Escolar Documentos
Profissional Documentos
Cultura Documentos
TEORIA E APLICAÇÕES
90
80
70
60
50
40
30
20
10
Comentários e sugestões.
Apesar dos nossos melhores esforços é inevitável que surjam erros no texto. Assim, são
bem-vindas as comunicações de correções e sugestões.
BIBLIOGRAFIA
2) LEVIN, J. e FOX, J.A. Estatística para Ciências Humanas. 9ª. Edição. São Paulo
Pearson-Prentice Hall.
6) MARTINS, G.A. Estatística Geral e Aplicada. 2a. Ed. São Paulo: Editora Atlas.
2002.
CAPÍTULO 1
ESTATÍSTICA DESCRITIVA
1. Dados históricos
Podemos considerar a Estatística como a ciência que se preocupa com a organização, descrição, análise
e interpretação dos dados experimentais.
Essa conceituação é absolutamente geral e engloba o conceito usual do que seja a Estatística. Esse
conceito usual e popular relaciona a Estatística com tabelas e gráficos nos quais os dados experimentalmente
obtidos são representados. Exemplos: Estatística do movimento da Bolsa de Valores; estatística da loteria
esportiva; estatística da Saúde Púbica: Crescimento do número de infectados pela gripe suína, acidentes de
transito com vítimas nas estradas Estaduais; estatística do crescimento da população nos estados; estatística
do movimento bancário; cheques devolvidos; cheques sem fundo; tabelas do campeonato de futebol; pesquisa
eleitoral, etc.
Essa noção refere-se apenas à parte de organização e descrição dos dados observados. Há ainda um
campo de atuação da ciência Estatística que é a análise e interpretação desses dados.
Como disciplina autônoma ela aparece no século XVII na Alemanha, tendo como objeto a descrição das
coisas notáveis do estado. Para essa autonomia muito contribuiu o alemão Herman Conring (1606-1681)
introduzindo a estatística com disciplina na Universidade de Helmstadt. Na Inglaterra surgem os chamados
Aritméticos políticos, denominação atribuída a William Petty, aos que tinham interesse especial pelas tabelas de
mortalidades em virtude de suas aplicações nos seguros de vida.
Na França desenvolve-se a partir do século XVII, o cálculo de probabilidades como disciplina científica.
Sua origem atribui-se a questões postas a Blaise Pascal (1623-1662) por Cavaleiro de Nére, para alguns autores
1
jogador inveterado, para outros um filósofo e homem de letras. Mas a maior contribuição aparece nas cartas
entre Pascal e Pierre Fermat (1601-1665) em que ambos chegam a uma solução correta do problema dos jogos
de azar.
Foi Jacques Bernoulli (1654-1705) que aperfeiçoou a teoria das probabilidades escrevendo a sua grande
obra “Ars Conjectandi”, publicada oito anos após sua morte. Pode-se dizer que foi devido as contribuições de
Bernoulli que o cálculo de probabilidades adquiriu o estatus de ciência.
Podemos citar outros grandes estatísticos como: Francis Galton (1822-1911) da escola de estatística
inglesa que criou a teoria da regressão linear. Karl Pearson (1857-1936) físico matemático dedicou-se a teoria
da correlação. Ronald Aylmer Fisher, suas contribuições para a moderna estatística são as mais importantes de
todas, sendo a figura de maior destaque de todos os tempos, desenvolveu e estruturou de forma rigorosa a
Teoria da Inferência Estatística. William S. Gosset, com pseudônimo de “Student”, devido ao fato de trabalhar
para uma fábrica de cerveja , desenvolveu em 1908 a Teoria da Amostragem
Assim, podemos dizer que a estatística atual passou a ter um caráter mais científico, deixou de ser uma
simples técnica de coleta de dados e de apresentação de dados, para se tornar um ramo de conhecimento
humano que procura tirar conclusões a partir de fatos numéricos de observação.
2
Assim, podemos concluir que a Estatística é ciência, quando estuda populações e é método, quando
serve de instrumento a uma outra ciência.
A estatística descritiva;
O cálculo das probabilidades e
Inferência estatística.
É importante enfatizar que a estatística descritiva começou antes do aparecimento do cálculo das
probabilidades, sendo seu estudo concebível sem os conceitos probabilísticos. As probabilidades são
ferramentas para a inferência estatística. A inferência estatística é interpretada de duas maneiras:
ou fazendo uma estimação a respeito de uma característica da população cujo o valor se desconhece;
ou realizando um teste sobre essa característica, da qual se afirma ter um determinado valor.
São três áreas de interesses para a estatística:
b) teoria da probabilidade e
Essas três áreas da estatística não são separadas ou distintas, ao contrário, elas tendem a se entrelaçar.
2. Ramos da Estatística
2.2. Probabilidade
O conhecimento das probabilidades associadas a uma situação fornece a base para o desenvolvimento
das técnicas de tomada de decisão, explica o funcionamento dessas técnicas e indica de que modo as conclusões
podem ser apresentadas e interpretadas corretamente.
Consiste em métodos que generalizam para a população, aquilo que se observa na amostra.
A palavra inferência é utilizada em Estatística com dois significados:
conclusões tiradas a partir de valores ou de evidências;
processo utilizado para se chegar a essas conclusões.
3
3. População – Amostra
Se a estatística se preocupa com registro de fatos, então a população tem o significado de conjunto dos
habitantes de uma determinada região. Modernamente população é qualquer coleção de objetos, seres ou entes
que apresentam pelo menos uma característica em comum.
Exemplo 1:
Vazão do rio Tietê de 1950 a 2015;
Acidentes da Via Dutra de 2000 a 2015;
Inflação brasileira de 1995 a 2015;
Notas de Matemática dos alunos do Ensino médio.
Medidas das alturas dos alunos de uma faculdade.
A população pode ter um número finito de elementos ou ter um número ilimitado, isto é, população
infinita.
Quando se estuda uma população com um número muito grande de elementos, somos obrigados a
examinar uma parte, a amostra.
Entendemos por amostra, parte da população retirada segundo uma regra conveniente, probabilística ou
aleatória. A amostra é sempre finita.
Uma pesquisa que estuda todos os membros de uma população denomina-se censo e quando se toma
uma parcela da população denomina-se pesquisa por amostragem.
A seguir mostramos um exemplo de fenômeno aleatório. A figura que segue mostra esferas de mesmo
diâmetro, caindo de um reservatório superior e passando por uma série de obstáculos, que em cada obstáculo a
probabilidade da esfera se desviar para a esquerda ou para a direita é 1/2. As esferas são colhidas em
reservatório abaixo e observa-se que elas se acumulam na parte central e tornam-se mais raras nas
extremidades.
O gráfico observado tem a forma de um sino, com a boca voltada para baixo. A essa distribuição
denominamos de Distribuição Normal ou de Gauss. (Figura 1)
Figura 1
4
Exemplos de retirada de amostras de uma população por meio da tabela de números aleatórios.
Exemplo 2:
Um candidato a prefeito de uma Capital contrata uma empresa de pesquisa de dados para avaliar sua
posição entre os candidatos, a quinze dias das eleições. Sabemos que a população da Capital é formada por
milhões de eleitores e como o órgão de pesquisa trabalha com tempo e recursos econômicos limitados, ele não
estuda individualmente todos os eleitores do município e sim uma amostra, que deve ser retirada
convenientemente da população e que apresente as mesmas informações da população. Assim, se o candidato A
é o preferido por 40% dos eleitores da amostra, isso equivale a ser também o preferido por 40% da população.
Para essa pesquisa, os eleitores são consultados aleatoriamente por meio de sorteios de bairros, ruas, casas e
classes sociais A, B, C, D e E. Para retirar uma amostra de uma população aleatoriamente, usamos a tábua de
números Aleatórios ou Randômicos, a expressão números Randômicos provém da palavra inglesa random que
significa “casual, aleatório”. A tabela 1 é parte de uma tabela de números aleatórios.
575 862 053 359 191 045 078 892 944 508 844 129
063 558 334 157 151 189 770 246 377 362 560 634
666 181 029 348 396 735 984 632 383 737 532 259
387 297 267 470 545 549 719 531 099 784 959 438
716 262 928 273 326 161 742 884 879 184 627 953
931 443 459 268 505 364 789 838 178 892 645 618
087 370 911 952 595 863 589 024 276 605 317 913
285 852 975 574 503 355 339 907 655 998 807 058
283 133 568 029 147 973 759 205 690 763 953 361
919 386 487 101 360 500 001 045 364 436 862 234
374 415 513 773 874 046 443 549 905 554 962 432
903 090 386 175 422 490 435 185 447 429 756 170
813 435 050 845 473 381 242 597 581 435 931 122
845 507 797 223 001 740 233 067 235 969 218 915
5
102 184 165 787 207 250 416 874 144 175 850 230
092 829 185 336 538 837 596 690 702 096 328 284
737 467 011 721 389 114 950 528 794 431 632 741
076 069 066 346 180 043 526 035 712 099 962 866
292 571 795 223 885 774 366 679 414 386 928 425
052 614 848 560 449 017 870 690 721 335 499 249
Exemplo 3:
O professor de Educação Física do Ensino Médio faz uma pesquisa para estudar as alturas de seus
alunos do sexo masculino, envolvendo 999 alunos e deseja retirar uma amostra de 100 alunos seguindo a tabela
de números aleatórios.
Para construirmos essa amostra, podemos numerar os 999 alunos, atribuindo a cada aluno um número de
três dígitos como os da sequência: 001, 002, 003, ... , 998 e 999. Para a escolha dos 100 elementos dentre os
999 alunos, podemos iniciar a consulta à tabela dos números aleatórios a partir de qualquer número da tabela
randômica, por exemplo: tomamos três a três os números a partir do número 884 que está na quinta linha e na
oitava coluna, e em seguida tomamos a medida da altura dos alunos cujos números são: 879; 184; 627; 953;
931; 443;..., até o encontrarmos o centésimo aluno. Assim, retiramos de uma população de 999 elementos uma
amostra de 100 elementos, de maneira aleatória, por meio da tabela de números randômicos. Se a população é
maior ou menor que 999 elementos, desenvolvemos um novo processo para a retirada da amostra.
Exemplo 4:
Retirar da população da tabela 2 uma amostra de 100 elementos, por meio de amostragem simples ao
acaso, consultando a tabela 1 de números aleatórios. Por exemplo, inicie a retirada dos números começando
pelo número aleatório da tabela, localizado na sexta linha, primeira coluna, número (931) em seguida 443 e
sempre três a três.
Tabela 2
8,8 15,6 15,3 12,7 5,9 3,3 3,5 7,2 16,7 14,7
7,7 13,4 15,5 14,5 7,0 10,8 11,8 2,7 3,8 9,0
11,6 9,5 8,6 7,0 7,5 10,9 7,2 9,5 8,4 12,9
14,9 4,1 13,1 10,6 17,0 4,2 3,8 10,6 4,5 11,8
6,4 8,4 7,3 13,1 16,5 5,5 15,3 13,7 9,7 11,5
11,2 9,6 8,8 11,7 3,1 6,5 1,9 6,9 10,2 8,3
6
16,0 7,5 8,6 9,0 6,9 12,4 6,4 11,9 3,5 5,1
16,6 6,1 8,7 3,9 11,2 8,5 9,4 5,7 12,4 11,6
9,2 10,9 8,4 3,8 7,6 2,2 10,0 2,7 6,9 8,5
12,9 8,1 9,4 7,8 17,0 12,1 9,4 4,7 9,0 11,2
13,8 16,4 14,3 5,9 9,8 9,8 7,7 8,7 6,8 10,7
9,1 5,1 16,7 6,2 14,4 14,0 9,8 10,5 9,3 7,8
12,3 13,2 6,5 4,1 11,8 5,3 14,4 10,9 14,2 7,2
10,0 14,1 8,6 7,9 6,8 14,7 12,2 10,0 2,0 3,5
5,5 13,1 15,1 5,1 10,6 8,3 6,3 12,2 15,1 5,5
14,0 7,6 16,6 2,6 8,4 5,7 9,9 9,9 9,0 13,7
16,6 6,3 3,2 10,8 5,8 3,7 14,0 11,3 16,8 9,7
8,7 6,4 8,1 10,7 8,3 10,2 11,7 7,9 11,8 10,5
11,2 5,9 5,2 15,7 10,2 2,2 10,7 9,0 4,7 10,3
2,8 11,4 11,1 3,0 7,9 12,0 6,9 12,2 14,0 9,8
Resolução:
Os números aleatórios na tabela 1 foram colocados de três em três algarismos para facilitar nossa
visualização. No exemplo 3 a tabela 2 é formada por 200 números. Devemos transformar essa tabela 2 em 1000
números para corresponder aos elementos da tabela de números randômicos. Para isso adotamos que cada
número dado na tabela 2 seja considerado como 5 números iguais. Por exemplo, o primeiro número da tabela é
8,8 deve ser considerado como 8,8 – 8,8 – 8,8 – 8,8 – 8,8. Dessa forma passaremos a ter 1000 números. A
tabela a seguir indica esses números.
Tabela 3
De 01-5 6-10 11-15 16-20 21-25 26-30 31-35 36-40 41-45 46-50
0 8,8 15,6 15,3 12,7 5,9 3,3 3,5 7,2 16,7 14,7
50 7,7 13,4 15,5 14,5 7,0 10,8 11,8 2,7 3,8 9,0
100 11,6 9,5 8,6 7,0 7,5 10,9 7,2 9,5 8,4 12,9
150 14,9 4,1 13,1 10,6 17,0 4,2 3,8 10,6 4,5 11,8
200 6,4 8,4 7,3 13,1 16,5 5,5 15,3 13,7 9,7 11,5
250 11,2 9,6 8,8 11,7 3,1 6,5 1,9 6,9 10,2 8,3
7
300 16,0 7,5 8,6 9,0 6,9 12,4 6,4 11,9 3,5 5,1
350 16,6 6,1 8,7 3,9 11,2 8,5 9,4 5,7 12,4 11,6
400 9,2 10,9 8,4 3,8 7,6 2,2 10,0 2,7 6,9 8,5
450 12,9 8,1 9,4 7,8 17,0 12,1 9,4 4,7 9,0 11,2
500 13,8 16,4 14,3 5,9 9,8 9,8 7,7 8,7 6,8 10,7
550 9,1 5,1 16,7 6,2 14,4 14,0 9,8 10,5 9,3 7,8
600 12,3 13,2 6,5 4,1 11,8 5,3 14,4 10,9 14,2 7,2
650 10,0 14,1 8,6 7,9 6,8 14,7 12,2 10,0 2,0 3,5
700 5,5 13,1 15,1 5,1 10,6 8,3 6,3 12,2 15,1 5,5
750 14,0 7,6 16,6 2,6 8,4 5,7 9,9 9,9 9,0 13,7
800 16,6 6,3 3,2 10,8 5,8 3,7 14,0 11,3 16,8 9,7
850 8,7 6,4 8,1 10,7 8,3 10,2 11,7 7,9 11,8 10,5
900 11,2 5,9 5,2 15,7 10,2 2,2 10,7 9,0 4,7 10,3
950 2,8 11,4 11,1 3,0 7,9 12,0 6,9 12,2 14,0 9,8
Portanto, os 100 números que seguem foram retirados aleatoriamente e são os dados brutos.
10,7 6,9 8,1 8,8 13,8 8,7 9,9 11,3 4,2 11,8
14,2 4,1 2,7 9,0 5,2 2,8 6,8 8,1 10,5 5,9
6,5 12,3 9,0 5,2 1,9 8,7 7,9 14,4 13,8 16,6
11,9 5,9 10,0 9,8 6,3 13,4 1,9 7,2 6,2 3,3
12,9 7,9 7,6 6,4 10,0 16,6 2,8 8,6 15,7 5,7
4,7 11,6 6,1 11,2 8,8 16,7 8,7 2,7 3,2 15,3
11,9 8,4 14,3 8,3 14,7 9,0 10,7 11,2 9,1 11,1
10,0 11,2 2,7 11,9 17,0 7,6 4,7 17,0 3,8 8,5
2,2 7,6 10,6 3,2 10,0 14,7 16,8 17,0 9,4 9,7
7,8 9,8 10,0 10,7 7,5 16,8 5,1 13,7 16,5 8,4
Tabela 4
8
4. Tipos de Variáveis
Em Estatística variável é uma atribuição de um número a cada característica da unidade de observação,
ou seja, é uma função matemática definida na população ou ainda, uma variável corresponde a uma
característica de um item ou de um individuo.
As variáveis são classificadas como qualitativas e quantitativas.
4.1. Variável qualitativa
Quando uma característica ou variável é não numérica, denomina-se variável qualitativa ou atributo.
Exemplo 5: São variáveis qualitativas: sexo, religião, naturalidade, cor dos olhos e faixa etária.
a) As variáveis quantitativas discretas são aquelas cujos possíveis valores formam um conjunto finito
ou enumerável de números que resultam frequentemente de contagem.
Exemplo 6:
Exemplo 7:
a) Tempo de duração das provas de matemática.
b) Tempo duração de baterias de carros.
c) As alturas dos alunos de uma classe da disciplina de Estatística.
Nas Variáveis contínuas quando feitas por medidas, por exemplo, as alturas dos alunos, e dependendo
da unidade de medida podemos obter 1,65 m, ou 165,2cm ou 1652,7mm conforme a precisão da medida.
9
1) Escala nominal de mensuração envolve simplesmente o ato de nomear ou rotular, não esta explícito nenhum
tipo de classificação.
Exemplo 8:
a) Possui computador: sim ___ não____.
b) Sexo: masculino ____ feminino ____.
c) Religião: católica ____ crente _____.
d) Estado civil: casado ____ solteiro___.
2) Escala ordinal de mensuração ocorre quando se procura ordenar seus elementos ou classificar.
Exemplo 9:
a) Classificação sócio econômica: Classe baixa, classe média e classe alta.
b) Satisfação de um produto: Insatisfeito, satisfeito e muito satisfeito.
c) Classificação docente: Assistente e titular.
3) Escala intervalar consiste numa escala ordenada a qual podemos afirmar se uma medida é igual ou diferente,
maior e quanto maior que outra, mas não tem origem.
Exemplo 10:
a) Temperatura de um indivíduo: [36C°, 40C°].
b) Temperatura da cidade de São Paulo: [12C° a 30C°].
4) Escala de razão é uma escala ordenada que envolve medidas nessa escala. Se for medida em cm tem-se o 0
(zero) como origem e a unidade 1 cm. Tem origem fixa.
Exemplo 11:
a) Altura dos alunos em cm.
b) Peso dos alunos em Kg.
c) Idade em anos.
d) Salários dos funcionários da faculdade.
Dados brutos são aqueles que ainda não foram numericamente organizados. Um exemplo é o conjunto
das alturas de 100 estudantes do sexo masculino, tirado de uma lista alfabética do registro de alunos de uma
Faculdade.
5.2. Rol
Um rol é um arranjo numérico bruto em ordem crescente ou decrescente de grandeza. A diferença entre
o maior e o menor número do rol chama-se amplitude total dos dados. Por exemplo, se a maior altura dos 100
estudantes do sexo masculino é 188 cm e a menor 152 cm, a amplitude total será de R = 36 cm.
10
5.3. Distribuição de frequência
Uma vez coletados os dados é comum ordená-los, dando origem ao rol. A tabulação desses dados junto
com as frequências correspondentes obtém-se a chamada distribuição de frequências.
Exemplo 12:
A tabela que segue é um exemplo de distribuição de frequência discreta e apresenta as idades de alunos da
disciplina de estatística e suas frequências.
xi fi
18 8
xi : Idade dos alunos que cursam a disciplina
19 10
de estatística
20 7
21 5
fi : número de alunos com a respectiva idade
22 4
5.4. Frequência absoluta
Frequência absoluta de uma variável xi é o numero total de dados que se repete em xi e representamos
por f i .
xi fi fr fac
18 8 8/34=0,235 8
19 10 10/34=0,294 18
20 7 7/34=0,205 25
21 5 5/34=0,147 30
22 4 4/34=0,117 34
Total 34 1
11
5.7. Gráfico de frequências
Tipos de gráficos:
a) Gráfico de barras ou colunas
3 Série 1
2 Série 2
Série 3
1
0
Categoria 1 Categoria 2 Categoria 3 Categoria 4
GASTOS
Gastos
Educação 19% 68º
Alimentação 30% 108º
Educação Transportes 20% 72º
Moradia 15% 54º
Alimentação
Gerais 16% 58º
Transportes
Moradia
Gerais
12
Seguem os gráficos correspondentes ao exemplo 12.
Mostram os valores dos dados xi no eixo horizontal e as frequências no eixo vertical
c) Gráfico da frequência absoluta d) Gráfico da frequência acumulada
f 35 f
10 i ac
9 30
8 25
7
6 20
5 15
4
3 10
2 5
1 xi xi
0 18 19 20 21 22
0 18 19 20 21 22
Exemplo 14:
Uma clínica dentária relacionou os tempos de atendimento em minutos, de seus clientes e apresentou a
tabela de atendimento do mês de maio.
10 12 13 10 11 12 11 13
11 10 11 12 12 11 12 10
14 12 14 12 13 10 13 11
13 11 12 14 12 13 12 14
xi fi fr fac
10 5 0,16 5
11 7 0,22 12
12 10 0,31 22
13 6 0,19 28
14 4 0,12 32
Total 32 1
Exemplo 15:
A pesquisa que segue foi feita pelo Instituto Gallup com mulheres com mais de 15 anos de idade em 147
países e que responderam à pergunta:
Como as mulheres avaliam suas vidas. Construir um gráfico de pizza para essa tabela.
13
Sofrendo 13%
Prosperando 24%
Batalhando para sobreviver 63%
Solução: Devemos encontrar para as porcentagens indicadas os valores em graus e representar no círculo.
Assim:
13% x0
13
100% 3600 , logo x0 360 46,8 470
100
24% x0
24
100% 3600 , logo x0 360 86,4 860
100
63% x0
63
100% 3600 , logo x0 360 226,8 2270
100
Como as mulheres avaliam suas vidas
13%
63%
24%
A média é um valor típico ou representativo de um conjunto de dados, sendo a medida de posição mais
importante de uma variável. Como esses valores típicos tendem a se localizar em um ponto central de um
conjunto de dados ordenados segundo suas grandezas, as medidas também são denominadas medidas da
tendência central.
Vários tipos de médias podem ser definidas: a média, a média geométrica e a média harmônica, sendo a
mais comum a média aritmética ou, abreviadamente média. Cada uma delas apresenta vantagens e
desvantagens, dependendo dos dados e dos fins desejados.
14
6.1. Média Aritmética
Situação-problema:
Um professor de matemática aplicou sua prova bimestral a 20 alunos e no momento da entrega das
provas pelos alunos, as corrigia, não comunicando as notas para que não houvesse tumulto. Durante a
correção foi anotando ao lado as notas e na saída da sala disse a todos que a média obtida pela classe era 6.
Levou para casa as provas e as perdeu.
a) Como deve o professor atribuir as notas de cada aluno?
b) O professor recuperou as notas que foram dadas:
6 5 6 4 6 5 7 6 6 7
7 6 5 7 8 4 6 5 8 6
Exemplo 16:
Sendo x1 1, x2 3, x3 7, x4 5, x5 10
5 5
Calcular a) xi b) xi2
i=1 i =1
Solução:
5
a) xi 1 3 7 5 10 26
i=1
5
b) xi2 12 32 7 2 52 102 1 9 49 25 100 184
i =1
15
4 i
b) = 29/6
i 2 i 1
2
c) ( j 2 j 1 ) = 6
j 1
xi 1 2 3 4 5 6 7 Determinar:
7
fi 2 3 5 7 4 3 1 7
a) xi
i = 1
b) f
i =1
i
A resolução é mais simples se montarmos a tabela na forma indicada e na última linha colocamos a
soma das colunas.
xi fi
1 2
2 3
3 5
4 7
5 4
6 3
7 1
Média Aritmética, ou média de um conjunto de n números x1, x2 ,...., xn é representada por x (leia-se “x
n
x ... x
x
barra”) e é definida por: x x 1 2
n i 1
i
n n
Exemplo 17:
Sejam as notas obtidas por um aluno de matemática
x1 4, x2 6 , x3 5, x4 9 , determinar a média x .
A média é dada por
4
x i
x1 x2 x3 x4 4 6 5 9 24
x i = 1
6
n n 4 4
Quando xi apresentar elementos repetidos, a média aritmética dos valores de x é dada por:
16
n
x f i i
x i 1
ou por comodidade, deixaremos de colocar os índices do somatório e
n
escrevemos: x
x f i i
n
Voltando ao item b) da situação problema, montamos a tabela de notas dos alunos
xi fi xi fi
4 2 8
5 4 20
6 8 48
7 4 28
8 2 16
20 120
Se os números ocorrem f1, f2, f3, ..., fn vezes, respectivamente, isto é, ocorrem para cada número uma
frequência f1, f2, f3, .......fn , a média aritmética será definida por:
x i i
xf
n
Exemplo 18:
Se o exame final de um curso tem peso 3 e as 2 provas mensais peso 1, um estudante que obteve 70 e 90
pontos nas provas e 85 no exame final, então a média é dada por:
x
1.70 1.90 3.85 83 pontos.
11 3
17
3) Medidas de diâmetros de parafusos.
