Escolar Documentos
Profissional Documentos
Cultura Documentos
INTRODUÇÃO A ESTATÍSTICA
Para alunos com dificuldade
3 Edição | 2017
1
MATERIAL DIDÁTICO
.nmber.890m.com
2
Sumário
1 A ESTATÍSTICA 5
3 O PROCESSO DE AMOSTRAGEM 7
3.1 AMOSTRAGEM CASUAL OU ALEATÓRIA . . . . . . . . . . . . . . . . . 7
3.2 AMOSTRAGEM PROPORCIONAL ESTRATIFICADA . . . . . . . . . . . 8
3.3 AMOSTRAGEM SISTEMÁTICA . . . . . . . . . . . . . . . . . . . . . . . . 8
6 FREQUÊNCIA 32
6.1 FREQUÊNCIA SIMPLES OU ABSOLUTA . . . . . . . . . . . . . . . . . . 32
6.2 FREQUÊNCIA RELATIVA . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
6.3 FREQUÊNCIA ABSOLUTA ACUMULADA . . . . . . . . . . . . . . . . . . 33
6.4 FREQUÊNCIA RELATIVA ACUMULADA . . . . . . . . . . . . . . . . . . 34
7 HISTOGRAMA 38
10 MEDIDAS DE DISPERSÃO 52
10.1DESVIO MÉDIO SIMPLES . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
10.1.1DMS A PARTIR DE DADOS BRUTOS OU ROL . . . . . . . . . . 52
10.1.2DMS A PARTIR DE UMA DISTRIBUIÇÃO DE FREQUÊNCIA . . 53
10.1.3DMS A PARTIR DE UMA DISTRIBUIÇÃO DE FREQUÊNCIA
COM INTERVALO DE CLASSE . . . . . . . . . . . . . . . . . . . . 54
10.2VARIÂNCIA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
10.2.1VARIANÇA A PARTIR DE DADOS BRUTOS OU ROL . . . . . . 55
10.2.2VARIANÇA A PARTIR DE UMA DISTRIBUIÇÃO DE FREQUÊN-
CIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
10.2.3VARIANÇA A PARTIR DE UMA DISTRIBUIÇÃO DE FREQUÊN-
CIAS COM INTERVALO DE CLASSE . . . . . . . . . . . . . . . . 55
10.3DESVIO PADRÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
10.4COEFICIENTE DE VARIAÇÃO . . . . . . . . . . . . . . . . . . . . . . . . 56
10.5VARIÂNCIA RELATICA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
11 INTRODUÇÃO À PROBABILIDADE 58
11.1ALGUMAS DEFINIÇÕES . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
14 INDEPENDÊNCIA ESTATÍSTICA 64
15 PROBABILIDADE CONDICIONAL 67
15.1TEOREMA DO PRODUTO . . . . . . . . . . . . . . . . . . . . . . . . . . 68
15.2TEOREMA DE BAYES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
16 DISTRIBUIÇÃO DE PROBABILIDADE 73
16.1DISTRIBUIÇÃO BINOMIAL . . . . . . . . . . . . . . . . . . . . . . . . . . 75
16.2DISTRIBUIÇÃO DE POISSON . . . . . . . . . . . . . . . . . . . . . . . . 78
16.3APROXIMAÇÃO DA DISTRIBUIÇÃO BINOMIAL POR POISSON . . . . 81
16.4DISTRIBUIÇÃO NORMAL . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
16.5CARACTERÍSTICAS DA DISTRIBUIÇÃO NORMAL . . . . . . . . . . . . 83
16.6ANALISANDO A DISTRIBUIÇÃO CONFORME A MÃL’DIA E O DESVIO
PADRÃO. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
16.7DISTRIBUIÇÃO NORMAL PADRONIZADA . . . . . . . . . . . . . . . . . 84
17 REFERÊNCIA 86
4
UNIDADE 1 - A PESQUISA ESTATÍSTICA
1 A ESTATÍSTICA
A Estatística é uma parte da Matemática Aplicada que fornece méto-
dos para a coleta, organização, descrição, análise e interpretação de dados
bem como a utilização dos mesmos na tomada de decisões. Se divide em
descritiva e inferencial.
5
exemplo, na prática jamais conseguiríamos medir todos os habitantes. Em
casos como esse (em que é inviável trabalhar com toda a população) ao
invés de realizar a pesquisa com toda a população, poderíamos selecionar
apenas uma parte dela (normalmente a maior possível) e então, apenas so-
bre essa parte, realizarmos o estudo. Essa fração da população é chamada
de amostra.
Nos livros mais formais a amostra é definida mais ou menos assim:
Embora essa distinção entre variáveis seja importante nas pesquisas es-
tatísticas, nas aplicações do cotidiano é muito tênue a fronteira entre o dis-
creto e o contínuo. A altura das pessoas, por exemplo, é contínua, mas como
é medida por uma aproximação em centímetros, torna-se discreta.
6
UNIDADE 2 - AMOSTRAGEM
3 O PROCESSO DE AMOSTRAGEM
7
3.2 AMOSTRAGEM PROPORCIONAL ESTRATIFICADA
Exemplos Resolvidos:
8
Resolução:
35 × 40
1◦ 35 = 5, 6 6
250
32 × 40
2◦ 32 = 5, 12 5
250
30 × 40
3◦ 30 = 4, 8 5
250
28 × 40
4◦ 28 = 4, 48 4
250
35 × 40
5◦ 35 = 5, 6 6
250
32 × 40
6◦ 32 = 5, 12 5
250
31 × 40
7◦ 31 = 4, 96 5
250
27 × 40
8◦ 27 = 4, 32 4
250
Total 250 − 40
Resolução:
124 100%
= ⇒ = 18, 6
15%
Como o menor inteiro mais próximo, e maior que 18.6 é 19 então deve-
mos tomar uma amostra composta de 19 pessoas escolhidas aleatoriamente.
