Escolar Documentos
Profissional Documentos
Cultura Documentos
Apostila UESB Conceitos at Distribuio de Variveis Aleatrias
Apostila UESB Conceitos at Distribuio de Variveis Aleatrias
ESTATÍSTICA GERAL
Paulo Bonomo
Professor Pleno da UESB
1
Apresentação
Podemos considerar a Estatística como a ciência que se preocupa com a organização, descrição,
análise e interpretação dos dados experimentais. Ouvimos muito falar em estatísticas da loteria esportiva,
estatística da saúde pública, estatística do crescimento da população etc. Esta noção prende-se apenas à
parte de organização e descrição dos dados observados. Um outro campo da ciência Estatística refere-se a
análise e interpretação desses dados, caracterizando a inferência estatística. É razoável também que, para
poder-se fazer a inferência a respeito dos dados observados, deva-se primeiramente proceder a sua
organização e descrição dos mesmos.
Esta apostila é direcionada aos estudantes de graduação que estão cursando a disciplina
estatística geral. Nesta apostila são abordados os tópicos: estatística descritiva, introdução a teoria das
probabilidades, variáveis aleatórias, distribuições de probabilidade de variáveis aleatórias e introdução a
teste de hipótese. A compreensão desses tópicos permitirá ao aluno ter um suporte teórico para o
entendimento da estatística experimental, sendo esta de fundamental importância para um bom
acompanhamento das demais disciplinas dos cursos de graduação.
O presente material foi elaborado com o objetivo de dar suporte didático ao curso Estatística
Geral. No entanto não substitui a pesquisa em reconhecidos livros editados por autores nacionais e
internacionais.
Sumário
Capítulo Página
2
Cap 1. Estatística descritiva
1.1. Introdução
A estatística dedica-se ao desenvolvimento e ao uso de métodos para a coleta e análise de dados,
isto é, a interpretação substantiva e a construção de inferências neles baseados. No entanto a palavra
estatística lembra, à maioria das pessoas, recenseamentos. Os censos existem a milhares de anos e
constituem um grande esforço dos governos com o objetivo de conhecer seus habitantes, sua condição
sócio econômica, sua cultura, sua religião etc. Portanto, associar estatística a censo é perfeitamente
correto do ponto de vista histórico. É interessante salientar que as palavras estatística e estado tem a
mesma origem latina: status.
Hoje, alguma familiaridade com os princípios básicos da estatística deve fazer parte da educação de
todo ser humano. Afinal, é difícil ser um cidadão informado sem uma compreensão dos vários índices
governamentais, dos gráficos e tabelas publicados diariamente na imprensa e nas pesquisas de opinião
pública. Na realidade, entretanto, como veremos no decorrer da disciplina estatística geral e experimental
a estatística engloba muitos outros aspectos, sendo fundamental na análise de dados provenientes de
quaisquer processos em que exista variabilidade. Por exemplo, quando testamos novos produtos, técnicas
de produção etc.
Para fins de apresentação, é usual dividir-se a estatística em três grandes áreas, embora não se trate
de ramos isolados: os mecanismos de coleta de dados, amostragem e planejamento de experimentos; a
estatística descritiva, que se ocupa da organização, apresentação e sintetização dos dados; a estatística
inferencial, que é o conjunto de métodos para a tomada de decisões, nas situações em que existem
incerteza e variação.
1.2.1. Amostragem
Em estatística, define-se como população a coleção de todas as observações potenciais sobre
determinado fenômeno. O conjunto de dados efetivamente observados, ou extraídos, constitui uma
amostra da população. É sobre os dados da amostra que se desenvolvem os estudos, visando a produção
da inferência em relação a população. Para se chegar a amostra, em cada situação constrói-se um plano
amostral.
Nesse caso, o pesquisador não submete determinadas unidades experimentais aos tratamentos
desejados. Mas executa um levantamento de dados dentro de um universo disponível e verifica a
ocorrência de determinada resposta. Ou como essa resposta está associada a outras do mesmo universo.
Determinação de consumo de óleo diesel em ônibus: Com o objetivo de determinar o consumo de óleo
diesel (quilômetros por litro) dos ônibus de Belo Horizonte, toma-se um grupo de 100 ônibus das diversas
empresas que atuam em BH e mede-se o consumo médio por quilômetro. Para tanto deve-se avaliar uma
quantidade de ônibus de cada empresa proporcional ao número total de ônibus daquela empresa.
Avaliação de um sistema de ensino: Primeiro é necessário elaborar um questionário adequado para avaliar
com precisão o sistema de ensino. Também são de difícil determinação os locais onde serão aplicados os
questionários.
Hábitos migratórios de animais: Toma-se um grupo de animais, coloca-se em cada um deles uma
etiqueta, observando-se posteriormente em outras localidades. A amostra aqui é o conjunto de animais
etiquetados. Pela observação da amostra, deduziremos com certa margem de erro, o comportamento da
espécie quanto as características em estudo.
3
Pesquisas sobre tendências de votação: Em época de eleição, é comum a realização de pesquisas
eleitorais para verificar a tendência dos eleitores. Para que os resultados sejam de fato satisfatórios, toma-
se o cuidado de entrevistar um número de pessoas com características socioeconômicas, culturais,
religiosas etc. tão próxima quanto possível da população à qual os resultados da pesquisa serão
estendidos.
Em muitas Em muitas situações, o problema de interesse é descobrir como uma variável resposta se
relaciona com os vários fatores explicativos. Por exemplo, como a produtividade de uma planta, medida
pela qualidade de seus frutos, relaciona-se com a qualidade do solo, a quantidade e o tipo de fertilizante
usado, o volume de irrigação disponível. Para se estudar a relação entre variável resposta e variável
explicativa, é preciso coletar dados. Para isso as técnicas agregadas, sob o nome de planejamento de
experimentos são essenciais. Com sua ajuda, determina-se em quais valores das variáveis explicativas as
medidas serão feitas.
Experimentos agrícolas: Os planejamentos estatísticos surgiram para solucionar problemas específicos da
experimentação agrícola. Por exemplo, como testar diferentes cultivares numa determinada área agrícola
sendo que todas as cultivares estejam na mesma condição.
Experimentos clínicos: Um medicamento só é liberado depois de ter sido submetido a um ensaio clínico.
Aqui, a primeira preocupação é o tratamento ético dos pacientes. Depois, é preciso garantir, através da
alocação aleatória, que os grupos que receberam o medicamento padrão e o novo medicamento tenham as
mesmas características. Ou seja, só se distinguem pelo tipo de medicamento tomado.
Experimentos industriais: Em várias indústrias, principalmente na indústria química, os fatores de
operação de um determinado processo de produção são estabelecidos depois de cuidadosa busca de
condições ótimas. Isso é feito através do uso intensivo de técnicas estatísticas de planejamento de
experimentos desenvolvidas para esse fim. Usam de forma intensiva os experimentos fatoriais.
As técnicas de planejamento e análise de dados oriundos desses experimentos serão discutidos
durante s disciplina estatística geral e com maior aprofundamento nas disciplinas estatística experimental,
estatística aplicada e planejamento e análise de experimentos.
Trata-se da parte mais conhecida da estatística. Quem vê os noticiários, na televisão ou nos jornais
sabe quão frequente é o uso de médias, índices e gráficos na descrição de um fato social ou econômico.
No entanto, a utilidade da estatística descritiva é muito mais geral. Na realidade nunca devemos realizar
análise estatística em modelos sofisticados sem uma prévia descrição dos dados.
O INPC, Índice Nacional de Preços ao Consumidor, construído pelo IBGE. Importante índice da nossa
economia, inclusive serve de base para reajuste salarial. Sua construção envolve a sintetização, em um
único número, dos aumentos de preços dos produtos da cesta básica. Seu processo de cálculo é um
sucessivo cálculo de médias.
Anuário Estatístico Brasileiro. O IBGE publica esse anuário todo ano, apresentando em várias tabelas os
mais diversos dados sobre o Brasil. Exemplos: educação, saúde, transporte, economia, culturas etc.
embora simples e fáceis de serem entendidas, as tabelas são frutos de um processo demorado e
extremamente dispendioso de coleta e apuração de dados.
4
1.4. Inferência estatística
A tomada de decisões sobre uma população com base nos estudos feito a partir de uma amostra
constitui o problema central da inferência estatística. A tais decisões estão sempre associadas a um grau
de incerteza e, consequentemente, uma probabilidade de erro. A generalização das conclusões tomadas a
partir da amostra para a população é feita com o auxílio de um modelo estatístico para a situação em
estudo. O estudo de probabilidade é indispensável para a compreensão das análises realizadas quando se
trabalha com inferência estatística, pois a tomada de decisão está associada a probabilidade de erro na
conclusão adotada.
Comparação: testes sobre medicamentos. Um experimento testa se um novo analgésico é melhor que o
produto padrão correspondente. Vinte pessoas são selecionadas, dez tomam o novo medicamento e dez
tomam o padrão. O experimento deve ser do tipo duplo cego, ou seja, nem o médico nem o paciente sabre
qual medicamento está usando. Sabendo-se que sete pessoas foram curadas usando o novo medicamento e
seis com o padrão, é lícito concluir que o novo é superior? Ou os dois medicamentos são similares e a
diferença ocorreu apenas por uma variação aleatória.
Pesquisas sobre tendências de votação: Voltando ao caso das eleições, é comum a realização de
pesquisas eleitorais para verificar a tendência dos eleitores. Quando os institutos de pesquisa informam a
intenção de voto em determinado candidato, esse valor refere-se ao observado com base em uma amostra,
sendo então uma estatística descritiva, pois descreveu o número obtido. Porém é comum ser informado a
margem de erro, essa margem de erro refere-se a inferência estatística.
6
1.5.3. O questionário e a entrevista
Em ciências sociais, como a psicologia, é possível a obtenção de dados apenas com a observação
das pessoas. Neste caso, os resultados apresentam um alto grau de precisão. Na maioria das situações,
entretanto, os dados dos levantamentos são obtidos através de perguntas respondidas com o
preenchimento de questionários ou em entrevistas.
Os dados são informados por relatos verbais do entrevistado e os resultados devem ser tomados
com muito cuidado. O relato de um fato que coloca uma pessoa em posição desfavorável deve ser tomado
com reserva. Da mesma forma se a informação solicitada servir para que a pessoa mostre alguma simpatia
ou prestígio o entrevistador deve ter senso crítico e anotar o dado com ressalva.
Apesar das limitações, o procedimento de perguntas proporciona informações que, se obtidas de
outras formas, seriam muito mais falhas. O questionário é um dos instrumentos mais usados em pesquisas
sócio-econômicas. As limitações do método de perguntas devem ser consideradas pelo pesquisador para
ter o máximo de cuidado e rigor no momento da aplicação.
O questionário e a entrevista são técnicas semelhantes que se baseiam em perguntas formuladas ao
entrevistado. No questionário, as perguntas propostas pelo pesquisador são respondidas por escrito pelo
pesquisado, enquanto que na entrevista as respostas do entrevistado são anotadas pelos entrevistados.
O questionário pode ser enviado pelo correio, nesse caso é mais barata e garante o anonimato do
entrevistado, uma vez que este não precisa identificar-se. Entretanto, esta técnica exige que o entrevistado
saiba ler e escrever e esteja motivado a responder e devolver. Aplicado em grupo, permite rapidez na
aplicação, pois após os esclarecimentos são preenchidos e recolhidos imediatamente, proporcionando
maior garantia de retorno. Formulários individuais, são questionários cujas respostas são preenchidas
pelo próprio pesquisador. Podem ser aplicados a analfabetos e as pessoas com dificuldades de expressar
por escrito. Úteis na obtenção de informações sobre temas simples, mas não apresentam desempenho
satisfatório quando se pretende obter respostas à questões com maior profundidade.
A entrevista pode ser face a face, é a mais flexível de todas, pois permite ajustar-se aos mais
diversos tipos de problemas e de informantes. Permitem obter respostas em profundidade, complexas,
detalhadas, ligadas a intimidade do entrevistado, desde que o pesquisador tenha habilidade e treinamento
adequados. No entanto, está sujeita a deformações provocadas pelo pesquisador se este não tiver cuidado
na condução da entrevista, como influenciar com suas idéias o resultado da pesquisa. Por telefone, é
bastante adotada em pesquisa de opinião e de mercado, sendo rápida, econômica e garantindo altas taxas
de resposta. A desvantagem desta técnica é que nem sempre a amostra obtida é representativa da
população, uma vez quem nem todas as famílias das classes sociais mais baixas possuem telefone. Pela
internet, tem sido usada recentemente e apresenta as mesmas limitações da pesquisa por telefone.
O questionário deve traduzir os objetivos da pesquisa em itens bem redigidos. Para tanto é
importante que os objetivos tenham sido bem definidos. As perguntas devem ter conteúdos adequados
para obtenção dos dados do entrevistado, podendo ser feitas de forma aberta ou fechada. Em estudos
iniciais ou exploratórios podem ser usadas perguntas abertas, onde o entrevistado responde com suas
próprias palavras sem qualquer restrição. O número de perguntas de um questionário não deve ser
superior a trinta. A ordem das perguntas é importante devendo-se evitar mudança brusca de tema sem
antes fornecer as explicações necessárias. De maneira nenhuma a pergunta deve sugerir a resposta.
O questionário inicialmente deve ser submetido a um pré teste para evitar possíveis falhas tais
como: complexidade das perguntas, imprecisão da redação, questões desnecessárias, cansaço e
constrangimento do entrevistado.
O pesquisador deve ser cuidadoso e habilidoso na realização da entrevista. Recomenda-se uma
conversa inicial, de forma amistosa, sobre qualquer tema que possa interessar ao entrevistado procurando
obter a sua confiança. Em seguida são feitos esclarecimentos sobre a finalidade da pesquisa. Um ambiente
de diálogo, cordialidade e simpatia é recomendado.
7
1.6. Variáveis
A descrição de uma população é feita através de suas características, as de maior interesse por parte
do pesquisador. Por exemplo, o conjunto de híbridos de milho disponível no mercado define uma
população, a qual é descrita por características de interesse econômico, como produtividade, resistência a
doenças, ciclo cultural, arquitetura da planta etc.
As características que descrevem a população são chamadas variáveis, e um valor observado com
relação a uma variável é chamado dado ou observação. As variáveis são classificadas quanto à natureza
qualitativas e quantitativas.
As variáveis qualitativas correspondem a atributos, categorias. Elas são nominais quando não são
passíveis de ordenação, como por exemplo a cultura predominante em propriedades de uma região.
Quando os atributos são passíveis de ordenação, a variável qualitativa é dita ordinal; por exemplo, é o
caso quando se usa notas para avaliar uma característica. Em pesquisas eleitorais, é comum classificar os
entrevistados quanto ao nível de escolaridade (nenhum, fundamental, médio e superior), que é uma
variável qualitativa ordinal.
Quanto às variáveis quantitativas, correspondem a números resultantes de contagem ou medidas.
Quando se trata de contagens, como o número de peças defeituosas em amostras de um lote, a variável é
dita discreta, sendo passível a separação em classes distintas (não existe um valor intermediário entre 2 e
3 peças defeituosas, por exemplo). Outros exemplos são: número de folhas por planta atacadas por certa
praga, número de alunos que foram reprovados em determinada disciplina etc.
Nas variáveis quantitativas contínuas, as realizações resultam de uma medida, uma mensuração,
como o diâmetro de eixos fabricados ou o tempo de durabilidade de componentes eletrônicos, não
havendo assim classes distintas, mas um intervalo de números reais possíveis.
1.7.1. Tabelas
A apresentação de dados na forma de tabela é um dos métodos estatísticos mais utilizados. Uma
tabela consegue expor os resultados de determinada pesquisa sinteticamente, na qual se tem uma visão
mais clara e fácil dos resultados obtidos. Os dados devem ser apresentados em tabelas construídas de
acordo com as normas técnicas ditadas pela fundação Inst. Bras. de Geog. e Est. (Fundação IBGE).
8
b) Tabelas de contingência
Muitas vezes os elementos da amostra são classificados de acordo com dois fatores. Os dados
devem então ser apresentados em tabelas de contingência, isto é, tabelas de dupla entrada, cada entrada
relativa a um dos fatores.
