Escolar Documentos
Profissional Documentos
Cultura Documentos
Reitor
Arody Cordeiro Herdy
1ª Edição
Produção: Gerência de Desenho Educacional - NEAD Desenvolvimento do material: Jhoab Pessoa de
Negreiros, Sergio Ricardo Pereira de Mattos e Tereza Luzia
de Mello Canalli
Copyright © 2020, Unigranrio
Nenhuma parte deste material poderá ser reproduzida, transmitida e gravada, por qualquer meio eletrônico, mecânico, por
fotocópia e outros, sem a prévia autorização, por escrito, da Unigranrio.
Sumário
Apresentação ...................................................................................... 9
Objetivos Gerais .................................................................................. 11
Conceitos Básicos
Para início de conversa... ...................................................................... 13
Objetivo ............................................................................................. 15
1. População ............................................................................ 17
2. Amostra ............................................................................... 18
3. Variáveis .............................................................................. 26
Referências ......................................................................................... 29
Exercícios ........................................................................................... 30
Representação Gráfica e Tabular
Para início de conversa… .................................................................... 33
Objetivo ............................................................................................ 35
1. Tipos de Gráficos ................................................................... 37
1.1 Gráficos em Coluna ................................................................ 37
1.2 Gráfico de Linha .................................................................... 37
1.3 Gráfico em Setor Circular ........................................................ 38
1.4 Histograma ........................................................................... 40
1.5 Pictograma ........................................................................... 41
2. Tipos de Tabelas .................................................................... 42
2.1 Confecção de uma Tabela Simples ........................................... 42
2.1.1 Título da Tabela .................................................................... 43
2.1.2 Cabeçalho ............................................................................ 44
2.1.3 Coluna Indicadora ................................................................. 44
2.1.4 Corpo da Tabela .................................................................... 45
2.2 Séries Estatísticas .................................................................. 46
2.2.1 Histórica, Cronológica ou Temporal ........................................... 46
2.2.2 Geográfica, Espacial ou Territorial ............................................. 47
2.2.3 Específica ou Categórica ......................................................... 48
3. Distribuição de Frequência ..................................................... 48
3.1 Tabela Primitiva ..................................................................... 49
3.2 Rol ...................................................................................... 49
3.3 Construção de Distribuição de Frequências ................................. 50
Referências ......................................................................................... 59
Medidas de Posição
Para início de conversa… .................................................................... 61
Objetivo ............................................................................................. 63
1. Média .................................................................................. 65
1.1 Média Aritmética Simples de uma Amostra de Dados ................. 65
1.1.1 Dados não Agrupados em Classes ............................................ 65
1.1.2 Dados Agrupados em Classes .................................................. 66
1.2 Média Aritmética Ponderada .................................................... 67
1.3 Média Geométrica (G) ........................................................... 68
1.4 Média Harmônica Simples (H) ................................................ 69
2. Moda ................................................................................... 71
2.1 Dados Não Agrupados em Classes ............................................ 71
2.2 Dados Agrupados em Classes .................................................. 72
3. Mediana ( Md ) ..................................................................... 73
3.1 Dados Não Agrupados em Classes ........................................... 74
3.2 Dados Agrupados em Classes .................................................. 75
3.3 Separatriz ............................................................................ 75
3.3.1 Percentil ............................................................................... 76
3.3.1.1 Dados Agrupados em Classes ................................................. 76
3.3.2 Decil .................................................................................... 79
3.3.2.1 Dados Agrupados em Classes .................................................. 79
3.3.3 Quartil ................................................................................. 79
2.3.3.1 Dados Agrupados em Classes .................................................. 80
Referências ......................................................................................... 83
Exercícios Resolvidos ............................................................................ 85
Medidas de Dispersão
Para início de conversa… .................................................................... 91
Objetivos ............................................................................................ 93
1. Variância e Desvio Padrão ....................................................... 95
1.1 Variância e Desvio Padrão de Dados Não Agrupados em Classes ... 95
1.1.1 Variância e Desvio Padrão de uma População ............................ 95
1.1.2 Variância e Desvio Padrão de uma Amostra de Dados ................. 96
1.2 Variância e Desvio Padrão de Dados Agrupados em Classes ........ 99
2. Coeficiente de Variação (CV) ................................................... 100
3. Desvio Médio (DM) ......................................................................... 106
Referências ......................................................................................... 109
Exercícios ........................................................................................... 110
Estatística 9
século XVII – alavancou ainda mais tal ciência. Atualmente, ela é aplicada
em praticamente todas as áreas de conhecimento humano, nos auxiliando
na tomada de decisões de uma maneira mais estruturada. Com o advento da
tecnologia e por uma necessidade cada vez maior de analisar dados e deles
tirar conclusões, precisamos aprender essa ciência e utilizá-la como uma
pujante ferramenta.
10 Estatística
Objetivos Gerais
Desenvolver o pensamento estatístico por meio de situações-problema.
Estatística 11
Conceitos Básicos
Para início de conversa...
Antes de nos aprofundarmos no estudo desta disciplina, veremos
alguns conceitos básicos necessários à aprendizagem dos temas. Falaremos
sobre o Método Estatístico, população, amostra, técnicas de amostragem e os
diferentes tipos de variáveis.
Estatística 13
Objetivo
Conceituar os principais termos estatísticos: População, Amostra
e Variável.
Estatística 15
1. População
Estatisticamente falando, uma população é o conjunto da totalidade dos
indivíduos sobre o qual se faz uma inferência. Isto é, é o conjunto constituído
por todas as unidades experimentais (ou observacionais) que apresentam
pelo menos uma característica comum e ela pode ser finita ou infinita. Por
exemplo, todos os professores da Unigranrio formam uma população (no
caso, finita). Eles poderiam até ter outras coisas em comum, mas o fato de
todos lecionarem na mesma instituição faz deles um exemplo de população.
1. Definir a variável
É a delimitação do problema, isto é, definir o que você irá pesquisar.
2. Realizar a pesquisa
É o momento de coletar os dados correspondentes às variáveis
escolhidas.
Estatística 17
3. Organizar os dados
É a parte de elaborar tabelas ou gráficos a partir dos dados coletados.
4. Analisar os resultados
Utilizando diferentes conceitos estatísticos, analisamos os
resultados obtidos na amostra, objetivando tirar conclusões válidas
para a população.
2. Amostra
Na Estatística, é necessário definir um outro conjunto além da
população. Esse conjunto é chamado de amostra e, à medida que você
avançar nos estudos nesta disciplina, perceberá a sua importância. Contudo,
a definição de uma amostra é bem simples, trata-se do subconjunto finito de
uma população. Veja os seguintes exemplos:
▪▪ Exemplo 1
População: O conjunto de todos os torcedores de um determinado
time de futebol.
Amostra: O conjunto dos torcedores desse mesmo time que têm
mais que 18 anos.
▪▪ Exemplo 2
População: O conjunto de todas as baleias de uma determinada região.
Amostra: O conjunto de baleias dessa mesma região que possuem
um chip de monitoramento remoto, de coleta de dados, que visa o
estudo e preservação desse animal.
▪▪ Exemplo 3
População: Conjunto de pessoas portadoras de HIV (soropositivas
HIV), no Brasil.
Amostra: Conjunto das pessoas portadoras de HIV
(soropositivas HIV) que fazem tratamento no Hospital
Universitário Gaffrée Guinle.
18 Estatística
Veja, agora, um esquema em que exemplificamos uma população
estatística e algumas de suas possíveis amostras:
Exemplos de
amostras
População
Figura 1: Exemplo de uma população e algumas de suas diferentes amostras. Fonte: Elaborado pelos autores.
Importante
Dependendo do contexto, um mesmo conjunto pode desempenhar o papel de população
ou de amostra. Por exemplo, todos os alunos da Universidade Unigranrio podem ser
considerados uma população, da qual todos os alunos que estudam no Campus Duque
de Caxias compõem uma amostra. Porém, se consideramos como população todos os
universitários brasileiros, o conjunto de todos os alunos da Unigranrio se torna uma amostra.
Estatística 19
a realização da pesquisa. Mas, quantos elementos precisam ser utilizados de
modo que a amostra seja representativa? Para esse cálculo, podemos utilizar a
fórmula descrita a seguir:
( 0,5. Z ) N
2
n=
( 0,5.Z ) + ( N − 1.) e2
2
20 Estatística
obtido pode ter uma variação aceitável de até 3 pontos percentuais, para mais
ou para menos, em relação ao valor real. Se em uma pesquisa, o candidato
A tem 25% das intenções de votos, e o candidato B tem 27%, eles serão
considerados tecnicamente empatados, em virtude da margem de erro que,
no primeiro caso, varia entre 22% e 28%, e no segundo, entre 24% e 30%.
Importante
Existem outras fórmulas para a determinação do número de elementos de uma amostra,
estas envolvem outros parâmetros não estudados neste material.
▪▪ Exemplo 4:
Calcule o tamanho de uma amostra, de nível de 95%, com uma
margem de erro de 4%, sabendo-se que a população possui
5000 elementos.
Como a população é finita, temos: (Importante: 4% equivale
a 0,04)
( 0,5.Z ) .N
2
n=
( 0,5.Z ) + ( N − 1) .e2
2
n =
( 0,5. 1,96 ) + ( 5000 − 1) .0, 042
2
4802
=n = 534,83
8,9784
Aproximadamente, 535 pessoas.
Estatística 21
Se esse mesmo problema fosse relativo à uma população com mais
100.000 elementos, usaríamos a fórmula para uma população infinita do
seguinte modo.
2
Z
n=
2.e
2
1,96
n=
2. 0, 04
2
1,96
n =
0, 08
n = ( 24,5 )
2
n = 600, 25
Aproximadamente, 600 pessoas.