1,2; 1,4; 1,4; 1,4; 1,6; 1,6; 1,6; 1,6; 1,6; 1,8; 1,8; 1,8; 1,8; 2 e 2.
4) As notas de 9 alunos de estatística são:4,5; 4,8; 5,7; 7,1; 7,5; 7,9; 8,3; 9,5; 9,7. Sabe-se Pedro é o 10º
aluno e a média da turma incluindo a nota de Pedro é 7,2. Determinar a sua nota.
Exemplo 19:
O conjunto dos números 3,4,4,5,6,8,8,8,10 tem mediana Md(X) = 6, pois, ocupa a 5ª posição.
n 1
Se o número de observações é ímpar, então para localizar a mediana é só aplicar a fórmula ,
2
n 1
portanto, Md(X) é o elemento que ocupa a posição .
2
Se o número de observações é par, então existem dois elementos centrais: Md1(X) é o elemento que
n n
ocupa a posição e Md2(X) é o elemento que ocupa a posição 1. Uma vez obtidos esses valores, a
2 2
Md1 Md2
mediana é definida como a média aritmética Md (X)= .
2
Exemplo 20:
No conjunto dos números 5,5,7,9,11,12,15,18 determinar a mediana. Como n é par procuramos os
n 8 n 8
elementos que ocupam a posição 4º ,logo Md1(X)=9 e 1 1 5º e Md2(X)=11. Assim, a
2 2 2 2
mediana é definida por:
9 11
Md(X) = 10
2
6.4. Moda - Mo(X)
A moda é outra medida de posição central, sendo o valor que ocorre com maior frequência na
distribuição. Se dois valores tem maior frequência então a distribuição é bimodal. No exemplo 20 acima 5
representa a moda.
6.5. Separatrizes
Separatriz de um conjunto de dados ordenados em ordem crescente ou (decrescente) é o elemento da
série dos dados que divide em partes.
18
Os quartis, decis e percentis são as separatrizes que dividem a série respectivamente em quatro, dez e
cem partes iguais.
A mediana é uma separatriz que divide a série em duas partes iguais.
Os quartis dividem a série em quatro partes iguais e são representados por: q1 , q2 e q3 , sendo
denominados, respectivamente, primeiro, segundo e terceiro quartil, sendo o valor q2 = Md(X).
Os decis são os valores que dividem a série de dados em dez partes iguais e são representados por
d1 , d2 ,..., d9 .
Percentis. Da mesma forma como estudamos mediana, quartis e decis, os valores que dividem a série
em 100 partes iguais denominam-se percentis e são representados por p1 , p2 ,..., p99 .
Notação:
Quando escrevemos p(Qi ) indicamos a posição do quartil qi .
Quando escrevemos p(Di ) indicamos a posição do centil d i .
Quando escrevemos p( Pi ) indicamos a posição do percentil pi .
Exemplo 21:
Determinar os quartis para a amostra A: 6, 8, 4, 3, 9, 8, 5, 4, 7, 5, 8, 2, 7, 8 e 4.
2 3 4 4 4 5 5 6 7 7 8 8 8 8 9
1º 2º 3º 4º 5º 6º 7º 8º 9º 10º 11º 12º 13º 14º 15º
(n 1) (n 1)
p(Di ) = . i , assim o 7º decil ocupa a posição p(D7 ) = .7
10 10
Exemplo 22:
A tabela que segue apresenta uma amostra de 36 elementos com suas frequências. Determinar:
a) Mediana. b) Quartis. c) 4ºDecil.
19
Da tabela escrevemos Mediana: como n =36 (par) temos dois valores centrais
xi fi fac 18º sendo Md1 ( X ) 9,05 e 19º como Md2 ( X ) 9,05 , logo, a
5,01 4 4 mediana é Md ( X ) 9,05 .
36
7,03 7 11 Quartil: p(Q1 ) .1 9º e 10º elementos, logo q1 7,03
9,05 11 22 4
36
11,07 8 30 p(Q2 ) .2 18º e 19º elementos, logo, q2 9,05
4
13,09 6 36 36
p(Q3 ) .3 27º e 28ºelementos, logo, q3 11,07
36 4
36
Decil: p(D4 ) .4 14,4 14º e 15º elementos, logo, d4 9,05
10
O gráfico denominado Box plot é obtido por meio dos quartis. Obtidos os quartis
q1 , q2 e q3 , determinamos a amplitude interquartílica, definida por: Iq q3 q1 , isto é, a distância entre o maior
e o menor quartil. O quartil q2 ou mediana fica representado no interior da caixa.
O extremo inferior da cauda é denominado limite inferior e é determinado por LI q1 1,5Iq e o limite
superior LS q3 1,5 Iq . Os valores que se situam fora dos limites da distribuição são denominados outliers.
Utilizando os dados do exemplo 20 temos: q1 7,03 , q2 9,05 e q3 11,07 . Nesse caso o intervalo
interquartílico é dado por Iq q3 q1 11,07 7,03 4,04 e tem como limites:
LI q1 1,5Iq =7,03-1,5.(4,04)=0,97.
LS q3 1,5 Iq 11,07+1,5.(4,04)=17,13.
LI=0,97 L S=17,13
20
8. Medidas de tendência lateral ou de dispersão
Quando propusemos substituir todas as notas perdidas pelo professor pela nota (média) x 6 , os alunos
cujas notas eram superiores à média 6 reclamaram, porém, os de notas inferiores não. Na ótica do professor
atribuir nota 6 a todos os alunos não mostra a performam-se da turma, pois todos recebem a mesma nota, mas
ao atribuir as notas verdadeiras se observa a variabilidade da turma.
Estudemos a variabilidade para as amostras que seguem:
Amostra A: 2,3,4,8,9,10, tem seis elementos e média x 6
Definimos desvio com o resultado da diferença entre o valor de cada observação e o valor da média.
Observação 2:
1) A soma dos desvios calculados em relação à media é sempre igual a zero, isto é,
(x x) 0
i
2) Como a soma é sempre nula tomamos cada parcela da soma em módulo e definimos desvio médio da
amostra em relação à média por:
dm( X ) i
| x x | fi
n
Outra maneira para calcular o desvio é elevar ao quadrado cada uma de suas parcelas, pois, teremos
também soma diferente de zero, dessa maneira definimos desvio quadrático médio ou variância por:
S 2
( X ) V ar( X )
( x x )
i
2
fi
n
8.3 Desvio padrão da amostra
Sendo a variância uma medida de dimensão igual ao quadrado da dimensão dos dados, isso pode causar
problemas de interpretação, portanto, costuma-se usar o desvio padrão que é definido como raiz quadrada da
variância. Utilizamos dois tipos de desvios padrões:
21
Observação 3: Para valores de n grandes é indiferente o uso de uma ou outra fórmula.
Exemplo 23:
Dar as medidas de tendência central e as de dispersão para as amostras A e B. Resolução: Montando
primeiramente a distribuição para os valores da tabela A, segue:
xi fi xi fi | xi x | | xi x | fi (xi x )2 fi
2 1 2 4 4 16
3 1 3 3 3 9
4 1 4 2 2 4
8 1 8 2 2 4
9 1 9 3 3 9
10 1 10 4 4 16
6 36 18 58
a) Média: x
x f i i
36
6
n 6
V ar( X )
( x x ) i
2
fi
58
11,6
n 1 5
d) Desvio padrão da amostra:
dp(X)= V ar( X )
(x x ) i
2
fi
11,6 3,40587
n 1
Para a amostra B, tem-se:
xi fi xi fi | xi x | | xi x | fi | xi x |2 fi
5 2 10 1 2 2
6 2 12 0 0 0
7 2 14 1 2 2
6 36 4 4
22
Como fizemos para a amostra A, calculamos com o uso das fórmulas os valores:
a) Média.
dm( X ) i
| x x | fi 4
0,7 , valor bem menor que da amostra A igual a 3.
n 6
c) Desvio quadrático médio ou variância da amostra
S 2
( X ) Var( X )
( x x )
i
2
fi
4
0,8
n 1 5
d) Desvio padrão da amostra
S ( X ) Var ( X )
(x x )
i
2
fi
0,8 0,894 .
n 1
Conclusão:
Comparando as duas amostras vê-se que os valores obtidos pelo desvio padrão são: da amostra A, (
S ( X ) 3,40587 ) e da amostra B, ( S ( X ) 0,894 ). Assim concluímos que a amostra A tem maior dispersão
que a amostra B, isto é, os valores da amostra B estão mais próximos da média.
23
dp( X ) 0,894
Para a amostra B, segue CV ( X ) = 0,149 15% . Analisando os valores obtidos vê-se
x 6
que a amostra B é mais homogênea que A.
Exemplo 25:
Com o uso da tabela que segue, determinar as medidas de tendência central e as de dispersão.
a) Média
b) Moda
c) Mediana
d) Desvio Médio
e) Variância
f) Desvio Padrão
g) Gráfico de frequência absoluta
h) Coeficiente de variação
Com os valores dados construímos a distribuição de frequência colocando os valores em ordem crescente
e calculamos as medidas com uso da tabela que segue.
xi fi xi fi fac | xi x | | xi x | fi (xi x )2 fi
5,01 4 20,04 4 4,32 17,28 74,6842
7,03 7 49,21 11 2,30 16,11 37,0622
9,05 11 99,55 22 0,28 3,09 0,8686
11,07 8 88,56 30 1,74 13,91 24,1930
13,09 6 78,54 36 3,76 22,55 84,7805
36 335,90 72,94 221,5885
24
a) Média. (Tomamos a média com uma casa decimal a mais que xi )
x i i
x f 335,9
9,331
n 36
b) Moda
O elemento de maior frequência na tabela é a moda: Mo( X ) 9,05
n
180..........Md1 9,05
c) Mediana se n é par, então 2 portanto, Md ( X ) 9,05
n
1 19 .....Md2 9,05
0
2
d)Desvio médio
dm( X ) i
| x x | fi 72,94
2,03
n 36
e) Desvio quadrático médio ou variância
V ar( X )
( x x )
i
2
fi
221,5885
6,3311
n 1 35
f) Desvio padrão
S ( X ) V ar( X )
(x x ) i
2
fi
6,3311 2,516168
n 1
Se a distribuição de frequência tem a forma de um sino ela é simétrica, então aproximadamente 68% das
medições estão contidas no intervalo ] x S ( X ), x S ( X )[ .
11 fi
10
9
8
7
6
5
4
3
2
1 xi
0 5,01 7,03 9,05 11,07 13,09
h) Coeficiente de variação
dp( X ) 2,516168
CV ( X ) = =0,2696568 27% (não é homogênea, e tem média dispersão )
x 9,331
25
Exercícios Aplicativos 03:
Exercício 1:
A tabela a seguir apresenta as notas de matemática da primeira prova bimestral, determinar
a) as medidas de tendência central e as de dispersão.
b) gráfico da frequência absoluta e da acumulada.
xi fi fac xi fi | xi x | | xi x | fi ( xi x )2 fi
1) Média: x
x i fi
n
2) Moda: Mo( X ) Mediana: Md ( X )
S 2 ( X ) ( xi x ) fi
2
n 1
26
5) Desvio Padrão:
6) Coeficiente de variação.
27
Exercício 2: Foram coletados os seguintes dados de uma pesquisa, determinar as medidas de tendência
central, as de dispersão, box plot e o gráfico da frequência absoluta.
1,2 – 1,8 – 2,0 – 1,4 – 1,6 – 1,8 – 1,4 – 1,8 – 2,0 – 1,6 –1,6 – 1,2 – 1,6 – 1,8 –1,4 –
1,6 – 1,8 – 1,4 – 2,0 – 1,4 – 1,8 – 1,6 – 1,2 – 1,6 – 2.0 –1,4 – 1,6 – 1,6 –1,4
xi fi fac xi fi | xi x | | xi x | fi ( xi x )2 fi
1) Média: x
x i fi
n
2)Moda: Mo( X )
3) Mediana: Md ( X )
S2 (X )
( xi x )2 fi
n 1
6)Desvio Padrão:
28
dp(X) = S ( X ) Var ( X ) (x i x )2 fi
n 1
7) Coeficiente de variação
8) Box plot
29
xi fi fac xi fi | xi x | | xi x | fi (xi x )2 fi
1) Média: x
x i fi
n
2)Moda: Mo( X )
3) Mediana: Md ( X )
V ar( X )
( x x )
i
2
fi
n 1
6)Desvio Padrão:
7) Coeficiente de variação
8) Box plot
30
9) Construir o gráfico da frequência absoluta e representar a média e o desvio padrão
15,6 7,8 13,8 5,1 12,4 9,5 12,2 10,3 13,8 5,5
7,7 6,5 6,4 10,0 2,2 9,3 6,4 10,0 8,5 13,1
11,8 12,7 15,5 2,7 6,4 6,8 5,1 11,2 16,6 3,6
8,3 12,4 6,4 7,2 10,5 4,7 14,0 17,0 6,8 15,1
12,2 13,2 4,7 8,4 14,1 10,8 17,0 14,0 13,1 10,7
9,8 6,2 7,7 9,0 17,0 12,2 9,0 12,1 9,8 6,2
8,7 6,5 13,7 11,8 7,7 15,5 5,7 5,1 10,2 7,7
5,9 3,9 3,3 12,2 8,4 9,3 16,6 3,7 9,4 12,2
14,0 6,9 10,8 8,5 6,4 8,6 10,0 10,0 10,9 9,3
17,0 10,9 12,7 14,0 15,6 11,2 15,6 12,4 6,4 9,4
Essa tabela nos diz que seus elementos são quase todos distintos, portanto, trata-se de uma variável
contínua. Neste caso trabalharemos com dados agrupados e seguiremos os seguintes passos para o estudo dessa
distribuição.
10.1. Amplitude da amostra. A amplitude da amostra é dada pela diferença entre as observações de maior
Queremos dividir R = 14,8 em classes, todas com mesma amplitude. Não existe regra única para
escolher o número destas classes, é recomendável que se n é o número de
b) Critério de Sturge: K 1 3,322log n , sendo K o maior número inteiro menor que 1 3,322log n . Por
R 14,8
A amplitude de cada classe é dada por: r 1, 48 . Os limites das classes devem ser
K 10
escolhidos de modo que cada um dos valores pertença somente a uma classe, se o valor coincidir com o extremo
da classe, ele deve ser contado como elemento da classe posterior, com exceção da última classe. Definindo xi
como ponto médio da classe, isto é, a soma do limite superior da classe com o limite inferior da classe dividindo
por 2 e fazendo a contagem dos elementos (idades dos alunos) em cada classe, segue a tabela.
xi fi xi fi fac | xi x | | xi x | fi (x x )
i
2
fi
classes
32
a) Média (Adotamos a média com uma casa decimal a mais que xi )
x i i
x f 982,2
9,822
n 100
Utilizamos para a determinação da moda a fórmula de Czuber, a qual é obtida por semelhança de
triângulos.
Substituindo os valores em
Mo lmo 1 Mo 8,12 6
, segue e o valor da moda é
r 1 2 1,48 6 1
Mo( X ) = 8,12 +1,2685 = 9,3885
c) Mediana
O cálculo da mediana para a variável contínua difere do modelo de variável discreta, neste caso a
mediana esta localizada na classe mediana, porém, o valor do elemento da série não é identificável. Sabemos
que a mediana é o valor que ocupa a posição central de uma distribuição ordenada. Se o número de elementos
n 1
for ímpar, então a mediana é o elemento que ocupa a posição . Voltando ao exemplo verificamos que o
2
número de elementos é par, logo
33
n 100
2 2 50º
se n é par, então a mediana ocupa a posição n
1 100 1 51º e, devemos encontrar o elemento que
2 2
ocupa (50,5)0 . Tomamos para isso a classe mediana e os elementos da frequência acumulada anterior e
posterior do elemento (50,5)0 . Usando semelhança de triângulos podemos escrever:
d) 1º quartil
A determinação do 1º quartil se faz analogamente à mediana, determinamos primeiramente a posição p(Q1 )
e como o número de elementos é par segue:
n 100
f
ac 4 .1 4 25º
D , assim, devemos
33 n .1 1 100 1 26º
4 4
dm( X ) i
| x x | fi 305, 472
3,05472
n 100
34
f) Desvio quadrático médio ou variância
S(X)= V ar( X )
( x x ) i
2
fi
1333,4059
13,468746
n 1 99
g) Desvio padrão
dp(X)= S ( X ) V ar( X )
(x x ) i
2
fi
13,46874717 3,669979179
n 1
h) Gráficos. O gráfico da frequência é denominado histograma, é um gráfico no qual as classes são marcadas
no eixo horizontal e as frequências no eixo vertical representando as alturas por meio de barras. As barras são
desenhadas de forma adjacentes uma em relação a outra. Ligando os pontos médio das classes tem-se o
polígono de frequência.
fi
classe
0 2,20 3,68 5,16 6,64 8,12 9,60 11,08 12,56 14,04 15,52
17,00 xi
mo
Histograma
com
Moda, Média, e Mediana
1) Simétrico
Um histograma simétrico tem o gráfico idêntico em ambos os lados do ponto central onde se localizam a
moda a média e a mediana.
f ( xi )
xi
média=moda=mediana
35
2) Assimétrico
Um histograma assimétrico quando seu formato não é simétrico.
a) Assimétrico à direita.
Quando possui uma cauda mais longa à direita e neste caso as medidas de tendência central estão localizadas na
ordem: moda, mediana e média.
f ( xi )
f ( xi )
xi
média mediana moda
x i
Exercícios aplicativos 04:
Exercício 1:
A experiência com trabalhadores de uma indústria indica que o tempo requerido em minutos para que
um operário aleatoriamente selecionado realize uma tarefa, esta indicado na tabela. Montar a tabela e
determinar o que se pede:
31 29 20 31 22 22 32 41 21 29 30 25 35 40 31
32 21 36 38 39 32 21 36 38 39 28 36 23 36 31
27 41 29 22 41 25 40 37 24 27 34 37 28 28 31
36 20 30 22 35 24 25 23 33 34 32 27 28 34 30
2) Número de Classes: K =[ n ] =
36
3) Amplitude da Classe: r = R/K =
4)Média: x
x i fi
n
5)Moda: Mo( X )
6) Mediana: Md ( X )
8) Variância : S (X )
2 ( x x ) i
2
fi
n 1
9) Desvio Padrão:
37
dp(X)= S ( X ) Var( X )
(x x )
i
2
fi
n 1
Exercício 2: Foram coletados os dados de uma pesquisa e obteve-se a distribuição na variável contínua.
Determinar as medidas de tendência central e as de dispersão.
classes xi fi fac xi fi | xi x | | xi x | fi ( xi x )2 fi
2,1 |—— 3,1 3
3,1 |—— 4,1 7
4,1 |—— 5,1 10
5,1 |—— 6,1 6
6,1 |—— 7,1 3
1) Média: x
x i fi
n
2) Moda: Mo( X )
38
3) Mediana: Md ( X )
4) 3º quartil
5) Desvio Médio:
dm( X ) i
| x x | fi
n
6)Variância :
S 2
(X )
(x x ) f
i
2
i
n 1
7)Desvio Padrão:
dp(X)= S ( X ) Var( X )
(x x )
i
2
fi
n 1
8) Coeficiente de variação:
39
Exercícios aplicativos 05:
1. A tabela a seguir apresenta as notas xi e as frequências f i obtidas pelos alunos na prova de geografia. A
partir destes dados podemos dizer que
xi fi xi fi
5 2
6 4
7 8
8 4
9 2
(A) 5
(B) 6
(C) 5,5
(D) 6,5
(E) nda
3. A tabela a seguir é uma distribuição na variável contínua e apresenta as classes e suas respectivas
frequências. Nestas condições podemos dizer que a mediana é
classes fi
0 |—— 2 3
2 |—— 4 7
4 |—— 6 10
6 |—— 8 6
8 |—— 10 3
xi fi
0 9
1 7
2 5
3 2
41
7. A tabela a seguir representa uma distribuição na variável discreta e seus quartis q1, q2 e q3 são
respectivamente
xi fi
2 5
5 1
8 7
10 2
12 4
(A) Simétrica.
(B) Assimétrica à esquerda.
(C) Assimétrica positiva
(D) Assimétrica à direita
(E) Não é Simétrica e nem Assimétrica
9. A tabela a seguir é uma distribuição na variável contínua e apresenta as classes e suas respectivas
frequências. Nestas condições dizemos que a mediana é
classes fi
2,1 |—— 4,1 5
4,1 |—— 6,1 9
6,1 |—— 8,1 14
8,1 |—— 10,1 9
10,1|—— 12,1 4
(A) 6,1
(B) 7,1
(C) 7,3
(D) 8,1
(E) 10,1
42
10. Se uma distribuição na variável contínua é perfeitamente simétrica (em forma de sino) em relação a
média, então o intervalo [ x , x ] contém aproximadamente
(A) 95% dos elementos da distribuição. (B) 75% dos elementos da distribuição.
(C) 68% dos elementos da distribuição. (D) 34% dos elementos da distribuição.
(E) 14% dos elementos da distribuição
11. Se uma variável X tem x 10 e S ( X ) 2 e uma variável Y tem y 10 e S(Y ) 5 então
(A) A mediana.
(B) O desvio padrão.
(C) A moda.
(D) A média geométrica.
(E) A variância.
13. O coeficiente de variação é uma medida que expressa a razão entre:
(A) o desvio padrão e a variância.
(B) o desvio padrão e a mediana.
(C) o desvio padrão e a moda.
(D) o desvio padrão e o terceiro quartil.
(E) o desvio padrão e a média.
43
14. A tabela a seguir apresenta as notas xi e as frequências f i obtidas pelos alunos na prova de matemática.
A partir destes dados podemos dizer que
xi fi
1 6
3 3
5 5
7 10
9 7
1. A tabela a seguir é uma distribuição na variável contínua e apresenta as classes e suas respectivas
frequências. Nestas condições, podemos dizer que a média será:
Classes 150 a 200 200 a 250 250 a 300 300 a 350 350 a 400 400 a 450 450 a 500
fi 5 16 21 28 19 8 3
(A) 352 (B) 353 (C) 315 (D) 314 (E) 313
44
2. A tabela a seguir apresenta as notas atribuídas aos ginastas de uma modalidade esportiva.
xi fi
4,0 6
4,2 5
4,4 9
4,6 6
4,8 4
3. Os dados que seguem representam o índice de precipitação pluviométrica em uma cidade no ano de
2014.
Assim, podemos dizer que os dados estão mais apropriados para o nível de medidas na variável
(A) nominal. (B) ordinal. (C) intervalar. (D) de razão. (E) irracional.
4. A experiência com trabalhadores de uma indústria indica o tempo em minutos requerido para que um
operário realize uma tarefa. Segue tabela da distribuição na variável contínua dessa experiência.
classes fi
23 |— 26 6
26 |— 29 7
29 |— 32 11
32 |— 35 8
xi fi
2,5 3
5,0 7
6,5 10
8,0 6
10,0 5
(A) A moda é10 (B) A mediana é 5 (C) A média é 6,63 (D) A quantidade de alunos da amostra é 30 (E) A
soma de todas as frequências é 29.
7. A tabela a seguir é uma distribuição na variável contínua e apresenta os dados de uma loja de presentes ao
final da semana, contendo o número de clientes e seus gastos em presentes. Nestas condições podemos
dizer que a moda segundo Czuber é
classes fi
0 |—— 50 7
50 |—— 100 8
100 |—— 150 10
150 |—— 200 6
200 |—— 250 4
46
8. A tabela a seguir apresenta as idades dos alunos do primeiro ano de Administração. Nessas condições o 3º
quartil é
classes fi
17|—— 19 4
19|—— 21 12
21|—— 23 16
23|—— 25 8
25|—— 27 3
(A) 23,20. (B) 23,25. (C) 23,45. (D) 23,55. (E) 23,65.
9. A turma A de estatística I formada de 25 alunos tiveram média 7 na prova P1e a turma B formada por 30
alunos tiveram média 6. Então a média combinada dos 55 alunos nas duas provas foi
(A) 6,25. (B) 6,35 (C) 6,45 (D) 6,55. (E) 6,65
10. Analise as afirmativas referentes a uma série na variável discreta ímpar de dados:
I. A Moda sempre é um dos dados da série.
II. A Média sempre é um dos dados da série.
III. A Mediana sempre é um dos dados da série.
Podemos afirmar que:
47
11. Em recente pesquisa perguntou-se ao corpo discente qual o tempo semanal (em horas) destinado ao
estudo extraclasse da disciplina Estatística I. As respostas forneceram um tempo médio de 5,5 horas e uma
mediana de 6 horas.
Podemos considerar que essa distribuição dos tempos é do tipo:
Anos fi
1931 |—— 1950 4,5
1951 |—— 1963 9,8
1964 |—— 1980 9,8
1981 |—— 1993 4,1
1994 |—— 2002 3,8
Nestas condições, o ano em que ocorreu a taxa média de crescimento da infraestrutura no setor de geração de
energia foi
(A) 1968. (B) 1972. (C) 1974. (D) 1976. (E) 1978.
48
CAPÍTULO 2
ANÁLISE COMBINATÓRIA
A análise combinatória é um ramo da matemática, que tem por fim estudar as propriedades dos
agrupamentos que podemos formar, segundo certas leis, com os elementos de um conjunto finito.