9
c.1. Tabela de distribuição de frequência para variável aleatória discreta
Quando a amostra é grande, mas o número de observações distintas é pequeno. Para se construir
uma distribuição de frequências, basta dispor os dados em duas colunas, uma para os valores observados
e outra para as frequências correspondentes a cada valor.
Ex: Considere uma amostra com 40 dados referentes a notas de no concurso de viola, 2012:
55555555 6666666 7777777777 888888888 999999
Tabela 3 – Notas de 40 alunos no concurso de moda de viola, 2012
Notas f fr (%) fa far (%)
5 8 20,0 8 20,0
6 7 17,5 15 37,5
7 10 25,0 25 62,5
8 9 22,5 34 85,0
9 6 15,0 40 100,0
Total 40 100,0
a) Histograma
É uma representação gráfica dos resultados da distribuição de frequências construídas por colunas
justapostas, cujas alturas são representadas pelas frequências de cada classe e as larguras pelo valor da
amplitude de cada classe, ou representado pelo ponto médio.
b) Polígono de frequências
Os dados apresentados em tabela de distribuição de frequências também pode ser apresentado em
gráficos denominados polígonos de frequências. O polígono de frequências é caracterizado por uma linha
que une os pontos correspondentes aos pontos médios das bases superiores das colunas que compõem o
histograma. Também pode ser apresentada a frequência acumulada.
11
c) Gráfico de colunas
O gráfico de colunas é usado para apresentar variáveis qualitativas ou ordinais.
d) Gráfico de barras
O gráfico de barras também é usado para apresentar variáveis qualitativas ou ordinais. Porém,
como acontece nesse exemplo onde são longos os rótulos das colunas ajusta-se melhor.
e) Gráfico de setores
O gráfico de setores também pode ser usado para apresentar variáveis qualitativas ou ordinais.
Dentro da circunferência são representadas as categorias da variável em estudo.
Figura: Estado conjugal da população brasileira segundo o IBGE, censo demográfico de 2000.
12
1.8. Revisão de matemática
1.8.1. Somatório
Muitos processos estatísticos exigem o cálculo da soma. Para simplificar a representação da
operação de adição nas expressões algébricas, utiliza-se a notação , letra grega sigma maiúsculo.
n
2. X i2 X12 X 22 X 32 ... X 2n , soma de quadrados (SQ).
i 1
2
3. X i X1 X 2 X 3 ... X n 2 , quadrado da soma.
n
i1
n
4. X i Yi X1Y1 X 2 Y2 X 3 Y3 ... X n Yn , soma de produtos (SP).
i 1
n m
5. X i Yj X1 X 2 X 3 ... X n Y1 Y2 Y3 ... Ym , produto da soma.
i 1 j1
n
Lê-se X i como: somatório de X índice i, com i variando de 1 até n, em que:
i 1
i 1 i 1 i1 i 1
X i Yj 1.050
i 1 j1
13
c) Propriedades de somatório
P.1) Somatório de uma constante: é igual ao número de termos multiplicado pela constante.
n
k k k k ... k NT K
i 1
1) 6 10 1 1 6 60
10
Exemplo 3: 2)
X i 8 3 1 X i 6X i
8
i 1 j3
P.2) Somatório do produto de uma constante por uma variável: é igual ao produto da constante
multiplicado pelo somatório da variável.
n n
kX i kX1 kX 2 kX 3 ... kX n kX1 X 2 X 3 ... X n k X i
i 1 i 1
10 10
Exemplo 4: 1) 6X i 6 X i
i 1 i 1
P.3) Somatório de uma soma ou subtração de variáveis: é igual a soma ou subtração dos somatórios dessas
variáveis.
n n n n
X i Yi Zi X i Yi Zi
i 1 i 1 i 1 i 1
d) Somatório duplo
Considere a tabela a seguir, conhecida como tabela de dupla entrada:
i/j 1 2 ... K Totais de linhas
K
1 X11 X12 ... X1K X1 j
j1
K
2 X21 X22 ... X2K X2j
j1
3 4 3 4
X1 j 1 0 3 2 6 X ij 29
3
1. X i1 1 3 4 8 2. 3. 4. 1 1 1 1 23
i 1 j1 i 1 j1 i 1 X i3 3 5 1 15
14
1.8.2. Proporção e porcentagem
Proporção: Um certo número de pessoas foi classificado em quatro categorias. Essas categorias são,
naturalmente, mutuamente exclusivas e exaustivas. Em outras palavras: uma pessoa só poderá estar
incluída em uma única categoria, e todas elas deverão estar classificadas.
N = N1+N2+N3+N4 = número total de pessoas consideradas
Neste caso, a proporção de pessoas pertencentes à primeira categoria é determinada mediante o
cálculo do seguinte quociente: N1
N
Para as demais categorias, a determinação segue o mesmo procedimento.
Porcentagem: As porcentagens são obtidas a partir do cálculo das proporções, simplesmente
multiplicando-se o quociente por 100. A soma das proporções é igual a 1, e a soma das porcentagens é
sempre igual a 100, a menos que as categorias não sejam mutuamente exclusivas e exaustivas. As
porcentagens são mais usadas do que as proporções para reproduzir resultados. Normalmente, as
porcentagens são arredondadas até a primeira casa decimal, ajustando-se os últimos dígitos, de modo que
o total seja igual a 100.
15
Descrição dos dados
Um conjunto de dados pode ser descrito por medidas de posição e medidas de dispersão.
Caracterizar um conjunto de dados apenas por medidas de posição pode ser inadequado e perigoso, pois,
conjuntos com medidas semelhantes de posição podem apresentar características muito diferentes. Por
isso, normalmente são apresentadas para a descrição de um conjunto de valores tanto medidas de posição
quanto medidas de dispersão, simultaneamente.
f1 X 1 f 2 X 2 ... f n X n fX i i
X i 1
f1 f 2 ... f n n
f
i 1
n
Obs.: Se quisermos saber a média aritmética ponderada para um determinado conjunto de dados, então
podemos considerar fi como sendo o peso para cada valor de Xi. Para calcular a média quando temos uma
tabela e dados agrupados em classes, basta considerar como xi o ponto médio de cada classe.
Exemplo 1: Numa avaliação 80% dos alunos obtiveram nota 10 e 20% obtiveram nota 5. Determine a
nota média da turma.
Nota (Xi) Proporção (fi) fiXi
10 0,80 8
5 0,20 1
16
Exemplo 2: Um estudante obteve as seguintes notas nas provas parciais de estatística.
Provas (i) Pesos (fi) Notas (Xi)
1 1 20
2 1 70
3 2 50
4 4 90
12,0 I— 14,0 13 4 52
14,0 I— 16,0 15 6 90
16,0 I— 18,0 17 7 119
18,0 I— 20,0 19 11 209
20,0 I— 22,0 21 16 336
22,0 I— I 24,0 23 6 138
Total 50 944
n
f pm i i
944
X i 1
n
18,88
f
50
i
i 1
(X i k) X k X
i i
nk
a) i 1
i 1 i 1
i 1
X k
n n n n
n n n n
(X i k ) X i k X i nk
b) i 1
i 1 i 1
i 1
Xk
n n n n
Exemplo: Seja 1.000.656, 1.000.601, 1.000.310, 1.000.550. Calcule a média aritmética.
Podemos observar que todos os valores são representados por 1.000.000 acrescida de uma outra
quantia. Assim, aplicando-se a P1, temos:
17
P2) Multiplicando-se ou dividindo-se cada um dos valores da série X1, X2, ..., Xn, por uma constante, a
média aritmética fica multiplicada ou dividida pela constante.
n n
kX i Xi
Prova: a) Multiplicação kX i i 1
k i 1
kX
n n
n n
1
k Xi Xi
Divisão X i
1 1 1
b) i 1
i 1
X
k n k n k
Outras médias
Algumas vezes é interessante calcular médias de forma diferente para dados com características especiais.
Média geométrica: X G
Bastante empregadas para observações positivas referentes a crescimentos exponenciais (como
taxas de avanço de doenças, número de habitantes de regiões em colonização, crescimento de
produtividade e lucro em alguns negócios etc.). A média geométrica é a raiz n-ésima do produto das
observações.
n
fi
XG n X1.X 2 .....X n ou XG i 1
X 1f1 . X 2f2 ..... X nfn
a) Média de relações: Se para uma determinada empresa, se deseja estabelecer uma relação do tipo
Capital Líquido/Dívida que seja independente da dívida ou do capital de diferentes empresas envolvidas,
é recomendável o uso da média geométrica.
Empresa Capital Líquido Dívida Cap. Liq./Dív.
A 2 500 1 000 2,5
B 1 000 2 000 0,5
X G 2,5* 0,5 1,1180
b) Média de taxas de variação: Ex: suponhamos que um indivíduo tenha aplicado um capital de R$
500,00 durante 2007 em um ano de aplicação, essa importância chegou a R$ 650,00. Reaplicando essa
última quantia em 2008 no final de mais um ano seu montante situava-se em R$ 910,00. Qual a taxa
média de aumento de capital?
Período Taxa
2007 650/500 = 1,3
2008 910/650 = 1,4
18
Média Harmônica X H
Para fenômenos que dependem fortemente do menor dos dados, em geral utiliza-se médias
harmônicas calculadas como o inverso da média dos inversos. O cálculo da X H aplica-se a variáveis
resultantes da relação entre duas outras, como no caso da velocidade média (km/h) e o custo médio por kg
de determinado produto. Um exemplo é o cálculo do tamanho efetivo de populações naturais submetidas
a processos de devastação ecológica (gargalos populacionais).
n
XH
n
n ou f1 f 2 ... f n fi
1 1 1 n
1 XH i 1
... X
n
f1 f f f
X1 X 2 Xn i 1
2 ... n
X1 X 2 Xn
Xi
i i 1 i
Exemplo 1: O número de hipopótamos de uma região ao longo de quatro gerações foi de (2.000, 20, 250,
1.500), a média harmônica é dada por:
4
XH 72,51
1 1 1 1
2000 20 250 1500
Pode-se notar que, enquanto a média geométrica favorece os maiores números, a média
harmônica favorece os números menores.
Exemplo 2: Calcule a média aritmética, geométrica e a harmônica.
Conjunto Média aritmética Média geométrica Média harmônica
X = {2,2,2} 2,00 2,00 2,00
Y = {14, 18, 20} 17,33 17,15 16,95
W = {8, 12} 10,00 9,80 9,60
Z = {2, 50, 70} 40,67 19,13 5,61
K = {200, 20, 800} 334,00 68,40 5,93
Ex1: Em {5, 7, 10, 13, 15} a média é 10 e a mediana é 10. Em {5, 7, 10, 13, 65} a média é 20 e a
mediana é 10. Isto é, a média do segundo conjunto de valores é maior do que a do primeiro, por influencia
dos valores extremos, ao passo que a mediana permanece a mesma.
Ex1: Em {5, 7, 10, 13, 15, 18} mediana é 11,5.
19
1.9.3. Moda (Mo)
Em algumas situações, a distribuição das observações é tal que as frequências são maiores nos
extremos. Nesses casos, a utilização apenas da média e da mediana é contraindicada, pois são valores
pouco representativos do conjunto e o uso da moda poderá, então, ser considerada. A moda de um
conjunto de observações é o valor de maior ocorrência dentro do conjunto.
Com relação a moda, uma série de dados pode ser classificada em: Amodal: não possui moda;
Unimodal: possui apenas uma moda; Bimodal: possui duas modas; Multimodal: possui mais de duas
modas.
A moda é utilizada quando desejamos obter uma medida rápida e aproximada de posição ou
quando a medida de posição deva ser o valor mais típico da distribuição. Já a média aritmética é a medida
de posição que possui a maior estabilidade.
Calcule a Mediana e a Moda das variáveis X e Y.
a) X 2, 3, 1, 2, 3, 2, 4 n = 7 Mo 2 - Unimodal
20
Utilização da média aritmética, da mediana e da moda
Média Aritmética
A medida de tendência central mais utilizada é a média aritmética, que representa em relação a mediana e
a moda vantagens apreciáveis, tais como:
a) É facilmente calculável.
b) É a que melhor se presta a análises estatísticas.
c) Depende de todos os valores da série.
d) É uma medida de tendência central particularmente estável, variando o menos possível de amostra
para amostra extraídas da mesma população.
e) Pode ser tratada algebricamente.
Existem, todavia, casos em que a informação fornecida pela mediana ou pela moda, parece ser
mais completa do que a fornecida pela média aritmética.
Mediana
Esta medida de tendência central deverá ser utilizada quando:
a) Se deseja conhecer o ponto médio exato da distribuição.
b) Existem resultados extremos que afetariam grandemente a média. Importa salientar que a mediana
não é influenciada pelos resultados extremos.
Exemplo: na série 10,13,15,16,18,19,21, tanto a média como a mediana são 16; se substituirmos
21 por 50 e os restantes resultados permanecerem os mesmos, a mediana é 16 e a média será
de 20,1;
c) A distribuição é truncada, isto é, incompleta nas extremidades. Exemplo: desejamos medir os
tempos de reação em Psicologia e as várias respostas ultrapassam as capacidades de medida do
aparelho; assim, impossibilitados de calcular a média, já que não dispomos de todos os valores
da variável, sendo, no entanto, possível calcular o valor da mediana, já que conhecemos o
número de medidas efetuadas.
Moda
Esta medida de tendência central deverá utilizar‐se quando:
a) Uma medida rápida e aproximada da tendência central for suficiente.
b) Se deseja conhecer o valor mais típico de uma distribuição. Exemplo: descrever o estilo de
vestido usado pela mulher média, salário preponderante em determinada empresa.
É de salientar que, apesar das vantagens apresentadas para a moda, esta tem a desvantagem de
ser de determinação imprecisa, no caso das variáveis contínuas.
21
1.10. Medidas de Dispersão (ou medidas de variabilidade)
Caracterizar um conjunto de dados apenas por medidas de posição é inadequado e perigoso, pois,
conjuntos com medidas de posição semelhantes podem apresentar características muito diferentes. As
medidas de dispersão são estatísticas descritivas, que quantificam de algum modo a variabilidade dos
dados, geralmente utilizando como referência uma medida de posição. As principais medidas de dispersão
são a amplitude total, desvio, desvio médio, variância amostral, coeficiente de variação e erro padrão da
média.
Exemplo:
Amostra A: 4, 8, 3, 9, 7, 5
Amostra B: 1, 5, 2, 14, 3, 11
Note que: X A 6 e X B 6 , porém, a dispersão dos valores na amostra B é maior.
AT X max X min
Embora dê uma idéia geral da dispersão relativa dos dados para amostras de fenômenos pouco
conhecidos do observador, a amplitude pouco informa sobre sua distribuição. Por ser uma medida
calculada apenas com dois valores extremos (máximo e mínimo) a amplitude é muito afetada por valores
extremos que ocorrem em algumas variáveis. Em exemplos onde os valores máximos ou mínimos são
muitíssimo raros, prejudicam a compreensão da variabilidade dos dados.
1.10.2. Desvio d x
São os desvios em relação a média aritmética dos dados. A soma dos desvio sempre será igual a
zero. Seja a amostra (2, 3, 5, 7, 8), com média 5 e desvios (-3, -2, 0, 2, 3).
22
1.10.4. Variância Amostral S 2
x ou ˆ x2 ou V̂(X)
Eliminar os desvios negativos sem utilizar módulos pode ser conseguido utilizando potencias pares
dos mesmos (o mais simples é elevar ao quadrado), o que favorece o cálculo em grandes amostras. A
medida assim obtida (média dos quadrados dos desvios) é a chamada Variância. A variância mede a
dispersão dos valores em torno da média.
Ela é dada pela soma dos quadrados dos desvios em relação a média aritmética, dividida pelo
número de graus de liberdade. É a medida de dispersão mais utilizada, fácil de calcular e compreender,
além de ser bastante empregada na inferência estatística.
Para uma amostra de n valores, X1, X2, ..., Xn, a variância amostral é dada por:
2
n
Xi
X X d i2 X i2 i 1
n n n
2
i
SQD n
S x2 Vˆ ( X ) i 1
i 1 i 1
n 1 n 1 n 1 n 1
Propriedades da Variância
P1) A variância de uma constante é igual a zero. V ( k ) 0
P2) Somando-se ou subtraindo-se uma constante de uma v.a., sua variância não se altera.
