Qdoc - Tips Estatistica I 2014 A

ESTATÍSTICA I - UNIVERSIDADE CANDIDO MENDES – N.
FRIBURGO
Prof. Inaba
CONTEÚDO
1. CONCEITOS BÁSICOS ............................................................................................................................................................... 3

INTRODUÇÃO .............................................................................................................................................................................. 3
MÉTODO ESTATÍSTICO ........................................................................................................................................................... 3
A ESTATÍSTICA ........................................................................................................................................................................... 3
ETAPAS DA PESQUISA: FASES DO MÉTODO ESTATÍSTICO
ESTATÍSTICO ............................................................
................................... .............................................
........................
.... 3
DEFINIÇÕES BÁSICAS
BÁSICAS DA ESTATÍSTICA
ESTATÍSTICA ................................................
....................... ..................................................
...................................................
................................................
...................... 4
VARIÁVEL ..................................................................................................................................................................................... 5
EXERCÍCIO .................................................................................................................................................................................... 6
2. FORMAS DE ORGANIZAÇÃO
ORGANIZAÇÃO E APRESENTAÇÃO DE DADOS.............................................
......................... .............................................
......................................
............. 7
SÉRIES ESTATÍSTICAS
ESTATÍSTICAS E GRÁFICOS ESTATÍSTICOS
ESTATÍSTICOS..................................................
......................... ...................................................
................................................
...................... 7
DISTRIBUIÇÃO
DISTRIBUIÇÃO DE FREQUÊNCIA
FREQUÊNCIA..........................................
...................... ..............................................
...................................................
...................................................
........................................
.............. 12
REPRESENTAÇÃO
REPRESENTAÇÃO GRÁFICA DE UMA DISTRIBUIÇÃO
DISTRIBUIÇÃO ................................................................
.......................................... ..............................................
............................
.... 15
Exercício ..................................................................................................................................................................................... 17
3. MEDIDAS DE TENDÊNC
TENDÊNCIA
IA CENTRAL ...................................................
.......................... ...................................................
...................................................
................................................
....................... 18
Introdução ................................................................................................................................................................................. 18
MÉDIA ARITMÉTICA ( x ) .................................................................................................................................................. 18
Moda ............................................................................................................................................................................................ 19
SEPARATRIZES ........................................................................................................................................................................ 19
Mediana ...................................................................................................................................................................................... 20
EXERCÍCIO ................................................................................................................................................................................. 22
4. MEDIDAS DE DISPERSÃO
DISPERSÃO E DE ASSIMETRIA
ASSIMETRIA ..........................................
...................... ..............................................
...................................................
.........................................
................ 23
Desvio Médio(DM) ................................................................................................................................................................. 23
VARIANÇA ................................................................................................................................................................................. 24
DESVIO PADRÃO ..................................................................................................................................................................... 24
COEFICIENTE DE VARIAÇÃO ............................................................................................................................................. 24
COEFICIENTE
COEFICIENTE DE ASSIMETRIA DE PEARSON
PEARSON ............................................
........................ .........................................
..............................................
...........................................
.................. 24
EXERCÍCIO ................................................................................................................................................................................. 25
5. PROBABILIDADE .................................................................................................................................................................... 26
INTRODUÇÃO ........................................................................................................................................................................... 26
CLASSIFICAÇÃO
CLASSIFICAÇÃO DE ALGUNS EVENTOS
EVENTOS.............................................
......................... .........................................
..............................................
..................................................
.............................
.... 26
ENFOQUES DA PROBABILIDAD
PROBABILIDADE
E...........................................
....................... ..............................................
...................................................
..................................................
.......................................
.............. 27
EXERCÍCIO ................................................................................................................................................................................. 31
PROBABILIDADE
PROBABILIDADE CONDICIONAL
CONDICIONAL E TEORMA DE BAYES ..............................................
......................... .........................................
.........................................
..................... 32
1
ESTATÍSTICA I - UNIVERSIDADE CANDIDO MENDES – N. FRIBURGO
Prof. Inaba
INDEPENDÊNCIA
INDEPENDÊNCIA ENTRE
ENTRE EVENTOS..............................................
.......................... ........................................
..............................................
..............................................
...................................
............... 33
EXERCÍCIO ................................................................................................................................................................................. 36
6. DISTRIBUIÇÃO DE PROBABILIDADES
PROBABILIDADES DE VARIÁVEIS ALEATÓRIAS
ALEATÓRIAS ...........................................
....................... ........................................
.................... 37
NOÇÃO DE VARIÁVEL
VARIÁVEL ALEATÓRIA................................................
....................... ..................................................
...................................................
...................................................
..............................
..... 37
7. DISTRIBUIÇÃO
DISTRIBUIÇÃO DE PROBABILIDADE
PROBABILIDADE DISCRETA......................
DISCRETA...........................................
..............................................
...................................................
...................................
......... 39
ESPERANÇA MATEMÁTICA OU MÉDIA......................................................................................................................... 39
VARIÂNCIA ................................................................................................................................................................................ 39
DESVIO PADRÃO ..................................................................................................................................................................... 39
EXERCÍCIO ................................................................................................................................................................................. 41
DISTRIBUIÇÃO BINOMIAL .................................................................................................................................................. 42
DISTRIBUIÇÃO DE POISSON .............................................................................................................................................. 45
EXERCÍCIO ................................................................................................................................................................................. 47
DISTRIBUIÇÃO GEOMÉTRICA ........................................................................................................................................... 49
DISTRIBUIÇÃO
DISTRIBUIÇÃO DE PASCAL (Distribuição binomial negativa) ..................................................................
........................................ ....................................
.......... 50
DISTRIBUIÇÃO
DISTRIBUIÇÃO HIPERGEOMÉTRICA
HIPERGEOMÉTRICA...........................................
....................... .........................................
.............................................
.............................................
......................................
................. 51
DISTRIBUIÇÃO MULTINOMIAL ........................................................................................................................................ 54
Exercício ..................................................................................................................................................................................... 56
8. DISTRIBUIÇÕES CONTÍNUAS ............................................................................................................................................ 57
DISTRIBUIÇÃO UNIFORME ................................................................................................................................................ 57
DISTRIBUIÇÃO NORMAL ..................................................................................................................................................... 59
EXERCÍCIO ................................................................................................................................................................................. 65
DIDTRIBUIÇÃO EXPONENCIAL ........................................................................................................................................ 66
EXERCÍCIO ................................................................................................................................................................................. 68
2
Prof. Inaba
1. CONCEITOS BÁSICOS
INTRODUÇÃO
ESTATÍSTICA: ramo da matemática aplicada.
ANTIGUIDADE: os povos já registravam o número de habitantes, nascimentos, óbitos. Faziam
"estatísticas".
IDADE MÉDIA: as informações eram tabuladas com finalidades tributárias e bélicas.
SEC. XVI: surgem as primeiras análises sistemáticas, as primeiras tabelas e os números relativos.
SEC. XVIII: a estatística com feição científica é batizada por GODOFREDO ACHENWALL
ACHENWALL.. As tabelas ficam
mais completas, surgem às primeiras representações gráficas e os cálculos de probabilidades. A
estatística deixa de ser uma simples tabulação de dados numéricos para se tornar "O estudo de como se
chegar à conclusão sobre uma população, partindo da observação de partes dessa população (amostra)".
(amostra)".
MÉTODO ESTATÍSTICO
MÉTODO: é um meio mais eficaz para atingir determinada meta.
MÉTODOS CIENTÍFICOS:
CIENTÍFICOS: destacamos o método experimental e o método estatístico.
MÉTODO EXPERIMENTAL: consistem em manter constante todas as causas, menos uma, que é a que
sofre variação para se observar seus efeitos, caso existam. E: Estudos da Química, Física, etc.
MÉTODO ESTATÍSTICO:
ESTATÍSTICO: diante da impossibilidade de manter as causas constantes (nas ciências sociais),
admitem todas essas causas presentes variando-as, registrando essas variações e procurando
determinar, no resultado final, que influências cabem a cada
c ada uma delas. Ex: Quais as causas que definem
o preço de uma mercadoria quando a sua oferta diminui?
Seria impossível, no momento da pesquisa, manter constantes a uniformidade dos salários, o gosto dos
consumidores,
consumidores, nível geral de preços de outros produtos, etc.
A ESTATÍSTICA
É uma parte da matemática aplicada que fornece métodos para coleta, organização, descrição, análise e
interpretação de dados e para a utilização dos mesmos na tomada de decisões.
A coleta, a organização, a descrição dos dados, o cálculo e a interpretação de coeficientes pertencem à

ESTATÍSTICA
ESTATÍSTICA DESCRITIVA, enquanto a análise e a interpretação dos dados, associado a uma margem de
incerteza, ficam a cargo da ESTATÍSTICA INDUTIVA ou INFERENCIAL,
INFERENCIAL, também chamada como a medida
da incerteza ou métodos que se fundamentam
fundamentam na teoria da probabilidade.
ETAPAS DA PESQUISA: FASES DO MÉTODO ESTATÍSTICO

1º - DEFINIÇÃO DO PROBLEMA: Saber exatamente aquilo que se pretende pesquisar é o mesmo que
definir corretamente o problema.
2º - PLANEJAMENTO: Como levantar informações? Que dados deverão ser obtidos? Qual levantamento
a ser utilizado? Censitário?
Censitário? Por amostragem? E o cronograma de atividades? Os custos envolvidos? etc.
3
Prof. Inaba
3º - COLETA DE DADOS: Fase operacional. É o registro sistemático de dados, com um objetivo

determinado.
Dados primários: quando são publicados pela própria pessoa ou organização que os haja recolhido. Ex:
tabelas do censo demográfico do IBGE.
Dados secundários: quando são publicados pro outra organização. Ex: quando determinado jornal
publica estatísticas referentes ao censo demográfico extraídas do IBGE.
OBS: É mais seguro trabalhar com fontes primárias. O uso da fonte secundária traz o grande risco de
erros de transcrição.
Coleta Direta: quando é obtida diretamente da fonte. Ex: Empresa que realiza uma pesquisa para saber
a preferência dos consumidores pela sua marca.
A coleta direta pode ser: contínua (registros de nascimento, óbitos, casamentos, etc.),
periódica (recenseamento demográfico, censo industrial) e ocasional (registro de casos de dengue).
Coleta Indireta: É feita por deduções a partir dos elementos conseguidos pela coleta direta, por
analogia, por avaliação, indícios ou proporcionalização.
4º - APURAÇÃO DOS DADOS: Resumo dos dados através de sua contagem e agrupamento. É a
condensação e tabulação de dados.
5º - APRESENTAÇÃO DOS DADOS: Há duas formas de apresentação, que não se excluem mutuamente. A
apresentação tabular , ou seja, é uma apresentação numérica dos dados em linhas e colunas
distribuídas de modo ordenado, segundo regras práticas fixadas pelo Conselho Nacional de Estatística.
A apresentação gráfica dos dados numéricos constitui uma apresentação geométrica permitindo uma
visão rápida e clara do fenômeno.
6º - ANÁLISE E INTERPRETAÇÃO DOS DADOS: A última fase do trabalho estatístico é a mais importante
e delicada. Está ligada essencialmente ao cálculo de medidas e coeficientes, cuja finalidade principal é
descrever o fenômeno (estatística descritiva). Na estatística indutiva a interpretação dos dados se
fundamenta na teoria da probabilidade.
DEFINIÇÕES BÁSICAS DA ESTATÍSTICA

FENÔMENO ESTATÍSTICO: é qualquer evento que se pretenda analisar, cujo estudo seja possível da
aplicação do método estatístico. São divididos em três grupos:
Fenômenos de massa ou coletivo: são aqueles que não podem ser definidos por uma simples
observação. A estatística dedica-se ao estudo desses fenômenos. Ex: A natalidade na Grande Vitória, O
preço médio da cerveja no Espírito Santo, etc.
Fenômenos individuais: são aqueles que irão compor os fenômenos de massa. Ex: cada nascimento na
Grande Vitória, cada preço de cerveja no Espírito Santo, etc.
Fenômenos de multidão: quando a s características observadas para a massa não se verificam para o
particular.
DADO ESTATÍSTICO: é um dado numérico e é considerada a matéria-prima sobre a qual iremos aplicar
os métodos estatísticos.
POPULAÇÃO: é o conjunto total de elementos portadores de, pelo menos, uma característica comum.
4
Prof. Inaba
AMOSTRA: é uma parcela representativa da população que é examinada com o propósito de tirarmos
conclusões sobre a essa população.
PARÂMETROS: São valores singulares que existem na população e que servem para caracterizá-la. Para
definirmos um parâmetro devemos examinar toda a população. Ex: Os alunos do 2º ano da FACEV têm
em média 1,70 metros de estatura.
ESTIMATIVA: é um valor aproximado do parâmetro e é calculado com o uso da amostra.
ATRIBUTO: quando os dados estatísticos apresentam um caráter qualitativo, o levantamento e os

estudos necessários ao tratamento desses dados são designados genericamente de estatística de
atributo.
Exemplo de classificação dicotômica do atributo: A classificação dos alunos da UCAM quanto ao sexo.
atributo: sexo..........................classe: alunos da UCAM
dicotomia: duas subclasses (masculino e feminino)
Exemplo de classificação policotômica do atributo: Alunos da UCAM quanto ao estado civil.
atributo: estado civil...............classe: alunos da UCAM
dicotomia: mais de duas subclasses (solteiro, casado, divorciado, viúvo, etc.).
VARIÁVEL
É, convencionalmente, o conjunto de resultados possíveis de um fenômeno.
VARIÁVEL QUALITATIVA: Quando seus valores são expressos por atributos: sexo, cor da pele, etc.
VARIÁVEL QUANTITATIVA: Quando os dados são de caráter nitidamente quantitativo, e o conjunto dos
resultados possui uma estrutura numérica, trata-se, portanto da estatística de variável e se dividem em:
VARIÁVEL DISCRETA OU DESCONTÍNUA: Seus valores são expressos geralmente através de números
inteiros não negativos. Resulta normalmente de contagens. Ex: Nº de alunos presentes às aulas de
introdução à estatística econômica no 1º semestre de 1997: mar = 18, abr = 30, mai = 35 , jun = 36.
VARIÁVEL CONTÍNUA: Resulta normalmente de uma mensuração, e a escala numérica de seus possíveis
valores corresponde ao conjunto R dos números Reais, ou seja, podem assumir, teoricamente, qualquer
valor entre dois limites. Ex.: Quando você vai medir a temperatura de seu corpo com um termômetro de
mercúrio o que ocorre é o seguinte: O filete de mercúrio, ao dilatar-se, passará por todas as temperaturas
intermediárias até chegar à temperatura atual do seu corpo.
5
Prof. Inaba
EXERCÍCIO
Classifique as variáveis em qualitativas ou quantitativas (contínuas ou discretas):
1. Cor dos olhos das alunas... Resp:qualitativa
2. Índice de liquidez nas indústrias Friburguense... Resp:quantitativa contínua
3. Produção de café no Brasil... Resp:quantitativa contínua
4. Número de defeitos em aparelhos de TV... Resp:quantitativa discreta
5. Comprimento dos pregos produzidos por uma empresa... Resp:quantitativa contínua
6. O ponto obtido em cada jogada de um dado... Resp:quantitativa discreta
6
Prof. Inaba
2. FORMAS DE ORGANIZAÇÃO E APRESENTAÇÃO DE DADOS
SÉRIES ESTATÍSTICAS E GRÁFICOS ESTATÍSTICOS

