) = = 44,5 , e a mediana a mdia do valor do 44 e o 45elem ento.
2 2
n n
Ou seja, quando n par procuramos duas posies: e + 1
2 2
No caso do exerccio da distribuio dos 100 valores de peso de pacotes de manteiga
temos:
md = FA = 100 = 50, e a mediana o valor do 50 elemento

2 2
50
valor
F 0 1 5 15 30 55 76 89 96 100
X 200 203 206 209 212 215 218 221 224 227
50
30 55
212 215
(55 30) (215 212) ou (55 30) (215 212)

(55 50) (50 30)
= 5 x 3 = 0,6 = 20 x 3 = 2,4
25 25
portanto a mediana ser 215 - portanto a mediana ser 212 +
logo, md = 215 - 0,6 = 214,4. logo, md = 212 + 2,4 = 214,4.

Assim, para encontrarmos a mediana para dados tabulados agrupados em classes
podemos formalizar os passos anteriores na seguinte equao:
n
Fant
m d = l inf +h 2 , onde:
f med

n
metade da quantidade de dados
2
h amplitude da classe mediana
linf limite inferior da classe da mediana
fmed freqncia absoluta da classe da mediana
Fant freqncia acumulada da classe anterior a da
mediana
Voltando ao exemplo, temos:

1 Passo: da tabela 7 - pgina 25, temos as freqncias acumuladas j calculadas;
n 100
2 Passo: n = 100 => = = 50 => localizao da classe mediana: 5 classe, isto ,
2 2
classe 212 --- 215;
3 Passo: encontrar na tabela: linf , fmed e Fant :
linf = 212
fmed = 25
Fant = 30
4 Passo: substituir os dados na equao:
n
Fant
m d = l inf +h 2 = 212 + 3 50 30 = 212 + 3.0,8 = 212 + 2,4 = 214,4
f med 25

md = 214,4

9.3.1 SEPARATRIZES (QUARTIS, DECIS E CENTIS)
Como extenso do conceito de mediana, podemos dividir os valores em quatro, dez e cem
partes iguais. Essas divises so chamadas de quartis, decis e centis, respectivamente.
O clculo dessas divises semelhante ao da mediana, isto :
i .n
FQi 1
Quartis: Q i = l inf +h 4 , onde i = 1, 2, 3
f Qi

i .n
FDi 1
Decis: D i = l inf + h 10 , onde i = 1, 2, 3, 4, 5, .., 9
f Di

i .n
FCi 1
Centis: C i = l inf + h 100 , onde i = 1, 2, 3, 4, 5, ..., 99
f Ci

Onde:
h amplitude da classe
linf limite inferior da classe da quartlica, declica ou
percentlica
fQi , fDi , fCi freqncias das classes quartlica, declica e
percentlica, respectivamente
FQi-1 , FDi-1 , FCi-1 freqncias acumuladas da classe
anterior classe quartlica, declica ou percentlica
Voltando ao exemplo anterior, temos:

i) Se quisermos calcular o 1 Quartil, ou seja, 25% dos dados:
1.n 100
FQ i 1 15
Q 1 = l inf +h 4 = 209 + 3 4 = 209 + 3.0,67 = 211,01
f Qi 15


ii) Para o 3 Quartil:
3.n 3.100
FQ i 1 55
Q 3 = l inf +h 4 = 215 + 3 4 = 215 + 3.0,95 = 217,85
f Qi 21

iii) Para o 8 Decil:
8.n 8.100
FDi 1 76
D 8 = l inf + h 10 = 218 + 3 10 = 218 + 3.0,31 = 218,93
f Di 13

iv) Para o 15 Centil:
15.n 15.100
FCi 1 5
C15 = l inf + h 100 = 206 + 3 100 = 209
f Ci 10

OBS.: Caso tenhamos dados no agrupados em classes, como por exemplo a
seqncia 2,3,3,4,5,7,7,8,10,11,12,12, 13; o clculo do 3 Quartil ser:
3.n 3.13
Posio: = = 9,75 . A posio 9,75 ser aproximada pela inteira imediatamente
4 4
posterior a ela, ou seja, a 10 posio, logo Q3 = 11. E assim, analogamente, para
encontrar os decis e centis de uma srie de dados no agrupados em classes.
9.4 MODA ( mo )
Em um conjunto de nmeros a moda o valor que ocorre com maior freqncia, isto , o
valor mais comum.
Exemplos:
1) 2, 2, 3, 7, 8, 8, 8, 9, 10
moda=8
2) 1, 2, 3, 4, 5, 6, 7, 8, 9, 10
moda = (no existe moda)
3) 2, 2, 4, 4, 4, 5, 6, 7, 8, 8, 8, 9
moda = 4 e 8

Para o exemplo do exerccio das distribuies de freqncias dos pacotes de manteiga
(onde os dados so tabulados agrupados em classes) uma forma de estimar o valor da
moda pela Estimativa de Pearson (para dados tabulados agrupados em classes):
_
mo = 3.md 2. X
Voltando ao exemplo, temos:

mo = 3.214,4 2. 214,49 => mo = 214,22
onde a mdia foi calculada da forma:

_
201,5.1 + 204,5.4 + 207,5.10 + 210,5.15 + 213,5.25 + 216,5.21 + 219,5.13 + 222,5.7 + 225,5.4
X=
1 + 4 + 10 + 15 + 25 + 21 + 13 + 7 + 4
_
=> X = 214,49
O clculo da moda pelo Mtodo de Pearson mais utilizado quando temos uma
indicao de que os trs parmetros de tendncia central (mdia, mediana e moda)
estejam muito prximos.
Um outro mtodo, de origem grfica, o Mtodo de Czuber, que utilizamos na maioria
dos casos:
a
mo = l inf + h
a + p
onde:
linf = limite inferior da classe modal.
a = diferena entre a fi da classe modal e a fi da classe anterior. Entenderemos como
classe anterior aquela que precede classe modal.
p = diferena entre a fi da classe modal e a fi da classe posterior (aquela que vem
logo aps a classe modal).
h = amplitude da classe modal.
A equao da moda pode ser deduzida facilmente do processo grfico para determinar
a moda em um histograma.

Da figura acima temos mo = linf + x e chamando 1 de a e 2 de p , e, pela semelhana
dos tringulos ABE e CDE temos:
a x ha
= x=
p h x a + p
a
Portanto: mo = l inf + h
a + p

10.0 MEDIDAS DE VARIABILIDADE (OU DE DISPERSO)
As medidas de disperso indicam se os valores esto relativamente prximos uns

dos outros, ou separados. Podemos dizer que disperso o grau com o qual os
valores numricos de uma distribuio tendem a se distanciar em torno de um valor
mdio.
Em todos os casos, o valor zero indica ausncia de disperso; a disperso aumenta

proporo que aumenta o valor da medida (amplitude, desvio-padro, varincia).
xx x x x x xxx xxx xx x x
a) pequena disperso
xx x x xxx x x x x x x x x xx x x xxx x x x xx x x x x xx
b) grande disperso
10.1 AMPLITUDE TOTAL (RT ou )
a medida mais simples de disperso. a diferena entre o maior e o menor valor das
observaes.
RT = Xmax Xmin
Embora exista simplicidade de clculo, existem duas restries ao seu uso

generalizado:
1- Utiliza apenas uma parcela das informaes contidas nas observaes. O seu valor
no se modifica mesmo que os valores das observaes variem, desde que
conservem os seus valores mximo e mnimo. Ou seja, depende apenas dos
valores externos (max e min), no sendo afetada pelos valores internos.
2- Depende do nmero de observaes na amostra. Em geral o valor da amplitude

cresce quando cresce o tamanho da amostra.
X min X max.
RT = pequeno
X min X max.
RT = Grande

10.2 DESVIO EM RELAO MDIA ARITMTICA (di)
O desvio di em relao mdia de um conjunto de dados a diferena do valor xi e a

_
mdia aritmtica X do conjunto, isto :
_
di = (xi - X )
Exemplos :
(1) Calcular os desvios di para o seguinte conjunto : 3, 4, 5, 6, 7
xi di
_
3+4+5+6+7 3 -2
Onde X = =5
5 4 -1
5 0
6 1
7 2
di = 0
(2) Calcular os desvios di para a seguinte distribuio :

xi fi di
82 5 -4,60
Onde 85 10 -1,60
_ 87 15 0,40
X = 86,60.
89 8 2,40
90 4 3,40
fi = 42 di 0
(3) Calcular os desvios di para a seguinte distribuio :

Classes xi fi di di.fi
[35, 45) 40 2 -22,91 -45,82
Onde : [45, 55) 50 13 -12,91 -167,83
_
[55, 65) 60 20 -2,91 -58,20
X = 62,91
[65, 75) 70 10 7,09 70,90
[75, 85) 80 7 17,09 119,63
[85, 95) 90 3 27,09 81,27
fi = 55 di 12,55 di.fi 0

__
10.3 DESVIO MDIO ( d )
__
O desvio mdio d a mdia aritmtica dos mdulos dos desvios, isto :
__
__
d x i x
d= =
i
n n
Para uma distribuio de freqncias (simples ou por classes), teremos:
__
__
d .fi x i x .fi
d= =
i
n n
Exerccio: calcular o desvio mdio para os exemplos (1), (2) e (3) da pgina anterior.
2 ou s2)
10.4 VARINCIA (
Varincia da populao a soma dos quadrados dos desvios de cada observao em

relao mdia de x e divide-se por N. Indica-se a Varincia da Populao por .
Podemos fazer a mesma analogia com a Varincia da Amostra dada por S.
Varincia para uma populao: 2

=
(x )i
2
. fi
, onde a mdia populacional e N o
N
tamanho da populao.
__
Varincia para uma amostra: s 2 =

( x i X) 2 . f i _
, onde X a mdia amostral e n o
n 1
tamanho da amostra.
As equaes anteriores para 2 e s2 representam uma maneira de clculo dessas medidas.
Podemos tambm utilizar as seguintes equaes:

__ 2
2 =
f (x )
i i
2
N. 2
ou s2 =
f (x )
i i
2
n. x
N n 1
Como medida de disperso, a Varincia tem a desvantagem de apresentar como unidade

de medida o quadrado da unidade de medida dos dados. Se os dados esto em metros,
a Varincia fica em metros quadrados. O desvio padro por sua vez, fica com valor na
mesma da unidade da varivel.
Obs: A varincia sendo uma mdia de uma soma de quadrados sempre maior ou igual a
0. Ela ser nula se os valores dos dados so constantes.
ou s)
10.5 DESVIO PADRO (
a medida que determina a variao dos valores observados em torno da mdia da

distribuio, e representa a distncia do ponto de inflexo da curva at a linha da mdia.
A partir da varincia podemos calcular o desvio padro como segue:
Desvio padro da populao: = 2
Desvio padro da amostra: s = s2
10.6 COEFICIENTE DE VARIAO (cv)
O coeficiente de variao cv a razo entre o desvio padro e a mdia aritmtica. Esta

medida admensional e geralmente expressa em porcentagens. A equao para o seu
clculo :
s
cv = .100 (para populao) ou cv = __ .100 (para amostra)

x

EXERCCIOS
(1) Calcular a mdia aritmtica para os dados da tabela:

Pesos (kg) Freqncia (f)
35 45 3
45 55 7
55 65 11
65 75 20
75 85 13
85 95 6
(2) Calcular a mediana para a tabela:

Pesos (kg) Freqncia (f)
40 50 2
50 60 5
60 70 9
70 80 20
80 90 15
90 100 9
(3) Encontre a mediana para os seguintes dados:

Estaturas (cm) Freqncia (f)
140 149 3
149 158 9
158 167 12
167 176 15
176 185 32
185 194 19
194 203 14
(4) Vinte e cinco residncias de um certo bairro foram sorteadas e visitadas por um
entrevistador que, entre outras questes, perguntou sobre o nmero de televisores. Os
dados foram os seguintes:
2, 2, 2, 3, 1, 2, 1, 1, 1, 1, 0, 1, 2, 2, 2, 2, 3, 1, 1, 3, 1, 2, 1, 0 e 2.
Organize os dados numa tabela de feqncia e determine as diversas medidas de posio.