V(X k) V(X) , da mesma forma temos que: V(X k) V(X)
P3) Multiplicando-se uma v.a. por uma constante, sua variância fica multiplicada pelo quadrado da
constante. V(kX) k V(X)
2
Sx V̂( x) S2x
23
1.10.6. Coeficiente de Variação (CV)
Para comparar variabilidades de diferentes conjuntos de valores, onde as médias são muito
desiguais ou as unidades de medidas são diferentes, o C.V. é indicado. O C.V. expresso em percentagens
é dado por:
S 2x Sx
C.V.(%) .100
X X
Nota: o C.V. é o desvio padrão expresso em porcentagem da média. Medida adimensional. Aplicação:
- Utilizado para avaliação da precisão experimental.
- Utilizado para avaliar qual amostra é mais homogênea (menor variabilidade). Na situação em que as
amostras possuem a mesma média, a conclusão pode ser feita a partir da análise de suas variâncias. Para
amostras com médias diferentes, aquela que apresenta menor C.V., é mais homogênea.
V̂( x )
Fato: Variância da média: V̂( x ) esta expressão é válida para populações infinitas ou
n
população finita e amostra com reposição dos elementos.
24
Exemplos:
Ex.1. Sejam as variáveis horas de estudo (X) e nota do aluno (Y)
X (horas estudo) 3 1 4 3 5
Y (nota obtida) 9 3 8 8 7
Calcule:
a) Média aritmética
n
Yi
n
Xi 16 35
X i 1
3,2 Y i 1
7,0
n 5 n 5
b) Variâncias
2
n
Xi
n
162
Xi
2 i 1
60
S2x i1 n 5 60 51,2 8,8 2,2 S2x 2,2
n 1 5 1 4 4
2
n
Yi
352
n
2 i 1
i Y
n 267
267 245 22,0
SY2 i 1
5 5,5 S2Y 5,5
n 1 5 1 4 4
c) Desvio padrão amostral
Coˆv( X , Y ) 2,25
rXY 0,65
Coeficiente de correlação: S S
2
X
2
Y
2,2 x5,5
25
Ex.2. Dados referentes a medidas tomadas em uma amostra de 10 cães
Cão 1 2 3 4 5 6 7 8 9 10
Peso (kg) 23,0 22,7 21,2 21,5 17,0 28,4 19,0 14,5 19,0 19,5
Comprimento (cm) 104 105 103 105 100 104 100 91 102 99
Pede-se, para as características avaliadas, peso e comprimento, as estatísticas:
a) Média:
n
Comprimento:
Y i
Y1 Y2 ... Yn 104 105 ....... 99
Y i 1
101,300
n n 10
b) Variância: n
2
Xi
n
23,0 22,7 .... 19,52
Peso: X i2 i 1
n
23,0 22,7 ...... 19,5
2 2 2
SY2 Vˆ ( X ) i 1 10 14,297
n 1 2
9
n
Yi
Comprimento:
n
Yi
2 i 1
1042 1052 ...... 992 104 105 .... 99
2
n
SY Vˆ (Y ) i 1
2
Vˆ (Y ) 10 17,789
n 1 9
c) Desvio padrão:
Peso: S X s( X ) Vˆ ( X ) 3,781
Peso: Vˆ ( X ) S X
S X Vˆ ( X ) 1,196
n n
Comprimento: Vˆ (Y ) SY
SY Vˆ (Y ) 1,334
n n
e) Coeficiente de variação:
Peso: S X2 SX
C.V .(%) .100 18,373%
X X
Covariância n 10
Coˆv( X , Y ) i 1
12,296
n 1 9
Coˆv( X , Y ) 12,296
rXY 0,771
Coeficiente de correlação: S S2
X
2
Y
14,297 x17,789
26
1.11. Coeficiente de Correlação Amostral (r ou ̂ )
O termo correlação representa uma medida que mede o grau de associação entre duas variáveis
aleatórias X e Y. O valor da correlação, conhecido como coeficiente de correlação, assume valores no
intervalo de -1 a +1, de acordo com o grau de associação entre as variáveis em questão.
Se as variáveis X e Y crescem no mesmo sentido, isto é, se quando X cresce Y em média também
cresce, diz-se que as duas variáveis tem correlação positiva. Se as duas variáveis X e Y variam em
sentidos contrários, isto é, se quando X cresce, Y em média decresce, diz-se que as duas variáveis tem
correlação negativa.
15 15 15
10 10 10
5 5 5
0 0 0
0 2 4 6 8 0 2 4 6 8 0 2 4 6 8
Assim como, quando o coeficiente de correlação assume valores próximos de +1, a associação é
dita alta e positiva. Se o seu valor está próximo de -1, a correlação é chamada negativa. Se o valor é
próximo de 0, não existe correlação linear.
A correlação se aplica a qualquer área em que se pretende avaliar se uma variável X está associada a uma
outra Y. Assim a amplitude de aplicação é ilimitada, tendo como exemplos:
O grau de analfabetismo de um país e expectativa de vida
Grau de instrução dos pais e avaliações de candidatos no vestibular
Taxa de desemprego e índice de criminalidade
Idade e altura de crianças
Tempo de prática de esportes e ritmo cardíaco
Tempo de estudo e nota na prova
Acidez e pH do leite fresco
Matéria Orgânica (Lactose) e Demanda Bioquímica de Oxigênio (DBO) do soro de queijo (resíduo)
27
Cálculo do Coeficiente de Correlação Amostral
Sejam duas amostras relativas às variáveis X e Y, dadas a seguir
Xi X1 X2 ... Xn
Yi Y1 Y2 ... Yn
O coeficiente de correlação entre os valores de X e Y é dado por:
SPXY
rXY
Côv(X, Y)
n 1
SPXY
V̂(X).V̂(Y) SQD X SQD Y SQD X .SQD Y
.
n 1 n 1
n n
X i Yi
n n
2
X iYi i 1 i 1
n
Côv(X, Y) i1 SPXY SQDX X i
2 i 1
n
n 1 i 1 n i 1
É importante deixar claro que uma correlação positiva entre duas variáveis mostra apenas que essas
variáveis crescem no mesmo sentido. A correlação positiva não indica que aumentos em uma das
variáveis causam aumentos sucessivos na outra variável. Da mesma forma, uma correlação negativa entre
duas variáveis mostra apenas que elas variam em sentidos contrários. A correlação negativa não indica
que acréscimos em uma das variáveis causam decréscimos na outra variável.
Exemplo: Sejam as variáveis horas de estudo (X) e nota do aluno (Y)
X (horas estudo) 3 1 4 3 5
Y (nota obtida) 9 3 8 8 7
n n
X i Yi
X iYi i1 i1 121 16 x35
n
Podemos concluir que rxy = 0,65 é uma correlação moderada, ou seja, com maior número de horas
de estudo espera-se que o aluno obtenha maior nota na prova. No entanto, não significa que sempre que
um aluno estude mais que outro irá obter maior nota.
Segundo alguns autores a correlação poderá ser assim interpretada:
≤ 0,20 Correlação muito fraca e sem significância
0,20 < r ≤ 0,39 Correlação fraca
0,40 < r ≤ 0,69 Correlação moderada
0,70 < r ≤ 0,89 Correlação forte
0,90 < r ≤ 1,00 Correlação muito forte
O Coeficiente de Correlação indica a direção que é obtida pelo sinal + ou ‐ e a intensidade ou força
que é dada pelo valor que varia entre ‐1,0 e +1,0. Se a correlação for próxima a zero não existe correlação
linear entre as variáveis (exemplo: cor dos olhos e inteligência).
28
1.12. Exercícios
Exercícios de amostragem
1. Quando o uso da amostragem não é interessante?
2. Porque fazer amostragem?
3. Qual a diferença entre censo e amostragem?
4. Quais são as vantagens da amostragem?
5. Qual a diferença entre amostragem probabilística e amostragem não probabilística?
6. Qual a limitação de uma pesquisa onde as entrevistas foram feitas pela Internet?
7. Qual a limitação de uma pesquisa onde os questionários foram enviados pelo correio?
2. Resultado final da disciplina W, entre 00 I— 20: 5 alunos; entre 20 I— 40: 10 alunos; entre 40 I—
60: 20 alunos; entre 60 I— 80: 15 alunos; entre 80 I— 100: 10 alunos. Construa uma tabela de
distribuição de frequências para apresentar o resultado da turma.
3. Salários mensais de funcionários da indústria farofinha no ano de 2010, entre 130 I— 150: 605
funcionários; entre 150 I— 170: 182 funcionários; entre 170 I— 190: 113 funcionários; entre 190 I—
210: 77 funcionários; entre 210 I— 230: 23 funcionários. Construa uma tabela de distribuição de
frequências para apresentar os salários mensais da indústria farofinha no ano de 2010.
4. Construa uma tabela de distribuição de frequências completa: 51, 44, 55, 60, 39, 43, 57, 42, 37, 60, 35,
39, 39, 42, 61, 55, 63, 52, 34, 40, 34, 51, 61, 61, 63, 39, 36, 39, 59, 55, 57, 40, 49, 36, 54, 55
29
Exercícios de somatório
1. Considere as variáveis X e Y que representam, respectivamente, as notas de duas disciplinas, para um
grupo de 7 alunos. X = {9, 7, 4, 8, 9, 6, 10} Y = {6, 7, 5, 8, 7, 6, 9}
Calcule:
2
7 7
7 5 6
Xi b) X i d) X i e) X i
2 2
a) c) X i f)
i 1 i 1 i 1 i 1 i 2
2
5X 7
h) X i Yi
5 6
i
i 1
g) X Y
i 1
i i
i 1 i 1
2. Seja os valores da variável X = {5, 2, 1, 8, 0, 11, 4, 6, 7, 10}. Calcule:
2
10 X
2 i
i 1
10
10
10 10
Xi
2
a) X i b) X i
2
c) X i d) i 1 10
i 1 i 1 i 1 10 1
10 2
X i 4
10
2 Xi
e) X i 4
10
f) X i 4
10
g) i 1 h) i 1
i 1 i 1 10 1 10
6X 6X
3
e) X 2 j f) g) h)
j 1 X 2 j
1j 2j
j 2
j 2
j 1
j2
j 1
j2
fX
6 6 6 6
2
a) X i b) f i c) fi X i d) f i X i2 e) i 1
i i
i 1 i 1 i 1 i 1 6
fi 1
i
5. Considere o conjunto de dados a seguir, onde se observou a produção de uma determinada gramínea
(t.ha-1) em relação a diferentes níveis de adubação (kg.ha-1):
Nível (x) 0 20 40 60 80
Produção (y) 0,8 0,9 1,2 1,5 1,4
Calcule:
2
5 5
5
Yi Y 5
5 5 5 5 5
X X i Yi X Y i
5
XY X i Yi
2
Yi i
b) i 1 e
i i i i
a) i 1 e i 1 i 1 c) i 1 i 1 i e i 1 d) i1 e i 1 i 1
5 5 5 5 5 5
e)
7X i 7 X i 3 X i 3 X i 4Y 9 Y
i i
i 1 e i 1 f) i 1 e i 1 g) i 1 e i 1
30
Exercícios de descrição dos dados
2. A média mínima para aprovação em determinada disciplina é 5,0. Se um estudante obtém as notas: 7,5;
8,0; 3,5; 6,0; 4,0; 2,5; 5,5 e 2,0 nos trabalhos mensais da disciplina em questão, este aluno foi aprovado?
4. Um aluno obteve 3,0 na prova e 9,0 no trabalho, cujos pesos são 4 e 1, respectivamente. Sabendo que a
média mínima para aprovação é 5,0, este aluno foi aprovado?
5. Um professor de biologia leciona para quatro turmas. Sabe-se que as turmas apresentaram as seguintes
médias em um determinado semestre. Calcule a média conjunta das turmas.
Turma A (60 alunos) - Média 9,0 Turma B (40 alunos) - Média 8,0
Turma C (70 alunos) - Média 7,0 Turma D (30 alunos) - Média 5,0
7. Num determinado país a população feminina representa 51% da população total. Sabendo-se que a
expectativa de vida da mulher é de 73 anos e a do homem é de 70 anos, qual a expectativa de vida média
da população?
8. A média aritmética das notas dos alunos de uma turma formada por 25 meninas e 5 meninos é igual a
7. Se a média aritmética das notas dos meninos é igual a 6, a média aritmética das notas das meninas é
igual a quanto?
9. O histograma seguinte mostra a distribuição de uma amostra. Calcule a média desta distribuição.
15
10
Frequência
10 8 7
5 4
5 3
0
50 I- - 150 150 I- - 250 250 I- - 350 350 I- - 450 450 I- - 550 550 I- - 650
10. Calcule a média, variância e o desvio padrão e coeficiente de variação dos números:
a) 1, 3, 4 e 8
b) 3, 7, 5, 2 e 4
c) 4, 4, 4, 4, 4 e 4.
d) 4, 3, 7, 9, 8 e 5.
31
11. Calcule o coeficiente de variação dos dados de notas de dois grupos (A e B) de estudantes, dizendo
ainda, com base nos cálculos, qual o grupo mais homogêneo (ou menos disperso).
Grupo A: 8, 7, 7, 6, 9 e 8
Grupo B: 8, 5, 7, 3 e 9
14.1 Para o conjunto de dados (sem considerar a raça) e para o peso e o comprimento, calcule:
a) Média; b) Mediana; c) Moda; d) Amplitude total;
e) A variância; f) desvio padrão; g) O erro padrão da média; h) Coeficiente de variação;
i) Coeficiente de correlação e interprete essa correlação.
32
15. Calcule o coeficiente de correlação e diga se a correlação é positiva ou negativa e se a associação é
forte, fraca ou regular.
15.1. Acidez e pH do leite fresco
Acidez (ºD) 16 18 20 22 24 26
pH 6,7 6,9 6,3 6,0 5,5 5,4
15.2. Matéria Orgânica (Lactose) e Demanda Bioquímica de Oxigênio (DBO) do soro de queijo
Materia orgânica (g/L) 44 56 68 80 92
DBOppm 40000 60000 70000 80000 90000
15.4. Variáveis X e Y
X 7 9 10 13 15
Y 9 8 9 7 7
15.5. Variáveis Z e W
Z 0 5 10 15 20
W 2,4 5,8 8,6 8,3 8,0
15.6. Variáveis X e Y
X 0 1,5 3,0 4,5 6,0 7,5 9,0
Y 70,9 64,1 60,5 55,1 52,2 55,9 55,1
15.7. Variáveis L e K
L 10 20 30 40 50 60 70 80
K 2,1 5,4 3,6 3,5 4,2 3,7 3,1 2,8
33
Respostas exercícios de somatório
2.a) 4,875 3.a) 6,2 b) 5,9 4.a) 4,2 5.a) 7,5 6.a) 10,47 7.a) 71,53 8.a) 7,2
9.a) 367,57
10.a) 4,0 b) 4,2 c) 4,0 d) 6,0
8,67 3,70 0,00 5,60
2,94 1,92 0,00 2,37
73,6 45,8 0,0 39,4
34
Cap.2. Introdução a Teoria das Probabilidades
2.1. Introdução
35
2.2.4. Espaço Amostral
Chama-se espaço amostral o conjunto de todos os possíveis resultados de um experimento
aleatório ou, em outras palavras, é o conjunto universo relativo aos resultados de um experimento. Esse
conjunto será representado pela letra S. Assim, pode-se dizer que, a cada experimento aleatório sempre
estará associado um conjunto de resultados possíveis ou espaço amostral.
Aos experimentos aleatórios exemplificados anteriormente estão associados os seguintes espaços
amostrais, respectivamente:
S1 = 0, 1, 2, 3, 4
S2 = HH, HM, MH,MM
S3 = C, K, em que {C – Cara e K – Coroa}
S4 = C1, C2, C3, C4, C5, C6, K1, K2, K3, K4, K5, K6
2.2.5. Eventos
Denomina-se evento a todo particular conjunto de resultados de S, ou ainda, a todo subconjunto
de S. Será útil considerarmos o espaço todo (S) e o conjunto vazio () como eventos. O primeiro é
denominado evento certo e o segundo, evento impossível, e temos:
PS = 1 P = 0
Em particular, se S é um espaço amostral discreto ou enumerável composto de n pontos
amostrais, existem 2n subconjuntos ou eventos que podem ser formados a partir de S. O conjunto que
reúne todos esses subconjuntos é chamado de espaço de eventos ou classe de eventos.