1. Conceitos
Seja A a,b, c, d. Aos subconjuntos de três elementos, denominaremos de agrupamentos
simples de classe 3 e escrevemos como: abc; abd; acd e bcd . Aos conjuntos abb; aab; acc ,
denominamos de agrupamentos repetidos de classe 3. Aos subconjuntos com dois elementos,
agrupamentos simples de classe 2 e escrevemos:
ab; ac; ad;bc;bd e cd .
Exemplo 1:
Seja A 1,2,3,4 , quantos números distintos (sem repetição) de classe 3 podemos formar
com esses algarismos?
Solução:
Escrevemos os agrupamentos de classe 3 distintos e observamos que mudando a ordem dos
algarismos de cada agrupamento,ocorrem novos números distintos. Assim com 4 algarismos podemos
formar 6 4 24 números distintos de 3 dígitos.
Observação 1:
Os números acima são formados de três dígitos sendo que na primeira casa aparecem os quatro
dígitos e como não há repetição dos dígitos, na segunda casa aparecem três dígitos distintos e
finalmente na última casa dois dígitos. Portanto podemos escrever 4 3 2 24 .
Exemplo 2:
Numa sala há 3 rapazes e 4 moças. Quantos casais rapaz-moça podem formar?
Solução:
Chamando os rapazes de r1, r2 , r3 e as moças de m1, m2 , m3 , m4 , é fácil ver que para o
rapaz r1 podemos formar 4 casais e mais 4 casais para o rapaz r2 e outros 4 para o rapaz r3 . Portanto
o número de casais é dado por:
4+4+4=3.4=12.
49
2. Princípio Fundamental de Contagem.
Exemplo 3:
Quatro ciclistas participam de uma corrida. Quantos resultados existem para o 1º, 2º e 3º lugares?
Solução:
Cada resultado é formado por uma terna do tipo (a,b,c), sendo que a representa o ciclista que
chegou em primeiro lugar, b representa o ciclista que chegou em segundo lugar e c o ciclista que chegou
em terceiro lugar, então o número total dos resultados possíveis é dado pelo princípio fundamental de
contagem 4.3.2=24.
3. Arranjos
Exemplo 4:
Seja A 1,2,3 . Quantos arranjos desses 3 dígitos dois a dois podemos obter?
Solução:
Os arranjos são: 12, 21, 13, 31, 23 e 32, isto é A3,2 3.2 6 .
Generalizando:
50
An,1 n .......................... para classe p 1
An,2 n.(n 1) ............... para classe p 2
An,3 n.(n 1)(n 2) ..... para classe p 3 e, portanto
.....................
An, p n(n 1)(n 2)...(n ( p 1)) n (n 1)(n 2)...(n p 1) , para classe p
Exemplo 5:
Calcular os arranjos
a) A5,3 =5.4.3=60
b) A6,2 =6.5=30
Exemplo 6:
Determinar o valor de x 2 de modo que Ax,2 56
Ax,2 (x)(x 1) 56 , logo x 8
Exemplo 7:
Seja A 1,2,3,4,5 . Quantos números pares de 3 dígitos podemos escrever?
Solução:
São pares os números terminados por 2 e 4, portanto o dígito das unidades só pode ser 2 ou 4.
Fixando em primeiro lugar o dígito 2 na casa das unidades, as duas primeiras casas podem ser ocupadas
por quaisquer dos arranjos com os dígitos restantes, isto é, A4,2 =4.3=12 e o mesmo ocorre para o dígito 4
na casa das unidades. Portanto, 2 A4,2 =24
4. Fatorial
A fim de simplificar os cálculos definimos fatorial de n, sendo n número natural.
Chama-se fatorial de n e se indica por n! o número natural definido por
n! n(n 1)(n 2)...3.2.1 para n 2.
1!= 1
0!= 1
51
Exemplo 10:
Escrever em termos de fatorial.
5! 5! 5.4.3!
a) A5,2 = 5.4 20
(5 2)! 3! 3!
5! 5!
b) A5,0 1
(5 0)! 5!
6. Permutações
2. Há 5 linhas de ônibus ligando a cidade Santo André a cidade São Bernardo e 4 linhas ligando a
cidade São Bernardo a cidade São Caetano. Não há nenhuma linha de ônibus ligando a cidade Santo
André à cidade São Caetano. Uma pessoa quer fazer uma viagem de ida e volta entre as cidades Santo
André e São Caetano de modo que na volta não utilize nenhuma linha de ônibus utilizado na ida. De
quantos modos diferentes pode essa pessoa fazer a viagem?
3. Das 9 pessoas presentes a uma reunião devem ser eleitos um presidente, um secretário e um
tesoureiro. Quantas escolhas são possíveis?
52
4. Dados os dígitos 1, 2, 3, 4, 5, 8, formamos números com 5 algarismos distintos.
a) Quantos não contêm o digito 4?
d) ímpares de 4 algarismos?
53
6. Formados e dispostos em ordem crescente todos os números que se obtém permutando os
algarismos 1, 2, 3, 4, 5, 6, em que lugar estará o número 564213?
7. Numa corrida de automóveis, participaram 10 carros. Sabe-se que 3 deles pertencem à fábrica “A”
e os outros à fábricas diferentes. Quantas disposições de chegada podem ter (todos terminam a prova),
sabendo-se que um representante de “A” vence e os outros dois de “A” chegam a colocações seguidas?
8. Cada linha telefônica nova é formada por 8 dígitos, divididos em dois grupos: um formado pelos
primeiros quatro algarismos que distingue os centros telefônicos e outro com 4 algarismos que
distingue as linhas de um mesmo centro. Suponha que os algarismos de cada grupo são todos
distintos. Quantas linhas telefônicas começando com o algarismo “2” poderiam ser lançadas?
9. Com 7 cores queremos pintar uma bandeira de 5 listas, cada listra com uma cor. De quantas formas
isso pode ser feito?
54
n!
10. Calcular n sabendo-se que 30
(n 2)!
7. Combinações
55
4 = 246 24
A4,3 A
C4,3 4
3 C4,3 4,3 e generalizando para n elementos tomados p a p,
3! 3! 3!
segue:
An, p n!
Cn, p
p! (n p)! p!
Os números binomiais podem ser dispostos ordenadamente na forma de um triângulo, com seus
resultados. Observe que a soma de dois números da linha de cima reproduz o elemento da linha de baixo
0
0 1
1
0 1
1 1 1
2
0
2
1
2
2 1 2 1
3
0
3
1
3
2
3
3 1 3 3 1
4
0
4
1
4
2
4
3
4
4 1 4 6 41
Exemplo 13:
A prova de geografia consta de 10 questões e a professora pede que os alunos escolham 6
questões. Quantos são os modelos de provas?
Solução:
Notemos que a ordem em que o aluno escolher as 6 questões não importa, portanto tem-se
combinações de 10 questões 6 a 6, isto é
56
Exemplo 14:
Sobre uma circunferência marcam-se 7 pontos, 2 a 2 distintos. Quantos triângulos podem formar
com vértice nos pontos marcados?
Solução:
Notemos que um triângulo fica determinado, escolhendo-se três pontos não importando a ordem.
Portanto trata-se de um problema de combinações, isto é C7,3 (7 7!3)!3! 35
7
3
Exercícios de aplicação 8:
1. Considerando-se: 5 vereadores, 3 deputados e 2 senadores, quantas comissões de 4 elementos
podemos formar de modo que em cada comissão tenha
a) 3 vereadores? b) 2 vereadores,1deputado e um senador?
g) 1 senador ou 3 vereadores?
57
3. Considerando-se 12 pontos distintos no espaço, dos quais 4 são coplanares, quantos planos são
definidos pelos 12 pontos?
4. Uma urna tem 6 bolas brancas, 4 pretas e 3 vermelhas. De quantas maneiras podemos extrair 5
bolas, sem reposição, sucessivamente, de modo que sejam
a) 3 brancas? b) nenhuma preta?
5. Uma pessoa tem 11 amigos. De quantas maneiras ela pode convidar 5 deles para jantar, se:
a) Felipe e Carol são casados e não comparecerão separadas?
58
b) 2 deles não se falam e, portanto, não comparecerão juntos?
6. Considerando um baralho de 52 cartas, quantos jogos de 4 cartas podemos formar de modo que
em cada jogo tenha
b) no máximo um valete?
59
CAPÍTULO 3
PROBABILIDADE
1. Conceitos
Exemplo 1:
De uma urna que contém 6 bolas branca, tira-se uma bola e verifica-se sua cor, sempre ocorrerá
bola branca.
2. Espaço amostral
Situação-problema:
Uma urna contém cinco bolas brancas e uma preta. Extraindo-se uma bola, qual é a cor mais
provável?
Casos possíveis são: S={B,B,B,B,B,P}. Portanto as brancas têm mais chances que a preta. Neste
caso usaremos a fórmula introduzida pelo Italiano Cardano (1501-1576), dada pelo quociente do número
de casos favoráveis pelo número de casos possíveis. Assim a probabilidade da extração da bola branca
5 1
p(B) e da bola preta é p(P) .
6 6
Chama-se espaço amostral ao conjunto de todos os resultados possíveis de ocorrer e indicaremos
pela letra S.
Na situação-problema o espaço amostral é dado por S={B,B,B,B,B,P}.
60
Chamando de C a face cara e de R a face coroa, podemos escrever seu espaço amostral:
S CC, CR, RC, RRe definimos os eventos:
A: ocorre duas caras, A CC e B: ocorre faces iguais, B CC, RR
Exemplo 4:
No lançamento de um dado dar o espaço amostral e os elementos do evento número par.
Solução: O espaço amostral é dado por todos os acontecimentos possíveis, isto é:
S 1,2,3,4,5,6 .
Seu evento número par é dado por P 2,4,6
Chama-se evento complementar do evento A aquele formado pelos resultados que não são de A e
indicamos por A ou ainda A x S | x A .
Exemplo 5:
No lançamento de um dado, determinar
a) Seu espaço amostral;
b) A: elementos do evento número par;
c) B: elementos do evento número ímpar;
d) C: elementos do evento número primo;
e) D: elementos do evento número par ou primo;
f) E: elementos do evento número par e primo e
g) F: elementos do evento complementar do número par.
Solução:
a) Seu espaço amostral é dado por todos os acontecimentos possíveis, S 1,2,3,4,5,6 .
b) Seu evento número par é dado por A 2,4,6 .
c) Seu evento número ímpar é dado por B 1,3,5.
d) Seu evento número primo é dado por C 2,3,5 .
e) Seu evento número par ou primo é dado por D A C 2,3,4,5,6 .
f) Seu evento número par e primo é dado por E A C 2
g) Seu evento complementar do número par é F A B 1,3,5
61
4. Conceito de probabilidade
Seja o espaço amostral finito S a1, a2 , a3 ,..., an . A cada evento elementar atribuímos um
número real que corresponde à chance de ser o resultado do experimento. Assim,
O evento a1 com chance p(a1 )
O evento a2 com chance p(a2 )
O evento a3 com chance p(a3 )
...............................................
O evento an com chance p(an ) , com p(ai ) satisfazendo as condições:
a) Cada p(ai ) é um número real maior ou igual a zero, porém menor ou igual a 1.
b) A soma p(a1 ) + p(a2 ) + p(a3 ) +...+ p(an ) =1.
Dessa maneira, denominamos de probabilidade p(ai ) do evento ai .
Exemplo 6:
No lançamento de um dado e observando a face superior, temos o espaço amostral
S 1,2,3,4,5,6 e cada uma das seis faces tem a mesma probabilidade, isto é,
1
a) p(1) p(2) p(3) p(4) p(5) p(6) 0
6
b) p(1) p(2) p(3) p(4) p(5) p(6) 1
Observação 1: Se o evento for o espaço S, então p(S ) 1 e denomina-se probabilidade do evento certo.
2) Se o evento for o subconjunto vazio de S, então p( ) 0 .
3) Se A é um evento qualquer de S, então 0 p( A) 1
Um espaço se diz equiprovável quando os seus eventos elementares ocorrem com probabilidades
1
iguais. Neste caso a probabilidade de cada evento elementar de S é dada por: p( A) , sendo n(S )
n(S )
número de elementos do espaço amostral.
Sendo A um evento de S com n( A) elementos, então a probabilidade de A é dada por:
n( A) nº deelementos de A
p( A) , ou ainda
n(S ) nº de elementos de S
n( A) nº de casos favoráveis a A
p( A)
n(S ) nº de casos possíveis de S
62
Exemplo 7:
No lançamento de duas moedas, qual a probabilidade de obtermos duas coroas?
Solução:
Espaço amostral: n(S) (c, c),(c, r),(r, c),(r, r) , sendo c: caras e r: coroa.
n( A) 1
Evento A (r, r) , logo, p( A)
n(S ) 4
Exemplo 8:
Tira-se ao acaso uma carta de um baralho de 52 cartas. Qual a probabilidade de que seja a) carta
de ás? b) figura? c) carta de ouro? d) carta vermelha?
Solução: O espaço amostral: n(S) 52 cartas
a) Se A: carta de ás, então p( A) n( A) 4 1
n(S ) 52 13
b) Se F: carta figura, então p(F ) n(F ) 12 3
n(S ) 52 13
c) Se O: carta de ouro, então p(O) n(O) 13 1
n(S ) 52 4
d) Se V: carta vermelha, então p(V ) n(V ) 26 1
n(S ) 52 2
Seja p uma função definida no conjunto das partes de S, (S ) e imagem no conjunto dos reais
[0,1], isto é, p :(S ) [0,1] , satisfazendo as propriedades:
Teorema 1:
Se A e B são eventos quaisquer de S, então p( A B) p( A) p(B) p( A B) .
Demonstração: Escrevendo A B e B como dois eventos mutuamente excludentes e usando a
propriedade b, segue:
A
B
63
B ( A B) (B A) p(B) p( A B) p(B A) (II), subtraindo (I) de (II), segue
Teorema 2:
Se A e A são eventos de S, então p( A) 1 p( A)
Demonstração: Sabemos que S A A e usando a propriedade b, segue:
p( A) 1 p( A)
Teorema 3:
Se é um evento de S, então p( ) 0
Demonstração: Para qualquer evento A, podemos escrever A A e usando a propriedade b, segue:
p( A ) p( A) p() p( A) , logo, p( ) 0
Teorema 4:
Se A, B e C são eventos quaisquer de S, então
p( A B C) p( A) p(B) p(C) p( A B) p( A C) p(B C) p( A B C)
Exemplo 9:
Solução:
a) Sabemos pelo teorema 1 que p( A B) p( A) p(B) p( A B) e substituindo
p( A B) =0,7+0,2-0,1=0,8
p( A B) =0,7+0,2=0,9
Exemplo 10:
Jogando-se um dado, qual a probabilidade de se obter o número 4 ou um número par?
Solução:
Sejam os eventos:
64
A: sair número 4, logo n( A) 1
B: sair número par, logo n(B) 3 , e n( A B) 1. Pelo teorema 1, segue
1 3 1 3 1
p( A B) p( A) p(B) p( A B) e substituindo p( A B) =
6 6 6 6 2
Exemplo 11:
Uma urna contém 20 etiquetas numeradas de 1 a 20. Qual a probabilidade de retirarmos um
número que seja primo ou quadrado perfeito?
Solução:
Sejam os eventos:
A: sair número primo, logo A 2,3,5,7,11,13,17,19 e n( A) 8
B: sair número quadrado perfeito, logo B 1,4,9,16 e n(B) 4 , e n( A B) 0. Pelo teorema
8 4 12 3
1, segue p( A B) p( A) p(B) p( A B) e substituindo p( A B) = 0 .
20 20 20 5
Exemplo 12:
Em uma urna existem 5 bolas brancas e 3 pretas. Retirando-se 2 bolas ao acaso, qual a
probabilidade de que
a) A: ambas sejam pretas?
b) B: seja uma de cada cor?
c) C: a primeira seja branca e a segunda seja preta?
n(P, P) (32 ) 3
Solução: a) p( A) 8
n(S ) (2 ) 28
(5 ).(3 ) 5.3 15
b) p(B) 1 8 1
(2 ) 28 28
c) Para responder a essa pergunta colocamos novo conceito.
5. Probabilidade Condicional
65
Observação 2: Aceitamos sem demonstração que:
p( A B)
i) Se B ocorreu p( A / B) , com p(B) 0
p(B)
p( A A)
ii) p( A / A) 1
p( A)
iii) p(S / A) 1
iv) p(B C / A) p(B / A) p(C / A) se B C
Exemplo 13:
Dois dados são lançados e os valores da face superior são registrados como pares ( x, y). Seja S
seu espaço amostral e consideremos os eventos assim definidos:
A (x, y) | x y 10 e B (x, y) | x y . Pede-se
a) p( A / B) b) p B / A
Solução:
Se dois dados são lançados, então n(S) 6.6 36 e os elementos de A e B são:
A (x, y) | x y 10 = (5,5),(6,4),(4,6) e n( A) 3 segue: p( A) 3/ 36 1/12
(2,1),(3,1),(3,2),(4,1),(4,2),(4,3),(5,1),(5,2),
B (x, y) | x y = e n(B) 15 e segue:
(5,3),(5,4),(6,1),(6,2),(6,3),(6,4),(6,5)
p(B) 15/ 36 5/12
A B (6,4) e n( A B) 1, e segue p( A B) 1/36 . Usando a fórmula tem-se:
p( A B) 1/ 36 1
a) p( A / B)
p(B) 5/12 15
p( A B) 1/ 36
b) p(B / A) 12/ 36 1/ 3
p( A) 1/12
6. Probabilidade do produto
Exemplo 14:
Extrai-se ao acaso duas cartas de um baralho ordinário de 52 cartas. Determinar a probabilidade
de aparecer 2 reis?
Solução:
Seja A rei na primeira cartae B rei na segunda carta , assim,
p( A) 4/ 52 e p(B / A) 3/ 51, pela fórmula da probabilidade do produto, segue:
4 3 1 1 1
p( A B) p( A). p(B / A) = . .
52 51 13 17 221
66
Voltando ao exemplo 12, respondemos a pergunta c) a primeira seja branca e a segunda seja
5 3 15
preta nessa ordem? Então, segue p(B P) . .
8 7 56
Exemplo 15:
Em uma sala existem 10 alunos, sendo 6 rapazes e 4 garotas.
6 54 1
p(R R R) 0,1667
10 9 8 6
6 45 1
p(R G R) 0,1667
10 9 8 6
6 54 1
p(R R G) 3. 0,5
10 9 8 2
67
6.1. Eventos independentes
Observação 3:
Exemplo 16:
Lança-se um dado e uma moeda. Qual a probabilidade de se obter cara na moeda e o número 6
no dado?
Solução:
Seja o evento A: sair cara, então n( A) 1 e B: sair a face 6, então n(B) 1 . Sendo A e B
eventos independentes, segue:
1 1 1
p( A B) p( A). p(B) = .
2 6 12
Exemplo 17:
No lançamento de três moedas, qual a probabilidade de se obter cara nas três moedas?
Solução:
1
Seja o evento A: sair cara em uma moeda é igual a p( A) . Sendo os eventos independentes
2
segue:
1 1 1 1
p( A A A) . .
2 2 2 8
Exemplo 18:
Sejam as urnas U1 com 2 bolas brancas e 4 vermelhas e U2 com 3 bolas brancas e 4 vermelhas.
Retirando-se ao acaso uma bola de cada urna, qual a probabilidade de se obter uma branca e uma
vermelha?
Solução:
Devemos retirar B / U1 e V / U2 e depois V / U1 e B/U2 e usando a probabilidade do produto
segue:
2 4 4 3 20 10
p(B V ) P(V B) . .
6 7 6 7 42 21
68
Exercícios de aplicação 9:
b) um valete de copas.
2. Extrai-se ao acaso uma bola de uma caixa que contém 6 bolas vermelhas, 4 brancas e 5 azuis.
Determine a probabilidade de a bola ser:
a) vermelha.
b) branca.
c) azul.
d) não vermelha.
e) vermelha ou branca.
69
3. Joga-se um dado honesto duas vezes. Determinar a probabilidade de se obter 4, 5, ou 6 na primeira
jogada e 1, 2, 3, ou 4 na segunda jogada?
b) não é reposta.
5. Uma caixa que contém 6 bolas vermelhas, 4 brancas e 5 azuis. Extraem-se três bolas sucessivas e
aleatoriamente, determine a probabilidade de as mesmas serem extraídas na ordem vermelha-
branca-azul
a) havendo reposição.
6. Uma caixa contém 8 bolas vermelhas, 3 brancas e 9 azuis. Extraindo-se ao acaso 3 bolas, sem
reposição, determine a probabilidade de
a) todas serem vermelhas.
70
7. Uma estante contém 6 livros de matemática e 4 de física. Determine a probabilidade de 3 livros de
matemática em particular estarem juntos.
8. Jogando-se 3 dados, calcular a probabilidade de que a soma dos pontos obtidos seja superior a 14?
1. Uma caixa contém 25 bolas numeradas de 1 a 25. Extraindo-se uma bola ao acaso, qual a
probabilidade de que o número seja
a) par.
b) ímpar.
e) múltiplo de 3 e 5.
2. Uma urna contém 7 bolas gravados com as letras A,A,A,C,C,R,R. Extraindo-se as bolas uma por
uma calcular a probabilidade de obter-se a palavra CARCARA.
71
3. Uma gaveta contém 50 parafusos e 150 porcas. Metade dos parafusos e metade das porcas
está enferrujada. Se uma dessas peças for escolhida ao acaso, qual será a probabilidade de que
esteja enferrujada ou seja um parafuso?
4. Uma caixa contém 5 bolas brancas e 3 bolas pretas. Duas bolas são retiradas simultaneamente ao
acaso e substituídas por 3 bolas azuis. Em seguida 2 bolas são retiradas ao acaso da caixa. Calcular a
probabilidade de que essas 2 últimas bolas sejam da mesma cor.
5. O número de uma placa de um carro é par. Qual a probabilidade de o algarismo das unidades ser 0?
6. Numa urna são depositadas n etiquetas numeradas de 1 a n. Três etiquetas são sorteadas (sem
reposição). Qual a probabilidade de que os números sorteados sejam consecutivos?
72
7. Num grupo de 60 pessoas, 10 são torcedores do São Paulo, 5 são do Palmeiras e as demais são do
Corinthians. Escolhido ao acaso um elemento do grupo, qual a probabilidade dele ser torcedor do São
Paulo ou do Palmeiras?
8. Um prédio de 3 andares, com dois apartamentos por andar, têm apenas 3 apartamentos ocupados.
Qual a probabilidade de que cada um dos 3 andares tenha exatamente um apartamento ocupado?
9. Uma urna contém 1 bola branca 3 bolas pretas. Extrai-se 3 bolas consecutivas e aleatoriamente,
sem identificar a cor de cada uma. Qual a probabilidade da bola que ficou na urna ser branca?
10. 10. Uma urna contém 4 fichas brancas e 5 pretas. Extraindo-se sucessivamente duas fichas, qual a
probabilidade da
a) a) 1ª ser branca sabendo-se que a 2ª é branca?
11.11. A probabilidade de um marido e sua esposa estarem vivos daqui a 20 anos são respectivamente 0,6
e 0,8. Qual a probabilidade de que daqui a 20 anos
a) a a) ambos estarem vivos?
73
12. Uma caixa contém 9 fichas numeradas de 1 a 9. Extraem-se 3 fichas sucessivamente. Determinar
a probabilidade de saírem
a) nessa ordem ímpar-par-ímpar?
13. Sejam dois eventos associados a um experimento. Seja p(A)=0,4, p(A B)=0,7. Se p(B)=k, então
o valor de k para que A e B sejam
a) mutuamente exclusivos.
b) independentes.
15. Num lote de 12 peças, 4 defeituosas. 2 peças são retiradas, aleatoriamente. Calcule
a) a probabilidade de ambas serem defeituosas.
74
16. Um lote é formado por 10 artigos bons, 4 com defeitos e 2 com defeitos graves. Retiram-se 2
artigos, aleatoriamente. Qual a probabilidade de que
a) ambos sejam perfeitos.
1. No lançamento de um dado observe a face voltada para cima. Definimos: A ocorre número par; B
ocorre número primo e S espaço amostral. Dessa maneira seus elementos são
(A) S= 0,1,2,3,4,5,6, ; A= 0,2,4,6, e B= 1,3,5
(B) S= 0,1,2,3,4,5,6, ; A= 0,2,4,6, e B= 3,5
(C) S= 1,2,3,4,5,6, ; A= 2,4,6, e B= 1,3,5
(D) S= 1,2,3,4,5,6, ; A= 2,4,6, e B= 2,3,5
(E) nda
2. No lançamento de dois dados observe as faces voltadas para cima. Definimos o evento A como a
soma das faces iguais a 7. A probabilidade de ocorrer A é
(A) 0,166
(B) 0,333
(C) 0,5
(D) 0,194
(E) nda.