(5) Num experimento, 15 coelhos foram alimentados com uma nova rao e seu peso
avaliado no fim do ms. Os dados referentes ao ganho de peso (em quilogramas)
foram os seguintes:
1,5 ; 1,6 ; 2,3 ; 1,7 ; 1,5 ; 2,0 ; 1,5 ; 1,8 ; 2,1 ; 2,1 ; 1,9 ; 1,8 ; 1,7 ; 2,5 ; e 2,2.
a) Utilizando os dados brutos acima, determine a mdia, moda e mediana desse
conjunto.
b) Organize uma tabela de freqncia com faixas de amplitude 0,2 a partir de 1,5.
c) Calcule a partir dessa tabela de freqncia e com o ponto mdio como representante
de cada classe, a mdia e a mediana.
(6) Dada a seguinte tabela:

Classes Freqncia (f)
20 30 5
30 40 9
40 50 17
50 60 28
60 70 37
70 80 15
80 90 10
Determinar:
a) a mediana;
b) o 1 Quartil;
c) o 3 Quartil;
d) o 8 Decil;
e) o 15 Centil.
(7) Calcular a moda pela estimativa de Pearson, para a tabela:

Classes Freqncia (f)
35 46 8
46 57 21
57 68 46
68 79 57
79 90 39
90 101 28
101 112 12

(8) Determinar o desvio padro para as medidas: 16, 11, 20, 26 e 10.
(9) Voc est indeciso em comprar um aparelho de televiso e decide avaliar algumas
informaes estatsticas, fornecidas pelo fabricante, sobre a durao (em horas) do
tubo de imagem.
Marca do aparelho GA FB HW
Mdia 8000 8200 8000
Mediana 8000 9000 7000
Desvio Padro 600 1500 2500
Com que marca voc ficaria? Justifique.
(10) A pulsao de dez estudantes, no incio de uma avaliao de Estatstica, foram as

seguintes (em batimentos por minuto): 80, 91, 84, 86, 93, 88, 80, 89, 85 e 86. Calcule a
mdia e a varincia desse conjunto de dados.
(11) Num estudo sobre consumo de combustvel, 200 automveis do mesmo ano e modelo
tiveram seu consumo observado durante 1000 quilmetros. A informao obtida
__
apresentada na tabela abaixo em km/litro. Calcular X , S2 e S.
Faixas Freqncia (f)
7 8 27
8 9 29
9 10 46
10 11 43
11 12 55
Calcular a mdia, mediana, moda, varincia e desvio-padro dos dados da tabela acima.
(12) 15 alunos participaram de um teste e obtiveram os seguintes resultados 60, 45, 70, 30,
85, 60, 30, 70, 60, 60, 85, 70, 70, 85 e 70.
Pede-se:
a) Construir uma tabela de dados ponderados;
b) Calcular a mdia aritmtica (ponderada);
c) Calcular o desvio padro;
d) Determinar a varincia.

(13) Calcular a varincia e o desvio padro para os seguintes dados:
xi f
30 2
45 1
60 4
70 15
85 3
.
(14) Calcular a varincia da srie de dados dada pela tabela abaixo:
Classes fi
[2 ; 4) 2
[4 ; 6) 5
[6 ; 8) 7
[8 ; 10) 4
[10 ; 12) 3
[12 ; 14] 3

11.0 PROBABILIDADE
O problema fundamental da estatstica consiste em trabalhar com o acaso e a incerteza.

Chama-se probabilidade de um acontecimento a razo entre o nmero de casos
favorveis ao mesmo e o nmero total de acontecimentos possveis.
As leis da hereditariedade foram a primeira grande aplicao das probabilidades na rea
de biocincias. Hoje conhecemos muitas aplicaes: ocorrncia de mutaes, risco de
doenas, chance de sobrevivncia, distribuio e interao de espcies, etc.
A aplicao mais importante, entretanto, feita na estatstica. Nenhuma observao e
nenhuma experincia podem ser precisamente planejadas e analisadas sem algum mtodo
estatstico. Mesmo se mantivermos as condies experimentais mais constantes possveis,
a repetio de uma observao ou uma experincia dificilmente resulta sempre exatamente
igual. Sempre existem flutuaes.
Portanto, todas as concluses baseadas em dados empricos so necessariamente
encaradas com incerteza. Tentamos expressar o grau de incerteza em termos de
probabilidades. Ento, um pesquisador afirma significncia ao nvel de cinco por cento,
ele admite a possibilidade de uma afirmativa errnea. Antes da compreenso de alguns
mtodos estatsticos necessrio um conhecimento bsico sobre probabilidades.
Quando se considera uma populao limitada de P indivduos, a probabilidade de cada um

ser escolhido, ao acaso, de 1/P.
Laplace definiu probabilidade como: O quociente do nmero de casos favorveis sobre o

nmero de casos igualmente possveis. Por exemplo, se jogarmos uma moeda no
viciada para o ar, de modo geral no podemos afirmar se vai dar cara ou coroa.
Porm existem apenas dois eventos possveis: sair cara (K) ou coroa (C). Nesse
exemplo existe um caso favorvel a esse evento em dois casos possveis. A P (K) = ou
50%.
Considerando-se cara como sucesso e coroa como fracasso e representando-se o

acontecimento favorvel como P e o no favorvel como Q, temos as razes:
P= e Q=
Sendo P+Q = 1 ento P= (1 - Q) e Q = (1 - P)

A probabilidade de um evento A, denotada por P (A), um nmero de 0 a 1, que indica a
chance de ocorrncia do evento A. Quanto mais prxima de 1 P(A), maior a chance de
ocorrncia do evento A, e quanto mais prxima de Zero, menor a chance de ocorrncia
do evento A.
A um evento impossvel atribui-se a probabilidade Zero. Um evento certo tem probabilidade

1.
As probabilidades podem ser expressas, inclusive por valores decimais, fraes e

porcentagem como: 20%; 2 em 10; 0,2; ou ainda, 1/5.
Alm do uso na interpretao de jogos de azar, usa-se ainda a probabilidade mediante
determinada combinao de julgamento, experincia ou dados histricos, para predizer
Quo Provvel a ocorrncia de determinado evento futuro.
H numerosos exemplos de tais situaes no campo dos Negcios e do Governo. A

previso da aceitao de um novo produto, o clculo dos custos de produo, a
contratao de um novo empregado, o preparo do oramento, a avaliao do impacto de
uma reduo de impostos sobre a inflao tudo isso contm algum elemento de acaso.

11.1 ESPAO AMOSTRAL E EVENTOS
Consideremos o experimento que consiste em extrair uma carta de um baralho de 52
cartas. H 52 eventos elementares no espao amostral. Quanto aos eventos podemos
classific-los em:
ESPAO AMOSTRAL
COMPLEMENTO Cartas vermelhas e cartas pretas

A
No se interceptam cartas de
MUTUAMENTE EXCLUSIVOS copas e cartas de paus
A B
NAO SO MUTUAMENTE Cartas de copas e figuras, tem

EXCLUSIVOS elementos em comum.
A B
Cartas de paus, ouro, copas e

COLETIVAMENTE EXAUSTIVOS A B C D espadas
11.2 TRS ORIGENS DA PROBABILIDADE
H trs maneiras diferentes de calcular ou estimar probabilidades, O mtodo Clssico,

quando o espao amostral tem resultados igualmente provveis. O mtodo Emprico, que
se baseia na freqncia relativa de ocorrncia de um evento num grande nmero de
provas repetidas; e o mtodo Subjetivo, que utiliza estimativas pessoais baseadas num
certo grau de crena.
OBJETIVO SUBJETIVO
CLSSICO EMPRICO Opinio Pessoal

(resultados igualmente provveis) (dados histricos)

O Mtodo Clssico
Os jogos de azar (lanamento de moedas, jogo de dados, extrao de cartas) usualmente

apresentam resultados igualmente provveis.
Nestes casos temos:
1
P(cada resultado) =
N de resultados possveis
Se cada carta de um baralho de 52 tem a mesma chance de ser escolhida, ento a

probabilidade de extrair cada uma delas de 1/52 : P (A) = 1/52 ou 1,92%.
Da mesma forma a probabilidade de termos uma cara no lanamento de uma moeda

ou 50%. O mesmo ocorre com uma coroa, ou seja, ou 50%.
No caso de um dado temos a probabilidade de dar qualquer nmero: 1, 2, 3, 4, 5 ou 6 de

1/6 ou de 16,66%.
De forma geral vale tambm a expresso:
P(A) = Nmero de resultados associados ao evento A

Nmero total de resultados possveis
Por exemplo, a probabilidade de extrao de uma dama, de acordo com esta definio,
P (dama) = 4 damas = 4 = 1 = 7,69%

52 cartas 52 13
Analogamente, a probabilidade de obter nmero mpar no lance de um dado
P(mpar) = 3 faces = 3 ou 50%

6 faces possveis 6

A MATEMTICA DA PROBABILIDADE
Muitas aplicaes de estatstica exigem a determinao da probabilidade de combinaes

de eventos. H duas categorias de eventos de interesse, A e B, no espao amostral.
Pode ser necessrio determinar P(A e B), isto ; a probabilidade de ocorrncia de ambos
os eventos.
Em outras situaes, podemos querer a probabilidade de ocorrncia de A ou B, P(A ou B).
Clculo da Probabilidade da ocorrncia de dois eventos independentes

P(A e B)
Se dois eventos so independentes, ento a probabilidade da ocorrncia de ambos igual

ao produto de suas probabilidades individuais: P(A e B) = P(A) . P(B)
Exemplo: Jogam-se duas moedas equilibradas. Qual a probabilidade de ambas as faces
serem cara?
razovel admitir que os resultados das duas moedas sejam independentes um do outro.
Alm disso, para moedas equilibradas, P(cara)= . Logo P(cara e cara) ser:
1 moeda 2moeda
x = ou 25%
Clculo da Probabilidade da ocorrncia de dois eventos mutuamente exclusivos

P(A ou B ocorrer)
Se dois eventos so mutuamente exclusivos, a probabilidade de ocorrncia de qualquer um

deles a soma de suas probabilidades individuais. Para dois eventos A e B temos:
P(A ou B) = P(A) + P(B)

Exemplo: qual a probabilidade de aparecer cinco ou seis numa jogada de um dado
equilibrado?
P(cinco) ou P(seis) = P (5) + P(6) = 1 + 1 = 2 = 33,33%
6 6 6
Clculo da Probabilidade da ocorrncia de dois eventos no mutuamente

exclusivos P(A ou B ou ambos ocorrero)
Suponhamos a probabilidade de extrao de uma carta de paus ou um dez de um baralho

de 52 cartas. Como possvel que uma carta seja simultaneamente de paus e um dez,
os eventos no so mutuamente exclusivos. Assim devemos excluir a probabilidade de
interseco. Ento temos:
P(paus) = 13 , P(dez)= 4 , P( dez de paus) = 1 ,

52 52 52
P(paus ou dez,ou ambos) = P(paus) + P(dez) - P(dez de paus)
= 13 + 4 - 1 = 16
52 52 52 52
NAIPE
PAUS OUROS COPAS ESPADA

PRETA VERMELHA VERMELHA PRETA
K K K K
Q Q Q Q
J J J J
10 10 10 10 a carta
um dez
9 9 9 9
8 8 8 8
7 7 7 7
6 6 6 6
5 5 5 5
4 4 4 4
3 3 3 3
2 2 2 2
A A A A
Carta de paus
Os eventos paus e dez se interceptam.