TABELAS
Consiste em dispor os dados em linhas e colunas distribuídas de modo ordenado. A elaboração de

tabelas obedece à Resolução no 886, de 26 de outubro de 1966, do Conselho Nacional de Estatística. As
normas de apresentação são editadas pela Fundação Brasileira de Geografia e Estatística (IBGE).
Elementos de uma tabela
Título: O título deve responder as seguintes questões:
O que? (Assunto a ser representado (Fato));
Onde? (O lugar onde ocorreu o fenômeno (local));
Quando? (A época em que se verificou o fenômeno (tempo)).
Cabeçalho: parte da tabela na qual é designada a natureza do conteúdo de cada coluna.
Corpo: parte da tabela composta por linhas e colunas.
Linhas: parte do corpo que contém uma sequência horizontal de informações.
Colunas: parte do corpo que contém uma sequência vertical de informações.
Coluna Indicadora: coluna que contém as discriminações correspondentes aos valores distribuídos
pelas colunas numéricas.
Casa ou célula: parte da tabela formada pelo cruzamento de uma linha com uma coluna.
7
Prof. Inaba
Rodapé: É o espaço aproveitado em seguida ao fecho da tabela, onde são colocadas as notas de natureza
informativa (fonte, notas e chamadas).
Fonte: refere-se à entidade que organizou ou forneceu os dados expostos.
De acordo com a Resolução 886 do IBGE, nas casas ou células da tabela devemos colocar:
• um traço horizontal (-) quando o valor é zero;
• três pontos (...) quando não temos os dados;
• zero (0) quando o valor é muito pequeno para ser expresso pela unidade utilizada;
• um ponto de interrogação (?) quando temos dúvida quanto à exatidão de determinado valor.
Obs.: O lado direito e esquerdo de uma tabela oficial deve ser aberto.
SÉRIE ESTATÍSTICA
É qualquer tabela que apresenta a distribuição de um conjunto de dados estatísticos em função da época,
do local ou da espécie.
Daí pode inferir que numa série estatística observamos a existência de três elementos ou fatores: o
tempo, o espaço e a espécie.
Séries Homógrafas: são aquelas em que a variável descrita apresenta variação discreta ou descontínua.
Podem ser do tipo temporal, geográfica ou específica.
a) Série Temporal: Identifica-se pelo caráter variável do fator cronológico. O local e a espécie
(fenômeno) são elementos fixos. Esta série também é chamada de histórica ou evolutiva.
Exemplo:
ABC VEÍCLULOS LTDA.
Vendas no 1º bimestre de 2002
PERÍODO UNIDADES VENDIDAS *
JAN/96 20
FEV/96 10
TOTAL 30
* Em mil unidades
b) Série Geográfica: Apresenta como elemento variável o fator geográfico. A época e o fato (espécie) são
elementos fixos. Também é chamada de espacial, territorial ou de localização.
8
Prof. Inaba
FILIAIS UNIDADES VENDIDAS *
São Paulo 13
Rio de Janeiro 17
TOTAL 30
* Em mil unidades
c) Série Específica: O caráter variável é apenas o fato ou espécie. Também é chamada de série categórica.
MARCA UNIDADES VENDIDAS *
FIAT 18
GM 12
TOTAL 30
* Em mil unidades
SÉRIES CONJUGADAS: Também chamadas de tabelas de dupla entrada. São apropriadas à apresentação
de duas ou mais séries de maneira conjugada, havendo duas ordens de classificação: uma horizontal e
outra vertical.
O exemplo abaixo é de uma série geográfica-temporal.
FILIAIS Janeiro/96 Fevereiro/96
São Paulo 10 3
Rio de Janeiro 12 5
TOTAL 22 8
* Em mil unidades
9
Prof. Inaba
GRÁFICOS ESTATÍSTICOS
São representações visuais dos dados estatísticos que devem corresponder, mas nunca substituir as
tabelas estatísticas. Tem como características o uso de escalas, sistema de coordenadas, simplicidade,
clareza e veracidade.
Gráficos de informação: São gráficos destinados principalmente ao público em geral, objetivando

proporcionar uma visualização rápida e clara. São gráficos tipicamente expositivos, dispensando
comentários explicativos adicionais. As legendas podem ser omitidas, desde que as informações
desejadas estejam presentes.
Gráficos de análise: São gráficos que se prestam melhor ao trabalho estatístico, fornecendo elementos
úteis à fase de análise dos dados, sem deixar de ser também informativos. Os gráficos de análise
frequentemente vêm acompanhados de uma tabela estatística. Inclui-se, muitas vezes um texto
explicativo, chamando a atenção do leitor para os pontos principais revelados pelo gráfico.
O uso indevido de Gráficos pode trazer uma ideia falsa dos dados que estão sendo analisados, chegando
mesmo a confundir o leitor. Trata-se, na realidade, de um problema de construção de escalas.
Classificação dos gráficos: Diagramas, Estereogramas, Pictogramas e Cartogramas.
1 - Diagramas:
São gráficos geométricos dispostos em duas ou três dimensões. São os mais usados na representação de
séries estatísticas. Eles podem ser :
Gráficos em barras horizontais
Gráficos em barras verticais (colunas)
Quando as legendas não são breves usam-se de preferência os gráficos em barras horizontais. Nesses
gráficos os retângulos têm a mesma base e as alturas são proporcionais aos respectivos dados. A ordem
a ser observada é a cronológica, se a série for histórica, e a decrescente, se for geográfica ou categórica.
Gráficos em barras ou colunas superpostas
Eles diferem dos gráficos em barras ou colunas convencionais apenas pelo fato de apresentar cada barra
ou coluna segmentada em partes componentes. Servem para representar comparativamente dois ou
mais atributos.
Gráficos em linhas ou lineares
São frequentemente usados para representação de séries cronológicas com um grande número de
períodos de tempo. As linhas são mais eficientes do que as colunas, quando existem intensas flutuações
nas séries ou quando há necessidade de se representarem várias séries em um mesmo gráfico.
Quando representamos, em um mesmo sistema de coordenadas, a variação de dois fenômenos, a parte

interna da figura formada pelos gráficos desse fenômeno é denominada de área de excesso.
Gráficos em setores
Este gráfico é construído com base em um círculo, e é empregado sempre que desejamos ressaltar a
participação do dado no total. O total é representado pelo círculo, que fica dividido em tantos setores
10
Prof. Inaba
quantas são as partes. Os setores são tais que suas áreas são respectivamente proporcionais aos dados
da série. O gráfico em setores só deve ser empregado quando há, no máximo, sete dados.
Obs.: As séries temporais geralmente não são representadas por este tipo de gráfico.
Pictogramas:
São construídos a partir de figuras representativas da intensidade do fenômeno. Este tipo de gráfico tem
a vantagem de despertar a atenção do público leigo, pois sua forma é atraente e sugestiva. Os símbolos
devem ser autoexplicativos. A desvantagem dos pictogramas é que apenas mostram uma visão geral do
fenômeno, e não de detalhes minuciosos. Veja o exemplo abaixo:
Estereogramas:
São gráficos geométricos dispostos em três dimensões, pois representam volume. São usados nas
representações gráficas das tabelas de dupla entrada. Em alguns casos este tipo de gráfico fica difícil de
ser interpretado dada a pequena precisão que oferecem.
Cartogramas: São ilustrações relativas a cartas geográficas (mapas). O objetivo desse gráfico é o de
figurar os dados estatísticos diretamente relacionados com áreas geográficas ou políticas.
11
Prof. Inaba
DISTRIBUIÇÃO DE FREQUÊNCIA
É um tipo de tabela que condensa uma coleção de dados conforme as frequências (repetições de seus
valores).
Tabela primitiva ou dados brutos: É uma tabela ou relação de elementos que não foram numericamente
organizados. É difícil formarmos uma ideia exata do comportamento do grupo como um todo, a partir
de dados não ordenados.
Ex : 45, 41, 42, 41, 42 43, 44, 41 ,50, 46, 50, 46, 60, 54, 52, 58, 57, 58, 60, 51
ROL:É a tabela obtida após a ordenação dos dados (crescente ou decrescente).
Ex : 41, 41, 41, 42, 42 43, 44, 45 ,46, 46, 50, 50, 51, 52, 54, 57, 58, 58, 60, 60
Diagrama de ramo-e-folhas
Um gráfico usado para mostrar a forma da distribuição de um conjunto de dados quantitativos é o

diagrama de ramo-e-folhas, desenvolvido pelo estatístico John Tukey. Para a construção desse gráfico,
cada observação do conjunto de dados é “quebrada” em duas partes. Uma dessas partes é a folha, que
deve ser formada por apenas um algarismo, e os algarismos restantes formam o galho. Como numa
árvore, as folhas são “penduradas” no galho apropriado.
Para construir o diagrama, traça-se uma linha vertical para separar os galhos das folhas. À esquerda
dessa linha escrevem-se os diferentes ramos, um em cada linha horizontal, e escrevem-se as folhas no
respectivo galho.
Ex.
4 1 1 1 2 2 3 4 5 6 6
5 0 0 1 2 4 7 8 8
6 0 0
Distribuição de frequência sem intervalos de classe: É a simples condensação dos dados conforme as
repetições de seus valores. Para um ROL de tamanho razoável esta distribuição de frequência é
inconveniente, já que exige muito espaço. Veja exemplo abaixo:
Dados Frequência
41 3
42 2
43 1
44 1
45 1
46 2
50 2
51 1
52 1
54 1
57 1
58 2
60 2
Total 20
12
Prof. Inaba
Distribuição de frequência com intervalos de classe: Quando o tamanho da amostra é elevado é mais
racional efetuar o agrupamento dos valores em vários intervalos de classe.
Classes Frequências (fi)
41 45 7
45 49 3
49 53 4
53 57 1
57 61 5
ELEMENTOS DE UMA DISTRIBUIÇÃO DE FREQUÊNCIA (com intervalos de classe):
CLASSE: são os intervalos de variação da variável e é simbolizada por i.
Ex: na tabela anterior, temos 5 classes e 49 53 é a 3ª classe, onde i=3.
LIMITES DE CLASSE: são os extremos de cada classe. O menor número é o limite inferior de classe (li) e
o maior número, limite superior de classe (Li).
Ex: em 49 53... l3= 49 e L3= 53. O símbolo representa um intervalo fechado à esquerda e aberto
à direita. O dado 53 do ROL não pertence à classe 3 e sim a classe 4 representada por 53 57.
AMPLITUDE DO INTERVALO DE CLASSE: é obtida através da diferença entre o limite superior e inferior
da classe e é simbolizada por hi = Li - li.
Ex: na tabela anterior hi= 53 - 49 = 4.
Obs: Na distribuição de frequência com classes iguais, o h i será igual em todas as classes.
AMPLITUDE TOTAL DA DISTRIBUIÇÃO: é a diferença entre o limite superior da última classe e o limite
inferior da primeira classe. AT = L(max) - l(min).
Ex: na tabela anterior AT = 61 - 41= 20.
AMPLITUDE TOTAL DA AMOSTRA (ROL): é a diferença entre o valor máximo e o valor mínimo da
amostra (ROL). Onde AA = Xmax - Xmin. Em nosso exemplo AA = 60 - 41 = 19.
Obs.: AT sempre será maior ou igual que AA.
PONTO MÉDIO DE CLASSE: é o ponto que divide o intervalo de classe em duas partes iguais. Ex: em 49
53 o ponto médio x3 = (53+49)/2 = 51, ou seja, x3=(l3+L3)/2.
Frequências simples ou absolutas(fi): são os valores que realmente representam o número de dados de
cada classe. A soma das frequências simples é igual ao número total dos dados da distribuição.
Frequências relativas(fri): são os valores das razões entre as frequências absolutas de cada classe e a
frequência total da distribuição. A soma das frequências relativas é igual a 1 (100 %).
13
Prof. Inaba
Frequência simples acumulada de uma classe(Fi): é o total das frequências de todos os valores inferiores
ao limite superior do intervalo de uma determinada classe.
Frequência relativa acumulada de uma classe(Fri): é a frequência acumulada da classe, dividida pela
frequência total da distribuição.
Exemplo
Classes fi xi fri Fi Fri
50 54 4 52 0,100 4 0,100
54 58 9 56 0,225 13 0,325
58 62 11 60 0,275 24 0,600
62 66 8 64 0,200 32 0,800
66 70 5 68 0,125 37 0,925
70 74 3 72 0,075 40 1,000
Total 40
Número de Classes(i)
Corresponde à quantidade de classes, nas quais serão agrupados os elementos do rol. A fórmula
oficial para determinar i, é a fórmula de Sturges, que é a seguinte: i = 1 + 3,333...log(n), onde n
corresponde ao número de elementos do rol. Para facilitar, pode-se adotar um valor para l, geralmente
entre 5 e 20. Em alguns casos (25 ≤ n ≤ 200) utiliza-se i = raiz quadrada de n.
14
Prof. Inaba
REPRESENTAÇÃO GRÁFICA DE UMA DISTRIBUIÇÃO