Para essa escolha podemos usar uma tabela de números aleatórios.
Resolução:
9
Ao todo temos 600 alunos e queremos uma amostra de 10%. Assim, bas-
taria nos obter 10% do número de meninos e 10% do número de meninas
que obteríamos 10% do total. Veja:
280 100%
= ⇒ = 28 (número de meninos a compor a amostra)
10%
320 100%
= ⇒ = 32 (número de meninas a compor a amostra)
10%
Atente para fato de que 60 (32+ 28) é 10% do total de alunos (280+ 320).
Como havia sido afirmado.
N◦ DE ESTUDANTES
ESCOLAS
: MASCULINO FEMININO
A 80 95
B 102 120
C 110 92
D 134 228
E 150 130
F 300 290
Total 876 955
Resolução:
1834 100%
= ⇒ ≈ 6, 54%
120
Assim, basta retirar de cada grupo essa percentagem.
6, 54
80 = 80 ≈ 5 alunos.
100
10
6, 54 6, 54
102 = 102 · ≈ 7 alunos. 120 = 120 · ≈ 8 alunos.
100 100
6, 54 6, 54
110 = 110 · ≈ 7 alunos. 92 = 92 · ≈ 6 alunos.
100 100
6, 54 6, 54
134 = 134 · ≈ 8 alunos. 228 = 228 · ≈ 15 alunos.
100 100
6, 54 6, 54
150 = 150 · ≈ 10 alunos. 130 = 130 · ≈ 9 alunos.
100 100
6, 54 6, 54
300 = 300 · ≈ 20 alunos. 290 = 290 · ≈ 19 alunos.
100 100
6, 54
95 = 95 · ≈ 6 alunos.
100
Resolução:
200 Amostr
=
60 9
200 · 9
Amostr = = 30
60
11
UNIDADE 3 - DADOS
4.1 PERCENTAGENS
12
Exemplo Resolvido:
Resolução:
19.286 × 100
1◦ grau → = 90, 96 ' 91, 0%
21.201
1.681 × 100
2◦ grau → = 7, 92 ' 7, 9%
21.201
234 × 100
3◦ grau → = 1, 10 ' 1, 1%
21.201
4.2 ÍNDICES
São razões entre duas grandezas, tais que uma não inclui a outra, multi-
plicado por uma centena.
Exemplos:
diâmetro transversal do crânio
Índice cefálico = × 100
diâmetro longitudinal do crânio
idade mental
Quociente intelectual = × 100
idade cronológica
população
Densidade demográfica = × 100
superfície
13
4.3 COEFICIENTES
Exemplos:
número de nascimentos
coeficiente de natalidade =
população
número de obitos
Coeficiente de mortalidade =
população
4.4 TAXAS
São os coeficientes multiplicados por uma potência de 10 (10, 100, 1.000,
etc.) para tornar o resultado mais inteligível.
Exemplos:
5.1 TABELAS
14
5.1.1 TABELA PRIMITIVA
Suponha, por exemplo, termos feito uma coleta de dados relativos as es-
taturas de quarenta alunos, que compõem uma amostra dos alunos de um
colégio A, resultando a seguinte tabela de valores.
166 160 161 150 162 160 165 167 164 160
162 161 168 163 156 173 160 155 164 168
155 152 163 160 155 155 169 151 170 164
154 161 156 172 153 157 156 158 158 161
150 154 155 157 160 161 162 164 166 169
151 155 156 158 160 161 162 164 167 170
152 155 156 158 160 161 163 164 168 172
153 155 156 160 160 161 163 165 168 173
Exemplo Resolvido:
15
desses dados.
Resolução:
Dados Brutos: 8, 7, 8, 9, 6, 7, 6, 7, 5, 9.
Rol: 9, 9, 8, 8, 7, 7, 7, 6, 6, 5.
PRODUÇÃO DE CAFÉ
BRASIL - 1991-1995
1991 2535
1992 2666
1993 2122
1994 3750
1995 2007
FONTE: IBGE
Note que uma série se constitui de bem mais elementos que uma tabela
primitiva. Aqui ao invés de termos apenas:
16
Linhas: retas imaginárias que facilitam a leitura, no sentido
horizontal, de dados que se inscrevem nos seus cruzamentos com
colunas;
Casa ou Célula: espaço destinado a um só número;
Colunas indicadoras
PRODUÇÃO DE CAFÉ
Título
BRASIL - 1991-1995
1991 2535
1992 2666
1993 2122 Corpo
1994 3750
1995 2007
17
SÉRIES HISTÓRICAS, CRONOLÓGICAS OU TEMPORAIS
PRODUÇÃO DE CAFÉ
BRASIL - 1991-1995
1991 2535
1992 2666
1993 2122
1994 3750
1995 2007
FONTE: IBGE
18
REBANHOS BRASILEIROS
1992
ESPÉCIES QUANTIDADES (1.000 cabeças)
Bovinos 154.440,8
Bubalinos 1.423,3
Equinos 549,5
Asinios 47,1
Muares 208,5
Suínos 34.532,2
Ovinos 19.9555,9
Caprinos 12.159,6
Coelhos 6,1
FONTE: IBGE
19
ESTATURA DE 40 ALUNOS DO COLÉGIO A
ESTATURA DE 40 ALUNOS
DO COLÉGIO A
20
CLASSE
ESTATURA DE 40 ALUNOS
DO COLÉGIO A
LIMITES DE CLASSE
ESTATURA DE 40 ALUNOS
DO COLÉGIO A
h = L −
21
ESTATURA DE 40 ALUNOS
DO COLÉGIO A
ESTATURA DE 40 ALUNOS
DO COLÉGIO A
AT = 174 − 150 = 24
AMPLITUDE AMOSTRAL
AA = m − mn
No Rol a seguir o menor valor da amostra é 150 e o maior 173.
