Separatrizes: Quartis, Decis e Percentis

Separatrizes
A principal característica das medidas separatrizes consiste na

separação da série de dados ordenados em partes iguais que
apresentam o mesmo número de valores. As principais são os
quartis, os decis e os percentis.
Os quartis são valores que dividem um conjunto de dados

ordenados em quatro partes iguais. São necessários, portanto, três
quartis (Q1, Q2 e Q3) para dividir um conjunto de dados ordenados
em quatro partes iguais.
Q1 :deixa 25% dos elementos abaixo dele.
Q2 :deixa 50% dos elementos abaixo dele e coincide com a

mediana.
Q3 :deixa 75% dos elementos abaixo dele.

Separatrizes
Quartis
O método mais prático é utilizar o princípio do cálculo da mediana
para os 3 quartis. Na realidade serão calculadas “3 medianas” em
uma mesma série.
Calcule os quartis da série: { 5, 2, 6, 9, 10, 13, 15 }
O primeiro passo a ser dado é o da ordenação (crescente ou

decrescente) dos valores:
{2, 5, 6, 9, 10, 13, 15 }
– O valor que divide a série acima em duas partes iguais é igual a

9, logo a Md = 9 que será = Q2.
Quartis
Q1 Q3
Temos agora {2, 5, 6 } e {10, 13, 15 } como sendo os dois

grupos de valores iguais proporcionados pela mediana ( quartil
2, Q2). Para o cálculo do quartil 1 e 3 basta calcular as medianas
das partes iguais provenientes da verdadeira Mediana da série
(Q2).
Quartis
Calcule os quartis da série: { 1, 1, 2, 3, 5, 5, 6, 7, 9, 9, 10, 13 }
Quartil 2 = Md = (5+6)/2 = 5,5
O quartil 1 será a mediana da série à esquerda de Md : { 1, 1, 2, 3, 5, 5}
Q1 = (2+3)/2 = 2,5
O quartil 3 será a mediana da série à direita de Md : {6, 7, 9, 9, 10, 13 }
Q3 = (9+9)/2 = 9
Quartis - Exemplo
Considere a seguinte sequência de números para cálculo dos quartis:

(3, 3, 3, 4, 4, 6, 7, 9, 9, 11, 12, 14).
Olhando no conjunto ordenado de dados, encontramos os valores dos

quartis, conforme observado a seguir.
( )
Q1 = = 3,5
( )
Q2 = = 6,5
( )
Q3 = = 10
Quartis - Exemplo
Se considerarmos a situação da taxa de efetivação da cobrança de um
determinado tributo, que estava atrasado em uma prefeitura, após uma
campanha realizada para que ele fosse saldado, teremos, de forma
semelhante à Figura 13, a Figura 14:
Decis
A definição dos decis obedece ao mesmo princípio dos quartis.
Indicamos os decis : D1, D2, ... , D9. Deste modo precisamos de 9
decis para dividirmos uma série em 10 partes iguais.
Denominamos percentis ou centis como sendo os noventa e nove

valores que separam uma série em 100 partes iguais. Indicamos:
P1, P2, ... , P99. É evidente que P50 = Md ; P25 = Q1 e P75 = Q3
Assimetria
• Estas medidas referem-se à forma da curva de uma

distribuição de frequência, mais especificamente do
polígono de frequência ou do histograma.
• Denomina-se assimetria o grau de afastamento de uma

distribuição com simetria.
.
Assimetria
Em uma distribuição simétrica, tem-se igualdade dos valores da

média, mediana e moda.
Assimetria
Toda distribuição deformada é sempre assimétrica. Entretanto,
a assimetria pode dar-se na cauda esquerda ou na direita da
curva de frequências.
Em uma distribuição assimétrica positiva, ou assimetria à

direita, tem-se:
Assimetria
Em uma distribuição assimétrica negativa, ou assimetria à
esquerda, predominam valores inferiores à Moda.
Assimetria
Existem várias fórmulas para o cálculo do coeficiente de

assimetria. As mais utilizadas são:
10 Coeficiente de Pearson
̅
AS =
Mo: Valor Modal (moda);

S: Desvio Padrão;
̅ : Média.
Assimetria
20 Coeficiente de Pearson

AS =

Md: Valor da Mediana;

Q1: Valor do 10 Quartil;
0
3: Valor do 3 Quartil.
Quando AS = 0, diz-se que a distribuição é simétrica.

AS > 0, diz-se que a distribuição é assimétrica positiva;
AS < 0, diz-se que a distribuição é assimétrica negativa.
Curtose
Curtose é o grau de achatamento (ou afilamento) de uma distribuição
em comparação com uma distribuição padrão. De acordo com o grau
de curtose, classificamos três tipos de curvas de frequência:
- Mesocúrtica: é uma curva básica de referência chamada curva

padrão ou curva normal;
Curtose
Platicúrtica: é uma curva mais achatada (ou mais aberta) que a
curva normal;
Leptocúrtica: é uma curva mais afilada que a curva normal;

Coeficiente de Curtose

C= Coeficiente de Curtose
( )
C = 0,263 → Curva Mesocúrtica
C < 0,263 → Curva Leptocúrtica
C > 0,263 → Curva Platicúrtica

Assimetria/Curtose - Exercícios
Considere os resultados relativos a três distribuições de frequências.