Histograma, Polígono de frequência e Polígono de frequência acumulada.
Em todos os gráficos acima utilizamos o primeiro quadrante do sistema de eixos coordenados

cartesianos ortogonais. Na linha horizontal (eixo das abscissas) colocamos os valores da variável e na
linha vertical (eixo das ordenadas), as frequências.
Histograma: é formado por um conjunto de retângulos justapostos, cujas bases se localizam sobre o eixo
horizontal, de tal modo que seus pontos médios coincidam com os pontos médios dos intervalos de
classe. A área de um histograma é proporcional à soma das frequências simples ou absolutas.
Polígono: é um gráfico em linha, sendo as frequências marcadas sobre perpendiculares ao eixo

horizontal, levantado pelos pontos médios dos intervalos de classe. Para realmente obtermos um
polígono (linha fechada), devemos completar a figura, ligando os extremos da linha obtida aos pontos
médios da classe anterior a primeira e da posterior à última, da distribuição.
Exemplo
Dada à distribuição, construir o histograma e o polígono.
Classes fi xi
50 54 4 52
54 58 9 56
58 62 11 60
62 66 8 64
66 70 5 68
70 74 3 72
Total 40
15
Prof. Inaba
Histograma de frequencies
Polígono de frequencies
Obs: uma distribuição de frequência sem intervalos de classe é representada graficamente por um
diagrama onde cada valor da variável é representado por um segmento de reta vertical e de
comprimento proporcional à respectiva frequência.
16
Prof. Inaba
EXERCÍCIO
1. As notas obtidas por 50 alunos de uma classe foram:
1,0 2,0 3,0 4,0 5,0 6,0 6,0 7,0 8,0 7,0
2,0 3,0 3,0 4,0 5,0 6,0 6,0 8,0 8,0 7,0
2,0 3,0 3,0 4,0 5,0 6,0 6,0 8,0 9,0 7,0
2,0 3,0 4,0 5,0 5,0 6,0 6,0 8,0 9,0 7,0
2,0 3,0 4,0 5,0 5,0 6,0 7,0 8,0 9,0 7,0
a) Dispor as notas em um rol
b) Determinar a amplitude amostral
c) Construir uma distribuição de frequência com 5 classes que tenham a mesma amplitude com
l1 = 0 e L 5 = 10.
d) Construir uma distribuição de frequência, aplicando a regra de Sturges.
17
Prof. Inaba
3. MEDIDAS DE TENDÊNCIA CENTRAL
INTRODUÇÃO
São as estatísticas que representam uma série de dados orientando-nos quanto à posição da distribuição
em relação ao eixo horizontal do gráfico da curva de frequência.
As medidas de posições mais importantes são as medidas de tendência central ou promédias
(verifica-se uma tendência dos dados observados a se agruparem em torno dos valores centrais).
As medidas de tendência centrais mais utilizadas são: média aritmética, moda e mediana. Outros
promédios menos usados são as médias: geométrica, harmônica, quadrática, cúbica e biquadrática.
As outras medidas de posição são as separatrizes, que englobam: a própria mediana, os decis, os quartis
e os percentis.
MÉDIA ARITMÉTICA ( x )
A média aritmética, ou média, de um conjunto de n números x1, x2, ... , xn é definida por:
n
∑ xi
1
x=
n
Com intervalos de classe.
x= ∑ x f , xi é o ponto médio da classe.

i i
∑ f i
Sendo a média uma medida tão sensível aos dados, é preciso ter cuidado com a sua utilização, pois pode
dar uma imagem distorcida dos dados.
Pode-se mostrar que quando a distribuição dos dados é "normal", então a melhor medida de localização
do centro, é a média.
Sendo a Distribuição Normal uma das distribuições mais importantes e que surge com mais frequência
nas aplicações, (esse fato justifica a grande utilização da média).
A média possui uma particularidade bastante interessante, que consiste no seguinte:
se calcularmos os desvios de todas as observações relativamente à média e somarmos esses desvios o

resultado obtido é igual à zero.
A média tem outra característica, que torna a sua utilização vantajosa em certas aplicações:
Quando o que se pretende representar é a quantidade total expressa pelos dados, utiliza-se a média.
Na realidade, ao multiplicar a média pelo número total de elementos, obtemos a quantidade pretendida.
18
Prof. Inaba
MODA
Define-se moda como sendo: o valor que surge com mais frequência se os dados são discretos, ou, o
intervalo de classe com maior frequência se os dados são contínuos.
Assim, da representação gráfica dos dados, obtém-se imediatamente o valor que representa a
moda ou a classe modal.
Esta medida é especialmente útil para reduzir a informação de um conjunto de dados qualitativos,
apresentados sob a forma de nomes ou categorias, para os quais não se pode calcular a média e por
vezes a mediana.
Cálculo da moda de uma distribuição com intervalos de classe.
CLASSE MODAL: classe que apresenta maior frequência.
∆1
Moda = Mo = l* + . h*
∆1 + ∆ 2
Onde:
l* : limite inferior da classe modal.
h* : amplitude da classe modal.
∆ 1 : diferença entre a frequência da classe modal e a frequência da classe anterior.
∆2 : diferença entre a frequência da classe modal e a frequência da classe posterior.
SEPARATRIZES
QUARTIS, DECIS E PERCENTIS
Quartis
São os valores de uma série que a dividem em quatro partes iguais.
Primeiro quartil (Q1) : 25 % dos elementos
Segundo quartil (Q2) = mediana : 50 % dos elementos
Terceiro quartil (Q3) : 75 % dos elementos
19
Prof. Inaba
Decis
São os valores que dividem a série em 10 partes iguais.
D1 = 10 %, D2 = 20 %,..., D9 = 90 %
Percentis
São os valores que dividem a série em 100 partes iguais.(Pi )
Ex: P1 = 1 %, P20 = 20 %, P72 = 72 %, etc.
Podemos utilizar a seguinte fórmula para determinar os decis, quartis e percentis.

.
i
∑ f - F
i P
Pi = lp + 100 hP
f P
CLASSE PERCENTIS : Classe correspondente à frequência acumulada imediatamente superior a

i
100
∑ f i .
lp : limite inferior da classe percentis
f P : frequência da classe percentis
Fp : frequência acumulada imediatamente anterior à da casse percentis.
hp : amplitude do intervalo da classe percentis.
MEDIANA
A mediana, é uma medida de localização do centro da distribuição dos dados, definida do seguinte modo:
Ordenados os elementos da amostra, a mediana é o valor (pertencente ou não à amostra) que a divide
ao meio, isto é, 50% dos elementos da amostra são menores ou iguais à mediana e os outros 50% são
maiores ou iguais à mediana.
Para a sua determinação utiliza-se a seguinte regra, depois de ordenada a amostra de n elementos:
Se n é ímpar, a mediana é o elemento médio.
Se n é par, a mediana é a semissoma dos dois elementos médios.
Para dados agrupados
Mediana = Med = P 50
Como medida de localização, a mediana é mais robusta do que a média, pois não é tão sensível aos dados.
1- Quando a distribuição é simétrica, a média e a mediana coincidem.
2- A mediana não é tão sensível, como a média, às observações que são muito maiores ou muito menores
do que as restantes. Por outro lado a média reflete o valor de todas as observações.
20
Prof. Inaba
Como já vimos a média ao contrário da mediana, é uma medida muito influenciada por valores "muito
grandes" ou "muito pequenos", mesmo que estes valores surjam em pequeno número na amostra. Estes
valores são os responsáveis pela má utilização da média em muitas situações em que teria mais
significado utilizar a mediana.
A partir do exposto, deduzimos que se a distribuição dos dados:
1. for aproximadamente simétrica, a média aproxima-se da mediana;
2. for enviesada para a direita, a média tende a ser maior que a mediana;
3. for enviesada para a esquerda, a média tende a ser inferior à mediana.
21
Prof. Inaba
EXERCÍCIO
1) Seja a distribuição:
Idade(anos) fi
10 14 15 Determine:
14 18 28 a) a média
18 22 40 b) a medida que deixa 50 % dos elementos
22 26 30 c) a moda
26 30 20 d) o 30 decil
30 34 15 e) a medida que deixa 1/4 dos elementos
34 38 10 f) qual porcentagem de pessoas maiores de 21

anos
38 42 5
2) Seja a distribuição de salários descritos
No de salários fi
mínimos
1 2 28
2 3 32
3 4 20
4 5 6
5 6 4
7 8 2
Determine:
a) qual o no de salários mínimo acima do qual estão situados os 10 % melhores remunerados?
b) qual o no de salários mínimo abaixo do qual se encontram os 15 % piores remunerados?
c) acima de quantos salários mínimos estão os 18 operários mais bem pagos?
d) abaixo de quantos salários se situam os 36 operários piores remunerados?
22
Prof. Inaba
4. MEDIDAS DE DISPERSÃO E DE ASSIMETRIA
Servem para verificarmos a representatividade das medidas de posição, pois é muito comum
encontrarmos séries que, apesar de terem a mesma média, são compostas de maneira distinta.
Amplitude Total(AT)
AT = xmáx - xmín = Lmáx - lmín
DESVIO MÉDIO(DM)
O desvio médio de um conjunto de n números x 1, x2, x3,...,xn, é definida por:
DM =
∑| xi - x|
n
Ex: Determinar o desvio media do conjunto de números 2, 3, 6, 8, 11.
Se x1,x2,x3,...,xn ocorrem com as frequências f 1,f 2,f 3,...,f n respectivamente, o desvio médio poder ser

indicado da seguinte forma:
DM = ∑ fi | xi - x|
, xi é o ponto médio
∑ f i
Ex: Determinar o desvio médio da tabela abaixo:
Estaturas(cm) f i
150 154 4
154 158 9
158 162 11
162 166 8
166 170 5
170 174 3
23
Prof. Inaba
VARIANÇA
2  2
Variância populacional: VAR(P) = σ2 = Σ (x i - x) ⋅ fi = 1  Σx i 2fi - ( Σx i fi ) 
Σf i Σf i  Σf i 
Σ(x i - x ) 2 ⋅ f i
2 1  2 (Σx i f i ) 2 
Variância amostral: VAR(A) = s = =  Σx i f i - 
Σf i - 1 Σf i - 1  Σf i 
DESVIO PADRÃO
Desvio padrão populacional : σ = VAR( P ) = σ 2
2
Desvio padrão amostral : s = VAR( A) = s
COEFICIENTE DE VARIAÇÃO
σ s
CV = x
OU CV = x
Obs: Para efeitos práticos, costumam-se considerar que CV superior a 50% indica alto grau de dispersão
e, consequentemente pequena representatividade da média. Para valores inferiores a 50 %, a média será
tanto mais representativa quanto menor for o valor de seu CV.
COEFICIENTE DE ASSIMETRIA DE PEARSON
 ̅ − ou  = ̅ −

=
 

Se < 0, a distribuição é assimétrica a esquerda ou negativa.

Se > 0, a distribuição é assimétrica à direita ou positiva.