22
ESTATURA DE 40 ALUNOS DO COLÉGIO A
150 154 155 157 160 161 162 164 166 169
151 155 156 158 160 161 162 164 167 170
152 155 156 158 160 161 163 164 168 172
153 155 156 160 160 161 163 165 168 173
PONTO MÉDIO
+ L
=
2
ESTATURA DE 40 ALUNOS
DO COLÉGIO A
5.2 GRÁFICOS
A segunda forma de apresentar dados estatísticos é através de gráficos.
Estes são capazes de produzir no investigador, ou no público em geral, uma
impressão mais rápida e viva do fenômeno em estudo. Sendo por isso mais
utilizado que as séries.
5.2.1 DIAGRAMAS
São gráficos geométricos de, no máximo, duas dimensões, para sua con-
strução, em geral, fazemos uso do sistema cartesiano. Esse tipo de gráfico
pode ser representado como gráfico em linha ou em curva e gráfico em
colunas ou em barras.
23
usado na identificação de tendência de aumento ou diminuição dos valores
numéricos de uma dada informação.
Para a representação gráfica dessa série usamos como base o plano carte-
siano. Os anos serão as abcissas (eixo dos ) e as quantidades serão as
ordenadas (eixo dos y), assim, as coordenadas serão (, y) que pode ser rep-
resentado em um sistema cartesiano. Realizando esse procedimento com os
dados da tabela acima e ligando os pontos dois a dois, teremos:
69,1
65,1
59,5
53,9
39,3
39,1
24
dados. Quando em barras, os retângulos têm a mesma altura e os compri-
mentos são proporcionais aos respectivos dados. Assim, garante dessa forma
a proporcionalidade entre as áreas dos retângulos e os dados estatísticos.
PRODUÇÃO BRASILEIRA DE
CARVÃO MINERAL 1987-92
ANOS QUANTIDADE PRODUZIDAS (1.000 T)
1989 18.196
1990 11.168
1991 10.468
1992 9.24
FONTE: Ministério da Agricultura.
A representação gráfica dos dados em colunas será:
PRODUÇÃO BRASILEIRA DE
CARVÃO MINERAL 1987-92
18.196
11.168 10.468
9.24
PRODUÇÃO BRASILEIRA DE
CARVÃO MINERAL 1987-92
1992 9.24
1991 10.468
1990 11.168
1989 18.196
25
GRÁFICO EM COLUNAS OU EM BARRAS MÚLTIPLAS
BALANÇA COMERCIAL
BRASIL – 1989 - 93
VALOR (US$ 1.000.000)
ESPECIFICAÇÕES
1989 1990 1991 1992 1993
EXPORTAÇÃO 34.383 31.414 31.620 35.793 38.783
IMPORTAÇÃO 18.263 20.661 21.041 20.554 25.711
FONTE: Ministério da Fazenda.
BALANÇA COMERCIAL
BRASIL – 1989 - 93
40.000
30.000
20.000
10.000
0
1989 1990 1991 1992 1993
Exportação
Importação
FONTE: Ministério da Fazenda
26
Exemplo: Dado a tabela abaixo:
6.138, 5 360◦
= → ≈ 197, 27
3.363, 7
6.138, 5 360◦
= → ≈ 25, 24
430, 4
6.138, 5 360◦
= → ≈ 18, 1
308, 5
6.138, 5 360◦
= → ≈ 119, 3
2.035, 9
Minas Gerais
197,27◦ Espirito Santo
Rio de Janeiro
São Paulo
25,24◦
119,4◦
18,1◦
FONTE: SECEX.