Determine o tipo de assimetria de cada uma delas.
Distribuição Média Moda

A 52 52
B 45 50
C 48 46
Curva simetrica, curva assimetrica negativa e curva

assimetrica positiva, respectivamente.
Classifique, quanto a assimetria a distribuiçao abaixo, segundo o coeficiente de

. Pearson.
Xi 2 3 4 5 6 7 8
fi 2 4 6 10 6 4 2
Distribuição simétrica
Considere as seguintes medidas, relativas às três distribuições de

frequências.
Distribuição Q1 Q3 P10 P90

A 814 935 772 1012
B 63,7 80,3 55,0 86,6
C 28,8 45,6 20,5 49,8
a) calcule os respectivos graus de curtose

b) classifique cada uma das distribuições em relação à curva
normal.
a. 0,252 ; 0,263 ; 0,287

b. leptocurtica; mesocurtica; platicurtica
VAMOS ESTUDAR PROBABILIDADE!!!!!!
Probabilidade
A origem da Teoria das Probabilidades está relacionada aos jogos
de azar desde o século XVII, pois surgiu da necessidade de um
método racional para calcular os riscos dos jogadores em jogos de
cartas, de dados etc.
Posteriormente, passou a auxiliar governos, empresas e

organizações profissionais em seus processos de decisões, ajudando
a desenvolver estratégias. Na área da Gestão, passou a ser uma
ferramenta para tomada de decisões e para análise de chances e de
riscos. Para decidir por um ou por outro procedimento, é essencial
conhecermos as chances de cada um dar certo e, também,
decidirmos sobre um sistema de gestão. Também, para sabermos os
riscos de uma exposição poder afetar a imagem de um gestor, temos
de conhecer a probabilidade de ela causar dano ou não.
Probabilidade
O jogo de dados moderno popularizou-se na Idade Média, em

tempo para que um libertino da época, o Cavaleiro De Mere,
apresentasse um quebra-cabeças matemático:
O que é mais provável:

obter pelo menos uma sena em
quatro rolagens de um único
dado ou obter pelo menos
uma dupla sena em 24 rolagens
de um par de dados?
Probabilidade
O Cavaleiro considerou que o

número médio de rolagens com
sucesso seria o mesmo nos dois
casos:
Chance de obter um seis=1/6
Número médio em quatro
rolagens= 4.(1/6) = 2/3
Chance de obter uma dupla
sena em uma rolagem= 1/36
Número médio em 24
rolagens= 24.(1/36) = 2/3
Probabilidade
Para possamos entender melhor os principais conceitos de
probabilidade, destacamos a seguir dois tipos de fenômenos:
• Fenômenos determinísticos: aqueles que invariavelmente dão o

mesmo resultado se repetidos sob condições específicas. Um
exemplo é a aceleração da gravidade na ausência de ar (vácuo).
Nesse caso, o resultado sempre será o mesmo, pois não temos
variações que venham a influenciar o resultado.
• Fenômenos aleatórios: aqueles que, mesmo realizados sob as

mesmas condições, apresentam variações nos resultados de
diferentes observações. Pense na reação de um contribuinte quando
ele é atendido ou no lançamento de um dado. Em cada uma dessas
situações, os resultados nem sempre serão os mesmos. Por isso são
aleatórios, ou seja, ocorrem de forma aleatória, sem resultado
previsível.
Probabilidade
São nos fenômenos aleatórios que a Teoria das Probabilidades auxilia
na análise e na previsão de um resultado futuro. Quando você pensa em
probabilidade, vai querer identificar a chance de ocorrência de um
determinado resultado de interesse em situações nas quais não é
possível calcular com exatidão o valor real do evento (fenômeno
aleatório). Dessa forma, trabalhamos com chances ou probabilidades.
Experimento Aleatório
Para se calcular uma probabilidade, é necessário ter um experimento
aleatório, ou seja, qualquer processo que venha a gerar um resultado
incerto ou casual. Para que um processo possa ser considerado um
experimento aleatório, ele deve ter as seguintes características:
• Cada experimento pode ser repetido indefinidamente sob as mesmas

condições (n);
• Não se conhece a priori o resultado do experimento, mas pode-se descrever
todos os possíveis resultados;
• Quando o experimento for repetido inúmeras vezes, surgirá uma
%
regularidade do resultado, isto é, haverá uma estabilidade da fração f =
&
(frequência relativa) da ocorrência de um particular resultado, em que r
corresponde ao número de vezes que um determinado resultado aconteceu.
Podemos considerar que um processo aleatório corresponde, para

ilustrar, ao lançamento de uma moeda jogada inúmeras vezes, já que
pode ser repetido indefinidamente. Não conhecemos o resultado, mas
podemos descrever os possíveis resultados (cara ou coroa). Além disso,
quando você lança a moeda três mil vezes, por exemplo, ocorre uma
estabilização da frequência relativa ou probabilidade em 0,5. A Figura
no próximo slide mostra que no início a frequência relativa não é tão
próxima de 0,5, como acontece após 1.000 jogadas.
Espaço Amostral
Resultados elementares são todos os possíveis resultados de um
experimento aleatório.
ESPAÇO AMOSTRAL: Conjunto de todos os resultados possíveis

é denominado de espaço amostral e pode ser simbolizado por S ou Ω.
Evento
EVENTO: Qualquer subconjunto do espaço amostral ( Ω ) associado ao experimento aleatório,

ou seja, um determinado resultado que ocorra dentro do espaço amostral.
Definições Básicas
Se um evento pode ocorrer em n maneiras mutuamente excludentes
e igualmente prováveis, e, se m dessas ocorrências tem uma
característica E, então, a probabilidade de ocorrência de E é:
'
P(E) =
(
Onde:
m: número de eventos favoráveis à probabilidade E que se deseja

calcular, ou seja, o número de vezes que E acontece;
N: Número total de ocorrências dentro do espaço amostral.