Resumindo:
P (A e B), para eventos independentes (Multiplicao) P(A) x P(B)
P (A ou B), para eventos mutuamente exclusivos (Soma) P(A) + P(B)
P (A ou B ou ambos ocorrero), para eventos no mutuamente exclusivos

P(A) + P(B) - P(A interceo B)
11.4 ALGUMAS PROPRIEDADES
Como foi visto no final do item anterior, existem algumas regras de probabilidade. Neste
item detalharemos tais regras, conhecidas como propriedades da probabilidade.
Revendo, a probabilidade de um evento A ocorrer um nmero entre 0 e 1, ou seja:
0 P(A) 1
Se considerarmos o espao amostral, S, e o conjunto vazio, , como eventos, temos:
P(S) = 1 (evento certo)

P() = 0 (evento impossvel)
Exemplo: Suponha que o seguinte quadro represente uma possvel diviso dos alunos
matriculados num Instituto de Matemtica:

SEXO
CURSO Homens (H) Mulheres(F) TOTAIS
Matemtica Pura (M) 70 40 110

Matemtica Aplicada (A) 15 15 30
Estatstica (E) 10 20 30
Computao (C) 20 10 30
TOTAIS 115 85 200
Sendo M o evento que ocorre quando, escolhendo-se ao acaso um aluno do Instituto, ele
um estudante de Matemtica Pura. A, E, C, H e F so os demais eventos com significados
anlogos. Desta maneira, temos como exemplos:
30 115
P ( E) = e P( H ) =
200 200
Dados os eventos A e H, podemos considerar dois novos eventos:
- A H, chamado a unio de A e H, que ocorre quando pelo menos um dos eventos
ocorre;
- A H, chamado a interseco de A e H, que ocorre quando A e H ocorrem
simultaneamente.
15
fcil verificar na tabela anterior que P( A H ) = , pois o aluno escolhido ter
200
que ser ao mesmo tempo, matriculado no curso de Matemtica Aplicada e homem.
30 115
Vemos que P( A ) = e P( H ) = ; suponha que o nosso clculo para P(A H)
200 200
fosse:
30 115 145
P ( A H ) = P ( A ) + P( H ) = + =
200 200 200
Se assim o fizssemos, estaramos contando duas vezes os alunos que so homens e que
esto matriculados no curso de Matemtica Aplicada, como est em destaque na tabela
anterior. Portanto a resposta correta :
30 115 15 130
P( A H ) = P( A ) + P( H ) P( A H ) = + =
200 200 200 200
30 30
No entanto, considerando-se os eventos A e C, vemos que P( A ) = , P( C) = e
200 200
60
P( A C) = = P( A ) + P(C) . Neste caso, os eventos A e C so disjuntos ou
200

mutuamente exclusivos, pois se A ocorre, ento C no ocorre e vice-versa. Aqui, A C =
e P( A C) = 0 .
Portanto, se M e N so dois eventos quaisquer, teremos a chamada regra da adio
de probabilidades:
P(M N ) =P(M ) + P( N ) P(M N ) ,
que se reduz a
P(M N ) =P(M ) + P( N ) ,
se M e N so eventos mutuamente exclusivos.
Suponha agora que estejamos somente interessados em saber se um estudante escolhido
ao acaso est matriculado como de Matemtica Pura, Aplicada, Estatstica ou
Computao, no interessando saber se homem ou mulher. Um espao amostral
S = M A E C . Os eventos A e B = M E C so chamados complementares e so
30
tais que A B=S e A B=. Vemos que P( A ) = , enquanto
200
110 30 30 170
P( B ) = + + = , isto :
200 200 200 200
P ( A ) + P( B ) = 1
C
Em geral, vamos indicar por A o complementar de um evento A, e teremos, ento:
P( A C ) = 1 P( A )
As operaes de unio, interseco e complementao entre eventos possuem
propriedades anlogas quelas vlidas para operaes entre conjuntos.
Por exemplo:
(i) (A B)C = AC BC
(A B)C = AC BC
(ii) A AC =
A AC = S
(iii) A=
AS=A
A=A
AS=S
(iv) C = S
SC =

Vejamos, agora, um exemplo de aplicao das propriedades das probabilidades.
Exemplo: Consideremos um experimento e os eventos A e B associados, tais que
1 1 1
P( A ) = , P(B ) = e P( A B ) = . Ento temos:
2 3 4
1 1
(a) P( A C ) = 1 P( A ) = 1 = ;
2 2
1 2
P( B C ) = 1 P ( B ) = 1 =
3 3
1 1 1 7
(b) P( A B ) = P( A ) + P(B ) P( A B ) = + =
2 3 4 12
[ ]
(c) P( A C B C ) =P ( A B ) C = 1 P( A B ) = 1
7 5
=
12 12
) =P [( A B ) ]= 1 P( A B ) = 1 =
1 3
(d) P( A C B C C
4 4
(e) Calculemos P( A C B ) , ou seja, a probabilidade que ocorra B e no ocorra A
Podemos escrever:
B = ( A B) ( A C B) ,
ou seja, B pode ocorrer com A ou (exclusivo) com AC. Logo,
P( B ) = P( A B ) P ( A C B ) ,
do que decorre
1 1 1
P ( A C B ) = P( B ) P ( A B ) = =
3 4 12

EXERCCIOS
1- Extrai-se uma s carta de um baralho de 52. Determine a probabilidade de obter:

a- Um valete
b- Uma figura
c- Uma carta vermelha
d- Uma carta de ouros
e- Um dez de paus
f- Um nove vermelho ou um oito preto
2- Joga-se uma vez um dado equilibrado; determine a probabilidade de obter:
a- Um seis;
b- Cinco, seis ou sete;
c- Um nmero par;
d- Um nmero menor que quatro.
3- Doze fichas so numeradas de 1 a 12 e colocadas numa urna. Escolhida uma
aleatoriamente, determine a probabilidade de sair:
a- O nmero 3
b- Um nmero impar
c- Um nmero menor que quatro
d- O nmero dez
4- Joga-se um par de dados equilibrados:
a- Qual a probabilidade de ambas as faces serem seis?
b- Qual a probabilidade de ambas as faces serem dois?
c- Qual a probabilidade de ambas as faces serem pares?
5- Sejam P(A) = 0,30, P(B) = 0,80 e P(A e B) = 0,15.
a- A e B so mutuamente exclusivos? Explique.
b- Determine P(A ou B).
6- Sejam A e B mutuamente exclusivos, P(A) = 0,31 e P(B) = 0,29.
a- A e B so coletivamente exaustivos? Explique.
b- Determine P(A ou B).
c- Determine P (A e B)
7- Joga-se uma moeda trs vezes. Qual a probabilidade de aparecer coroa trs vezes?
Qual a probabilidade de no aparecer coroa nas trs vezes?

11.5 PROBABILIDADE CONDICIONAL E INDEPENDNCIA
Voltemos tabela da pgina 59. Dado que um estudante, escolhido ao acaso, esteja
20 2
matriculado no curso de Estatstica, a probabilidade de ele ser mulher de = . Isto
30 3
porque do total de 30 alunos que estudam Estatstica, 20 so mulheres. Escrevemos:
2
P(mulher | Estatstica ) =
3
Para dois eventos quaisquer A e B, sendo P(B) > 0, definimos a probabilidade condicional
de A, dado B, P(A|B), como sendo:
P( A B )
P( A | B ) =
P( B )
Para o exemplo mencionado, se A e B indicam, respectivamente, os eventos aluno
matriculado em Estatstica e aluno mulher, ento P(AB) = 20/200, P(B) = 30/200 e,
portanto:
P( A B ) 20 / 200 2
P( A | B ) = = = ,
P( B ) 30 / 200 3
como havamos obtido.
Da relao anterior, isto :

PA B )
P( A | B ) =
P( B )
obtemos a chamada regra do produto de probabilidades, ou seja:
P( A B ) = P(B ) . P( A | B )
Exemplo: Uma urna contem duas bolas brancas (B) e trs vermelhas (V). Suponha que
sorteemos duas bolas ao acaso, sem reposio. Isto significa que escolhemos a primeira
bola, verificamos a sua cor e no a devolvemos urna; misturamos as bolas restantes e
retiramos a segunda bola. O diagrama em rvore ilustra as possibilidades. Em cada galho
da rvore esto indicadas as probabilidades de ocorrncia, sendo que para algumas bolas
temos probabilidades condicionais. A probabilidade dos resultados conjuntos , ento,
dada pela regra do produto acima.

Resultados Probabilidades
B BB 2 1 2 1
1/4 . = =
5 4 20 10
B BV 2 3 6 3
2/5 3/4 V
. = =
5 4 20 10
VB 3 2 6 3
2/4 B . = =
5 4 20 10
3/5 V
VV 3 2 6 3
. = =
2/4 5 4 20 10
V
Total 1
Exemplo: Imagine agora que as duas extraes so feitas da urna, mas a primeira bola
reposta na urna antes da extrao da segunda bola. Nestas condies, as extraes so
independentes, no sentido de que o resultado de cada extrao no tem influncia no
resultado da outra. Obtemos a seguinte situao:
B
BB 2 2 4
2/5 . =
5 5 25
B BV 2 3 6
2/5 3/5 V . =
5 5 25
VB 3 2 6
2/5 B . =
5 5 25
3/5 V
VV 3 3 9
3/5 . =
V 5 5 25
Total 1
Observe que aqui
2
P(branca na 2 | branca na 1 ) = = P(branca na 2 ) , ou seja, se o evento A independente de
5
B, ento P(A|B) = P(A). Usando a regra do produto, temos:
P( A B ) = P( B ) . P( A | B ) = P ( B ) . P ( A ) ,
ou seja, P( A B ) = P( A ) . P(B ) , se A independente de B.

fcil ver que, se A independente de B, ento B independente de A. A equao
anterior pode ser tomada como definio de independncia, ou seja, A e B so
independentes se, e somente se, tal equao for vlida.