Se = 0 a distribuição é simétrica.
24
Prof. Inaba
EXERCÍCIO
1).Uma amostra de 20 trabalhadores na produção de uma pequena companhia apresentou os seguintes
salários para um dado mês, estando os valores arredondados para o dólar mais próximo e colocado em
ordem crescente:
140; 140; 140; 140; 140; 140; 140; 140; 155; 155; 165; 165; 180; 180; 190; 200; 205; 225; 230; 240.
Determinar:
a). A amplitude total
b). Desvio médio.
c). Variância e desvio Padrão.
d). O coeficiente de variação e interpretação.
e). Coeficiente de assimetria e interpretação.
2). Na tabela estão produzidos os dados de acidentes por mil homens/hora.
No médio de No de
acidentes firmas
1,5 1,8 3
1,8 2,1 12
2,1 2,4 14
2,4 2,7 9
2,7 3,0 7
3,0 3,3 5
Determinar:
a). A amplitude dos 90 % centrais.
b). A variância e o desvio padrão.
c). Desvio médio.
d). Coeficiente de variação.
e). Coeficiente de assimetria e interpretação.
25
Prof. Inaba
5. PROBABILIDADE
INTRODUÇÃO
1. EXPERIMENTOS
EXPERIMENTO DETERMINÍSTICO: Os experimentos determinísticos são governados por leis

conhecidas que dão informações corretas sobre o fenômeno em estudo, ou seja os seus resultados
podem ser determinados antes de sua realização.
Ex: Abandonar uma moeda acima da superfície de uma mesa e descrever o seu movimento.
EXPERIMENTO ALEATÓRIO: O seu resultado não pode ser determinado antes de realizá -lo.
Ex: Abandonar uma moeda acima da superfície de uma mesa para anotar a face que ficará voltada para
cima.
2. ESPAÇO AMOSTRAL - EVENTOS
ESPAÇO AMOSTRAL (Ω): O conjunto formado por todos os resultados possíveis de um experimento
aleatório.
Ex: Se lançamos um dado e observamos a face superior, temos o espaço amostral Ω ={1, 2, 3, 4, 5, 6}.
EVENTOS: Um subconjunto qualquer do espaço amostral.
CLASSIFICAÇÃO DE ALGUNS EVENTOS
EVENTO CERTO: O próprio espaço amostral
EVENTO IMPOSSÍVEL: o subconjunto vazio do espaço amostral
EVENTO ELEMENTAR: o subconjunto unitário do espaço amostral
26
Prof. Inaba
COMBINAÇÃO DE EVENTOS: forma novos eventos, tais como: EVENTO UNIÃO, EVENTO INTERSECÇÃO
ou EVENTO COMPLEMENTAR.
Se A intersecção B é um conjunto vazio eles são chamados de MUTUAMENTE EXCLUSIVOS.
ENFOQUES DA PROBABILIDADE
Historicamente, três diferentes abordagens foram desenvolvidas para definir probabilidade e para
determinar a medida de probabilidade: o enfoque clássico, o da frequência relativa e o subjetivo.
Enfoque clássico:
Seja A um evento, i.e., A ⊂ Ω e Ω um conjunto finito de resultados equiprováveis. É evidente

que podemos atribuir uma medida de probabilidade, da seguinte forma:
n ( A) número de resultados favoráveis a A

P ( A) = = .
n(Ω ) número de resultados possíveis
Exemplos:
1. No lançamento de uma moeda (honesta), o espaço amostral = {ca, co} é equiprovável, i.e.,
1 1
P(ca) = e P(co) =
2 2
2. No lançamento de um dado (honesto) e observação do número de pontos da face superior, determine:
a) O espaço amostral.
b) Os eventos:
A: ocorrência de número par.
B: ocorrência de número ímpar.
C: ocorrência de número maior que 6.

27
Prof. Inaba
D: ocorrência de número primo.
c) Determine a probabilidade de cada evento acima.
Enfoque da frequência relativa (empírico):
Um comportamento de bastante interesse diz respeito à frequência de ocorrência de um evento

associado a uma experiência. Assuma que se tenha observado um fenômeno N vezes. Destas N vezes,
anota-se o número de vezes que um evento A tenha ocorrido. Representa-se n(A) este número. A razão
n ( A)
N
é denominada frequência relativa de ocorrência de A para as N observações efetuadas.
É um fato observado experimentalmente que quando N cresce, a frequência relativa tende

muitas vezes a estabilizar-se em torno de um determinado valor. Seria então possível pensar em definir
a probabilidade associada a um dado evento como
n( A)
P ( A) = lim
N →∞ N
Ainda que P(A) deva modelar a frequência relativa, matematicamente não seria aceitável tomar
a expressão acima como definição de P(A). Isto ocorre simplesmente porque para uma dada experiência,
qualquer que seja o número N de repetições realizadas, N nunca será suficientemente grande, para que
possa ser calculada exatamente.
Exemplo:
Antes de incluir a cobertura para certos tipos de problemas dentais em apólices de seguro-saúde para
empregados adultos, uma companhia de seguros deseja determinar a probabilidade de ocorrer tais
problemas, para estabelecer, de acordo com ela, a taxa de seguro. Portanto, o estatístico coleta dados
para 10 000 adultos nas faixas apropriadas de idade e observa que 100 pessoas tiveram o problema
dental particular durante o ano passado. Determine a probabilidade de ocorrência do problema dental
particular.
Enfoque subjetivo:
Existem numerosas situações em que nem os resultados possíveis são equiprováveis, nem
dispomos de dados históricos. Deve-se fazer uma atribuição subjetiva de probabilidade baseadas num
certo grau de crença. Por exemplo, você se apaixonará na próxima semana? Que nota receberá em seu
28
Prof. Inaba
próximo exame? Um enfermo se recuperará completamente? Em tais casos, deve-se decidir qual é a
probabilidade do evento em condições dadas.
A probabilidade subjetiva é, então, o resultado de um esforço para quantificar nossa crença a

respeito de algo. Advogados e médicos utilizam esse processo com razoável êxito, embora ele possa
apresentar certas desvantagens. Entre estas podemos mencionar:
1. As estimativas subjetivas são em geral difíceis de defender quando postas em dúvidas.
2. A tendenciosidade pode ser um fator. Não só noções preconcebidas sobre o que deveria ocorrer, como
também o desejo de que ocorra determinado evento, podem distorcer a objetividade. E é muito difícil
eliminar essa tendenciosidade, porque em geral ela é subconsciente. No entanto, o treinamento, a
experiência e a atitude profissional podem auxiliar a eliminá-la.
Não vamos nos preocupar, doravante, com o problema de como definir probabilidade para cada
experimento. Simplesmente, vamos admitir que existem as probabilidades em certa classe de eventos e
adotar o chamado tratamento axiomático, da seguinte maneira.
A medida de probabilidade P é uma função definida que deve obedecer a três axiomas que se
seguem.
i). 0 ≤ P( A) ≤ 1
ii). P (Ω) = 1
iii). Se A ∩ B = ∅, então P ( A ∪ B ) = P ( A) + P ( B )
Genericamente teríamos:
∞ ∞
 
P  Ai  = ∑ P ( Ai )
Se Ai ∩ A j = ∅; i, j = 1,2,... (i ≠ j ), então :
 i =1  i =1
OBS: Esta definição não exclui a utilização dos enfoques abordados.
Propriedades
( )
1. P A = 1 − P( A)
2. P (∅ ) = 0
3. ( ) ( ) ( )
P A ∪ B = P A + P B − P A ∩ B ( )
29
Prof. Inaba
EXEMPLO
De 300 estudantes de administração, 100 são matriculados em Contabilidade e 80 em Estatística. Estes

dados incluem 30 estudantes que estão matriculados em ambas as disciplinas.
a) Elaborar um diagrama para descrever estes eventos.
b) Qual a probabilidade de que um estudante aleatoriamente escolhido esteja matriculado em

Contabilidade e Estatística?
c) Qual a probabilidade de que um estudante aleatoriamente escolhido esteja matriculado em

Contabilidade ou Estatística?
d) Qual a probabilidade de que um estudante aleatoriamente escolhido esteja matriculado somente em

Contabilidade ou somente em Estatística?
30
Prof. Inaba
EXERCÍCIO
1).De 100 pessoas que solicitaram emprego de programador de computadores, durante o ano passado,
em uma grande empresa, 40 possuíam experiência anterior e 30 possuíam um certificado profissional.
Vinte dos candidatos possuíam tanto experiência anterior como certificado profissional e foram
incluídos nas contagens dos dois grupos.
a).Elaborar um diagrama de Venn para descrever estes eventos graficamente.
b).Qual a probabilidade de que um candidato aleatoriamente escolhido tenha experiência ou certificado.
c).Qual a probabilidade de que um candidato aleatoriamente escolhido tenha experiência ou certificado,

mas não ambos?
2. De 12 contas de um arquivo, quatro contém um erro na contabilização do saldo da conta. Se um

auditor seleciona aleatoriamente uma conta, qual a probabilidade de que não contenha erro?
3. Sejam A e B mutuamente excludentes, P(A) = 0,31 e P(B) = 0,29.
a). Determine P(A ou B)
b). Determine P(A e B)
4. Durante uma dada semana, as probabilidades de que uma certa ação ordinária aumente sua cotação,
ou permaneça constante, ou diminua, foram estimadas, respectivamente, em 0,3; 0,2 e 0,5. Qual a
probabilidade de que:
a). A cotação desta ação aumente ou permaneça constante?
b). A cotação da ação se altere durante a semana?
5. Numa amostra de 40 prisioneiros, 10 acusam pressão arterial elevada. Estime a probabilidade de

outro prisioneiro, quando examinado, também acusar pressão alta. Qual a chance de ele não ter pressão
alta.
6. Numa urna estão 10 bolas brancas, 8 verdes e 2 pretas. Se uma bola é retirada ao acaso, calcular a
probabilidade de:
a). ser bola verde.
b). ser bola preta.
c). ser bola branca ou preta.
7. Uma loja dispõe de 12 geladeiras do mesmo tipo, das quais 4 apresentam defeitos.
a) Se um freguês vai comprar uma geladeira, qual a probabilidade de levar uma defeituosa?
b) Se um freguês vai comprar duas geladeiras, qual a probabilidade de levar duas defeituosas?
8. Calcular a probabilidade de um piloto de automóveis vencer uma dada corrida, onde as suas chances,
segundo os entendidos, são de “3 para 2”.
31
Prof. Inaba
PROBABILIDADE CONDICIONAL E TEORMA DE BAYES

Dados dois eventos A e B, com P(A) > 0, chama-se probabilidade condicional de B dado A e se
escreve P(B|A) à expressão
P( A ∩ B )
P( B | A) = → ( ) ( ) (
P A ∩ B = P A P A | B )
P( A)
Representados no diagrama de Venn:
Se A e B são desenhados de modo que as áreas de A, B e A ∩ B sejam proporcionais às suas

probabilidades, então P(B|A) é a proporção do evento A ocupada pelo evento B.
Exemplo:
1).De 100 pessoas que solicitaram emprego de programador de computadores, durante o ano passado,
em uma grande empresa, 40 possuíam experiência anterior e 30 possuíam um certificado profissional.
Vinte dos candidatos possuíam tanto experiência anterior como certificado profissional e foram
incluídos nas contagens dos dois grupos.
a). Determinar a probabilidade condicional de que um candidato aleatoriamente escolhido tenha um

certificado, dado que ele tenha alguma experiência anterior.
b). Determinar a probabilidade condicional de que um candidato aleatoriamente escolhido tenha

alguma experiência anterior, dado que ele tenha um certificado.
32
Prof. Inaba
2. Numa urna há 5 bolas brancas, numeradas de 1 a 5, e 8 bolas azuis numeradas de 1 a 8. Uma bola é
retirada ao acaso.
a). Sabendo que foi retirada bola azul, dar a probabilidade de ter sido sorteado número ímpar.
b). Sabendo que foi sorteado o número 3, dar a probabilidade de ter sido retirada bola azul.
c). Sabendo que foi sorteado um número par, dar a probabilidade de ter sido retirada bola branca.
INDEPENDÊNCIA ENTRE EVENTOS

Dois eventos A e B são estatisticamente independente quando
P( A ∩ B ) = P( A ) ⋅ P( B )
A noção de independência é particularmente importante quando P ( A) > 0 e P ( B ) > 0. Nestas

condições resulta imediatamente da definição de probabilidade condicional que cada uma das condições
seguintes é equivalente a
P ( B| A) = P( B) E P ( A| B ) = P ( A)
33
Prof. Inaba
É interessante observar primeiramente que se P(A) e P(B) são estritamente positivos e A e B são
mutuamente exclusivos, então os eventos A e B não são estatisticamente independentes. Com efeito,
sendo A ∩ B = ∅ tem-se P( A ∩ B) = 0 e portanto,
P ( B| A ) = 0 ≠ P ( B )
Por outro lado, se os eventos A e B são independentes e mutuamente exclusivos, então pelo
menos um dos eventos tem probabilidade nula.
Para ilustrar a distinção entre eventos mutuamente exclusivos e independentes considera-se o

seguinte exemplo.
Exemplo:
1. Considere o lançamento de um dado, cujo espaço amostral associado é Ω = {1 ,2 ,3 ,4,5, 6} e os eventos
A: "ocorrência de número menor que 3".
B: "ocorrência de número par".
Assumindo que as 6 faces do dado são equiprováveis, tem-se:
2 1
1o A = {1, 2} P( A) = =
6 3
3 1
2o B = {2, 4, 6}, P( B) = =
6 2
1
3o A∩B ={2}, P( A ∩ B ) =
6
P ( A ∩ B ) 1
1
4o P ( A | B ) = = = 6
1
P ( B ) 2 3
resultando que A e B são estatisticamente independentes (P(A|B) = P(A).
2. Uma firma exploradora de petróleo perfura um poço quando acha que há pelo menos 25% de chance
de encontrar petróleo. Ela perfura quatro poços, aos quais atribui as probabilidades 0,3; 0,4; 0,7 e 0,8.
Determine a probabilidade de nenhum dos poços produzirem petróleo, com base nas estimativas da
firma.
3. Dois estudantes tentam resolver um mesmo problema. A probabilidade de A resolver o problema é