Exemplos de Probabilidade
Vejamos exemplos de probabilidades a serem obtidas:
- Um dado homogêneo tem probabilidade 1/6 de cair com a face 2

para cima.
- Em um conjunto de cartas (sem os coringas) bem embaralhadas,

a probabilidade de sortearmos uma carta de copas é de 13/52.
A visão da frequência relativa depende da reprodutibilidade* do

mesmo processo e da habilidade de contarmos o número de repetições.
Sendo assim, se algum processo é repetido um grande número de vezes,
n, e se algum evento com característica E ocorre m vezes, a frequência
'
relativa é aproximadamente igual à probabilidade de E:
&
'
P( E ) =
&
Imagine que em um determinado setor de uma prefeitura temos os
seguintes funcionários: Carlos, Jackeline, Giulyana, Girlene,
Cláudio e Larissa. Então, você pode verificar que temos seis
funcionários. Vamos pensar agora: qual a probabilidade de se
escolher um funcionário ao acaso e ele ser do gênero masculino?
Para obtermos as respostas, vamos definir o espaço amostral e o

evento desejado. Consideremos espaço amostral ou conjunto de
possibilidades todos os funcionários públicos do setor.
S = {Carlos, Jackeline, Giulyana, Girlene, Cláudio, Larissa}

E, para definir o evento favorável, precisamos considerar este o
conjunto de possibilidades favoráveis que nos interessa, ou seja, os
funcionários do gênero masculino.
Evento = {Carlos, Cláudio}
Então, a probabilidade que estamos procurando, ou seja, a de

escolher um funcionário ao acaso e ele ser do gênero masculino,
pode ser apresentada conforme descrição, a seguir:
P(E)=
Logo, considerando três eventos relativos aos funcionários da

prefeitura, conforme descrevemos anteriormente, temos:
A (funcionário ser do sexo feminino).

B (seu nome começar com a letra G).
C (seu nome começar com a letra C).
Então, poderemos definir os eventos mencionados anteriormente

como:
A = {Jackeline, Giulyana, Girlene, Larissa}.

B = {Giulyana, Girlene}.
C = {Carlos, Cláudio}.
Axiomas da Probabilidade
Seja “e” um experimento. Seja S um espaço amostral associado a “e”.
A cada evento A associaremos um número real representado por P(A)
e denominado probabilidade de A, que satisfaça às seguintes
propriedades:
0 ≤ * + ≤ 1 (- ./01-12324-45 45 67 5859:0 ;57./5 5;:-/á 59:/5 =5/0 5 um).
P(S) = 1 (Probabilidade de Acontecer todo o espaço amostral é gual a um).
P ( ∅ ) = 0 */01-12324-45 45 8-=20 é 2B6-3 - =5/0 .

Você pode ainda utilizar a regra da soma, em que dado dois eventos
mutuamente exclusivos, A e C de Ω, :570;:
P(A ∪ H ) = *(+) + *(H)
Eventos mutuamente exclusivos são aqueles que não podem acontecer

simultaneamente.
No caso a seguir, em que os eventos não são mutuamente exclusivos e
podem ocorrer simultaneamente, na regra da soma, devemos
considerar que a interseção (área) será contada duas vezes.
Neste caso, devemos retirar uma vez a área de (A ∩ B) na regra da

soma, pois, como você pode ver nos desenhos anteriores, a interseção
(A ∩ K) é L09:-4- 46-; 85=5;.
P( A ∪ K) = * (+) + *(K) − * (+ ∩ K)
A B
Considerando os eventos A, B e C, temos as seguintes situações:
A ∪ C é o evento em que A ocorre ou C ocorre ou, ainda, ambos

ocorrem: {Carlos, Jackeline, Giulyana, Girlene, Cláudio, Larissa}.
E a chance de acontecerem dois eventos simultaneamente

corresponde à chance de os eventos acontecerem ao mesmo tempo,
como você pode observar na descrição, a seguir:
A ∩ B é o evento em que A e B ocorrem simultaneamente:

{Giulyana, Girlene}.
Em muitas situações o que nos interessa é aquilo que pertence ao

espaço amostral e não pertence ao evento de interesse. A Figura
abaixo mostra bem isso:
+̅ ou Ac é o evento em que A não ocorre (complementar de A). Em

nosso exemplo, consideramos que o completar de A (funcionário ser
do gênero feminino) corresponde a todas as pessoas do gênero
masculino, ou seja: A ou Ac = {Carlos, Claudio}
Combinação de Eventos
• Dados dois eventos “E” e “F”, podemos obter novos

eventos:
• E e F : ocorrência de ambos os eventos;

• E ou F : ocorrência de pelo menos um dos eventos;
• não E : o evento E não ocorre.
Combinando as nossas definições primitivas de
probabilidade com estas operações lógicas obtemos
fórmulas poderosas para manipular probabilidades.
Eu jogo compulsivamente Pouca

E eu perdi a minha camisa OU
E M. Pascal ainda está nenhuma.
trabalhando no meu problema.
Quais são as minhas chances
avec toi, cherie?
Probabilidade Condicional
Vamos considerar os dados, a seguir, referentes a uma prefeitura, em
que foram selecionados, a partir de uma amostragem estratificada
(vista anteriormente), 101.850 contribuintes das classes média-baixa
e alta. Posteriormente, foi feita a verificação do número de
contribuintes, de cada classe social, que pagaram um determinado
tributo em dia (evento: pagaram) e também o número de contribuintes
das classes estudadas que não pagaram em dia o tributo (evento: não
pagaram). Para compreender essa descrição, observe os resultados
descritos na Tabela abaixo:
Média-Baixa Alta Total
Pagaram (P) 39.577 8.672 48.249
Não Pagaram (NP) 46.304 7.297 53.601
Total 85.881 15.969 101.850
De acordo com os dados apresentados, podemos considerar então que

o nosso espaço amostral (Ω) corresponderá ao conjunto de 101.850
contribuintes.
Agora, vamos considerar os eventos apresentados, a seguir, para que
possamos trabalhar com eles.
P = contribuintes que pagaram o tributo em dia.