3. Uma estante contém 4 livros de matemática e 5 de estatística. Retirando-se ao acaso 3 livros sem
reposição, então a probabilidade de saírem 2 de matemática e 1 de estatística é
(A) 0,06 (B) 0,12 (C) 0,24 (D) 0,36 (E) 0,26
75
4. Em um grupo de 60 torcedores, 15 são Palmeirenses, 20 flamenguistas e 25 corintianos. Se um
torcedor é escolhido ao acaso para assistir um jogo na tribuna de honra, então a probabilidade de ser
corintiano ou flamenguista é
(A) 0,15
(B) 0,25
(C) 0,50
(D) 0,75
(E) 0,85
5. Uma urna tem 2 bolas brancas e 3 pretas. Retirando-se duas bolas, sem reposição, a probabilidade
de sair uma de cada cor é
(A) 0,2
(B) 0,4
(C) 0,6
(D) 0,8
(E) nda
6. Na sala do Curso de Estatística tem 20 rapazes e 10 garotas. Metade dos rapazes e metade das
garotas tem olhos castanhos. A probabilidade de um aluno ser escolhido ao acaso ser rapaz ou ter
olhos castanhos é
(A) 0,833
(B) 0,666
(C) 0,333
(D) 0,5
(E) nda
7. Um caixa possui 20 peças das quais 12 são defeituosas e 8 perfeitas e são inspecionadas uma após a
outra. Se forem extraídas ao acaso 2 peças, qual a probabilidade de uma ser perfeita e a outra
defeituosa nessa ordem, com reposição?
8. Um caixa possui 20 peças das quais 12 são defeituosas e 8 perfeitas e são inspecionadas uma após a
outra. Se forem extraídas ao acaso 2 peças, então a probabilidade de uma ser perfeita e a outra
defeituosa nessa ordem, sem reposição é
(A) 0,492
(B) 0,505
(C) 0,542
(D) 0,252
(E) nda
76
Exercícios de aplicação 12:
1.Uma bolsa tem 4 cédulas de R$ 50,00 e 2 cédulas de R$ 10,00. Retirando-se duas cédulas a
probabilidade de sair soma R$ 60,00 é
(A) 0,30 (B) 0,13 (C) 0,27 (D) 0,70 (E) 0,85
3. Em uma sala existem 3 alunos do curso de administração e 2 do curso de direito. Retirando-se dois
alunos ao acaso, a probabilidade do primeiro ser de administração e o segundo de direito é
(A) 0,1 (B) 0,2 (C) 0,3 (D) 0,4 (E) 0,5
2 4 7
4. As probabilidades de três jogadores marcarem um pênalti são respectivamente: , e . Se
3 5 10
cada um “cobrar” uma única vez, a probabilidade de todos errarem é:
(A) 0,17. (B) 0,19. (C) 0,21. (D) 0,23. (E) 0,25.
77
6. Um grupo de pessoas são leitoras de três jornais; A,B e C e estão classificados na tabela que segue.
Escolhida uma pessoa ao acaso e sabendo-se que lê o jornal C, então a probabilidade se ser mulher é
A B C
Homens 25 35 40
mulheres 20 18 12
(A) 0,15. (B) 0,17. (C) 0,19. (D) 0,21. (E) 0,23
7. Seja um baralho de 52 cartas. Selecionadas aleatoriamente 3 cartas desse baralho, então a
probabilidade das duas primeiras serem damas e a terceira ser rei é
(A) 0,000362. (B) 0,000462. (C) 0,000562. (D) 0,000662. (E) 0,000762.
2. Sejam A e B dois eventos tais que p(A)=0,4 e p(A B)=0,7 e p(B)=p. Para qual valor de p, A e B
são independentes?
78
3. Um operador observa 3 máquinas M1, M2 e M3. A probabilidade, em uma hora, de que ele tenha
que intervir na máquina M1, é 13%; em M2 é 34% e em M3 é 53%. A probabilidade de ter que intervir
em duas maquinas ao mesmo tempo é 5% e, nas três, é nula. Qual a probabilidade, em uma hora, ele
intervir em M1 ou M3?
4. No lançamento de dois dados observe a face voltada para cima. Definimos o evento A como a
soma das faces iguais a 7. Qual a probabilidade de ocorrer A?
5. Numa sala de aula existe moças e rapazes que torcem para 3 times segundo a tabela abaixo
moças rapazes
São Paulo 11 26
Palmeiras 8 4
Corinthians 1 0
1 1
6. Seja um espaço amostral. Se p(a1 ) 1 , p(a2 ) , p(a3 ) . Se p é uma função de
3 4 4
probabilidade definida no espaço S , então o valor de p(a4 ) é
79
7. Se metade dos alunos da disciplina de Estatística possui automóvel, um terço possui bicicleta e
um quarto possui ambos, então a probabilidade de se encontrar um aluno dessa sala e que possua
meio de transporte próprio é
(A) 7/12 (B) 4/12 (C) 3/12 (D) 2/12 (E) 1/12
8. Se A e B são eventos de S e p( A) 3/8, p(B) 5/8 e p( A B) 3/ 4, então p( A/ B)
é igual a
(A) 1/2 (B) 1/3 (C) 2/3 (D) 2/5 (E) 2/6
9. Em uma sala de Estatística existem 10 garotas e 20 rapazes. Se uma comissão de 3 alunos é
formada, então a probabilidade da comissão ter exatamente 2 rapazes é
(A) 0,47 (B) 0,44 (C) 0,37 (D) 0,34 (E) 0,16
10. Dos alunos do segundo semestre do Curso de Estatística 12% foram reprovados em Matemática
e 15% em Estatística e 10% em ambas as disciplinas. Um aluno dessa turma é selecionado
aleatoriamente. Se ele foi reprovado em Estatística , então a probabilidade de ter sido reprovado em
Matemática é
80
11. Se uma carta é retirada de um baralho de 52 cartas bem misturadas, então a probabilidade de sair
um rei preto, dado que a carta retirada foi uma figura é
(A) 2/5 (B) 1/5 (C) 1/6 (D) 1/3 (E) 2/3
12. Dez fichas numeradas de 1 a 10 são colocadas em uma caixa. Se duas fichas são extraídas
sucessivamente sem reposição, então a probabilidade da soma ser 10 é
(A) 0,1777 (B) 0,1111 (C) 0,0888 (D) 0,0666 (E) 0,0555
13. Considere as igualdades abaixo:
I. p( A B) p( A B )
II. p( A B) p( A B )
III. p( A B) 1 p( A B)
81
CAPÍTULO 4
PROBABILIDADE DE BAYES
1. Partição de um espaço amostral
Exemplo 1:
No lançamento de um dado tem-se o espaço amostral S 1,2,3,4,5,6 e definimos os eventos
B1 1, B2 2,3,4 e B3 5,6. Os eventos B1, B2 e B3 formam uma partição de S, pois, valem as três
condições: a), b) e c).
Teorema 1: Se os eventos B1, B2 , B3 ,..., Bk , formam uma partição do espaço amostral S e A S , então
k
p( A) p( A / Bi ). p(Bi )
i 1
Demonstração: A figura ilustra uma partição de S com A S . Assim podemos escrever:
B3 B4
B1 A
B2 Bk
82
p( A) p( A / B1). p(B1) + p( A / B2 ). p(B2 ) + p( A / B3 ). p(B3 ) +...+ p( A / Bk ). p(Bk ) e colocando em forma
k
somatório tem-se: p( A) p( A / Bi ). p(Bi ) .
i 1
Exemplo 2:
Na cidade de Catu existem três lojas que revendem televisores. A loja A revende 25%, a loja
B, 35% e a C, 40% dos televisores. Um cliente deseja comprar um televisor de LCD com 42
polegadas, em virtude do bom atendimento e da localização dessas lojas, a probabilidade de
comprar na loja A é 10%, na loja B é 12% e na loja C é 18%. Qual a probabilidade de ter adquirido
um televisor de 42 polegadas?
Solução: Seja L: televisor de LCD com 42 polegadas
A B C
p( A / Bj ) p(Bj )
p(Bj / A) k
p( A / B ) p(B )
i 1
i i
p( A Bj ) p( A / Bj ) p( Bj )
p(Bj / A) k
p( A)
p( A / Bi ) p(Bi )
i 1
Exemplo 3:
Adotando o mesmo enunciado do exemplo 1, podemos fazer a seguinte pergunta: Um televisor
de LCD com 42 polegadas foi adquirido, qual a probabilidade de tem sido comprado na loja C?
83
Exemplo 4:
Sejam as urnas e as bolas. Uma urna é escolhida ao acaso e uma bola é retirada. Se a bola
retirada for branca, qual probabilidade de ter vindo da urna U2 ?
Vermelhas Brancas
U1 3 5
U2 2 1
U3 2 3
U1 U2 U3
5 B 1 3
3 2 2
Como são três urnas, suas probabilidades são iguais a 1/3:
p(U1) 1/3; P(B / U1) 5/8
p(U2 ) 1/3; P(B / U2 ) 1/3 , logo podemos escrever:
p(U3 ) 1/3; P(B / U3 ) 3/5
1/ 3x1/ 3 1/ 3 40
p(U2 / B) 0,2139
1/ 3x5/8 1/ 3x1/ 3 1/ 3x3/ 5 5/8 1/ 3 3/ 5 187
Exemplo 5:
Em um viveiro têm-se três gaiolas com as seguintes aves:
canários sabiás tico-ticos
Fêmeas 3 4 1
Machos 3 2 5
Uma ave fugiu da gaiola e verificou-se que é fêmea, qual a probabilidade de ser sabiá ?
Solução: Indiquemos por F ser fêmea, então
C S T
p(C) 1/ 3; P(F / C) 3/ 6
p(S ) 1/ 3; P(F / S) 4/ 6 , escrevemos:
p(T ) 1/3; P(F / T ) 1/ 6
84
1/ 3.4/ 6 4
p(S / F ) 0,5
1/ 3.3/ 6 1/ 3.4/ 6 1/ 3.1/ 6 8
Exercícios de aplicação 14:
1. Na sala do Curso de Estatística 30% dos rapazes e 10% das garotas têm mais que 1,65 m de
altura. Sabe-se que 60% dos alunos são rapazes. Se um aluno é selecionado aleatoriamente e tem mais
que 1,65 m de altura, qual a probabilidade dele ser garota?
2. Uma urna A tem 3 moedas de ouro e 2 de prata e uma urna B tem 4 moedas de ouro e 3 moedas
de prata. Uma moeda é selecionada ao acaso e verifica-se que é de ouro. Qual a probabilidade de ter
vindo da urna B?
3. Na sala do 1° semestre da Disciplina de Estatística 20% dos rapazes e 12% das garotas estão
estudando Matemática. Um estudante é escolhido ao acaso e observa-se que é estudante de
Matemática. Qual a probabilidade do estudante ser rapaz sabendo-se que 60% do corpo discente é
formado por rapazes?
85
4. Em uma assembléia estão reunidos os alunos dos 3 primeiros semestres e tem as seguintes
proporcionalidades 20% ,30% e 50% dos alunos respectivamente. Sabe-se que 10%, 5% e 2%
respectivamente por série são portadores da gripe suína.Se um aluno dessa assembléia selecionado
aleatoriamente é portador da gripe suína, então a probabilidade de ser aluno do 2º semestre é
(A) 0,11. (B) 0,22. (C) 0,33. (D) 0,44. (E) 0,55.
5. No terreiro de um sítio existem os seguintes animais:
86
6. Em um colégio 6% dos homens e 3% das mulheres têm descendência japonesa. Por outro lado 60%
dos estudantes são mulheres. Se um estudante é selecionado ao acaso e tem descendência japonesa,
qual a probabilidade de ser homem?
7. Em uma cidade obteve-se os seguintes dados: apenas uma em cada 100 pessoas adultas tem nível
superior. Das pessoas que têm nível superior, 80% têm emprego público, enquanto apenas 30% das que
não têm nível superior têm emprego público. Uma pessoa da população é selecionada ao acaso e
verifica-se que tem emprego público. A probabilidade de que essa pessoa venha a ter nível superior é:
(A) 26,0%.
(B) 56,6%.
(C) 12,6%.
(D) 0,6%.
(E) 2,6%.
87
CAPÍTULO 5
1. Probabilidade de Bernoulli
Seja um experimento aleatório com apenas uma única tentativa. Nessa tentativa podemos ter
sucesso, se ocorrer o que se quer ou fracasso caso contrário.
Seja p a probabilidade de sucesso e q a probabilidade do fracasso, de tal maneira que
p q 1. Se X é uma variável aleatória que assume só dois valores X={0,1}, nesse caso o valor 0
(zero) corresponde ao fracasso q e o valor 1 corresponde ao sucesso p. Assim podemos escrever:
p( X 0) q e p( X 1) p
2. Distribuição binomial
Situação-problema: Uma urna contém 20 bolas brancas e 10 bolas pretas. Retirando-se 5 bolas,
qual a probabilidade de saírem 3 brancas e 2 pretas?
a) Sem reposição.
b) Com reposição.
Solução:
20 2
a) Sem reposição. Se adotarmos como sucesso sair uma bola branca, então p , e o fracasso
30 3
10 1
será sair bola preta, então q . Como são 5 as bolas a serem retiradas, devemos reservar 3
30 3
b) Com reposição. As informações são as mesmas e como as bolas são devolvidas temos:
3020 3020 3020 1030 1030 10. 3020 1030 10. 32 13
3 2 3 2
5
p(3B 2P) 3
3 3
3 3
Newton: 0 1 2
3 3 3 3
88
5 r
5 2 1
5 r
1 ou ainda 1 2
3 2 5 0 5
5
3
2
3
1
3 ...
5
5
2
3
3
3 3
r 0 r 3 3
e, um de seus
termos é a probabilidade
3 2 3 2
20 10 2 1
p(3B 2P) 10. 10. , que corresponde ao quarto termo do
30 30 3 3
5 r
5 2 1
5 r
1 2 5
desenvolvimento do binômio de Newton daí o nome de
3 3 r 0 r 3 3
probabilidade Binomial.
Observação 2: Se r assumir todos os valores {0,1,2,3,4,5}, a soma de todas as probabilidades é igual
a 1, isto é,
5 r
5 2 1
5 r
1 2 5
p(r 0) p(r 1) ... p(r 5) 1=
3 3 r 0 r 3 3
p(r) p q
n
r
r nr
Exemplo 1:
Uma moeda é lançada 8 vezes. Qual a probabilidade de ocorrer
a) 5 caras?
n8
5 3
1 1 56. 1 =0,21875
Escrevemos p 1/ 2 , logo p(r 5) 8
5 2 2
q 1/ 2 256
89
0 8
1 1
p(r 1) p(r 1) p(r 2) ... p(r 8) 1 p(r 0) = 1
8
0 2 2 0,996
c) no máximo 2 caras ?
1 7
p(r 2) p(r 0) p(r 1) p(r 2) 80 1 1 + 18 1 1 + 8 1 1 = 0,1445
2 6
2 2 2 2
0 8
2
2 2
Exemplo 2:
Se 5% dos cavalos de uma fazenda estão doentes, achar a probabilidade que numa amostra de 4
cavalos escolhidas ao acaso, tenhamos
q 95% 0,95
1. A probabilidade de um atirador acertar o alvo é 1/3. Se ele atirar 6 vezes, qual a probabilidade de
acertar
a) 2 tiros ?
90
2. Um carro de corrida tem probabilidade 1/3 de vencer qualquer corrida de um torneio. Se o torneio
consiste de 5 provas, qual a probabilidade de o carro vencer
a) exatamente 3 provas ?
c) nenhuma prova?
3. Na Empresa ABC 2/3 das secretarias falam fluentemente a língua inglesa. Escolhendo 5 secretárias
ao acaso, qual a probabilidade de que
a) duas falem fluentemente a língua inglesa?
4. Uma urna contém 4 bolas pretas, 3 vermelhas e 2 amarelas. Desta urna 3 bolas são retiradas
sucessivamente com reposição. Qual a probabilidade de obtermos
a) pelo menos uma vermelha?
91
5. Uma urna contém 4 bolas brancas, 3 pretas e 1 vermelha. Desta urna 3 bolas são retiradas
sucessivamente, com reposição. Qual a probabilidade de obtermos
a) no máximo 2 vermelhas?
a) 2 candidatos ?
b) no máximo 4 candidatos ?
2. A agência de um banco WPG tem por norma renovar cerca de 60% dos empréstimos de crédito
pessoal quando do vencimento. Pedem renovação 3 correntistas, qual a probabilidade de que os três
pedidos sejam indeferidos?
92
3. Um foguete tem probabilidade 0,2 de acertar o alvo. Se ele dispara 7 tiros, qual a probabilidade de
a certar no mínimo 2 vezes?
4. A probabilidade de um aluno que ingresse no curso de Estatística e chegue a se formar sem nenhuma
dependência é 0,3. Em um grupo de 8 ingressantes desse curso, a probabilidade de se formar tendo no
máximo uma dependência é
(A) 0,288. (B) 0,277. (C) 0,266. (D) 0,255. (E) 0,244.
5. Se em uma prova com 6 questões e cinco alternativas um aluno só esteja adivinhando, então a
probabilidade de acertar apenas 1 questão é
(A) 0,393. (B) 0,262. (C) 0,301. (D) 0,421. (E) 0,501.
6. O Departamento de Trânsito de certa cidade constatou que os endereços de 20% dos proprietários de
veículos estão incorretos. Se 8 proprietários forem sorteados aleatoriamente, qual é a probabilidade de
que exatamente a metade dos endereços esteja correta?
93
7. Em uma cidade, 40% dos táxis têm motor 1.0. Considerando-se uma amostra de 10 veículos da
cidade, qual é a probabilidade de que 20% dos táxis sejam de cilindrada diferente?
8. Uma prova é constituída de 20 questões, cada uma delas com 5 alternativas de resposta, das quais
apenas uma é correta. Se um aluno responder às questões ao acaso, a probabilidade de que ele consiga
acertar exatamente 10 questões é:
p(r) p q
n
r
r nr
=
n!
(n r )!r !
p r q n r =
n(n 1)(n 2)...(n r 1)(n r )! r
r !(n r)!
p (1 p)nr
94
r
r 1 r
n
1 2
= 1.(1 )(1 )...(1 ) . 1 .1
n n n r ! n n
r
r r e
n
. 1 . 1
r ! n n
Tomando o limite a expressão se reduz a lim . Portanto
n r!
tende a e tende a 1
e r
a probabilidade de Poisson é dada por: p(r)
r!
Exemplo 3:
A probabilidade de um indivíduo acusar reação negativa à injeção de um determinado soro é de
0,001. Determinar a probabilidade de que em 2000 indivíduos,
a) exatamente 3 acusem reação negativa?
n 2000 e r e2 23
np 2000 0,001 2 , segue: p(r 3) 0,1804
p 0,001 r! 3!
b) no máximo 2 acusem reação negativa?
e2 20 e2 21 e2 22
p(r 2) p(r 0) p(r 1) p(r 2) 5e2 0,6766
0! 1! 2!
Exemplo 4:
Na revisão tipográfica de um livro achou-se em média 1,5 erros por página. Das 600 páginas do
livro, estimar quantas não precisam ser modificadas por não apresentarem erros?
Solução:
Nesse caso o valor da média é dado 1,5 e não apresentar erro significa r=0, pela fórmula
segue:
e r e1,51,50
p(r 0) e1,5 0,2231
r! 0!
Como são 600 páginas, tem-se 600 x 0,2231=133,8 134 páginas.
Exemplo 5:
No tear da marca Luiza a fabricação de peças de determinado tecido aparecem defeitos ao
acaso, sendo um a cada 250 metros. Supondo-se que a distribuição para os defeitos seja a de Poisson,
qual a probabilidade de que na produção de 1000 m
a) não haja defeito?
n 1000 e r e4 40
np 1000x
1
4 , segue: p(r 0) 0,018316
p 1/ 250 250 r! 0!
95
b) aconteça pelo menos 3 defeitos ?
Dizer que a produção é sem defeito é ter produção com zero defeito, logo
n 375 1
np 375x 1,5 , segue:
p 1/ 250 250
e r e1,51,50
p(r 0) e1,5 0,2231 e, portanto, 80x0,2231=17,84 18 dias
r! 0!
1. Certa máquina produz 0,02% de engrenagens com defeito. Na fabricação de 1000 engrenagens,
qual a probabilidade de
96
2. A produção diária de pregos de uma fábrica apresenta 0,005% de defeitos por kg. Em uma partida
de 20 000 kg de pregos, qual a probabilidade de
a) haver no mínimo 3 kg com defeitos?
b) em uma produção de 30 dias se espera que haja quantos dias de 1 kg com defeito?
97
4. Uma empresa transportadora é contratada para o transporte de sacas de café. A probabilidade de
uma saca se romper é 0,00002. Qual a probabilidade de no transporte de 150 000 sacas
5. Uma fábrica de automóveis verificou que ao testar seus carros na pista de provas, há em média um
estouro de pneu a cada 300 km. Supondo-se que a distribuição para os estouros dos pneus seja a de
Poisson, qual a probabilidade de que
a) em um teste de 900 km haja no máximo um pneu estourado?
98
6. Um dado é formado com chapas de plástico de 10x10 cm. Em média aparecem 50 defeitos a cada
metro quadrado de plástico, segundo a distribuição de Poisson. Qual a probabilidade de
a) uma determinada face apresentar exatamente 2 defeitos?
7) Uma cafeteira apresenta algum defeito em média 3 defeitos por mês. Qual a probabilidade que
durante o próximo mês essa máquina venha apresentar
a) exatamente dois defeitos?
b) no máximo um defeito?
8. Em média o banco BWP tem 3 contas abertas por dia. Determinar a probabilidade de que em um
determinado dia o número de novas contas abertas venha a ser
a) exatamente 2.
b) no máximo 2.
99
CAPÍTULO 6
| | | |
0 x
Observação 2: A média é o valor de x para o qual a f(x) é máxima, enquanto o desvio padrão
é a distância ( em abscissas ) entre o ponto de ordenada máxima e o ponto em que a curva muda de
concavidade ( Ponto de inflexão).
Observação 3: A área total sob a curva f ( x) é igual a unidade e em virtude da simetria da curva a área
da esquerda é igual a área da direita em relação a média.
Observação 5: Como a distribuição é simétrica em relação à média , então a média coincide com
a moda e a mediana.
100
Observação 6: Demonstraremos agora que a área sob a curva tem 1 ua ( uma unidade de área) e é dada
por:
1 x 2
1 (
f (x)dx
)
e 2 dx 1
2
x
Façamos primeiramente a mudança de variável z , denominada variável normal reduzida
1
ou padronizada, e seu diferencial é dado pela expressão dz dx , assim tem-se a nova expressão:
1
1 2
x 1
e
z
I 2 dz. O mesmo ocorre para a mudança de variável v e dv dx , assim
2
1
1 v2
I
2
e 2 dv. Efetuando o produto das duas integrais, segue:
1 12 z2 v2 1 2( z2 v2 )
1 1
I e dz. e dv 2 e
2 2 dzdv .
2
Obtivemos agora uma integral em duas variáveis z e v e o artifício para sua solução é o uso de
uma nova mudança de variável denominada coordenadas polares. Assim escrevemos:
z rsen e v r cos e nesse caso para o elemento dzdv tem-se rdrd . Quanto à variação do ângulo
e r escrevemos que z e v variam no intervalo ] , [ , enquanto r varia [0, [ e varia [0,2 ] .
Assim, podemos escrever o expoente como:
1 2 2 1
2
z v r 2 cos2 r 2 sen2 r 2 e a integral passa a ser
2
1
2
2 r2
1
I d re
2 2 dr. Integrando primeiramente na variável r segue:
2 0 0
r2 r2
re
0
2 dr e 2 |0 [e e0 ] e0 1 . Assim a integral
1 2 1 1 2
I2
2 0 1.d |02
2 2
(2 0)
2
1. Portanto, I 2 1 I 1,
Como a área sob a curva é igual a 1, podemos associar área com probabilidade, pois, a soma de
todas as probabilidades também é 1, logo probabilidade passa a ser vista como área. Assim escrevemos
x2
a probabilidade de p( x1 x x2 ) f ( x)dx.
x1
101
f(x)
x
x1 x2
Mostremos em primeiro lugar que a nova função f ( z) normal padronizada tem média z 0 e
desvio padrão z 1. Lembrando que na distribuição normal f ( x), a média coincide com a moda e a
mediana, isto é, devemos encontrar o valor de z que fornece o ponto de máximo da função.
O desvio padrão é definido com a medida | x | , sendo x o valor do ponto de inflexão e este se
obtém igualando a segunda derivada a zero. Partindo da primeira derivada
1 1 1
1 z2 1 z2 1 z2
f ' ( z) e 2 (z) , encontramos f " (z) e 2 (z) (-z)+ e 2 (1)
2 2 2
102
1
1 z2
e 2 [ z 2 1] 0 . E essa expressão é igual a zero se z 2 1 0 , logo z 1 e, portanto,
2
o desvio padrão na variável z 1.
Conclusão: O que acabamos de ver é que para quaisquer valores da variável x a mudança de
x
variável z acarreta que a nova variável z terá sempre média z 0 e seu desvio z 1. A
distribuição normal com média z 0 e seu desvio z 1 denomina-se distribuição normal
padronizada.
Nessa variável o gráfico esta centrado na origem do sistema. Assim deixamos de calcular as
probabilidades (áreas) com o uso de integrais e utilizamos a tabela de áreas. A tabela que segue (página
110) fornece sempre a área do valor zero até o valor z0 , isto é, p(0 z z0 )
Uso da tabela
Exemplo 1:
Calcular as probabilidades indicadas com o uso da tabela.
a) p(0 z 1,0) .
b) p(0 z 1,6) .
c) p(0 z 2,35) .
d) p(1,25 z 1,25) .
e) p(1,0 z 2,0)
Neste caso escrevemos p(1,0 z 2,0) = p(0 z 2,0) - p(0 z 1,0) =0,47725-0,34134 =
0,13591.
