APOSTILA 2012 1 Semestre 2

ESTATSTICA E
PROBABILIDADE
VOLUME 1
Prof. Dr. JOO MRIO ANDRADE PINTO
Prof. PEDRO ARTHUR VICTER
Edio: 2012, 2.Semestre
SUMRIO
ALFABETO GREGO.................................................................................................3
1INTRODUO........................................................................................................5
1.1.1GRANDEZA......................................................................................................6
1.1.2GRAFIA DOS NMEROS................................................................................6
1.1.3ALGARISMOS SIGNIFICATIVOS....................................................................6
1.1.4ARREDONDAMENTO......................................................................................6
1.1.5OPERAES COM ALGARISMOS SIGNIFICATIVOS..................................7
2TCNICAS DE AMOSTRAGEM............................................................................9
1.1.1POPULAES E QUESTES........................................................................9
1.1.2AMOSTRAGEM..............................................................................................10
1.1.3A URNA IDEAL...............................................................................................10
1.1.4TABELA DE NMEROS ALEATRIOS........................................................11
1.1.5AMOSTRAGEM ALEATRIA SIMPLES.......................................................11
1.1.6AMOSTRAGEM ESTRATIFICADA................................................................15
1.1.7AMOSTRAGEM POR CONGLOMERADO....................................................18
1.1.8AMOSTRAGEM SISTEMTICA....................................................................18
3RESUMO E APRESENTAO DE DADOS........................................................26
1.1.1ORDENAO E ESTATSTICAS DE ORDEM..............................................26
1.1.2MEDIDAS DE POSIO OU DE TENDNCIA CENTRAL...........................27
3.1.2.1Mdia Aritmtica...........................................................................................................................27
3.1.2.2Mdia Ponderada...........................................................................................................................27
3.1.2.3Mdia Geomtrica.........................................................................................................................28
3.1.2.4Mdia Harmnica..........................................................................................................................28
3.1.2.5Mediana.........................................................................................................................................29
3.1.2.6Comparao entre a Mdia Aritmtica e a Mediana.....................................................................29
3.1.2.7Moda.............................................................................................................................................30
3.1.2.8Ponto Mdio..................................................................................................................................30
3.1.2.9Percentil........................................................................................................................................30
3.1.2.10Concluso....................................................................................................................................32
1.1.3MEDIDAS DE DISPERSO OU DE VARIABILIDADE..................................32
3.1.3.1Amplitude......................................................................................................................................32
3.1.3.2Varincia e Desvio Padro............................................................................................................32
3.1.3.3Coeficiente de Variao.................................................................................................................33
1.1.4APRESENTAO DE DADOS POR MEIO DE GRFICOS.........................33
3.1.4.1Diagrama de pontos......................................................................................................................33
3.1.4.2Diagrama de ramo e folhas...........................................................................................................34
1.1.5ORGANIZAO E APRESENTAO DOS DADOS...................................36
3.1.5.1Distribuio de frequncia............................................................................................................36
3.1.5.2Histograma....................................................................................................................................39
3.1.5.3Polgono de frequncia..................................................................................................................39
3.1.5.4Ogiva.............................................................................................................................................39
1.1.6MEDIDAS DE TENDNCIA CENTRAL PARA DADOS GRUPADOS EM
CLASSES...............................................................................................................39
3.1.6.1Mdia............................................................................................................................................39
3.1.6.2Percentil........................................................................................................................................40
3.1.6.3Moda.............................................................................................................................................41
3.1.6.4Relao entre as trs medidas de posio (mdia, mediana e moda) moda de Pearson............42
1.1.7MEDIDAS DE DISPERSO OU DE VARIABILIDADE PARA DADOS
GRUPADOS EM CLASSES...................................................................................42
3.1.7.1Varincia........................................................................................................................................42
4PROBABILIDADE................................................................................................54
1.1.1EXPERIMENTOS ALEATRIOS...................................................................54
1.1.2ESPAO AMOSTRAL....................................................................................54
1.1.3EVENTO..........................................................................................................55
1.1.4COMPOSIO DE EVENTOS.......................................................................56
1.1.5AXIOMAS........................................................................................................57
1.1.6TEOREMAS....................................................................................................57
1.1.7ESPAO AMOSTRAL FINITO.......................................................................58
1.1.8RESULTADOS IGUALMENTE PROVVEIS.................................................58
1.1.9PROBABILIDADE CONDICIONADA.............................................................59
1.1.10INDEPENDNCIA ESTATSTICA................................................................60
5 DISTRIBUIO DE VARIVEL ALEATRIA DISCRETA.................................73
1.1.1FUNO.........................................................................................................73
1.1.2VARIVEL ALEATRIA.................................................................................75
1.1.3VARIVEIS ALEATRIAS DISCRETAS E CONTNUAS.............................75
1.1.4DISTRIBUIO DE PROBABILIDADES DE UMA VARIVEL ALEATRIA
DISCRETA..............................................................................................................76
1.1.5ESPECIFICAO DE UMA DISTRIBUIO DE VARIVEL ALEATRIA
DISCRETA..............................................................................................................77
1.1.6ESPECIFICAO DA DISTRIBUIO.........................................................78
1.1.7EMPREGO DA DISTRIBUIO HIPERGEOMTRICA................................78
1.1.8ESPECIFICAO DA DISTRIBUIO.........................................................79
1.1.9EMPREGO DA DISTRIBUIO BINOMIAL..................................................79
1.1.10USO DA BINOMIAL COMO APROXIMAO DA HIPERGEOMTRICA..79
1.1.11EMPREGO DA DISTRIBUIO..................................................................79
1.1.12ESPECIFICAO DA DISTRIBUIO.......................................................80
1.1.13POISSON COMO DISTRIBUIO LIMITE DA BINOMIAL........................80
1.1.14PROPRIEDADE ADITIVA DA DISTRIBUIO DE POISSON....................80
APNDICE B: DEMONSTRAO DO LIMITE DA DISTRIBUIO BINOMIAL90
ALFABETO GREGO
Alfa
Beta
Gama
Delta
Epslon
Dzeta
Eta
Teta
Iota
capa
Lambda
Mi
Ni
Csi
micron
Pi
R
Sigma
Tau
psilon
Fi
Qui
Psi
mega
Viva um dia de cada vez. Assim, viver todos os dias de sua vida.
No desista quando ainda capaz de um esforo a mais.
(Autor desconhecido).
1 INTRODUO
Natureza da Estatstica
Muitas pessoas esto familiarizadas com o termo estatstica, quando
usado para registrar e apresentar dados e grficos, como por exemplo:
os registros de medidas de resistncia compresso
de corpos-de-prova de concreto;
os registros das medidas das caractersticas de uma
pea;
a evoluo do nmero de carros vendidos no pas de
um ano para o outro;
os dados numricos apresentados num relatrio anual
de uma companhia especfica;
a evoluo do peso de bois de uma determinada raa
no tempo;
a taxa de mortalidade infantil em uma determinada
regio;
a taxa de desemprego;
a evoluo do preo das aes de uma companhia.
Assim, um nmero denominado uma estatstica (singular). Por
exemplo: a taxa de desemprego alcana, hoje, 6% na Regio Metropolitana de
Belo Horizonte; a receita bruta de uma empresa de pequeno porte no ms de
outubro do ano passado foi de R$ 55.000,00. J um conjunto de nmeros ou fatos
denominado de estatsticas (plural). Por exemplo, o faturamento, em milhes
reais, de uma determinada empresa totalizou: 3,1 em janeiro, 3,7 em fevereiro,
4,1 em maro e 4,5 em abril.