NP = contribuintes que não pagaram o tributo em dia.
MB = contribuintes da classe média-baixa.
P ∩ MB = contribuintes que pagaram (P) o tributo em dia e ao mesmo tempo são da
classe médiabaixa (MB).
P ∪ MB = contribuintes que pagaram (P) o tributo em dia ou são da classe média-
baixa (MB).
Você pode obter, então, as probabilidades de alguns eventos

considerados anteriormente, por exemplo:
NO.NN
P (MB) = = 0,843
.NO
N.
P(P) = = 0,473
.NO
E, para obtermos a probabilidade de contribuintes que não pagaram em
dia, teremos a probabilidade de todo o espaço amostral (101.850), que é
igual a 1 menos a probabilidade de contribuintes que pagaram em dia
(P). Nesse caso, estamos usando o conceito de eventos complementares.
Este cálculo é mostrado para você a seguir:
NP = *R (não pagaram (NP ou *R ) é o complementar dos que pagaram

(P)); ou seja, P(NP) = P( *R ) = 1 - P( P ) = 1 0,473 = 0,527.
Com base nesse conhecimento, podemos calcular a probabilidade de
escolher um contribuinte aleatoriamente e este ser da classe média-
baixa ou ser quem paga em dia o tributo. Veja que, nesse caso, os
eventos não são mutuamente exclusivos, ou seja, existem contribuintes
que são comuns nas duas situações ao mesmo tempo. Assim, a
probabilidade procurada será dada por:
P(P ∪ MB) = P(P) + P(MB) – P(P ∩ MB)

P(P ∪ MB) = 0,473 + 0,843 – 0,388
P(P ∪ MB) = 0,928
Vamos considerar ainda o exemplo anterior. Se você souber que um

contribuinte sorteado paga em dia o tributo, qual a probabilidade de que
ele seja da classe média-baixa?
Agora, temos uma informação parcial e importante: o contribuinte

selecionado paga em dia. Vamos então designar a probabilidade de P
quando se sabe que o contribuinte selecionado paga em dia o tributo e
MB quando o contribuinte é da classe social média-baixa.
Assim, a probabilidade que chamaremos de P(MB/P) é denominada de

probabilidade (condicional) de MB dado P (lembre-se que o símbolo /
não corresponde a uma divisão e sim a uma condição de que outro
evento já aconteceu). Então, nesse caso, temos o que chamamos de
probabilidade condicionada, ou seja, a probabilidade de um evento
acontecer dado que, sabendo que, outro evento já aconteceu.
Sendo assim, é natural atribuirmos:

(ú'S% S T &U%VWXV&USY ZXS Yã \ T]\YYS 'é V\ W\V \ S ^\_\' S' V\ .O
P ( MB/P ) = = = 0,820
(ú'S% U U\] S T &U%VWXV&USY ZXS ^\_\' S' V\ N.
Veja que, nesse caso, ocorreu uma redução no espaço amostral, já que
tínhamos a informação anterior de que o contribuinte selecionado
pagava em dia. Dessa forma, do espaço amostral total que tínhamos
(101.850), ele foi reduzido para 48.249 e, destes, interessavam-nos os
que eram da classe social média-baixa. Sendo assim:
`úabcd eb fdghcijkighbl em fnmllb aéeimojmipm b qkb rmsma ba eim

`úabcd hdhmn eb fdghcijkighbl
P (MB/P) = `úabcd eb fdghcijkighbl qkb rmsma ba eim
`úabcd hdhmn eb fdghcijkighbl
( t ∩ )
P(MB/P) =
( )
Portanto, você pode generalizar para dois eventos A e B quaisquer
de um experimento aleatório. Dessa forma, podemos dizer que a
probabilidade condicional de A dado B (nota-se por P(A/B)) é
definida como:
(u ∩t)
P(A/B) =
(t)
P (A ∩ K) = *(+/K). *(K)
Regra do Produto e Eventos Independentes
Então, para que dois eventos A e B quaisquer sejam

considerados independentes é necessário fazer a seguinte
relação:
P ( A ∩ K) = *(+) *(K)
Se dois eventos A e B são independentes, então P{A / B) = P{A} ou P{B / A)
= P(B), já que um evento não interfere no outro, ou seja, eles são
independentes.
Desse modo, se A e B forem independentes, você pode verificar que:
(u ∩t)
P(A/B)= → * + ∩ K =P(A/B).P(B) → * + ∩ K = P(A).P(B)
(t)
Considere os dados a seguir, representativos da distribuição da renda
anual de funcionários públicos de dois setores (A e B), apresentados na
Tabela abaixo.
Faixa de Renda Anual Setor Total

(Em R$ 1,000,00) A B
15 a 20 (R1) 70 40 110
20 a 25 (R2) 15 15 30
25 a 30 (R3) 10 20 30
30 a 35 (R4) 20 10 30
Total 115 85 200
Observando os dados descritos na Tabela apresentada, podemos
identificar claramente que a probabilidade de um funcionário
aleatoriamente escolhido ser:
a) do setor A → P(A) = 115/200 = 0,575 (temos 115 funcionários do

setor A em um total de 200 funcionários);
b) do setor B → P(B) = 85/200 = 0,425 (temos 115 funcionários do

setor A em um total de 200 funcionários);
c) de ter renda entre R$ 15.000,00 e R$ 20.000,00 → P(R1) =

110/200 =0,550 (110 funcionários correspondem aos que têm a faixa
de renda solicitada);
d) do setor B e ter renda entre R$ 15.000,00 e R$ 20.000,00
(intersecção), ou seja, P(B ∩ R1) = 40/200 = 0,20 (temos 40
funcionários que correspondem aos que têm a faixa de renda
solicitada e ao mesmo tempo são do setor B);
e) ter renda entre R$ 15.000,00 e R$ 20.000,00, dado que é do

setor B → P(R1/B) =
(w ∩t) ,
= = 0,4706
(t) , O
Como P(R1) ≠ P(R1/B), podemos concluir que os eventos

setor e renda são dependentes.
Seja o lançamento de uma moeda não viciada (não existe
preferência para cara ou coroa) três vezes. Considere os seguintes
eventos:
A = no primeiro lançamento da moeda sai cara; e