2.2 Amostragem
Para que uma amostra seja representativa e, consequentemente, possa
ser utilizada para extrapolarmos as conclusões para a população, é necessário
que sigamos determinadas regras na seleção de seus elementos. Esse processo
de escolha se chama amostragem. Observe o exemplo a seguir:
▪▪ Exemplo 5:
Uma nutricionista decide verificar a incidência de obesidade em um
determinado município, com cerca de cento e vinte mil habitantes.
Como é inviável pesar e medir todos os habitantes, ela decidiu fazê-
lo com alguns moradores (amostra). Para tal, montou um quiosque
de assistência em uma praça do centro desta cidade, no qual ofereceu
alguns serviços básicos de saúde, dentre eles, o cálculo do Índice
de Massa Corpórea (IMC) de todos os voluntários. Os resultados
foram alocados na tabela a seguir:
22 Estatística
Analisando os resultados obtidos, ela verificou que 21 homens
estavam com o peso normal (30%) e 49 tinham algum grau de obesidade.
Daí, concluiu que 70% dos homens do referido município tinham algum
grau de obesidade.
Estatística 23
a cada transeunte se o mesmo é portador do vírus e se deseja
participar do teste de um novo medicamento? Nesse caso, ele deve
utilizar a amostra que lhe convém, como ir em um hospital de
referência da doença e procurar voluntários para o teste.
Curiosidade
Os medicamentos antirretrovirais (ARV) agem inibindo a multiplicação do HIV no organismo,
evitando assim o enfraquecimento do sistema imunológico. Atualmente, há 22 desses
medicamentos. O AZT é bem conhecido.
Aleatória simples
Por conglomerado
Probabilística
(ou aleatória)
Sistemática
Por conveniência
Não probabilística
Intencional
24 Estatística
município que possui cerca de 130.000 habitantes e um baixo
Índice de Desenvolvimento Humano (IDH). Faremos, a seguir,
uma descrição de todo o processo:
Estatística 25
verificou que os mais idosos não dispunham desse serviço. De
posse deste estudo, solicitou à prefeitura que ofertasse um curso
de informática voltado à terceira idade e que definisse políticas
públicas nesse sentido.
3. Variáveis
Uma variável é o conjunto de resultados possíveis de um fenômeno.
As variáveis podem ser divididas em qualitativas ou quantitativas.
▪▪ Exemplo 6:
Cor dos olhos: Qualitativa (pois é um atributo) nominal (não existe
uma ordem predeterminada, que organize as cores dos olhos).
▪▪ Exemplo 7:
Nível de escolaridade: Qualitativa (é um atributo, não um número)
ordinal (aceita ordenação). Por exemplo, nível fundamental
completo, nível médio completo, nível superior completo.
▪▪ Exemplo 8:
Número de seguidores no Facebook, de uma determinada pessoa:
Quantitativa (é um número) discreta (não podemos ter, por exemplo,
41,5 seguidores, apenas um número inteiro de seguidores).
▪▪ Exemplo 9:
Velocidade de download de um plano de internet: Quantitativa (é
um número) contínua (podemos ter um valor que não seja um
número inteiro, por exemplo, 131,37 Mbps).
26 Estatística
Nominal
Qualitativa
(ou categórica)
Ordinal
Tipos de variáveis
Discreta
Quantitativa
(ou numérica)
Contínua
Figura 3: Resumo dos diferentes tipos de variáveis. Fonte: Elaborado pelos autores.
Importante
Ao realizarmos uma pesquisa, devemos nos preocupar com os possíveis resultados de um
fenômeno (variáveis). Por exemplo, se o pesquisador fizer a pergunta “Que comida você
mais gosta?”, teria uma quantidade praticamente infinita de variáveis possíveis. Isso tornaria
inviável a organização e a análise dos dados.
Nesse caso, uma opção seria reescrever a pergunta como “Dentre as opções de comida a
seguir, qual você mais gosta?” Isso restringiria o número de possíveis respostas para um
quantitativo aceito pelo pesquisador.
Estatística 27
28 Estatística
Referências
FERNANDES, M. C. Estudando estatística e conhecendo um pouco de
história da matemática. O professor PDE e os desafios da escola pública
paranaense. (Cadernos PDE). Curitiba, 2010. Disponível em: www.
diaadiaeducacao.pr.gov.br/portals/cadernospde/pdebusca/producoes_
pde/2010/2010_utfpr_mat_artigo_maria_concilia_fernandes.pdf. Acesso
em: 17 jun. 2019.
Estatística 29
Exercícios
1. Classifique as asserções em verdadeiras (V) ou falsas (F) e marque
o item que exibe a ordem correta das respostas.
( ) A cor dos olhos de uma pessoa é um exemplo de variável
quantitativa ordinal.
( ) O bairro onde uma pessoa reside é um exemplo de variável
qualitativa nominal.
( ) O nível de escolaridade de uma pessoa é um exemplo de variável
qualitativa ordinal.
a. V, F, V.
b. F, V, V.
c. V, V, F.
d. F, F, V.
e. V, V, V.
30 Estatística
3. Estatisticamente falando, uma amostra é:
a. Qualquer exemplo de variável.
a. Algo no qual você testa as tuas hipóteses.
b. Um subconjunto finito de uma população.
c. É um conjunto que tem um exemplo que representa bem o
conjunto de dados.
d. A metade da população.
Gabarito
Estatística 31
Representação Gráfica
e Tabular
Para início de conversa…
É comum vermos, no nosso cotidiano, reportagens que fazem uso
de gráficos e tabelas para resumir as informações que pretendem difundir.
Assuntos como a variação do câmbio, o grau de satisfação do cidadão com seu
governante ou as intenções de voto dos eleitores são frequentemente divulgadas
de maneira gráfica e tabular. Essa utilização se dá em função da facilidade de
“leitura” de um gráfico – por exemplo, uma variação de um determinado
dado, exibida por meio de um gráfico em linha, pode ser percebida até mesmo
por uma pessoa fora do meio acadêmico.
Estatística 33
Objetivo
Identificar os principais elementos de uma Distribuição de Frequências
e interpretar tabelas e gráficos.
Estatística 35
1. Tipos de Gráficos
A exposição de dados por meio de gráficos facilita a “leitura” e o
entendimento dos resultados da pesquisa. Existem inúmeros tipos de gráficos,
mas, aqui, trataremos apenas dos mais importantes. Cabe lembrar que os
exemplos a seguir foram construídos com o auxílio do software Excel.
18
9
8
18
8
8
9
8
9
8
18
/1
r/1
/1
/1
/1
/1
/1
/1
/1
io/
v/
jul/
abr
ago
dez
out
fev
jun
jan
set
ma
ma
no
Estatística 37
tabela podem ser facilmente plotadas em um gráfico de linha. Ele é muito
utilizado para mostrar a variação periódica (quinzenal, mensal, bimestral,
semestral etc.) de um valor, como o preço de um produto. O Gráfico 2, a
seguir, exibe os mesmos dados do exemplo anterior, porém, utilizando um
gráfico de linha.
510.00
490.00
470.00
450.00
430.00
410.00
390.00
18
9
8
18
8
8
8
9
8
9
8
18
r/1
/1
/1
/1
/1
/1
/1
/1
/1
io/
v/
jul/
ago
dez
out
abr
fev
jun
jan
set
ma
ma
no
Importante
Para plotar um gráfico no Excel, digite os dados no programa, selecione as colunas que
deseja representar graficamente, clique no menu “Inserir”, depois na opção “Gráfico”, e
escolha o tipo que deseja usar.
38 Estatística
As condições necessárias à utilização desse tipo de gráfico são:
Estatística 39
depois, multiplicamos o resultado por cem. Por exemplo, se quisermos saber
a porcentagem correspondente à alimentação, fazemos . Assim, a alimentação
corresponde à 25% do total, a Educação consome 15%, Saúde 5%, Moradia
50% e Transporte 5%. Representando graficamente, temos:
Alimentação
Educação
Saúde
Moradia
Transporte
1.4 Histograma
Esse tipo de gráfico é utilizado para a representação de dados oriundos
de uma tabela de distribuição de frequência. Vejamos, a seguir, uma tabela de
distribuição de frequência e sua representação gráfica.
30 |– 40 13
40 |– 50 10
50 |– 60 7
40 Estatística
60 |– 70 1
70 |– 80 5
8
7
6
5
4
3
2
1
0
20 30 40 50 60 70 80
1.5 Pictograma
É um gráfico no qual se utiliza um símbolo ou imagem sugestiva da
variável em estudo. Por exemplo, para cada cinco clientes insatisfeitos, foi
utilizado um “emoji zangado”. Para cada cinco clientes muito satisfeitos, foi
utilizado um “emoji feliz”.
Estatística 41
Grau de satisfação com o pós-venda da empresa, março de 2019
30
25
20
15
10
0
Insatisfeito Satisfeito Muito satisfeito
2. Tipos de Tabelas
De acordo com o Instituto Brasileiro de Geografia e Estatística
(IBGE), uma tabela é a forma não discursiva de apresentação de informações,
das quais os dados numéricos, dispostos em uma ordem determinada,
se destacam como informação central. Quando há uma grande variedade
(qualitativa ou quantitativa) de dados a ser exposta, o uso da tabela facilita
sua leitura e interpretação.
42 Estatística
2.1.1 Título da Tabela
Exemplo 2: Número de registro de agravo de violência contra mulher, por estado da Região
Sudeste, Brasil, 2018.
Estatística 43
Abril 292
Total 1383
2.1.2 Cabeçalho
É a parte superior da tabela, na qual se especifica o conteúdo das colunas.
Exemplo: Distribuição dos indivíduos no mercado formal de empregos, por sexo, no município
do Rio de Janeiro, 2018.
Cabeçalho
Exemplo: Número de registros de agravo de violência contra mulher, por estado da Região
Sudeste, Brasil, 2018.