103
f) p( z 1,38).
Sendo a distribuição simétrica e a área igual a 1, então a área a direita de zero é igual à área à
esquerda de zero e igual a 0,5. Nessas condições podemos escrever
p(z 1,38) 0,5 p(0 z 1,38) =0,5- 0,41621 = 0,08379.
Exemplo 2:
a) Calcular a probabilidade contida dentro dos limites de uma unidade de desvio padrão.
b) Calcular a probabilidade contida dentro dos limites de duas unidades de desvio padrão.
c) Calcular a probabilidade contida dentro dos limites de três unidades de desvio padrão.
Uma vez que o valor não esta na tabela, isso indica que a área acima de 5,38 é nula e portanto:
p( z 5,38) 0
Exemplo 3:
Sabe-se que a p(0 z z0 ) 48,3%. Determinar o valor de z0 .
Nesse caso devemos olhar a tabela de dentro para fora, isto é, procuramos na tabela o valor 0,483 e o
correspondente z0 , assim
2
104
2.Tabela da distribuição normal padronizada
f(z)
0 z0 z
Z0 0 1 2 3 4 5 6 7 8 9
0,0 0,00000 0,00399 0,00798 0,01197 0,01595 0,01994 0,02392 0,02790 0,03188 0,03586
0,1 0,03983 0,04380 0,04776 0,05172 0,05567 0,05962 0,06356 0,06749 0,07142 0,07535
0,2 0,07926 0,08317 0,08706 0,09095 0,09483 0,09871 0,10257 0,10642 0,11026 0,11409
0,3 0,11791 0,12172 0,12552 0,12930 0,13307 0,13683 0,14058 0,14431 0,14803 0,15173
0,4 0,15542 0,15910 0,16276 0,16640 0,17003 0,17364 0,17724 0,18082 0,18439 0,18793
0,5 0,19146 0,19497 0,19847 0,20194 0,20540 0,20884 0,21226 0,21566 0,21904 0,22240
0,6 0,22575 0,22907 0,23237 0,23565 0,23891 0,24215 0,24537 0,24857 0,25175 0,25490
0,7 0,25804 0,26115 0,26424 0,26730 0,27035 0,27337 0,27637 0,27935 0,28230 0,28524
0,8 0,28814 0,29103 0,29389 0,29673 0,29955 0,30234 0,30511 0,30785 0,31057 0,31327
0,9 0,31594 0,31859 0,32121 0,32381 0,32639 0,32894 0,33147 0,33398 0,33646 0,33891
1,0 0,34134 0,34375 0,34614 0,34849 0,35083 0,35314 0,35543 0,35769 0,35993 0,36214
1,1 0,36433 0,36650 0,36864 0,37076 0,37286 0,37493 0,37698 0,37900 0,38100 0,38298
1,2 0,38493 0,38686 0,38877 0,39065 0,39251 0,39435 0,39617 0,39796 0,39973 0,40147
1,3 0,40320 0,40490 0,40658 0,40824 0,40988 0,41149 0,41309 0,41466 0,41621 0,41774
1,4 0,41924 0,42073 0,42220 0,42364 0,42507 0,42647 0,42785 0,42922 0,43056 0,43189
1,5 0,43319 0,43448 0,43574 0,43699 0,43822 0,43943 0,44062 0,44179 0,44295 0,44408
1,6 0,44520 0,44630 0,44738 0,44845 0,44950 0,45053 0,45154 0,45254 0,45352 0,45449
1,7 0,45543 0,45637 0,45728 0,45818 0,45907 0,45994 0,46080 0,46164 0,46246 0,46327
1,8 0,46407 0,46485 0,46562 0,46638 0,46712 0,46784 0,46856 0,46926 0,46995 0,47062
1,9 0,47128 0,47193 0,47257 0,47320 0,47381 0,47441 0,47500 0,47558 0,47615 0,47670
2,0 0,47725 0,47778 0,47831 0,47882 0,47932 0,47982 0,48030 0,48077 0,48124 0,48169
2,1 0,48214 0,48257 0,48300 0,48341 0,48382 0,48422 0,48461 0,48500 0,48537 0,48574
2,2 0,48610 0,48645 0,48679 0,48713 0,48745 0,48778 0,48809 0,48840 0,48870 0,48899
2,3 0,48928 0,48956 0,48983 0,49010 0,49036 0,49061 0,49086 0,49111 0,49134 0,49158
2,4 0,49180 0,49202 0,49224 0,49245 0,49266 0,49286 0,49305 0,49324 0,49343 0,49361
2,5 0,49379 0,49396 0,49413 0,49430 0,49446 0,49461 0,49477 0,49492 0,49506 0,49520
2,6 0,49534 0,49547 0,49560 0,49573 0,49585 0,49598 0,49609 0,49621 0,49632 0,49643
2,7 0,49653 0,49664 0,49674 0,49683 0,49693 0,49702 0,49711 0,49720 0,49728 0,49736
2,8 0,49744 0,49752 0,49760 0,49767 0,49774 0,49781 0,49788 0,49795 0,49801 0,49807
2,9 0,49813 0,49819 0,49825 0,49831 0,49836 0,49841 0,49846 0,49851 0,49856 0,49861
3,0 0,49865 0,49869 0,49874 0,49878 0,49882 0,49886 0,49889 0,49893 0,49896 0,49900
3,1 0,49903 0,49906 0,49910 0,49913 0,49916 0,49918 0,49921 0,49924 0,49926 0,49929
3,2 0,49931 0,49934 0,49936 0,49938 0,49940 0,49942 0,49944 0,49946 0,49948 0,49950
3,3 0,49952 0,49953 0,49955 0,49957 0,49958 0,49960 0,49961 0,49962 0,49964 0,49965
3,4 0,49966 0,49968 0,49969 0,49970 0,49971 0,49972 0,49973 0,49974 0,49975 0,49976
3,5 0,49977 0,49978 0,49978 0,49979 0,49980 0,49981 0,49981 0,49982 0,49983 0,49983
3,6 0,49984 0,49985 0,49985 0,49986 0,49986 0,49987 0,49987 0,49988 0,49988 0,49989
3,7 0,49989 0,49990 0,49990 0,49990 0,49991 0,49991 0,49992 0,49992 0,49992 0,49992
3,8 0,49993 0,49993 0,49993 0,49994 0,49994 0,49994 0,49994 0,49995 0,49995 0,49995
3,9 0,49995 0,49995 0,49996 0,49996 0,49996 0,49996 0,49996 0,49996 0,49997 0,49997
4,0 0,49997 0,49997 0,49997 0,49997 0,49997 0,49997 0,49998 0,49998 0,49998 0,49998
4,1 0,49998 0,49998 0,49998 0,49998 0,49998 0,49998 0,49998 0,49998 0,49999 0,49999
4,2 0,49999 0,49999 0,49999 0,49999 0,49999 0,49999 0,49999 0,49999 0,49999 0,49999
4,3 0,49999 0,49999 0,49999 0,49999 0,49999 0,49999 0,49999 0,49999 0,49999 0,49999
4,4 0,49999 0,49999 0,50000 0,50000 0,50000 0,50000 0,50000 0,50000 0,50000 0,50000
4,5 0,50000 0,50000 0,50000 0,50000 0,50000 0,50000 0,50000 0,50000 0,50000 0,50000
105
Exercícios de aplicação 18:
c) acima de 3,2.
d) abaixo de 2,6.
106
2. Uma fábrica de pneumáticos faz um teste para medir o desgaste de seus pneus e verificou-se que
ela obedece a uma distribuição normal de média 70 000 km e desvio padrão 4 000 km. Calcule a
probabilidade de um pneu escolhido ao acaso, dure
107
3. A duração de vida de certo tipo de lâmpada obedece a uma distribuição normal de média 1000
horas e desvio padrão 100 horas. Qual a probabilidade que uma lâmpada escolhida ao acaso dure
4. As notas de uma prova se distribuem normalmente com média 4,1 e desvio padrão 1,5. Sabe-se
que 10% são os alunos mais adiantados recebem classificação A e 25% são os mais atrasados e
recebem classificação C de reprovados. Qual a nota mínima para
a) ser aprovado com A.
108
b) ser reprovado com C.
5. O número de pedidos para a compra de certo produto que uma companhia recebe por semana se
distribui normalmente com média 125 e desvio padrão 30. Se em uma semana o estoque disponível é
de 149 unidades,
109
6. As alturas dos alunos do curso de matemática se distribuem normalmente com média 1,72 m e
desvio padrão 0,25 m. Escolhido um aluno ao acaso dessa turma, qual a probabilidade de sua altura
a) estar entre 1,30 m e 1,96 m.
7. A fábrica de calçados Luíza verificou por meio de pesquisa de mercado, que na população
formada pelos futuros consumidores de calçados masculinos, esses se distribuem em torno da
média 40 e desvio padrão 1,2. Estimar para uma população de 10.000 pares, quantos pares de
cada número deverão ser produzidos.
Observação: O calçado de número 39 deve servir para pessoas cujos pés estão compreendidos entre
38,5 e 39,5.
110
Exercícios de aplicação 19:
1. Um cantor famoso mantém um clube de fãs com secretárias que respondem suas correspondências.
O número de cartas por semana obedece a uma distribuição normal de média 3500 cartas e desvio
padrão 200 cartas. Qual a porcentagem semanal em que recebe
a) mais que 3800 cartas?
111
e) entre 3000 e 3300 cartas?
2. No aeroporto de Congonhas ocorrem em média 320 decolagens por dia com desvio padrão 40
decolagens. Em um dia qualquer, qual a probabilidade de
a) ocorrerem mais que 340 decolagens?
112
4. As notas de aproveitamento dos alunos na disciplina matemática se distribuem normalmente com
média 6,3 e desvio padrão 1.6. Escolhida uma nota ao acaso
a) qual a probabilidade de que ela esteja
fora do intervalo 3,2 e 5,2 ?
5. O volume do conteúdo líquido nas garrafas de vinho tem distribuição normal com média de 750 ml
e variância de 25 ml 2 . O processo de controle de qualidade rejeita garrafas com volume inferior a
740ml. O número de garrafas que deverão ser rejeitas em um lote de 20.000 garrafas deverá ser
113
6. O preço de cartuchos coloridos para impressora em uma cidade pode ser considerado uma variável
aleatória distribuída normalmente com valor médio de R$ 75,00 e desvio padrão de R$ 15,00.
Aproximadamente, em quantas lojas, dentre as 200 pesquisadas, o preço do cartucho estaria entre
R$ 77,00 e R$ 85,00?
114
A) No concurso II.
B) No concurso I.
C)No concurso III.
D) Obteve o mesmo desempenho em I e II.
E) Obteve o mesmo desempenho em I e III.
9) Uma pesquisa feita com os rapazes do primeiro ano da disciplina de estatística, revelaram ser uma
distribuição normal com os seguintes dados:
a) Quanto à altura: a média X 172c m e X 4cm.
b) Quanto à peso: a média Y 80kg e Y 3kg .
Sabe-se que o aluno Enrico dessa turma tem altura 170 cm e peso 82 kg.
a) Qual das variáveis tem maior dispersão?
115
CAPÍTULO 7
VARIÁVEL ALEATÓRIA
A probabilidade teve início com os jogos de azar (século XVII) com Cavaleiro de Nere, Fermat
e Pascal, porém, coube a Bernoulli (1713) lançar as bases da probabilidade e a seguir Laplace fez
grandes contribuições.
ai X (ai )
116
1.2 Variável aleatória contínua
Se X é uma variável aleatória definida em S com valores no intervalo de números reais. Nessas
condições, X denomina-se variável aleatória contínua.
Exemplos:
1. O peso de pães.
2. O tempo gasto por um aluno que vem para a faculdade.
3. O preço de apartamentos vendidos em um bairro.
Exemplo 1:
Seja o espaço amostral S obtido pelo lançamento de dois dados. Neste caso S é definido
por: S (1,1),(1,2),...,(6,6) e tem 36 elementos.
Definimos a variável aleatória X por:
X: associa a cada ponto ai (a, b) S a sua soma a b , nesse caso o conjunto imagem é dado
por: X (S) 2,3,4,5,6,7,8,9,10,11,12
Exemplo 2:
Seja uma urna com 2 bolas brancas e 3 vermelhas. Retirando-se 2 bolas sem reposição dessa urna.
Definimos a variável X : número de bolas vermelhas.
O esquema abaixo mostra as possibilidades de retirada das duas bolas.
.
X
BB 0
BV 1
VB 1
VV 2
2. Função probabilidade
Sejam X a variável aleatória discreta e seus possíveis valores x1, x2 , x3 ,..., xn . Se a cada valor
xi associamos um número p( xi ) p(x xi ), probabilidade de xi , tal que:
a) p( xi ) 0, para todos xi e
n
b) p(x ) 1, a essa função
i 1
i
p( xi ) denominamos função de probabilidade da variável aleatória
discreta X. Do exemplo 2, podemos escrever:
117
Resultados possíveis xi Probabilidade p( xi ) X
BB 2/ 5.1/ 4 1/10 0
BV 2/ 5.3/ 4 3/10 1
VB 3/ 5.2/ 4 3/10 1
VV 3/ 5.2/ 4 3/10 2
Exemplo 3:
No lançamento de duas moedas dar a distribuição de probabilidade da variável número de caras C
e número de coroas K e sua representação gráfica.
xi 0 1 2
p( xi ) 1/4 2/4 1/4
Exemplo 4:
Dar a distribuição de probabilidade da variável X do exemplo 1 e dê sua representação gráfica.
xi 2 3 4 5 6 7 8 9 10 11 12
p(xi ) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36
118
A representação gráfica é dada por.
p(xi )
6/36
5/36
4/36
3/36
2/36
1/36
xi
0 2 3 4 5 6 7 8 9 10 11 12
Exemplo 5:
Utilizando o exemplo 4:
xi 2 3 4 5 6 7 8 9 10 11 12
p(xi ) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36
F (5) p( xi ) 10/36
xi 5
F (13) p(x ) 1
xi 13
i
F (3,5) p( x ) 3/ 36
xi 3,5
i
F (15) p(x ) 1
xi 15
i
119
Exemplo 6:
No lançamento de três moedas definimos X: número de caras. Assim
a) O espaço amostral S é dado por:
xi 0 1 2 3
p( xi ) 1/8 3/8 3/8 1/8
0, se x 0
1 / 8, se 0 x 1 F(x)
1
7/8
F ( x) 4 / 8, se 1 x 2
7 / 8, se 2 x 3 4/8
1, se x 3 1/8 x
0 1 2 3
1/ 5, se x 1
f ( x)
4 / 5, se x 0,
então a Função de distribuição acumulada é dada por:
0, se x 0
F ( x) 4 / 5, se 0 x 1
1, se x 1
120
2. Seja X a variável aleatória discreta que assume os valores 0,1 e 2, tendo as probabilidades 1/3, 1/6 e
1/2 respectivamente. Determinar:
a)A função distribuição acumulada F ( x) .
b) O gráfico de F ( x).
121
4. Valor esperado ou Esperança de uma variável aleatória discreta ou média
Exemplo 7:
No lançamento de duas moedas, determinar a
(a) distribuição de probabilidade da variável número de caras e
(b) esperança.
xi 0 1 2
p( xi ) 1/4 2/4 1/4
n
(b) E( X ) xi p(xi ) x = 0.1/ 4 1.1/ 2 2.1/ 4 1(Média)
i 1
Exemplo 8:
Um par de dados é lançado e definimos a variável X como:
X: variável aleatória que associa a cada ponto (a, b) S o maior desses valores, isto é,
X (a,b) maxa,b. Determinar E(X).
Solução:
Neste caso S é dado por S (1,1),(1,2),...,(6,6) e tem 36 elementos.
p(x1 1) p((1,1) 1/36
p(x2 2) p((1,2),(2,1),(2,2) 3/36
122
p(x3 3) p((1,3),(3,1),(3,2),(2,3),(3,3) 5/36
..........
p(x6 6) p((1,6),(2,6),(3,6),...,(6,6) 11/36
X x1 x2 x3 x4 x5 x6
xi 1 2 3 4 5 6
p( xi ) 1/36 3/36 5/36 7/36 9/36 11/6
Exemplo 9:
Calcule a esperança para as distribuições de probabilidade discretas indicadas nas tabelas.
a)
X x1 x2 x3 x4 x5
xi -2 -1 0 1 2
p( xi ) 1/5 1/5 1/5 1/5 1/5
n
Solução: E( X ) xi p( xi ) -2.1/5 - 1.1/5 + 1.1/5 + 2.1/5 = 0
i 1
b)
x2 x1 x2 x3
xi 4 1 0
p( xi ) 2/5 2/5 1/5
c)
2x x1 x2 x3 x4 x5
xi -4 -2 0 2 4
p( xi ) 1/5 1/5 1/5 1/5 1/5
123
Exemplo 10:
Qual a esperança matemática em um jogo que paga ao jogador R$ 6,00 se obtém cara e R$ 8,00 se
obtém coroa?
5.Teoremas:
A variável é dada por X: k, k, k, k,..., k ( n valores k), logo a esperança matemática é dada por:
n
E(k ) xi p( xi ) k p(k) k p(k) k p(k) ...+ k p(k)
i 1
i 1
Teorema 2: Multiplicando cada valor de uma variável aleatória por uma constante a esperança ficará
multiplicada pela constante.
X 4X
2 8
3 12
4 16
9 36
124
23 4 8 12 16
Portanto: E( X ) 3 e E(4 X ) 12 =4.3
3 3
Teorema 3: A esperança da soma de duas variáveis aleatórias é igual a soma das esperanças.
X : 2, 3, 4 E( X ) 3
Y : 6, 9, 12 E(Y ) 9 E( X ) E(Y ) 12
36
X Y : 8,12, 16 E( X Y ) 12 , Portanto, E( X Y ) E( X ) E(Y )
3
Exemplo 13:
Em um dia que chove um vendedor de guarda-chuvas ganha R$ 300,00, mas, se não chove perde
R$ 15,00. Supondo que a probabilidade de chover num determinado dia é de 30%, determinar E( X ).
Solução:
6. Variância
Sejam X a variável aleatória discreta e seus possíveis valores x1, x2 , x3 ,..., xn .
Denomina-se variância de uma variável aleatória X e indica-se por
n
Var(X) = 2 ( X ) [ xi E( X )]2. p( xi )
i 1
125
n
De fato: Podemos escrever Var(X) = 2 ( X ) [ xi E( X )]2. p( xi ) =
i 1
7. Desvio padrão
Exemplo 14:
Um jogo consiste no lançamento de um dado. Se sair um número par, a pessoa ganha uma quantia
equivalente ao triplo do ponto tirado, se sair um número ímpar a pessoa paga o quádruplo do ponto obtido.
Determinar:
a) Esperança.
b) Variância.
c) Desvio padrão.
Montando a tabela da distribuição, segue:
n
a) E( X ) xi p( xi ) x = 0
i 1
n
b) ( X ) [ xi E( X )]2. p( xi ) =177,333
2
i 1
c) ( X ) Var ( X ) =13,31
Teoremas:
126
Teorema 2: Var(kX ) k 2Var( X )
Var(kX ) E[kX E(kX )]2 E[kX kE( X )]2 k 2 E[ X E( X )]2 k 2Var( X )
Demonstração:
Sabemos que Var(X) = 2 ( X ) = E( X 2 ) [E( X )]2 , e podemos escrever,
Var( X Y ) E[( X Y )2 ] [E( X Y )]2
E[ X 2 2XY Y 2 ] [E( X ) E(Y )]2
= E( X 2 ) 2E( XY ) E(Y 2 ) [E( X )]2 2E( X ).E(Y ) [E(Y )]2 , simplificando os termos
semelhantes segue:
Var( X Y ) (E( X 2 ) [E( X )]2 )+( E(Y 2 ) [E(Y )]2 )+ 2[E( XY ) E( X )(E(Y )] ,
Observação 2: Se a covariância é positiva, isso indica que grandes valores de uma variável X estão
associados a grandes valores da variável Y.
127
Observação 3: Se a covariância é negativa, isso indica que grandes valores de uma variável X estão
associados a pequenos valores da variável Y.
Exemplo 15:
Sejam Var( X ) 5, Var(Y ) 6 e cov( X , Y ) 4, determinar Var(2X 3Y )
Exemplo 16:
Uma indústria produz sabão em pó e os empacota em caixas por meio de uma máquina que é
regulada para pesar em média 200 g e desvio padrão 4 g. Se a embalagem (caixa) tem peso médio
constante de 24 g e desvio padrão de 1 g, então nestas condições, qual a média e o desvio padrão do peso
bruto da caixa de sabão em pó?
x Portanto,
(T ) 42000 g
42000 42500 170000 412 g
Com o uso da variável padronizada z, segue:
x 42500 42000
z 1,21
412
128
p(x 42500) p(z 1,21) 0,5 p(0 z 1,21) 0,5 0,38686 11,314%
Exemplo 18:
O professor de Matemática da turma A aplicou uma prova teste com cinco questões do tipo
verdadeiro e falso. A distribuição das notas e as respetivas probabilidades calculadas pelo professor
estão indicadas na tabela que segue. Determinar
a) A esperança e o desvio padrão da variável X.
b) O professor redefiniu as notas por meio da nova variável Y=5+3X. Determinar a esperança e o
desvio padrão da variável Y.
x 5 6 7 8 9 10
p(x) 0,10 0,12 0,25 0,28 0,15 0,10
n
a) E( X ) xi p( xi ) 7,56
i 1
x p(x) x p(x) x2 p( x)
( X ) [xi E( X )]2. p(xi ) = E( X 2 ) (E( X ))2
n
2
5 0,10 0,50 2,50
i 1
6 0,12 0,72 4,32
7 0,25 1,75 12,25 59,14-(7,56)2 =1,9864 e ( X ) 1,9864 1, 409 1, 41
8 0,28 2,24 17,92
b) Sabemos que E(kX b) k E( X ) b , logo
9 0,15 1,35 12,15
10 0,10 1,00 10,00
podemos escrever:
7,56 59,14
129
Exercícios de aplicação 21:
1. Seja X uma variável aleatória com E(X)=10 e Var(X)=100 e sejam Z e Y variáveis aleatórias definidas
por Z 2x e Y 2x 6. Calcular
a) E(Z)
b) Var (Z )
c) Var (Y )
2.Seja X uma variável aleatória com E(X)=30 e 2 x 49 e sejam Z e Y variáveis aleatórias definidas
X E( X )
por Z e Y X E( X ). Calcular
x
a) E (Y )
b) Var (Y )
c) E ( Z )
d ) Var (Z )
130
3.Uma indústria produz camisas cujos pesos unitários (X) tem distribuição normal com média 50 g e
desvio padrão 3g. Essas camisas são colocadas em caixas com três unidades. A caixa vazia também tem
distribuição normal (Y) com média 40 g e desvio padrão 2 g. Calcular a probabilidade do peso total (T)
ser superior a 180 gramas.
5. Um medicamento tem probabilidade 0,4 de cura. Se 10 pessoas são submetidas a esse tratamento, e
nas mesmas condições, determinar
Observação 4: A distribuição neste caso é a binomial e tem E( X ) np e Var( X ) npq .
a) E(X).
b) Var(X).
131
6. Em finais de semana o número de mortes por afogamento nas praias de Santos é de 1 morte para
cada 60 000 banhistas. Em um fim de semana com 180 000 banhistas, determinar,
Observação 5: A distribuição neste caso é Poisson e tem E( X ) np e Var( X ) np
a) E(X)
b) Var(X)
7. Quando da primeira correção dos erros que aparecem nas páginas de um livro aleatoriamente
selecionado tem-se a tabela da distribuição de probabilidade da variável X
x 0 1 2 3 4
p(x) 0,80 0,11 0,06 0,02 0,01
Determinar
a) E(X)
b) Var(X)
132
9. Função de distribuição na variável contínua
Seja X uma variável aleatória continua definida em S e com valores no intervalo dos números
reais. Uma função f denomina-se função densidade de probabilidade e se indica abreviadamente por fdp,
se f satisfaz as condições:
a) f ( x) 0, para todo x S
b) f ( x)dx 1
f(x)
[x E( X )]
2
c) Var(X)= f ( x)dx
Exemplo 17:
1/10(2 x 3) se 0 x 2
Verifique se f ( x) é uma fdp e calcule a E(X).
0 se x 0 ou x 2
Solução: Devemos verificar que:
133
Observação 7: Neste caso a função distribuição de probabilidade é dada por:
0, se x 0
F ( x) 1/10( x2 3x) se 0 x 2
1 se x 2
10. Distribuição Uniforme
Uma variável aleatória X tem Distribuição Uniforme no intervalo [a,b], se sua função
densidade de probabilidade é tal que
1
se a x b
f ( x) b a
0, caso contrario
Exemplo 18:
A produção de camisas de uma costureira varia de 15 a 60 camisas. A experiência mostra que
essa variação é uniforme. Qual a probabilidade de que uma costureira produza de 35 a 50 camisas?