B = no segundo lançamento da moeda sai cara.
Considere C = cara e R = coroa

Verifique se é verdadeira a hipótese de que os eventos A e B são
independentes. O espaço amostral e os eventos são apresentados, a
seguir:
Ω = {CCC, CCR, CRC, CRR, RCC, RCR, RRC, RRR}
(A) = {CCC, CCR, CRC, CRR}
(B) = {CCC, CCR, RCC, RCR}
P(A ∩ B) = 2/8 =
P (A) = =
N
P (B) = =
N
P(A ∩ B) = P(A) . P(B) → = ∗
z
(u∩t) {
Ou P (A/B) = = = = → P(A/B) = P(A) → =
z
(t)
|
Sendo assim, perceba que os eventos são independentes, pois P(A

∩ B) = P (A).P(B) ou P (A / B) = P (A).
Um estudante chega atrasado em 40% das aulas e esquece o
material didático em 18% das aulas. Supondo eventos
independentes, calcule a probabilidade de:
a) O estudante chegar na hora e com material.

b) Não chegar na hora e ainda sem material.
Como o exercício afirma que o estudante chega atrasado em 40%

das aulas, entendemos que 40% = 0,40, ou seja, ele não chegar
atrasado = 60% = 0,6. O exercício afirma também que ele esquece o
material didático em 18% da aula, isto é, ele esquece o material
18% = 0,18 e ele não esquecer o material = 82% = 0,82.
Logo, para resolver a alternativa do exemplo, probabilidade de o
estudante chegar na hora e com material, considerando que os eventos
são independentes, temos:
P (chegar na hora e com material) = P (chegar na hora ∩

com material) = P(chegar na hora). P(com material) = 0,6 * 0,82 =
0,492 ou 49,2%.
Para resolvermos a outra alternativa, vamos considerar que:
P(não chegar na hora e sem material) = P(não chegar na hora ∩

sem material) = P(não chegar na hora).P(sem material) = 0,4*0,18 =
0,072 ou 7,2%.
Vamos considerar um pesquisador que estudou o comportamento de
consumo de bebidas lácteas no Brasil. Após análise da classe
econômica do consumidor e o principal aspecto determinante da
escolha da marca, o pesquisador tabulou os dados conforme disposto
a seguir.
Classe/Aspecto Preço Qualidade Soma
Alta 42 56 98
Média 37 21 58
Baixa 13 97 110
Total 92 174 266
Considerando esses dados, qual a probabilidade de um consumidor

escolhido:
a) Priorizar o preço, dado que é da classe alta.
b) Priorizar a qualidade, dado que é da classe média.
c) Ser da classe baixa, dado que atribui maior importância ao fator
qualidade.
Com base nos dados da tabela desse exemplo, para priorizar o preço, dado que é
da classe alta, temos uma probabilidade condicional igual:
(^%Sç ∩ T]\YYS \]U\)

P(preço/classe alta) = = = 0,4286 ou 42,86%
(T]\YYS \]U\) N
Já para priorizar a qualidade, dado que é da classe média, temos uma

probabilidade condicional dada por:
(ZX\]V \ S ∩ T]\YYS 'é V\)

P(qualidade/classe média) = = = 0,3621 ou 36,21%
(T]\YYS 'é V\) ON
Por fim, para ser da classe baixa, dado que atribuiu maior importância ao fator
qualidade, o cálculo é feito por:
(T]\YYS W\V \ ∩ ZX\]V \ S)

(classe baixa/qualidade) = = = 0,5575 ou 55,75%
(ZX\]V \ S)
Regras Básicas de Probabilidade
Variável Aleatória
• Utilizamos Variáveis Aleatórias para descrever os resultados de um

experimento aleatório por meio de números, em vez de palavras ou
símbolos.
• A motivação para a escolha de uma variável aleatória é, muitas

vezes, apenas uma questão de conveniência, sendo ditada pelos
tipos de perguntas que se deseja responder com o experimento.
• Sabemos que um espaço amostral é o conjunto de todos os

resultados possíveis de um experimento aleatório. Por exemplo:
• S = { 1, 2, 3, 4, 5, 6 }; S = { cara, coroa }; S = { sucesso, falha }
• Podemos observar que alguns experimentos produzem resultados que

não são numéricos. Consequentemente, os elementos dos espaços
amostrais desses experimentos serão, também, não-numéricos.
• Do ponto de vista matemático, seria conveniente termos números

associados com os resultados dos experimentos, em vez de palavras
ou símbolos.
• Uma variável aleatória X é uma função que associa a cada ponto

do espaço amostral um número (geralmente um número real).
• Seja o experimento "arremesso de uma moeda“, onde X é
a variável aleatória associada com esse experimento.
• Uma variável aleatória X é uma função que associa a

cada ponto do espaço amostral um número (geralmente
um número real).
• O espaço amostral S é denominado "domínio" da variável

aleatória (ou função), e o conjunto de todos os valores de X é
denominado "contradomínio" da variável aleatória.
• Alguns autores utilizam “imagem” em lugar de contradomínio.

Variável Aleatória e sua Função de Probabilidade
• Se X é uma variável aleatória e x um número real, podemos

definir o evento Ax como o subconjunto de S consistindo de
todos os pontos amostrais para os quais a variável aleatória X
associa o número x.
Ax = { s : X(s) = x } , com probabilidade p = P[Ax]
• Vale notar que dois ou mais pontos amostrais diferentes
podem implicar em um mesmo valor para X.
• Duas pessoas diferentes podem ter a mesma altura !
• Mas dois números diferentes do contradomínio não podem

ser atribuídos ao mesmo ponto amostral.
• Uma mesma pessoa não pode ter duas alturas diferentes !