Coluna indicadora
44 Estatística
2.1.4 Corpo da Tabela
É o conjunto de linhas e colunas. Ele deve conter apenas os dados
realmente relevantes à análise a qual se propõe. As linhas são retas horizontais
imaginárias, nas quais se inscrevem os dados. Uma célula é a intersecção entre
uma linha e uma coluna.
Corpo da tabela
Importante
A figura a seguir exibe um resumo dos itens que compõem uma tabela.
Tabela 1: Título
Fonte:
Nota
Corpo da tabela
Estatística 45
Municípios Notificados Confirmados
Manaus 8.561 7.729
Outros municípios 2.343 1.748
Total 10.904 9.477
Note que a célula de uma tabela não pode ser deixada vazia. De
acordo com as normas tabulares do IBGE, quando o valor for zero, devemos
preenchê-la com um traço horizontal (um hífen). Se não tivermos os dados,
colocamos três pontos. Se houver dúvida quanto à exatidão de determinado
valor, escrevemos um ponto de interrogação. Caso o valor seja muito pequeno
para ser expresso pela unidade utilizada, preenchemos a célula com um
número zero.
46 Estatística
2014 3
2015 0
2016 0
2017 0
2018 16
Exemplo 2: Número de homicídios por cem mil habitantes, por região, Brasil, 2016.
Estatística 47
Note que a tabela acima exibe o número absoluto de homicídios, por
região brasileira, em 2016. Observe que, se expusermos os mesmos dados
de maneira relativa (taxa a cada cem mil habitantes), perceberemos que a
região onde houve mais homicídios no período citado, em relação ao total da
população, é a Norte. Observe, ainda, que uma exposição de dados de maneira
não adequada (por má-fé ou por desconhecimento) pode nos levar a uma
interpretação errada do fato.
3. Distribuição de Frequência
Ao estudarmos conjuntos de dados numéricos com uma grande
quantidade de elementos, é conveniente organizá-los e resumi-los em tabelas
chamadas distribuição de frequências. Por constituir-se no tipo de série
estatística mais importante para a Estatística Descritiva, faremos um estudo
mais detalhado a respeito dessas distribuições.
48 Estatística
3.1 Tabela Primitiva
Denominamos tabela primitiva um agrupamento de dados não
ordenados numericamente.
Exemplo 1: Os dados abaixo representam a idade, por paciente, após o diagnóstico, em uma
amostra de 24 pacientes tratados na Clínica-Escola de Fisioterapia da Unigranrio, em 2005.
8 7 11 10 8 9
7 8 10 12 11 7
7 6 9 10 9 11
9 10 6 12 8 8
23 59 31 22 38 75 36 72 29 38
29 55 56 41 50 45 32 45 25 79
35 25 73 37 57 39 22 34 28 21
42 51 54 25 36 72 26 23 44 33
45 44 42 28 43 22 41 69 31 41
3.2 Rol
Denominamos rol o agrupamento de dados após a sua ordenação
numérica (em geral, usa-se a ordenação crescente).
6 6 7 7 7 7
8 8 8 8 8 9
Estatística 49
9 9 9 10 10 10
10 11 11 11 12 12
21 22 22 22 23 23 25 25 25 26
28 28 29 29 31 31 32 33 34 35
36 36 37 38 38 39 41 41 41 42
42 43 44 44 45 45 45 50 51 54
55 56 57 59 69 72 72 73 75 79
6 6 7 7 7 7
8 8 8 8 8 9
9 9 9 10 10 10
10 11 11 11 12 12
50 Estatística
a construção de uma distribuição de frequência sem intervalos de classes.
Assim, após a sua construção, vamos obter a seguinte tabela:
21 22 22 22 23 23 25 25 25 26
28 28 29 29 31 31 32 33 34 35
36 36 37 38 38 39 41 41 41 42
42 43 44 44 45 45 45 50 51 54
55 56 57 59 69 72 72 73 75 79
Estatística 51
K=1+3,22 . log10n
AT = 79-21=58
h = AT = 58 9,7
k 6
52 Estatística
Idade dos clientes entrevistados, Filial 1 (março, 2019)
Classes (Idades, em
Frequência simples
anos)
20 |– 30 14
30 |– 40 12
40 |– 50 11
50 |– 60 7
60 |– 70 1
Ou seja, nos dados, há 14 números
70 |– 80 5
que estão entre 20 (inclusive) e 30
Estatística 53
Para determinarmos a frequência relativa simples de uma classe,
dividimos a frequência simples pelo total e, depois, multiplicamos o resultado
obtido por cem. Se quisermos o ponto médio de uma classe, basta somarmos
os seus limites (inferiores e superiores) e dividirmos o resultado por dois.
Completando a tabela com esses dados, teremos:
54 Estatística
Exercícios
40 |– 50 10
50 |– 60 15
60 |– 70 20
70 |– 80 10
80 |– 90 7
90 |– 100 8
Estatística 55
Número de consultas, por Especialidade Médica (abril, 2019)
Alimentação 500
Educação 300
Saúde 100
Moradia 1000
Transporte 100
GABARITO
56 Estatística
20 . 100 = 28,57
60 |– 70 20 45 65
70
10 . 100 = 14,29
70 |– 80 10 55 75
70
7 . 100 = 10
80 |– 90 7 62 85
70
8 . 100 = 11,42
90 |– 100 8 70 95
70
10 + 15 + 20 45
Assim, teremos: = = 64,29%.
70 70
20 + 10 + 7 37
= = 52,85%
70 70
Estatística 57
2. Para fazermos o gráfico no Excel, precisamos seguir os seguintes passos:
Ortopedia
Clínica Médica
13%
Pediatria
23% Otorrinolaringologista
Ginecologia
8% 30%
25%
58 Estatística
Referências
FONSECA, J. S.; MARTINS, G. A. Curso de estatística. 6 ed. São Paulo:
Atlas, 1992.
Estatística 59
Medidas de Posição
Para início de conversa…
Neste capítulo, veremos que as Medidas de Posição nos fornecem,
de forma resumida, o comportamento de fenômeno em estudo. Dentre elas,
destacamos as Medidas de Tendência Central (as principais são a Média,
Moda e a Mediana) e as Separatrizes (Percentis, Decis, Quartis etc.).
Estatística 61
Objetivo
Reconhecer e utilizar as Medidas de Posição na resolução de problemas.
Estatística 63
1. Média
Para iniciarmos nossos estudos, é importante compreendermos o
conceito de média. Esta é encontrada quando somamos todos os dados e os
dividimos pelo número de dados. É o número “médio”.
_ x1+x2+x3+...+ xn
x=
n
_ 12 + 30 + 9 + 12 + 8 + 7 91
x= = = 13
n 7
Importante
A média é uma medida que depende de todos os dados da sequência. Por isso, não
deve ser utilizada quando a sequência tiver valores extremos (outliers). Cada número
tem exatamente a mesma importância (o mesmo peso) que os demais. Note que, se
somarmos, subtrairmos, multiplicarmos ou dividirmos cada elemento de uma determinada
sequência por uma constante, a média aritmética simples ficará acrescida, diminuída,
multiplicada ou dividida por essa constante.
Estatística 65
1.1.2 Dados Agrupados em Classes
Se estivermos trabalhando com uma distribuição de frequências
com intervalos de classes, devemos utilizar a seguinte fórmula para
determinar a média:
_ ∑ ( x1 . fi )
x=
n
Em que:
20 |– 30 4
30 |– 40 9
40 |– 50 16
50 |– 60 7
60 |– 70 1
70 |– 80 5
n = 42
66 Estatística
Para determinarmos a média aritmética simples, primeiro precisamos
determinar ∑ ( xi . fi ). Depois, substituímos esse valor na fórmula. Completando
a tabela, teremos:
n = 42 ∑ ( xi . fi ) = 1960
_ ∑ ( xi . fi ) 1960 ~
x= = = 46,66
n 42
Estatística 67
1.3 Média Geométrica (G)
Seja uma sequência com n (n > 1) números reais positivos. A
média geométrica será igual à raiz n-ésima do produto de todos os seus
elementos. Ou seja,
G= √
n
(x1 ) . (x2 ) . (x3 ) . … . (xn )
G=
a
√ 9 . 11 . 15 = √
a
1.485 =~ 11,40
Exemplo 5: A tabela a seguir exibe a taxa de aumento do salário mínimo, entre os anos de
2015 e 2018. Determine a taxa média de aumento, no período citado.
G=
4
√ (1 + 8,84 ) . (1 + 11,68 ) . (1 + 6,48 ) . ( 1+ 1,81 )
100 100 100 100
68 Estatística
G=
4
√ (1 + 0,884) . (1 + 0,1168) . (1 + 0,0648) . (1 + 0,0181)
G= √
4
(1 + 1,0884) . (1 + 1,1168) . (1 + 1,0648) . (1 + 1,0181) =~ 1,071409
Valor final com as taxas dadas Valor final com as taxas médias
(8,84%, 11,68%, 6,48% e 1,81%) (7,1409% em todos os meses)
Primeiro mês 1.088,40 1.071,40
Segundo mês 1.215,52 1.147,90
Terceiro mês 1.294,28 1.229,87
Quarto mês 1.317,70 1.317,70
Importante
Isso não significa que, para o trabalhador, seria a mesma coisa receber esses aumentos
ou a média de aumento salarial anual. Observe, na tabela, que ele teria uma perda
mensal nos salários.
H- = n
1 + 1 + 1 ... + 1
x1 x2 x3 xn
Estatística 69
Isto é, é igual ao inverso da média aritmética simples dos inversos dos
dados. Normalmente utilizamos esse tipo de média quando estamos tratando
de dados inversamente proporcionais entre si, tais como vazão de um fluído e
o tempo de escoamento ou velocidade e tempo de viagem.