Exemplo: Considere ainda a mesma urna dos exemplos anteriores, mas vamos fazer trs
extraes sem repetio. Obtemos o esquema:
1
B V
1 /4
B 1 /3 B
2 /5 3 /4
V V
2 /3
1 /3 B
B V
2 /4 2 /3
3 /5 V
2 /4 2 /3 B
V
V
1 /3
BBV 2 1 2 6
. .1 = =
5 4 20 60
BVB 2 3 1 6
. . =
5 4 3 60
BVV 2 3 2 12
. . =
5 4 3 60
VBB 3 2 1 6
. . =
5 4 3 60
VBV 3 2 2 12
. . =
5 4 3 60
VVB 3 2 2 12
. . =
5 4 3 60
VVV 3 2 1 6
. . =
5 4 3 60
Total 60/60 = 1
Observe que P(B|B) = , ao passo que P(V|BB) = 1; da,

2 1
P ( B B V ) = P( B ) . P ( B | B ) . P ( V | B B ) = . .1 = 1
5 4 10
De modo geral, dados 3 eventos M, N e R, temos que:

P( M N R ) = P( M ) . P( N | M ) . P( R | M N )

Exemplo: A Teoria da Confiabilidade estuda sistemas e seus componentes, como, por
exemplo, sistemas mecnicos ou eletrnicos (um automvel ou um computador) e
sistemas biolgicos (como o corpo humano). O objetivo da teoria estudar relaes entre o
funcionamento dos componentes e do sistema. A figura abaixo ilustra um sistema
composto de dois componentes, ligados em srie.
1 2
O sistema funciona se os componentes 1 e 2 funcionam simultaneamente. Se um dos

componentes no funciona, o sistema tambm no funciona. Supondo que os
componentes funcionem independentemente, e se pi a probabilidade do componente i
(i=1,2) funcionar, ento a probabilidade do sistema funcionar p1.p2.
Chamando:
E: o sistema funciona
Ai: o componente i funciona, i = 1,2
ento,
P ( E ) = P ( A 1 A 2 ) = P( A 1 ) . P( A 2 ) = p 1 . p 2
Cada pi chamada a confiabilidade do componente i e P(E) = h(p1, p2) = p1. p2 chamada

a confiabilidade do sistema.
Se os elementos 1 e 2 estiverem ligados em paralelo, como na figura abaixo, ento o

sistema funciona se pelo menos um dos dois componentes funciona. Ou seja,
P ( E ) = P ( A 1 A 2 ) = P( A 1 ) + P( A 2 ) P( A 1 A 2 ) = p 1 + p 2 p 1 . p 2
e a confiabilidade do sistema h(p1, p2) = p1 + p2 p1. p2.

Vejamos agora o conceito de independncia para trs eventos. Dizemos que os eventos A,
B e C so independentes se, e somente se,
P( A B ) = P( A ) . P( B )
P ( A C ) = P( A ) . P( C)
P( B C ) = P( B ) . P( C)
P( A B C) = P( A ) . P( B ) . P( C)
Esta definio pode ser estendida para um nmero finito qualquer de eventos
independentes.

11.6 TEOREMA DE BAYES
Uma das relaes mais importantes envolvendo probabilidades condicionais dada pelo teorema
de Bayes, que expressa uma probabilidade condicional em termos de outras probabilidades
condicionais e marginais. Vamos introduzi-lo atravs de um exemplo.
Exemplo: Temos 5 urnas exatamente iguais, cada uma com 6 bolas. Duas dessas urnas (tipo C1)
tm 3 bolas brancas, duas outras (tipo C2) tm 2 bolas brancas, e a ltima urna (tipo C3) tem 6
bolas brancas. Escolhemos uma urna ao acaso e dela retiramos uma bola. Qual a probabilidade da
urna escolhida ser do tipo C3, sabendo-se que a bola sorteada branca?
Na figura abaixo esto esquematizados o espao amostral e os eventos de interesse.
C1 C2 C3
1 2 3 4 5
C
O B
R
BC
S
Queremos encontrar P(C3|B), sabendo que

2 3 1
P (C1 ) = P ( B | C1 ) = =
5 6 2
2 2 1
P( C 2 ) = P( B | C 2 ) = =
5 6 3
1 6
P (C 3 ) = P( B | C 3 ) = = 1
5 6
Da definio de probabilidade condicional, temos:
P(C 3 B) P(C 3 ) . P(B | C3 )
P(C 3 | B) = =
P(B) P(B)
Precisamos agora encontrar o valor de P(B), j que o numerador conhecido. Como C1, C2 e C3
so eventos mutuamente exclusivos, e reunidos formam o espao amostral completo, podemos
decompor o evento B, na unio de trs outros, mutuamente exclusivos, ou seja:
B = ( C1 B ) ( C 2 B ) (C 3 B )
e ento

P ( B ) = P ( C1 B ) + P (C 2 B ) + P (C 3 B ) =
= P ( C1 ) . P ( B | C1 ) + P ( C 2 ) . P ( B | C 2 ) + P (C 3 ) . P ( B | C 3 ) =
2 1 2 1 1 8
= . + . + .1 =
5 2 5 3 5 15
Substituindo este resultado na equao de P(C3|B), obtemos:

1
.1
P(C 3 ) . P(B| C 3 ) 5 3
P(C 3 |B) = = =
P(B) 8 8
15
Podemos agora generalizar os resultados acima do seguinte modo: seja C1, C2, ..., Cn uma
partio do espao amostral S, isto ,
Ci Cj = , i j, e C1 C2 ... Cn = S;
E consideremos A um evento qualquer. Tambm so conhecidos P(Ci) e P(A|Ci) para i = 1, 2,...., n.

Ento, temos o seguinte resultado, ilustrado pela figura a seguir.
Teorema de Bayes A probabilidade de ocorrncia de um dos eventos Ci, dado que ocorreu o
evento A, dado por:
P (C i ) . P ( A | C i )
P( C i | A ) =
n
P(C j ) . P( A | C j )
j =1
onde , i = 1, 2, ..., n.
Exemplo: Para selecionar seus funcionrios, uma empresa oferece aos candidatos um curso de
treinamento durante uma semana. Ao final, eles so submetidos a uma prova e 25% so
classificados como bons (B), 50% como mdios (M) e os restantes 25% como fracos (F).

Como medida de economia, o departamento de seleo pretende substituir o treinamento
por um teste contendo perguntas envolvendo conhecimentos gerais e especficos. Mas,
para isso, gostaria de conhecer qual a probabilidade de que um indivduo aprovado no
teste fosse considerado fraco, caso fizesse o curso. Assim, nesse ano antes do incio do
curso, os candidatos foram submetidos ao teste e, de acordo com os resultados,
receberam o conceito aprovado (A) ou reprovado (R). Ao final do curso, obtiveram as
seguintes probabilidades condicionais:
P(A|B) = 0,80 P(A|M) = 0,50 P(A|F) = 0,20
Queremos encontrar P(F|A), e pelo teorema de Bayes esta dada por
P( F ) . P( A | F )
P( F | A ) = =
P( B ) . P( A | B ) + P ( M ) . P ( A | M ) + P ( F ) . P( A | F )
(0,25) . (0,20)
= = 0,10
(0,25) . (0,80) + (0,50) . (0,50) + (0,25) . (0,20)
Ento, apenas 10% dos aprovados que seriam classificados como fracos durante o
curso. De modo anlogo, podemos encontrar:
P(B|A) = 0,40 e P(M|A) = 0,50
que seriam subsdios valiosos para ajudar a deciso de substituir o treinamento pelo teste.
11.7 ABORDAGEM TABULAR DO TEOREMA DE BAYES
O clculo de uma probabilidade condicional pelo Teorema de Bayes, muitas vezes

facilitado utilizando-se uma abordagem tabular. Nessa abordagem uma tabela com cinco
colunas ser montada. Os passos para a sua montagem so os seguintes:
(1) Na 1 coluna so colocados os eventos mutuamente exclusivos para os quais as

probabilidades posteriores so desejadas (Ai).
(2) Na 2 coluna so colocadas as probabilidades prvias para esses eventos (P(Ai)).
(3) Na 3 coluna so colocadas as probabilidades condicionais da nova informao
dada para cada evento (P(B|Ai)).

(4) Na 4 coluna so calculadas as probabilidades associadas para cada um dos
eventos e a nova informao B, usando-se a lei da multiplicao. Essas
probabilidades associadas so encontradas multiplicando-se as probabilidades
prvias na coluna 2 pelas probabilidades condicionais na coluna 3, isto ,
P(Ai B) = P(Ai) . P(B|Ai)
(5) feita, ento, a soma das probabilidades associadas na coluna 4. A soma a
probabilidade da nova informao P(B).
(6) Na 5 coluna, calcular as probabilidades posteriores usando a relao bsica de
probabilidade condicional:
P ( Ai B )
P ( Ai | B ) =
P( B)
No exemplo anterior, aplicando-se essa abordagem, teremos a seguinte a tabela:
Eventos Probabilidades Probabilidades Probabilidades Probabilidades

Prvias Condicionais Associadas Posteriores
B P(B) = 0,25 P(A|B) = 0,80 P(B). P(A|B) = 0,20

P( B | A) = = 0,40
0,25.0,80 = 0,20 0,50
M P(M) = 0,50 P(A|M) = 0,50 P(M). P(A|M) = 0,25
P( M | A) = = 0,50
0,50.0,50 = 0,25 0,50
F P(F) = 0,25 P(A|F) = 0,20 P(F). P(A|F) = 0,25.0,20 0,05
P( F | A) = = 0,10
= 0,05 0,50
_______ _______ _______
1,00 P(A) = 0,50 1,00
OBSERVAES:
- O teorema de Bayes usado extensivamente nas anlises de decises. As
probabilidades prvias so freqentemente estimativas subjetivas fornecidas por um
tomador de deciso. A informao amostral obtida e as probabilidades posteriores
so calculadas para uso no desenvolvimento de uma estratgia de deciso.
- Um evento e seu complemento so mutuamente exclusivos e suas unies formam
uma partio. Assim, o teorema de Bayes sempre aplicvel para o clculo das
probabilidades posteriores de um evento e seu complemento.

EXERCCIOS
1- No exemplo da pgina 68, que trata das urnas, elabore a tabela segundo a
abordagem tabular para chegar aos valores das probabilidades posteriores.
2- A probabilidade do time de futebol So Paulo ganhar uma partida quando chove
de 0,7 e quando no chove de 0,8. No ms de setembro passado, a probabilidade de
chuva foi de 0,6. Sabendo-se que o So Paulo jogou uma partida em setembro e ganhou,
qual a probabilidade de ter chovido no dia desse jogo?
3- M. D. Computing (maio de 1991) descreve o uso do teorema de Bayes e o uso da
probabilidade condicional no diagnstico mdico. As probabilidades prvias de doenas
so baseadas na avaliao dos mdicos de variveis tais como localizao geogrfica,
influncia sazonal, ocorrncia de epidemias e assim por diante. Suponha que se acredite
que um paciente tenha uma de duas doenas, denotadas como D1 e D2 com P(D1) = 0,60 e
P(D2) = 0,40 , e que a pesquisa mdica tenha determinado a probabilidade associada com
cada sintoma que pode acompanhar as doenas. Suponha que, dadas as doenas D1 e D2,
as probabilidades de que o paciente ter os sintomas S1, S2 ou S3 so como segue:
S1 S2 S3
D1 P(S1|D1) = 0,15 P(S2|D1) = 0,10 P(S3|D1) = 0,15
D2 P(S1|D2) = 0,80 P(S2|D2) = 0,15 P(S3|D2) = 0,03
Depois que constatar que um certo sintoma esteja presente, o diagnstico mdico pode ser
auxiliado encontrando-se as probabilidades revisadas de cada doena em particular.
Calcule as probabilidades posteriores de cada doena dadas as seguintes constataes
mdicas:
a) O paciente tem o sintoma S1.
b) O paciente tem o sintoma S2.
c) O paciente tem o sintoma S3.
4- Uma companhia produz circuitos integrados em trs fbricas, I, II e III. A fbrica I
produz 40% dos circuitos, enquanto a II e a III produzem 30% cada uma. As probabilidades
de que um circuito integrado produzido por estas fbricas no funcione so 0,01, 0,04 e
0,03, respectivamente. Escolhido um circuito da produo conjunta das trs fbricas, qual a
probabilidade do mesmo no funcionar?