Entretanto, este uso do termo no o foco central da questo, pois o
termo estatstica tem um sentido muito mais amplo do que apenas nmeros ou
coleo de nmeros. Estatstica lida, principalmente, com situaes em que a
ocorrncia de algum evento no pode ser predita com certeza. Nossas
concluses so frequentemente incertas porque a caracterstica bsica de nosso
mundo a variabilidade, pelo menos do pouco que se conhece dele, alm de nos
basearmos em dados incompletos. o que acontece quando avaliamos a taxa de
desemprego em um estado, com base em uma pesquisa de uns poucos milhares
de pessoas. Incertezas tambm surgem em observaes repetidas de um
experimento. Apesar de tentativas serem feitas para controlar os fatores que
influem no experimento os resultados so diferentes. Por exemplo, ps de milho
maduro no so todos de mesmo tamanho, nem as espigas de milho esto todas
a iguais distncias do solo, mesmo se os ps de milho forem plantados com
sementes de um mesmo lote e em condies aproximadamente idnticas de solo
e de tempo. O peso de frangos com idade de seis semanas de uma determinada
granja, o perodo de alvio dos sintomas de uma determinada doena aps ter
tomado um determinado remdio so outros exemplos de situaes em que
ocorre a variabilidade em observaes repetidas.
A cincia estatstica surge em estudo de fenmenos onde incertezas e
variaes ocorrem. Assim, estatstica pode ser definida como:
A cincia de coletar, organizar, resumir, apresentar, analisar e
interpretar dados relativos a um fenmeno objeto de estudo com vistas a tirar
concluses ou tomar decises em situaes em que incertezas e variaes
esto presentes.
A origem da palavra estatstica est associada palavra latina status
(Estado), de onde surgiu a palavra alem Statistik, designando a anlise de dados
sobre o Estado. Esta palavra foi proposta pela primeira vez no sculo XVII por
Schmeitzel. Na Enciclopdia Britnica aparece como verbete em 1797. Estatstica
s adquiriu um significado de coleta, classificao e anlise de dados, no incio do
sculo XIX.
A considerao de que a etimologia do verbete estatstica a locuo
latina status reforado quando se procuram os primeiros exemplos escritos de
aplicao da Estatstica. Existem evidncias de que 3000 anos A.C. j se faziam
censos na Babilnia, China e Egito com objetivo de coletar dados sobre colheitas,
composio da populao humana ou de animais, impostos, etc.. O 4 livro do
Antigo Testamento, denominado livro dos Nmeros, cita a seguinte instruo dada
a Moiss por Deus, no deserto de Sinai, em torno de 1250 A.C.: Fazei o
recenseamento de toda a congregao dos filhos de Israel pelas suas famlias e
casas, e nomes de cada um dos vares, dos vinte anos para cima, e de todos os
homens fortes de Israel; e cont-lo-eis pelas suas turmas, tu e Aaro. O objetivo
desse censo era conhecer o nmero dos homens fortes de Israel que podiam ir
guerra. O total, segundo o livro dos Nmeros, foi de 603.550 homens. Um outro
registro bblico que faz referncia a recenseamento o Evangelho de So Lucas
(2, 1-3). Cita a determinao do Imperador Csar Augusto para que se fizesse o
recenseamento de todo o imprio romano, ocasio do nascimento de Jesus. A
palavra censo, cujo sinnimo recenseamento, derivada da palavra census,
que em latim significa, segundo o dicionrio do Houaiss: levantamento e registro
(a princpio quadrienal, posteriormente quinquenal) feitos pelo censor dos
cidados romanos e de suas propriedades; rol, lista; posses, bens reais de um
cidado. As informaes obtidas eram utilizadas para a taxao de impostos ou
para o alistamento militar, ou seja, voltadas para os interesses do estado.
A Estatstica teve a sua grande arrancada como cincia no sculo XVII,
ainda tendo como objetivo a descrio dos bens do Estado. Hoje em dia, os
relatrios governamentais que contm macia documentao numrica com
ttulos, tais como Estatstica de Produo Agrcola, Estatstica de Produo
Industrial e Estatstica de Desemprego, so reminiscncias da origem da
palavra estatstica.
Assim, por motivos histricos, um grande segmento do pblico, em
geral, ainda tem a conceituao errada, de que estatstica exclusivamente
associada com arranjos traumticos de nmeros e, algumas vezes, sries
intrincadas de grficos. Entretanto, essencial lembrar que a teoria e a
metodologia estatstica moderna tm feito enormes progressos, alm da mera
compilao de tabelas e grficos numricos. Como uma cincia, estatstica
contm conceitos e mtodos, de grande importncia em todas as investigaes
que envolvem a coleta de dados, por um processo de experimentao ou
observao e envolvem as inferncias ou a tomada de decises pela anlise de
tais dados.
Desde ento o campo de aplicao da estatstica tem-se ampliado
consideravelmente, por causa, principalmente, da necessidade de se tomarem
decises rpidas com risco controlado. Atualmente, alm de ser um instrumento
indispensvel aos pesquisadores, a estatstica essencial para uma
compreenso e uma comunicao clara e efetiva, sendo, portanto, fundamental
para todo profissional que precisa conhecer e compreender fatos de vrias
naturezas. O pensamento estatstico baseia-se em fatos, em dados e, no, em
opinies ou achismos.
Os avanos tecnolgicos, principalmente na informtica, tambm tm
contribudo muito para a expanso e desenvolvimento do pensamento estatstico,
pois, os computadores, com alguns softwares, liberaram o ser humano para as
atividades de anlise e interpretao dos dados.
A reputao de dificuldade da Estatstica provm, em parte, da poca
anterior s calculadoras eletrnicas e aos computadores, quando os profissionais
que utilizam dos mtodos estatsticos eram forados a efetuar manualmente
laboriosos clculos. Hoje uma calculadora ou um computador faz esta parte
maante do trabalho, deixando esses profissionais muito mais livres para estudar
e entender o significado do que se passa. Neste texto ser usado o Excel para
fazer os clculos. Assim aps cada captulo ser apresentado, de maneira
detalhada, um exemplo com uso do Excel e sua anlise e interpretao.
Estatstica e a Vida Diria
Conhecimentos adquiridos por meio da coleta e interpretao de dados
no prerrogativa s de pesquisadores. Ela permeia a vida quotidiana de todas
as pessoas que se esforam, consciente ou inconscientemente, para entender
assuntos de interesse da sociedade, das condies de vida, do meio ambiente, e
do mundo em geral. Assim, para aprender sobre o desemprego, a poluio de
rejeitos industriais, o desempenho de times de futebol, a eficincia de analgsicos
e outros interesses da vida contempornea, preciso coletar dados numricos
que sero interpretados por ns ou por terceiros. Mesmo que a interpretao
desses dados numricos seja realizada por terceiros necessrio ter
minimamente um conhecimento de estatstica para que se possam entender os
resultados apresentados.