Exemplo 7: Uma padaria recebeu uma encomenda de última hora. O administrador sabe
que a matriz, sozinha, demoraria 6 horas para produzir o pedido. Se fosse só a filial, seriam
necessárias 8 horas. Se elas trabalhassem simultaneamente, quanto tempo seria necessário
para terminar a encomenda?
Exemplo 8: Uma torneira demora 6 horas para encher um reservatório. Uma segunda saída
de água, sozinha, demoraria 12 horas para encher o mesmo recipiente. Quanto tempo seria
necessário para que as duas torneiras, simultaneamente abertas, enchessem o recipiente?
_ 2
H= = 2 =8
1 +1 + 3
6 12 12
70 Estatística
Como as duas torneiras estarão abertas simultaneamente, esse tempo
se reduz ao meio, ou seja, serão necessárias 4 horas.
2. Moda
A moda (Mo ) é o dado que tem maior frequência simples, ou seja, é
o que mais se repete. Essa medida pode ser utilizada para dados qualitativos
ou quantitativos, isto é, podemos determinar a moda de dados não numéricos
ou numéricos.
Exemplo 9: A moda da sequência a seguir é o elemento “21”, pois ele tem a maior frequência
absoluta, isto é, é o número que mais se repete nessa sequência.
12 21 10 11 30 31 21 31 21 17
16 14 16 22 21 11 25 12 31 15
Exemplo 10: A moda da sequência a seguir é o elemento “Paulo”, que se repete mais vezes
que os demais.
Estatística 71
2.2 Dados Agrupados em Classes
Existem diferentes maneiras para determinarmos a moda de uma
distribuição de frequência em intervalos de classes. Destacamos a Moda de
King, a Moda de Pearson e a Moda de Czuber. Neste capítulo, optamos pelo
uso da fórmula da Moda de Czuber, abaixo descrita:
[ ]
Mo = l i + h . ( fi - fi -1
)
( fi - fi - 1 ) + ( fi - fi + 1 )
Em que:
h é a amplitude da classe
Altura (em cm) dos alunos participantes do “Projeto Futebol”, da Escola X, 2018
Classes (em centímetros) Frequência simples ( Fi )
130 |– 140 2
140 |– 150 5
150 |– 160 4
160 |– 170 21 Classe modal
170 |– 180 14
180 |– 190 4
n = 50
72 Estatística
Nesse caso, teremos:
[ ]
h . ( fi - fi )
Mo = li + -1
( fi - fi - 1 ) + ( fi - fi + 1 )
Em que:
[ ]
Mo = 160 + 10 . ( 21 - 4 )
( 21 - 4 ) + ( 21 - 14 )
[ ]
10 . (17 )
Mo = 160 +
(17 ) + ( 7 )
3. Mediana ( Md )
A mediana é o termo que ocupa a posição central da sequência, já
organizada de forma crescente ou decrescente.
Estatística 73
3.1 Dados Não Agrupados em Classes
8 11 15 22 25 29 32 37 41
4 elementos 4 elementos
Mediana
Exemplo 13: Esta sequência possui 8 elementos. Precisamos somar os dois elementos do
meio e dividir a resposta por dois.
11 19 21 24 26 29 41 43
Md = 24 + 26 = 50 = 25
2 2
Importante
Glossário
Cêntuplo é um número multiplicativo que significa aquele que contém cem vezes a mesma
quantidade, ou seja, o que é cem vezes o outro.
74 Estatística
2 14 15 27 31 39 42 49 51
Mediana
2 14 15 27 31 39 42 49 5100
[ ]
( )
∑ fi
- fi
2 -1
.h
P50 = li +
fi
Em que:
3.3 Separatriz
São valores que ocupam posições no rol (ou seja, uma amostra já
ordenada), dividindo-o em partes iguais. As principais separatrizes são o
percentil, o decil e o quartil.
Estatística 75
3.3.1 Percentil
Divide um rol em cem partes de mesma frequência. Existem 99
percentil: P1, P2, P3, ..., P97, P98, P99. Como os quartis e decis são um subcaso
de percentil, estudaremos apenas o caso geral (o percentil).
1% 1% 1% 1% 1% ... 1% 1% 1% 1%
P1 P99
[( ) ]
x . ∑ fi
- fi
100 -1
.h
Px = li +
fi
Em que:
h . é a amplitude da classe
76 Estatística
respeito à frequência acumulada, enquanto a letra “f ” minúscula representa a
frequência simples.
Altura (em cm) dos alunos participantes do “Projeto Futebol”, da Escola X, 2018
∑ f = 56
i
Estatística 77
x.∑ fi 50.56
= = 28
100 100
i é a quarta classe
[ ]( )
x . ∑ fi
- fi
100 -1
.h
Px = l i +
fi
[ ]
( ) 50 . 56 - 11
100 . 10
P50 = 160 +
21
[ ]
P50 = 160 + 28 . 11 . 10
21
[ ]
P50 = 160 + 28 . 11 . 10 = 160 + 8,09 = 168,09
21
78 Estatística
3.3.2 Decil
10% 10% 10% 10% 10% 10% 10% 10% 10% 10%
D1 D2 D3 D4 D5 D6 D7 D8 D9
3.3.3 Quartil
Divide o conjunto de dados em quatro partes, todas com a mesma
quantidade de elementos. Note que 25% dos dados têm valores menores
ou iguais ao primeiro quartil (Q 1 ) ou, ainda, 75% dos dados têm valores
menores ou iguais ao terceiro quartil (Q 3 ).
Estatística 79
25% 25% 25% 25%
Q1 Q2 Q3
Primeiro Percentil 25
Segundo Percentil 50
Terceiro Percentil 75
Frequência Frequência
Classes (em centímetros)
simples ( fi ) acumulada ( Fi )
28,5 |– 30 2 2
30,0 |– 31,5 2 4
31,5 |– 33,0 19 23
33,0 |– 34,5 17 40
34,5 |– 36,0 10 50
36,0 |– 37,5 8 58
37,5 |– 39,0 2 60
∑f i = 56
80 Estatística
Como o terceiro quartil equivale ao percentil 75, temos:
[ ( )
]
x . ∑ fi
- fi
100 -1
.h
Px = li +
fi
[ ]
( ) 75 . 60 - 40
100 . 1,5
P75 = 34,5 +
10
[ ]
P75 = 34,5 + 45 - 40
10
. 1,5
[]
P75 = 34,5 + 5
10
. 1,5 = 34,5 + 0,75 = 35,25
Estatística 81
Referências
FONSECA, J. S.; MARTINS, G. A. Curso de estatística. 6 ed. São Paulo:
Atlas, 1992.
Estatística 83
Exercícios Resolvidos
Questão 1:
28,5 |– 30 2 2
30,0 |– 31,5 2 4
Classe utilizada para o
31,5 |– 33,0 19 23 percentil 10. Nela, encontra-se
o 6o termo
33,0 |– 34,5 17 40
34,5 |– 36,0 10 50
Classe utilizada para o
36,0 |– 37,5 8 58 percentil 90. Nela, encontra-se
o 54o termo
37,5 |– 39,0 2 60
∑ f = 60
i
Estatística 85
a. O percentil 10.
b. O percentil 90.
c. O primeiro decil.
d. O limite superior da terceira classe.
e. O limite inferior da primeira classe.
f. A classe em que se encontra um bebê cujo perímetro cefálico seja
igual a 33.
Questão 2:
5 ; 4 ; 2 ; 10
Questão 3:
Respostas:
Questão 1:
a. Percentil 10
[( )
]
x . ∑ fi
- Fi
100 -1
.h
Px = l i +
fi
[ ]
( ) 10 . 60 - 4
100 . 1,5
P10 = 31,5 +
19
86 Estatística
[ ]
P10 = 31,5 + 6 - 4
19
. 1,5
P10 = 31,5 + 2
[]
19
. 1,5 = 31,5 + 0,1578 = 31,65
b. Percentil 90
[ ( )
]
x . ∑ fi
- Fi
100 -1
.h
Px = l i +
fi
[ ]
( ) 90 . 60 - 50
100 . 1,5
P90 = 36,0 +
8
[ ]
P90 = 36,0 + 54 - 50 . 1,5
8
P90 = 36,0 + 4
8[] . 1,5 = 36,0 + 0,75 = 36,75
Estatística 87
Questão 2:
_ 4 4
H= = = 4 = 80 =~ 3,809
1 +1 + 1 + 1 4 + 5 + 10 + 2 21 21
5 4 2 10 20 20
G=
n
√ ( x1 ) . ( x2 ) . ( x3 ) . ... . ( xn )
G=
4
√ 5 . 4 . 2 . 20 =
4
√ 800 . ~= 5,318
Questão 3:
88 Estatística
Medidas de Dispersão
Para início de conversa…
As medidas de dispersão indicam o grau de dispersão dos dados em
torno de um valor médio. Mas, o que isto significa efetivamente? Para melhor
entendermos, vamos analisar o seguinte resultado, publicado pelo Hospital
John Radcliffe, em Oxford, na Grã-Bretanha. Após o acompanhamento de 8
mil pacientes que haviam sofrido um infarto, foi descoberto que aqueles que
sofriam com variabilidade da pressão arterial estavam seis vezes mais sujeitos
a ter um derrame do que aqueles com constante pressão alta.
Vamos imaginar que haja uma pessoa cujas medidas de pressão arterial
sistólica (máxima), em uma determinada semana, tenham sido 170 mmHg,
120 mmHg, 180 mmHg, 120mmHg, 190 mmHg, 120 mmHg e 170 mmHg.