Observações:
27
5.2.3 GRÁFICO POLAR
PRECIPITAÇÃO PLUVIOMÉTRICA
EM RECIFE - 1993
MESES MILÍMETROS
Janeiro 49,6
Fevereiro 93,1
Março 63,6
Abril 135,3
Maio 214,7
Junho 277,9
Julho 183,6
Agosto 161,3
Setembro 49,2
Outubro 40,8
Novembro 28,6
Dezembro 33,3
FONTE: Ministério da Agricultura
28
PRECIPITAÇÃO PLUVIOMÉTRICA
EM RECIFE - 1993
NOV
SET OUT
AGO
DEZ
JUL É
JAN
FEV
MAR
JUN
ABR
MAI
FONTE: Ministério da Agricultura
5.2.4 CARTOGRAMA
29
POPULAÇÃO PROJETADA DA REGIÃO SUL
DO BRASIL - 1994
400.000 habitantes
FONTE: IBGE
5.2.5 PICTOGRAMA
30
VENDA DE CHOCOLATE NO DIA DOS NAMORADOS
NOS ÚLTIMOS ANOS
2014
2015
2016
31
UNIDADE 4 - FREQUÊNCIAS
6 FREQUÊNCIA
ESTATURA DE 40 ALUNOS
DO COLÉGIO A
i NOTA ƒ
1 4,0 5
2 5,0 3
3 6,0 2
4 7,0 3
5 8,0 2
6 9,0 10
Total 25
Exemplos:
32
ƒ
ƒ r =
k
X
ƒ
=1
ESTATURA DE 40 ALUNOS
DO COLÉGIO A
i ESTATURA (cm) ƒ ƒ r
1 150 ` 154 4 4/ 40 = 0, 1
2 154 ` 158 9 9/ 40 = 0, 225
3 158 ` 162 11 11/ 40 = 0, 275
4 162 ` 166 8 8/ 40 = 0, 2
5 166 ` 170 5 5/ 40 = 0, 125
6 170 ` 174 3 3/ 40 = 0, 075
Total 40 100
ESTATURA DE 40 ALUNOS
DO COLÉGIO A
ƒ k = ƒ1 + ƒ2 + · · · + ƒk
.
33
ESTATURA DE 40 ALUNOS
DO COLÉGIO A
ESTATURA (cm) ƒ ƒ
150 ` 154 4 4
154 ` 158 9 4 + 9 = 13
158 ` 162 11 4 + 9 + 11 = 24
162 ` 166 8 4 + 9 + 11 + 8 = 32
166 ` 170 5 4 + 9 + 11 + 8 + 5 = 37
170 ` 174 3 4 + 9 + 11 + 8 + 5 + 3 = 40
Total 40
ƒ
ƒ r =
k
X
ƒ
=1
ESTATURA DE 40 ALUNOS
DO COLÉGIO A
ESTATURA (cm) ƒ ƒ r
150 ` 154 4 4/ 40 = 0, 1
154 ` 158 9 13/ 40 = 0, 325
158 ` 162 11 24/ 40 = 0, 6
162 ` 166 8 32/ 40 = 0, 8
166 ` 170 5 37/ 40 = 0, 925
170 ` 174 3 40/ 40 = 1
Total 40
Exemplo Resolvido:
34
ESTATURA DOS ALUNOS DE
UMA CLASSE DO 3◦ ANO
Resolução:
p
42 ≈ 6, 5 ⇒ k = 6 ou 7 classes
AT 0, 24
h= → h = = 0, 04
k 6
AT 0, 24
h= → h = ≈ 0, 035
k 7
35
A divisão de 0,24 por 7 não é um número finito, nesse caso podemos
utilizar uma aproximação, sendo que essa aproximação é sempre feita para
cima (no caso 0,035). Entretanto, a divisão de 0,24 por 6 é exata o que
sugere que a tabela será melhor construída para uma distribuição de 6
classes.
k
1
2
3
4
5
6
k Estaturas (m)
1 1,50 ` 1,54
2 1,54 ` 1,58
3 1,58 ` 1,62
4 1,62 ` 1,66
5 1,66 ` 1,70
6 1,70 ` 1,74
k Estaturas (m)
1 1,50 ` 1,54 1,52
2 1,54 ` 1,58 1,56
3 1,58 ` 1,62 1,60
4 1,62 ` 1,66 1,64
5 1,66 ` 1,70 1,68
6 1,70 ` 1,74 1,72
36
k Estaturas (cm) ƒ
1 1,50 ` 1,54 1,52 4
2 1,54 ` 1,58 1,56 9
3 1,58 ` 1,62 1,60 12
4 1,62 ` 1,66 1,64 8
5 1,66 ` 1,70 1,68 6
6 1,70 ` 1,74 1,72 3
TOTAL 42
k Estaturas (cm) ƒ ƒ
1 1,50 ` 1,54 1,52 4 4
2 1,54 ` 1,58 1,56 9 13
3 1,58 ` 1,62 1,60 12 25
4 1,62 ` 1,66 1,64 8 33
5 1,66 ` 1,70 1,68 6 39
6 1,70 ` 1,74 1,72 3 42
TOTAL 42
37
ESTATURA DOS ALUNOS DE
UMA CLASSE DO 3◦ ANO
7 HISTOGRAMA
38
12
9
6
4
39
UNIDADE 5 - MEDIDAS DE TENDÊNCIA
CENTRAL E POSIÇÃO
8.1 MÉDIAS
Exemplos Resolvidos:
Resolução:
n
X
=1 2 + 5 + 7 + 9 + 13 + 16 + 17 + 21
= = = 11, 25
n 8
40
2. A altura de 100 indivíduos do sexo masculino foram agrupados segundo
a tabela a seguir.