Fontes de informao factual abrangem desde experincia individual a
registros da mdia, registros governamentais, registros de uma empresa, e artigos
profissionais. Previso do tempo, relatrios de venda, ndices do custo de vida e
resultados de opinio pblica a respeito de candidatos ao governo so alguns
exemplos. Essas informaes precisam ser preparadas e dispostas de modo a
propiciar ao leitor condio de interpret-las. Para se atingir esse objetivo
empregado extensivamente os denominados mtodos estatsticos. Mtodos
estatsticos tm um importante papel num moderno estado democrtico. Por
exemplo, se o governo puder determinar os desejos e necessidades de seu
eleitorado por meio de mtodos de amostragem confiveis e rpidos, as polticas
pblicas formuladas com base nessas informaes podem ser mais receptivas
aos anseios do povo.
Relatrios, baseados em dados estatsticos, contendo interpretaes e
concluses, so muito teis. No entanto, frequentemente, o emprego incorreto de
estatstica, de modo deliberado ou inadvertido, leva a concluso errada e,
portanto, a distoro da verdade. Para o pblico em geral, que so os
consumidores desses relatrios, raciocnio estatstico essencial para poder
interpretar adequadamente os dados e avaliar as concluses que so tiradas.
Raciocnio estatstico fornece critrios para discernir as concluses que so, de
fato, suportadas por dados daquelas que no o so. Em todos os campos do
estudo, em que inferncias so obtidas a partir das anlises dos dados, a
credibilidade das concluses tambm depende fortemente do mtodo estatstico
usado no estgio da coleta de dados.
O novelista, historiador e socilogo ingls, H. G. Wells (1866 - 1946)
fez a seguinte previso: o pensamento estatstico ser um dia to necessrio
para o cidado eficiente quanto habilidade de ler e escrever. Talvez, no
chegamos nesse dia ainda, mas estamos vendo, cada dia mais, o uso do
pensamento estatstico crescer cada vez mais entre ns.
Particularmente, nas cincias sociais, biolgicas, fsicas e na
engenharia, o uso dos mtodos estatsticos aumentou consideravelmente nas
ltimas dcadas, confirmando a previso de Wells. Devido a esse interesse
variado e amplo, tais mtodos desenvolveram-se consideravelmente e cresceram
em diversidade e complexidade. Contudo, muitas das tcnicas mais importantes
so as mesmas para os vrios ramos de aplicao. Esses mtodos universais
que sero estudados neste curso.
De tudo que vimos, um estudante poderia ainda fazer as seguintes
perguntas:
Por que estudar estatstica?
Quem necessita estudar estatstica?
Como pode um conjunto de nmeros fornecer qualquer
informao til?
As respostas a estas questes seriam: Estudamos dados numricos
para ganhar conhecimento sobre vrios fenmenos que existem no nosso meio e
que so de nosso interesse. Qualquer pessoa que depende de medidas
numricas para tomar deciso necessita de estatstica. possvel tomar deciso
sem estatstica, mas a qualidade da deciso ser provavelmente melhor utilizando
estatstica. Estatstica oferece tcnicas para introduzir evidncia numrica em
nosso processo de tomar deciso. Isto , mtodos estatsticos para preparar,
apresentar, e interpretar evidncias numricas so teis para tomar deciso, seja
como um meio para que a pessoa que vai tomar deciso possa tirar proveito de
todos os fatos pertinentes, seja como um meio pela qual a deciso possa ser
justificada para os outros.
Para ser especfico em nossa discusso, necessitamos alguns
conceitos bsicos. Em particular, necessitamos identificar os seguintes itens:
1. Conjunto de questes para as quais se desejam
respostas. (As decises a serem tomadas).
2. A varivel a ser medida e/ou estudada para obter
dados.
3. As fontes das observaes numricas (medidas).
4. Mtodo ou tcnica para coletar os dados.
5. Os usos a serem feitos dos dados.
Nas prximas sees esses conceitos, definies especficas e
terminologias estatsticas sero apresentadas para que se possa obter
familiaridade com a linguagem estatstica.
O maior impacto na estatstica foi o surgimento dos computadores e o
efeito dramtico que tiveram na sua prtica diria. Hoje temos diversos pacotes
estatsticos tais como Minitab
, SAS
, SPSS
, etc. O estudante que realmente

planeja se concentrar em estatstica precisar certamente de um desses
softwares estatstico mais sofisticado. No entanto, para a maior parte das
aplicaes no dia a dia da estatstica, uma planilha eletrnica resolve, com as
seguintes vantagens:
1. os programas de planilhas, por serem de ampla utilizao, so
mais baratos que os programas estatsticos que tm um
mercado bem restrito.
2. Os profissionais que necessitam manipular e analisar dados
numricos, tais como engenheiros, administradores, contadores
e gerentes utilizam frequentemente planilhas. J o uso de
pacotes estatsticos de uso espordico tornando difcil o seu
uso, pois a cada aplicao necessrio um reaprendizado.
Por que o uso do Microsoft Excel? Este pacote tornou-se a planilha
eletrnica mais conhecida e usada nos computadores pessoais.
Neste texto, aps cada captulo, com exceo do Cap. 3 -
Probabilidade, sero introduzidas aplicaes usando o Excel. Instrues passo a
passo so fornecidas cada vez que um novo tpico apresentado. De modo que
mesmo os menos fluentes em Excel no devem ter maiores dificuldades na sua
aplicao.
Algarismos Significativos
1.1.1 Grandeza
Grandeza uma entidade suscetvel de medida. So exemplos de
grandezas: comprimento, tempo, peso, temperatura, rea, volume, velocidade,
etc.
Medir uma grandeza compar-la com outra fixa, de mesma espcie e
considerada como padro. Aps ser feita a comparao, obtemos o que
chamamos de medida. Logo:
Medio ato de medir
Medida resultado de uma medio.
Uma medida composta de:
Medida = (Nmero)(unidade)
Ex: 0,01mm, 2m, 10g
1.1.2 Grafia dos nmeros
Segundo a Resoluo n 12, de 12 de outubro de 1988 do Conselho
Nacional de Metrologia, Normalizao e Qualidade Industrial CONMETRO, a
grafia das grandezas obedece ao seguinte:
Para separar a parte inteira da parte decimal de um
nmero, empregada sempre uma vrgula; quando o valor
absoluto do nmero menor que 1, coloca-se 0 esquerda da
vrgula.
1.1.3 Algarismos significativos
Seja a medio de um comprimento de um objeto utilizando uma rgua
milimetrada como na Fig 1.
Figura 1: Realizao de uma medida
Qual o valor da leitura? Se o valor da medida for expresso por 2,6234cm, essa
medida tem sentido? Tem significado? claro que no, pois o terceiro algarismo
duvidoso e por tanto com muito mais fora de razo os outros dois seguintes o
so e, portanto devero ser desprezados. No valor que expressa a magnitude de
uma grandeza por meio de uma unidade de medida, os algarismos conhecidos
com certeza mais o algarismo duvidoso so denominados de algarismos
significativos. Assim, algarismos significativos so os algarismos de um
nmero que so necessrios para expressar a preciso da medida.
Se esquerda de um nmero s houver zeros, estes zeros no so
algarismos significativos.
Nos nmeros que no tm vrgula decimal, os zeros podem ser ou no
significativos. Para eliminar possveis confuses, vamos adotar a conveno de
incluir uma vrgula decimal se os zeros forem significativos. Assim, o nmero
(100,) tem trs algarismos significativos, enquanto (100) s tem um. Ou ento,
escreve-se em notao cientfica 1,00 10
2
(com trs algarismos significativos) ou
1 10
2
(com um algarismo significativo).