De acordo com esse estudo, ela estaria (supostamente) até seis vezes mais
sujeita a ter um derrame do que outra pessoa que esteve com sua pressão alta
(por exemplo, 160 mmHg) durante toda a semana em questão. Ainda que
em grande parte (moda) do tempo sua pressão tenha estado em um valor
considerado bom (120 mmHg ou 12, como normalmente falamos), a variação
ofereceu riscos à sua saúde. Se analisássemos apenas a média ou a moda destes
dados, não perceberíamos o problema.
Estatística 91
Objetivos
▪▪ Relacionar Desvio Padrão com variância e com as medidas de
posição.
▪▪ Analisar e tirar conclusões a partir das informações transmitidas no
estudo das Medidas de Dispersão.
Estatística 93
1. Variância e Desvio Padrão
A variância é a média dos quadrados dos desvios em relação à média
dos dados, por isso ela é expressa em unidade quadrada, quando comparada à
unidade da variável em estudo. O cálculo desta medida é de suma importância
na inferência estatística e em combinações de amostras.
σ2 = ∑
( xi − µ ) 2 ∑ (x − µ )
i
2
σ=
n n
Importante
O símbolo σ representa a letra Sigma. Ela é a décima oitava letra do alfabeto grego e
corresponde à letra s, do nosso alfabeto. Quando nos referimos ao desvio padrão de uma
população, utilizamos o símbolo σ . Se for o desvio de uma amostra, usamos s.
Estatística 95
1.1.2 Variância e Desvio Padrão de uma Amostra de Dados
Quando, partindo de uma amostra de dados, objetivamos tirar
conclusões válidas para a população da qual ela foi retirada, devemos fazer
um ajuste na fórmula e utilizar o denominador como sendo n-1 . Assim, as
fórmulas dos cálculos de variância e Desvio Padrão de uma amostra de dados,
são, respectivamente:
s 2
=
∑ ( x − x)
i
2
s=
∑ (x − x)
i
2
n −1 n −1
11 6 10 12 8 14 9
xi ( xi − x) 2
11 (11 - 10)2 = 1
6 (6 - 10)2 = 16
96 Estatística
10 (10 - 10)2 = 0
12 (12 - 10)2 = 4
8 (8 - 10)2 = 4
14 (14 - 10)2 = 16
9 (9 - 10)2 = 1
∑ ( x − x)
i
2
42
=
s
=
∑ (x − x=
i ) 2
42
=
42
= 7 ≅ 2, 645
n −1 7 −1 6
x − s = 10 − 2, 645 = 7,355
Estatística 97
Exemplo 2: Para melhor entendermos o conceito de desvio padrão,
faremos a representação gráfica de três diferentes amostras de dados.
Para facilitar a análise, já calculamos (por meio das fórmulas estudadas
anteriormente), os valores da média e do desvio.
Média Desvio
Amostra A Amostra B
9 3
8
7
6 2
Frequência
Frequência
5
4
3 1
2
1
0 0
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9
Dados Dados
Amostra C
4
3
Frequência
2
1
Média
0
1 2 3 4 5 6 7 8 9 10
Dados
98 Estatística
Dica: Para calcular o Desvio Padrão de uma amostra de dados
utilizando o Microsoft Excel, abra uma nova planilha do programa e digite
cada número da sequência dada, em uma célula (consecutiva) diferente. Em
seguida, em outra célula vazia, digite a sintaxe “=DESVPAD.A” (observe que
ao começar a digitar, o programa já te dará esta opção) e selecione (com o
mouse) todas as células onde se encontram os dados para os quais você quer
determinar o desvio. Feche o parêntese e dê “enter”. O resultado já aparecerá
automaticamente.
=s 2 ∑ ( x . f ) − ∑ f .x
2
i i i i
n n
Estatística 99
Exemplo 3: A tabela a seguir exibe o peso, em Kg, de 42 pacientes
atendidos em um hospital, no mês de maio. Determine a variância e o desvio
padrão desta amostra.
=s2
∑ ( x . f ) − ∑ f .x
2
i i i i
n n
2
99450 1960
s2 = − =2.367,86 − 2.177, 77 =
190, 08
42 42
100 Estatística
Média Simples x Desvio padrão (s)
Amostra A 40 15
Amostra B 550 15
15
Amostra A CV
= (%) = .100 37,50%
40
15
Amostra B CV (%)
= = .100 2, 72%
550
Estatística 101
25
CV pão
= = .100 25%
100
25
CVbolo
= = .100 6, 25%
400
Peso aceitável
Note que 25 gramas a menos no bolo não fariam tanta diferença. Mas,
se estivessem faltando as mesmas 25 gramas no pão, seria inaceitável para o
consumidor. E 25 gramas a mais, em cada pão, representariam um grande
prejuízo para a empresa.
20 11 9 13 10 12 9
102 Estatística
Calculando o desvio, temos:
( xi − x) 2 ( xi − x) 2
20 (20 - 12)2 = 64
11 (11 - 12)2 = 1
9 (9 - 12)2 = 9
13 (13 - 12)2 = 1
10 (10 - 12)2 = 4
12 (12 - 12)2 = 0
9 (9 - 12)2 = 9
∑ ( x − x)
i
2
88
=
=s
∑ (x −=
x)
i
2
88
=
88
= 14, 66666 ≅ 3,829
n −1 7 −1 6
3,829
CV (%)
= = .100 31,90%
12
Estatística 103
Média ( x ) Desvio padrão (s) Coeficiente de variação (CV)
Horas diárias de prática de CV
=
0, 2
.100 ≅ 9,52
2,1 0,2 2,1
atividades físicas
3, 0
Peso 62 Kg 3,0 CV
=
62
.100 ≅ 4,83
Exemplo 8: A tabela a seguir exibe a idade (em anos) dos usuários que
acessaram um determinado aplicativo de jogo, recém-lançado no mercado,
durante a primeira semana de maio. Determine o coeficiente de variação desta
amostra.
104 Estatística
18 22 18 20 20.18 = 360 202.18 = 7.200
n = 75 ∑ ( xi . fi ) = 1428 (
∑ xi2 . fi ) = 29.712
=s 2 ∑ ( x . f ) − ∑ f .x
2
i i i i
n n
2
29712 1428
s2 = − = 396,16 − 362,52 = 33, 64
75 75
=s 33, 64 5,8
=
∑ ( xi . fi ) 1428
=x = = 19, 04
n 75
5,8
CV ( % )
= .100 ≅ 30, 46%
19, 04
Estatística 105
3. Desvio Médio (DM)
O Desvio Médio é definido como a média das distâncias entre cada
elemento da amostra e seu valor médio. A fórmula para o cálculo do Desvio
Médio é:
∑ xi − x
DM =
n
3, 5, 5, 7, 2, 8
Número xi − x
3 3−5 =2
5 5−5 =
0
5 5−5 =
0
7 7−5 =2
2 2−5 =
3
8 8−5 =
3
10
∑ xi − x =
∑ xi − x 10
DM= = ≅ 1, 67
n 6
106 Estatística
seguida, em outra célula vazia, digite a sintaxe “=DESV.MÉDIO” (observe
que, ao começar a digitar, o pgrama já te dará esta opção) e selecione (com o
mouse) todas as células onde se encontram os dados para os quais você quer
determinar o desvio. Feche o parêntese e dê “enter”. O resultado já aparecerá
automaticamente. As figuras a seguir exibem o cálculo, no Excel, do Desvio
Médio do exemplo anterior.
Estatística 107
Referências
FONSECA, J. S.; MARTINS, G. A. Curso de estatística. 6 ed. São Paulo:
Atlas, 1992.
Estatística 109
Exercícios
1. Observe as asserções a seguir:
a. I, apenas.
b. II, apenas.
c. III, apenas.
d. I e III, apenas
e. I, II e III.
110 Estatística
x s
Altura (em cm) 182 4,5
Peso (em Kg) 62 2,5
Respostas
1. Letra A.
2. Desvio Padrão:
S = 2,607
s 2, 607
CV
= = .100 = .100 32,58% .
x 8
3. 4,5
CVAltura
= .100 ≅ 2, 47
182
2,5
CVPeso
= .100 ≅ 4, 03
62
Estatística 111
Medidas de Assimetria
e Curtose
Para início de conversa…
Para analisarmos estatisticamente o formato de uma distribuição
contínua de dados, utilizamos as medidas de assimetria e de curtose.
Neste capítulo, estudaremos essas medidas, assim como seus significados
e importância.
Estatística 113
Objetivos
▪▪ Identificar a distribuição por meio da Assimetria.
▪▪ Identificar, classificar e utilizar as estatísticas na resolução de
exercícios.
Estatística 115
1. Assimetria
Antes de falarmos de Assimetria e Curtose, precisamos apresentar
uma distribuição denominada normal. Esse tipo de distribuição tem um papel
fundamental na Estatística Inferencial, pois diversas variáveis aleatórias (por
exemplo, o peso de recém-nascidos e pressão arterial) podem ser descritas pelo
seu padrão de comportamento. A sua representação é chamada de curva normal
e tem a forma de um sino. Em razão de sua importância, ela já foi totalmente
tabelada e seus valores são conhecidos – como esses valores foram obtidos,
inicialmente, com base em observações relativas à população de determinada
variável aleatória, utilizamos o símbolo para representar média, e para o desvio
padrão. Assim, sempre que uma distribuição for normal (ou se aproximar disso),
já sabemos seu comportamento e temos suas probabilidades calculadas.
Estatística 117
A função densidade de probabilidade de uma distribuição normal é dada por:
f (x,μ,σ2) = 1 e - (x-μ)
2
20 2
σ√2π
Em que: -∞ < x < ∞; -∞ < μ < ∞; σ > 0.
Moda Moda
Média Média
Média, moda e
Mediana mediana Mediana
Figura 2: Posições de média, moda e mediana na assimetria. Fonte: Elaborado pelos autores.