Altura (cm) ƒ
155 ` 160 5
160 ` 165 12
165 ` 170 19
170 ` 175 25
175 ` 180 20
180 ` 185 10
185 ` 190 7
190 ` 195 2
Resolução:
⇒ = 173, 05cm
Resolução:
(84 · 0 + 105 · 1 + 72 · 2 + 59 · 3 + 28 · 4 + 15 · 5 + 2 · 6)
7× ' 12 atendimentos
365
41
n
X
× ƒ
=1
X= n
X
ƒ
=1
Exemplos Resolvidos:
Resolução:
n
X
× ƒ
=1 12 × 6 + 14 · 5 + 8 × 3 + 9 × 2 + 10 × 1
X= n
= ≈ 3, 66
X 12 + 14 + 8 + 9 + 10
ƒ
=1
Resolução:
40 × 8 + 100 × 2
Vm =
8+2
m = 52 km/ h
g =
p
n
1 × 2 × · · · × n
42
Exemplo Resolvido:
Resolução:
8
p
g = g = 1 · 2 · · · n = 2 · 5 · 7 · 9 · 13 · 16 · 17 · 21 = 9, 09
p
n
Exemplo Resolvido:
Resolução:
r
Pn ƒ ƒ ƒ (12+14+8+9+10)
p
Xg = =1
11 · 22 ...nn = 612 · 514 · 38 · 29 · 110
53
p
= 612 · 514 · 38 · 29 · 110 ≈ 3, 048
n
1 X
ogXg = Pn × ƒ × og( )
ƒ
=1 =1
veja
1
ogXg = ·(12 × og(6) + 14 × og(5) + 8 × og(3) + 9 × og(2) + 10 × og(1))
53
43
⇒ ogXg ≈ 0, 4840 ⇒ Xg ≈ 100,4840 ≈ 3, 048
=1
Exemplo Resolvido:
Resolução:
n 8
h = n
= = 6, 67
X 1 1 1 1 1 1 1 1 1
+ + + + + + +
2 5 7 9 13 16 17 21
=1
=1
44
Exemplo Resolvido:
Resolução:
n
X
ƒ
=1 53
Xh = n ƒ
= ≈ 2, 41
X 22
=1
8.2 MEDIANA
É um valor real que separa o rol em duas partes deixando a sua esquerda
o mesmo número de elementos que a sua direita. Portanto, a mediana é um
valor que ocupa a posição central em uma distribuição, sendo denotada por
md .
md = n+1 .
2
2
Exemplos Resolvidos:
Resolução:
md = 9+1 = 5 = 8
2
45
Ou seja, a mediana é oito.
Resolução:
1, 2, 7, 8, 9, 10, 14, 21
8+9
md = = 8, 5
2
Exemplo Resolvido:
Determine a mediana.
Resolução:
46
N◦ de atendimentos Frequência (em dias) Freq. acumulada
0 84 84
1 105 189
2 72 261
3 59 320
4 28 348
5 15 363
6 2 365
Total 365
8.3 MODA
Exemplo Resolvido:
13. Dado a rol 20, 33, 44, 44, 44, 55, 58, 58 identifique a moda.
Resolução:
Note que 44 é o valor que mais se repete no rol, portanto é a moda procu-
rada.
Exemplo Resolvido:
47
N◦ de atendimentos Frequência (em dias)
0 84
1 105
2 72
3 59
4 28
5 15
6 2
Resolução:
Exemplo Resolvido:
Altura (cm) ƒ
155 ` 160 5
160 ` 165 12
165 ` 170 19
170 ` 175 25
175 ` 180 20
180 ` 185 10
185 ` 190 7
190 ` 195 2
Resolução:
170 + 175
= 172, 5 cm então 172,5 cm é a moda procurada.
2
48
8.4 CURVAS DE FREQUÊNCIA E MEDIDAS DE TENDÊNCIA
CENTRAL
= dd = mo
49
Moda
Média
Mediana
mo < md <
Moda
Mediana
Média
< md < mo
Nos três casos, a mediana, como o próprio nome sugere, está sempre en-
tre o valor da média e o da moda.
9 SEPARATRIZES
50
9.1 QUARTIS
Exemplo Resolvido:
Resolução:
2, 5, 6, 9, 10, 13, 15
51
UNIDADE 5 - MEDIDAS DE TENDÊNCIA
CENTRAL E POSIÇÃO
10 MEDIDAS DE DISPERSÃO
Esta Medida representa a média das distâncias entre cada elemento amostra
e seu valor médio. Para determina-la existem três casos: a partir de dados
brutos ou rol, a partir de uma tabela de distribuição de frequência e de uma
distribuição com intervalo de classe.
Exemplo Resolvido:
Resolução:
3+4+5+6+7
= =5
5
52
|3 − 5| = 2
|4 − 5| = 1
|5 − 5| = 0
|6 − 5| = 1
|7 − 5| = 2
2+1+0+1+2 6
DMS = =
5 5
Resolução:
A média é:
−7 + 4 + 0 + 3 + 8 + 10
= =3
6
| − 7 − 3| + |4 − 3| + |0 − 3| + |3 − 3| + |8 − 3| + |10 − 3|
DMS = = 4, 33
6
Exemplo Resolvido:
53
Resolução:
ƒ · ƒ
1 38 38
2 27 54
3 14 42
4
P 9 36
88 170
P
· ƒ 170
A média para os cálculo é de = P = = 1, 93. Agora, deter-
ƒ 88
minamos o módulo da diferença de cada por essa média multiplicado por
ƒ .
|1 − 1, 93| × 38 = 35, 34
|2 − 1, 93| × 27 = 1, 89
|3 − 1, 93| × 14 = 14, 98
|4 − 1, 93| × 9 = 18, 63
10.2 VARIÂNCIA
54
10.2.1 VARIANÇA A PARTIR DE DADOS BRUTOS OU ROL
X ( − )2
r =
n
Entretanto, nem sempre esta expressão é a mais indicada para ser uti-
lizada. Quando a média é um valor decimal não exato ela não é muito
prática, uma vez que entrará no cálculo "n" vezes aumentando os erros de
arredondamento que ocorrem. Neste caso é melhor se valer de uma ex-
pressão alternativa que pode ser derivada da expressão acima que é:
X 2
2
r = −
n
( − )2 × ƒ
P
Var = P
ƒ
( − )2 × ƒ
P
Var = P
ƒ
Exemplo Resolvido:
55
k Int. Classes ƒ
1 0 17 48
2 17 34 59
3 34 51 44
4 51 68 78
5 68 85 51
6 85 102 15
Resolução:
( − )2 · ƒ
P
188.251, 66
Vr = P = = 638, 14
ƒ 295
DP =
p
638, 14 = 25, 26.