Exemplo: Seja S = 1, 2, 3
Temos então, n = 3 23 = 8 eventos,
A1 = , A2 = 1 , A3 = 2 , A4 = 3 ,
A5 = 1, 2, A6 = 1, 3, A7 = 2, 3, A8 = 1, 2, 3.
No caso continuo, os eventos são colocados na forma de intervalos.
Por exemplo, B = a x b .
36
Exemplo 1: Seja o experimento aleatório ―lançar um dado e anotar a face superior‖.
S 1, 2, 3, 4, 5, 6 nS 6
Evento A: ―sair número par‖ A 2, 4, 6 nA 3
Evento B: ―sair número ímpar‖ B 1, 3, 5 nB 3
Evento C: ―sair número menor que 3‖ C 1, 2 nC 2
A B , portanto A e B são mutuamente exclusivos.
A C 2, portanto A e C não são mutuamente exclusivos.
B C 1 , portanto B e C não são mutuamente exclusivos.
A C 1, 2, 4, 6
B C 1, 2, 3, 5
C 3, 4, 5, 6
2.3. Conceitos de Probabilidade
Como a teoria das probabilidades está, historicamente, ligada aos jogos de azar, esta associação
gerou inicialmente um conceito chamado conceito clássico ou probabilidade ―a priori‖, devido a Laplace.
O conceito de freqüência relativa como estimativa de probabilidade ou probabilidade ―a
posteriori‖ surgiu posteriormente com Richard Von Mises.
Já no século XX, como a conceituação até então existente não era apropriada a um tratamento
matemático mais rigoroso, A. N. Kolmogoroff conceituou probabilidade por meio de axiomas rigorosos.
indicada por P A , onde : PA
c
Obviamente, PA PA 1 PA 1 PA .
nS
Exemplo 2: E ―escolher aleatoriamente uma carta num baralho contendo apenas figuras‖.
S RP, RC, RO, RE, VP, VC, VO, VE, DP, DC, DO, DE e n S 12
Sendo: R – Rei, V – Valete, D – Dama / P - Paus, C – Copas, O – Ouros, E – Espadas.
Fatos:
a) O conceito clássico só pode ser utilizado em situações onde o S é enumerável, finito e equiprovável.
b) Sendo PA
nA
, no caso infinito todos os eventos teriam probabilidade zero.
nS
37
2.3.2. Freqüência Relativa ou Probabilidade “a posteriori”
Seja E um experimento e A um evento. Se após n realizações do experimento E, n
suficientemente grande, forem observados m resultados favoráveis ao evento A, então uma estimativa da
m
probabilidade P(A) é dada pela frequência relativa fr .
n
Esta definição é, as vezes, chamada de probabilidade empírica e tem por base o princípio
estatístico da estabilidade, ou seja, à medida que o número de repetições do experimento cresce, a
freqüência relativa se aproxima da probabilidade P(A). Se jogarmos um dado 90 vezes e obtivermos o
resultado do Quadro 1.1, teremos na freqüência relativa a probabilidade "a posteriori" e na freqüência
esperada relativa, a probabilidade "a priori". Quando o número de tentativas aumenta consideravelmente,
as duas se aproximam.
Quadro 1 - Resultado hipotético do lançamento de um dado 90 vezes consecutivos.
Face no Freqüência Freqüência Freqüência Freqüência esperada
observada relativa esperada relativa
1 12 12/90 = 0,1333 15 1/6 = 0,1667
2 17 17/90 = 0,1889 15 1/6 = 0,1667
3 15 15/90 = 0,1667 15 1/6 = 0,1667
4 18 18/90 = 0,2000 15 1/6 = 0,1667
5 10 10/90 = 0,1111 15 1/6 = 0,1667
6 18 18/90 = 0,2000 15 1/6 = 0,1667
Soma 90 1,000 90 1,000
A exigência n suficientemente grande é por demais vaga para que sirva como uma boa definição
de probabilidade, além de impossibilitar, tal como o conceito clássico, o tratamento probabilístico de
eventos de espaços amostrais contínuos.
Exemplo 3: Em 660 lançamentos de uma moeda, foram observadas 310 caras. Qual a probabilidade de,
num novo lançamento dessa moeda obter-se coroa?
Aqui, a estimativa fr da probabilidade P(A) será: fr m 350 0,5303
n 660
Exemplo 4: Seja uma turma composta pelos alunos Helena, Maria, Pedro, José e Alice. Selecionando-se
um aluno ao acaso: a) qual a probabilidade de ser selecionada a Helena? b) e de ser selecionada uma
mulher?
Resolução: S = {Helena, Maria, Pedro, José, Alice}. ns = 5
Considerando que S é um espaço finito e seus pontos são equiprováveis, isto é, cada ponto de S tem a
mesma probabilidade de ocorrer, tem-se que:
a) Selecionando-se um aluno ao acaso qual a probabilidade de ser selecionada a Helena?
PA
nA 1
A = {Helena} nA = 1
nS 5
b) Selecionando-se um aluno ao acaso a probabilidade de ser selecionada uma mulher?
PM
nM 3
M = {Helena, Maria, Alice} nM = 3
nS 5
Exemplo 5: Seja o espaço amostral referente ao número de caras obtidos no ―lançamento de uma moeda
3 vezes‖ e A o evento ―ocorrência de uma cara‖. Neste caso:
S = {0,1,2,3} e n S 4 e A = { l } e n A 1
Aqui, o conceito clássico não pode ser imediatamente aplicado, pois, os pontos de S não são
equiprováveis, ou seja, P(A) 1/4. Observando-se o espaço amostral original:
S‘ = {CCC, CCK, CKC, KCC, CKK, KCK, KKC, KKK};
n A' 3
vê-se, A‘ = {CKK, KCK, KKC} e, logo, P(A' ) , nesse caso, S‘ é equiprovável.
n S' 8
39
2.6. Principais Teoremas para o Cálculo de Probabilidades
O cálculo de probabilidades, além dos axiomas, possui nos teoremas a serem enunciados um
poderoso instrumento de auxílio. Os diagramas de Venn, são úteis na compreensão tanto dos teoremas
como dos processos de demonstração.
S Por definição:
A
A P(S) 1
A S A , logo A A S , e
P(A A) P(S) 1
Ora, A A , isto é, A e A são mutuamente exclusivos.
Logo, P(A) P(A) 1 P(A) 1 P(A)
AB AB
A (A B) (A B)
P(A) P(A B) P(A B) , pois (A B) e (A B) são mutuamente exclusivos, logo:
P(A B) P(A) P(A B)
Teorema 4: Teorema da soma das probabilidades. Se A e B são dois eventos quaisquer, então:
P(A B) P(A) P(B) P(A B)
Prova: Pela figura do teorema 3 vê-se, que:
A B B (A B) sendo B e (A B) mutuamente exclusivos. Assim:
P(A B) P(B) P(A B)
Mas pelo teorema 3, P(A B) P(A) P(A B) , logo:
P(A B) P(A) P(B) P(A B)
40
Exemplo 6: Imagine que uma carta será retirada de um baralho contendo apenas as figuras (Rei, Valete e
Dama). Qual a probabilidade de sair uma dama ou a carta ser de espadas? Esse baralho tem 12 cartas,
sendo três figuras (Rei, Valete e Dama) e quatro naipes (Paus, Copas, Espadas e Ouros). Então:
4 3 1 6 1
P( D E) P( D) P( E) P( D E) P( D E )
12 12 12 12 2
Exemplo 7: A probabilidade de um guarda rodoviário aplicar quatro ou mais multas em um dia é de
63%; a probabilidade de ele aplicar quatro ou menos multas em um dia é de 56%. Qual a
probabilidade de o guarda aplicar exatamente quatro multas em um dia?
Solução: Quatro ou mais = 63% Quatro ou menos = 56%
P( A B) P( A) P( B) P( A B) 100 63 56 P( A B) P( A B) 119 100 19%
Teorema 5: Se A B , então P(A) P(B)
Prova:
S
B A
Podemos escrever: B A (A B)
P(B) P(A) P(A B) , pois A e (A B) são mutuamente exclusivos, logo:
P(A B) P(B) P(A) , mas pelo axioma (i), vem:
P(B) P(A) 0 P(B) P(A)
Teorema 6: Para um evento A qualquer, 0 P(A) 1
Prova:
S
A
41
2.7. A análise combinatória
Exemplo 9: Lançando um dado e uma moeda e observando as faces superiores, quantos diferentes
resultados podemos obter?
n1 6 possíveis resultados do dado. n 2 2 possíveis resultados da moeda.
Portanto será possível obter n1 n 2 6x 2 12 diferentes resultados.
Exemplo 11: Quantos números de cinco algarismos podemos formar com os algarismos:
2, 4, 6, 7, 9, sem os repetir?
5!
P5 5! 5x 4x3x 2x1 120 , que coincide com A 55 5! 120
(5 5)!
42
2.7.3. Combinações
Há casos em que só interessam os elementos que compõem o grupamento, não importando a
ordem que ali figuram. Temos então o que se chama de combinação de n elementos k a k. Símbolo:
C kn k!(nn! k)!
k
n
Os grupamentos básicos do exemplo 1.10, abc, abd, acd, bcd (primeira coluna), são
precisamente as combinações dos quatro elementos a, b, c, d tomados 3 a 3. Ou seja:
4! 4x3x 2x1
C34 4.
3!(4 3)! 3x 2x1
Ali, qualquer permutação que façamos com os elementos de determinado grupamento origina a
mesma combinação. São idênticas as combinações:
abc, acb, bac, bca, cab, cba.
Exemplo 12: De um grupo de sete pessoas, quantas comissões de três pessoas podemos formar?
Solução: Evidentemente, só interessa os indivíduos em si, e não a ordem que os consideramos. Temos,
pois, um problema de combinações de 7 elementos tomados 3 a 3, cujo resultado é:
7! 7 x 6x5x 4!
C37 35 .
3!(7 3)! 3x 2x1x 4!
Exemplo 13: De um grupo de sete pessoas, quantas comissões podemos formar, compostas de um
presidente, um secretário e um tesoureiro?
Solução: Aqui já não interessam apenas os indivíduos em si, mas também os cargos que irão ocupar (ou
seja, a ordem que os consideramos). Uma comissão em que João é presidente, Helena secretária e Renata
tesoureiro é diferente da comissão composta por Helena presidente, Renata secretária e João tesoureiro.
Estamos, pois, em face de um problema de arranjos de 7 elementos tomados 3 a 3, cujo resultado é:
7! 7 x 6x5x 4!
A 37 210
(7 3)! 4!
Exemplo 14. Seja o experimento aleatório ―de um grupo de 3 mulheres e 4 homens, seleciona-se duas
pessoas de uma só vez‖.
a) Obter o espaço amostral referente ao número de homens selecionados.
Como são selecionadas duas pessoas fica.
S 0,1,2 Espaço amostral não equiprovável.
b) Obter a probabilidade de ocorrência de cada um dos pontos do espaço amostral.
Como são selecionadas duas pessoas de um só vez, o espaço amostral básico do experimento será
7!
composto por: C 72 21 pontos amostrais, ou seja, 21 diferentes grupos de 2 pessoas que
2!(7 2)!
podem ser formados a partir de 7 pessoas.
43
Os resultados podem ser resumidos da seguinte forma:
Homens Mulheres Número de grupos Probabilidade
0 2 C C 3
0
4
2
3
3/21
1 1 C C 12
1
4
1
3
12/21
2 0 C42 C30 6 6/21
Soma = 1,0
Exemplo 15. Uma caixa contém 10 peças, das quais 3 são defeituosas. Extraem-se três ao acaso. Qual a
probabilidade de:
a) A = {todas serem defeituosas} c) C = {uma ser defeituosa}
C33 C 07 1 C13 C 72 63
P( A) 3
P(C) 3
C10 120 C10 120
b) B = {duas serem defeituosas} d) D = {nenhuma ser defeituosa}
C C
2 1
21 C30 C37 35
P(B) 3
3
7
P(D) 3
C10 120 C10 120
Fato: Observa-se que os eventos acima formam o espaço amostral que representa o número de
peças defeituosas retiradas: S = {3, 2, 1, 0}
1 21 63 35 120
P(S) P(A) P(B) P(C) P(D) 1
120 120 120 120 120
2.9. Probabilidade Condicional
A noção de probabilidade condicional é uma ferramenta básica da teoria das probabilidades. As
considerações seguintes conduzem de modo natural à definição formal.
A ideia de probabilidade condicional pode ser entendida através de um exemplo. Imagine que um
dado foi jogado. Qual é a probabilidade de ter saído a face 5? Como o dado tem 6 faces, a probabilidade
de ter ocorrido a face com número 5 é: 1/6.
Imagine agora que o dado foi jogado e já se sabe que ocorreu uma face com número ímpar. Qual é
a probabilidade de ter saído a face 5? Note que a resposta a esta pergunta é diferente da resposta dada à
pergunta anterior. Se saiu uma face com número ímpar, só podem ter ocorrido os números:1, 3 ou 5.
Logo, a probabilidade de ter ocorrido 5 é: 1/3.
A probabilidade de ocorrer determinado evento pode ser modificada quando se impõe uma
condição. Como mostra o exemplo, a probabilidade de ocorrer 5 no jogo de um dado é 16,67%, mas, sob
a condição de ter ocorrido a face com número ímpar, a probabilidade de ocorrer 5 é 33,33%.
Denomina-se probabilidade condicional à probabilidade de ocorrer determinado evento sob uma
dada condição. Indica-se a probabilidade condicional de ocorrer o evento A sob a condição de ter
ocorrido B por P(A/B), que se lê ― probabilidade de A dado B‖.
Considere este outro exemplo:
Exemplo 16: Sejam 200 alunos matriculados em dado Instituto de Matemática, num dado ano, assim
distribuídos:
Curso \ Sexo Homens (H) Mulheres (M) Totais
Matemática Pura (P) 70 35 105
Matemática Aplicada (A) 25 15 40
Estatística (E) 10 20 30
Inglês (I) 15 10 25
Totais 120 80 200
44
Vamos indicar por P o evento que ocorre quando escolhendo-se ao acaso um aluno do instituto e
este for um estudante de Matemática Pura (P), A, E, I, H e M têm significados análogos. Desta maneira,
vemos que:
Podemos considerar uma subpopulação formada pelos homens, em que nH = 120. A probabilidade
de que um aluno do Instituto, escolhido ao acaso nessa subpopulação (somente homens), seja um
estudante de Inglês é igual a nHI/nH, onde nHI é o número de homens estudantes de Inglês. O resultado será
15/120 = 3/24.
O símbolo mais comumente adotado é P(I/H), que pode ser lido como a "probabilidade do evento
I (estudante de Inglês) dado o evento H (sabendo-se que a pessoa escolhida é Homem)". Em símbolos:
n IH PI H
PI / H
nH PH
É claro que cada subpopulação pode ser considerada como sendo uma nova população; o termo
subpopulação é usado unicamente por conveniência de linguagem servindo para indicar que existe uma
população maior sendo considerada.
Por analogia com a fórmula acima, introduziremos agora a seguinte definição formal. Seja B um
P A B ,
evento cuja probabilidade é conhecida. Para um evento A, arbitrário, definimos. P A / B
P B
P(B) > 0.
A quantidade assim definida será chamada de probabilidade condicional de A na hipótese B (ou
dado B). No caso de todos os pontos amostrais terem probabilidades iguais, P(A/B) é o quociente
PA / B
n A B
, do número de pontos amostrais comuns a A e B, pelo número de pontos de B.
nB
P A B
Do mesmo modo tem-se que: PB / A , P(A) > 0.
P A
Considerar probabilidades condicionais de vários eventos com relação a uma hipótese particular
H é equivalente a escolhermos H como um novo espaço amostral, com probabilidades proporcionais às
probabilidades originais; o fator de proporcionalidade P(H) é necessário para que se tenha a probabilidade
total do novo espaço igual a 1. Essa formulação mostra que todos os teoremas gerais sobre probabilidades
são válidos também para probabilidades condicionais, com respeito a qualquer hipótese particular H. Por
exemplo, a relação fundamental para a probabilidade da ocorrência de A ou B ou ambos, toma a forma:
P A B / H P A / H PB / H .