12.0 TCNICAS DE CONTAGEM
Para utilizar o mtodo clssico da probabilidade, preciso conhecer o nmero total de

resultados possveis de um experimento.
Uma das possibilidades o uso das rvores de deciso, mas quando o nmero de
resultados grande, essa lista se torna muito trabalhosa; necessrio ento recorrer a
frmulas matemticas para determinar o nmero total de resultados possveis.
Suponhamos que um estudante esteja fazendo um teste de 20 questes do tipo

verdadeiro-ou-falso. Suponhamos ainda que ele, no tenha estudado nada, esteja
dando todas as respostas na base do palpite. Qual a probabilidade de ele responder
corretamente todo o teste?
A primeira coisa a fazer determinar o nmero total de resultados possveis.
Em segundo lugar devemos explorar suas diversas verses. Imaginemos que o teste
consista de apenas:
Uma questo temos V ou F

Duas questes temos VV, VF, FV, FF
Trs questes temos VVV, VVF, VFF, VFV, FVF, FVV, FFV, FFF
Conclui-se:
Nmero de questes : 1 2 3 4
Nmero de resultados : 2 4 8 16
Nota-se que, se o nmero de itens for grande, a listagem se tornar praticamente

impossvel.
Em seguida, podemos ver um diagrama de rvore para determinar todos os arranjos

possveis.

QUESTO N1 QUESTO N2 QUESTO N3 RESULTADOS
V VVV
V F VVF
V V V FV
F F V FF
V FV V
V F FV F
F
V FFV
F
F FFF
Alm disso, o que realmente necessrio determinar o nmero total de resultados;

nada se tem a ganhar identificando cada resultado.
12.1 O PRINCPIO DA MULTIPLICAO
O diagrama mostra que cada questo dobra o nmero total de resultados possveis (com
duas alternativas V ou F) temos:
NMERO DE QUESTES TOTAL DE RESULTADOS

1 2=2
2 2 x 2 =4
3 2x2x2=8
4 2 x 2 x 2 x 2 = 16

Se fossem quatro escolhas para cada questo:
NMERO DE QUESTES TOTAL DE RESULTADOS

1 4=4
2 4 x 4 =16
3 4 x 4 x 4 = 64
4 4 x 4 x 4 x 4 = 256
Para solucionar o exerccio do teste, teremos:
2 x 2 x 2 x 2 x 2 x . . . . . . . x 2 = 220 = 1.048.576
1 2 3 4 5 ..... . 20
De um modo geral, se h n decises seqenciais, cada uma com m escolhas, o nmero

total de resultados mn.
12.2 PERMUTAO, ARRANJO E COMBINAO
Quando a ordem em que os elementos se dispem importante, o nmero total de

resultados possveis conhecido como Arranjo ou Permutao. Quando a ordem no
interessa, o nmero total de resultados possveis designado como Combinao.
Para o uso na anlise combinatria usaremos o nmero fatorial representado pelo smbolo
! como por exemplo 4! l-se quatro fatorial e significa 4 x 3 x 2 x 1 = 24.
Outros exemplos:
5! = 5 x 4 x 3 x 2 x 1 = 120
12! = 12 x 11 x 10 x 9 x 8 x 7 x ..............x 1 = 479.001.600
Os fatoriais crescem de modo extremamente rpido, medida que aumenta o nmero-

base.
Felizmente, quase nunca necessrio utilizar-se completamente os fatoriais, pois eles
aparecem em grupos, permitindo cancelamentos:

5! = 1
7! 42
4! = 12
2!
5! = 10
2! 3!
s vezes os fatoriais podem envolver soma e subtrao. Exemplos:
( 5 - 3 )! = 2! e no ( 5! - 3! )
( 9 - 2 )! = 7!
( 3 + 1)! = 4!
8! = 8! = 8 x 7 x 6 x 5! = 8x7x6 = 56
3! ( 8 3 )! 3! . 5! 3 x 2 x 5! 3x2
O fatorial de zero igual a um 0! = 1.

O fatorial de 1 igual a um 1! = 1.
ARRANJOS
So agrupamentos que podem variar pela ordem ou natureza dos elementos. Quando se
consideram n elementos distintos tomados x a x chamamos arranjo ou agrupamentos
enerios que se podem formar com esses n elementos, dispomos de todas as formas
possveis de modo que dois arranjos quaisquer difiram ao menos pela ordem dos
elementos.
Assim, os arranjos possveis com as letras A, B e C so A 3,2 (3 elementos dois a dois)

A 3,2 = AB; BA; AC; CA, BC; CB.
E com os nmeros: 2, 6 e 8 podem ser feitos os seguintes arranjos A 3,2

A 3,2 = 26; 28; 62; 68; 82; 86.

Portanto:
n!
A n, x =
(n x )!
Outro exemplo: Se h sete cavalos num preo, quantos arranjos h considerando 1,2 e
3 lugares?
Ou seja, 7 elementos tomados 3 a 3

A 7,3 = 7! = 7! = 7 x 6 x 5 x 4! = 7 x 6 x 5 = 210
( 7 3 )! 4! 4!
PERMUTAO
Denomina-se permutao aos arranjos de objetos tomados n a n. Neste caso cada objeto
entra s uma vez em todos os grupos.
Em geral o nmero de permutaes distintas com n itens, dos quais n1 so indistinguveis

de um tipo, n2 de outro tipo, etc, :
n!
Pnn 1 , n 2 , ..., n K = (permutao com repeties)
(n 1 ! ) (n 2 ! ) (n 3 ! ) ... (n k ! )
Exemplo: Quantas permutaes distintas de 3 letras podemos formar com as letras:

RRRR UUU N
4 3 1
Soluo
H 8 letras : 4Rs 3Us 1N dai:
8!
P84 3 1 = = 280
(4! ) ( 3! ) (1! )

COMBINAO
Chama-se combinao quando no interessa a ordem para denotar o nmero de

agrupamentos distintos possveis.
Exemplo: a escolha de 2 tipos de vegetal de um cardpio com 5 tipos. A escolha de

batata e cenoura a mesma que cenoura e batata.
De um modo geral, para agrupamentos de tamanho x extrados de uma lista de n itens, o

Nmero de combinaes possveis :
Cn, x =
n!
x! (n x)!
= nx()
Quantos comits distintos, de 3 pessoas cada um, podemos formar com um grupo de 10
pessoas?
10! 10! 10.9.8.7!

C10 , 3 = = = = 120
3!(10 3)! 3! 7! 3.2.7!
De quantas maneiras podemos formar um comit de 1 mulher e 2 homens, de um total de

4 mulheres e 6 homens.
4! 6!
Mulheres e Homens => C 4 ,1 . C 6 , 2 = . = 4 . 15 = 60
1! 3! 2! 4!

REGRAS DE CONTAGEM
REGRA DA MULTIPLICAO: o produto do nmero de escolhas para uma seqncia de

n
decises m , onde m = nmero de escolhas e n = decises seqenciais.
ARRANJOS: Nmero de agrupamentos em que interfere a ordem
n!
A n, x =
(n x )!
PERMUTAO COM REPETIES (OU DISTINGVEIS): alguns itens so idnticos, e a

ordem importante.
n!
Pnn 1 , n 2 , ..., n K =
(n 1 ! ) (n 2 ! ) (n 3 ! ) ... (n k ! )
OBS: Permutao simples: Pn = n!
COMBINAES: a ordem no importa.
Cn, x =
n!
x! (n x)!
= nx ()

EXERCCIOS
1- Calcule:
a- 2! b- 3! c- 10! d- 1! e- 0!
2- Calcule:
3 4 5 9
a- b- c- d-
2 4 1 6
3- Determine o nmero de arranjos:
a- A 3,2 b- A 4,4 c- A 5,1 d- A 9,6 e- A 1,0
4- Um vendedor de automveis deseja impressionar os possveis compradores com o

maior Nmero de combinaes diferentes possveis. Um modelo pode ser dotado de
trs tipos de motor, dois tipos de transmisso, cinco cores externas e duas internas.
Quantas so a escolhas possveis?
5- Em um determinado Estado, as placas de licena constam de trs letras e quatro

algarismos. Quantas placas diferentes podemos formar admitindo-se o uso de todas as
(26 letras) e os (10 algarismos)?
6- Quantas permutaes distintas podem ser feitas com as letras da palavra

ESTATSTICA?
7- Se um torneio de basquetebol consiste de 36 times, de quantas maneiras podem ser

conquistados os trs primeiros lugares?
8- De quantas maneiras diferentes podemos escolher um comit de cinco pessoas dentre

oito?
9- A Pizzaria ISA oferece as seguintes escolhas de pizza: presunto, cogumelos, pimento,

enchovas e muzzarella. De quantas maneiras podemos escolher dois tipos diferente de
pizza?

13.0 VARIVEL ALEATRIA E DISTRIBUIO DE
PROBABILIDADE
13.1 DEFINIO DE VARIVEL ALEATRIA

Introduzidas s noes fundamentais sobre a teoria das probabilidades, podemos
passar s chamadas Distribuies de Probabilidades.
Uma distribuio de probabilidades uma distribuio de freqncia relativa para
os resultados de um espao amostral (isto , para os resultados de uma varivel
aleatria); que mostra a proporo das vezes em que a varivel aleatria tende a assumir
cada um dos diversos valores.
Consideremos a varivel aleatria nmero de caras em duas jogadas de uma
moeda, eis a lista dos pontos do espao amostral e os valores correspondentes v.a.:
(Sendo K = cara e C = coroa)
Resultados Valor de v.a.
CC 0
CK 1
KC 1
KK 2
Se a moeda equilibrada, P(K) = P(C) = . As probabilidades dos diversos resultados so:
Resultados Pobabilidade do Resultado Nmero de Caras

P(x)
CC 1 1 1 0
. = = 0,25
2 2 4
CK 1 1 1 1
. = = 0,25 =>0,50
2 2 4
KC 1 1 1 1
. = = 0,25
2 2 4
KK 1 1 1 2
. = = 0,25
2 2 4

Assim, pois, a distribuio de probabilidades para o nmero de caras em duas jogadas de
uma moeda :
Nmero de Caras P(x)

0 0,25
1 0,50
2 0,25
1,00
Nota-se que a soma de todas as probabilidades 1,00, como de se esperar, pois os

resultados apresentados so mutuamente exclusivos e coletivamente exaustivos. A
mesma distribuio pode ser apresentada em forma acumulada.
Nmero de Caras P(x ou menos)
0 0,25
1 0,75
2 1,00
Graficamente, as distribuies de probabilidade e acumulada se apresentam:
P
1,00 R 1,00
O 1,OO
B
A
P B
R 0,75 I 0,75
O L 0,75
B I
A D
B A
I 0,5 D 0,5
L 0,5 E
I
D A
A C
D 0,25 U 0,25
E 0,25 0,25 M 0,25
U
L
A
0 D 0
0 1 2 A 0 1 2
NMERO DE CARAS
NMERO DE CARAS