No exemplo da figura 1 pode-se expressar o resultado da medida por: 3,62cm,
3,63cm. Das duas leituras os algarismos 3 e 6 no so duvidosos, porm o
terceiro algarismo .
Exemplos:
a) 0,01521m tem 4 algarismos significativos, sendo 1 o duvidoso.
b) 248.350m = 248,350km tem 6 algarismos significativos, sendo 0 o
duvidoso.
c) 13,2s tem 3 algarismos significativos, sendo 2 o duvidoso.
d) 13,20s tem 4 algarismos significativos, sendo 0 o duvidoso.
e) 13,200s tem 5 algarismos significativos, sendo 0 o duvidoso.
Observe que 13,2s, 13,20s e 13,200s no tm o mesmo significado, pois cada
uma dessas medidas informa preciso diferente.
1.1.4 Arredondamento
Em alguns casos pode ser necessrio fazer arredondamentos,
eliminando AS. Para fazer arredondamentos usamos a regra :
1) O ltimo algarismo significativo conservado no se altera se o
algarismo eliminado menor do que 5.
Ex:
2,422 reduzido a 2 algarismos significativos fica 2,4
25.323 reduzido a 3 algarismos significativos fica 253.10
2
3
2) O ltimo algarismo significativo conservado acrescido de uma
unidade se o algarismo eliminado for maior ou igual a 5.
Ex:
3
1.1.5 Operaes com algarismos significativos
Adio e subtrao:
O resultado de uma soma ou de uma subtrao deve ser relatado com
o mesmo nmero de casas decimais que o termo com o menor nmero de casas
decimais. Por exemplo, os resultados das seguintes soma e subtrao:
1) 6,3 + 8,44 = 14,37 = 14,4
2) 90 2,28 = 87,72 = 87
3) 2,432 x 10
6
+ 6,512 x 10
4
- 1,227 x 10
5
= 2,432 x 10
6
+ 0,06512 x
10
6
+0,1227 x 10
6
= 2,374 x 10
6
Multiplicao e diviso:
O resultado de uma multiplicao ou de uma diviso deve ser
arredondado para o mesmo nmero de algarismos significativos que o do termo
com o menor nmero de algarismos significativos.
6,3 2,14 = 13,482 = 13 _
6,3 2,14 = 2,9439252 = 2,9 _
Quando um clculo envolver mais de uma operao, aps a realizao
de cada operao, pose-se ou no efetuar o arredondamento para o devido
nmero de algarismos significativos. Por exemplo:
13,428 (6,2 90,14356) = 13,428 0,069 = 0,93 _
13,428 (6,2 90,14356) = 0,923566... = 0,92 _
Note que no segundo caso o arredondamento s foi feito aps a
realizao de todas as operaes, mostrando que o resultado final depende de
como a operao foi feita e da realizao ao no de arredondamentos(s) a cada
etapa do clculo. Assim, para fins de padronizao e considerando o uso de
calculadores eletrnicas, nos clculos ao longo do curso os arredondamentos
devero ser feitos somente no resultado final.
APNDICE: USANDO O EXCEL
A1. Nomes das partes da interface
Os nomes das vrias partes da interface do programa so mostrados
na figura a seguir.
Barra de ttulo
Caixa de nome
Barra de ferramen-tas
formatao
Barra de frmulas
Caixa de nome
Barra de ferramen-tas
padro
Barra de menus
Ferramentas de desenho
Clula ativa
Aps cada captulo ser apresentado um exerccio de aplicao
usando o Excel.
A2. Para Inserir a Macro "FERRAMENTAS DE ANLISE"
Selecione, com o mouse, o menu FERRAMENTAS e escolha ento a
opo SUPLEMENTOS, como apresentado na figura a seguir.
Guia das planilhas
Barras de rolagem
Barra de status
Selecione a opo FERRAMENTAS DE ANLISE e clique em OK.
Desta forma aparecer, no do menu FERRAMENTAS, a opo
ANLISE DE DADOS, como mostrado na figura a seguir.
Antes de usar a opo Anlise de Dados, devemos preparar uma
planilha com os dados que sero analisados.
2 TCNICAS DE AMOSTRAGEM
Introduo
Pesquisa experimental um processo de aprendizado iterativo.
Questes relativas ao entendimento de algum fenmeno social, fsico, qumico ou
biolgico so formuladas e testadas por meio de um conjunto de dados. Por sua
vez, uma anlise dos dados obtidos experimentalmente ou por observao
geralmente propicia um entendimento modificado do fenmeno. Por meio deste
processo de aprendizado iterativo, variveis podem ser eliminadas ou adicionadas
ao estudo. Assim, pesquisa experimental compreende uma sequncia, que
corresponde s seguintes etapas:
1. formulao de questes que surgem do estudo de algum fenmeno;
2. identificao de variveis mensurveis que contm informao sobre
aquelas questes;
3. conduo de experimento para acumular dados daquelas variveis;
4. anlise dos dados;
5. concluso.
Para ilustrar, consideremos o seguinte exemplo simples: estudo da
obesidade entre os alunos de uma faculdade (adultos).
1. Questes de interesse:
qual a percentagem de alunos de peso abaixo do normal?
qual a percentagem de alunos de peso normal?
qual a percentagem de alunos obesos?
2. Varivel medida: ndice de massa corporal (IMC)
( )
( ) [ ]
2
m altura
kgf peso
.
Categoria:
IMC 20 kgf/m -
2
indivduos abaixo do peso _
normal;
20 < IMC 25 - indivduos com peso normal; _
25 < IMC 30 - indivduos acima do peso normal; _
30 < IMC 35 - indivduos com obesidade grau I; _
35 < IMC 40 - indivduos com obesidade grau II _
(obesidade mrbida);
MC > 40 indivduos com obesidade grau III. _
3. Experimento:
i. escolha dos alunos que iro representar os alunos da faculdade;
ii. medies de peso e altura dos alunos selecionados.
4. Anlise dos dados: enquadrar o IMC nas categorias.
5. Tirar concluses.
A partir desse exemplo simples v-se que, para se conduzir o
experimento, necessrio escolher os representantes dos alunos que sero
objeto do estudo e as concluses obtidas valero para todos os alunos da
faculdade.
Percebe-se, desse modo, que o processo da escolha dos
representantes do todo fundamental para a qualidade da anlise.
Neste Captulo estudaremos os mtodos para a composio do
conjunto que representar o todo.
Conceitos Fundamentais
1.1.1 Populaes e Questes
Em estatstica, o termo fenmeno, referido anteriormente,
denominado populao. Assim, a investigao, a pesquisa, feita em relao a
uma populao e portanto necessrio defini-lo com preciso.
Populao o conjunto de indivduos ou objetos ou entes materiais
portadores de pelo menos uma caracterstica comum e cujo comportamento
pretende-se estudar. Exemplos de populao:
1. Todos os estudantes desta Faculdade que esto matriculados em
Estatstica e Probabilidade.
1. Todos os pes tipo francs assados nas padarias de uma
determinada localidade em 25 de janeiro desse ano.
2. Todos os lotes usados por uma estao experimental de
agricultura para plantao de milho.
3. Todas as lmpadas de 100 watts fabricadas por uma determinada
companhia durante o ms de setembro.
4. Todas as latas de ervilha produzidas por uma determinada
companhia no dia 7 de maro.