Exemplo 19:
Seja a função densidade de probabilidade da variável X dada por:
1
se 2 x 6
f ( x) 4
0, se x 2 ou x 6
Verifique se é uma fdp e determine a função distribuição de probabilidade.
x
1 1 1
F ( x) dt t |2x (x 2) e escrevemos
2 4 4 4 F(x)
0, se x 2
1
F ( x) 1/ 4( x 2), se 2 x 6
1, se x 6
6
2
134
11. Distribuição Exponencial
e x , se x 0, 0
f ( x)
0, para qualquer outro valor de x
a) A função distribuição de probabilidade é dada por
x x
F ( x) p( X x) f ( x)dx (et dt 1 e x , x 0 e
0 0
F(x) 0, para qualquer outro valor de x 0.
b) Esperança
E(X) xf ( x)dx ( xe x dx xe x |
0 e
x
dx
0 0 0
e x 1 1 1
|0 lim(xe x ) |t0 lim e x |t0 lim tet 0 lim et
1
xe x |0
t t t t
c) Variância
Var( X ) E( X 2 ) E( X )
2
2
Calculando primeiramente E( X ) x f ( x)dx x2 e x dx
2 2
, segue
0 0 2
2 1 1
Var( X ) E( X 2 ) E( X ) =
2
.
2
2
2
Exemplo 20:
Verifique se f (x) 2e2 x é função densidade de probabilidade para x 0 .
x
1
b)
f ( x)dx (2e2t dt lim
0
x
2e2t dt lim(
x
e2 x 1) = 1
0 e
1, isto mostra que
135
Exercícios de aplicação 22:
0, se x 0
k , se 0 x 1
1. Seja X uma v. a. contínua com fdp dada pela lei f ( x)
k (2 x), se1 x 2
0, se x 2
Determinar
b) p( x 1,5)
c) E(X)
d) E( X 2 )
e) Var(X)
2. Seja X uma variável contínua com função distribuição acumulada definida por:
0 se x 0
F ( x) x
1 e se x 0
Determinar a função densidade de probabilidade fdp
136
3.Seja X a variável aleatória contínua com função densidade de probabilidade fdp f ( x) dada por:
2x , se 0 x 1
f ( x)
0, quaisquer outros valores de x
a) Determinar F ( x) .
b) Gráfico.
137
4.Seja X a variável aleatória contínua com fdp dada por f ( x)
b) Determinar E(X)
c) Determinar Var(X)
5. O diâmetro X dos eixos das rodas de motos é uma variável aleatória contínua com fdp dada por:
3
(2x x ), se 0 x 1
2
f ( x) 2
0, se x 0 ou x 1
Calcular a probabilidade de
a) p(0 x 0,5)
b) p( x 2)
138
c) Definir F(x)
6. O departamento de estoque da empresa ABS informa que a fdp de que todo estoque disponível para
que seja atendido por semana, de pedidos, é
c) Determinar a probabilidade de que pelo menos 50% dos pedidos sejam atendidos.
7. O departamento de vendas mantém em estoque 2000 geladeiras e informa que a fdp de que todo
3
estoque disponível seja atendido por semana é f ( x) x2 , se 0 x 2 , e 0, caso contrário.
8
a) Verifique se f ( x) é uma fdp.
b) Determinar o número máximo x0 de geladeiras para que sejam atendidos 70% dos pedidos.
c) Determinar o número máximo x0 de unidades para que sejam atendidos pelo menos 60% dos pedidos.
139
d) Dar a lei F(x) e seu gráfico.
8. Seja X uma variável aleatória contínua com valores no intervalo [0,5] e com fdp dada pela
lei f ( x) 0,08x .
a) Verificar se é uma fdp.
b) Qual a probabilidade de
i) p(0 x 2)
ii) p(1 x 4)
iii) p( x 3)
iv) p( x 3)
k / x2 , se x 100
9.Seja X uma variável aleatória contínua e tem fdp dada pela lei f ( x) .
0, se x 100
a) Determinar o valor de k para que seja uma fdp.
b) Calcular p( x 120)
140
10. Seja X uma variável aleatória contínua com valores no intervalo [1,3] e tem fdp dada pela lei.
x 1, se 1 x 2
f ( x) x 3, se 2 x 3 a) Dar o gráfico de f(x).
0, caso contrário.
b) Verificar se f ( x) é fdp.
c) Determinar E(X)
d) d) Determinar ( X )
e)
1.A demanda de macarrão num supermercado em centenas de quilogramas por dia é uma variável
2 / 3x, se 0 x 1
x
aleatória contínua com fdp dada pela lei f ( x) 1, se 1 x 3
3
0, caso contrário.
141
a) Verificar se f ( x) é fdp.
b) Qual a probabilidade de se vender mais que 150kg num dia escolhida ao acaso?
d) Quantos quilogramas se esperam vender num dia escolhido ao acaso para atender 95% dos pedidos?
2. Seja X uma variável continua com função distribuição acumulada definida por:
0, se x 0
F ( x) x / 2, se 0 x 2
1, se x 2
Determinar:
a) A função densidade de probabilidade fdp.
142
b) p( x 1,5).
c) p(x 2,4).
3. A duração em milhares de horas de um componente eletrônico é uma v.a. X, com fdp dada por:
0,1e0,1x , se x 0
f ( x)
0 , se x 0
a) Dar o gráfico de f ( x)
143
b3) dure mais que 15 000 horas.
Nos problemas utilizados até agora o experimento era registrado por um único elemento.
Todavia, há casos que necessitamos representar por dois elementos.
Exemplo: altura e peso.
Definimos assim duas variáveis aleatórias: X e Y.
Seja S um espaço aleatório associado a um experimento aleatório e duas variáveis
X X (S) x1 , x2 , x3 ,..., xn e Y Y (S) y1, y2 , y3 ,..., yn
X (S )
S
Y (S)
h : S S X (S ) Y (S )
x , y
i j p( X xi ;Y y j ) h( xi , y j )
Satisfazendo:
1) p(xi , y j ) 0
n n
2) p( x , y ) 1 (Discreta)
i 1 j 1
i j
ou f ( x, y)dxdy 1
(contínua)
144
Exemplo 21:
Uma urna contém 3 bolas numeradas de 1 a 3.Retirando-se 2 bolas sem reposição, definimos os
eventos:
X: número da primeira bola e
Y: número da segunda bola.
X 1 1 2 2 3 3
Y 2 3 1 3 1 2
Prob. 1/6 1/6 1/6 1/6 1/6 1/6
p(x 1) p( x 1, y 2) p( x 1, y 3) 1/3
p(x 2) p(x 2, y 1) p(x 2, y 3) 1/3
p(x 3) p(x 3, y 1) p(x 3, y 2) 1/3
n
Probabilidades marginais de Y: p( y y j ) p( x xi , y y j )
j 1
p( y 1) p(x 2, y 1) p(x 3, y 1) 1/ 3
p( y 2) p(x 1, y 2) p(x 3, y 2) 1/3
p( y 3) p(x 1, y 3) p(x 2, y 3) 1/3
145
Exemplo 23:
Usando o mesmo exemplo e nele definimos duas novas variáveis:
X+Y 3 4 5
Prob. 1/3 1/3 1/3
X.Y 2 3 6
Prob. 1/3 1/3 1/3
Verifique que
a) E(X)= 2
b) E(Y)=2
c) E(X+Y)=4
d) E(X.Y)= 11/3
Exemplo 24:
Usando o mesmo exemplo e nele façamos a reposição da bola retirada. Determinar:
a) E(X). b) E(Y). c) E(X.Y).
Solução:
Escrevendo a distribuição conjunta e representando na tabela de dupla entrada, segue.
X Y 1 2 3 p(xi )
1 1/9 1/9 1/9 1/3
2 1/9 1/9 1/9 1/3
3 1/9 1/9 1/9 1/3
p( y j ) 1/3 1/3 1/3 1
146
O cálculo da primeira linha é dado por:
1 1 11 1 1 1
p( x 1, y 1) p( x 1, y 2) p x 1, y 3 . . . Analogamente para as
3 3 33 3 3 3
outras linhas.
Exemplo 25:
Seja a distribuição conjunta de probabilidades na variável (X,Y).
X Y 0 1 2 3
0 1/8 2/8 1/8 0
1 0 1/8 2/8 1/8
X Y 0 1 2 3 p( x) x. p( x) x2. p( x)
0 1/8 2/8 1/8 0 4/8 0 0
1 0 1/8 2/8 1/8 4/8 4/8 4/8
p( y) 1/8 3/8 3/8 1/8 1 E(X)=4/8 2
E( X )=4/8
y. p( y) 0 3/8 6/8 3/8 E(Y)=12/8
0 3/8 12/8 9/8 2
y2. p( y) E( Y )=24/8
E(Y)=1,5
147
2
4 4 1
b)Var(X)= E( X 2 ) [E( X )]2
8 8 4
2
24 12 3
Var(Y)= E(Y 2 ) [E(Y )]2 0,75
8 8 4
c) ( X ) 1/ 4 0,5
(Y ) 0,75 =0,87
3 1
e) Cov(X,Y)= E( XY ) E( X ).E(Y ) 1 = 0,25, sendo a distribuição de XY.
4 4
X.Y 0 1 2 3
p(XY) 4/8 1/8 2/8 1/8
a) E(X)
b) E(Y)
c) E(XY)
d) Cov(X,Y)
148
2. Seja a distribuição conjunta das variáveis aleatórias X e Y dada por:
X Y 1 2 3 p(xi )
4 0,2 0,3 0,1
5 0,2 0,05 0,15
p( yi )
Determinar
a) p(x=4)
b) p(y=2)
3. A fábrica de autopeças de Ana Carolina trabalha em dois turnos. A empresa preocupada com as faltas
de seus operários resolveu analisar o número de faltas em cada turno. Seja
X: número de faltas no turno diurno e Y: número de faltas no turno noturno. Essa avaliação foi feita
durante 4 meses e obteve-se a seguinte distribuição de probabilidades.
X Y 0 1 2 3 p(xi )
0 0,05 0,05 0,10 0
1 0,05 0,10 0,25 0,10
2 0 0,15 0,10 0,05
p( yi )
Determinar:
a) Probabilidades marginais de X.
b) Probabilidades marginais de Y.
149
c) E(X)
d)E(Y)
150
CAPÍTULO 8.
ESTIMAÇÃO POR INTERVALOS
1. Conceitos
O comportamento de um pesquisador é obter uma amostra que seja representativa da
população na qual ele tem interesse. No entanto podemos sempre esperar alguma diferença entre
uma amostra aleatória ou não e a população da qual ela foi extraída. A média da amostra x nem
sempre coincide com a média da população . O mesmo podemos dizer com respeito ao desvio
padrão S da amostra e o desvio padrão da população. Apesar dos melhores esforços do
pesquisador sempre ocorre um erro, conhecido por erro amostral.
2. Média aritmética e desvio padrão de x
A estimativa de parâmetros populacionais por intervalos leva em conta uma estimativa
pontual à qual se adiciona um erro de estimação para mais e para menos, criando assim uma
amplitude com limite inferior e superior para o parâmetro populacional estimado.
Suponhamos que se deseja estudar o comportamento das alturas dos alunos do sexo
masculino de todas as turmas dos Cursos de Engenharia e de todas as Faculdades do Estado de São
Paulo. Obter as alturas de todos os alunos é inviável não só pelo elevado custo, mas, também pelo
trabalho exaustivo para se coletar todos esses dados. Devemos, pois, determinar uma amostra que
seja representativa dessa população.
Suponhamos uma variável X normalmente distribuída e se a distribuição é normal, seus
parâmetros são a média populacional 𝜇 e o desvio padrão populacional 𝜎.
Se coletarmos i amostras (i = 1, 2, 3,..., n) aleatoriamente de X tendo cada amostra n
elementos e sendo as amostras 𝑋1 , 𝑋2 , 𝑋3 , … , 𝑋𝑛 , obtidas aleatoriamente e independentes, então
podemos esperar que nessa longa série a média xi ( média das médias) tenderá para a média
populacional 𝜇 principalmente quando n for grande.
Sabemos ainda que a média amostral é dada por:
1
𝑋̅ = 𝑛 (𝑋1 + 𝑋2 + 𝑋3 + ⋯ + 𝑋𝑛 ) e como a média 𝑋̅ é uma variável aleatória, ela tem sua
esperança e variância dadas por:
1 1 𝑛𝜇
𝐸(𝑋̅) = (𝐸(𝑋1 ) + 𝐸(𝑋2 ) + 𝐸(𝑋3 ) + ⋯ + 𝐸(𝑋𝑛 ))= (𝜇 + 𝜇 + 𝜇 + ⋯ + 𝜇) = = 𝜇
𝑛 𝑛 𝑛
1 1
Var(𝑋̅) = 𝑛2 𝑉𝑎𝑟(𝑋1 + 𝑋2 + 𝑋3 + ⋯ + 𝑋𝑛 )=𝑛2 [𝑉𝑎𝑟(𝑋1 ) + 𝑉𝑎𝑟(𝑋2 ) + 𝑉𝑎𝑟(𝑋3 ) + ⋯ +
1 𝑛𝜎 2 𝜎2
𝑉𝑎𝑟(𝑋𝑛 )]= 2
(𝜎 2 +𝜎 2 + 𝜎 2 + ⋯ + 𝜎 2 ) = = e tem desvio padrão ( X ) x .
𝑛 𝑛2 𝑛 n
Exemplo 1:
Tomemos como exemplo uma população de 5 alunos da disciplina de estatística que foram
submetidos a uma prova de 5 questões. Segue a distribuição dos acertos dos alunos A,B,C,D e E,
sendo xi 1,2,3,4,5 a quantidade de questões certas. Determinemos a média populacional e
desvio padrão da população.
Resolução: Para obtermos esses valores montamos a tabela.
151
alunos xi fi xi fi | xi x | | xi x | fi (xi x )2 fi
A 2 1 2 1 1 1
B 3 1 3 0 0 0
C 1 1 1 2 2 4
D 5 1 5 2 2 4
E 4 1 4 1 1 1
15 10
Logo a Média é x
x f i i
15
3 e
n 5
(X )
( x x ) f 10 2
Variância
2
2 e seu Desvio Padrão
i i
2 1,4142
5 n
Selecionemos agora todas as amostra possíveis de 2 acertos com repetição, isto é, 52 =25
duplas e determinemos a média populacional e desvio padrão , para todas as amostras.
Resolução: Para obtermos esses valores montamos a tabela.
Amostra 1 2 3 4 5 6 7 8 9 10 11 12 13 14
Acertos 1,1 1,2 1,3 1,4 1,5 2,1 2,2 2,3 2,4 2,5 3,1 3,2 3,3 3,4
Média xi 1 1,5 2 2,5 3 1,5 2 2,5 3 3,5 2 2,5 3 3,5
Amostra 15 16 17 18 19 20 21 22 23 24 25
Acertos 3,5 4,1 4,2 4,3 4,4 4,5 5,1 5,2 5,3 5,4 5,5
Média xi 4 2,5 3 3,5 4 4,5 3 3,5 4 4,5 5
xi fi xi fi | xi x | | xi x | fi | xi x | fi
1,0 1 1 2,0 2,0 4,0
1,5 2 3 1,5 3,0 4,5
2,0 3 6 1,0 3,0 3,0
2,5 4 10 0,5 2,0 1,0
3,0 5 15 0 0 0
3,5 4 14 0,5 2,0 1,0
4,0 3 12 1,0 3,0 3,0
4,5 2 9 1,5 3,0 4,5
5,0 1 5 2,0 2,0 4,0
75 25
152
75
Logo a média das amostras é xi x 3, que coincide com a média da população e o
25
25
desvio padrão x 1.
25
Observação 1:
A distribuição amostral da média tende para uma distribuição normal.
Observação 2:
A média da distribuição amostral das médias é igual a média da população.
Observação 3:
O desvio padrão da distribuição amostral das médias é menor que o desvio padrão da população.
Observação 4:
Se uma distribuição é normal, então a distribuição amostral da média é também normal.
Observação 5:
Raramente um pesquisador coleta de uma população uma quantidade grande de amostras como
fizemos no exemplo 1, como isso não ocorre, podemos calcular o desvio padrão da distribuição
amostral das médias dividindo o desvio padrão da população pela raiz quadrada do tamanho da
2
amostra, assim ( X ) , para o exemplo 1,podemos escrever ( X ) x 1
n n 2
Observação 6:
A média aritmética x é denominada de estimador da média da população . Se x = , então
dizemos que estatística da amostra é um estimador sem viés. Neste caso a média aritmética da
amostra x é tal que x .
Observação 7:
A fórmula ( X ) x para o desvio padrão de x permanece verdadeira somente quando a
n
amostragem é feita por reposição de uma população finita ou com ou sem reposição para uma
população infinita. O tamanho da amostra é pequena em comparação ao tamanho da população se
n
considerar a relação 0,05. Sendo n o tamanho da amostra e N o tamanho da população. Caso
N
N n N n
isso não ocorra utilizamos a fórmula x , sendo denominado fator de
n N 1 N 1
correção da população finita.
Observação 8:
A igualdade x só ocorre se n=1 e quando n >1teremos x . Portanto o desvio padrão da
distribuição de amostragem da media x decresce conforme cresce o tamanho da amostra.
Exemplo 2:
Sejam a média da população =100 e o desvio padrão 20 e seja o tamanho das amostras
iguais a 25 elementos. Determinar o desvio padrão da distribuição amostral das médias.
153
20 20
Sabemos que ( X ) x = 4.
n 25 5
Denominamos de erro padrão da média amostral a: ( X ) x .
n
3.Teorema Central do limite
Na medida em que aumenta o tamanho n da amostra, a distribuição amostral da média de uma
amostra aleatória extraída de qualquer população, tende para uma distribuição normal com média
e desvio padrão x .
n
Exemplo 3:
Uma variável aleatória X tem distribuição normal com média 50 e desvio padrão 12. Calcular
a probabilidade de que uma amostra de 64 elementos selecionados aleatoriamente tenha média maior
que 53?
Resolução:
12 12
Sabemos que a distribuição amostral da média tem x x 50 e x 1,5 .
n 64 8
x x 53 50 3
Usando a variável normal padronizada segue: z 2 ,logo
x 1,5 1,5
p(x 53) p(z 2) 0,5 p(0 z 2) 0,5 0,47725 0,02275 2,275%.
Exemplo 4:
A empresa WPR tem 2 000 empregados e o valor médio por horas trabalhadas é R$30,00 e
tem desvio padrão R$5,00. Se x representa a média aritmética do valor hora do serviço trabalhado.
Determinar a média aritmética da distribuição amostral da média e seu desvio padrão para amostras
de a) 49 e b) 144 elementos.
Resolução:
a) Sabemos que a distribuição amostral da média tem x x 30,00 e como
n 49 5 5
0,025 0,05. o desvio é dado por: x 0,71
N 2000 n 49 7
b) A distribuição amostral da média é a mesma x x 30,00 e como
n 144
0,072 0,05 , então devemos usar:
N 2000
154
X
Proporção da população é calculada por: p ,sendo
N
X : número total de elementos da população que possui a característica
N : úmero total de elementos da população
x
Proporção da amostra é calculada por: pˆ ,sendo
n
x : número total de elementos da amostra que possui a característica
n : úmero total de elementos da amostra
Exemplo 5:
Em uma pesquisa com estudantes de uma universidade verificou-se que o total de alunos
matriculados é 6 000, dos quais 3 800 são proprietários de automóveis. Em uma amostra de 200
alunos dessa universidade verificou-se que 120 são proprietários de automóveis. Encontre a
proporção dos alunos na população e na amostra que são proprietários de automóveis.
X 3800
Solução: Proporção da população é calculada por: p 0,633 .
N 6000
x 120
Proporção da amostra é calculada por: pˆ 0,6.
n 200
A média aritmética da proporção da amostra, p̂ , e é representada por p̂ ,é igual à
proporção da população, p, isto é pˆ p.
Observação 9:
A proporção da amostra, p̂ ,é denominada de estimador da proporção da população, p.
O desvio padrão da proporção da amostra, p̂ , e é representada por p̂ , e dado pela
pq
lei: p̂ .
n
Sendo que p corresponde à proporção da população e q=1-p, e n tamanho da amostra.
Exemplo 6:
Determinar a média e o desvio padrão da proporção da amostra no exemplo 5.
A média aritmética da proporção da amostra é dada por: pˆ p 0,633 e
pq 0,633 0,367
O desvio padrão da proporção da amostra, p̂ , é dado por: pˆ 0,00145
n 200
5. Intervalos de Confiança
155
Conhecendo-se uma amostra de uma população, é sempre possível obtermos a média da
x (um erro de amostragem) .Qual deve ser a amplitude de tolerância para este erro?
O estudo de estimação intervalar para as médias populacionais é condicionado por duas
situações:
1º caso: Quando o desvio padrão ou a variância populacional é conhecido.
Fig.1
156
X
n> 30 Z
Se o valor de σ é elementos
s
desconhecido n
Use o estimador S como X
n≤30 t
aproximação de σ s
elementos
n
A estimação intervalar tem como ponto de partida uma estimação pontual do parâmetro a ser
estimado.
Observação 9:
Se X é uma variável normal de média e desvio padrão , então a distribuição
x
normal padronizada é obtida por meio da mudança de variável z .
Se X é uma variável normal de média e desvio padrão , então a distribuição
n
normal padronizada tem mudança de variável Z X
( )
n
Na prática, se quer garantir com certo grau de certeza (1 – α) que a abscissa padronizada Z do
parâmetro estimado esteja dentro do intervalo desejado, que vai de −𝑍𝛼/2 a 𝑍𝛼/2 .
Desta forma poderemos escrever uma expressão que traduza esta abordagem do cálculo da
probabilidade e que esta variável padronizada Z caia no intervalo, −𝑍𝛼/2 a 𝑍𝛼/2 , então
p[Z 2 Z Z 2 ] (1)
A variável padronizada Z, que representa o afastamento da estimativa pontual x para o
parâmetro µ em quantidades de desvios padrão, pode ser escrita como:
X X
Z daí escrevemos que, p[Z 2 Z 2 ] (1 )
( x)
( )
n n
Devido ao fato que desejamos estimar o parâmetro populacional µ vamos modificar a
expressão acima a fim de isolar µ. Multiplicando a desigualdade por
n
p Z 2
n
X Z 2 (1 ) ,
n
p(Z 2 X Z 2 ) (subtraindo X , segue)
n n
p( X Z 2 X Z 2 ) (multiplicando por (-1)
n n
157
p( X Z 2 X Z 2 ) 1 , ou ainda
n n
p X Z 2 X Z 2 (1 ) (I)
n n
Desta forma a média µ da população poderá ser estimada com o nível de certeza e a
probabilidade desejada.
Se as alturas dos alunos do sexo masculino da disciplina de estatística dessa Faculdade têm
distribuição normal e que numa amostra de 100 alunos foi encontrada a média x 175 cm e desvio
padrão S =15 cm, determinar o intervalo de confiança para a média ao nível 90%.
Solução:
Do enunciado podemos escrever: n 100 ; x 175 ; S 15 ; 10%
Observação 10: Neste caso podemos substituir por S pois, a amostra tem mais de 30 elementos.
Na tabela da distribuição normal encontramos Z 2 = 1,65
45% 45%
1,65 1,65
Fig. 2
Podemos afirmar com 90% de confiança que a altura média dos alunos é um valor que está no
intervalo entre 172,525cm e 177,475cm.
158
Exemplo 8:
Seja X a duração de vida de uma nova bateria de celular. Foram testadas 100 baterias
fornecendo uma duração de vida média de x 500h e desvio padrão =5 h e que se deseja obter
um intervalo de confiança ao nível de 95% para a média .
Solução:
Do enunciado podemos escrever: n 100 ; x 500 ; 5 ; 5%
Na tabela da distribuição normal encontramos Z 2 = 1,96
0,475 0,475
-1,96 1,96
Fig. 3
1,96
Substituindo esse valor na expressão ( I ), segue
5 5
p(500 .1,96 500 .1,96) = p(499,02 500,98) 95%
100 100
Podemos afirmar com 95% de confiança que a duração de vida média é um valor que está no
intervalo entre 499,02 h e 500,98 h.
Exemplo 9:
De uma população normal com variância 2 igual a 36 e média x 16, foi retirada uma
amostra de 40 elementos. Pede-se determinar um Intervalo de Confiança para a média populacional
com um nível de confiança de 95%.
Solução:
0,475 0,475
1,96 1,96
Fig. 4
159
p 16 (1,96 0,9486) 16 (1,96 0,9486) 95%
e, portanto, podemos escrever que p 14,14 17,85 95%
Podemos afirmar com 95% de confiança que a média da população está entre 14,14 e 17,85,
ou corremos o risco de 5% que a verdadeira média possa estar abaixo de 14,14 ou acima de 17,85.
0,465 0,465
1,82 1,82
Substituindo na fórmula:
(II)
p X Z 2 sx X Z 2 sx (1 ) , tem-se
p 46,15 1,823 46,15 1,823 0,93.
Portanto o Intervalo de Confiança para a média da População com um nível e confiança
de 93% é p 40,69 51,61 0,93.
160
Exemplo 11:
As notas de matemática dos alunos do primeiro semestre estão indicadas na tabela
xi fi fac xi fi | xi x | | xi x | fi ( xi x )2 fi
5,5 2 2 11 1,95 3,90 7,605
6,0 3 5 18 1,45 4,35 6,3075
6,5 4 9 26 0,95 3,80 3,6100
7,0 10 19 70 0,45 4,50 2,0250
7,5 7 26 52,5 0,05 0,35 0,0175
8,0 5 31 40 0,55 2,75 1,5125
8,5 4 35 34 1,05 4,20 4,4100
9,0 2 37 18 1,55 3,10 4,8050
9,5 3 40 28,5 2,05 6,15 12,6075
298 42,9000
x i i
x f 298
Média: 7,45
n 40
Desvio Padrão: SX x x . f
i
2
i
42,9
1,0488 1,05
n 1 39
0,475 0,475
1,96 1,96
Fig. 6
161
Substituindo em (II) segue:
1,05 1,05
p 7, 45 1,96 7, 45 1,96 0,95.