2/5; a probabilidade de B resolver o problema é 1/2. Calcular a probabilidade de A e B resolverem o
problema.
34
Prof. Inaba
4. A probabilidade de que um determinado homem viva mais 10 anos a partir de hoje é 1/3; a
probabilidade de que uma determinada mulher viva mais 10 anos a partir de hoje é 1/4. Calcular a
probabilidade de os dois estarem vivos daqui a 10 anos.
5. Uma caixa A contém 7 peças das quais 3 são defeituosas e outra caixa B contém 5 peças das quais 2
são defeituosas. Duas peças são retirados uma de cada caixa.
a) qual a probabilidade de serem ambas defeituosas
b) Qual a probabilidade de serem ambas não defeituosas
35
Prof. Inaba
EXERCÍCIO
1. Dois diferentes departamentos de produção que fazem parte de uma grande empresa são: Produtos
Marítimos e Produtos para Oficinas. A probabilidade de que a divisão de Produtos Marítimos tenha, no
corrente ano fiscal, uma margem de lucros de no mínimo 10% é estimada em 0,30; a probabilidade de
que a divisão de Equipamentos para Oficinas tenha uma margem de lucro de pelo menos 10 % é 0,20; e
a probabilidade de que ambas as divisões tenham uma margem de lucro de no mínimo 10 % é 0,06.
Determinar a probabilidade de que a divisão de Equipamentos para Oficinas tenha uma margem de lucro
no mínimo de 10 % dado que a divisão de Produtos Marítimos tenha alcançado tal nível de lucro.
2. Em geral a probabilidade de que um possível cliente faça uma compra quando procurado por um
vendedor é 0,40. Se um vendedor seleciona do arquivo, aleatoriamente, três clientes e faz contato com
os mesmos, qual a probabilidade de que os três façam compras?
3. As falhas de diferentes máquinas são independentes umas das outras. Se há 4 máquinas, e se suas
probabilidades de falha são 1%, 2%, 5% e 10% em determinado dia, calcule as probabilidades:
a). De todas falharem em determinado dia.
b). De nenhuma falhar.
4. A probabilidade de que as vendas de automóveis aumentem no próximo mês é estimada em 0,40. A

probabilidade de que aumentem as vendas de peças de reposição é estimada em 0,50. A probabilidade
de que ambas as vendas aumentem é estimada em 0,10. Qual probabilidade de que:
a). Aumente as vendas de automóveis durante o mês dado, que foi informado que as vendas de reposição
aumentaram?
b). Aumentem as vendas de reposição, dado que se sabe que aumentaram as vendas de automóveis?
5. Durante um período particular, tiveram elevadas suas cotações de mercado 80% das ações emitidas
por uma empresa. Se um investidor escolhe aleatoriamente duas ações, qual a probabilidade de que
ambas as ações tivessem suas cotações aumentadas durante o período.
6. Em 25% das vezes Gonzaga chega em casa tarde para jantar. Por outro lado o jantar atrasa 10% das
vezes. Se não há qualquer relacionamento entre os atrasos de Gonzaga e os atrasos do jantar, qual a
probabilidade de ocorrerem ambos os atrasos?
36
Prof. Inaba
6. DISTRIBUIÇÃO DE PROBABILIDADES DE VARIÁVEIS

ALEATÓRIAS
NOÇÃO DE VARIÁVEL ALEATÓRIA

Exemplo- Selecionamos, ao acaso, um aluno do curso de Administração e medimos a sua altura. Os
alunos do departamento do curso de administração são o nosso espaço amostral Ω e cada aluno é um
acontecimento elementar w i, i=1,...,n ao qual associamos um valor numérico, a sua altura.
A correspondência
w i → X( w i)
é uma função de domínio Ω e cujo contradomínio é ] 0, + ∞[ e X(w i) é a variável aleatória. Se A for o
acontecimento "alunos de Administração com altura inferior a 1,70m", então X(A) = ]0;1,70[ .
Definição: Uma variável aleatória é um valor numérico determinado pelo resultado de um experimento
(é uma quantidade resultante de um experimento aleatório que, por acaso, pode assumir diversos
valores).
Exemplo: Considere um experimento aleatório no qual uma moeda é jogada 3 vezes. Seja X o número de
caras. Seja ca o resultado cara e co o resultado coroa.
O espaço amostral para este experimento será:
cococo, cococa, cocaco, cocaca, cacoco, cacoca, cacaco, cacaca.
Assim, os possíveis valores de X (número de caras) serão:
X = 0, 1, 2, 3.
37
Prof. Inaba
UMA VARIÁVEL ALEATÓRIA PODE SE DISCRETA OU CONTÍNUA.
VARIÁVEL ALEATÓRIA DISCRETA
Definição: Uma variável aleatória discreta é uma variável que pode assumir somente certos valores
claramente separados (em descontinuidade) resultantes, por exemplo, de uma contagem de algum item
de interesse.
Exemplo: Seja X o número de caras quando uma moeda é jogada 3 vezes. Aqui os valores de X são 0,1,2
ou 3 (são claramente separados, em descontinuidade).
Nota: uma variável aleatória discreta não precisa necessariamente assumir apenas valores inteiros.
Poderia, por exemplo, ser uma variável que apresentasse os seguintes valores: 0, 23/7 , 72/25, etc. A
condição que deve ser cumprida é seus valores sejam descontínuos.
VARIÁVEL ALEATÓRIA CONTÍNUA
Definição: Uma variável aleatória contínua é uma variável que pode assumir um número infinitamente
grande de valores (com certas limitações práticas).
Exemplo: (a) Peso de um estudante
(b) comprimento de um carro
38
Prof. Inaba
7. DISTRIBUIÇÃO DE PROBABILIDADE DISCRETA
Uma Distribuição de Probabilidade é uma lista de todos os resultados de um experimento e suas

probabilidades associadas. De forma mais rigorosa, é uma função matemática em que o domínio são os
valores possíveis de uma variável aleatória e a imagem são as suas probabilidades associadas.
A distribuição de probabilidade satisfaz as condições:
0 < P( X = xi ) ≤ 1 e ∑ P( X = xi ) = 1

Exemplo: Considere o número de caras em duas jogadas de uma moeda. Determine a distribuição de
probabilidade.
Exercício de aprendizagem
Considere o número de coroas em três jogadas de uma moeda. Determine a distribuição de

probabilidade.
ESPERANÇA MATEMÁTICA OU MÉDIA

Se uma variável aleatória X toma os valores x1, x2, x3, ..., xn, com as probabilidades
correspondentes, P(x1), P(x2), P(x3), ..., P(xn), então o seu valor esperado, E(X), é:
n
E ( X ) = ∑ x i P( x i )
i =1
Observe que, E(X) é a média ponderada dos possíveis valores de X, cada um ponderado por sua
probabilidade. Portanto E(X) será denotado por x, ou simplesmente por ou E.
VARIÂNCIA
Mede o "espalhamento" ou dispersão de X
n
∑ (xi − µ ) P( xi ) = E (( X − µ )2 )
2
VAR ( X ) = σ 2 = ou ∑ xi2 P(xi ) − µ 2
i =1
DESVIO PADRÃO
σ = VAR( X )
Exemplo.
1. Um investidor julga que tem 0,40 de probabilidade de ganhar $25000 e 0,60 de probabilidade de
perder $15000 num investimento. Determine seu ganho esperado, a variância e o desvio padrão.
39
Prof. Inaba
2. Um empreiteiro faz as seguintes estimativas:

Prazo de execução Probabilidade
15 dias 0,30
20 dias 0,20
De acordo com essas estimativas, determine o prazo
esperado para execução da obra, a variância e o desvio
25 dias 0,50 padrão.
40
Prof. Inaba
EXERCÍCIO
1. Determine a distribuição de probabilidade de meninos e meninas em famílias com 3 filhos, admitindo
iguais as probabilidades de menino e menina. Faça o gráfico da distribuição. E determine a esperança.
2. O número de caminhões que chegam, por hora, a um depósito segue a distribuição da tabela.
Número de caminhões 0 1 2 3 4 5 6
Probabilidade P(x) 0,05 0,10 0,15 0,25 0,30 0,10 0,05
Calcular:
a). O número esperado de chegadas por hora.
b). A variança.
3.A tabela fornece a probabilidade de que um sistema de computação fique fora de operação um dado
número de períodos por dia durante a fase inicial de instalação do sistema.
Número de períodos 4 5 6 7 8 9
Probabilidade P(x) 0,01 0,08 0,29 0,42 0,14 0,06
Calcular:
a). O número esperado de vezes que o computador fique fora de operação por dia.
b). Variança desta distribuição de probabilidade.
4. Um proprietário de carro deseja vender seu carro e está estudando a possibilidade de gastar $50 em
propaganda. Se for de 0,5 a probabilidade de que ele o venda pelo preço estipulado de $750 sem
propaganda e de 0,9 a probabilidade de que ele o venda com propaganda, deve ou não deve fazer
propaganda? Suponha que se não o vender por $750 ele o venderá a um amigo por $650.
5. Um indivíduo que deseja obter uma concessão para a venda de sorvetes num acontecimento esportivo
pode esperar lucrar R$ 30 000,00 com a venda de sorvetes se o dia for ensolarado, mas só R$ 15 000,00
se o dia estiver encoberto e R$ 5 000,00 se chover. As probabilidades respectivas para esses eventos são
0,6; 0,3 e 0,1.
a). Qual o lucro esperado?
b). Se ele fizer um seguro no valor de R$ 20 000,00 contra a chuva e o custo do seguro for de R$ 4 500,00,
qual será o lucro esperado?
6. Um empresário pergunta se valerá a pena fazer um seguro contra chuva, por ocasião de determinado
acontecimento esportivo que ele está empresando. Se não chover espera obter R$ 5 000,00 de renda,
por ocasião da festa, mas só R$ 1 000,00 se chover. Uma apólice de seguro de R$ 3 500,00 lhe custará
R$ 1 500,00. Determine a probabilidade p de chuva, de tal modo que sua expectativa seja a mesma, faça
ele seguro ou não.
41
Prof. Inaba
DISTRIBUIÇÃO BINOMIAL
Consideremos um experimento no qual cada uma das ocorrências possíveis pode ser classificada
como resultando ou não na ocorrência de um evento A. Se resultar na ocorrência de A, será classificado
como sucesso; caso contrário, como fracasso. A palavra sucesso é usada como modo conveniente de
descrever a ocorrência de um evento, mas não implica que tal ocorrência seja necessariamente desejada.
O experimento será repetido certo número de vezes, e este número será simbolizado pela letra n. Será
introduzida uma variável aleatória x que representa o número de sucessos, i.e., ocorrências de A, obtidas
nas n repetições do experimento. Uma distribuição com este tipo de variável aleatória chama-se
distribuição binomial.
A distribuição binomial é uma distribuição discreta de probabilidade, aplicável sempre que o

processo de amostragem é do tipo:
1. Há n observações ou provas idênticas.
2. Cada prova tem dois resultados possíveis, um chamado "sucesso" e o outro "fracasso".
3. As probabilidades p de sucesso e q de fracasso permanecem constantes em todas as provas
4. As séries de observações, são constituídas de eventos independentes.
A fórmula para se determinar a probabilidade de um certo número de sucessos X em uma distribuição

binomial é:
  −
( )=
Propriedades
1. Média → µ
2. Variância → 2 
=
3. Desvio Padrão → 2  

=

4. Coeficiente de assimetria →
1−1
=

Exemplos:
1. A probabilidade de que um presumível cliente aleatoriamente escolhido faça uma compra é 0,20.Se
um vendedor visita seis presumíveis clientes, qual a probabilidade que ele fará exatamente 4 vendas?
42
Prof. Inaba
2. Um fabricante de mesa de bilhar suspeita que 2% de seu produto apresenta algum defeito. Se tal
suspeita é correta, determine a probabilidade de que, uma amostra de 9 mesas:
a). Haja ao menos uma defeituosa.
b). Não haja nenhuma defeituosa.
c). Haja entre 2 e 5 defeituosa.
1. Devido as taxas de juros, uma firma informa que 30% de suas contas a receber de outras firmas
comerciais se encontram vencidas. Se um contador escolhe aleatoriamente uma amostra de 5 contas,
determinar a probabilidade de cada um dos seguintes eventos usando a fórmula de probabilidades
binomiais:
a).Nenhuma das contas estar vencidas.
b).Exatamente duas contas estão vencidas.
c).A maioria das contas estão vencidas.
d).Exatamente 20% das contas estão vencidas.
43
Prof. Inaba
2. Estatísticas do tráfego revelam que 25% dos veículos interceptados numa auto-estrada não passam
no teste de segurança. De 16 veículos interceptados, determine a probabilidade de:
a). 2 ou mais não passarem.
b). menos de 2 não passarem.
c). 15 ou mais não passarem.
3. Pesquisa médica indica que 20% das população em geral sofre de efeitos colaterais negativos com o
uso de uma nova droga.Se um médico receita o produto a quatro pacientes, qual é a probabilidade de:
a). Nenhum sofrer efeito colateral.
b). Todos sofrerem efeitos colaterais.
c). Ao menos um sofrer efeitos colaterais.
44
Prof. Inaba
DISTRIBUIÇÃO DE POISSON
A distribuição de Poisson exerce por si mesma um papel extremamente importante, porque ela
representa um modelo probabilístico adequado para um grande número de fenômenos observáveis.
A distribuição de Poisson é útil para descrever as probabilidades do número de ocorrência num

campo ou intervalo contínuo (em geral tempo ou espaço).