5. Todo o concreto transportado por um determinado caminho
betoneira em uma determinada viagem.
Uma vez que, inequivocamente, definimos as populaes, o prximo
passo identificar as questes que gostaramos de investigar e eventualmente
responder. Por exemplo, para cada uma das populaes definidas acima,
poderamos ter as seguintes questes:
1. Qual foi o desempenho dos estudantes de Estatstica e
Probabilidade desta Faculdade?
1. Qual o peso mdio dos pes tipo francs?
2. De todas as variedades de milho plantadas, quais as que tm o
melhor rendimento?
3. Qual a vida mdia das lmpadas de 100 watts? Qual a
porcentagem de lmpadas defeituosas?
4. Qual a porcentagem das latas de ervilha est com os rtulos
adequadamente colados? Qual o peso mdio das latas de
ervilha?
5. Qual a resistncia mdia do concreto? Ele atende s
especificaes?
Estas so somente umas poucas questes que podemos formular
sobre as populaes anteriormente definidas. O leitor poder tentar listar pelo
menos mais uma questo para cada uma das populaes.
Exerccio n
o
1: Aplicao do conceito de populao.
a) Identificar trs populaes de sua rea principal de interesse que
tem propriedades que poderiam ser estudadas pelo uso de
medidas numricas.
b) Para cada uma das populaes em (a), formular uma ou mais
questes que voc gostaria de responder.
Exerccio n
o
2: Estatstica explorada na experincia do dia a dia.
1) Identificar o uso de estatstica em jornais, revistas, notcias,
reportagens e comerciais de televiso.
2) Formular questes sobre o que voc observou, tais como:
a) Quem coletou os nmeros?
b) Como os nmeros foram obtidos?
c) Os nmeros representam o(s) grupo(s) do(s) qual(is) eles
foram extrados?
1.1.2 Amostragem
Aps definir uma populao a ser estudada e listar o conjunto de
questes concernentes quela populao, o prximo passo especificar os
mtodos ou as tcnicas que sero utilizadas para coletar dados numricos que
fornecero informaes teis para responder as questes levantadas. Uma das
primeiras questes que a pessoa que vai coletar os dados tem de responder se
os dados sero coletados por meio de um levantamento efetuado sobre toda a
populao e, neste caso, denominado levantamento censitrio (ou
simplesmente censo ou recenseamento) ou de somente parte da populao.
Fazer levantamentos, estudos, pesquisas, sobre toda uma populao
(censo) pode ser desaconselhvel, seja devido ao tempo, ou ao custo, ou ento,
porque o ensaio feito para se obter o valor da varivel destri o item. Assim, o
mtodo estatstico possibilita chegar a concluses sobre o todo (populao),
analisando partes deste todo (amostra). Uma amostra , portanto, um
subconjunto finito de uma populao.
A amostragem consiste, essencialmente, em selecionar itens de uma
populao, denominados unidades amostrais, com vistas a investigar alguma
caracterstica dessa populao. As unidades amostrais selecionadas compem o
que se denomina amostra (uma parte ou uma parcela da populao escolhida de
maneira conveniente) e a quantidade dessas unidades amostrais denominado
tamanho da amostra. As concluses obtidas a partir do estudo da amostra
extrapolada para toda a populao, ou seja, a partir das propriedades da amostra
inferem-se (isto , concluem-se) as da populao. um instrumento valioso para
se obter dados ou informaes de forma rpida, econmica e precisa.
Utilizar amostras para se ter conhecimento sobre populaes
realizado intensamente na Agricultura, Poltica, Negcios, Marketing, Governo,
Engenharia, Medicina, Psicologia, Biologia, etc., como se pode ver pelos
seguintes exemplos:
Antes da eleio diversos rgos de pesquisa e imprensa ouvem um
conjunto selecionado de eleitores para ter uma idia do desempenho dos
candidatos.
Bilogos marcam pssaros, peixes, etc. para estudar seus hbitos.
O IBGE faz levantamentos peridicos sobre desemprego, inflao,
correntes migratrias, escolaridade, etc.
Uma empresa metal-mecnica toma uma amostra do produto fabricado
em intervalos de tempo especificados para verificar se o processo est sob
controle estatstico e, com isso prevenir a ocorrncia de itens defeituosos.
Redes de rdio e tv utilizam-se constantemente dos ndices de
audincia dos programas para fixar valores da propaganda ou ento modificar ou
eliminar programas com nvel de desempenho baixo.
Antes de comercializar um medicamento necessrio demonstrar a
sua eficcia e identificar seus efeitos coletarais.
Seria desejvel que uma amostra fosse uma rplica fiel da populao,
ou seja, a populao em escala reduzida. No entanto, a variabilidade novamente
se faz presente de modo que quase impossvel extrair uma amostra que seja
uma rplica perfeita da populao. Assim, procura-se extrair uma amostra que
tenha o maior grau de representatividade possvel da populao. O grau de
representatividade da populao por meio da amostra funo tanto do tamanho
da amostra como da tcnica a ser utilizada para sua extrao. O
dimensionamento da amostra ser abordado no captulo 7.
Devido presena da variabilidade o processo de deciso ou de
concluso baseado em amostra envolve riscos. A teoria da probabilidade ser
utilizada para fornecer o risco envolvido, ou seja, do erro que se comete ao utilizar
uma amostra ao invs de toda a populao. Para se poder utilizar o modelo
probabilstico necessrio que a amostra seja selecionada por meio de critrios
especficos, como sero vistos a seguir.
O critrio de seleo dos itens da populao que iro constituir a
amostra caracteriza a modalidade de amostragem, que poder ser determinstica
ou aleatria. Uma amostra determinstica quando os itens so escolhidos por
meio de alguma preferncia. Uma amostra aleatria quando, durante a escolha
dos itens que iro compor a amostra, no se registra qualquer preferncia,
consciente ou inconsciente, por qualquer dos itens da populao. Estudaremos
apenas a amostragem aleatria, pois s este critrio de seleo que permitir
controlar o risco envolvido no processo de tomar deciso ou tirar concluso sobre
a populao com base nas observaes amostrais.
Sorteio Aleatrio
1.1.3 A Urna Ideal
Para o atendimento da condio de aleatoriedade na escolha dos itens
que iro compor a amostra deveremos poder identific-los, e, para isso, associar
um nmero de ordem a cada um deles; a operao inicial consiste, pois, na
enumerao dos itens da populao.
Deve-se em seguida, imaginar uma urna ideal que contenha tantas
bolas iguais quantos forem os itens da populao. As bolas sero numeradas, de
modo a associarem-se cada uma a um dos itens e reciprocamente. A extrao da
amostra, isto , a seleo dos itens que iro comp-la ou seja das unidades
amostrais, faz-se por sorteio. Agita-se a urna e extrai-se uma bola, observando-se
o seu nmero, retirando da populao a unidade amostral que corresponde ao
nmero sorteado, e assim sucessivamente.
As extraes, por sorteio, podem ser feitas de duas maneiras:
s em reposio da bola extrada, antes de se fazer nova extrao;
com reposio dessa bola.
No primeiro caso, cada unidade amostral da populao somente
poder figurar uma vez na amostra, pois uma vez sorteada a bola com o nmero
correspondente, ela no voltar urna. Portanto, o processo de extrao sem
reposio tal que a composio da urna se modifica aps cada extrao.