• Podemos descrever os resultados de um experimento aleatório

por meio de números, em vez de palavras ou símbolos, o que
possibilita um tratamento matemático facilitado !
• Experimento aleatório: Lançamento de uma moeda
• Maneiras de descrever o resultado (evento):
• O resultado é “cara”
• O resultado é 1
• X=1
• Como os valores que uma variável aleatória. pode assumir são

aleatórios, o máximo que podemos fazer é “estimar” uma
probabilidade para cada valor possível.
• Lançamento de um dado HONESTO de 6 faces.
• P [ X = 1 ] = 1/6
• P[X=8]=0
• Note que, se um resultado (valor da variável aleatória) é

impossível, atribuímos uma probabilidade ZERO.
• Variável Aleatória Discreta (v.a.d.) é aquela que admite uma

quantidade enumerável de valores (processos de contagem):
• Número de alunos que faltaram à aula de hoje

• Número de casas eletrificadas numa região rural
• Número de acidentes semanais em estradas
• Número de jogos empatados em um campeonato
• Variável Aleatória Contínua (v.a.c.) é aquela que admite

qualquer valor em um determinado intervalo (processos de
medição):
• Tempo de vida de uma célula humana

• Altura de um adulto
• Peso de caixas de laranja
• Duração de conversas telefônicas
Estudo de Caso:
Lançamento de 2 Moedas
• Resultados simples possíveis: H (cara) e T (coroa)
• Espaço amostral do experimento (resultados elementares):

• S = { HH, HT, TH, TT}
• Como transformar essa representação simbólica de

resultados (eventos) em números reais ?
• Definindo a variável aleatória X que representa o número de
caras do experimento.
Estudo de Caso:
Lançamento de 2 Moedas
Resultado Elementar X Probabilidade
HH 2 0,5 x 0,5 = 0,25
HT 1 0,5 x 0,5 = 0,25
TH 1 0,5 x 0,5 = 0,25
TT 0 0,5 x 0,5 = 0,25
X(v.a.) P[X = x]
2 0,25
1 0,25 + 0,25 = 0,5
0 0,25
Correlação e Regressão Linear
• Em muitas situações, torna-se interessante e útil estabelecer uma
relação entre duas ou mais variáveis. A matemática estabelece
vários tipos de relações entre variáveis, por exemplo, as relações
funcionais e as correlações.
• Relações Funcionais: São relações matemáticas expressas por

sentenças matemáticas, cujos exemplos apresentamos a seguir:
Área do retângulo (A=a.b) é a relação entre os lados do retângulo;

Densidade de massa (dm= m/v) é a relação entre a massa e o volume de
um corpo;
• Relações Estatísticas e Correlações: São relações estabelecidas
após uma pesquisa. Com base nos resultados da pesquisa, são
feitas comparações que eventualmente podem conduzir (ou
não) à ligação entre as variáveis.
Exemplo: relação entre a idade e a estatura de uma criança, ou a

relação entre a classe social de uma pessoa e o número de viagens por
ela realizado.
Diagrama de Dispersão
• O diagrama de dispersão é um gráfico cartesiano em que cada

um dos eixos corresponde às variáveis correlacionadas. A
variável dependente (Y) situa-se no eixo vertical e o eixo das
abscissas é reservado para a variável independente (X). Os
pares ordenados formam uma nuvem de pontos.
• A configuração geométrica do diagrama de dispersão pode estar

associada a uma linha reta (correlação linear), uma linha curva
(correlação curvilínea) ou, ainda, ter os pontos dispersos de
maneira que não definam nenhuma configuração linear; nesta
última situação, não há correlação.
Correlação Linear
Correlação linear é uma correlação entre duas variáveis, cujo
gráfico aproxima-se de uma linha. É uma linha de tendência, porque
procura acompanhar a tendência da distribuição de pontos, que pode
corresponder a uma reta ou a uma curva. Por outro lado, é, também,
uma linha média, porque procura deixar a mesma quantidade de
pontos abaixo e acima da linha.
Coeficiente de Correlação Linear (r)
• O coeficiente de correlação linear pode ser apresentado como uma
medida de correlação, pois tem como objetivo indicar o nível de
intensidade que ocorre na correlação entre as variáveis. O
coeficiente de correlação linear pode ser positivo ou negativo. O
sinal positivo do coeficiente de correlação linear indica que o
sentido da correlação corresponde a uma reta de inclinação
descendente, e o sinal negativo corresponde a uma reta de
inclinação ascendente. Uma das formas de medir o coeficiente de
correlação linear foi desenvolvido por Pearson e recebe o nome de
coeficiente de correlação de Pearson. O coeficiente de correlação
de Pearson mede o grau de ajustamento dos valores em torno de
uma reta.
• Coeficiente de Correlação de Pearson:
&∑ ƒ (∑ )(∑ ƒV )
r= V V V
[& ∑ V
(∑ V
) ]∗[& ∑ ƒV (∑ ƒV ) ]
Temos:
r - o coeficiente de Pearson;
n - o número de observações;
xi - variável independente;
yi - variável dependente.
• O valor do coeficiente de correlação r tem a variação entre +1 e –1,
ou seja, está limitado entre os valores do Intervalo [-1,+1].
• r = +1 (correlação positiva entre as variáveis);
• r = - 1 (correlação perfeita negativa entre as variáveis);
• r = 0 (não há correlação entre as variáveis ou, ainda, a correlação
não é linear, caso exista).
- Quanto mais próximo o valor de r estiver do valor “1”, mais forte a

correlação linear.
- Quanto mais próximo o valor de r estiver do valor “0”, mais fraca a
correlação linear.
• Em geral, multiplica-se o valor de r por 100; dessa
forma, o resultado passa a ser expresso em porcentagem.
Na prática, estabelecem-se critérios para verificar os
diversos níveis do fraco ao forte, chegando até o
perfeito:
0 < |r| < 0,3: a correlação é fraca e fica difícil estabelecer