Portanto conclumos que uma varivel aleatria (v.a.) fornece um meio para se descrever
por valores numricos os resultados experimentais. Uma v.a. uma descrio numrica do
resultado de um experimento.
Uma v.a. pode ser classificada como discreta ou contnua, dependendo dos valores
numricos que ela assume.
VARIVEIS ALEATRIAS DISCRETAS
Uma v.a. que pode assumir tanto um nmero finito de valores como infinita seqncia de
valores tais como 0, 1, 2, 3, ... denominada varivel aleatria discreta. Por exemplo,
considere o experimento de um contador que faz um exame pblico. O exame tem quatro
partes. Podemos definir a v.a. discreta como x o nmero de partes em que foi aprovado
no exame. Essa v.a. discreta pode assumir o nmero finito de valores 0, 1, 2, 3 ou 4.
Como outro exemplo, considere o experimento de carros que chegam a um posto de
pedgio. A v.a. de interesse x o nmero de carros que chega durante o perodo de um
dia. Os possveis valores de x vm da seqncia de inteiros 0, 1, 2 e assim por diante.
Portanto x uma v.a. discreta que assume um dos valores nessa seqncia infinita.
Embora muitos experimentos tenham resultados que so naturalmente descritos por
valores numricos, outros no o so. Por exemplo, uma questo de um levantamento pode
solicitar a um indivduo que relembre a mensagem de um recente comercial de televiso.
Esse experimento poderia ter dois resultados possveis: o indivduo no pode lembrar a
mensagem e o indivduo pode lembrar a mensagem. Podemos ainda descrever esses
resultados experimentais numericamente, definindo-se a v.a. discreta x como segue: seja x
= 0 se o indivduo no pode lembrar a mensagem e x = 1 se o indivduo pode lembrar a
mensagem. Os valores numricos para essa v.a. so arbitrrios (poderamos usar 5 e 10),
mas eles so aceitveis em termos da definio de uma v.a..
Outros exemplos de v.a. discretas so dados a seguir:

Exemplos de v.a. discretas
Experimento v.a. (x) Possveis valores para v.a.
Contatar cinco clientes Nmero de clientes que 0, 1, 2, 3, 4, 5
colocam um pedido de
compra
Inspecionar um embarque Nmero de rdios 0, 1, 2, ..., 49, 50
de 50 rdios defeituosos
Operar um restaurante por Nmero de clientes 0, 1, 2, 3, 4, ...
um dia
Vender um automvel Gnero do cliente 0 se masculino,
1 se feminino
VARIVEIS ALEATRIAS CONTNUAS

Uma v.a. que pode assumir qualquer valor numrico em um intervalo ou numa coleo de
intervalos chamada v.a. contnua. Resultados experimentais que so baseados em
escalas de medidas tais como peso, tempo, distncia e temperatura podem ser descritos
por v.a. contnuas. Por exemplo considere, o experimento de monitorar as chamadas
telefnicas que chegam a um escritrio de reclamaes de uma grande empresa de
seguros. Suponha que a v.a. de interesse seja x o tempo em minutos entre chamadas
consecutivas recebidas. Essa v.a. pode assumir qualquer valor no intervalo x 0.
Realmente, um nmero infinito de valores so possveis para x, incluindo valores tais como
1,27 minutos, 2,471 minutos, 4,5555 minutos e assim por diante. Como um outro exemplo,
considere um trecho de 144 Km de uma auto-estrada interestadual ao norte de Atlanta,
Gergia, nos USA. Para um servio de emergncia localizado em Atlanta, podemos definir
a v.a. como x a localizao do prximo acidente de trnsito ao longo desse trecho da
auto-estrada. Neste caso, x seria uma v.a. contnua que assume qualquer valor no intervalo
0 x 144. Outros exemplos so apresentados na tabela abaixo.

Exemplos de v.a. contnuas
Experimento v.a. (x) Possveis valores para v.a.

Operar um banco Tempo entre as chegadas x 0 (min)
dos clientes em minutos
Encher um recipiente de Nmero de ml 0 x 343 (ml)
refrigerante (mx = 343 ml)
Trabalhar num projeto para Porcentagem de trmino do 0 x 100 (%)
a construo de uma nova projeto aps 6 meses
biblioteca
Testar um novo processo Temperatura quando a 65 x 100 (C)
qumico reao desejada ocorre
(mn 65 C e mx 100 C)
Observao: Um modo de determinar se uma v.a. discreta ou contnua pensar nos

valores da v.a. como pontos sobre um segmento de reta. Escolha 2 pontos que
representam valores da v.a.. Se todo o segmento de reta entre os 2 pontos tambm
representa possveis valores para a v.a., ento a v.a. contnua.

EXERCCIO:
Uma srie de experimentos e v.a. s associadas so listados a seguir. Em cada caso,
identifique os valores que a v.a. pode assumir e estabelea se a v.a. discreta ou
contnua.
Experimento v.a. (x)

a. Fazer um exame com 20 questes Nmero de questes respondidas
corretamente
b. Observar carros que chegam a um posto Nmero de carros que chegam ao posto de
de pedgio, no espao de uma hora pedgio
c. Auditar 50 declaraes de imposto Nmero de declaraes que contm erros
d. Observar o trabalho de um operrio Nmero de horas no produtivas em um dia
de trabalho de 8 horas
e. Pesar um carregamento de produtos Nmero de quilos
DISTRIBUIES DISCRETAS DE PROBABILIDADE

A distribuio de probabilidade para uma v.a. descreve como as probabilidades esto
distribudas sobre os valores da v.a.. Para uma v.a. discreta x, a distribuio de
probabilidade definida por uma funo de probabilidade, denotada por f(x). A funo de
probabilidade fornece a probabilidade para cada um dos valores da v.a..
Como exemplo de v.a. discreta e sua distribuio de probabilidade, considere as vendas de
automveis de uma revendedora chamada X-Motors. Nos ltimos 300 dias de operao, os
dados de vendas mostram 54 dias sem vendas de automveis, 117 dias com um
automvel vendido, 72 dias com dois automveis vendidos, 42 dias com trs automveis
vendidos, 12 dias com quatro automveis vendidos e 3 dias com cinco automveis
vendidos. Suponha que consideremos o experimento de selecionar um dia de operao na
X-Motors. Definimos a v.a. de interesse como x o nmero de automveis vendidos
durante um dia. A partir dos dados histricos conhecidos, sabemos que x uma v.a.
discreta que pode assumir os valores 0, 1, 2, 3, 4 ou 5. Na notao da funo de
probabilidade, f(0) fornece a probabilidade de 0 automveis vendidos, f(1) fornece a
probabilidade de 1 automvel vendido e assim por diante. Uma vez que os dados mostram
54 dos 300 dias com 0, atribumos o valor 54/300 = 0,18 para f(0), indicando que a
probabilidade de 0 automvel ter sido vendido durante um dia de 0,18. Analogamente,

podemos calcular as demais funes, mostradas na tabela a seguir.
Distribuio de probabilidade para o nmero de automveis vendidos durante um

dia na X-Motors
x f(x)
0 0,18
1 0,39
2 0,24
3 0,14
4 0,04
5 0,01
Total 1,00
No desenvolvimento de uma funo de probabilidade para qualquer v.a. discreta, as duas

condies seguintes precisam ser satisfeitas:
1. f(x) 0
2. f(x) = 1
O exemplo mais simples de uma distribuio discreta de probabilidade a distribuio

uniforme de probabilidade. Sua funo de probabilidade dada a seguir:
f(x) = 1/n
onde:
n o nmero de valores que a v.a. pode assumir
por exemplo considere o experimento de lanamento de um dado e defina a v.a. x como

sendo o nmero da face voltada para cima. Existem n = 6 valores possveis para a v.a.; x =
1, 2, 3, 4 , 5, 6. Assim a funo de probabilidade para esta v.a.
f(x) = 1/6 x = 1,2,3,4,5,6

Os valores possveis da v.a. e as probabilidades associadas so mostrados a seguir:
x f(x)
1 1/6
2 1/6
3 1/6
4 1/6
5 1/6
6 1/6
VALOR ESPERADO E VARINCIA DE UMA V.A. DISCRETA
VALOR ESPERADO
O valor esperado, ou mdia, de uma v.a. discreta a medida de posio central para a
v.a.. A expresso matemtica para o valor esperado da v.a. x dada por:
E(x) = = x.f(x)
Voltando ao exemplo anterior da X-Motors, temos:
Clculo do valor esperado para o n de automveis vendidos durante um

dia na X-Motors
x f(x) x.f(x)
0 0,18 0,00
1 0,39 0,39
2 0,24 0,48
3 0,14 0,42
4 0,04 0,16
5 0,01 0,05
Total 1,00 1,50

Portanto E(x) = = x.f(x) = 1,50.
VARINCIA
Enquanto o valor esperado fornece o valor mdio para a v.a., freqentemente

necessitamos de uma medida de variabilidade ou de disperso. A expresso matemtica
para a varincia :
Var(x) = 2 = (x - )2 . f(x)
E o desvio padro ser:
= 2
No exemplo anterior temos:
Clculo da varincia para o n de automveis vendidos durante um dia

na X-Motors
(x - ) . f(x)
2
x f(x)
0 0,18 0,4050
1 0,39 0,0975
2 0,24 0,0600
3 0,14 0,3150
4 0,04 0,2500
5 0,01 0,1225
Total 1,00 1,2500
Portanto Var(x) = 2 = (x - )2 . f(x) = 1,25.

EXERCCIOS:
1 - A seguinte tabela uma distribuio de probabilidade para v.a. x:
x f(x)
3 0,25
6 0,50
9 0,25
Total 1,00
a) Calcule E(x), o valor esperado de x.

b) Calcule 2, a varincia de x.
c) Calcule , o desvio padro de x.
2 - A seguinte tabela uma distribuio de probabilidade para v.a. y:
y f(y)
2 0,20
4 0,30
7 0,40
8 0,10
Total 1,00
a) Calcule E(y).
b) Calcule Var(y) e .
3 - Um servio voluntrio de ambulncias atende de 0 a 5 chamadas de servio em

qualquer dia. A distribuio de probabilidade para o nmero de chamadas de servio :

Nmero de chamadas Probabilidade
de servio
0 0,10
1 0,15
2 0,30
3 0,20
4 0,15
5 0,10
a) Qual o nmero esperado de chamadas de servio?

b) Qual a varincia no nmero de chamadas de servio? Qual o desvio
padro?
4 - O Statistical Abstract of the United States, 1997, mostra que o nmero mdio de
aparelhos de televiso por famlia de 2,3. Considere que a distribuio de
probabilidade para o nmero de aparelhos de televiso por famlia mostrado a seguir:
x f(x)
0 0,01
1 0,23
2 0,41
3 0,20
4 0,10
5 0,05
a) Calcule o valor esperado do nmero de aparelhos de televiso por famlia e

compare-o com a mdia relatada no Statistical Abstract.
b) Qual a varincia e o desvio padro do nmero de aparelhos por famlia?

13.2 DISTRIBUIO BINOMIAL
A distribuio binomial de probabilidade uma distribuio discreta de probabilidade que

tem muitas aplicaes. Ela est associada a um experimento de mltipla etapa que
chamamos de experimento binomial.
Um experimento binomial
Um experimento binomial tem as quatro seguintes propriedades:
(1) O experimento consiste de uma seqncia de n ensaios idnticos.