No segundo caso, a reposio da bola extrada torna estvel a
composio da urna e, assim, cada item poder figurar uma ou mais vezes na
amostra.
A escolha de uma ou outra maneira de extrair a amostra depender do
problema em estudo. Por exemplo, se usarmos os ensaios destrutivos para
determinar as propriedades da amostra, a amostragem sem reposio ser
obrigatria.
1.1.4 Tabela de Nmeros Aleatrios
Para a extrao de amostras aleatrias, a utilizao de urna com bolas
numeradas no indispensvel. Existem outros dispositivos que reproduzem
perfeitamente as condies da urna ideal. Um desses dispositivos mais usados
a chamada Tabela de Nmeros Aleatrios (TNA), apresentada na apostila
Tbuas Estatsticas.
O procedimento para utilizao da TNA :
1. atribui-se a cada item da populao (de tamanho N) um nmero de ordem
com tantos algarismos quantos forem os algarismos do nmero N;
2. seleciona-se, arbitrariamente, uma pgina da TNA e, nessa pgina, um
ponto de partida (interseo de linha e coluna) e, a partir deste ponto,
adotam-se tantas colunas quantos forem os algarismos do nmero relativo
ao tamanho da populao;
3. faz-se a leitura dos nmeros sorteados, percorrendo a TNA segundo as
colunas; todo nmero maior que N ser desprezado; todo nmero menor
ou igual a N ser registrado, para incluso na amostra, do item a ele
correspondente;
4. registram-se as repeties se a amostra for com reposio; se for sem
reposio, as repeties no sero registradas.
No exemplo 2.1, a seguir, ser mostrado a aplicao do uso da TNA.
Exemplo 2.1:
Seja extrair uma amostra de tamanho n = 12 de uma populao de N =
120 itens. O primeiro passo enumerar os itens da populao, atribuindo a cada
elemento um nmero de ordem. Assim, os nmeros de ordem dos itens da
populao sero: 001, 002, ..., 119, 120.
A segunda etapa se refere obteno dos nmeros de ordem dos itens
que iro compor a amostra. Para isso, importante lembrar que a populao
constituda de N=120 peas, o que determina a leitura de trs colunas na TNA.
Ser importante tambm, neste estgio, fixar se a amostragem se far com
reposio dos itens, ou sem reposio. Ser adotada a primeira modalidade,
assim as leituras devero considerar aquelas eventualmente repetidas.
Como observao adicional, deve-se informar que, na TNA, cada
algarismo ser considerado como uma coluna. apenas uma conveno a ser
usada. Desse modo, ser possvel reconstituir as leituras que deram origem
amostra de interesse, desde que se tenha a tabela usada e o incio das leituras
adotado, o qual, por sua vez, deve ser tambm inteiramente livre, para que seja
cada vez menor, ou mesmo inexistente, qualquer influncia na obteno dos itens
que iro compor a amostra.
Considere-se o incio de leitura na TNA na 21. linha e 12. coluna, cuja
interseo o algarismo 4. Como o tamanho da populao composto por trs
algarismos, adotam-se trs colunas a partir do incio de leitura (12, 13 e 14),
correspondendo ao nmero 455, que como maior que 120 ser descartado.
Percorrem-se as trs colunas de cima para baixo, escolhendo os nmeros
menores ou iguais a 120, at a ltima linha. Se at esse ponto no tiverem sido
selecionadas todas as doze leituras, volta-se primeira linha, nas trs colunas
subsequentes (15, 16 e 17) e retoma-se o procedimento de leitura. Esse
procedimento ser mantido, at que sejam conseguidas todas as leituras.
Seguindo este mtodo, foram encontrados:. 053, 114, 106, 007, 017, 038, 104,
009, 106, 027, 044, 115. Se a amostragem for realizada sem reposio, o nmero
106, que saiu pela segunda vez, dever ser descartado e, portanto, dever-se-
sortear mais um nmero, que no caso ser o 089. Esses nmeros indicam quais
os elementos da populao devem ser extrados para compor a amostra.
Tipos de Amostragem
Existem diversos tipos de amostragem aleatria. Estudaremos, apenas,
alguns deles: amostragem aleatria simples, amostragem estratificada,
amostragem por conglomerado e amostragem sistemtica.
1.1.5 Amostragem Aleatria Simples
A Amostragem Aleatria Simples o tipo de amostragem mais usado.
Nesse processo, todos os elementos da populao tm igual chance de vir a ser
escolhido para compor a amostra. usada quando a populao se apresenta
distribuda homogeneamente, que o caso do exemplo 2.2, ou o pouco
conhecimento que se tem dela nos leva a admitir esta condio.
Exemplo 2.2:
Extrair uma amostra aleatria de tamanho n=12 itens, de um estoque
de peas de tamanho N=120, para estimar o peso mdio das peas do estoque.
Para fins didticos sero apresentados os pesos (em daN) das peas na tabela
2.1.
Tabela 2.1: Pesos (em daN) de um tipo de pea presentes em estoque
de um almoxarifado.
(1)
24,1
(2)
23,5
(3)
23,0
(4)
24,0
(5)
24,5
(6)
34,1
(7)
22,8
(8)
22,5
(9)
23,6
(10)
22,1
(11)
24,1
(12)
24,1
(13)
23,8
(14)
23,8
(15)
23,4
(16)
23,7
(17)
22,7
(18)
22,1
(19)
24,1
(20)
23,2
(21)
23,7
(22)
24,0
(23)
24,1
(24)
22,6
(25)
24,2
(26)
22,1
(27)
22,9
(28)
23,4
(29)
24,0
(30)
24,5
(31)
25,4
(32)
23,9
(33)
26,6
(34)
27,8
(35)
27,6
(36)
26,5
(37)
31,0
(38)
29,8
(39)
28,3
(40)
23,9
(41)
22,0
(42)
23,6
(43)
24,8
(44)
22,8
(45)
24,2
(46)
25,6
(47)
28,7
(48)
29,8
(49)
29,0
(50)
28,7
(51)
27,8
(52)
27,5
(53)
28,4
(54)
24,6
(55)
23,7
(56)
22,9
(57)
26,7
(58)
27,4
(59)
27,6
(60)
26,6
(61)
25,4
(62)
23,5
(63)
27,6
(64)
25,6
(65)
24,5
(66)
27,6
(67)
24,3
(68)
20,5
(69)
28,7
(70)
20,8
(71)
23,2
(72)
24,8
(73)
22,8
(74)
23,5
(75)
24,2
(76)
25,6
(77)
26,7
(78)
26,3
(79)
27,7
(80)
26,7
(81)
24,6
(82)
25,3
(83)
26,5
(84)
28,7
(85)
27,8
(86)
29,5
(87)
24,5
(88)
24,6
(89)
23,8
(90)
27,6
(91)
23,9
(92)
27,6
(93)
22,9
(94)
22,6
(95)
23,7
(96)
27,0
(97)
26,5
(98)
23,5
(99)
24,8
(100)
25,6
(101)
26,7
(102)
23,9
(103)
27,8
(104)
23,6
(105)
26,0
(106)
26,1
(107)
26,9
(108)
27,6
(109)
27,4
(110)
27,0
(111)
28,1
(112)
27,6
(113)
27,7
(114)
25,9
(115)
24,3
(116)
27,8
(117)
24,5
(118)
25,6
(119)
26,7
(120)
23,3
Soluo:
O primeiro passo enumerar os itens da populao, atribuindo a cada
pea um nmero de ordem. No caso particular deste exerccio, as peas foram
enumeradas da esquerda para a direita e de cima para baixo, obedecendo ao
sentido normal de leitura. Assim, o terceiro item da populao o 23,0; o
quadragsimo o 23,9 e assim por diante. Outras formas de identificao
podero ser adotadas, mas, to logo sejam estabelecidas, devero ser mantidas
at o final do problema. Em qualquer caso, dever ser bem explicitado o sistema
de identificao usado, para que se possa repetir o processo, sempre que for
necessrio.