45
Exemplo 17: Para o exemplo do Quadro 1.2, se desejamos encontrar a probabilidade de um aluno
escolhido ao acaso estar matriculado em estatística sabendo-se que é Mulher, fazemos:
Eventos: E: ―matriculado em Estatística‖
M: ―ser Mulher‖.
n EM 20 1
Desejamos saber P(E / M) , então fazemos P(E / M)
nM 80 4
Dada a informação da ocorrência de um evento, teremos a redução do espaço amostral. A
probabilidade condicional pode ser avaliada diretamente no espaço amostral reduzido.
Um indivíduo é selecionado ao acaso, sabendo-se que é mulher, qual a probabilidade de ser criança?
nC M 3
P(C / M )
nM 5
Exemplo 19: Uma moeda será jogada duas vezes. Qual a probabilidade de ocorrer cara nas duas jogadas?
A probabilidade de ocorrer cara na primeira jogada é 50%, e a probabilidade de ocorrer cara na segunda
jogada também é 50%.
O fato de ocorrer cara na primeira jogada não modifica a probabilidade de ocorrer cara na segunda
jogada (os eventos são independentes).
Para se obter a probabilidade de ocorrer cara nas duas jogadas, faz-se o produto.
1 1 1
2 2 4
46
Exemplo 20: Uma urna contém 2 bolas brancas e três vermelhas. Retiram-se duas bolas dessa urna com
reposição. Quais as diferentes ocorrências que podem ocorrer:
2 2 4
P(1º B 2º B) P(1º B) P(2º B / 1º B)
5 5 25
2 3 6
P(1º B 2º V ) P(1º B) P(2º V / 1º B)
5 5 25
3 2 6
P(1º V 2º B) P(1º V ) P(2º B / 1º V )
5 5 25
3 3 9
P(1º V 2º V ) P(1º V ) P(2º V / 1º V )
5 5 25
Exemplo 21: Uma urna contém 2 bolas brancas e três vermelhas. Retiram-se duas bolas dessa urna sem
que haja reposição. Quais as diferentes ocorrências que podem ocorrer:
2 1 2 1
P(1º B 2º B) P(1º B) P(2º B / 1º B)
5 4 20 10
2 3 6 3
P(1º B 2º V ) P(1º B) P(2º V / 1º B)
5 4 20 10
3 2 6 3
P(1º V 2º B) P(1º V ) P(2º B / 1º V )
5 4 20 10
3 2 6 3
P(1º V 2º V ) P(1º V ) P(2º V / 1º V )
5 4 20 10
Exemplo 22: Dentre 10 alunos de uma sala, 3 são mulheres. Duas pessoas são chamadas aleatoriamente,
uma após a outra, sem reposição. Pede-se:
47
2.11. Independência Probabilística
A probabilidade condicional P(A/B) não é, em geral, igual a probabilidade P(A). No caso em que
P(A / B) P(A) diremos que A é estatisticamente (probabilisticamente) independente de B. A
expressão P(A B) P(B) P(A / B) segundo a condição P(A / B) P(A) pode ser escrita da forma:
P(A B) P(B) P(A) ou P(A B) P(A) P(B)
Essa equação é simétrica em A e B, e mostra que sempre que A for independente de B, B também
será independente em relação a A.
Dos 12 eventos possíveis e igualmente prováveis apresentados, seis correspondem à saída de cara
na moeda. Então a probabilidade de sair cara na moeda é:
6/12 = 0,5 ou 50%
Para obter a probabilidade de sair cara na moeda, sabendo que saiu 6 no dado. Dos dois eventos
que correspondem à saída de 6 no dado, um corresponde à saída de cara na moeda. Então a probabilidade
de sair cara na moeda, sabendo que saiu 6 no dado é: 1/2 = 0,5 ou 50%
Neste exemplo, a probabilidade de ocorrer um evento (sair cara na moeda) não foi modificada pela
ocorrência de outro evento (sair 6 no dado). Diz-se então que esses eventos são independentes.
Por definição, dois eventos são independentes quando a probabilidade de ocorrer um deles não é
modificada pela ocorrência do outro. Quando se jogam um dado e uma moeda, o resultado que ocorre na
moeda não depende do que ocorre no dado. Então esses eventos são independentes. Escreve-se P(A/B) =
P(A).
Na área biológica existem vários exemplos de eventos independentes e de eventos dependentes.
Assim olhos claros e cabelos claros são eventos dependentes, porque a probabilidade de uma pessoa ter
olhos claros é maior se a pessoa tem cabelos claros. Já olhos claros e idade avançada são eventos
independentes, porque a probabilidade de uma pessoa ter olhos claros não aumenta (ou diminui) com a
idade.
48
Exemplo 24: A probab. de o homem viver 10 anos além dos 60 anos é 1/4 e da mulher 1/3.
Obs.: Sejam os eventos H: ―o homem viver 10 anos após os 60‖ e M: ―a mulher viver 10 anos
após os 60‖. É evidente que os eventos H e M são independentes.
1
P( H ) prob. do homem estar vivo 10 anos após os 60 anos.
4
1 3
P( H) 1 prob. do homem não estar vivo 10 anos após os 60 anos.
4 4
1
P(M) prob. da mulher estar viva 10 anos após os 60 anos.
3
1 2
P( M) 1 prob. da mulher não estar viva 10 anos após os 60 anos.
3 3
Encontre a probabilidade de:
a) Ambos viverem mais 10 anos após os 60 anos? 1 1 1
P( H M ) P( H) P( M )
4 3 12
3 1 3 1
b) Somente a mulher viver mais 10 anos? P( H M ) P( H ) P ( M)
4 3 12 4
c) Ao menos um deles viver mais 10 anos? P(H M) P(H) P(M) P(H M) 1 1 1 1 1
4 3 4 3 2
d) Nenhum dos dois viver 10 anos após os 60 anos? P(H M) P(H) P(M) 2 6 1
3
4 3 12 2
Exemplo 25: Numa amostra aleatória retirada da população obtiveram-se os dados:
Com Bronquite Sem Bronquite
(CB) (SB) Total
Fumantes (F) 40 20 60
Não Fumantes (NF) 15 25 40
Total 55 45 100
Determine as seguintes probabilidades:
40 2
a) de um indivíduo fumante ter bronquite. P(CB / F) 0,6667
60 3
15 3
b) de um indivíduo não fumante ter bronquite. P(CB / NF) 0,3750
40 8
60 3
c) de um indivíduo ser fumante. P(F)
100 5
55 11
d) de um indivíduo ter bronquite. P(CB)
100 20
40 8
e) de um indivíduo ser fumante e ter bronquite. P(F CB)
100 20
f) os eventos F ―ser fumante‖ e CB ―ter bronquite‖, são independentes?
49
2.12. Teorema da Probabilidade Total (ou diagrama de árvore).
Enunciaremos agora um teorema útil que relaciona a probabilidade de um evento com
probabilidades condicionais. Sejam B1, B2, ..., Bn eventos mutuamente exclusivos e exaustivos*. Então
para um evento arbitrário A,
A utilidade deste resultado reside no fato de que as probabilidades que compõem o somatório
acima são em geral mais fáceis de calcular que a própria probabilidade de A.
* {B1, B2, ..., Bn} é um conjunto de eventos mutuamente exclusivos e exaustivos se quaisquer dois
eventos Bi e Bj não podem ocorrer ao mesmo tempo e um deles deve ocorrer. Simbolicamente,
Bi B j , i j e B1 B2 ... Bn S
A primeira fórmula tem como utilidade permitir-nos calcular a probabilidade a posteriori P(B/A)
em termos das informações a priori P(B) e P(A).
A1 A2 A3
B
A4 A5
Partição disjunta de Ω em eventos Ai (i= 1, 2, .., 5), e sua interseção com o evento B.
50
Exemplo 26: Em determinada universidade os alunos de português estão divididos em três turmas, da
seguinte forma:
Turma 1 com 10 alunos, dos quais 4 são Químicos.
Turma 2 com 5 alunos, dos quais 1 é Químico.
Turma 3 com 20 alunos, dos quais 3 são Químicos.
1 4 4
4/10 Q P(T1 ) P(Q / T1 )
3 10 30
T1
6/10 N
1/3 1/5 Q
T2
1/3 4/5 N
3/20 Q
1/3 T3
17/20 N em seguida selecionando um aluno, também
a) selecionando-se uma turma aleatoriamente,
aleatoriamente. Qual a probabilidade do aluno selecionado ser de Química?
51
Exemplo 27: Considerando-se 3 urnas com a seguinte composição:
Urna 1 contém 12 bolas sendo 10 Vermelhas e 2 Brancas.
Urna 2 contém 10 bolas sendo 6 Vermelhas e 4 Brancas.
Urna 3 contém 15 bolas sendo 9 Vermelhas e 6 Brancas.
Uma bola é extraída de uma das urnas, sendo a escolha da urna feita do seguinte modo: um dado é
lançado uma vez,
- se sair a face 1, escolhe-se a urna 1,
- se sair as faces 2 ou 3, escolhe-se a urna 2, e
- se sair as faces 4, 5 ou 6, escolhe-se a urna 3.
b) Qual a probabilidade de se ter escolhido a urna 1, dado que a bola extraída é Vermelha?
Pelo Teorema da Bayes teremos:
1 10
P ( U1 ) P ( V / U1 ) 6 12 5
P ( U1 / V )
P( U1 ) P(V / U1 ) P( U 2 ) P(V / U 2 ) P( U 3 ) P(V / U 3 ) 1 10 2 6 3 9 23
6 12 6 10 6 15
52
2.14. Exercícios: Introdução a Probabilidade
1 1
2. Se P( A) e P( B) e A e B são mutuamente exclusivos, calcule:
2 4
a) P(A ) c) P( A B) e) P( A B )
b) P(B ) d) P( A B)
1 1 1
3. Se P( A) , P( B) e P( A B) , calcule:
2 3 4
a) P( A B) b) P( A B ) c) P( A B )
4. Determine a probabilidade de cada evento:
a) um número par apareça no lançamento de um dado não viciado;
b) um rei aparece ao extrair-se uma carta de um baralho;
c) pelo menos uma cara aparece no lançamento de 3 moedas;
5. Um número inteiro é escolhido aleatoriamente dentre os números 1, 2, 3, ... , 30. Qual a probabilidade
de:
a) o número ser divisível por 5;
b) terminar em 3;
c) ser primo; e
d) ser divisível por 6 ou 8.
6. Uma moeda é lançada três vezes e observado o número de caras. Qual a prob. de ocorrer:
a) três caras; d) duas caras e uma coroa;
b) nenhuma cara; e) pelo menos uma cara; e
c) exatamente uma cara; f) pelo menos uma coroa.
3 4
7. A probabilidade de um aluno X resolver esse problema é e a do aluno Y é . Qual a probabilidade
5 7
de que o problema seja resolvido?
53
2 4 7
9. As probabilidades de três jogadores marcarem um pênalti são respectivamente: , e . Se cada
3 5 10
um cobrar uma única vez, qual a probabilidade de:
a) todos acertarem;
b) apenas o primeiro acertar;
c) todos errarem.
10. Suponha que a probabilidade que um vigia noturno num navio com luzes apagadas descubra um
periscópio em certas condições de tempo é 0,7. Qual é a probabilidade de que a combinação de dois
vigias similares A e B, fizesse a descoberta?
11. Uma urna contém 12 bolas: 5 brancas, 4 vermelhas e 3 pretas. Outra contém 18 bolas: 4 brancas, 6
vermelhas e 8 pretas. Uma bola é retirada de cada urna. Qual a probabilidade das duas bolas serem da
mesma cor?
12. Uma urna contém 7 bolas pretas e 3 vermelhas. Foram extraídas duas bolas com reposição. Qual a
probabilidade de terem sido uma bola preta e uma vermelha?
13. Uma urna contém 7 bolas pretas e 3 vermelhas. Foram extraídas duas bolas sem reposição. Qual a
probabilidade de terem sido uma bola preta e uma vermelha?
14. Uma caixa A contém 8 peças, das quais 3 são defeituosas e uma caixa B contém 5 peças, das quais
duas são defeituosas. Uma peça é retirada aleatoriamente de cada caixa:
a) qual a probabilidade p de que ambas as peças não sejam defeituosas?
b) qual a probabilidade p de que uma peça seja defeituosa e a outra não?
15. Das dez alunas de uma classe, três tem olhos azuis. Se duas delas são escolhidas aleatoriamente, qual
é a probabilidade de:
a) ambas terem olhos azuis?
b) nenhuma ter olhos azuis?
c) pelo menos uma ter olhos azuis?
16. Dois cães são retirados de um canil contendo 10 cães, dos quais 8 são fêmeas. Determine a
probabilidade de que os dois cães retirados sejam fêmeas.
17. A probabilidade de uma mulher estar viva daqui a 30 anos é 3/4 e de seu marido é 2/5. Calcular a
probabilidade de:
a) apenas o homem estar vivo;
b) somente a mulher estar viva;
c) ambos estarem vivos, e
d) pelo menos um estar vivo.
54
19. Jogam-se dois dados. Se as duas faces mostram números diferentes, qual é a probabilidade de que
uma das faces seja 4?
20. Seja E: lançar dois dados, e:
A x1 , x2 / x1 x2 8, ou seja, a soma ser 8.
B x1 , x2 / x1 x2 , ou seja, o primeiro resultado ser igual ao segundo.
C x1 , x2 / x1 x2 10, ou seja, a soma ser 10.
Calcular: a) P(A) d) P( A / B) g) P( A B)
b) P(B) e) P( B / A) h) P( A B)
c) P(C ) f) P( A / C ) i) P( A B )
21. Um dado é viciado de tal forma que a probabilidade de sair um certo número é proporcional ao seu
valor. Pede-se:
a) qual a probabilidade de sair o 3, sabendo-se que o ponto que saiu é ímpar?
b) qual a probab. de sair um número par, sabendo-se que saiu um número maior que 3?
23. Sejam A e B eventos cujas probabilidades são: P(A) = 1/4; P(B) = p; P(AB) = 1/3.
Determine p para os casos em que:
a) A e B são mutuamente exclusivos.
b) A e B são independentes.
c) A é subconjunto de B.
25. Considere a escolha aleatória de um entre os dez primeiros números inteiros positivos (a partir de
um), e os eventos:
A = {1, 2, 3, 4, 5} B = {4, 5, 6, 7} C = {5, 9}. Pede-se:
Os eventos são mutuamente independentes? Mostre por quê.
26. A e B são eventos mutuamente exclusivos. Determine quais das relações abaixo são verdadeiras e
quais são falsas. Justifique.
a) P(A/B) = P(A) b) P(A) = 0; P(B) = 0; ou ambas c) P(AB) = P(A).P(B)
55
29. De 100 estudantes, 30 freqüentam um curso de inglês, 20 freqüentam um curso de computação e 10
freqüentam tanto um curso de inglês como um curso de computação. Um estudante é selecionado ao
acaso.
a) Determine a probabilidade de que ele não freqüente o curso de inglês.
b) Determine a probabilidade de que ele freqüente pelo menos um dos cursos.
c) Determine a probabilidade de que ele não freqüente nenhum desses dois cursos.
d) Se ele freqüenta o curso de inglês, determine a probabilidade de que ele também freqüente o curso de
computação.
e) Se ele freqüenta o curso de computação, determine a probabilidade de que ele também freqüente o
curso de inglês.
30. Em um certo colégio, 25% dos alunos foram reprovados em matemática, 15% em química e 10% em
matemática e química ao mesmo tempo. Um estudante é selecionado aleatoriamente. Pede-se:
a) se ele foi reprovado em química, qual a prob. de ter sido reprovado em matemática?
b) se ele foi reprovado em matemática, qual a prob. de ter sido reprovado em química?
c) qual a probabilidade de ter sido reprovado em matemática ou química?
31. A probabilidade de um carro ser vendido para indivíduos da classe A é 3/4, da B é 1/6, da C é 1/20 e
da D é 1/30. A probabilidade do indivíduo da classe A comprar um carro da marca E é 1/10; da B
comprar da marca E é 3/5, da C é 2/10 e da D é 1/10. Em certa loja vendeu-se um carro da marca E. Qual
a probabilidade de um indivíduo da classe B o tenha comprado?
32. Em certo colégio 5% dos homens e 3% das mulheres tem mais de 1,80 m de altura. Por outro lado
60% dos estudantes são homens. Se um estudante é selecionado aleatoriamente e tem mais de 1,80 m de
altura, qual a probabilidade de que o estudante seja mulher?