40 40
p 7,45 0,32539 7,45 0,32539 p 7,12461 7,77539 0,95.
Podemos afirmar com 95% de confiança que a média das notas de matemática é um
valor que está no intervalo entre 7,12461 a 7,77539.
Exemplo 12:
O gerente do magazine WP deseja estimar com 95% de probabilidade (confiança) qual tenha
sido a média dos saldos de caixa do ano anterior no fechamento diário das operações. Colhe amostras
de 50 saldos (uma para cada dia de cada semana do ano anterior). O gerente seguiu as seguintes
etapas:
Agrupou as observações em classes por tratar-se de uma amostra grande, superior a 30
observações.
As observações de saldos de caixa foram as seguintes ( em R$ x 100 )
Saldos de Caixa dados brutos.
2,3 1,7 1,9 1,6 2,8 3,1 4,0 5,3
1,0 0,9 0,8 0,7 0,4 0,95 1,32 1,64
1,27 2,52 2,1 3,4 3,8 2,15 0,85 4,6
1,29 2,13 2,47 2,58 1,95 2,4 0,74 3,82
2,0 1,24 4,3 2,16 1,47 5,0 0,45 2,61
2,1 2,75 3,81 1,83 7,8 4,7 3,12 3,0
Determinou-se o número de classes necessárias e sua amplitude para agrupar os dados
utilizando-se o método da Raiz.
Xmáx X min 5,3 0,4
K n 48 7 e a amplitude será então h 0,7
k 7
Desta maneira obteve-se a tabela com seus respectivos dados.
Classes xi fi (xi fi ) | xi x | | xi x | fi ( xi x )2 fi
0,4|—1,1 0,75 9 6,75 1,54 13,86 21,3444
1,1|— 1,8 1,45 8 11,6 0,84 6,72 5,6448
1,8|— 2,5 2,15 14 30,1 0,14 1,96 0,2744
2,5|— 3,2 2,85 5 14,25 0,56 2,80 1,5680
3,2 |— 3,9 3,55 6 21,3 1,26 7,56 9,5256
3,9 |— 4,6 4,25 2 8,5 1,96 3,92 7,6832
4,6 |—| 5,3 4,95 4 19,8 2,66 10,64 28,3024
48 112,3 74,3428
162
A média da amostra é x
(x f ) 2,29
i i
e o desvio padrão
n
x x
2
. fi
74,3428
S i
1, 257681
n 1 48 1
Temos os seguintes estimadores: 2 2,5% ou 5% e x 2,29
(1,257)2
s 1,257 e portanto, sx 0,181432
48
Z 2 Z0,475 1,96 , consultando-se a tabela Z. Logo
p X (Z 2 sx ) X (Z 2 sx ) 95%
p 2,29 1,96 0,18143 2,29 1,96 0,18143 0,95
p 1,9344 2,6453 0,95
Pode-se dizer que a média da população dos saldos de caixa do ano anterior estará
contida entre os valores 1,9344 e 2,6453 com uma grau de confiabilidade de 95%, ou corre-se o risco
de erro de 5% que a média populacional seja um valor abaixo de 1,9344 ou acima de 2,6453 ( R$ x
100).
Outra pergunta de interesse poderia ser: Qual o erro de estimação ao nível de 5%”?
O erro amostral é dado pela diferença entre a média da amostra e a média da população :
x
x , mas como Z , então Z sx x , e portanto o erro amostral pode ser
sx
definido por Z sx .
Assim, no exemplo anterior o erro ao nível de 5% será: 1,96 0,18143 0,3556 , ou
R$ 356,00.
2º caso: Se a amostra tem menos de 30 elementos
Se a amostra for pequena (menor que 30 observações) a priori não se pode utilizar o desvio
padrão da amostra como sendo o da população, pois se demonstra matematicamente que o desvio
padrão da amostra é um estimador “viesado” do desvio padrão populacional e, portanto não é válido
para tal finalidade. Lembre-se que a substituição pura e simples de 𝝈 por S, somente se justifica
para grandes amostras.
Entretanto serão raros os casos onde se queiram inferir resultados populacionais a partir de
amostras que tenham menos de 30 elementos, mas caso isto aconteça poderemos utilizar a tabela t-
Student.
O criador da distribuição t-Student foi W.S. Gossett, empregado de uma cervejaria Guinness
irlandesa no princípio do século XX. A empresa não gostava que seus empregados publicassem
trabalhos em seu próprio nome, de modo que Gossett adotou o pseudônimo de Student em seus
trabalhos.
163
1º caso: Intervalo de Confiança para Média da população com variância conhecida.
O procedimento é análogo ao adotado para a determinação dos intervalos de confiança para
médias populacionais a partir de grandes amostras.
A diferença ocorre apenas na distribuição amostral da média das pequenas amostras que possui
distribuição t Z . Esta distribuição com tn1 ; 2 tem (n – 1) graus de liberdade e 2 de
n21
n 1
significância. Estes valores de probabilidade se encontram já calculados na tabela t de Student que
apresentamos parcialmente a seguir.
Uso da tabela (página 170):
Exemplo13:
A tabela t de Student é bicaudal.
1) Se o nível de confiança é 95%, procura-se na tabela, 1) 5% e se o número de
elementos é n=22, toma-se n-1=21 graus de liberdade, assim o valor de tn1; 2 = t21;0,025 2,080 .
164
9.Tabela da distribuição de Student
f(t)
-tc 0 tc t
165
Ressalta-se que quando n>30 e tende ao infinito, a probabilidade na distribuição t se iguala
àquela da distribuição Z. De fato se consultarmos as duas tabelas poderemos verificar que para o
mesmo grau de significância, por exemplo, 5% teremos um valor de afastamentos em número de
desvios padrão muito parecidos ou seja (1,646 para t e 1,64 para Z).
Assim, justifica-se a aplicação da tabela t quando a amostra tem número igual ou menor que
30 elementos. Note-se ainda que no caso da tabela t a consulta é feita para tn1; 2 , então, por
exemplo, se n = 10 teremos n – 1 = 9 graus de liberdade e sendo 1 =95% o grau de significância
alfa de 5% deverá ser, neste caso, dividido por dois (lembre-se que a menor das probabilidades
apresentadas no título de cada coluna é a área em uma cauda; a probabilidade maior é a área em
ambas as caudas).
A consulta à tabela tn1; 2 t9;0,025 2,262 .
Portanto, o intervalo de confiança para a média 𝜇 pode ser construído com boa aproximação
adotando-se S como estimativa para 𝜎 na expressão X Z 2 X . Quanto menor é a amostra, mais
necessária se torna a introdução de uma correção, a qual consiste em usar a variável t –Student, ao
invés da variável Z normal padronizada.
X X X
Chamando de tn1 , de modo que tn1 . . Z 2 . é expressão
s s s s
n n n
da variável t –Student .
Assim o intervalo de confiança para médias populacionais a partir de pequenas
amostras fica representado por:
s s
p x tn1 x tn1 (1 )
n n
Exemplo 14:
Uma das preocupações de um analista financeiro deve ser a de poder comparar uma empresa,
ao seu setor de atividade econômica, já que é sabido que a análise vertical e horizontal não consegue
produzir a comparação com o meio externo à empresa. Suponhamos uma amostra de tamanho n = 20
de empresas de um mesmo setor de atividade econômica.
Amostra dos índices de LG das 20 empresas.
Liquidez Geral
1,84 0,99 0,94 0,59
4,33 2,8 0,06 0,25
1,87 2,38 1,03 1,8
1,81 0,17 0,78 2,18
1,48 0,87 0,78 7,75
Pede-se, calcular um Intervalo de Confiança para a média da população com 95% de certeza.
Calculados os elementos da Estatística Descritiva da amostra necessários para a estimação da
média populacional, obteve-se: x 1,735 e s 1,7440741.
166
A média e o desvio padrão são elementos únicos que caracterizam a distribuição de
probabilidades da amostra. Desta forma parte-se desta característica da amostra, para se estimar o
parâmetro populacional. O desvio padrão amostral é
s 1,744074178
sx 0,389986
n 20
Consultando-se a tabela t-Student temos, tn1; 2 t19;0,025 2,093
Substituindo-se os elementos encontrados na expressão abaixo o intervalo de confiança será:
s s
p x tn1 x tn1 (1 )
n n
Exemplo 15:
Uma empresa fabrica motores elétricos movidos a energia solar utilizados para bombeamento
de água em áreas agrícolas e colheu uma amostra de 25 motores e após vários testes, verificou que a
vida média das células fotoelétricas é de 1327 horas e desvio padrão de 182 horas. Pede-se
determinar um IC com 95% de certeza para a vida útil populacional das células de energia.
Solução:
Como a amostra tem n<30 utiliza-se a tabela t.
s 182
sx 36,40 e tn1; 2 t24;0,025 2,064
n 25
s s
Desta forma o intervalo de confiança será: p x tn1 x tn1 (1 )
n n
p1327 2,064 36,40 1327 2,064 36,40 95%
p1327 75,12 1327 75,12 95%
ou seja , p1251,87 1402,12 95%
A vida útil média da população das células de energia estará entre 1251,87 e 1402,12 horas
com 95% de certeza ou corre-se o risco de 5% de que a verdadeira média populacional esteja fora
desse intervalo.
167
Exercícios de Aplicação 25:
1) Uma empresa fabricante de filtros de água colheu uma amostra de 50 produtos e detectou que a
sua vida média era de 630 horas com desvio padrão de 46 horas. Pede-se determinar um IC para a
vida média populacional dos misturadores ao nível de 95%.
2) Um administrador financeiro quer estimar com 95% de certeza um IC para a média de horas de
serviço dos funcionários no ano em curso. Para isto colheu uma amostra aleatória das horas
trabalhadas de 48 funcionários tendo tabulado os resultados:
Pede-se:
39 27 35 24 28 29 35 24 a) agrupar as variáveis por classe (método da
19 17 24 15 28 31 33 19 raiz).
b) calcular a média e o desvio padrão amostral.
38 24 26 28 29 35 24 27 c) construir um IC ao nível de 95% para a
35 36 32 31 30 29 28 27 média de horas na população.
26 25 24 26 24 23 21 34 d) qual o erro amostral da estimativa?
35 36 36 34 38 37 30 31
168
iii) Amplitude da Classe: r = R/K =
169
3) Num processo de ordenha, uma amostra da quantidade de leite de 15 animais revelou média de
30 litros com desvio padrão de 4,3 litros. Pede-se estimar um IC com 95% de certeza para a média
de produção populacional da fazenda.
4) Uma fábrica de bombons de chocolate quer estimar o peso médio populacional de seus produtos
que são fabricados de forma artesanal. Para isto colhe uma amostra de 10 caixas o obtém peso
médio de 436 gramas com desvio padrão de 58 gramas. Pede-se estimar um IC ao nível de certeza
de 95%.
170
5) Uma grande rede de hotéis quer estimar o tempo médio para limpeza dos 246 quartos que possui
em uma de suas unidades. Para isto colhe uma amostra do tempo gasto com a arrumação e limpeza
de 48 quartos e obtém 43 minutos com desvio-padrão de 12 minutos. Pede-se estimar ao nível de
95% de certeza;
1) a média de tempo gasto para a limpeza dos quartos;
2) se o valor médio de mão de obra é R$ 12,00 por hora, estimar o custo total diário mínimo e
máximo despedidos.
171
CAPÍTULO 9
1. Introdução
Exemplo 1:
No lançamento de uma moeda desejamos saber se a moeda utilizada é ou não uma moeda
equilibrada.
Não é possível afirmar que a moeda é honesta ou equilibrada apenas olhando-a e, não há
qualquer razão para afirmar que ocorrerá mais cara do que coroa ou vice-versa. Lançando apenas
uma vez também não podemos tirar conclusão se é ou não equilibrada e lançando a moeda muitas
vezes dispomos de mais informações.
A formulação de hipóteses ou de conjecturas acerca das populações é denominada hipóteses
estatísticas, podendo ser ou não verdadeiras.
A hipótese a ser testada é frequentemente denominada de hipótese nula.
Observações:
1) A hipótese nula Ho representa aquilo que se acredita no momento que se deseja provar.
2) A hipótese nula Ho sempre se refere a um valor especificado para o parâmetro da
população (média ) e não para uma estatística amostral ( média x ).
3) A hipótese nula Ho sempre contém um sinal de igualdade com relação ao valor
especificado exato da população.
4) A hipótese alternativa H1 nunca contém o sinal de igualdade com relação ao valor
especificado para a população.
5) A rejeição da hipótese nula Ho indica que você tem comprovação estatística de que a
hipótese alternativa esta correta.
6) Um procedimento quando levado a uma decisão acerca de uma hipótese particular é
denominado de teste de uma Hipótese.
7) Testar a hipótese envolve considerar uma amostra aleatória, computar uma estatística teste
a partir de dados amostrais e, então tomar uma decisão a respeito da hipótese nula Ho.
No exemplo colocamos nossa hipótese nula como:
172
Formulada a hipótese H0: A probabilidade de sair cara é p=1/2, e se lançarmos 20 vezes a
moeda e ocorrerem 17 vezes cara, ficamos inclinados a rejeitar a hipótese que a moeda é honesta. Se
jogarmos a moeda n vezes e se o número de caras esta próximo de n/2, aceitamos H0, a hipótese de
que a moeda é honesta.
Os testes de Hipóteses assim como os de estimação, baseiam-se em estimadores amostrais
para validar as generalizações feitas para as populações.
2. Conceituação.
0 1
173
Note-se que uma variável em estudo cuja média esteja entre os valores 0 e 1 , a princípio pela
análise gráfica, pode pertencer ao grupo da esquerda ou ao grupo da direita.
Portanto se Ho for verdadeira, poderemos dizer que a variável pertence à população
representada pelo gráfico da esquerda, caso contrário prevalece a outra hipótese de que a variável
pertença à população representada pela população da direita, portanto será verdadeira H1 .
3. Erros do tipo I e II
Erro tipo I: Um erro do tipo I ocorre caso você rejeite a hipótese nula, H0, quando ela é verdadeira
e não deveria ser rejeitada. A probabilidade de ocorrência de um erro do tipo I é representada por 𝛼.
Erro tipo II: Um erro do tipo II ocorre caso você não rejeite a hipótese nula, H0, quando ela é falsa
e deveria ser rejeitada. A probabilidade de ocorrência de um erro do tipo II é representada por 𝛽.
1- 1- b
b
Situação real
Ho : é verdadeira Ho: é falsa
Decisão Não rejeitar Ho Decisão correta Erro do tipo II
Rejeitar Ho Erro do tipo I Decisão correta
1-
174
5. Poder de um Teste
1- 1- b
b
Quanto menor for o nível de significância α (alfa) maior será o de β (Beta) e assim menor
será a área (1 – β) o que diminui o poder do teste.
Ao contrário, quanto maior for o nível de significância (alfa) menor será o de (Beta) e
consequentemente maior será a área (1 – β) que se denomina poder do teste. Isto significa que se
aumentarmos o grau de significância aumentando Alfa (de 1% para 5% ou até mesmo para 10%) e se
com isto H0 não for rejeitada, isto é, se ainda assim a hipótese H0 estiver contida na área (1 – α) e
não na área de rejeição, teremos a certeza de que a variável em estudo pertence ao grupo de H0 e não
pertence ao grupo de H1 o que aumenta o poder do teste.
O valor de comparação Zteste representa o afastamento que uma amostra representada por sua
média x se afasta da verdadeira média populacional 0 . Do TCL (teorema central do limite) sabe-se
que o desvio padrão amostral é “n” vezes menor que o populacional e representa-se .
n
175
x - 0
Daí a fórmula do valor de comparação será representada como: Zteste
n
Quando Zteste for maior que o valor crítico xc (se o teste for à direita) ou menor que o valor
crítico xc (se o teste for à esquerda), então Zteste estará na área de rejeição da hipótese inicial H0
dada pelo nível de significância e, portanto devemos rejeitá-la. O mesmo acontece para o teste
bilateral. Quando um teste for significante (rejeição de H0 ) ao nível 5%, isto não quer dizer
necessariamente que deva ser significante aos níveis de 1% e/ou 0,1%.
Para se executar um teste de hipótese é necessário termos pelo menos a média da amostra e a
média da população e também o desvio padrão da amostra ou da população.
Se a amostra revelar uma média maior que a média populacional 0 afirmada (de maneira
categórica) então se pode suspeitar que aquela amostra pudesse ter sido retirada de uma população
com média maior do que aquela afirmada. Desta forma o teste será unilateral à DIREITA e suas
hipóteses serão escritas como:
H0 : a verdadeira média é 0
H1 : a verdadeira média é maior que 0
Se a amostra revelar uma média menor que a média populacional 0 afirmada (de maneira
categórica) então se pode suspeitar que aquela amostra pudesse ter sido retirada de uma população
com média menor do que aquela afirmada. Desta forma o teste será Unilateral à ESQUERDA e suas
hipóteses serão escritas como:
H0 : a verdadeira média é 0
H1: a verdadeira média é menor que 0
Quando não houver uma afirmação categórica a respeito da verdadeira média populacional
contra a qual se quer comparar uma amostra então devemos “abrir” o teste BILATERALMENTE.
Desta forma suas hipóteses serão escritas como:
H0 : a verdadeira média é 0
H1 : a verdadeira média é de 0
Ho Ho
+ 1,64
5%
176
9. Valor Crítico para testes Bilaterais
Supondo o mesmo nível de significância de 5%, o valor crítico de corte denominado xc será
dado por: Z1-α 2 = Z95% 2 = Z0,475 = ± 1,96 , para cada lado da curva de densidade de probabilidade.
95%
H0
- 1,96 + 1,96
2,5% 2,5%
Nas diversas hipóteses que podem ser formuladas, erros são sempre possíveis de acontecer,
ou por estabelecimento errôneo de uma hipótese ou por má interpretação de resultados.
Admita-se que existam quatro possibilidades, duas corretas e duas incorretas:
Aceitar Ho quando esta for verdadeira (correta) representa-se por 1 - .
Rejeitar Ho quando esta for falsa (correta) representa-se por 1 - b .
Aceitar Ho quando esta for falsa (erro Tipo II) representa-se por b .
Rejeitar Ho quando esta for verdadeira (erro Tipo I) representa-se por .
A aceitação de Ho leva automaticamente à rejeição da hipótese alternativa H1 e vice-versa, a
aceitação de H1 leva a rejeição de Ho.
Define-se, portanto, Região Crítica como sendo um intervalo de valores que a variável
testada pode assumir e que leve à rejeição da hipótese inicialmente testada Ho. Pode-se determinar a
área de rejeição como normalmente apresentado nos programas estatísticos como sendo o nível de
significância 10%, 5%, 1% ou outro.
177
x -
n > 30 Z
Se o valor de σ é s
elementos
desconhecido n
Use o estimador s como x -
n ≤ 30 t
aproximação de σ s
elementos
n
Em casos onde a amostra não for suficientemente grande e ao mesmo tempo a população não
possuir comportamento normal, aconselha-se a aumentar o tamanho da amostra no mínimo para mais
de 30 elementos.
11.1. Testes Unilaterais à Esquerda para Média Populacional com x (desvio padrão
populacional) conhecido.
Ilustraremos esta teoria por meio de exemplos para grandes e pequenas amostras para que o
leitor possa compreender sua aplicação prática e verificar que a aplicação destas metodologias
depende do conhecimento prévio da variância populacional e do tamanho da amostra.
Estatística de
Variância Populacional σ2 Amostra n
teste
Se o valor de σ é x -
desconhecido mas n > 30, use n > 30 Z
s
o estimador s como elementos
n
aproximação de σ
Valor crítico Z5% Z0,45 -1,64
H0
H1 -1,64
178
0 13
0,17
x - 0 12,97 -13
Cálculo do Valor de Teste: sendo ,então Zteste -2,07
n 138 s 0,17
x 12,97 n 138
Como o valor crítico de teste é menor que –1,64, conclui-se que está dentro da área de
rejeição da Hipótese inicial Ho. Portanto a Hipótese inicial deverá ser rejeitada, ou seja, não se pode
afirmar que os anéis de pistão, uma vez instalados, atendam as especificações demandadas pela
fábrica de motores.
Suponha que num experimento análogo ao anterior, a população tivesse revelado a mesma
média de diâmetro de 13 cm e desvio padrão populacional igual a 0,177. Numa amostra de 15 anéis
de pistão constatou-se que o diâmetro médio era de 12,93cm. Verificar se a afirmação do fabricante é
verdadeira ao nível de significância 5%.
Solução:
Já que a amostra tem menos que 30 elementos, mas conhecemos o desvio padrão
populacional podemos utilizar a tabela Z. Verificar se a afirmação do fabricante é verdadeira ao nível
de significância 5%.
Estatística de
Variância Populacional σ2 Amostra n
teste
x -
Se o valor de σ é conhecido Z
n ≤ 30 elementos
Use o estimador σ
n
Valor crítico Z5% Z0,45 -1,64
H0
H1
-1,64
5%
179
0 13
0,177
x - 12,93 -13
Cálculo do Valor de Teste: sendo ,então Zteste -1,53
n 15 0,177
x 12,93 n 15
Como o valor crítico de teste é maior que –1,64, conclui-se que está na área de aceitação da
Hipótese inicial Ho. Portanto a Hipótese inicial deverá ser aceita, ou seja, podemos afirmar que os
anéis de pistão, uma vez instalados atendem as especificações demandadas pela fábrica de motores.
Se por acaso o valor da média verificada na amostra fosse maior que a média populacional, os
testes que executamos anteriormente seriam unilaterais à direita. Todo o restante do procedimento
ficaria inalterado incluindo o nível de significância e os valores críticos de teste, que neste caso
seriam positivos.
11.2. Testes Unilaterais à Direita para Média Populacional com x (desvio padrão
populacional) desconhecido.
Uma empresa de tintas quer testar se a reclamação de alguns clientes quanto à secagem
prematura de um de seus produtos é devido à variabilidade de um componente químico adicionado
ao produto durante o processo de mistura. O químico responsável afirma que são misturados a cada
500 litros de tinta, 23 Kg do produto necessário, segundo especificação aprovada. Uma amostragem
aleatória simples de 40 processos de mistura revelou que a média do componente adicionado foi de
23,04 Kg com desvio padrão de 0,16 Kg. Verificar se a afirmação do fabricante é verdadeira ao nível
de significância 5%.
Solução: Devemos conduzir um teste unilateral à direita, pois a amostra revelou um valor médio
23,04 Kg. superior ao especificado para o processo 23 Kg.
Estatística de
Variância Populacional σ2 Amostra n
teste
Se o valor de σ é x -
desconhecido, mas n > 30 n > 30 Z
s
use o estimador s como elementos
n
aproximação de σ
Valor crítico Z5% Z045 1,64
180
+1,64
0 23
0,16
x - 23,03 - 23
Cálculo do Valor de Teste: sendo ,então Zteste 1,5811
n 40 s 0,16
x 23,04 n 40
Como o valor crítico de teste é menor que +1,64 conclui-se que ele está dentro da área de
aceitação da Hipótese inicial Ho. Portanto a Hipótese inicial não deve deverá ser rejeitada, ou seja,
podemos afirmar que a secagem prematura não se deve à variabilidade da quantidade misturada, mas
a outros fatores.
Uma empresa farmacêutica quer estimar a possibilidade de ter que destruir um lote de
medicamentos devido a excesso de um dos componentes que tem originado reclamações de náuseas
por parte dos pacientes que o utilizam de forma continuada. A especificação padrão para o
medicamento proposto pela OMS impõe que a média do componente por comprimido seja 4,3 mg.
Para tal verificação a empresa colhe uma amostra de 25 comprimidos e obtém média de 4,39 mg e
desvio padrão de 0,23 mg. Verificar se a empresa terá de destruir o lote devido à afirmação dos
clientes, ao nível de significância 5%.
Solução:
Mais uma vez existe uma afirmação categórica a respeito do valor da média populacional, daí
o teste é unilateral. Devido ao fato que a amostra revela média 4,39 maior que o proposto pela OMS
4,3 o teste é à direita. Por não se conhecer o desvio padrão populacional σ, podemos considerar o
desvio padrão amostral s e utilizar a tabela t-Student .
Estatística de
Variância Populacional σ2 Amostra n
teste
Se o valor de σ é x -
desconhecido e n ≤ 30 n ≤ 30 t
s
Use o estimador s como elementos
aproximação de σ n
181
H0
H1
0 4,3
S 0, 23
x - 0 4,39 - 4,3
Cálculo do Valor de Teste: sendo ,então tteste 1,956
n 25 s 0,23
x 4,39 n 25
Consultando-se a tabela t-Student para (n –1) = 25 – 1 = 24 graus de liberdade e 0,05 de
significância temos que o valor de t crítico = + 1,711
Como o valor t teste = + 1,956 é maior que o valor de t crítico 1,711, conclui-se que está dentro
da área de rejeição da Hipótese inicial Ho. Portanto, podemos afirmar que a empresa deverá aceitar a
reclamação dos clientes e destruir o lote de medicamentos, pois tudo se comporta como se a
verdadeira média do componente químico do remédio seja maior que a especificação técnica de
segurança.