O procedimento restante para a escolha do nmero de ordem
correspondente a cada pea anlogo ao do exemplo 2.1. Na interseo da 23.
linha com a 15. coluna (cada algarismo pertence uma coluna) encontra-se o
algarismo 6, que corresponde ao incio de leitura na TNA. Uma vez que o
tamanho da populao (N =120) composto por trs algarismos, as leituras na
TNA devero ser feitas adotando-se trs colunas a partir do incio de leitura (15,
16 e 17 colunas). O primeiro nmero de ordem ento 680, que deve ser
desprezado porquanto no h correspondncia com um nmero de ordem da
populao. A seguir se encontra o 595 que tambm deve ser abandonado, por
no ter correspondncia na populao. Em seguida, so extrados os nmeros:
042, 066, 093, 013, 014, 040, 079, 009, 014, 118, 007, 086. Neste momento,
necessrio definir-se se a amostragem com reposio ou sem reposio. Se a
opo pela amostragem com reposio, os nmeros sorteados so os
apresentados anteriormente, caso contrrio, se a opo pela amostragem sem
reposio necessrio descartar os nmeros repetidos e os nmeros sorteados
sero: 042, 066, 093, 013, 014, 040, 079, 009, 118, 007, 086, 111.
Se a amostragem for com reposio o resultado final o apresentado
na tabela 2.2.
Tabela 2.2: Amostra aleatria simples com reposio
ITEM TNA
AMOSTRA
(daN)
1 042 23,6
2 066 27,6
3 093 22,9
4 013 23,8
5 014 23,8
6 040 23,9
7 079 27,7
8 009 23,6
9 014 23,8
10 118 25,6
11 007 22,8
12 086 29,5
TOTAL 298,6
MDIA 24,9
Se a amostragem for sem reposio o resultado final o apresentado
na tabela 2.3. Perceba que a amostragem sem reposio se refere a
impossibilidade de repetio dos nmeros de ordem sorteados e no a repetio
dos resultados, como por exemplo as peas de nmero de ordem 042 e 009 que
so peas diferentes mas tm o mesmo peso de 23,6 daN.
Tabela 2.3: Amostra aleatria simples sem reposio
ITEM TNA
AMOSTRA
(daN)
1 042 23,6
2 066 27,6
3 093 22,9
4 013 23,8
5 014 23,8
6 040 23,9
7 079 27,7
8 009 23,6
9 118 25,6
10 007 22,8
11 086 29,5
12 111 28,1
TOTAL 302,9
MDIA 25,2
A seguir ser apresentado outro exemplo de aplicao da tcnica de
amostragem aleatria simples.
Exemplo 2.3:
Uma populao de peas de tamanho N = 30 dever ser transportada
de uma cidade para outra. Externamente, essas peas so iguais e o problema
consiste em estimar o valor total do transporte, cobrado a R reais por
decanewton transportado. Suponha que dificuldades de ordem prtica (quanto ao
manuseio ou mesmo quanto exiguidade do tempo) impeam o levantamento
censitrio da populao. Diante destas consideraes, extrair uma amostra de
tamanho n = 6 peas para obter a estimativa desejada. Para fins didticos
apresentado na tabela 2.4 os pesos dessas peas da populao e seus nmeros
de ordem.
Tabela 2.4: Populao de peas e seus pesos em daN
N da _
Pea
Peso
N da _
Pea
Peso
N da _
Pea
Peso
1 41 11 66 21 42
2 64 12 37 22 36
3 37 13 95 23 38
4 62 14 39 24 69
5 93 15 67 25 101
6 97 16 40 26 39
7 68 17 39 27 40
8 38 18 64 28 68
9 38 19 103 29 41
10 42 20 71 30 70
Em vista de que a populao se apresenta distribuda de forma
homognea, utilizaremos a tcnica de amostragem aleatria simples para extrair
a amostra solicitada. Para tanto, utilizamos a TNA, com incio na 17 linha e 19
coluna, selecionando os 6 primeiros nmeros (sem reposio), encontrados entre
os nmeros 01 e 30. A amostra encontrada apresentada na tabela 2.5.
Tabela 2.5: Amostra aleatria simples
N da pea _ Peso (daN)
22 36
14 39
18 64
28 68
16 40
07 68
Total
Mdia
315
53
1.1.6 Amostragem Estratificada
1
s vezes a populao que est sendo estudada se encontra dividida
em subgrupos homogneos, chamados estratos. Neste caso, somente umas
poucas observaes de cada subgrupo so necessrias. A idia importante que
todos os subgrupos estejam representados na amostra.
1 Estratificao: diviso ou separao em subgrupos homogneos com relao a algum fator de
estratificao.
O princpio bsico em amostragem estratificada que elementos
dentro de um subgrupo tendem a variar menos que elementos de subgrupos
diferentes. esta homogeneidade dentro e heterogeneidade entre os subgrupos
que determinam uma amostra composta de poucos elementos de cada um dos
subgrupos.
Pesquisas eleitorais nacionais so usualmente baseadas em tais
amostras estratificadas, porque opinies em muitos tpicos tendem a variar mais
de uma localidade para outra localidade do que dentro das localidades.
Existem dois tipos de amostragem estratificada:
De igual tamanho;
Proporcional ao tamanho do estrato.
No primeiro tipo sorteia-se igual nmero de elementos em cada estrato.
A mdia e a varincia so calculadas
No outro caso, utiliza-se a amostragem estratificada proporcional, cujo
processo :
Exemplo 2.4:
Utilizando o exemplo 2.3, mas supondo agora que as peas estejam
separadas em trs classes (A, B e C), em funo do material utilizado para sua
confeco, conforme apresentado na tabela 2.6, extrair uma amostra de tamanho
n = 6.
Tabela 2.6: Populao de peas e seus pesos em daN distribudas em
classes.
Classe A Classe B Classe C
N da _
Pea
Peso
(daN)
N da _
Pea
Peso
(daN)
N da _
Pea
Peso
(daN)
1 93 6 64 16 41
2 97 7 62 17 37
3 95 8 68 18 38
4 103 9 66 19 38
5 101 10 67 20 42
.. .. 11 64 21 37
.. .. 12 71 22 39
.. .. 13 69 23 40
.. .. 14 68 24 39
.. .. 15 70 25 42
.. .. .. .. 26 36
.. .. .. .. 27 38
.. .. .. .. 28 39
.. .. .. .. 29 40
.. .. .. .. 30 41
Nota: Sinal convencional utilizado:
.. No se aplica dado numrico.
Examinaremos dois critrios para extrao da amostra: proporcional ao
tamanho do estrato e igual tamanho.