DP
CV =
56
10.5 VARIÂNCIA RELATICA
Denotada por V é uma medida de dispersão também, empregada para
estimar a precisão de experimentos e representa o desvio-padrão, só que ao
quadrado, expresso como porcentagem da média. Sua principal qualidade é
a capacidade de comparação de distribuições diferentes. A variança relática
é igual ao quadrado do coeficiente de variação.
Exemplo Resolvido:
k Int. Classes ƒ
1 0 17 48
2 17 34 59
3 34 51 44
4 51 68 78
5 68 85 51
6 85 102 15
Resolução:
DP 25, 26
CV = = = 54, 29%
46, 53
2
54, 29
V= CV 2 = = 0, 29474041 ≈ 29, 47%
100
57
UNIDADE 6 - PROBABILIDADE
11 INTRODUÇÃO À PROBABILIDADE
Ao soltar uma pedra do alto de um edifício, sabemos que esta pedra irá
em direção ao chão. Esse é um experimento chamado de Experimento De-
terminístico, pois existe a certeza de qual o evento irá acontecer! Mas,
quais as chances de uma determinada rede suportar 20 usuários conecta-
dos simultaneamente? Nesse caso, existem dois resultados possíveis: a rede
aguenta ou a rede cai. Esse é um experimento chamado Aleatório, pois
existe a possibilidade de ocorrência de mais de um evento.
Espaço Amostral
Ω = {1, 2, 3, 4, 5, 6}
58
Sendo C, cara e K, coroa.
Ω = {1, 2, 3, 4, 5, 6}
Evento:
A=∅
59
12 REGRA BÁSICA DA PROBABILIDADE
Indicado por:
temos
n(A)
P(A) =
n(S)
Exemplos Resolvidos:
Resolução:
n(A) 3
P(A) = = = 0, 75
n(Ω) 4
Resolução:
n(A) 3
P(A) = = = 0, 5
n(S) 6
60
É importante perceber que a probabilidade é uma medida de tendência
e não de certeza. Ou seja, quando determinamos que a probabilidade de
lançar um dado e obtermos um número par é de 50% não quer dizer que a
cada duas jogadas uma trará um número par, quer dizer apenas que espera-
se que isso ocorra.
Exemplo Resolvido:
Resolução:
Exemplos Resolvidos:
Resolução:
61
P(A) = 4/52
P(B) = 13/52
P(A ∩ B) = 1/52
de modo que:
4 13 1 16
P(A ∪ B) = + − = = 0, 3077
52 52 52 52
Resolução:
P(A) = 5/ 50
P(B) = 6/ 50
P(A ∩ B) = 2/ 50
5 5 2
P(A ∪ B) = + − = 0, 18
50 50 50
ou seja, a probabilidade é de 18%.
Exemplos Resolvidos:
Resolução:
62
13
P(A) =
52
E sendo B o evento de retirar uma dama de ouros, então:
1
P(B) =
52
Como não existe nenhuma carta de espadas que também seja, ao mesmo
tempo, uma dama de ouros então A ∩ B = ∅. Assim, a probabilidade de se
retirar uma carta de espadas ou uma dama de ouros é:
13 1 14
P(A ∪ B) = + = ≈ 0, 2692
52 52 52
Resolução:
Seja A o evento: tirar uma carta de espadas, B o evento: tirar uma dama
de ouros e C: tirar um rei de copas então:
13 1 1
P(A ∪ B ∪ C) = + + ≈ 0, 2885
52 52 52
P(A) = 1 − P(A)
63
Exemplo Resolvido:
Resolução:
P(A) = 1 − P(A)
13
⇒ P(A) = 1 −
52
3
⇒ P(A) = = 0, 75
4
ou seja, a probabilidade é de 75%.
14 INDEPENDÊNCIA ESTATÍSTICA
Veja um exemplo.
Num grupo de 100 pessoas, 40 delas são loiras, 30 usam óculos e 20 são
loiras e usam óculos.
No espaço amostral dessas 100 pessoas, os eventos A “pessoa loira" e B
“pessoa que usa óculos" não são independentes. Assim temos:
20 40 30
p(A ∩ B) = P(A) = P(B) = , com P(A ∩ B) 6= P(A) · P(B)
100 100 100
64
Exemplos Resolvidos:
9. Três parafusos e três porcas são colocados numa caixa. Se duas peças
são retiradas aleatoriamente, pergunta-se:
Resolução:
3 1
P(A) = =
6 2
3
P(B) =
5
Sendo assim, a probabilidade do evento tirar parafuso e depois uma porca
será:
1 3 3
P(A ∩ B) = · =
2 5 10
3
P(B ∩ A) =
10
Como queremos uma ou outra:
3 3 6
P((B ∩ A) ∪ (A ∩ B)) = + = = 0, 6
10 10 10
3 1
P(A) = =
6 2
Já a probabilidade de tirar o segundo parafuso é:
2
P(B) =
5
Assim, a probabilidade total é de:
65
1 2 1
P(A ∩ B) = · = = 0, 2
2 5 5
Resolução:
P(A) = 1/2; P(B) = 1/2; P(A ∩ B) = 1/4; logo, P(A ∩ B) = 1/2 × 1/2 = 1/4.