Exemplo 7:
Suponha que no exemplo anterior a amostra tivesse revelado um peso médio de 4,37 ao invés
de 4,39, mantendo-se inalterado o desvio padrão e o nível de significância de 5%.
x - 0 4,37 - 4,3
Cálculo do Valor de Teste: tteste 1,521
s 0,23
n 25
Este valor t teste = +1,521 estaria na área de ACEITAÇÃO da Hipótese inicial, pois seria
menor que o valor crítico +1,711.
A pequena diferença entre as médias dos dois testes 4,39 e 4,37 (0,02 mg) mesmo mantendo-
se a constatação do desvio padrão amostral, fez com que o teste que inicialmente sugeriria a
destruição do lote, no segundo teste sugere que não seja destruído. Este fato revela que os testes de
significância devem ser conduzidos com muita parcimônia pelo analista.
As medições técnicas nestes casos devem ser conduzidas com muita precisão, pois em se
tratando de peças, lotes de remédios, produtos químicos utilizados em processos industriais de
precisão, ou qualquer outro tipo de medição que exija precisão na terceira ou quarta casa decimal,
produtos ou processos, poderiam ser rejeitados gerando prejuízos para as partes envolvidas.
182
13.Testes Bilaterais para Média Populacional com x (desvio padrão populacional) conhecido.
Este tipo de teste é considerado mais fraco que os anteriores, e deve ser aplicado quando não
for possível aplicar os anteriores.
Há muitos casos em que há interesse em identificar um desvio do valor real do parâmetro
para menos ou para mais, em relação ao valor testado.
Uma situação típica de aplicação dos testes bilaterais é quando da população pudermos
extrair apenas a informação sobre a variância, ou a afirmação a ser testada sobre a média
populacional não tiver nenhum embasamento de cálculo. Em outras palavras, se aplica este tipo de
teste quando não há como afirmar categoricamente o valor do parâmetro populacional a ser
testado. Outras situações de aplicação são aquelas em que haja discrepância acentuada da média
obtida em amostragens sucessivas.
Por exemplo, suponha que em duas amostragens ocorram médias muito discrepantes: uma
média maior e outra menor que a afirmada pela Hipótese inicial. Esta seria uma situação onde seria
conveniente aplicar-se o teste bilateral e rejeitar a Hipótese inicial quando o valor de teste tomado de
forma modular for maior qualquer um dos valores críticos bilaterais.
Exemplo 8:
Uma empresa de alimentos sabe que o desvio padrão populacional na adição de certa
vitamina a um tipo de suco é 45 unidades p/litro. Uma amostra aleatória de 100 litros forneceu uma
média de 127,3 unidades/litro. Será que a partir destas informações podemos afirmar que a média de
adição de vitamina é aproximadamente igual a 138 unidades/litro se considerarmos o nível de
significância de 5%?
Note o leitor que, por não termos certeza se a média é maior ou menor que 138 unidades/litro,
devemos supor que ela é “diferente” de 138 unidades/litro. Portanto o teste é do tipo bilateral.
Hipótese inicial a ser testada Ho: média populacional 0 138unidades por litro
Estatística de
Variância Populacional σ2 Amostra n
teste
x -
Se o valor de σ é conhecido n > 30 Z
Use o estimador σ elementos
n
Valor crítico Z1- 2 Z95% 2 Z0,475 1,96
H0
- 1,96 + 1,96
H1
2,5% 2,5%
183
0 138
45
127,3 -138 x -
Cálculo do Valor de Teste: sendo ,então Zteste
-2,37
n 100 45
x 127,3 n 100
Como o valor crítico de teste – 2,37 é menor que –1,96 conclui-se que ele está dentro da área
de rejeição da Hipótese inicial Ho. Portanto, a Hipótese inicial deverá ser rejeitada, ou seja, não se
pode afirmar que a média é 138 unidades/litro, mas podemos afirmar que a média é menor que esse
valor, portanto, bem menor que as especificações do padrão de qualidade das empresas e dos órgãos
públicos responsáveis.
Exemplo 9:
Uma amostra de 100 lâmpadas compactas fluorescente tem vida média 1570 horas e desvio
padrão 120 horas. Se é a média da população, testar a hipótese:
H0: 0 = 1600 horas
H1: 0 1600 horas, com nível de significância de a) 5% b) 1%.
Solução:
a) O teste é bilateral e tem-se a regra de decisão:
i) Aceitar H0 se z estiver no intervalo [-1,96, 1,96].
ii) Rejeitar H0 se z estiver fora do intervalo [-1,96, 1,96].
H0
- 1,96 + 1,96
H1
2,5% 2,5%
- ZC ZC
120
Para 5%,tem-se ZC 1,96 e x 1600 e x 12 , logo
n 100
x - 1570 - 1600
z -2,50 , esse valor cai fora do intervalo [-1,96, 1,96].
x 12
Portanto, rejeitamos H0 ao nível de 5%.
b) Para o nível de 1% ou 0,01 tem-se o intervalo [-2,58; 2,58], isto é, ZC 2,58 com o uso da
distribuição normal padronizada.
x - 1570 - 1600
Como z -2,50 e pertence ao intervalo [-2,58; 2,58], aceita-se H0 ao
x 12
nível de 1%.
184
Exemplo 10:
Um laboratório manipula uma tomada para a cura de uma mancha alérgica na pele e afirma
que a pomada é eficaz em 90% dos tratamentos durante o uso de uma semana. Para a verificação foi
tomada uma amostra de 300 pacientes com essa mancha alérgica e a pomada curou 250 pacientes.
Determinar se a afirmação do laboratório é legítima ao nível de 90%.
Solução:
90%
10%
-1,29
Portanto -3,85 é menor que -1,29 e de acordo com a regra de decisão conclui-se que a
pretensão não é legítima e rejeita-se H0.
Para esse problema podemos formular a seguinte pergunta:
Entre os 300 pacientes testados, quantos deveriam ser curados para que a pretensão seja
legítima do laboratório?
xp - 270
Devemos ter z0 -1,29 xp 270 - (1,29 5,196) 263,29 263. Portanto,
5,196
a pomada deveria curar no mínimo 263 pacientes entre os 300 tratados.
185
Exercícios de aplicação 26:
1. Um fornecedor de anéis de pistão para motores a combustão interna, afirma que sua produção é
entregue conforme o projeto especificado pela montadora de veículos com diâmetro de 85 mm e
desvio padrão de 0,95 mm. O analista de produção da montadora recebeu a remessa de peças e
colheu uma amostra de 35 unidades a qual apresentou média de 84,6 mm. Pede-se verificar se as
peças estão sendo entregues conforme a especificação de projeto testando a afirmação do
fabricante ao nível de significância de 5%.
2. Uma empresa fabricante de bombas de sucção para poços artesianos, afirma que o tempo médio de
utilização de seu equipamento antes da perfuração do diafragma é de 6000 horas. Uma amostra de
20 equipamentos foi levantada e revelou média de 5500 horas e desvio padrão de 1500 horas antes
da perfuração. Pede-se testar a afirmação do fabricante desse equipamento ao nível de 5%.
186
3. Um fabricante de ração animal afirma que tratando filhotes de suínos nos primeiros 30 dias de vida
com a ração BXY os mesmos apresentariam ao final desse período um peso médio de 5,1 Kg. Um
fazendeiro suinocultor afirma que uma amostra de 17 de seus animais que foram alimentados com
essa ração nos primeiros 30 dias de vida e apresentou média de 4,7 Kg com desvio padrão 0,96
Kg. Pede-se testar a afirmação do fabricante ao nível de significância de 5%.
4. A distribuição de resultados dos dividendos de uma carteira de ativos financeiros foi colhida
aleatoriamente em 40 pregões apresentou média de R$ 34.950,00 e desvio padrão de R$
3.900,00. Os supervisores de negócios realizados verificaram em seus registros que essa carteira
sempre teve rendimentos médios por volta de
R$ 33.250,00. O gerente dessa corretora insiste em afirmar que a amostra foi mal colhida e que
essa carteira historicamente costuma apresentar média de rendimentos muito acima desse valor.
Baseado nessa amostra pede-se para que você atue como analista e calcule os elementos
necessários ao nível de 5% de significância.
187
5. Um fabricante afirma que sua máquina fabrica peças para utilização em motores a Diesel de
aplicação agrícola, cujo diâmetro se distribui normalmente com valor 14 mm e desvio padrão 0,15
mm. Uma amostra de 30 peças é levantada e apresentou diâmetro médio de 14,05 mm. Pede testar
a afirmação do fabricante ao nível de significância de 5%.
188
7. Um laboratório fabrica um remédio para dores de cabeça e afirma ser eficaz para a cura de 90%
dos casos e durante um período de uma semana. Em uma amostra de 200 pacientes que possuíam
essas dores o remédio curou 160 pacientes. Determinar se a informação dada pelo laboratório é
legítima ao nível de 90%.
189
CAPÍTULO 10
1. Introdução
São muitas as pesquisas que investigam as relações entre duas grandezas. Assim, sempre
indagamos como a variação de uma grandeza acarreta variação em outra.
Nas tabelas abaixo, podemos investigar:
a) O aumento da área agricultável de soja no Estado do Paraná acarreta aumento da
produção de grãos?
Área 2,0 1.8 2,0 2,1 2,3 2,5 2,8 2,8
Produção 3,6 3,4 5,3 5,5 6,0 6,6 7,1 7,7
área: milhões de hectares e produção: milhões de toneladas
Fonte: Armário Brasileiro de Agribusiness
190
y y
x x
2. Regressão linear
A regressão linear feita pelo método dos mínimos quadrados é aquela em que a soma
quadrática da diferença entre os y dados pela tabela e os y obtidos pela reta seja mínima.
Sejam os pontos X1 ,Y1 , X2 ,Y2 ,..., Xn ,Yn , sendo Xi a variável independente e Yi a
variável dependente. Desejamos obter a reta y = a x + b com o uso do método dos mínimos
quadrados.
y
( Xn , Yn )
y=ax+b
( X2 ,Y2 )
( X3 ,Y3 )
( X1 , Y1 ) x
Para isso determinamos uma reta do tipo y = a x + b, em que a e b são dados pelo método
dos mínimos quadrados proposto por Carl Friedrich Gauss (1777 – 1855), tais que
n n
191
Determinemos
n n
min ( D2i ) min(Di2 D22 ...Dnn ) min (Yi Yˆi )2 =
i 1 i 1
n n
min [(Yi (aXi b)]2 0, denominamos f (a, b) (Yi aXi b)2 função de duas
i 1 i 1
variáveis. Neste caso devemos impor a condição para obter o mínimo e esta é dada
f f
por: 0e 0 , sendo as derivadas parciais da f em relação a a e b. Assim
a b
f n n n n
2(Yi aXi b)(xi ) 0 b xi a xi2 xi yi 0 , segue
a i 1 i 1 i 1 i 1
n n
y
i 1
i bn a xi (I)
i 1
f n n n n
2(Yi b aX i ) 0 b1 a xi yi 0 , segue
b i 1 i 1 i 1 i 1
n n n
x y i i b xi a xi2 (II)
i 1 i 1 i 1
Resolvendo o sistema formado por (I) e (II) e por comodidade, deixamos de colocar os
índices dos somatórios.
xy a x b x (II)
2
n xy x y
a e b y ax. Para se ter as condições de mínimo, devemos impor ainda:
n x x
2 2
2 f n
a2 i 1
2 2n
2 f n
2 f 2 f 2 f 2 f
i
b2 i 1
2 x 2
.
a2 b2 ab
0 e
a2
2n 0 . Essas condições satisfazem as soluções do
2 f n
2 xi
ab i 1
192
n xy x y
sistema: a= e b = y a x sendo n é o número de observações e
n x 2 x2
x
x e y
y médias aritméticas. Portanto, a reta y = a x + b nessas condições
n n
denomina-se reta dos mínimos quadrados ou reta regressão linear.
Uma clínica médica pesquisou o relacionamento dos pesos dos pais e dos filhos, os dois do sexo
masculino, todos com idades superiores a 20 anos, e obteve a seguinte tabela:
x y x.y x2
80 82 6560 6400
84 86 7224 7056
86 88 7568 7396
90 86 770 8100
92 90 8280 8464
96 100 9600 9216
100 98 9800 10000
102 104 10608 10404
x 730 y 734 xy 67380 x 2 67036
Com os valores obtidos na tabela podemos calcular o item iii.
x
x
730
91,25 91,3 y
y
734
91,75 91,8
n 8 n 8
193
Os valores devem ser arredondados para um dígito significativo a mais do que os dados
originais.
Voltando à tabela, temos
xy 67380e x 2 67036
iv) Com estes dados obtidos, podemos determinar a e b usando as fórmulas.
y
106 y=x+0,5
104
102 B
100
98
96
94
92
90
88
86
84 A
82
80
Para esboçarmos o gráfico da reta y = x + 0,5, tomemos dois valores de x, para x = 84,
segue y = 84 + 0,5 = 84,5 e para x = 102, segue y = 102 + 0,5 = 102,5. Portanto a reta passa pelos
pontos A(84; 84,5) e B(102; 102,5)
A reta y = x + 0,5 é aquela em que a soma dos quadrados da diferença entre os pontos dados
(y) e os valores yr (obtidos) da reta é mínima.
194
Quantidade produzida x 100 120 130 140 150 160
Pede-se
a) A reta que melhor se ajusta a esses dados.
b) O valor mais provável dos custos fixos.
c) O valor do custo estimado para 180 televisores.
d) A representação dos pontos e da reta regressão linear.
Resolução: Construindo a tabela
x y xy x2
100 2000 200000 10000
x 800 y 15700
x = = 133,3 e y 2616,7 .Assim:
n 6 n 6
n xy x y 6 2133000- 800 15700 238000
a= = = = 17
n x2 x2 6 109000- 8002 14000
Logo a = 17 e b é dado por
b y ax 2616,7 17 133,3 2616,7 2266,1 350,6
195
y
3000
2800
2600
2400
2200
2000
Quantidade (x) 10 11 12 13 14 15
Pede-se:
a) A reta que melhor se ajusta a esses dados.
b) O valor mais provável do custo fixo.
c) O custo para a quantidade de 16 bolas.
d) Esboçar o gráfico.
196
Resolução: Construímos a tabela abaixo para avaliar a e b
x y xy x2
10 100 1000 100
12,5 e y
x 75 y 743
n=6 x 123,67 123,7 , assim
n 6 n 6
n xy x y 6 9426 - 75 742
a= = = 8,63 8,6
n x 2 x2 6 955 - 752
c) O custo para 16 bolas produzidas é dada por:C = 8,6.(16)+16,2 = 153,8. Assim, o custo
para 16 bolas é R$153,80.
y
150 B
d) Para a construção do gráfico da reta
y=8,6x+16,2
140
y=8,6x+16,2 é só tomarmos dois valores:
130
para x=10, tem-se
120 y=(8,6)(10)+16,2=102,2 e
110 para x=15, tem-se
A y=(8,6)(15)+16,2=145,2
100
10 11 12 13 14 15 16 x
197
3. Correlação
Correlação é o grau de relação entre as duas variáveis. A correlação tem por objetivo medir e
avaliar o grau de relação existente entre duas variáveis aleatórias.
Se todos os valores das variáveis obedecem a uma equação, dizemos que elas estão
relacionadas. Se ocorrerem duas variáveis, dizemos correlação ou regressão simples, Se ocorrerem
mais que duas variáveis, dizemos correlação ou regressão múltipla. Enquanto a correlação mede a
força ou grau de relacionamento entre duas variáveis, a regressão linear dá a equação que descreve o
relacionamento.
n xy ( x)( y)
r
[n x2 ( x)2 ][n y 2 ( y)2 ]
Os valores de r estão no intervalo [ -1, +1]
Se Coeficiente de correlação linear é tal que r 1 , então a correlação se diz perfeita positiva.
Se Coeficiente de correlação linear é tal que r 1 , então a correlação se diz perfeita negativa.
Exemplo 4: A seguir segue dados de 10 famílias de uma determinada região, sendo a renda dada em
R$100,00.
198
Renda(y) Poupança(x)
x2 y2 xy
10 5 25 100 50
12 6 36 144 72
15 7 49 225 105
30 15 225 900 450
50 20 400 2500 1000
80 40 1600 6400 3200
40 20 400 1600 800
30 15 225 900 450
20 10 100 400 200
10 5 25 100 50
297 143 3085 13269 6377
n xy ( x)( y)
r =
[n x2 ( x)2 ][n y 2 ( y)2 ]
Conclusão: O valor r = 0,99 indica que a correlação é positiva, existe uma forte correlação entre a
renda a poupança.
199
Exercícios de aplicação 27:
1. A seguir segue dados da renda e número de filhos de 10 famílias de uma determinada região.
Nº filhos (x) 8 7 6 4 3 3 2 3 2 1
Renda (y) 10 12 15 20 20 30 40 50 60 70
Determinar
b) Calcular o coeficiente de correlação linear entre e o número de filhos e a renda (R$ 100,00).
200
2. Os dados a seguir apresentam o número de horas diárias, extraclasse, de estudo de matemática, dos
alunos do Colégio Pedro Henrique e as respectivas notas obtidas na primeira prova semestral de 15
alunos.
Horas estudo 0 1 2 2 3 3 3 4 5 6 6 7 8 8 8
Notas obtidas 3 4,5 5 5,5 6 6,2 6,3 6,7 7 8 8,2 8,5 9 9 9,5
201
3. Os dados a seguir apresentam o tempo em anos de trabalho e os salários mensais em R$ 1 00,00,
de 10 operários.
Tempos em anos 10 12 14 16 16 20 20 22 22 22
Salários 12 15 17 19 20 22 27 25 28 30
202
Respostas dos exercícios de aplicação 1:
1) a)sim b)sim c) sim 2) a)28 b) 25
Respostas dos exercícios de aplicação 2:
1) x 4,6 2) x 4,5 3) x 1,64 4) 7,0
Respostas dos exercícios de aplicação 3:
Exercício 1: 1) x 7,45 2) Mo( X ) 7,0 Md ( X ) 7,5 3) dm( X ) 0,8275
4) var( X ) 1,1 5) S( X ) var( X ) 1,048808 6) CV(X)=14,07%
Exercício 2: 1) x 1,61 2) Mo( X ) 1,6 3) Md ( X ) 1,6 4) dm( X ) 0,1893
5) var( X ) 0,0565137 6) S( X ) var( X ) 0,241934081 7) CV(x)=15,02%
Exercício 3: 1) x 22,44 2) Mo( X ) 22,3 3) Md ( X ) 22,4 4) dm( X ) 0,62533
5) var( X ) 0,73213793 6) S( X ) var( X ) 0,8556505 7) CV(X)=3,813%
Respostas dos exercícios de aplicação 4:
Exercício 1: 4) x 30,75 5) Mo( X ) 30,71428 6) Md ( X ) 31,045 7) dm( X ) 5,08333
8) var( X ) 36,699915 9) S( X ) var( X ) 6,0579825 10) CV(X)=19,7%
Exercício 2: 1) x 4,57 2) Mo( X ) 4,528571 3) Md ( X ) 4,6 4) dm( X ) 0,871379
5) var( X ) 1,274693103 6) ( X ) var( X ) 1,149007335 7) CV(X)=25,14%
Respostas dos exercícios de aplicação 5:
1)C 2)C 3)E 4)B 5)C 6)D 7)C 8)B 9)B 10)C 11)B 12)C 13)E 14)C
Respostas dos exercícios de aplicação 6:
1)E 2)D 3)D 4)C 5)B 6)C 7)A 8)B 9)C 10)D 11)B 12) 1968
Respostas dos exercícios de aplicação 7:
1) 30 2)240 3) 504 4) a)120 b) 600 5)a) 60 b) 24 c) 6 d) 72 e) 24 6) 597º
7) 241920 8) 5 540 160 9) 2520 10) 6
Respostas dos exercícios de aplicação 8:
1) a)50 b) 60 c) 205 d) 140 e) 175 f)113 g) 142 2) 77 3) 217 4) a) 420 b) 126
c) 1056 d) 1278 e)492 f) 564 5) a) 210 b) 378 6)a)11154 b)263764
Respostas dos exercícios de aplicação 9:
1)a) 1/13 b) 1/52 c) 1/26 d) ¼ e) 3/4 f) 4/13 g) 9/13 2) a) 2/5 b) 4/15 c) 1/3 d) 3/5 e )2/3
3) 1/3 4) a)1/169 b) 1/221 5) a) 8/225 b) 4/91 6) a) 14/285 b) 1/1140 c) 21/95 d) 23/57
e) 18/95 f) 3/95 7) 1/15 8) 0,0926
Respostas dos exercícios de aplicação 10:
1)a) 12/25 b) 13/25 c) 4/25 d) 7/25 e)1/25 2) 1/210 3) 5/8 4 ) 79/1008 5) 1/5 6) 1
n(n 1)
7) 0,25 8) 2/5 9) 1/4 10)a) 3/8 b) 4/8 11)a)0,48 b)0,08 c)0,92 12)a)10/63 b) 10/21 13)a) 0,3 b)0,5
14) a) 0,25 b)3/13 15) a)1/11 b)14/33 c)19/33 16) a)3/8 b)0,7583 c)0,7583 d)1/8
Respostas dos exercícios de aplicação 11:
1) D 2) A 3) D 4) D 5) C 6)A 7) 0,24 8) D
Respostas dos exercícios de aplicação 12:
1) A 2) C 3) C 4) C 5) A 6)E 7) A
Respostas dos exercícios de aplicação 13:
1)0,347 2)0,5 3)0,61 4)0,166 5)a) 2/5 b)0 c)26/37 d) 1 6)D 7)A
8) D 9) A 10) D 11)C 12)A 13)A
Respostas exercícios de aplicação 14:
1) 0,1818 2) 0,4878 3) 0,7142 4) C 5) 35,6% 6) 0,5714 7) E
199
Respostas exercícios de aplicação 15:
1) a) 0,3292 b) 0,0878 2) a)0,1646 b)0,0452 c) 0,1317 3) a) 0,1646 b)0,9959 c)0,539
4) a) 0,703 b) 0,4115 5) a) 0,998 b) 0,875 6) a)0,3282 b)0,982
Respostas exercícios de aplicação 16:
1) 0,31104 2) (0,064) 3) 0,42328 4) D 5)A 6) B 7) E 8) B
Respostas exercícios de aplicação 17:
1) a) 0,027 b) 0,1812 2) a)0,0803 b) 11 dias 3) a) 0,9969 b) 0,0572 c) 0,013754
4) a) 0,576 b) 0,4231 5)a) (0,1991 ) b) (0,22313) 6)a) 0,0758 b)0,8008 7) a)0,224 b)0,1992
8) a)0,224 b) 0,423
Respostas dos exercícios de aplicação 18:
1) a) 0,1914 b) 0,38202 c) 0,3085 d) 0,1558 2) a)0,84134 b)0,78058 c) 0,9545 d)0,10565
3) a) 0,0227 b) 0,2275 c) 0,92698 4)a) 6,02 b) 3,09 5) a) 0,78814 b) 187 6) a)0,7849 b) 0,3709
Calçados 36 37 38 39 40 41 42 43 44 45
Quantidade 17 170 869 2316 3255 2316 869 170 17 1
Respostas dos exercícios de aplicação 19:
1) a) 0,0668 b) 0,1586 c) 0,8189 d)13,59% e)0,15245 2) a)0,30854 b)0,5328 3) a)0,115 b)0,543
4) a)0,78109 b)4,636 5)B 6) C 7)A 8) B 9) a)a altura tem menor dispersão. b) a altura apresenta
maior normalidade.
Respostas dos exercícios de aplicação 20:
1)
f(x) F(x)
1
4/5
1/5 4/5
x
0
x
0 1
2)
0, se x 0 F(x)
1 / 3, se 0 x 1
1
F ( x)
1 / 2, se 1 x 2 1/2
1, se x 2 1/3
x
0 1 2
200
0, se x 0
3) F ( x) x2 , se 0 x 1 4) a) 2000 b) 1386 c) 79004
1, se x 1
0, se x 0
3 2 x3
5) a)5/16 b) 0 c) F ( x) ( x ), se 0 x 1 6) a) sim b) 0,792 c) 0,3125
2 3
1, se x 1
0, se x 0
1
7) a) sim b) 1770 c) 1470 d) F ( x) x , se 0 x 2
3
8
1, se x 2
8) a) sim b) i)0,16; ii)0,6; iii)0,36 iv) 0 9) a) sim b) 5/6) 10) b)sim c)2 d) 5,85
0, se x 0
2) a) f ( x) 1/ 2 se 0 x 2 b) 0,75 c) 1
0 se x 2
3. a)
f(x)
0,1
0 x
3. Montando a distribuição
X Y 0 1 2 3 p(x)
0 0,05 0,05 0,10 0 0,20
1 0,05 0,10 0,25 0,10 0,50
2 0 0,15 0,10 0,05 0,30
p(y) 0,10 0,30 0,45 0,15
201
a) p( x 0) 0,20 ; p( x 1) 0,50 ; p( x 2) 0,30
b) p( y 0) 0,10 ; p( y 1) 0,30 ; p( y 2) 0,45 ; p( y 3) 0,15
c)E(X)=1,1 d)E(Y)=1,65
202