33. Sejam dois currais A e B com a seguinte composição: CURRAL I: 15 animais dos quais 5 estão
amamentando; CURRAL II: 8 animais dos quais 3 estão amamentando. Todos os animais são
identificados por números. Um deles é selecionado aleatoriamente.
a) Constata-se que está amamentando. Determine a probabilidade de que o animal seja do CURRAL I.
b) Determine a probabilidade de que o animal escolhido não esteja amamentando.
34. Três máquinas, A, B e C produzem respectivamente 40%, 50% e 10% do total de peças de uma
fábrica. As percentagens de peças defeituosas produzidas pelas respectivas máquinas são 3%, 5% e 2%.
Uma peça é sorteada ao acaso e verifica-se que é defeituosa. Qual a probabilidade de que a peça tenha
vindo da máquina A?
Selecionamos uma caixa aleatoriamente e então retiramos uma lâmpada, também aleatoriamente. Qual a
probabilidade dela ser defeituosa?
56
36. Uma caixa A contém 8 peças, das quais 3 são defeituosas e uma caixa B contém 5 peças das quais 2
são defeituosas. Uma peça é retirada aleatoriamente de cada caixa:
a) Qual a probabilidade de que ambas as peças não sejam defeituosas?
b) Qual a probabilidade de uma peça ser defeituosa e outra não?
c) Qual a probabilidade de pelo menos uma peça ser defeituosa?
37. Você pode jogar na MEGASENA escolhendo 6 números pertencentes ao intervalo de 01 a 60. São
sorteados 6 números de forma aleatória pela CEF. Pede-se:
a) qual a probabilidade de você ganhar jogando apenas um cartão?
b) e se você apostar 500 cartões?
c) e se você marcar oito números no mesmo cartão?
57
Respostas
1. a) S C1, C 2, C3, C 4, C5, C6, K1, K 2, K 3, K 4, K 5, K 6
b) A K 2, K 4, K 6 B C1, C3, C5 C C3, C6, K 3, K 6
c) I C 2, C 4, C6, K1, K 2, K 3, K 4, K 5, K 6 II K 2, K 4, K 6, C1, C3, C5 III C3
58
Cap.3. Variáveis Aleatórias
3.1. Conceito
É toda e qualquer variável associada a uma probabilidade, isto é, seus valores estão
relacionados a um experimento aleatório. Em termos de experimentação, variáveis aleatórias são as
características avaliadas nas unidades experimentais. Por exemplo, num experimento para selecionar
qual a melhor entre quatro rações, a característica avaliada seria ganho de peso, expressa em kg. Para
avaliar qual o melhor tratamento térmico a ser submetido um produto, a variável medida seria o
número de microorganismo que existe após os diversos tratamentos.
Seja E um experimento aleatório e S o espaço amostral associado a este experimento. Uma
função X, que associe a cada elemento a pertencente a S um número real X(a), é denominada variável
aleatória.
X X(a)
a
S
R
Observações:
1) O uso de variáveis aleatórias equivale a descrever os resultados de um experimento aleatório por
meio de números ao invés de palavras, o que apresenta a vantagem de possibilitar melhor tratamento
matemático;
2) Nem toda função é uma variável aleatória.
3) As Variáveis Aleatórias podem ser classificadas em qualitativas e quantitativas.
4) Uma V. A. quantitativa pode ser discreta ou contínua.
Este é o caso mais simples da v.a. discreta, onde cada possível valor ocorre com a mesma
probabilidade.
1
P( X x i ) P( x i ) p , para todo i = 1, 2, ... , n.
n
i) Tabela
xi x1 x2 x3 ... xn
P( x i ) 1/n 1/n 1/n ... 1/n
ii) Gráfico
P(X)
1/n
x1 x2 x3 xn X
...
Exemplo 2: Seja E: ―o lançamento de um dado não viciado‖.
O espaço amostral é S = {1, 2, 3, 4, 5, 6}
Obs.: Cada ponto de S tem probabilidade de ocorrer igual a 1/6.
i) Tabela
xi 1 2 3 4 5 6
P( x i ) 1/6 1/6 1/6 1/6 1/6 1/6
# Este exemplo trata-se de uma v.a.d. X = {nº de pontos obtidos}, uniformemente distribuída.
1/
6
x1 x2 x3 x4 x5 x6X
60
Exemplo 3: Seja E: ―o lançamento de duas moedas‖.
Seja a v.a.d. X = {nº de caras}, se S = {kk, kc; ck, cc}, então X = {0, 1, 2}
i) Tabela
xi x1 0 x2 1 x3 2
P( x i ) 1/4 2/4 1/4
ii) Gráfico P(
2X)
/1
4/
4 0 1 2 X
iii) Fórmula
1 x
P( X x i ) C 2 , para x 0, 1, 2.
4
# observe que nesse exemplo as duas condições para ser uma v.a. são satisfeitas.
3.3.1.Definição
Seja X uma v.a.. Se X puder assumir todo e qualquer valor em algum intervalo a x b ,
onde a e b podem ser, respectivamente - e +, então X é v.a.c.
Assim uma v.a. X é contínua quando associada a um espaço amostral infinito não enumerável.
A função que denotaremos por f(x), definida para a x b , será chamada f.d.p. se satisfizer às
seguintes condições:
3) A função densidade de probabilidade f(x) não representa probabilidade. Somente quando a função for
integrada entre dois limites ela produzirá uma probabilidade, que será a área sob a curva da função
entre os valores considerados.
5) Se o conjunto de valores de X não estiver contido no intervalo [a,b], então x [a,b], tem-se f(x) = 0.
61
3.3.3. Variável aleatória contínua uniformemente distribuída
a b x
Exemplo 4: Seja uma v.a.c. X definida pela seguinte f.d.p.
0, para x 0
f ( x ) kx, para 0 x 2
0, para x 2
a) Determinar o valor de k.
Por definição: f (x)dx 1 . Então temos:
2
0 2 2 x2
0dx 0 kxdx 2 0dx 1 0 k xdx 0 1 k 1
2 0
0
22 02 4 0 k
1
k 1 k 1 2k 1
2 2 2 2 2
1
1 0 1 1 1 1 1 x2 1 12 0 2 1
P(X 1) f ( x )dx 0dx 0 xdx 0 0 xdx
2 2 2 2 0 2 2 2 4
1
P(X 1)
4
62
Exemplo 5: Seja uma v.a.c. X definida pela seguinte f.d.p.
0, para x 1
f ( x ) kx, para 1 x 3
0, para x 3
a) Determinar o valor de k.
b) Traçar o gráfico da f.d.p..
c) Calcular P(X > 2).
Respostas:
a) k 1 b) c) P(X 2) 5
4 8
3.4.1. Definição
Dada a variável aleatória X, chamaremos de função de distribuição acumulada ou, simplesmente
função repartição F(x), a função F(x) = P(X x).
Observe que o domínio de F é todo o conjunto real.
F( x ) P(X x ) P( x i )
xi x
xi -2 -1 1 2 Total
P( x i ) ¼ 1/8 1/2 1/8 1,00
Pede-se:
a) Traçar o gráfico da distribuição de probabilidade de X.
b) Obter a função de distribuição acumulada e traçar seu gráfico.
63
3.5. Medidas de posição de uma variável aleatória
Exemplo 8: Seja o lançamento de quatro moedas. Considere a v.a.d. X número de caras. Calcule a
esperança matemática (média) de X.
Solução:
X 0 1 2 3 4
1 4 6 4 1
P(X=xi)
16 16 16 16 16
n
1 4 6 4 1 32
E ( X ) xi P( xi ) 0 x 1x 2 x 3x 4 x 2
i 1 16 16 16 16 16 16
64
3.5.3.2. Caso em que X é uma v.a.c.
A esperança matemática de uma v.a.c. X é definida por:
E(X) xf ( x )dx
Exemplo 2.9: Uma v.a.c. X apresenta a seguinte f.d.p.:
0, para x 0
x Calcular E(X)
f ( x ) , para 0 x 2
2
0, para x 2
2
0 2 x 2 x2 1 2 1 x3
E( X) xf ( x )dx x 0dx 0 x 2 dx 2 x 0dx 0 2
dx 0 x 2 dx
2
2 3 0
1 23 03 8 4 E(X)
4
E( X)
2 3 3 6 3 3
P2) A esperança matemática do produto de uma constante por uma variável é igual ao produto da
constante pela esperança matemática da variável, ou seja, multiplicando-se uma variável aleatória
por uma constante; sua média fica multiplicada por essa constante.
Prova: E(kX) kxf(x)dx k - xf(x)dx kE(X)
-
P3) A esperança matemática da soma ou subtração de uma v.a. com uma constante é igual a soma ou
subtração da esperança matemática da variável com a constante, ou seja, somando-se ou subtraindo-
se uma constante a uma v.a., a sua média fica somada ou subtraída da mesma constante.
E(X K) E(X) K
P4) A média de uma v.a. centrada é zero, ou seja, a média dos desvios dos valores da v.a. em relação a sua
média é zero.
Obs.: Dizemos que a v.a. está centrada quando todos os valores são expressos como desvios em relação à
respectiva média, (X -x )
Assim: E(X -x) = E(X) - E(x) = x - x = 0
P5) A esperança matemática da soma ou da subtração de duas v.a. quaisquer é igual a soma ou a subtração
das esperanças matemáticas das duas v.a., ou seja, a média da soma ou da subtração de duas v.a. é
igual a soma ou subtração das médias.
E(X Y) E(X) E(Y)
P6) A esperança matemática do produto de duas variáveis aleatórias independentes é igual ao produto das
esperanças matemáticas das variáveis, ou seja, a média do produto de duas variáveis aleatórias
independentes é o produto das médias.
E(XY) E(X) E(Y)
65
Exemplo 10: Seja X uma v.a.d. com a seguinte distribuição de probabilidade
xi -2 -1 0 1 2 Total
P( x i ) 1/8 2/8 2/8 1/8 2/8 1,00
Determinar:
a) Esperança de X
n
1 2 2 1 2 1 1
E(X) x i P( x i ) (2) (1) (0) (1) (2) E(X)
i 1 8 8 8 8 8 8 8
b) Moda (Mo)
Mo 1, 0 e 2 , assim consideramos uma série multimodal.
c) Mediana (Md)
3
Md = 0, pois temos que a P(X 0) P(X 0)
8
2x, para 0 x 1
f (x)
0, para outros valores de x.
Determinar:
a) Esperança de X
1
0 1 1 1x3
E(X) xf ( x )dx x 0dx 0 x 2xdx 1 x 0dx 0 2x dx 2 0 x dx 2
2 2
3 0
13 0 3 2 2
E(X) 2 E(X)
3 3 3 3
c) Mediana (Md)
Md
Md 1 0 Md 1 Md 1 x2 1
f ( x )dx 0dx 0 2xdx 2 0 xdx 2
2 2 2 2 0 2
Md2 0 2 1 1 1 1
2 Md2 Md , por coerência Md 0,707
2 2 2 2 2 2
66
3.6. Medidas de dispersão de uma Variável Aleatória
3.6.1. Variância
É a medida que quantifica a dispersão dos valores em torna da média.
A variância de uma v.a. é definida por:
V ( X ) x2 E[ X E ( X )]2 E[ X x ]2
V(X) E[X E(X)]2 E X 2 2XE(X) [E(X)]2
E(X 2 ) 2E(X)E(X) [E(X)]2
E(X 2 ) 2[E(X)]2 [E(X)]2
V(X) E(X 2 ) EX
2
em que:
n
# para X uma v.a.d. E(X 2 ) x i2 P( x i )
i 1
# para X uma v.a.c. E(X 2 ) x 2 f ( x )dx
e) Mediana (Md)
Md
Md 1 1 Md 1 1 1 x2 1 1 Md2 12 1
f ( x )dx
2
0dx 1 4
xdx
2
4 2 1 2
4 2
2 2
Md 5
3
1 3 1 1 1 1 x4 1 34 14
E(X ) x f ( x )dx x 0dx 1
2 2 2
x xdx 3 x 2 0dx 0 x 3 dx 5
2
4 4 4 4 1 4 4 4
2
13
V(X) E(X ) EX
169 11
5 5 V(X) 0,3056
2 2
6 36 36
g) Desvio padrão de X
Desvio padrão da variável X é a raiz quadrada positiva da variância de X.
11
x V( X) 0,5528 x 0,5528
36
68
3.7. Variáveis aleatórias bidimensionais
3.7.1. Introdução
*
Xs
X
s*
Y *
Ys
3.7.2. Definição
S
Para que Pxi , y j seja uma função de probabilidade conjunta é necessário que satisfaça as seguintes
condições:
a) Pxi , y j 0 , para todo valor xi , y j .
Px , y 1
r s
b) i j
i 1 j 1
69
Distribuição de probabilidade conjunta é o conjunto de pares:
Px , y
s
Para X: P X xi Pxi i j
j 1
Com as probabilidades marginais para cada valor, podemos construir a distribuição marginal para
a variável aleatória.
Para X:
xi x1 x2 ... xr
P xi Px1 Px2 ... Pxr 1,00
Para Y:
yi y1 y2 ... ys
Py j P y1 P y 2 ... P y s 1,00
A probabilidade
P X x i , Y y j
P Y y j / X xi
P X xi
É denominada probabilidade condicional de Y y j , dado que X xi .
70
Assim, para xi fixado, os pares y j , PY y j / X xi definem a distribuição condicional de Y,
dado que X xi .
yi y1 y2 ... ys
PY y j / X xi PY y1 / X xi PY y2 / X xi ... PY y s / X xi 1,00
xi x1 X2 ... xr
PX xi / Y y j PX x1 / Y y j PX x2 / Y y j ... PX xr / Y y j 1,00
(X,Y) será uma v.a. contínua bidimensional se os valores possíveis de X e Y puderem assumir
todos os valores em algum conjunto não enumerável.
Seja (X,Y) uma v.a.c. bidimensional. Dizemos que f(x,y) é uma função densidade de
probabilidade conjunta de X e Y, se satisfizer às seguintes condições:
g(x )
f(x, y )
dy e h(y )
f(x, y )dx , respectivamente.
Temos ainda que:
b d
Pa X b dx e Pc Y d h(y )
g(x )
dy
a c
71
iii) Distribuições condicionais
Sejam X e Y v.a.c. com f.d.p. conjunta f(x, y )e f.d.p. marginais dadas por g(x )e h(y )
.
A f.d.p. condicional de X, dado que Y y é definida por:
f(x, y )
f(x / y )
, h(y )
0
h(y )
Analogamente, a f.d.p. condicional de Y, dado que X x é definida por:
f(x, y )
f(y / x )
, g(x )0
g(x )
As f.d.p. condicionais acima, satisfazem a todas as condições impostas para uma f.d.p.
unidimensional.
a) f(y / x )
0
f(x, y ) 1 h(y )
b)
f(x / y )
dx
(
h y )
dx
(
h y )
f(x, y )
dx
h(y )
1
Definição 1 - Seja (X,Y) v.a.d. bidimensional. Dizemos que X e Y são independentes se, e somente se,
para todo par de valores xi , y j de X e Y, tem-se:
PX xi , Y y j P X xi .PY y j
Basta que esta condição não se verifique para um par xi , y j para que X e Y não sejam
independentes. Neste caso diremos que X e Y são dependentes.
Definição 2 - Seja (X,Y) v.a.d. bidimensional. Neste caso X e Y serão independentes se, e somente se:
PX xi / Y y j P X xi , para todo i e j.
Ou equivalente se, e somente se:
PY y j / X xi PY y j , para todo i e j.
Definição 1 - Seja (X,Y) v.a.c. bidimensional. Dizemos que X e Y são independentes se, e somente se,
tem-se:
f(x, y ) g(x )
h(y )
, para todo x e todo y.
Definição 2 - Seja (X,Y) v.a.c. bidimensional. Neste caso X e Y serão independentes se, e somente se:
f x / y g(x )
. Nesse caso, é evidente que f y / x h(y )
.
72
3.9. Covariância
Seja X e Y duas variáveis aleatórias. A covariância denotada por Cov X , Y é definida por
n n
Onde: EXY x i y j P x i , y j , para (X, Y) v.a. discretas.
i 1 j1
EXY xyf (x, y)dxdy , para (X, Y) v.a. contínuas.