(2) Dois resultados so possveis em cada ensaio. Referimo-nos a um como um
sucesso e ao outro como um fracasso.
(3) A probabilidade de um sucesso, denotado por p, no se modifica de ensaio para
ensaio. Conseqentemente, a probabilidade de um fracasso, denotado por q (onde
q = 1 p), no se modifica de ensaio para ensaio.
(4) Os ensaios so independentes.
Se as propriedades 2, 3 e 4 esto presentes, dizemos que os ensaios so gerados por um

processo de Bernoulli. Se alm disso, a propriedade 1 est presente, dizemos que temos
um experimento binomial.
Suponhamos agora o experimento E4= Lanamento de 4 moedas. A tabela abaixo

mostra todas as possibilidades de combinaes cara/coroa, os eventos que estas
combinaes originam e os valores correspondentes da varivel aleatria X : Nmero de
vezes que sai Cara.

POSSIBILIDADE MOEDA N EVENTO VALOR DE X
N 1, 2, 3, 4 ( N DE VEZES QUE SAI CARA)
1 CCCC 0K e 4C 0
2a CCCK 1K e 3C 1
2b CCKC
2c CKCC
2d KCCC
3a CCKK 2K e 2C 2
3b CKKC
3c KKCC
3d CKCK
3e KCKC
3f KCCK
4a KKKC 3K e 1C 3
4b KKCK
4c KCKK
4d CKKK
5 KKKK 4K e 0C 4
Utilizando as regras do produto para eventos independentes (e) e da adio para eventos
mutuamente exclusivos (ou) possvel calcular as probabilidades associadas aos valores
de X.
A probabilidade de X=0 obtida pelo conhecimento de termos 4 coroas, sabe-se que a

probabilidade de sair coroa , a probabilidade final ser: 0,5x0,5x0,5x0,5 = 0,0625.
Para o clculo da probabilidade X=1 deve-se trabalhar com o evento 1K e 3C como

temos as opes a,b,c,d, que so mutuamente exclusivas, a regra da soma manda
efetuar a adio 0,0625 +0,0625 +0,0625 +0,0625 ou, o que o mesmo de se efetuar o
produto 4x 0,0625 = 0,25.

Desta forma analogamente temos:
x EVENTO f( x )
0 4 0 4
0 0K e 4C O,0625 = 1 X 0,5 X 0,5 = 1p q
1 3 1 3
1 1K e 3C O,2500 = 4 X 0,5 X 0,5 = 4p q
2 2 2 2
2 2K e 2C O,3750 = 6 X 0,5 X 0,5 = 6p q
3 1 3 1
3 3K e 1C O,2500 = 4 X 0,5 X 0,5 = 4p q
4 0 4 0
4 4K e 0C O,0625 = 1 X 0,5 X 0,5 = 1p q
TOTAL 1,00
n = nmero de moedas
p = probabilidade de K : P(K) = 0,5
q = 1 p = probabilidade de C : P(C) = 0,5
Podemos usar a equao:
n! n
=
x!. (n x)! x combinaes de n indivduos tomados x a x.
Generalizando temos a funo binomial f(x):
n!
f ( x) = . p x .q n x
x!. (n x )!

Exemplo: Distribuio binomial de x (nmero de coroas) para n = 10
X Nmero de n! Distribuio f(x)
Coroas em 10 x!(n x)!
jogadas Amostral
10! 1
10 =1 . = 0,000976
10!(10 10)! 1024
10! 1
9 = 10 . = 0,009760
9!(10 9)! 1024
10! 1
8 = 45 . = 0,043940
8!(10 8)! 1024
10! 1
7 = 120 . = 0,117180
7!(10 7)! 1024
10! 1
6 = 210 . = 0,205070
6!(10 6)! 1024
10! 1
5 = 252 . = 0,246090
5! (10 5)! 1024
10! 1
4 = 210 . = 0,205070
4! (10 4)! 1024
10! 1
3 = 120 . = 0,117180
3! (10 3)! 1024
10! 1
2 = 45 . = 0,043940
2! (10 2)! 1024
10! 1
1 = 10 . = 0,009760
1! (10 1)! 1024
10! 1
0 =1 . = 0,000976
0! (10 0)! 1024
Total de resultados = 210 = 1024

EXERCCIOS:
Use a equao binomial para responder s questes abaixo:
1- Um fabricante de mesas de bilhar suspeita que 2% de seu produto apresenta algum

defeito. Se tal suspeita correta, determine a probabilidade de que, numa amostra
de nove mesas:
a- Haja ao menos uma defeituosa
b- No haja nenhuma defeituosa
2- Dos estudantes de um colgio, 41% FUMAM CIGARROS. Escolhem-se seis ao

acaso para darem sua opinio sobre o fumo.
a- Determine a probabilidade de nenhum dos seis estudantes ser fumante.
b- Determine a probabilidade de todos os seis serem fumantes.
c- Qual a probabilidade de ao menos a metade dos seis serem fumantes.
3- Doze por cento dos que reservam lugar num vo sistematicamente faltam ao
embarque. O avio comporta 15 passageiros. Determine a probabilidade de que
todos os 15 que reservaram lugar compaream ao embarque
4- Um revendedor de automveis novos constatou que 80% dos carros vendidos so

devolvidos ao departamento mecnico para corrigir defeitos de fabricao, nos
primeiros 25 dias apos a venda. De 11 carros vendidos num perodo de 5 dias, qual
a probabilidade de que:
a. Todos voltem dentro de 25 dias para reparo.
b. S um no volte
5- Suponha que 8% dos cachorros-quentes vendidos num estdio de futebol sejam

pedidos sem mostarda. Se sete pessoas pedem cachorro, determine a
probabilidade de que:
a. Todos queiram mostarda
b. Apenas um no a queira.

13.3 DISTRIBUIO DE POISSON
A chamada Distribuio de Poisson ou de Eventos Raros pode ser considerada um caso

limite da distribuio binomial. Quando n grande e p pequeno podemos usar a
aproximao de Poisson para a distribuio Binomial.
difcil dar condies precisas para que se possa usar a aproximao de Poisson, ou seja,
o que significa quando n grande e p pequeno. Como regra geral (de referncia
emprica) podemos usar:
n 100 e n.p 10
n = elementos da populao
p = probabilidade
Exemplo: n = 150 p = 0,05
Temos a distribuio de Poisson com:
n.p = 150 . (0,05) = 7,5
A equao a ser usada :
(n. p) x . e n. p
f ( x) =
x!
sendo e= 2,718 e = n.p
Exemplo: Sabe-se que 2% dos livros encadernados em uma certa livraria apresentam
defeitos de encadernao. Utilize a aproximao de Poisson da distribuio Binomial para
achar a probabilidade de que 5 entre 400 livros encadernados nessa livraria apresentam
algum defeito de encadernao.
Temos: n = 400 p = 2% = 0,02 x=5 n.p = 400 . 0,02 = 8
-8
e = 0,000335; temos ento:
(8) 5 . e 8 (32768) (0,000335)

f (5) = = = 0,0915
5! 120
Obs.: A distribuio de Poisson semelhante Binomial, diferenciando-se apenas no fato
de que na Binomial os eventos ocorrem por tentativas ou observaes fixas, enquanto que
na de Poisson os eventos ocorrem simultaneamente. Ex.; n de acidentes por dia, clientes
2
por hora, chamadas telefnicas por minuto, defeitos por cm , etc.

Contra-exemplo: Suponhamos que os defeitos em fios para tear possam ser aproximados
por um processo de Poisson com mdia de 0,2 defeitos por metro (p = 0,2).
Inspecionando-se pedaos de fio de 6 metros de comprimento, determine a probabilidade
de menos de 2 (isto 0 ,1) defeitos.
Dados: n = 6 p = 0,2 n . p = 6 . 0,2 = 1,2
Para utilizarmos a aproximao de Poisson para a distribuio Binomial devemos ter:
1) n 100. (neste caso n = 6);
2) n.p 10 (neste caso n.p = 6 . 0,2 = 1,2).
Logo a 1 condio no verificada, isto implica que no poderemos utilizar Poisson.
Uma soluo possvel a utilizao da distribuio Binomial, ou seja:
P(x<2) = P(0) + P(1) , onde:
6! 6!
P ( 0) = 0,20 . 0,86 = 1 .1 . 0,86 = 0,2621 e P(1) = 0,21 . 0,85 = 6 . 0,2 . 0,85 = 0,3932
0! 6! 1! 5!
Logo, P(x<2) = 0,6553 ou 65,53% de haver 0 ou 1 defeito.
EXERCICIOS:
1- O departamento de manuteno de computadores de uma Universidade recebe uma

mdia 5 computadores por dia. Qual a probabilidade que, em determinado dia,
selecionado aleatoriamente, sejam recebidos:
a- Exatamente 3 computaores;
b- Menos de 3 computadores.
2- Se 0,6% dos detonadores fornecidos a um arsenal so defeituosos, utilize a
aproximao de Poisson para a distribuio binomial para determinar a probabilidade de
que, em uma amostra aleatria de 500 detonadores, quatro sejam defeituosos.
3- Em uma certa cidade 3,2% dos habitantes se envolve em, ao menos, um acidente de
carro em um ano. Com o auxilio da aproximao de Poisson para a distribuio
Binomial, determine a probabilidade de que, dentre 200 motoristas escolhidos
aleatoriamente nessa cidade:
a- Exatamente seis se envolvam em ao menos um acidente em um ano;
b- No mximo oito se envolvam em ao menos um acidente em um ano;
c- Cinco ou mais se envolvam em ao menos um acidente em um ano;
4- Suponha que, em mdia 2% das pessoas sejam canhotas. Encontre a probabilidade de
3 ou mais canhotos em 100 pessoas.

13.4 DISTRIBUIO NORMAL (ou de GAUSS ou de LAPLACE)
uma distribuio contnua e simtrica, cujo grfico tem a forma de um sino. A distribuio
normal o resultado da atuao conjunta de causas aleatrias.
F (x)
- 3 - 2 - 1 + 1 + 2 + 3
Parmetros da Distribuio Normal
Mdia da Populao
Determinam o formato da curva
Desvio padro da populao
Equao da Funo de Probabilidade A equao da funo de probabilidade dada pela

expresso:
( x )2
1 2 2
f ( x) = e
2
Do estudo da estatstica conclui-se que:
- a varivel x pode assumir qualquer valor real no intervalo - x +
- a varivel x obedecer uma Distribuio Normal, se a probabilidade de que um
valor x seja menor ou igual a outro x0 for:

x0 ( x )2
1 2 2
P ( x < x0 ) = f ( x0 ) =
2 e

dx
- a integral desta expresso representa a rea compreendida entre - e x0.
F (x)
- +
X0
Portanto:
A probabilidade de ocorrncia de um valor menor ou igual rea abaixo da curva, entre

os valores - e x0 dada pela equao anterior.
Os valores = 3,1416 e e ( nmero neperiano) = 2,718 so constantes numricas.