118 Estatística
a. Média: 18
Moda: 12
b. Média: 11
Moda: 11
c. Média: 8,9
Moda: 11
3.( x̅ -Md )
As =
s
Estatística 119
Importante
Se uma distribuição tiver uma assimetria muito fraca, para efeito de análise, ela
poderá ser tratada como normal.
Se uma distribuição de frequência tiver uma assimetria muito forte, ou seja, o módulo
do coeficiente for maior do que 1,5, a medida de posição mais adequada para
representá-la será a mediana.
Exemplo 2: A Figura 3 exibe uma comparação entre três distribuições, com seus
respectivos valores de média ( μ ) e desvio ( σ ).
μ= 0 | σ =1
μ = 0 | σ = 0.447214
0.8
μ = 1 | σ = 2.23607
0.6
0.4
0.2
0.0
-4 -2 0 2 4 6
Importante
Quanto mais simétricos os dados forem, mais o valor do coeficiente de assimetria se
aproximará de zero. Porém, o fato de o coeficiente de assimetria ser próximo de zero (ou
nulo) não nos garante que a distribuição seja normal.
120 Estatística
160
150
140
130
120
110
100
90
Frequência
80
70
60
50
40
30
20
10
0
10 20 30 40 50 60 70 80
18 |– 22 18 51
22 |– 26 15 66
26 |– 30 6 7
30 |– 34 3 75
∑ fi = 75
Estatística 121
Substituindo os valores na fórmula, temos:
Classes
Frequência Frequência Ponto médio
(em anos fi . xi xi2. fi
simples ( fi ) acumulada ( Fi ) da classe ( xi )
de firma)
1 |– 3 21 21 2 42 84
3 |– 5 12 33 4 48 192
5 |– 7 18 51 6 108 648
7 |– 9 4 55 8 32 256
9 |– 11 2 57 10 20 200
11 |– 13 1 58 12 12 144
∑ ( xi . fi ) 262
x̅ = = = 4,51
n 58
122 Estatística
▪▪ Calculando a mediana, ou seja, o percentil 50, obtemos:
[ ( )
]
x . ∑ fi
- Fi
100 -1
.h
Px = l i +
fi
[ ( )
] [ ]
50 . 58 - 21 (29) - 21
100 .2=3+ . 2 = 3 +1,33 = 4,33
P50 = 3 +
12 12
S2 =
∑ (x12 .fi)
n
s = √5,87=2,42
-
( ) ()
∑ fi . xi
n
=
1.524
58
-
2622
58
= 26,27 - 20,40 = 5,87
Estatística 123
8
2. Curtose
O coeficiente de curtose de uma distribuição unimodal representa uma
comparação entre a concentração de observações próximas ao valor central e a
124 Estatística
concentração próxima às suas extremidades. Geometricamente, ele representa
o grau de “achatamento” de uma curva em relação à normal. Para calcularmos
o coeficiente de curtose de uma distribuição, utilizaremos os valores de seus
percentis (10, 25, 75 e 90), de acordo com a fórmula a seguir:
P75 - P25
K=
2. ( P90 - P10 )
Estatística 125
170 |– 180 14 46 Classe do P75
180 |– 190 10 56 Classe do P90
∑ fi = 56
[ ( )
]
x . ∑ fi
- Fi
100 -1
.h
Px = l i +
fi
[ ( )
] [ ] []
10 . 56
-2
100 . 10 = 140 + (5,6) - 2 . 10 = 140 + 3,6 . 10 = 140 + 7,2 = 147,20
P10 = 3 +
5 5 5
[( )
] [ ] []
25 . 56
- 11
100 . 10 = 160 + (14) - 11 . 10 = 160 + 3 . 10 = 160 + 1,42 = 161,42
P25 = 160 +
21 21 21
[( )
] [ ] []
75 . 56
- 32
100 . 10 = 170 + 42 - 32 . 10 = 170 + 10 . 10 = 170 + 7,14 = 177,14
P75 = 170 +
14 14 14
[( )
] [ ]
90 . 56
- 46
100 . 10 = 180 + 50,4 - 46 . 10 = 180 + 4,4 = 184,40
P90 = 180 +
10 10
126 Estatística
Como K = 0,370, a distribuição é platicúrtica (K > 0,263).
Estatística 127
Referências
FONSECA, J. S.; MARTINS, G. A. Curso de estatística. 6 ed. São Paulo:
Atlas, 1992.
Estatística 129
Exercícios
1. Classifique cada distribuição do quadro a seguir, de acordo com o
tipo de assimetria e sua intensidade.
Estatística 131
3. A tabela a seguir exibe o comprimento (em milímetros) do fêmur
de 50 fetos em idade gestacional de 20 semanas, em exames
realizados no hospital X. Classifique a distribuição quanto ao tipo
de curtose.
Gabarito:
1 -
3.( x̅ - Md ) 3.(7-7)
Distribuição A: As = = = 0 =0
s 3,36 3,36
(Distribuição simétrica)
2-C
132 Estatística
[ ( )
]
x . ∑ fi
- Fi
100 -1
.h
Px = l i +
fi
[ ( )
] [] []
10 . 50
-0
100 . 2 = 28 + (5) - 0 . 2 = 28 + 10 = 28 + 1,42 = 29,42
P10 = 28 +
7 7 7
[( )
] [ ] []
25 . 50
-7
100 . 2 = 30 + (12,5) - 7 . 2 = 30 + 11 = 30 + 0,91 = 30,91
P25 = 30 +
12 12 12
[( )
] [ ] []
75 . 50
- 33
100 . 2 = 34 + (37,5) - 33 . 2 = 34 + 9 = 34 + 0,9 = 34,90
P75 = 34 +
10 10 10
[( )
] [] []
90 . 50
- 43
100 . 2 = 36 + (45) - 43 . 2 = 36 + 4 = 36 + 0,51 = 36,51
P90 = 36 + 7 7
7
Estatística 133
Correlação e Regressão
Linear
Para início de conversa…
Neste capítulo, estudaremos as Medidas de Correlação e Regressão
Linear em distribuições normais (ou que se comportem como tal).
Estatística 135
Objetivos
▪▪ Fazer correlações entre variáveis e calcular o coeficiente.
▪▪ Identificar a reta de regressão e prever dados.
Estatística 137
1. Diagrama de Dispersão
Em diversas situações do nosso cotidiano ou em pesquisas científicas,
é comum fazermos a seguinte pergunta: “Será que isto tem alguma coisa a
ver com aquilo?” Para respondermos tal indagação, estatisticamente falando,
precisamos verificar se há correlação entre as variáveis e, em caso positivo,
que tipo de correlação existe (linear, exponencial, quadrática etc.). Segundo
Farber e Larson (2007), “Uma correlação é uma relação entre duas variáveis.
Os dados podem ser representados por pares ordenados (x, y) onde x é a
variável independente (variável explicativa) e y é a variável dependente (variável
resposta)”.
30
25
20
15
10
5
0
2 4 6 8 10 12
Estatística 139
30
25
20
15
10
0
2 4 6 8 10 12
1,2
0,8
0,6
0,4
0,2
0
1 2 3 4 5 6 7 8 9 10 11
140 Estatística
1,2
0,8
0,6
0,4
0,2
0 1 2 4 6 8 10 12
∑ ( x ⋅ y) − ∑ n ∑
( x) ⋅ ( y)
r=
(∑ x ) 2
(∑ y ) 2
(∑ ( x ) −2
)(∑ y ) − 2
)
n n
Estatística 141
Valor do coeficiente de correlação linear ( r ) Tipo de correlação linear
120
100
80
60
40
20
Exemplo 1
142 Estatística
A tabela a seguir exibe as medidas das variáveis x e y de uma amostra
de dados. Verifique se há correlação linear entre elas.
Variáveis Dados
x 2 4 3 5 6 8 10 8 6 7
y 5 7 8 9 11 15 18 14 11 12
x y x y x. y
2 5 4 25 10
4 7 16 49 28
3 8 9 64 24
5 9 25 81 45
6 11 36 121 66
8 15 64 225 120
10 18 100 324 180
8 14 64 196 112
6 11 36 121 66
7 12 49 144 84
∑ ( x ⋅ y) − ∑ n ∑
( x) ⋅ ( y )
r=
(∑ ( x ) − ∑ ) ⋅ (∑ y ) − ∑
2 2
2 ( x) 2 ( y)
)
n n
(59) ⋅ (110)
735 −
= 10
(59) 2 (110) 2
(403 − ) ⋅ (1350 − )
10 10
735 − 649
=
(54,9) ⋅ (140)
Estatística 143
86
=
87, 669
= 0,9809
Exemplo 2
Variáveis Dados
x 2 4 3 5 6 8 10 8 6 7
y 5 7 8 9 11 15 18 14 11 12
144 Estatística
Observe que o valor dado pelo Excel confere com o obtido por meio
da fórmula.
Estatística 145
Valor de n Nível de significância αα = 0,05 Nível de significância αα = 0,01
4 0,950 0,999
5 0,878 0,959
6 0,811 0,917
7 0,754 0,875
8 0,707 0,834
9 0,666 0,798
10 0,632 0,765
11 0,602 0,735
12 0,576 0,708
13 0,553 0,684
14 0,532 0,661
15 0,514 0,641
16 0,497 0,623
17 0,482 0,606
18 0,468 0,590
19 0,456 0,575
20 0,444 0,561
25 0,396 0,505
30 0,361 0,463
35 0,334 0,430
40 0,312 0,403
146 Estatística
(n = 10), então, a correlação é significante para α = 0,05. Observe que
também seria significante para α = 0,01, pois 0,9809 também é maior do
que o valor tabelado (0,765).
Existem alguns outros testes que podem ser feitos para determinar
se a correlação entre duas variáveis é significante, porém, não fazem parte do
escopo deste capítulo.