 
( )=
−  ( )
!
Propriedades:
1. Média → µ = λt
2. Variância → 2 
=
3. Desvio padrão →  √ 

=
3. Coeficiente de assimetria →  1
=

Ex: defeitos por cm 2, acidentes por dia, clientes por hora, chamadas telefônicas por minuto, vacas por
acre, etc.
A utilização da distribuição de Poisson baseia-se nas seguintes hipóteses:
1. A probabilidade de ocorrência é a mesma em todo campo de observação.
2. A probabilidade de mais de uma ocorrência num único ponto é aproximadamente zero.
3. O número de ocorrência em qualquer intervalo é independente do número de ocorrência em outros

intervalos.
Se uma variável aleatória é descrita por uma distribuição de Poisson, então a probabilidade de observar
qualquer número dado de ocorrência por unidade de medida é dado por:
Exemplos:
1. As chamadas de emergência chegam a uma delegacia de polícia à razão de 4 por hora no, período de
1 às 6 da manhã em dias úteis, e podem ser aproximadas por uma distribuição de Poisson.
a). Quantas chamadas de emergência são esperadas num período de 30 minutos?
b). Qual a probabilidade de nenhuma chamada num período de 30 minutos?
c). Qual a probabilidade de ao menos duas chamadas num período de 30 minutos?
45
Prof. Inaba
2. Chegam caminhões a um depósito à razão de 2,8 caminhões/hora. Determine:
a). A probabilidade de chegarem 2 ou mais caminhões num período de 30 minutos.
b). A probabilidade de chegarem menos de 4 num período de 1 hora.
c). A probabilidade de chegarem entre 2 e 6 caminhões num período de 2 horas.
1. Os clientes chegam a uma loja à razão de 6,5/hora (Poisson). Determine a probabilidade de que
durante qualquer hora:
a). Não chegue nenhum cliente.
b). Chegue ao menos 1 cliente.
c). Exatamente 6 clientes.
2. Uma mesa telefônica recebe chamadas à razão de 4,6 chamadas/minuto.Determine a probabilidade

de cada uma das ocorrências abaixo, num intervalo de 1 minuto.
a). Exatamente 2 chamadas.
b). Ao menos duas chamadas.
c). De 2 a 4 chamadas.
3. Cada rolo de lâminas de aço de 500 metros contém em média, 2 imperfeições.Tal imperfeição
prejudica o uso, no produto final, daquele segmento da lâmina. Qual a probabilidade de que um
segmento específico de 100 metros não contenha nenhuma imperfeição?
46
Prof. Inaba
EXERCÍCIO
1. O número de rádios vendidos por dia por uma firma tem distribuição aproximada de Poisson com
média 1,5. Determine a probabilidade de a firma vender ao menos 4 rádios:
a). Num período de 2 dias.
b). Num período de 3 dias.
c). Num período de 4 dias.
2. Os estudantes de um colégio, 41% fumam cigarro. Escolhem-se seis ao acaso para darem sua opinião
sobre o fumo.
a). Determine a probabilidade de nenhum dos seis ser fumante.
b). Determine a probabilidade de todos os seis fumarem.
c). Determine a probabilidade de ao menos a metade dos seis ser fumante.
3. Os defeitos em rolos de filmes coloridos ocorrem à razão de 0,1 defeito/rolo,e a distribuição dos
defeitos é a de Poisson. Determine a probabilidade de um rolo em particular conter um ou mais defeitos.
4. Os registros de uma pequena companhia indicam que 40% das faturas por ela emitidas são pagas após
o vencimento. De 14 faturas expedidas, determine a probabilidade de:
a). Nenhuma ser paga com atraso.
b). No máximo duas serem pagas com atraso.
c). Ao menos 3 serem pagas com atraso.
5. Os acidentes numa grande fábrica tem aproximadamente a distribuição de Poisson, com média de 3
acidentes/mês. Determine a probabilidade de que, em dado mês, haja:
a). Nenhum acidente.
b). 1 acidente.
c). 3 ou 4 acidentes.
6. Doze por cento dos que reservam lugar num voo sistematicamente faltam ao embarque.O avião
comporta 15 passageiros.
a). Determine a probabilidade de que todos os 15 que reservaram lugar compareçam ao embarque.
b). Se houve 16 pedidos de reserva, determine a probabilidade de:
I. De uma pessoa ficar de fora.
II. De nenhuma pessoa ficar de fora.
III. De mais de uma ficar de fora.
7. A demanda de certa peça de reposição foi estimada em ser distribuída de acordo com Poisson com
uma demanda esperada de 3,0 por mês:
47
Prof. Inaba
a). Qual a probabilidade de que não se verifique qualquer demanda num mês.
b). Qual a probabilidade de que se verifique mais de uma demanda por mês.
8. Em média, 5 pessoas por hora realizam transações em um setor de "serviços especiais" de um banco
comercial. Supondo que a chegada de tais pessoas estão distribuída de maneira independente e de forma
igual em todo período de interesse, qual a probabilidade de que mais de 3 pessoas queiram fazer
transações no setor de "serviços especiais" durante 1 hora?
9. Um fabricante de peças de automóveis garante que uma caixa de suas peças conterá, no máximo, dois
itens defeituosos. Se a caixa contém 20 peças e a experiência mostra que este processo de fabricação
produz 2% de itens defeituosos, qual a probabilidade de que uma caixa satisfaça a garantia?
10. Em cada dois dias, em média, chega uma navio em determinado porto. Qual a probabilidade de que
dois ou mais navios chegarão em um dia escolhido aleatoriamente.
11. Uma companhia de seguros estã considerando a inclusão da cobertura de uma doença relativamente
rara na área geral de seguros médicos. A probabilidade de que um indivíduo selecionado aleatoriamente
venha a contrair a doença é 0,001, sendo que 3 000 pessoas são incluídas no grupo segurado.
a). Qual o número esperado de pessoas, no grupo, que terão a doença?
b). Qual a probabilidade de que nenhuma das 3 000 pessoas do grupo contraia a doença?
12. Se X tiver uma distribuição de Poisson, e se P(X=0) = 0,2, calcular P(X>2).
48
Prof. Inaba
DISTRIBUIÇÃO GEOMÉTRICA
Suponha-se um experimento, no qual estamos interessados apenas na ocorrência ou não de um
determinado evento, como, por exemplo, o sexo do filho de uma determinada mulher ser feminino. E,
assim como na distribuição binomial, que esse experimento seja repetido um número n de vezes, que
em cada repetição seja independente das demais e que a probabilidade de sucesso p em cada repetição
seja constante. Suponha-se que o experimento seja repetido até que ocorra o primeiro sucesso (o sexo
do filho seja feminino).
Então a variável aleatória: X = número de tentativas até que se obtenha o primeiro sucesso, seguirá uma
∼
distribuição geométrica, com parâmetro p (probabilidade de sucesso) . Simbolicamente X G(p).
Função de Probabilidade
Como o experimento será repetido até que se obtenha o primeiro sucesso, e considerando que esse
ocorra na k-ésima repetição, deverão ocorrer k -1 fracassos antes que o experimento seja encerrado.
Assim, a probabilidade de que a variável aleatória X = número de repetições até se obter o primeiro
sucesso é:
  −1
( )=
com
p = probabilidade de “sucesso";
q = 1 - p = probabilidade de “fracasso"
Parâmetros característicos
  1
( )=
  
( )=
Ex.
1. Um casal com problemas para engravidar, recorreu a uma técnica de inseminação artificial no intuito
de conseguir o primeiro filho. A eficiência da referida técnica é de 0,20 e o custo de cada inseminação
U$2000,00.
a) Qual a probabilidade de que o casal obtenha êxito na terceira tentativa?
b) Qual o custo esperado deste casal para obter o primeiro filho?
49
Prof. Inaba
2. Bob é o jogador de basquete da faculdade. Ele é um lançador de arremessos livres 70%. Isto significa
que sua probabilidade de acertar um arremesso livre é 0,70. Durante uma partida, qual é a probabilidade
que Bob acerte seu primeiro arremesso livre no seu quinto arremesso?
DISTRIBUIÇÃO DE PASCAL (DISTRIBUIÇÃO BINOMIAL NEGATIVA)

Nas mesmas condições em que foi definida a distribuição geométrica, e considerando que o experimento
será repetido até que se obtenha o r-ésimo sucesso, então a variável X � número de tentativas até se
obter o r-ésimo sucesso seguirá a distribuição binomial negativa.
Um experimento binomial negativo é um experimento estatístico que tem as seguintes propriedades:
• O experimento consiste de x tentativas repetidas.
• Cada tentativa pode resultar em apenas dois resultados possíveis. Podemos chamar um destes
resultados de sucesso e o outro de fracasso.
• A probabilidade de sucesso, denotada por p, é a mesma em cada tentativa.
• As tentativas são independentes; isto é, o resultado de uma tentativa não afeta o resultado das outras
tentativas.
• O experimento continua até que r sucessos sejam observados, onde r é especificado antecipadamente.
Considere o seguinte experimento estatístico. Você lança uma moeda repetidamente e conta o número
de vezes que sai cara como resultado. Você continua lançando a moeda até que tenha saído 5 vezes cara.
Este é um experimento binomial negativo porque:
• O experimento consiste de tentat ivas repetidas. Lançamos uma moeda repetidamente até que cara
tenha saído 5 vezes.
• Cada tentativa pode resultar em apenas dois resultados possíveis – cara ou coroa.
• A probabilidade de sucesso é constante – 0,5 em cada tentativa.
• As tentativas são independentes; isto é, obter cara numa tentativa não afeta se obteremos cara nas
outras tentativas.
• O experimento continua até que um número fixo de sucessos tenha ocorrido; neste c aso,5 caras.
NOTAÇÃO
A seguinte notação é útil, quando falamos a respeito da probabilidade binomial negativa:
• K: O número de tentativas exigido para se produzir r sucessos num experimento binomial negativo.
• r: O número de sucessos no experimento binomial negativo.
• p: A probabilidade de sucesso numa tentativa individual.
• q: A probabilidade de fracasso numa tentativa individual. (Isto é igual a 1 – p).
50
Prof. Inaba
• b* (k;r,p): Probabilidade binomial negativa - a probabilidade que um experimento binomial negativo

de x tentativas resulte em r sucessos na k-ésima tentativa, quando a probabilidade de sucesso na
tentativa individual é p.
•  
( )
( ) : O número de combinações de n coisas, tomando r coisas de cada vez.
Para que o r-ésimo sucesso ocorra na k-ésima tentativa é necessário que ocorra um sucesso nesta
tentativa (repetição do experimento) e que tenham ocorridos (r – 1) sucessos nas (k – 1) repetições
anteriores. Dado que a probabilidade de ocorrência de sucesso, numa dada repetição do experimento é
dada por p e a probabilidade de ocorrerem r – 1 sucessos em k - 1 repetições, sendo estes dois eventos
independentes, a probabilidade de que o r-ésimo sucesso ocorra na k-ésima repetição do experimento
é dada por:
∗      −1−1 −1 −1 − −1   −1−1 −  ≥ 

( ; , )= .
(
( )
) ( ) ( )
=
(
( )
)
;
Onde;
p = probabilidade de “sucesso”; q = 1 - p = probabilidade de “fracasso”
Parâmetros característicos:
 
( )=

  ( )=
2
Ex.
Bob é o jogador de basquete da faculdade. Ele é um lançador de arremessos livres 70%. Isto significa
que sua probabilidade de acertar um arremesso livre é 0,70. Durante uma partida, qual é a probabilidade
que Bob acerte seu terceiro arremesso livre no seu quinto arremesso?
DISTRIBUIÇÃO HIPERGEOMÉTRICA
Um experimento hipergeométrico é um experimento estatístico que tem as seguintes propriedades:
• Uma amostra de tamanho n é selecionada aleatoriamente sem reposição de uma população de N itens.
• Na população, k itens podem ser classificados como sucessos e N – k itens podem ser classificados
como fracassos.
Considere o seguinte experimento estatístico. Você tem uma urna de 10 bolinhas de gude – 5 vermelhas
e 5 verdes. Você seleciona aleatoriamente 2 bolinhas de gude sem reposição e conta o número de
bolinhas vermelhas que você selecionou. Este seria um experimento hipergeométrico.
51
Prof. Inaba
Note que não será um experimento binomial. Um experimento binomial exige que a probabilidade de
sucesso seja constante em cada tentativa. Com o experimento acima, a probabilidade de um sucesso
muda em cada tentativa. No início, a probabilidade de selecionar uma bolinha vermelha é 5/10. Se você
selecionar uma bolinha vermelha na primeira tentativa, a probabilidade de selecionar uma bolinha
vermelha na segunda tentativa é 4/9. E se você selecionar uma bolinha verde na primeira tentativa, a
probabilidade de selecionar uma bolinha vermelha na segunda tentativa é 5/9.
Note ainda que se você selecionou as bolinhas com reposição, a probabilidade de sucesso não mudaria.
Ela seria 5/10 em cada tentativa. Então, este seria um experimento binomial.
NOTAÇÃO
A seguinte notação é útil, quando falamos a respeito da probabilidade hipergeométrica e distribuições

hipergeométricas:
• k: O número de itens na população que são classificados como sucessos.
• n: O número de itens na amostra.
• X: O número de itens na amostra que são classificados como sucessos.
•  
( )
( ) : O número de combinações de k coisas, tomando x coisas de cada vez.
• h(x;N,n,k): Probabilidade hipergeométrica - a probabilidade que um experimento hipergeométrico de

n tentativas resulte em exatamente x sucessos, quando população consistir de N itens, k dos quais são
classificados como sucessos.
Uma variável aleatória hipergeométrica X é o número de sucessos que resulta de um experimento

hipergeométrico. A distribuição de probabilidades de uma variável aleatória hipergeométrica é
chamada função distribuição hipergeométrica.
 −
  −
( )
ℎ     
( ; , , )=
( )
Parâmetros característicos:
Fazendo =
  e
− =  tem-se
 
   
( )= .
      