P(A) = 1/2; P(C) = 1/2; P(A ∩ C) = 1/4; logo, P(A ∩ C) = 1/2 × 1/2 = 1/4.
P(B) = 1/2; P(C) = 1/2; P(B ∩ C) = 1/4; logo, P(B ∩ C) = 1/2 × 1/2 = 1/4.
11. Em uma caixa temos 10 peças, das quais 4 são defeituosas. São reti-
radas duas peças, uma após a outra, com reposição. Calcular a probabilidade
de ambas serem boas.
Resolução:
6 6 9
P(A ∩ B) = P(A) · P(B) = · = = 0, 36
10 10 25
Resolução:
66
1 1 1 1
P(5 ∩ K ∩ K) = P(5) · P(K) · P(K) = · · = ≈ 0, 0417
6 2 2 24
Ou aproximadamente 4, 17%.
15 PROBABILIDADE CONDICIONAL
P(A ∩ B) n(A ∩ B)
P(A | B) = ou P(A | B) =
P(B) n(B)
Exemplos Resolvidos:
Resolução:
2
P(A ∩ B) 52
2 1
P(A | B) = = 12
= = ≈ 0, 1667
P(B) 12 6
52
Note que nesse caso não fizemos p(A ∩ B) = p(A) · p(B), pois os eventos A
e B não são independentes.
Disciplina
Sexo TOTAL
E Q
H 40 60 100
M 70 80 150
TOTAL 110 140 250
67
Resolução:
P(Q ∩ M)
P(Q | M) =
P(M)
80
P(Q | M) = = 0, 53
150
Resolução:
Os dados são:
P(D) = 0,83
P(A) = 0,82
P(D ∩ A) = 0,78
logo
P(A ∩ D) 0, 78
P(A | D) = = = 0, 94
P(D) 0, 83
P(A ∩ D) 0, 78
P(D | A) = = = 0, 95
P(A) 0, 82
P(A ∩ B) §
P(A ∩ B) = P(B) · P(A | B)
P(A | B) = ⇒
P(B) P(A ∩ B) = P(A) · P(B | A)
68
Exemplos Resolvidos:
Resolução:
8 7 14
P(A ∩ B) = P(A) · P(B | A) = · =
12 11 33
17. Uma urna contém duas bolas brancas (B) e três vermelhas (V). Suponha
que são sorteadas duas bolas ao acaso, com reposição. Isso significa que
escolhemos a primeira bola, verificamos sua cor e devolvemos Ãă urna; mis-
turamos as bolas restantes e retiramos a segunda. Qual a probabilidade de
ambas serem brancas?
Resolução:
2 2 4
P(A ∩ B) = · =
5 5 25
69
Ω
A3
B
A1
A2 A4
P(A ) · P(B | A )
P(A | B) = n
X
P(A ) · P(B | A )
=1
Exemplos Resolvidos:
Resolução:
P(A) = 3/ 4;
P(B) = 1/ 5;
P(C) = 1/ 20.
P(Crro | A) = 1/ 10;
P(Crro | B) = 3/ 5;
P(Crro | C) = 3/ 10.
P(B) · P(Crro | B)
⇒ P(B | Crro) =
P(A) · P(Crro | A) + P(B) · P(Crro | B) + P(C) · P(Crro | C)
1 3
· 4
5 5
= =
3 1 1 3 1 3 7
· + · + ·
4 10 5 5 20 10
19. Determinadas peças são produzidas em três fábricas F1, F2, e F3,
sendo que a fábrica 1 e 2 produzem a mesma proporção de peças e a fábrica
70
3 produz o dobro das peças que cada uma das outras duas fábricas pro-
duzem. Sabe-se também, que 2% das peças produzidas pela fábrica 1 são
defeituosas e que a proporção para as fábricas 2 e 3 são 3% e 4%, respec-
tivamente. Qual a probabilidade de que uma peça defeituosa tenha origem
da fábrica 2?
Resolução:
+ + 2 = 1 ⇒ = 25%
P(F1) = 0,25;
P(F2) = 0,25;
P(F3) = 0,50
Logo:
0, 25 · 0, 03
P(F2 | A) = = 23, 08%
0, 0325
Resolução:
Temos que determinar a probabilidade de ser mulher dado que tem mais
que 1,80 m. Vamos chamar essa probabilidade de P(M | M)
P(M) · P(M | M)
P(M | M) =
P(M) · P(M | m) + P(H) · P(M | H)
71
Do enunciado extraímos os seguintes dados:
0, 4 · 0, 02 0, 008
p(M | M) = = = 0, 21
(0, 4 · 0, 02) + (0, 6 · 0, 05) 0, 038
Resolução:
Temos que:
P(A) = 0,4;
P(B) = 0,5;
P(C)= 0,10;
P(D | A) = 0,03;
P(D | B) = 0,05;
P(D | C) = 0,02;
P(B | D) = ?
P(B) · P(D | B)
P(B | D) =
P(A) · P(D | A) + P(B) · P(D | B) + P(C) · P(D | C)
0, 5 · 0, 05 0, 025
= = = 0, 641
(0, 4 · 0, 03) + (0, 5 · 0, 05) + (0, 1 · 0, 02) 0, 039
Ou 64, 1%.