3. Equação de Regressão
Uma vez constatado que há correlação linear entre duas variáveis e
que é significante, podemos determinar a equação da reta que melhor modela
os dados. Essa reta é conhecida como Reta de Regressão e sua equação serve
para estimarmos um valor para a variável dependente (y) a partir de um valor
dado para a variável independente (x). Essa estimativa só pode ser feita dentro
de um intervalo contemplado na amostra. Assim, dada uma amostra de dados
emparelhados, a Equação de Regressão definida como ŷ = a . x + b descreve
a relação entre as variáveis em questão.
∑ ( x ⋅ y) − ∑ n ∑
( x) ⋅ ( y )
a=
(∑ ( x ) − ∑
2
2 ( x)
n
b = y −a⋅x
Em que x=
∑x e y=
∑ y são, respectivamente, as médias aritméticas
n n
entre as variáveis x e y.
Estatística 147
Exemplo 3
148 Estatística
b. Como r = 0,995, existe forte correlação linear positiva entre x e
y. Já que o valor do |r| é maior do que o valor crítico tabelado,
que é 0,576 (Tabela 1, n = 12 e α = 0,05), então, a correlação é
significante.
c. Agora, determinaremos os valores de a e b para montarmos a
equação de regressão:
∑ ( x ⋅ y) − ∑ n ∑
( x) ⋅ ( y )
a=
(∑ ( x ) − ∑
2
2 ( x)
n
(35,1) ⋅ (848,5
2617, 73 −
a= 12
(35,1) 2
108, 4 −
12
135,87
a=
5, 74
a = 23, 67
Estatística 149
=x
∑=x 35,1
= 2,92
n 12
=y
∑
=
y 848,5
= 70, 70
n 12
b = y −a⋅x
b =70, 70b− =
(23,
70,67)
70 ⋅−(2,92)
(23, 67) ⋅ (2,92)
b = 1,59 b = 1,59
Exemplo 4
150 Estatística
pH da água (x) Área ocupada do transepto, em % (y)
6,8 80
6,9 90
7,5 100
7,1 100
6,7 100
6,8 100
6,9 100
7,1 100
7,8 100
6,5 50
6,4 80
7,1 100
6,2 25
6,4 20
6,1 10
5,2 20
6,8 100
6,3 20
8,3 100
8,1 100
Tabela 3: Medida do pH da água e porcentagem de área ocupada pela Cabomba furcata, Silva Jardim, Rio de Janeiro,
2019. Fonte: Adaptado de Canalli (2019).
Estatística 151
Solução:
152 Estatística
Referências
CANALLI, Y. M. Dados Abióticos da Lagoa de Juturnaíba. Silva Jardim,
2019.
Estatística 153
Exercícios
1. Um pesquisador deseja descobrir se há alguma correlação entre a
variável x e y. Para isso, ele determinou o coeficiente de correlação
linear entre duas variáveis. Se o valor encontrado foi r = −0,985,
podemos garantir que:
Estatística 155
3. Dentre os valores a seguir, qual não pode representar o coeficiente
de correlação linear de Pearson entre as variáveis x e y?
a. r = −0,995
b. r = 0,625
c. r = 0
d. r = 1,1
e. r = 0,312
Respostas
1. Letra C.
2. Como o valor de r é muito próximo de zero, não há correlação
linear significante entre a idade do leitor e o número de livros que
ele lê. Observe que, para n = 15, com nível de significância igual
0,05, o valor do |r| deveria ser maior do que 0,514. Portanto, não
há como estimar o valor de y apenas com esses dados.
3. Letra D, pois o valor de r tem que ser um número maior ou igual
a −1 e menor ou igual a +1. Isto é, -1 ≤ r ≤ + 1 .
156 Estatística
Estatística 157
Introdução ao Estudo da
Probabilidade
Para início de conversa...
Neste capítulo, estudaremos os conceitos básicos de um campo da
Matemática denominado Probabilidade. O estudo da teoria da probabilidade
se justifica pelo fato de que a maioria dos casos que a estatística trata é de
natureza aleatória ou probabilística.
Estatística 159
Objetivos
▪▪ Definir e utilizar os principais conceitos de Probabilidade nas
atividades propostas.
▪▪ Definir as propriedades da Probabilidade.
Estatística 161
1. Espaço Amostral
Quando um experimento repetido em condições semelhantes conduz
a resultados essencialmente idênticos é chamado de determinístico. Por
outro lado, é comum que, na realização de diversos experimentos, possamos
observar o acaso, ou seja, mesmo conhecendo todos os resultados possíveis,
não é possível saber exatamente um determinado resultado.
Exemplo 1
Exemplo 2
Construa o espaço amostral para cada experimento aleatório a seguir:
Ù = {cara, coroa}
Ω
Estatística 163
b. Lançamento de duas moedas.
Ù = {( k , k ) , ( k , C ) , ( C , K ) , ( C , C )}
Ω
c. Lançamento de um dado.
Ù = {1, 2, 3, 4, 5, 6}
Ω
(1, C ) , ( 2, C ) , ( 3, C ) , ( 4, C ) , ( 5, C ) , ( 6, C )}
2. Evento
No momento em que realizamos um experimento aleatório, são
obtidos diversos resultados; desses, em particular, podemos estar interessados
em alguns. Por exemplo, em um lançamento de dois dados, pode-se estar
interessado em uma soma igual a sete, ou poderia ser um número seis em um
desses dois dados e, ainda, resultados iguais nos dois dados etc. O conjunto
formado por esses elementos é chamado de evento.
164 Estatística
Definição 2: Evento é um subconjunto do espaço amostral. Geralmente,
é denotado por uma letra maiúscula: A, B, C etc.
Exemplo 3
A = {cara}
B = {( k , k ) , ( C , C )}
C = {2, 3, 5}
E = {( 2, K ) , ( 4, K ) , ( 6, K )}
Estatística 165
3. Definição Clássica de Probabilidade
Quando conhecemos o espaço amostral e um evento associado a
esse espaço, é possível calcular a probabilidade de ocorrer este even to. Essa
abordagem é conhecida como o Conceito Clássico de Probabilidade.
Exemplo 4
Calcule as probabilidades:
Ù = {cara, coroa}
Espaço amostral: Ω
Evento: A = {cara}
# ( A) 1
P ( A=
) = = 0,5 ou 50%
# (Ω) 2
Ù = {( k , k ) , ( k , C ) , ( C , K ) , ( C , C )}
Espaço amostral: Ω
Evento: B = {( k , k ) , ( C , C )}
#( B) 2
P ( B=
) = = 0,5 ou 50%
# (Ω) 4
166 Estatística
c. Sair um número primo no lançamento de um dado.
Ù = {1, 2, 3, 4, 5, 6}
Espaço amostral: Ω
Evento: C = { 2, 3, 5}
# (C ) 3
P ( C )= = = 0,5 ou 50%
# (Ω) 6
# ( D ) 30 5
( D)
P= = = = 0,8333… ou aproximadamente 83,3%
# ( Ω ) 36 6
Estatística 167
Evento: E = {( 2, K ) , ( 4, K ) , ( 6, K )}
#(E) 3 1
P(E=
) = = = 0, 25 ou 25%
# ( Ω ) 12 4
P (Ω) = 1
Exemplo 5
P (∅ ) = 0
Exemplo 6
168 Estatística
Essa probabilidade é igual a 0, pois o evento é o conjunto vazio, isto é,
em um lançamento de um dado, os números obtidos sempre serão menores
ou iguais a seis.
P ( A ou
= B) P ( A) + P ( B ) .
P ( A ou B ) = P ( A ) + P ( B ) − P ( Ae B ) .
Exemplo 7
10 10 20
P ( A ou B ) = + = = 0, 2 ou 20%
100 100 100
b. Qual é a probabilidade de ocorrer um número múltiplo de seis ou
de oito?
Considere os seguintes eventos:
Evento A (múltiplo de 6) A = {6, 12, 18, 24, 30, 36, 42, 48, 54, 60,
66, 72, 78, 84, 90, 96}
Evento B (múltiplo de 8) B = {8, 16, 24, 32, 40, 48, 56, 64, 72, 80, 88, 96}
Estatística 169
Note que, diferentemente do item (a), agora, há uma interseção
{24, 48, 72, 96} .
entre os eventos, isto é, A ∩ B =
16 12 4 24
P ( A ou B ) = + − = = 0, 24 ou 24%
100 100 100 100
( )
P Ac = 1 − P ( A ) .
Importante
Exemplo 8
( )
P ( A ) = 1 − P Ac
1
P ( A ) =−
1 =0,96875 ou 96,875%
32
170 Estatística
Em que o evento A corresponde a sair, pelo menos, uma cara no
lançamento de cinco moedas.
P ( A )= P1 × P2
Exemplo 9
1
P ( B) =
6
1
P (C) =
6
1 1 1 1
P ( A ∩ B ∩ C) = × × = = 0, 004629 ou 0, 46 %
6 6 6 216
Estatística 171
Exemplo 10
4 1
P ( A=
) =
52 13
1
P ( B) =
52
1 1 1
P ( A ∩ B) = × = = 0, 0015 ou 0,15%
52 13 676
Exemplo 11
172 Estatística
A probabilidade de o Flamengo vencer quatro jogos é de:
4
1 1 1 1 1 1
P (A) = × × × = = = 0, 012 ou 1, 2%
3 3 3 3 3 81
1
P ( B) =
3
4
1 1 1
) × =
P ( A ∩ B= = 0, 004 ou 0, 4%
3 3 243
Exemplo 12
3 1
P ( A )= =
9 3
2 1
P ( B=
) =
8 4
Estatística 173
A probabilidade da bola retirada da urna C ser preta é:
4
P (C) =
9
1 1 4 1
P ( A ∩ B ∩ C) = × × = = 0, 037 ou 3, 7%
3 4 9 27
174 Estatística
Exercícios Propostos:
1. Em um lote de 12 peças, quatro são defeituosas. Sendo retiradas
aleatoriamente duas peças, determine a probabilidade de ambas
serem defeituosas.