Obs.: para que haja covariância é necessário que existam pelo menos duas variáveis aleatórias. A
covariância nos dá uma idéia da relação de dependência entre duas variáveis.
Proposição:
P1) CovX, Y CovY, X
P2) Se V(X) = 0 ou V(Y) = 0, então CovX, Y 0
P3) CovaX, Y aCovX, Y , sendo a uma constante.
P4) CovaX, bY abCovX, Y , sendo a e b constantes.
P5) CovX Z, Y CovX, Y CovZ, Y
P6) Se X e Y são duas variáveis quaisquer, então:
VX Y VX VY 2CovX, Y
VX Y VX VY 2CovX, Y
c) Calcule a variância de X e de Y.
2
EX x P(x ) 1x0,5 3x0,5
i 1
i i EX 2
x
2
E X2 2
(xi
i P )
12 x0,5 32 x0,5 E X 2 5
i 1
E(X )
x2 E(X ) 2 5 (2 )
2 2
x2 1,0 (Variância de X)
3
E Y y P(y
j 1
j j 3x0,4 2 x0,3 4 x0,3 E Y 0,6
)
y
3
E Y2 2
jP(y j )
(3 )
2
x0,4 2 2 x0,3 4 2 x0,3 E Y 2 9,6
j 1
E(Y )
y2 E(Y 2 ) 2 9,6 (0,6 )
2
y2 9,24 (Variância de Y)
x y Px , y 1x(3 )x0,1 1x2 x0,2 1x4 x0,2 3x(3 )x0,3 3x2 x0,1 3x4 x0,1 0,0
2 3
E(XY )
i j i j
i 1 j 1
Cov(X , Y )
E(XY )
E(X )
E(Y )
0,0 2 x0,6 Cov(X , Y )
1,2
Cov(X , Y ) 1,2
xy xy 0,3948
x y
2 2 1,0 x9,24
74
3.11. Exercícios: Variáveis aleatórias
1. Seja E: ―Lançamento de um dado não viciado‖, e seja a variável aleatória X = número de pontos
obtidos. Pede-se:
a) determine o espaço amostral.
b) X é uma variável aleatória contínua ou discreta? Por quê?
c) determine a distribuição de probabilidade da V. A. X (tabela e gráfico).
4. Numa sala temos 5 rapazes e 4 moças. São retiradas aleatoriamente, 3 pessoas. Faça X a variável
aleatória número de rapazes.
a) Determine a distribuição de probabilidade da variável X, construa uma tabela.
b) Construa o gráfico da distribuição de probabilidade.
c) Calcule as probabilidades:
c.1) P X 2 c.2) P X 0 c.3) P1 X 2 c.4) P2 X 3
c.5) P X 2 c.6) P X 0 c.7) P X 1 c.8) P X 5
xi -4 -2 0 2 4 6
P(xi) 1/9 2/9 1/9 3/9 1/9 1/9
a) esta é realmente uma distribuição de probabilidade.
b) traçar o gráfico da distribuição de probabilidade.
0, para X 0
1
8. Seja X uma v.a.c. dada por: f ( X ) X , para 0 X 2
2
0, para X 2.
Pede-se:
a) traçar o gráfico da f.d.p.
b) P( X 1) c) P( X 1) d) P( X 3)
11. Uma urna contém 5 bolas brancas e 7 bolas pretas. Três bolas são retiradas simultaneamente dessa
urna. Ganha-se R$ 200,00 por bola branca retirada e perde-se R$ 100,00 por bola preta retirada, qual seria
o lucro esperado? (Obs. Faça a V.A. X o lucro esperado por rodada).
76
14. Seja X uma v.a.c. dada por:
3 X , para 0 X 1
2
f (X )
0, para outros valores de X .
Determine:
a) E(X); b) V(X); c) V(3 + X); d) V(5X);
e) Y = 2X – 9, determine a E(Y) e V(Y).
15. Se X e Y são duas V. A. tal que, E(X2) = 6, E(Y) = 2, E(X) = 2, E(Y2) = 12, E(X.Y) = 5.
Calcule:
a) V(X) e desvio-padrão de X.
b) V(Y) e desvio-padrão de Y.
c) Covariância entre X e Y.
d) V(X + Y)
e) V(X – Y)
f) Correlação entre X e Y.
Y
X -1 1 2
-2 0,1 0,1 0,0
0 0,1 0,2 0,3
3 0,1 0,1 0,0
77
19. Suponha que X e Y tenham a seguinte distribuição conjunta:
Y
X 1 2 4 5
2 0,2 0,1 0,1 0,2
3 0,1 0,1 0,1 0,1
20. Seja (X,Y) uma variável aleatória bidimensional discreta, com a função de probabilidade.
2 xi y j
para xi 0,1,2 e y j 0,1,2,3
P xi , y j 42
0 Caso contrário
Pede-se:
a) Tabela da distribuição de probabilidade conjunta.
b) Tabela de distribuição marginal de X e também de Y.
c) E(X-2Y+4)
78
Respostas
2. a) S 2,3,4,5,6,7,8,9,10,11,12
b) Y 2 3 4 5 6 7 8 9 10 11 12
P(Y) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36
c) S 1,2,3,4,5,6
d) Z 1 2 3 4 5 6
P(Z) 1/36 3/36 5/36 7/36 9/36 11/36
4. a) X 0 1 2 3 b)
P(X) 4/84 30/84 40/84 10/84
c.1) 74/84 c.2) 4/84 c.3) 40/84 c.4) 0
c.5) 10/84 c.6) 80/84 c.7) 1,0 c.8)1,0
7.
8. b) 3/4 c) 1/4 d) 0
9. b) 5/16 c) 11/16 d) 0
15. a) 2 e 2 b) 8 e 8 c) 1 d) 12 e) 8 f) 1
4
16.
80
Cap.4. Distribuições de probabilidade de variáveis aleatórias e intervalo de confiança
Algumas variáveis aleatórias adaptam-se muito bem a uma série de problemas práticos e
aparecem com bastante frequência. Portanto, um estudo das mesmas facilita bastante a construção dos
correspondentes modelos de probabilidade, bem como a determinação dos seus principais parâmetros.
Assim, para um dado problema, tentamos verificar se ele satisfaz às condições de algum modelo
conhecido, pois isso facilitaria muito o nosso trabalho.
As distribuições teóricas mais importantes são fáceis de manejar, são bem conhecidas e têm
demonstrado ser de grande utilidade em diferentes situações.
Aplicações:
Botânicos: aplicação da distribuição Binomial na predição do resultado do enxerto de diferentes
variedades de plantas.
Especialistas em controle de qualidade: utilizam a distribuição de Poisson como base para decidir
se um determinado processo de produção esta operando corretamente.
Antropologistas: utilizam a distribuição normal ao com parar diferentes populações.
Pesquisadores de mercado: utilizam a distribuição do Qui quadrado para determinar se há
diferença significativa entre as reações do público consumidor em relação a modificações de um
determinado produto.
Agrônomos: usam a distribuição F para determinar se diferentes técnicas de cultivo têm efeito
significativo sobre a safra.
Economistas: empregam a distribuição t para decidir se variações de preço têm influência
significativa na procura de determinado artigo.
81
4.1. Distribuições de variável aleatória discreta
i) Função de probabilidade:
Função de probabilidade X ~ B (N, p) é dada por:
N!
P(X x ) C xN p x q Nx p x q Nx , N > 0; 0 < p < 1; p + q = 1
x!( N x )!
P( X x) CNx p x q N x
N
Fato: p q C xN p x q N x 1,0
2
x 0
82
Exemplos:
1. Se 20% dos bezerros que nascem em determinada fazenda possuem um dado problema genético,
determine a probabilidade de, entre 4 bezerros nascidos, ocorrer:
a) dois com este problema genético;
b) três sem este problema;
c) no máximo 2 com esse problema.
Distribuição de probabilidade de X.
xi 0 1 2 3 4 Total
P(X x i ) 0
Cpq
4
0 4 1 1 3
C pq
4
2
Cpq
4
2 2
Cpq 3
4
3 1 4
Cpq
4
4 0 1,0
0,4096 0,4096 0,1536 0,0256 0,0016
2. Entre 2.000 famílias com 4 crianças cada uma, quantas se esperaria que tivessem:
a) exatamente dois filhos do sexo masculino;
b) pelo menos um filho do sexo masculino.
Distribuição de probabilidade de Y.
yi 0 1 2 3 4 Total
P(Y yi ) 0
Cpq
4
0 4 1 1 3
C pq
4
2
Cpq
4
2 2
Cpq 3
4
3 1 4
Cpq
4
4 0
83
4.1.2. Distribuição de Poisson
i) Função de probabilidade:
em m x
P( X x ) , em que:
x!
X = v.a.d. e x = no de sucessos
e = base dos logaritmos neperianos (e = 2,718)
m = média da distribuição, média esta sempre positiva.
84
Exemplos:
Distribuição de probabilidade de X.
xi 0 1 2 3 4 ...
P(X x i ) 1 0
e 1 1 1
e 1 1 2
e 1 1 3
e 1 1 4
e 1 ...
0! 1! 2! 3! 4!
0,3679 0,3679 0,1839 0,0613 0,0153 ...
4. Numa fazenda morrem em média 1% dos animais por ano. Considere um rebanho de 300 animais.
Seja a v.a. X nº de animais que morrem por ano.
Distribuição de probabilidade de X.
xi 0 1 2 3 4 ...
P(X x i ) 3
e 3 0 3 1
e 3 e 33 2 3
e 3 3 3
e 3 4 ...
0! 1! 2! 3! 4!
0,0498 0,1494 0,2240 0,2240 0,1680 ...
85
4.2. Distribuição de Variável Aleatória Contínua
Seja X uma v.a.c.. dizemos que X tem distribuição normal se possuir a seguinte f.d.p.:
1 ( x )2
1 2 x2
f (x) e , para - < < , - < x < e x > 0.
x 2
Notação: X ~ N , 2 : X tem distribuição normal com média e variância 2 .
i) Representação gráfica:
X
Conclusão: Se X ~ N(, 2), e Z , então Z ~ N(0, 1), para quaisquer valores de e 2. Portanto,
é possível tabelar as probabilidades, P(X x) = P(Z z), em função dos valores de Z.
1
1 z2
A f.d.p. da variável Z é dada por: (z) e 2
, para z
2
0 Z0
1
dz é a área hachurada sob a curva normal z .
z2
P0 Z z0
z0 1 z0
0
( z )dz
2
0
e 2
Exemplos
5. Calcule:
a) P0 Z 1,82 0,4656
b) PZ 1,82 0,5000 0,4656 0,9656
c) PZ 2,03 0,5000 PZ 2,03 0,5000 0,4788 0,0212
d) P 2,55 Z 1,20 P0 Z 1,20 P0 Z 2,55 0,3849 0,4946 0,8795
e) PZ 1,93 0,5000 P0 Z 1,93 0,5000 0,4732 0,0268
87
6. Se X ~ N 100, 25 , calcule:
x110 100
a) PX 110 z110 2,0
5
PX 110 PZ 2,0 0,5000 0,4772 0,0228
7. Um rebanho com 800 bois prontos para o abate, apresenta peso médio de 16 arrobas (@) e variância de
1,96 @2. Considerando que a variável aleatória peso dos animais apresenta distribuição normal, calcule:
a) a probabilidade de um animal pesar menos que 14 @.
x
14 16
PX 14 z14 1,43
1,4
PX 14 PZ 1,43 0,5000 0,4236 0,0764
b) a probabilidade de um animal pesar mais que 19 @.
x19 16
PX 19 z19 2,14
1,4
PX 19 PZ 2,14 0,5000 0,4838 0,0162
88
4.3. Intervalo de confiança (IC)
Trata-se de uma técnica para se fazer inferência estatística. Ou seja, a partir de um intervalo de
confiança, construído com os elementos amostrais, pode-se inferir sobre um parâmetro populacional.
O intervalo de confiança (IC) fornece um intervalo de valores, baseado na estatística amostral,
dentro do qual se espera estar contido o parâmetro da população, com uma conhecida probabilidade
(margem de erro).
Por exemplo, retira-se uma amostra de 1.000 brasileiros e calcula-se a média de suas alturas e
encontra-se 170 cm. Logo, uma estimativa pontual da verdadeira altura média µ é dado por X 170 cm .
Já através do intervalo de confiança poder-se-ia encontrar um intervalo, por exemplo, entre 165 e 175 cm
que, em 95% das vezes incluiria µ (a verdadeira altura média dos brasileiros). Ou seja, poder-se-ia dizer
que tem 95% de probabilidade da média real da população brasileira estar entre 165 e 175 cm.
4.3.1. Intervalo de confiança para uma média populacional (µ) quando a variância ( 2 ) é
conhecida.
𝑋− 𝜇
Para populações infinitas, a variável padronizada de 𝑋 será: 𝑍 = .
𝜎2
𝑛
𝑋 −𝜇
Substituindo-se o valor de Z, então teremos 𝑃 −𝑍𝛼 ≤ ≤ 𝑍𝛼 = 1 − 𝛼.
2 𝜎2 2
𝑛
Resolvendo-se as duas inequações para 𝝁, têm-se o intervalo de confiança para a média populacional 𝝁 ,
quando a variância populacional é conhecida:
𝜎2 𝜎2
𝑃 𝑋 − 𝑍𝛼 ≤ 𝜇 ≤ 𝑋 + 𝑍𝛼 = 1−𝛼
2 𝑛 2 𝑛
Exemplo 1. O laticínio ‗vaca preta do leite branco‘ empacota leite com variância de 15.000 ml2. Uma
amostra de 200 unidades de pacotes de leite produzidos pelo laticínio teve valor médio de 1.007 ml.
Deseja-se construir um intervalo de confiança para o verdadeiro valor médio do peso dos pacotes com
90% de confiança.
Exemplo 2. Uma fábrica produz peças cujo diâmetro apresenta variância de 5,40 cm2. Numa amostra de
sete peças obtiveram-se as seguintes medidas: 10, 11, 11, 13, 15, 15, 16. Construa um intervalo para a
média com 95% de probabilidade.
89
4.3.2. Intervalo de confiança para proporção.
Sabe-se que (considerando-se que X tem distribuição binomial com parâmetros N e p):
𝑋 𝐸 𝑋 𝑛𝑝
𝐸 𝑓 =𝐸 𝑛
= 𝑛
= 𝑛
=𝑝
𝑋 𝑉 𝑋 𝑛.𝑝.𝑞 𝑝.𝑞
𝑉 𝑓 =𝑉 𝑛
= 𝑛2
= 𝑛2
= 𝑛
𝑓− 𝑝
𝑍= 𝑝 .𝑞
𝑛
Substituindo-se o valor de Z,
𝑓−𝑝
𝑃 −𝑍𝛼 ≤ 𝑝 .𝑞
≤ 𝑍𝛼 =1−𝛼
2 2
𝑛
𝑝. 𝑞 𝑝. 𝑞
𝑃 𝑓 − 𝑍𝛼 . ≤ 𝑝 ≤ 𝑓 + 𝑍𝛼 . =1−𝛼
2 𝑛 2 𝑛
Para amostras grandes (n > 50) pode-se substituir o p da raiz por f. Assim o IC para proporção será:
𝑓. (1 − 𝑓) 𝑓. (1 − 𝑓)
𝑃 𝑓 − 𝑍𝛼 . ≤ 𝑝 ≤ 𝑓 + 𝑍𝛼 . =1−𝛼
2 𝑛 2 𝑛
Exemplo 1. Numa amostra de 200 itens, escolhidos ao acaso, das peças fabricadas por uma firma revelou
que 14 itens estavam fora de especificação. Construa um intervalo de confiança para a proporção referida
com 92% de confiança.
Exemplo 2. Numa pesquisa eleitoral foram entrevistados 1.000 eleitores, desses 350 disseram que irão
votar em Maria Jurema. Qual o IC para a intenção de votos em Maria Jurema com 95% de probabilidade.
Exemplo 3. Numa pesquisa eleitoral foram entrevistados 2.000 eleitores, desses 700 disseram que irão
votar em Maria Jurema. Qual o IC para a intenção de votos em Maria Jurema com 95% de probabilidade.