relação entre as variáveis. Em porcentagem: 0 < |r| < 30%;
0,3 ≤ |r| < 0,6: a correlação é fraca, porém, podemos considerar

a existência de relativa correlação entre as variáveis. Em
porcentagem: 30% ≤ |r| < 60%;
0,6 ≤ |r| ≤ 1 : a correlação é de média para forte; a relação

entre as variáveis é significativa, o que permite coerência com
poucos conflitos na obtenção das conclusões. Em porcentagem:
60% ≤ |r| ≤ 100%.
Exemplo
Hotel H1 H2 H3 H4 H5 H6 H7 H8 H9 H10
Peso 10,47 19,85 21,25 24,36 27,38 58,09 33,61 35,75 38,33 49,14
Total
Peso 2,43 5,12 6,88 6,22 8,84 8,76 7,54 8,47 9,55 11,43
Papel
Uma pesquisa pretende verificar se há correlação

significativa entre o peso total do lixo descartado, por dia,
numa empresa com o peso do papel contido nesse lixo.
Exemplo
• De acordo com os dados, fazemos a representação gráfica. Os
pares ordenados formam o diagrama de dispersão.
Correlação entre o peso total do lixo descartado e o peso do papel contido nesse lixo
Exemplo
Para se verificar o grau de correlação entre as variáveis, calcula-se o
coeficiente de correlação linear pela fórmula do coeficiente de
correlação de Pearson.
& ∑ VƒV (∑ V )(∑ ƒV )
r=
[& ∑ V
(∑ V
) ]∗[& ∑ ƒV (∑ ƒV ) ]
Peso Total(xi) Peso Papel (yi) xiyi xi2 yi2

H1 10,47 2,43 25,44 109,62 5,90
H2 19,85 5,12 101,63 394,02 26,21
H3 21,25 6,88 146,20 451,56 47,33
H4 24,36 6,22 151,52 593,41 38,69
H5 27,38 8,84 242,04 749,66 78,15
H6 28,09 8,76 246,07 789,05 76,74
H7 33,61 7,54 253,42 1129,63 56,85
H8 35,73 8,47 302,63 1276,63 71,74
H9 38,33 9,55 366,05 1469,19 91,20
H10 49,14 11,43 561,67 2414,74 130,64
∑ 288,21 75,24 2396,68 9377,52 623,47
Exemplo
∗ , N NN, ∗ O,
r=
∗ ,O NN, ∗[ ∗ , O, ]
,N N ,
r=
O, N O ∗[ , O , ]
N ,N
r= = 0,9206
N,O
r = 0,921 ou r = 92,1 %
Observamos, assim: 0,6 ≤ r ≤1. Esse resultado indica que há uma
forte correlação entre as variáveis ou, ainda, que a correlação entre
as duas variáveis é bastante significativa. Nesse caso, podemos
concluir haver coerência na afirmação de que existe correlação entre
o peso total do lixo descartado e o peso do papel contido nesse lixo.
Regressão – Reta de Regressão
A correlação linear é uma correlação entre duas variáveis, cujo
gráfico aproxima-se de uma linha. O gráfico cartesiano que
representa essa linha é denominado diagrama de dispersão. Para
poder avaliar melhor a correlação entre as variáveis, é interessante
obter a equação da reta; essa reta é chamada de reta de regressão e a
equação que a representa é a equação de regressão. O diagrama de
dispersão é construído de acordo com os dados amostrais de n
observações e a equação de regressão é dada pela expressão:
Y = aX + b → † ‡ = -ˆ + 1
X é a variável independente.
Y→ † ‡ é - 8-/2á853 45.59459:5. Na verdade, é a variável
correlacionada com a variável X e sobre a qual se obtém um valor
estimado.
Regressão – Reta de Regressão
• Sendo a e b os parâmetros de equação da reta, esses podem ser
calculados por meio das fórmulas:
& ∑ VƒV ∑ V ∗ ∑ ƒV
• a=
& ∑ V ∑ V
• b = ‰R - a ̅
Sendo:
• n = número de observações dos dados amostrais;

∑ ƒV
• ‰R valor médio da variável y; o cálculo faz-se pela expressão ‰R =
&
∑ V
• ̅ valor médio da variável y; o cálculo faz-se pela expressão ̅ =
&
Exemplo
• Determine a equação da reta de regressão do exemplo anterior,
que trata de uma pesquisa entre o peso total do lixo descartado
por dia com o peso do papel contido nesse lixo.
Peso Total(xi) Peso Papel (yi) xiyi xi2 yi2
H1 10,47 2,43 25,44 109,62 5,90
H2 19,85 5,12 101,63 394,02 26,21
H3 21,25 6,88 146,20 451,56 47,33
H4 24,36 6,22 151,52 593,41 38,69
H5 27,38 8,84 242,04 749,66 78,15
H6 28,09 8,76 246,07 789,05 76,74
H7 33,61 7,54 253,42 1129,63 56,85
H8 35,73 8,47 302,63 1276,63 71,74
H9 38,33 9,55 366,05 1469,19 91,20
H10 49,14 11,43 561,67 2414,74 130,64
∑ 288,21 75,24 2396,68 9377,52 623,47
Exemplo
• Cálculo do parâmetro “a” da equação da reta:
& ∑ VƒV ∑ V ∗ ∑ ƒV ∗ , N NN ∗ O, N ,N
• a= = = = 0,213
& ∑ V ∑ V ∗ ,O NN, ,
Calculando b da equação da reta:
,
‰R = = 7,52
NN,
̅= = 28,82
b = ‰
Š - a ̅ = 7,52 – 0,213*28,82 = 7,52 – 6,14 = 1,38
Temos:
Y’ = 0,213 X + 1,38
Exemplo
•Para o traçado de uma reta, basta que se conheça dois de seus pontos.
Assim, com base na equação da reta acima, pode-se estabelecer dois
pontos para X e Y’.
Para X = 0, temos Y’ = 1,38