2. A probabilidade de um atirador X acertar um alvo é de 80%, e a
probabilidade do atirador Y acertar o mesmo alvo é de 90%. Se os
dois atirarem uma vez, qual é a probabilidade de que, pelo menos,
um atinja o alvo?
3. Em uma urna há duas moedas aparentemente iguais. Uma delas
é uma moeda comum, com uma cara e uma coroa. A outra, no
entanto, é uma moeda falsa, com duas caras. Suponhamos que
uma dessas moedas seja sorteada e lançada. Qual a probabilidade
de sair cara?
4. Uma urna contém 50 bolas idênticas, numeradas de 1 a 50. Uma
bola é extraída ao acaso da urna, e seu número é observado. Qual a
probabilidade de o número sorteado ser menor ou igual a 20?
5. Uma loja dispõe de 12 televisores do mesmo tipo, dos quais quatro
apresentam defeito. Se um freguês vai comprar uma televisão, qual
a probabilidade de levar uma televisão defeituosa?
Respostas:
1
1. P=
11
20 10 49
2. 1−
P= × =
100 100 50
3. P=
3
4
4. P=
2
5
5. P=
1
3
Estatística 175
Referências
HAZZAN, S. Fundamentos de matemática elementar. São Paulo: Atual,
1993.
Estatística 177
Probabilidade Condicional e
Teorema de Bayes
Para Início de Conversa…
Neste capítulo, estudaremos os conceitos de probabilidade, a priori
e a posteriori, a Lei da Probabilidade Total (que se refere à probabilidade
total de ocorrência de um resultado, por meio de vários eventos distintos), a
Lei da Multiplicação (que serve para definir a probabilidade de intersecção
entre dois eventos), a probabilidade condicional (que se refere à probabilidade
de ocorrência de um evento A, sabendo-se que um outro evento B já tenha
ocorrido) e o Teorema de Bayes (que recebe esse nome em homenagem ao
pastor presbiteriano e matemático Thomas Bayes (1702-1761), que formulou
seu caso especial).
Com o estudo desse capítulo você perceberá que esse ramo de estudo
tem aplicabilidades em diferentes áreas de conhecimento, auxiliando os
profissionais na tomada de decisões.
Estatística 179
Objetivo
Identificar situações que envolvam probabilidades condicionadas.
Estatística 181
1. Probabilidade Condicionada
Se A e B são eventos que podem ocorrer em um dado experimento, a
probabilidade condicional de B ter ocorrido, quando se sabe que A ocorreu, é
representada por P( B | A) (lê-se “probabilidade de B dado A”).
180
P ( Masculino
= ) = 0, 6 ou 60%
300
150
P ( Masculino|1° Turno ) = = 0, 75 ou 75%
200
Estatística 183
P ( A ∩ B)
P ( B|A ) = (1)
P (A)
Ω
B A
A ∩ B
184 Estatística
2/6 2
P ( B=
|A ) =
3/ 6 3
2/6 2
P ( A=
|B ) =
3/ 6 3
P ( A ∩ B) P ( A ∩ B)
=
P ( B) P (A)
P ( A ∩ B) =
P ( B|A ) .P ( A )
Estatística 185
O “e” na pergunta equivale a interseção entre o evento ser cobrado por
um jogador que atua no exterior e o evento ser convertido. Observe que são
dois eventos independentes, isto é, a probabilidade de ocorrer um deles não
depende do fato de o outro ter ou não ter ocorrido.
P ( A ∩ B) =
P ( B|A ) .P ( A )
2. Teorema de Bayes
Um resultado muito importante obtido pela probabilidade condicional
é chamado de Teorema de Bayes. Esse teorema descreve a probabilidade de
um evento fundamentado em um conhecimento anterior que está associado
ao evento. O teorema demostra como alterar a probabilidade condicional, isto
é, calcular P( A | B) conhecendo a probabilidade condicional P( B | A) .
186 Estatística
Exemplo 4: A Figura 2 mostra um exemplo de uma partição de um
espaço amostral em quatro eventos. Note que as três condições são satisfeitas,
ou seja, todos os eventos são não vazios, não há interseção entre eles e, quando
unidos, formam o próprio espaço amostral.
Ω
A1
A3 A4
A2
) P ( ( B ∩ A1 ) ∪ ( B ∩ A2 ) ∪ ( B ∩ A3 ) ∪…∪ ( B ∩ An ) )
P ( B=
P ( B ) = P ( B ∩ A1 ) + P ( B ∩ A2 ) + P ( B ∩ A3 ) +…+ P ( B ∩ An )
Estatística 187
P ( B ∩ A1 ) =
P ( B|A1 ) .P ( A1 )
P ( B ∩ A2 ) =
P ( B|A2 ) .P ( A2 )
P ( B ∩ A3 ) =
P ( B|A3 ) .P ( A3 )
P ( B ∩ An ) =
P ( B|An ) .P ( An )
P ( D ) = 0, 03 × 0, 4 + 0, 02 × 0,35 + 0, 01× 0, 25
P ( D ) = 0, 0215 ou 2,15%
188 Estatística
É comum e bem visual aplicar o Teorema da Probabilidade Total na
forma de uma árvore de probabilidade, isto é:
Defeituosa 0,03
0,4 A1
Não defeituosa 0,97
Defeituosa 0,02
0,35 A2
0, 40 × 0, 03 =
0, 012 a probabilidade de ser defeituosa e ser fornecida por A1
0,35 × 0, 02 =
0, 007 a probabilidade de ser defeituosa e ser fornecida por A2
0, 25 × 0, 01 =
0, 0025 a probabilidade de ser defeituosa e ser fornecida por A3
P ( D ) = 0, 0215
Estatística 189
b. Qual a probabilidade de que ela não seja defeituosa?
( )
P D = 1 − P ( D )
P ( D ) = 1 − 0, 0215
P ( D ) = 0,9785 ou 97,85%
0, 40 × 0,97 =
0,388 a probabilidade de não ser defeituosa e ser fornecida por A1
0,35 × 0,98 =
0,343 a probabilidade de não ser defeituosa e ser fornecida por A2
0, 25 × 0,99 =
0, 2475 a probabilidade de não ser defeituosa e ser fornecida por A3
( )
P D = 0,388 + 0,343 + 0, 2475
P ( D ) = 0,9785 ou 97,85%
P ( B|Ai ) P ( Ai )
P ( Ai |B ) =
P ( B)
para todo=i 1, 2, …, n .
190 Estatística
P ( A ∩ B) =
P ( B|A ) .P ( A )
P ( B ∩ A) =
P ( A|B ) .P ( B )
P ( A|B ) .P ( B ) = P ( B|A ) .P ( A )
Ou:
P ( B|A ) P ( A )
P ( A|B ) =
P ( B)
P ( B|Ai ) P ( Ai )
P ( Ai |B ) =
P ( B|A1 ) P ( A1 ) + P ( B|A2 ) P ( A2 ) +…+ P ( B|An ) P ( An )
Estatística 191
a probabilidade pedida é P ( A1|D ) . Para chegar ao resultado desejado, deve-se
utilizar o Teorema de Bayes.
P ( D|A1 ) P ( A1 )
P ( A1|D ) =
P ( D)
0, 03 × 0, 4
P ( A1|D ) =
0, 0215
P ( A1|D ) 0,558 ou 55,8%
P ( D|A2 ) P ( A2 )
P ( A2 |D ) =
P ( D)
0, 02 × 0,35
P ( A2 |D ) =
0, 0215
P ( A2 |D ) 0,326 ou 32, 6%
P ( D|A3 ) P ( A3 )
P ( A3 |D ) =
P ( D)
0, 01× 0, 25
P ( A3 |D ) =
0, 0215
P ( A3 |D ) 0,116 ou 11, 6%
192 Estatística
Ou pela probabilidade complementar:
1 − ( P ( A1|D ) + P ( A2 |D ) )
P ( A3 |D ) =
P ( A3 |D ) 1 − ( 0,558 + 0,326 )
P ( A3 |D ) = 0,116 ou 11, 6%
P ( D ) = 0, 021ou 2,1%.
P (C | D ) =
( 0, 2 ) . ( 0, 05)
0, 021
Estatística 193
P ( C | D ) = 0, 4761ou 47, 61%
12
P (M | B) =
53
P ( M | B ) = 0, 2264 ou 22, 64%
194 Estatística
Exercícios Propostos
1. Dados dois eventos A e B que podem ocorrer em um experimento.
Chamamos de Probabilidade Condicional, representada por
P ( B | A) :
Estatística 195
Se cada aluno entrevistado estiver matriculado em exatamente um
curso, e se for escolhido ao acaso um desses alunos, responda:
Respostas:
1. Letra A
2. Sejam:
A: Ser um brigadeiro (na primeira retirada).
B: Ser um beijinho (na segunda retirada).
196 Estatística
Então:
10 20
=P ( A) = e P ( B)
30 29
10 20 200 20
P ( Ae=
B ) P ( A ) . P ( B /=
A) .= =
30 29 870 87
3. Sejam:
E: O aluno é matriculado na Engenharia Civil.
C: O aluno cursa Cálculo IV neste semestre.
82 41
a.
a ) P (=
E) =
124 62
38 19
b.
b) P (=
C) =
124 62
30 15
c. c) P ( E / C=) =
38 19
Estatística 197
Referências
HAZZAN, S. Fundamentos de matemática elementar. São Paulo, Atual,
1993.
Estatística 199
Considerações Finais
Nessa disciplina, estudamos importantes tópicos da Matemática
relacionados à Estatística e à Probabilidade.
200 Estatística