( )= . . .
 1
Ex.
1. No fichário de um hospital, estão arquivados os prontuários dos de 20 pacientes, que deram entrada
no OS apresentando algum problema cardíaco. Destes 5 sofreram infarto.
Retirando-se uma amostra ao acaso de 3 destes prontuários, qual a probabilidade de que dois deles
sejam de pacientes que sofreram infarto?
52
Prof. Inaba
Solução:
2. Suponha que selecionemos aleatoriamente 5 cartas baralho sem reposição de um de um maço

ordinário de jogo de baralho. Qual é a probabilidade de obter exatamente 2 cartas de baralho vermelhas
(isto é, copas ou ouros)?
3. Quando é feita amostragem de população finita sem reposição, a distribuição binomial não pode ser
usada porque os eventos não são independentes. Daí então a distribuição hipergeométrica é usada. Esta
é dada por
 −
  =  Distribuição hipergeométrica
é
−
Ela mede o número de sucessos X numa amostra de tamanho n extraída aleatoriamente e sem reposição
de uma população de tamanho N, da qual X t itens têm a característica de denotar sucesso.
a. Usando a fórmula, determine a probabilidade de extrair 2 homens numa amostra de 6 selecionada

aleatoriamente sem reposição de um grupo de 10 pessoas, 5 das quais são homens.
Solução
b. Qual resultado teria sido se tivéssemos (incorretamente) usado a distribuição binomial?
Solução
53
Prof. Inaba
DISTRIBUIÇÃO MULTINOMIAL
Um experimento multinomial é um experimento estatístico que tem as seguintes propriedades:
• O experimento consiste de n tentativas repetidas.
• Cada tentativa tem um número discreto resultados possíveis.
• Em qualquer tentativa dada, a probabilidade de que um particular resultado ocorrerá é constante.
• As tentativas são independentes; isto é, o resultado de u ma tentativa não afeta o resultado das outras
tentativas.
Considere o seguinte experimento estatístico. Você lança dois dados, três vezes e registra o resultado de
cada lançamento. Este é um experimento multinomial, porque:
• O experimento consiste de tent ativas repetidas. Lançamos o dado 3 vezes.
• Cada tentativa pode resultar num número discreto de resultados – 2 até 12.
• A probabilidade de qualquer resultado é constante; ela não muda de um lançamento para o próximo.
• As tentativas são independentes; is to é, obter um resultado particular numa tentativa não afeta o
resultado das outras tentativas.
Nota: Um experimento binomial é um caso especial de um experimento multinomial. Aqui está a

principal diferença. Com um experimento binomial, cada tentativa pode resultar em dois – e somente
dois – resultados possíveis. Com um experimento multinomial, cada tentativa pode ter dois ou mais
resultados possíveis.
Uma distribuição multinomial é a função distribuição de probabilidade dos resultados de um

experimento multinomial. A fórmula multinomial define a probabilidade de qualquer resultado de um
experimento multinomial.
Suponha um experimento multinomial que consiste de n tentativas, e cada tentativa pode resultar em
quaisquer dos k resultados possíveis: E1, E2, ..., Ek. Suponha, além disso, que cada resultado possível
possa ocorrer com probabilidades p1, p2, p3, ..., pk. Então a probabilidade p que E 1 ocorra n1 vezes, E2
ocorra n2 vezes, ..., e Ek ocorra nk vezes é:
 1 2   1 2 

=
!
!
!… !
. . …
Onde n = n1 + n2 + ... + nk
Os exemplos abaixo ilustram como usar a fórmula multinomial para calcular a probabilidade de um
resultado de um experimento multinomial.
Ex.
1. Suponha uma carta de baralho sendo extraída aleatoriamente de um maço de jogo de baralho, e depois
então devolvida ao maço. Este exercício é repetido 5 vezes. Qual é a probabilidade de se extraírem 1
espada, 1 copa, 1 ouros e 2 paus?
54
Prof. Inaba
Solução:
2. Suponha que temos um vaso com 10 bolinhas de gude – 2 bolinhas vermelhas, 3 bolinhas verdes e 5
bolinhas azuis. Selecionamos 4 bolinhas aleatoriamente do vaso, com reposição. Qual é a probabilidade
de selecionar 2 bolinhas verdes e 2 bolinhas azuis?
55
Prof. Inaba
EXERCÍCIO
Geométrica
1. A probabilidade de que haja alguma falha no lançamento de uma nave espacial é 10%. Qual é a
probabilidade de que para lançar a nave seja necessário:
a) 2 tentativas?
b) no máximo 3 tentativas?
c) Calcule o número esperado de tentativas de lançamento da nave espacial. Calcule também a variância
e o desvio padrão do número de tentativas de lançamento.
2. A probabilidade de que uma droga apresente reação positiva é 0,4. Qual a probabilidade de que menos
de 5 reações negativas ocorram antes da primeira positiva?
3. Suponha que a probabilidade de um componente de computador ser defeituoso é de 0,2. Numa mesa
de testes, uma batelada é posta à prova, um a um. Determine a probabilidade do primeiro defeito
encontrado ocorrer no sétimo componente testado.
Hipergeométrica
4. Numa Loteria, um apostador escolhe 6 números de 1 a 54. Qual a probabilidade dele acertar 5
números?
5. Entre os 16 programadores de uma empresa, 12 são do sexo masculino. A empresa decide sortear 5
programadores para fazer um curso avançado de programação. Qual é a probabilidade dos 5 sorteados
serem do sexo masculino?
Multinomial
6. Um experimento de genética envolve 6 genótipos mutuamente excludentes identificados por A, B, C,

D, E e F, todos igualmente prováveis. Testados 20 indivíduos, determine a probabilidade de obter
exatamente: 5 A; 4 B; 3 C; 2 D; 3 E; 3 F
7. Na inspeção de qualidade de um produto são utilizadas quatro categorias para classificação:

conforme, aproveitável, reciclável e refugado. As probabilidades de pertencer a cada um dos grupos são,
respectivamente: p1 = 0,70 , p2 = 0,15 , p3 = 0,10 e p3 = 0,05. Em um lote de 10 unidades, qual a
probabilidade de se encontrar seis unidades conformes, duas aproveitáveis, uma reciclável e uma
refugada?
Pascal
8. Joga-se um dado equilibrado. Qual é a probabilidade de serem necessários 10 lançamentos até a

terceira ocorrência de um seis?
9. Deseja-se produzir 5 peças boas, em uma máquina que dá 20% de peças defeituosas. Qual é a
probabilidade de ser necessário fabricar 8 peças para se conseguir as 5 peças boas?
56
Prof. Inaba
8. DISTRIBUIÇÕES CONTÍNUAS
Variável aleatória contínua é aquela que pode assumir inúmeros valores num intervalo de números reais
e é medida numa escala contínua. Por exemplo, uma variável aleatória contínua deve ser definida entre
os números reais 0 e 1, ou números reais não negativos ou, para algumas distribuições, qualquer número
real. A temperatura, a pressão, a precipitação ou qualquer elemento medido numa escala contínua é uma
variável aleatória contínua.
Existem duas funções associadas a cada variável contínua X: a função densidade de probabilidade,
simbolizada por f(X), e a função cumulativa de probabilidade, ou função de distribuição de
probabilidade representada por F(X). A função f(X) é aquela cuja integral de X = a até X = b ( b ≥ a) dá a
probabilidade de que X assuma valores compreendidos no intervalo (a, b), ou seja,

( ≤  ≤  ) =   ( )
A função cumulativa de probabilidade F(b) é tal que:

() =  ( ≤ ) = −∞ ( )
Qualquer função definida no campo real só pode ser considerada como uma função densidade de
probabilidade se forem satisfeitas as seguintes condições:
  ≥
( ) 0
Para todo X e
∞
 ( ) = −∞ ( ) = 1
A probabilidade de que a variável X assuma valores no intervalo (a, b) é dada por:

 ≤≤
( )=   ( ) = () ()
e a probabilidade de que a variável contínua X assuma um valor em particular, b, por exemplo, é:

 ≤≤
( )=   ( ) = () () = 0
Há muitas distribuições teóricas contínuas. Algumas das mais usadas aqui são: distribuição normal,
distribuição gamma, distribuição de valores extremos e distribuição exponencial. Neste material vamos
tratar dos modelos probabilísticos citados, que têm importância prática na investigação científica,
abordando as formas das funções densidade de probabilidade, bem como a esperança e a variância.
DISTRIBUIÇÃO UNIFORME
Uma distribuição de variável aleatória contínua é a distribuição uniforme cuja função densidade de
probabilidade é constante dentro de um intervalo de valores da variável aleatória X.
57
Prof. Inaba
A variável aleatória X tem distribuição uniforme de probabilidades no intervalo (a, b) se a função

densidade f(x) for:
  1
( )=
−, com as seguintes condições b ≥ a e a ≤ x ≤ b.
A representação gráfica da distribuição uniforme é um retângulo com base definida pelos valores a e b
que estabelecem os limites de valores possíveis da variável aleatória X,
Da definição da distribuição uniforme deduzimos:
• A área do retângulo é igual a 1, pois a base é (b – a) e a altura 1/(b – a).
• A probabilidade da variável aleatória X ser igual ou maior que a e, ao mesmo tempo, menor ou igual
i gual a
b é igual a 1 ou 100%
A média e a variância da variável aleatória X com distribuição uniforme de probabilidades no intervalo

(a, b) são:
Média:  +
=
2
− 
Variância: 2 = 12
( )
Ex.
1. A variável aleatória X tem distribuição uniforme no intervalo (50, 200). Calcular a média e o desvio
padrão.
Solução
2. Continuando o Exemplo 1, qual a probabilidade de um valor da variável X se encontrar entre 110 e

150?
58
Prof. Inaba
DISTRIBUIÇÃO NORMAL
Uma variável aleatória contínua inclui, em seus resultados, valores tanto inteiros como não
inteiros, não pode ser adequadamente
adequadamente por uma distribuição discreta.
As distribuições normais ocupam posição importantíssima tanto na estatística teórica como na

aplicada, por várias razões. Uma delas é que, com bastante frequência, elas representam, com boa
aproximação, as distribuições de frequência observadas de muitos fenômenos naturais e físicos. Outra
razão é que as normais servem como aproximação de probabilidades binomiais, quando n é grande.
Todavia, o motivo mais importante da proeminência da distribuição normal é que as distribuições tanto
das médias como das proporções
proporções em grandes amostras tendem a ser distribuídas normalmente, o que
tem relevante implicação na amostragem.
Definição. A variável aleatória X, que tome todos os valores reais − ∞ < x < ∞ , tem uma distribuição
normal (ou Gaussiana) se sua função distribuição de probabilidade for da forma
2
1  x − µ 
1 −  
f ( x) = e 2  σ 
,−∞ < x < ∞ .
σ 2π
Os parâmetros µ
e σ devem satisfazer às condições − ∞ < x < ∞ , σ >
> 0 .
Características da distribuição normal:

+∞
i). f ( x) ≥ 0 e ∫
-∞
f ( x)dx = 1
ii). No aspecto gráfico f ( x) representa a bem conhecida curva forma de sino, mostrada na figura. Visto
2
que f depende de x somente através da expressão ( x − µ ) , torna-se evidente que o gráfico de f será
simétrico em relação a µ .
59
Prof. Inaba
f(x)
x =µ x
 i nterpretadoo geometricamente. Observa-se que para x = µ , o gráfico

O parâmetro também pode ser interpretad
é descendente, de concavidade para baixo. Quando x → ±∞ , f ( x ) → 0 , assintoticamente. Visto que
f ( x ) ≥ 0 para todo x, isto significa que, para valores grandes de x (positivos ou negativos), o gráfico tem
concavidade para cima. O ponto no qual
qual a concavidade muda de é denominado ponto de inflexão
inflexão e que
será localizado pela resolução da equação f"(x) = 0. Ao fazer isso
i sso verificamos que os pontos de inflexão
µ
ocorrem para x = µ ±
± σ . Isto é, σ unidades para direita e para esquerda de o gráfico muda de
concavidade. Por isso, se σ for relativamente grande, o gráfico tende a ser achatado,
achatado, enquanto se σ
for pequeno, o gráfico tende a ser bastante pontiagudo.
pontiagudo.
iii). A área sob a curva normal entre dois pontos é a probabilidade de uma variável normalmente
distribuída tomar um valor entre esses pontos. Isto é,
1  x − µ  2
1 b −  
P(a ≤ X ≤ b) =
σ 2π
∫
a
e 2  σ 
dx
Esta integral não pode ser calculada pelos caminhos comuns. No entanto, métodos de integração
numérica podem ser empregados para calcularem integrais da forma acima, verdadeiramente estes
valores têm sido tabelados.
OBS: É essencial reconhecer que uma distribuição normal é uma distribuição teórica. Para mensurações
físicas grupadas numa distribuição de frequência, é uma distribuição ideal; nenhum conjunto de valores
efetivos se adaptará exatamente a ela. Assim é que, por exemplo, os valores reais não variam entre
−∞ e + ∞ . Não obstante, tais deficiências são amplamente contrabalançadas pela facilidade de
utilização da distribuição normal na obtenção de probabilidades, e pelo fato de que a referida
distribuição ainda constitui uma boa aproximação de dados reais. Assim, quando se diz que uma variável
aleatória (física) é distribuída normalmente,
normalmente, a afirmação deve ser interpretada como uma implicação de
que a distribuição de frequência de seus resultados possíveis pode ser satisfatoriamente bem
aproximada pela distribuição normal de probabilidades. Portanto, a curva normal é um modelo.
Distribuição Normal Padronizada
A distribuição normal constitui, na realidade, uma família infinitamente grande de distribuições

- uma para cada combinação possível de média e desvio padrão. Conseqüentemente, seria inútil
procurar elaborar tabelas que atendessem a todas as necessidades. O problema de lidar
li dar com uma família
60
Prof. Inaba
infinita de distribuições normais pode ser completamente evitado desde que se trabalhe com valores
relativos, ao invés de valores reais. Isto equivale a tomar a média como ponto de referência (origem) e
o desvio padrão como medida de afastamento a contar daquele ponto (unidade de medida). Esta nova
escala é comumente conhecida como escala z, i.e., z é variável padronizada correspondente a X.
Algebricamente, pode-se escrever
X − µ
z =
σ
z → número de desvios padrões a contar da média

X → valor arbitrário
µ → a média da distribuição normal

σ → o desvio padrão
O cálculo da probabilidade em um intervalo a ≤ z ≤ b é:
1 2
1 b − z
P(a ≤ z ≤ b) =
σ 2π
∫a e 2 dz
que é a área sob a curva normal padronizada de a até b.