CARACTERSTICAS DA CURVA DE DISTRIBUIO NORMAL
A curva normal obedece necessariamente s seguintes caractersticas:
a- A mdia o valor da varivel x para o qual a f(x) mxima.
b- O desvio padro , a distncia entre a mdia e o ponto de inflexo da curva.
c- A rea total sob a curva normal igual a 1, pela prpria equao da probabilidade.
d- Em virtude da simetria as reas direita e esquerda do valor so iguais
DISTRIBUIO NORMAL PADRONIZADA
Se tomarmos a equao auxiliar:
x
z=

o que significa adotar como origem do eixo z o ponto em que x = e como unidade de
escalados z e o desvio padro , teremos transformado a expresso da funo das
probabilidades na distribuio normal reduzida:
z2
1
f ( z) = e 2
2
Considerando, a partir da equao auxiliar:
dz 1
= dx = dz
dx
Portanto a funo da probabilidade, em funo de Z, ser dada pela expresso:

z0 z2
1
f ( z) = e
2
dz
2
As reas sob a curva permanecem as mesmas, mas agora podem ser tabuladas em
funo dos valores de Z (Ver figura abaixo, eixo dos Z). Basta construir a tbua das reas
para os valores I(z), mostrados na tabela da pgina 56.
Por exemplo, a rea desde Z=0 at Z= 1,0 I(1,0) = 0,3413 ou 34,13% da rea total da
curva; conseqentemente, dentro do intervalo 1 temos 68,26% da rea total da curva.
Se procurarmos a probabilidade de encontrarmos um valor de x dentro do intervalo

0,95 onde a mdia, o desvio padro da populao, teremos:
P( z0 < z < + z0 ) = P( 0,95 < z < + 0,95 )

IZ1= 0,3289 It= 0,6578 ou 65,78%.
Apresentamos na tabela abaixo alguns dos mais importantes intervalos de distribuio

normal para aplicaes em exerccios de probabilidade na curva normal.

TBUAS DE REAS DA CURVA NORMAL
x
A partir da equao auxiliar z= podemos transformar valores de x em valores de z e

em seguida construir uma tabela com resultados das integrais, que corresponde rea sob
a curva x0 intervalo de 0 a Z0 identificada por IZ0.
F (x)
- 3( ( - 2( ( - 1( ( ( + 1( ( + 2( ( + 3(
-3 -2 -1 0 1 2 3 Z

Transformao de X em Z
x0 x z0
z=

0
+ 1 +1
1
+ 2 + 2
2
+ 3 + 3
3
- 1 1
-1
- 2 2
-2
- 3 3
-3

IZ0
0 Z0
AREAS IZ0 = P (0 z Z0) para Z0= (x - )/

Z0 Z0 Z0 Z0 Z0 Z0
IZ0 IZ0 IZ0 IZ0 IZ0 IZ0
0,00 0,0000 0,60 0,2257 1,20 0,3849 1,80 0,4641 2,40 0,4918 3,00 0,4987
0,05 0,0199 0,65 0,2422 1,25 0,3944 1,85 0,4678 2,45 0,4929 3,05 0,4989
0,10 0,0398 0,70 0,2580 1,30 0,4032 1,90 0,4713 2,50 0,4938 3,10 0,4990
0,15 0,0596 0,75 0,2734 1,35 0,4115 1,95 0,4744 2,55 0,4946 3,15 0,4992
0,20 0,0793 0,80 0,2881 1,40 0,4192 2,00 0,4772 2,60 0,4953 3,20 0,4993
0,25 0,0987 0,85 0,3051 1,45 0,4279 2,05 0,4798 2,65 0,4960 3,25 0,4994
0,30 0,1179 0,90 0,3159 1,50 0,4332 2,10 0,4821 2,70 0,4965 3,30 0,4995
0,35 0,1369 0,95 0,3289 1,55 0,4394 2,15 0,4842 2,75 0,4970 3,35 0,4996
0,40 0,1554 1,00 0,3413 1,60 0,4452 2,20 0,4861 2,80 0,4974 3,40 0,4997
0,45 0,1736 1,05 0,3531 1,65 0,4505 2,25 0,4878 2,85 0,4978 3,50 0,4998
0,50 0,1915 1,10 0,3643 1,70 0,4554 2,30 0,4893 2,90 0,4981 3,70 0,4999
0,55 0,2088 1,15 0,3749 1,75 0,4599 2,35 0,4906 2,95 0,4984 3,90 0,5000

EXERCCIOS
1- Trace uma curva normal e sombreie a rea desejada a partir das informaes:
a- rea direita de z=1,0

b- rea da esquerda de z= 1,0
c- rea entre z=0 e z=1,5
d- rea entre z=0 e z= - 2,9
e- rea entre z=1,0 e z= 2,0
f- rea entre z= -2,0 e z= 2,0
g- rea entre z= 2,5 e z=3,0
2- Ache os valores de z correspondentes s seguintes reas:
a- rea esquerda de para Iz = 0,0596

b- rea esquerda de para Iz = 0,2257
c- rea esquerda de para Iz= 0,4505 e rea direita de para Iz = 0,4861
3- Uma distribuio normal tem mdia 50 e desvio padro 5. Que porcentagem da

populao estaria provavelmente dentro dos intervalos:
a- P(x 60)
b- P(35 x 62)
c- P(55 x 65)
d- P(x 55)
e- P(35 x 45)

4- Suponha uma renda mdia de uma grande comunidade possa ser razoavelmente
aproximada por uma distribuio normal com media anual de R$ 10.000,00 e desvio
padro de R$ 2.000,00.
a- Que porcentagem da populao ter renda superior a R$ 15.000,00?
b- Numa amostra de 50 assalariados, quantos podemos esperar que tenham
menos de R$ 8.000,00 de renda?
5- Considere um problema semelhante ao anterior, sendo a renda mdia de um grupo

de trabalhadores igual a R$ 7000,00 e o desvio R$ 800,00 e a distribuio sendo
normal, pede-se:
a- A probabilidade dos trabalhadores ganharem acima de R$ 8000, 00;

b- O limite inferior da renda dos 10 % mais ricos.
6- O adulto americano mdio tem 1,75 m de altura. Assuma que o desvio seja 8 cm.
Responda:
a- qual a probabilidade de que um homem adulto tenha mais de 1,83 m ?
b- qual a probabilidade de que um homem adulto tenha menos de 1,522 m ?
c- qual a probabilidade de que um homem adulto tenha entre 1,682 e
1,778 m ?
d- qual a probabilidade de que um homem adulto no tenha mais de 1,83 m ?
7- O volume de comercializao na Bolsa de Valores de Nova York tem crescido nos

ltimos anos. Para as duas primeiras semanas de janeiro de 1998, o volume mdio
dirio foi de 646 milhes de aes. A distribuio de probabilidade
aproximadamente normal com desvio de 100 milhes de aes.
a- Qual a probabilidade de que o volume de comercializao ser menor de 400
milhes?
b- Qual a probabilidade de que o volume de comercializao excedeu 801
milhes?

Nocoes de Estatistica e Probabilidade - 2012 Parte 1 PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Nocoes de Estatistica e Probabilidade - 2012 Parte 1 PDF

Enviado por

Direitos autorais:

Formatos disponíveis

unesp

UNIVERSIDADE ESTADUAL PAULISTA

PROF BERENICE CAMARGO DAMASCENO

1.0 ALGUMAS DEFINIES DE ESTATSTICA

1.1 POR QUE ESTUDAR ESTATSTICA?

O raciocnio estatstico largamente utilizado no governo e na administrao; assim,

1.2 A NATUREZA DOS DADOS

Noes de Probabilidade e Estatstica 1 Prof Berenice C. Damasceno

As variveis discretas assumem valores inteiros de dados discretos so os resultados da

Os dados nominais surgem quando se definem categorias e se conta o nmero de

TABELA 1: A mesma populao pode originar diferentes tipos de dados.

POPULAES CONTNUOS DISCRETOS NOMINAIS POR POSTO

Alunos de administrao idade/peso N. de classes Homens/Mulheres 3 grau

Noes de Probabilidade e Estatstica 2 Prof Berenice C. Damasceno

Os levantamentos podem ser classificados em contnuos, peridicos e ocasionais:

CONTNUOS: Quando os eventos vo sendo registrados medida que ocorrem. Exemplos

PERIDICOS: Acontecem ciclicamente. Exemplo o recenceamento, feito no Brasil a

OCASIONAIS: So aqueles realizados sem a preocupao de continuidade ou

Os dados ainda podem ser classificados em: primrios e secundrios.

DADOS PRIMRIOS: Quando o investigador no encontra dados publicados adequados

DADOS SECUNDRIOS: Quando o investigador para verificar as suas hipteses de

Noes de Probabilidade e Estatstica 3 Prof Berenice C. Damasceno

1- Definio do problema: Um Estudo ou Uma Anlise

2- Formular plano adequado para coleta de dados

4- Analisar e interpretar os dados

1- Defina o termo Estatstica.

2- Responder a pergunta: Por que estudar estatstica?

3- Dar exemplos de como voc, na sua profisso, poder se beneficiar do

Noes de Probabilidade e Estatstica 4 Prof Berenice C. Damasceno

Noes de Probabilidade e Estatstica 5 Prof Berenice C. Damasceno

Na indstria onde amostras so freqentemente retiradas para efeito de Controle da

Por outro lado, em pesquisas sociais, econmicas ou de opinio, a complexibilidade dos

Inferncia estatstica envolve a formulao de certos julgamentos sobre um todo aps

A probabilidade e a amostragem esto estreitamente correlacionadas e juntas formam o

- Amostragem o ato de retirar amostra, isto , a ao.

- Amostra a quantidade de dados especificados para representar a populao.

Noes de Probabilidade e Estatstica 6 Prof Berenice C. Damasceno

prxima est a amostra da populao, em termos de representatividade.

Amostragem no aleatria no apresenta esta caracterstica.

Populaes finitas: quando, temos constitudo por nmeros finitos, ou fixos de

Populaes infinitas: so aquelas que contm, pelo menos hipoteticamente, um nmero

2.2 AMOSTRAGEM ALEATRIA BASEADA EM NMEROS

As tabelas de nmeros aleatrios contm os dez algarismos 0,1,2,3,4,......,9. Esses

Noes de Probabilidade e Estatstica 7 Prof Berenice C. Damasceno

A titulo de ilustrao poderamos querer selecionar aleatoriamente 15 clientes de uma lista

2.3 OUTROS PLANOS DE AMOSTRAGEM

Amostragem probabilstica versus Amostragem no probabilstica.

Os planos de amostragem probabilstica so delineados de tal modo que se conhece a

2.4 AMOSTRAGEM POR JULGAMENTO (NO PROBABILSTICA)

Noes de Probabilidade e Estatstica 8 Prof Berenice C. Damasceno

Exemplo: A aplicao de hormnios em mulheres na menopausa, aps um perodo de

2.5 AMOSTRAGEM PROBABILSTICA

K= N onde: N= Tamanho da Populao

EX. N= 200 e n=10 ento K=200/10 = 20

Noes de Probabilidade e Estatstica 9 Prof Berenice C. Damasceno

Pressupe a diviso da populao em sub-grupos Homogneos (Estratos), procedendo

ento a amostragem de cada sub-grupo. Ex.: Para se fazer o inventrio do estoque,

AMOSTRAGEM POR CONGLOMERADO

Pressupe a disposio dos itens de uma populao em sub-grupos heterogneos (sub-

encarado como uma minipopulao.

educao, faixa etria, poder aquisitivo, regio da habitao, etc.)

Noes de Probabilidade e Estatstica 10 Prof Berenice C. Damasceno

A finalidade da amostra permitir fazer inferncia sobre a populao aps inspeo de