Para X = 50, temos Y’ = 12,03
•De acordo com os pontos P1(0;1,38) e P2(50;12,03), pode-se traçar a reta

de regressão.
Exemplo
•Com base no conhecimento da equação da reta, pode-se
interpolar e extrapolar valores.
•Interpolação: a interpolação ocorre quando o valor considerado

pertence ao intervalo da tabela, porém, não figura entre os dados
coletados.
•Supondo-se o valor 15 kg para o peso total do lixo descartado,

pode-se estimar o peso de papel contido nesse lixo. Uma vez que
15 kg não é um dado coletado e, conseqüentemente, não pertence
à tabela de dados, utiliza-se a equação da reta para determinar o
valor correspondente ao peso do papel.
•Para 15 kg de lixo descartado, estima-se que haja 4,58 kg de

papel contido nesse lixo.
Exemplo
• Extrapolação: a extrapolação ocorre quando o valor
considerado não pertence ao intervalo da tabela, e também não
figura entre os dados coletados.
• Suponha que o peso do lixo descartado seja de 60 kg. Esse

valor não é um dado coletado e nem se encontra dentro do
intervalo [10,47, 49,14]. Essa situação é semelhante à anterior e
utiliza-se a equação de reta para determinar o peso do papel.
• Para 60 kg de lixo descartado, estima-se, por extrapolação, que

haja 14,16 kg de papel contido nesse lixo.

Separatrizes: Quartis, Decis e Percentis

Enviado por

Dados do documento

Descrição original:

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

Separatrizes: Quartis, Decis e Percentis

Enviado por

Direitos autorais:

Formatos disponíveis

Separatrizes

A principal característica das medidas separatrizes consiste na

Os quartis são valores que dividem um conjunto de dados

Q1 :deixa 25% dos elementos abaixo dele.

Q2 :deixa 50% dos elementos abaixo dele e coincide com a

Q3 :deixa 75% dos elementos abaixo dele.

Calcule os quartis da série: { 5, 2, 6, 9, 10, 13, 15 }

O primeiro passo a ser dado é o da ordenação (crescente ou

{2, 5, 6, 9, 10, 13, 15 }

– O valor que divide a série acima em duas partes iguais é igual a

Temos agora {2, 5, 6 } e {10, 13, 15 } como sendo os dois

Calcule os quartis da série: { 1, 1, 2, 3, 5, 5, 6, 7, 9, 9, 10, 13 }

Quartil 2 = Md = (5+6)/2 = 5,5

O quartil 1 será a mediana da série à esquerda de Md : { 1, 1, 2, 3, 5, 5}

O quartil 3 será a mediana da série à direita de Md : {6, 7, 9, 9, 10, 13 }

Considere a seguinte sequência de números para cálculo dos quartis:

Olhando no conjunto ordenado de dados, encontramos os valores dos

Denominamos percentis ou centis como sendo os noventa e nove

• Estas medidas referem-se à forma da curva de uma

• Denomina-se assimetria o grau de afastamento de uma

Em uma distribuição simétrica, tem-se igualdade dos valores da

Em uma distribuição assimétrica positiva, ou assimetria à

Existem várias fórmulas para o cálculo do coeficiente de

Mo: Valor Modal (moda);

Md: Valor da Mediana;

Quando AS = 0, diz-se que a distribuição é simétrica.

- Mesocúrtica: é uma curva básica de referência chamada curva

Leptocúrtica: é uma curva mais afilada que a curva normal;

C = 0,263 → Curva Mesocúrtica

C < 0,263 → Curva Leptocúrtica

C > 0,263 → Curva Platicúrtica

Considere os resultados relativos a três distribuições de frequências.

Distribuição Média Moda

Curva simetrica, curva assimetrica negativa e curva

Classifique, quanto a assimetria a distribuiçao abaixo, segundo o coeficiente de

Considere as seguintes medidas, relativas às três distribuições de

Distribuição Q1 Q3 P10 P90

a) calcule os respectivos graus de curtose

a. 0,252 ; 0,263 ; 0,287

Posteriormente, passou a auxiliar governos, empresas e

O jogo de dados moderno popularizou-se na Idade Média, em

O que é mais provável:

O Cavaleiro considerou que o

• Fenômenos determinísticos: aqueles que invariavelmente dão o

• Fenômenos aleatórios: aqueles que, mesmo realizados sob as

• Cada experimento pode ser repetido indefinidamente sob as mesmas

Podemos considerar que um processo aleatório corresponde, para

ESPAÇO AMOSTRAL: Conjunto de todos os resultados possíveis

EVENTO: Qualquer subconjunto do espaço amostral ( Ω ) associado ao experimento aleatório,

m: número de eventos favoráveis à probabilidade E que se deseja

N: Número total de ocorrências dentro do espaço amostral.

Vejamos exemplos de probabilidades a serem obtidas:

- Um dado homogêneo tem probabilidade 1/6 de cair com a face 2

- Em um conjunto de cartas (sem os coringas) bem embaralhadas,

A visão da frequência relativa depende da reprodutibilidade* do

Para obtermos as respostas, vamos definir o espaço amostral e o

S = {Carlos, Jackeline, Giulyana, Girlene, Cláudio, Larissa}

Evento = {Carlos, Cláudio}

Então, a probabilidade que estamos procurando, ou seja, a de

Logo, considerando três eventos relativos aos funcionários da

A (funcionário ser do sexo feminino).

Então, poderemos definir os eventos mencionados anteriormente

P(A ∪ H ) = (+) + (H)

NP = R (não pagaram (NP ou R ) é o complementar dos que pagaram