90
4.4. Exercícios: Distribuições de Varáveis Aleatórias e intervalo de confiança
Distribuição Binomial
2. Sabe-se que 24% dos indivíduos que recebem o medicamento X sofrem certos efeitos colaterais. Se o
medicamento X for ministrado a 4 pacientes, qual a probabilidade de que:
a) nenhum sofra efeitos colaterais,
b) pelo menos um sofra efeitos colaterais, e
c) três não sofram feitos colaterais.
5. Numa prova de múltipla escolha, com 10 questões, cada uma com cinco alternativas e somente uma
correta, pede-se:
a) quantas questões acerta em média um aluno que marca todas as questões inteiramente ao acaso?
b) qual a probabilidade dele acertar 5 questões?
6. Num teste do tipo certo-errado, com 100 questões, qual a probabilidade de um aluno, respondendo as
questões ao acaso, acertar 70% das questões?
7. Se X ~ B(16;0,75) determine:
a) a média de X;
b) a variância de X; e
c) se Z ( X 12) / 3 , calcule E(Z) e V(Z).
8. Um determinado artigo é vendido em caixas a 8 u.m. por caixa. Sabe-se que 20% dos artigos vendidos
apresentam algum defeito de fabricação. Um comprador faz a seguinte proposta: pede para poder
amostrar, ao acaso, 10 artigos por caixa. Ele pagará, por caixa, 10 u.m. se nenhum dos artigos amostrados
for defeituoso; 5 u.m. se 1 ou 2 artigos amostrados forem defeituosos e 4 u.m. se 3 ou mais artigos da
amostra forem defeituosos.
O que é mais lucrativo para o vendedor, manter o seu preço de 8 u.m. por caixa ou aceitar a
proposta do comprador? Mostre porquê. (Sugestão: considere a variável aleatória X = número de artigos
defeituosos, com distribuição binomial, utilize também a variável Y = valor pago por caixa).
91
9. O nanismo, anomalia genética autossômica recessiva (nn), é indesejável na bovinocultura. Uma vaca
heterozigota (Nn), será cruzada com um touro normal e heterozigoto (Nn). Sabe-se que um indivíduo
descendente deste cruzamento tem ¾ de probabilidade de ser normal e ¼ de ser nanico. Considerando que
deste cruzamento serão gerados 5 descendentes. Determine as seguintes probabilidades:
a) dos 5 bezerros serem normais;
b) de exatamente 4 bezerros serem nanicos;
c) de todos os bezerros serem nanicos; e
d) ao menos 4 bezerros serem normais.
Distribuição de Poisson
10. Um processo de produção de fitas magnéticas produz, em média, fitas com 1 defeito a cada 200m de
rolo. Qual a probabilidade de que:
a) em 500m de fita não ocorra nenhum defeito?
b) em 800m de fita ocorram pelo menos 3 defeitos?
11. A experiência mostra de que cada 400 lâmpadas, 2 se queimam ao serem ligadas. Qual a
probabilidade de que numa instalação de:
a) 600 lâmpadas, no mínimo 3 se queimem?
b) 900 lâmpadas, exatamente 8 se queimem?
12. Na pintura de parede aparecem defeitos na proporção média de um defeito por metro quadrado. Qual
a probabilidade de aparecerem 3 defeitos numa parede de 2 x 2m?
13. Numa central telefônica são atendidas 300 chamadas por hora. Qual a probabilidade de:
a) serem atendidas 2 chamadas num período de 2 minutos?
b) em t minutos, não ocorrerem chamadas telefônicas?
14. Estima-se em 1% a proporção de canhotos numa população. Qual a probabilidade de termos pelo
menos um canhoto numa classe de 30 alunos?
15. Estima-se em 3% a proporção de animais que morrem numa fazenda no período de um ano. Numa
propriedade com 200 animais, qual a probabilidade de morrerem 2 no próximo ano?
16. Seja X o número de animais não imunizados numa vacinação contra febre aftosa, onde a
probabilidade de não imunização é 0,001. De 5.000 animais vacinados, qual a probabilidade de não
ficarem imunes:
a) um animal; e
b) pelo menos um animal.
17. Na fabricação de peças de determinado tecido aparecem defeitos ao acaso, um a cada 250m.
a) Qual a probabilidade de que não haja defeitos na produção de 1000m de tecido?
b) Se a produção diária é de 625m, num período de 80 dias de trabalho, em quantos desses dias
poderemos esperar uma produção diária na qual não haja defeitos?
92
Distribuição Normal
19. X é uma v.a.c. tal que X ~ N (12,25) . Qual a probabilidade de uma observação ao acaso ser menor
que -2,5?
20. As notas de uma prova são normalmente distribuídas com média 73 e variância 225. Os 15%
melhores alunos recebem o conceito A e os 11,9% piores alunos recebem o conceito R. Pede-se:
a) nota mínima para receber A?
b) nota mínima para ser aprovado?
c) P( X 55,3)
21. A observação dos pesos X, de um grande número de espigas de milho, mostrou que essa variável é
normalmente distribuída com média 120g e desvio padrão 10g. Num programa de melhoramento genético
da cultura do milho, entre outras características, uma linhagem deve satisfazer à condição 112 < X < 140.
Num programa envolvendo 450 linhagens, qual deve ser o número provável de linhagens que atende à
essa condição?
22. Sabe-se que o peso médio, em arrobas, de abate de bovinos é normalmente distribuído com média 18
e variância 2,25. Um lote de 5000 cabeças, com essa característica, foi destinada a um frigorífico que
abate só a partir de um peso mínimo W. Sabendo-se que foram abatidos 4200 animais, pede-se:
a) qual o valor de W?
b) o número esperado de bovinos com peso entre 17 e 19 arrobas?
23. Um pesquisador decidiu que, para facilitar a classificação das aves em um experimento de nutrição,
deve-se dividir as poedeiras, no inicio da postura, em três grupos de peso equiprováveis, a saber:
poedeiras pesadas, poedeiras médias e poedeiras leves. Encontre os pesos correspondentes a cada classe,
sabendo-se que o peso médio das aves nessa idade é 1,5 kg, com desvio padrão de 0,170 kg (supor
distribuição normal).
24. Em uma distribuição normal 28% dos elementos são superiores a 34 e 12% dos elementos são
inferiores a 19. Encontrar a média e a variância da distribuição.
25. Suponha que X a carga de ruptura de um cabo (kg), tenha distribuição N(100, 16). Cada rolo de 100m
de cabo dá um lucro de 25 u.m., desde que X > 95. Se X 95 , o cabo poderá ser utilizado para uma
finalidade diferente, a um lucro de 10 u.m. por rolo. Determine o lucro esperado por rolo.
93
Intervalo de Confiança
26. Numa amostra de 10 motores de carro de determinado modelo esses duraram 150.000 km. A variância
da duração dos motores desse modelo informados pela fabricante é de 160.000.000 km2. Construa um
intervalo de confiança para a durabilidade dos motores desse modelo com 90% de confiança.
27. O tempo para transmitir 10 MB em determinada rede de computadores varia segundo um modelo
normal, com média 7,4 seg e variância 1,3 seg². Depois de algumas mudanças na rede acredita-se numa
redução no tempo de transmissão de dados, porém não deverá ocorrer alteração na variabilidade. Foram
realizados oito ensaios independentes com um arquivo de 10 MB e foram anotados os tempos de
transmissão, em segundos: 6,8 7,1 5,9 7,5 6,3 6,9 7,2 7,6. Construa um intervalo de confiança para o
tempo de transmissão de dados considerando α = 0,01.
28. Suponha que X represente a duração da vida de uma peça de equipamento. Admita-se que 100 peças
sejam ensaiadas, fornecendo uma duração de vida média de 30 horas. Suponha-se que a variância seja
conhecido e igual a 81 horas, e que se deseje obter um intervalo de confiança de 95 por cento para a
média.
29. Na indústria cerâmica, avalia-se sistematicamente a resistência de amostras de massas cerâmicas, após
o processo de queima. Dessas avaliações, sabe-se que certo tipo de massa tem resistência mecânica
aproximadamente normal, com média 53 MPa e variância 90 MPa². Após a troca de alguns fornecedores
de matérias-primas, deseja-se verificar se houve alteração na qualidade. Uma amostra de 15 corpos de
prova de massa cerâmica acusou média igual a 50 MPa. Construa um IC para essa nova média
considerando uma confiança de 98%.
30. Examinadas 500 peças de uma produção, encontrou-se 260 defeituosas. Construir um intervalo de
confiança a 90% para a verdadeira proporção de peças defeituosas.
31. Um teste realizado com 280 pessoas consistia em ―adivinhar‖ em qual das mãos (ambas fechadas) do
pesquisador estava uma moeda. Em 44% das tentativas a identificação foi correta da mão selecionada.
Construir um intervalo de confiança a 94% para a verdadeira proporção de acertos.
32. Um pesquisador avaliou uma amostra de 3.200 recém-nascidos vivos e verificou que 870
apresentavam icterícia. Construa um intervalo de confiança para a proporção observada pelo pesquisador.
Considere 𝛼 = 0,06.
33. Foram encontrados 68 mosquito no lago azul da espécie Aedes detritus numa amostra de 80. Construa
um intervalo de confiança para a proporção observada pelo pesquisador. Considere 𝛼 = 0,08.
94
Exercícios complementares
34. Quantas vezes se deverão jogar um dado para que se tenha a probabilidade igual a 0,5 de ocorrer à
face 3, pelo menos uma vez?
35. Em bovinos o fenótipo mocho é devido a um alelo dominante (MM e Mm), o alelo recessivo confere
o fenótipo chifrudo (mm). Um touro mocho foi cruzado com 10 vacas sabidamente heterozigotas (Mm) e
todos os descendentes foram mochos. Qual a probabilidade do touro ser homozigoto?
38. O peso médio de um cigarro é a soma dos pesos do papel e do fumo, e vale em média 1,200g com
0,060 g . O peso médio do papel é 0,040g com 0,020 g . Os cigarros são feitos em uma máquina
automática que pesa o fumo a ser colocado no cigarro, coloca o papel e enrola o cigarro. (Obs. Cigarro e
papel são independentes).
a) Determine o peso médio do fumo em cada cigarro e o desvio padrão.
b) Qual a probabilidade de que um cigarro tenha menos de 1,130g de fumo?
39. Numa indústria a montagem de um certo item é feita em duas etapas. Os tempos necessários para cada
etapa são independentes e têm as seguintes distribuições:
X 1 ~ N (75s,21s 2 ), tempo da 1ª etapa // X 2 ~ N (125s,100s 2 ), tempo da 2ª etapa.
Qual a probabilidade de que sejam necessários, para montar a peça:
a) mais de 210seg?
b) menos de 180seg?
95
Respostas
7. a) 12 b) 3 c) E(Z) = 0 e V(Z) = 1
8. E(Y) = 5,2148 u.m., portanto é melhor manter o preço de 8 u.m.
9. a) 0,2373 b) 0,0146 c) 0,0010 d) 0,6328
10. a) 0,0821 b) 0,7619
11. a) 0,5768 b) 0,0463
12. 0,1954
13. a) 0,0023 b) e-5t
14. 0,2592
15. 0,0446
16. a) 0,0337 b) 99,33%
17. a) 0,0183 b) 6,567
18. a) 0,9554 b) 0,0516 c) 0,8461 d) 0,8185 e) 0,1533 f) 0,0268
19. 0,0019
20. a) 88,6 b) 55,3 c) 0,8810
21. 345
22. a) 16,5075 b) 2.475
23. Leves < 1,427 // Médias 1,427 < X < 1,573 // Pesadas > 1,573
24. 29,014 e 72,637
2
34. 4 vezes
35. 94,37%
36. 16
37. 3,86
38. a) 1,160g e 0,0566g b) 0,3175
39. a) 0,1816 b) 0,0345
96
Cap. 5 - Bibliografia Consultada
BUSSAB, W. O.; MORETTIN, P. A.. Estatística Básica: Métodos Quantitativos. Atual, São Paulo, SP,
4ª ed., 1987, 321 p.
FERREIRA, R. S. Matemática aplicada às ciências agrárias. Ed. UFV, Viçosa, 1999. 333 p.
FONSECA, J. S. e MARTINS, G. A. Curso de estatística. Atlas, São Paulo, 6a ed., 1996. 320 p.
GOMES, F. P. Curso de Estatística Experimental. Nobel, São Paulo, SP, 11a ed., 1985. 466 p.
LEVINE, D. M.; BERENSON, M. L.; STEPHAN, D. (Tradução: SOUZA, T. C. P.). Estatística: Teoria
e Aplicações. Usando Microsoft Excel em português. LTC, 1ª ed., 2000, 811 p.
MEYER, P. L.. Probabilidade: Aplicações à Estatística. LTC, Rio de Janeiro, RJ, 2ª ed., 1983. 425 p.
RIBEIRO Jr., J. I. Análises Estatísticas no SAEG. Viçosa, MG: UFV, 2001. 301p.
TOLEDO, G. L.; OVALLE, I. I.. Estatística Básica. Atlas, São Paulo, SP, 2ª ed., 1995. 457 p.
FARIAS, A. A.; SOARES, J.; CÉSAR, C. C. Introdução a Estatística. LTC, 2ª ed., 2003. 340 p
97
Tabela 1 – Áreas de uma distribuição normal padrão. Cada casa na tabela dá a proporção sob a curva
inteira entre Z 0 e um valor positivo z 0 . As áreas para os valores de Z negativos são
obtidos por simetria.
z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,0000 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359
0,1 0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0753
0,2 0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141
0,3 0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406 0,1443 0,1480 0,1517
0,4 0,1554 0,1591 0,1628 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879
0,5 0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224
0,6 0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2517 0,2549
0,7 0,2580 0,2611 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 0,2852
0,8 0,2881 0,2910 0,2939 0,2967 0,2995 0,3023 0,3051 0,3078 0,3106 0,3133
0,9 0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315 0,3340 0,3365 0,3389
1,0 0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621
1,1 0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770 0,3790 0,3810 0,3830
1,2 0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997 0,4015
1,3 0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131 0,4147 0,4162 0,4177
1,4 0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279 0,4292 0,4306 0,4319
1,5 0,4332 0,4345 0,4357 0,4370 0,4382 0,4394 0,4406 0,4418 0,4429 0,4441
1,6 0,4452 0,4463 0,4474 0,4484 0,4495 0,4505 0,4515 0,4525 0,4535 0,4545
1,7 0,4554 0,4564 0,4573 0,4582 0,4591 0,4599 0,4608 0,4616 0,4625 0,4633
1,8 0,4641 0,4649 0,4656 0,4664 0,4671 0,4678 0,4686 0,4693 0,4699 0,4706
1,9 0,4713 0,4719 0,4726 0,4732 0,4738 0,4744 0,4750 0,4756 0,4761 0,4767
2,0 0,4772 0,4778 0,4783 0,4788 0,4793 0,4798 0,4803 0,4808 0,4812 0,4817
2,1 0,4821 0,4826 0,4830 0,4834 0,4838 0,4842 0,4846 0,4850 0,4854 0,4857
2,2 0,4861 0,4864 0,4868 0,4871 0,4875 0,4878 0,4881 0,4884 0,4887 0,4890
2,3 0,4893 0,4896 0,4898 0,4901 0,4904 0,4906 0,4909 0,4911 0,4913 0,4916
2,4 0,4918 0,4920 0,4922 0,4925 0,4927 0,4929 0,4931 0,4932 0,4934 0,4936
2,5 0,4938 0,4940 0,4941 0,4943 0,4945 0,4946 0,4948 0,4949 0,4951 0,4952
2,6 0,4953 0,4955 0,4956 0,4957 0,4959 0,4960 0,4961 0,4962 0,4963 0,4964
2,7 0,4965 0,4966 0,4967 0,4968 0,4969 0,4970 0,4971 0,4972 0,4973 0,4974
2,8 0,4974 0,4975 0,4976 0,4977 0,4977 0,4978 0,4979 0,4979 0,4980 0,4981
2,9 0,4981 0,4982 0,4982 0,4983 0,4984 0,4984 0,4985 0,4985 0,4986 0,4986
3,0 0,4987 0,4987 0,4987 0,4988 0,4988 0,4989 0,4989 0,4989 0,4990 0,4990
Esta tabela foi adaptada do livro Curso de Estatística. Fonseca, J. S.; Martins, G. A.
(6ª edição, 1996). Ed. Atlas.
98