1 2
1 b − z
Felizmente P(0 ≤ z ≤ b) = A0b =
σ 2π
∫e
0
2
dz estão tabelados.
Exemplos:
1). Se a expressão "área" se refere à área sob a curva normal padronizada, determine o valor ou os
valores de z tais que:(para cada caso faça a interpretação gráfica)
a) área entre 0 e z igual a 0,3770
61
Prof. Inaba
b) área à esquerda de z igual a 0,8621
c) área entre 1,5 e z igual a 0,0217
2).Dado que uma população com média 25 e desvio padrão 2 tem distribuição normal, determine o valor
de z para o valor da população igual a 23.
3).Uma distribuição normal tem média 50 e desvio padrão 5.Que percentagem da população está em
cada um dos seguintes intervalos:
a) de 56 a 60
b) de 40 a 65
c) de 45 a 65
1). Uma população normal tem média 50 e desvio padrão 3.Determine os valores correspondentes aos
seguintes valores de z:
a) 0,10
62
Prof. Inaba
b) -2,53
2). Um fornecedor de ferro alega que seu produto apresenta resistência à tensão aproximadamente
normal com média de 50 000 psi e variância de 8100. Supondo verdadeira a hipótese, que resultado da
mensuração dará resultado:
a) superior a 50 000 psi
b) inferior a 49 550 psi
c) entre 13 500 psi e 50 000 psi
3. Suponhamos que a altura dos estudantes do sexo masculino de certa universidade seja uma variável
normal, com 1,69m de média e desvio padrão 0,03. Determine:
a). A porcentagem de alunos de altura superior a 1,72m
b). A probabilidade de que um aluno escolhido aleatoriamente tenha altura entre 1,66m e 1,72m.
63
Prof. Inaba
c). A probabilidade de que um aluno escolhido aleatoriamente tenha altura inferior a 1,63m.
64
Prof. Inaba
EXERCÍCIO
1. Dado que uma população com média 25 e desvio padrão 2 tem distribuição normal, determine os
valores de z para os seguintes valores da população:
a) 23,5 b) 24,0 c) 25,2 d) 25,5
2. Uma população normal tem média 50 e desvio padrão 3. Determine os valores correspondentes aos
seguintes valores de z:
a) 2,00 b) 0,75 c) -3,00 d) -3,20
3. Uma distribuição normal tem média 50 e desvio padrão 5. Que percentagem da população está em
cada um dos seguintes intervalos:
a) de 40 a 50 b) de 49 a 50 c) de 40 a 45
4. Suponha que a renda média de uma grande comunidade possa se razoavelmente aproximada por uma
distribuição normal com média $1500 e desvio padrão de $300.
a) Que percentagem da população terá renda superior a $1860?
b) Numa amostra de 50 assalariados, quantos podemos esperar que tenham menos de $1050 de renda?
5. O processo de empacotamento em uma companhia de cereais foi ajustado de maneira que uma média
de 13,0Kg de cereal é colocado em cada saco. É claro que nem todos os sacos têm precisamente 13,0Kg
devido a fontes aleatórias de variabilidade. O desvio padrão do peso líquido é 0,1Kg, e sabe -se que a
distribuição dos pesos segue uma distribuição normal. Determinar a probabilidade de que um saco
escolhido aleatoriamente contenha entre 13,0 e 13,2Kg de cereal. Ilustrar a proporção da área sob a
curva normal que está associada com o valor da probabilidade.
6. Para a situação descrita no problema 5 faça o que se pede:
a).Calcular a probabilidade de que o peso exceda 13,25Kg e ilustrar a proporção da área sob a curva
normal.
b).Calcular a probabilidade de que o peso de cereal esteja entre 12,8 e 13,1Kg e ilustrar a proporção da
área sob a curva normal que é relevante neste caso
7. O tempo necessário, em uma oficina, para o conserto da transmissão de um tipo de automóvel é

normalmente distribuído com média igual a 45min. e desvio padrão 8,0min. O mecânico planeja
começar o conserto do carro de um cliente 10 min. após o carro ter sido deixado na oficina, comunicando
o cliente que o carro estará pronto em um tempo total de 1hora.
a).Qual a probabilidade de que o mecânico esteja enganado?
b).Qual a previsão de tempo de trabalho para que haja 90% de probabilidade de que o conserto da
transmissão se efetue dentro do prazo previsto?
65
Prof. Inaba
DIDTRIBUIÇÃO EXPONENCIAL
A distribuição exponencial é geralmente aplicada à dados com forte assimetria3 como aqueles cujo
histograma tem a forma da figura abaixo, ou seja, de J invertido. Quando os serviços prestados por uma
empresa para clientes externos ou internos são de duração variável é esta distribuição a indicada para
analisar esses experimentos, por exemplo, a duração do atendimento do caixa de um banco ou de
postos de saúde, o tempo de operação sem interrupção de um equipamento, etc.
Esta é uma distribuição que se caracteriza por ter uma função de taxa de falha constante. A distribuição
exponencial é a única com esta propriedade. Ela é considerada uma das mais simples em termos
matemáticos. Esta distribuição tem sido usada extensivamente como um modelo para o tempo de vida
de certos produtos e materiais. Ela descreve adequadamente o tempo de vida de óleos isolantes e
dielétricos, entre outros.
A variável aleatória X tem distribuição Exponencial com parâmetro λ, λ>0, se tiver função densidade de
probabilidade dada por:
  �− ≥
( )=
0 <0
0
Em que o parâmetro λ>0 é o tempo médio de vida e t é um tempo de falha.
O parâmetro deve ter a mesma unidade do tempo da falha t. Isto é, se x é medido em horas, λ também
será medido em horas.
  ∫0    � − ≥
A função distribuição F(t) é dada por ( ) = ( ) = 1
0 <0
0
Para o cálculo das probabilidades podemos usar as seguintes fórmulas
   −   ≤  −
( > )= e ( )=1
Parâmetros característicos

Média: =
1

1
Variância:  2 = 
66
Prof. Inaba
Ex.
1. O tempo até a falha do ventilador de motores a diesel tem uma distribuição Exponencial com
parâmetro λ =
1 horas. Qual a probabilidade de um destes ventiladores falhar nas primeiras 24000
28700
horas de funcionamento?
Solução:
2. Suponha que em determinado período do dia, o tempo médio de atendimento em um caixa de banco
seja de 5 minutos. Admitindo que o tempo para atendimento tenha distribuição exponencial, determine
a probabilidade de um cliente:
a) esperar mais do que 5 minutos.
b) esperar menos do que 5 minutos.
67
Prof. Inaba
EXERCÍCIO
1. Uma lâmpada tem a duração de acordo com a densidade de probabilidade a seguir
 0,
   −1000  ≥
( )= 1
<0
, 0
1000
Determine:
a) a probabilidade de que uma lâmpada qualquer queime antes de 1.000 horas;
b) a probabilidade de que uma lâmpada qualquer queime depois de sua duração média;
c) o desvio padrão da distribuição.
2. O tempo de atendimento numa oficina é aproximadamente exponencial com média de quatro minutos.
Qual é a probabilidade de:
a) espera superior a quatro minutos?
b) espera inferior a cinco minutos?
c) espera de exatamente quatro minutos?
3. Sabemos que o intervalo entre ocorrências sucessivas de uma doença contagiosa é uma variável
aleatória que tem distribuição exponencial com média de 100 dias. Qual é a probabilidade de não se ter
registro de incidência da doença por pelo menos 200 dias a partir da data em que o último caso for
registrado?
4. Se ocorrem 3 chuvas catastróficas com duração de 1 hora a cada 10 anos, qual a probabilidade de que
leve menos de 1 ano até a próxima ocorrência?
5. Dados históricos de terremotos em San Francisco, Ca, mostram que no período de 1836 – 1916,
ocorreram 16 terremotos de grande intensidade. Se a ocorrência de terremotos desta intensidade segue
uma distribuição de Poisson, qual a probabilidade de ocorrerem terremotos nos próximos dois anos?
68

Idioma

Qdoc - Tips Estatistica I 2014 A

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Qdoc - Tips Estatistica I 2014 A

Enviado por

Direitos autorais:

Formatos disponíveis

ESTATÍSTICA I - UNIVERSIDADE CANDIDO MENDES – N.

1. CONCEITOS BÁSICOS ............................................................................................................................................................... 3

IDADE MÉDIA: as informações eram tabuladas com finalidades tributárias e bélicas.

A coleta, a organização, a descrição dos dados, o cálculo e a interpretação de coeficientes pertencem à

ETAPAS DA PESQUISA: FASES DO MÉTODO ESTATÍSTICO

3º - COLETA DE DADOS: Fase operacional. É o registro sistemático de dados, com um objetivo

DEFINIÇÕES BÁSICAS DA ESTATÍSTICA

ESTIMATIVA: é um valor aproximado do parâmetro e é calculado com o uso da amostra.

ATRIBUTO: quando os dados estatísticos apresentam um caráter qualitativo, o levantamento e os

dicotomia: duas subclasses (masculino e feminino)

Exemplo de classificação policotômica do atributo: Alunos da UCAM quanto ao estado civil.

atributo: estado civil...............classe: alunos da UCAM

dicotomia: mais de duas subclasses (solteiro, casado, divorciado, viúvo, etc.).

1. Cor dos olhos das alunas... Resp:qualitativa

2. Índice de liquidez nas indústrias Friburguense... Resp:quantitativa contínua

3. Produção de café no Brasil... Resp:quantitativa contínua

4. Número de defeitos em aparelhos de TV... Resp:quantitativa discreta

5. Comprimento dos pregos produzidos por uma empresa... Resp:quantitativa contínua

6. O ponto obtido em cada jogada de um dado... Resp:quantitativa discreta

2. FORMAS DE ORGANIZAÇÃO E APRESENTAÇÃO DE DADOS

SÉRIES ESTATÍSTICAS E GRÁFICOS ESTATÍSTICOS

Consiste em dispor os dados em linhas e colunas distribuídas de modo ordenado. A elaboração de

Elementos de uma tabela

Título: O título deve responder as seguintes questões:

O que? (Assunto a ser representado (Fato));

Onde? (O lugar onde ocorreu o fenômeno (local));

Quando? (A época em que se verificou o fenômeno (tempo)).

Cabeçalho: parte da tabela na qual é designada a natureza do conteúdo de cada coluna.

Corpo: parte da tabela composta por linhas e colunas.

Linhas: parte do corpo que contém uma sequência horizontal de informações.

Colunas: parte do corpo que contém uma sequência vertical de informações.

Fonte: refere-se à entidade que organizou ou forneceu os dados expostos.

• um traço horizontal (-) quando o valor é zero;

• três pontos (...) quando não temos os dados;

ABC VEÍCLULOS LTDA.

Vendas no 1º bimestre de 2002

PERÍODO UNIDADES VENDIDAS *

ABC VEÍCLULOS LTDA.

Vendas no 1º bimestre de 2002

FILIAIS UNIDADES VENDIDAS *

ABC VEÍCLULOS LTDA.

Vendas no 1º bimestre de 2002

MARCA UNIDADES VENDIDAS *

O exemplo abaixo é de uma série geográfica-temporal.

ABC VEÍCLULOS LTDA.

Vendas no 1º bimestre de 2002

FILIAIS Janeiro/96 Fevereiro/96

Gráficos de informação: São gráficos destinados principalmente ao público em geral, objetivando

Classificação dos gráficos: Diagramas, Estereogramas, Pictogramas e Cartogramas.

Gráficos em barras horizontais

Gráficos em barras verticais (colunas)

Gráficos em barras ou colunas superpostas

Gráficos em linhas ou lineares

Quando representamos, em um mesmo sistema de coordenadas, a variação de dois fenômenos, a parte

ROL:É a tabela obtida após a ordenação dos dados (crescente ou decrescente).

Um gráfico usado para mostrar a forma da distribuição de um conjunto de dados quantitativos é o

Classes Frequências (fi)

ELEMENTOS DE UMA DISTRIBUIÇÃO DE FREQUÊNCIA (com intervalos de classe):

CLASSE: são os intervalos de variação da variável e é simbolizada por i.

Ex: na tabela anterior, temos 5 classes e 49 53 é a 3ª classe, onde i=3.

Ex: na tabela anterior hi= 53 - 49 = 4.

Ex: na tabela anterior AT = 61 - 41= 20.