72
16 DISTRIBUIÇÃO DE PROBABILIDADE
TABELA 1
NÚMERO DE ACIDENTES FREQUÊNCIA
0 22
1 5
2 2
3 1
= 30
P
5
P(1) = = 0, 17
30
– ocorrer dois acidentes é:
2
P(2) = = 0, 07
30
– ocorrerem três acidentes é:
1
P(3) = = 0, 03
30
Podemos, então, escrever:
73
TABELA 2
NÚMERO DE ACIDENTES PROBABILIDADES
0 0,73
1 0,17
2 0,07
3 0,03
= 1, 00
P
TABELA 3
PONTO AMOSTRAL X
(C,C) 2
(C,K) 1
(K,C) 1
(K,K) 0
TABELA 4
PONTO AMOSTRAL X PROBABILIDADES
(Ca,Ca) 2 1/4
(Ca,Co) 1 1/4
(Co,Ca) 1 1/4
(Co,Co) 0 1/4
74
TABELA 5
NÚMERO DE CARAS P(X)
2 1/4
1 2/4
0 1/4
= 1, 00
P
n
P(X) = pk · qn−k
k
na qual:
75
Exemplos Resolvidos:
Resolução:
Temos:
n=5ek=3
Pela lei binomial, podemos escrever:
5 3 5−3 5 3 2
P(X = 3) = p ·q = p q
3 3
Se a probabilidade de obtermos "cara" numa só prova (sucesso) é p =
1
e a probabilidade de não obtermos "cara" numa só prova (insucesso) é
2
1 1
q=1− = , então:
2 2
3 2
5 1 1 5
P(X = 3) = · · =
3 2 2 16
Logo:
5
P(X = 3) =
16
Resolução:
Temos:
10
0, 3y · 0, 710−y
y
Logo:
10
P(0) = 0, 30 · 0, 710−0 = 0, 0282
0
10
P(1) = 0, 31 · 0, 710−1 = 0, 1211
1
10
P(2) = 0, 32 · 0, 710−2 = 0, 2335
2
76
..
.
10
P(10) = 0, 310 · 0, 710−10 = 0, 0000056
10
Resolução:
Temos:
1 2
n = 6; k = 4; P =? e q = 1 −. =
3 3
Para determinamos P (probabilidade do time A ganhar uma vez) pensamos
o seguinte: a probabilidade de num jogo o time A ganhar uma partida é igual
a probabilidade do mesmo perder ou empatar. Seja P essa probabilidade
então:
1
P + P + P = 1 ⇒ 3P = 1 ⇒ P =
3
Assim, a probabilidade do time A ganhar uma única vez é de 1/3.
Então:
4 2
6 1 2 20
P(X = 4) = · · =
4 3 3 243
Logo:
20
P(X = 4) =
243
Resolução de A:
77
e
3 6−3
6 1 2 160
P(3) = × × =
3 3 3 729
Resolução de B:
64
⇒ P(0) =
729
64
P(A ganhar pelo menos um jogo) = 1 −
729
665
⇒ P(A ganhar pelo menos um jogo) =
729
Resolução:
6
P(2) = × (0, 1)2 × (1 − 0, 1)6−2
2
6
⇒ P(2) = × (0, 1)2 × (0, 9)4
2
78
e−λ λ
P(X = ) = .
!
onde:
Exemplos Resolvidos:
Resolução:
x = 2.
Sendo assim:
52 · e−5
P(2) = = 0, 08422434 ou 8, 42%
2!
79
Resolução de A:
63 · e−6
P(3) = = 0, 08928
3!
Resolução de B:
Resolução de C:
Resolução de A:
1
λ= · 125 = 2, 5
50
O evento que estamos considerando é o de não haver emendas em 125
metros assim:
=0
Então:
80
Resolução de B:
λ = 2, 5
2, 51 · e−2,5 2, 52 · e−2,5
P(X ≤ 2, 125m) = 0, 0821 + +
1! 2!
⇒ P(X ≤ 2, 125m) = 0, 0821 + 0, 2053 + 0, 2566
Resolução de C:
1
λ= · 100 = 2.
50
P(X ≥ 1, 100m) = P(1) + P(2) + P(3) + P(4) + · · ·
Exemplo Resolvido:
a. A distribuição Binomial e
b. A distribuição de Poisson.
Resolução de A:
81
P(2) + P(3) + P(4) + · · · ' 0, 0328 + 0, 0031 + 0, 0002 ' 0, 0361 ou 3, 61%.
Note que não foi calculado P(5) em diante, isso porque a partir de P(5)
essa probabilidade se aproxima muito de zero e pode ser desprezada.
Resolução de B:
Assim,
82
16.5 CARACTERÍSTICAS DA DISTRIBUIÇÃO NORMAL
Ê É
σ
83
Curva com σ = 2 em azul e σ = 4 em vermelho.
Exemplo Resolvido:
Resolução:
2 2, 5
Queremos calcular P(2 < X < 2, 05). Para obter essa probabilidade, pre-
cisamos, em primeiro lugar, calcular o valor da variável z.
− 2, 05 − 2
z= = = 1, 25
σ 0, 04
84
donde
P(2 < X < 2, 05) = P(0 < Z < 1, 25) = 0, 3944 ou 39, 44%
85
17 REFERÊNCIA
86