Proporcional ao Tamanho do Estrato
Se uma populao de tamanho N est dividida em k estratos de
tamanhos N
1
, N
2
, ..., N
k
, e deseja-se extrair uma amostra de tamanho n, o nmero
de representantes que se devemos extrair de cada estrato, n
1
, n
2
, ..., n
k
,
proporcional ao tamanho de cada estrato, assim
k
k
N
n
N
n
N
n
N
n

2
2
1
1
.
Retomando o exemplo 2.4, para extrair, da populao de tamanho
N=30 dividida em trs estratos, uma amostra de tamanho n = 6, utilizando a
tcnica de amostragem aleatria estratificada proporcional ao tamanho do estrato,
selecionaremos uma das 5 peas da classe A, 2 das 10 da classe B e 3 das 15 da
classe C, (isto , n/N = 1/5 das peas de cada estrato). Para isto, iniciando a
leitura na TNA no mesmo ponto que no exemplo 2.3, procuraremos o primeiro
nmero entre 01 e 05; os dois primeiros entre 06 e 15; os trs primeiros entre 16 e
30. A amostra obtida foi:
Tabela 2.7: Amostra estratificada proporcional ao tamanho do estrato
Estrato N da _
Pea
Peso (daN)
Classe A 02 97
Classe B 14 68
07 62
Classe C 18 38
28 39
16 41
Total
Mdia
345
58
Igual Tamanho
Extraem-se amostras de igual tamanho para os estratos; aplica-se ao
resultado de cada um, o fator de ponderao igual ao inverso da respectiva frao
de amostragem. Os resultados obtidos, aps seleo de cada amostra pela TNA
(iniciando-se no mesmo ponto), esto dados abaixo.
Tabela 2.8: Amostra estratificada de igual tamanhoi
Estrato N da _
Pea
Peso
(daN)
Fator de ponderao Totais
A
02 97
05 101
Total de A
Mdia A
198
99 5 495
B
14 68
07 62
Total de B
Mdia B
130
65 10 650
C
18 38
28 39
Total de C
Mdia C
77
38,5 15 577,5
Total geral
Mdia ponderada (total geral 30) _
1722,5
57
1.1.7 Amostragem por Conglomerado
A idia de amostragem por conglomerado quase oposta a da
amostragem estratificada. Nesse caso, supe-se que a populao seja composta
de subgrupos heterogneos, chamados conglomerados. De fato, cada
conglomerado uma miniatura da populao. Portanto, podemos ver a
populao melhor e mais economicamente pela observao de todos os
elementos de uns poucos conglomerados (possivelmente apenas um
conglomerado) que pela observao de uma parte de muitos conglomerados.
Exemplos de populaes para os quais amostragem por conglomerado so
aplicveis so os seguintes:
Um estudo de hospitais (100 - 200 leitos) est sendo conduzido para
determinar o nvel de treinamento de seus funcionrios. Pode-se admitir que o
corpo de funcionrios de um hospital do tamanho indicado aproximadamente
uma miniatura de todos os dos outros hospitais. Ento, resultados obtidos pelo
estudo dos funcionrios de uns poucos hospitais podem ser uma boa
representao de toda a populao.
Um bilogo est interessado em determinar a composio da idade de
uma populao de cachorros-do-mato que reside dentro dos limites de um
determinado parque nacional. Se admitirmos que cada colnia de cachorros-do-
mato uma pequena rplica da populao completa, necessitamos estudar
somente umas poucas (talvez somente uma) colnias para obter a informao,
aproximada, da composio da idade desejada.
Formiga sava, abelha, etc. so exemplos de populaes para os quais
amostragem por conglomerado aplicvel.
Em amostragem por conglomerado, os conglomerados que comporo
a amostra so selecionados de modo aleatrio. Para aquelas populaes, que
tm conglomerados de tamanho to grande que se torna impraticvel obter dados
de todos os seus elementos, comum selecionar os elementos aleatoriamente do
conglomerado para compor a amostra. A ltima tcnica chamada de
amostragem por conglomerado em dois estgios. No primeiro estgio um
conjunto de conglomerados aleatoriamente selecionado. Ento, o segundo
estgio envolve a seleo aleatria de elementos a partir dos conglomerados
selecionados.
1.1.8 Amostragem Sistemtica
Outra tcnica de amostragem usada frequentemente a chamada
amostragem sistemtica. Nesse caso, a regra de amostragem envolve uma
seleo aleatria inicial seguida de uma sistemtica. usada quando a populao
est naturalmente ordenada, como fichas em um fichrio, listas telefnicas, etc.
Exemplos comuns so:
Para obter uma amostra de estudantes de uma universidade um nome,
dentre os primeiros cem nomes da lista de estudantes regularmente matriculados,
selecionado aleatoriamente, digamos que foi o de nmero 61. Aps a seleo
inicial adicionado 100 ao sorteado e assim sucessivamente, por exemplo os de
nmero 161, 261, 361, ..., at obtermos a amostra. Desse modo, a amostra
resultante incluir 1% do corpo de estudantes.
Sortear um nmero aleatrio entre 1 e 100, digamos 39. Ento
selecionar os nomes da lista de telefone local que corresponde aos nmeros 39,
139, 239, ... para compor a amostra.
Selecionar aleatoriamente o primeiro cliente para entrevist-lo quando
estiver deixando o supermercado. Ento entrevistar cada quinquagsimo cliente
que deixar o supermercado aps a entrevista inicial.
O procedimento para extrair a amostra :
1. calcula-se o intervalo de amostragem N/n;
2. adota-se o maior nmero inteiro, r, menor ou igual a N/n;
3. sorteia-se pela tabela de nmeros aleatrios um nmero b, entre 01 e r,
esse corresponder ao primeiro item da populao que ir compor a
amostra;
4. os demais itens da populao a serem escolhidos sero obtidos somando-
se, sistematicamente, ao primeiro, parcelas iguais a r;
5. a amostra de n unidades amostrais ser, pois, formada pelos itens da
populao de nmero de ordem: b, b + r, b + 2r, ..., b + (n-1)r, de acordo
com uma progresso aritmtica de razo r.
Algumas precaues devem ser tomadas na utilizao da amostragem
sistemtica:
a escolha do item da populao de nmero de ordem 1 deve ser evitada,
sobretudo se a ordenao corresponder a alguma forma de hierarquia, pois
nesse caso ele constitui um exemplar especial. Por exemplo, no fichrio de
pessoas lotadas em um departamento, o nmero 1 ser o chefe do
departamento, ou talvez o empregado mais antigo;
quando a populao j estiver organizada por estratos, uma amostra
sistemtica ser tambm estratificada. o caso do fichrio de pessoal de
fbrica, arrumado por departamento; uma amostra sistemtica, de certo
modo, reproduzir a estrutura administrativa da fbrica. Muito embora,
usualmente, a amostra sistemtica fornea estimativas muito precisas, no
possvel obter uma medida dessa preciso;
a amostragem sistemtica pode ser tendenciosa quando coincidir o
intervalo de amostragem com um intervalo de variao peridica dos itens
da populao. Apesar da comodidade de extrao de amostra a intervalos
de tempo peridicos (nas fbricas, nas instalaes qumicas, etc.),
necessrio eliminar essa coincidncia. Por exemplo, possvel ocorrerem
variaes peridicas nas caractersticas qumicas e bacteriolgicas do
esgoto de uma cidade ou de um parque industrial; ou na composio do
concreto em uma central; ou no nmero de veculos que passam por uma
rua, etc.
Exemplo 2.5
Considerando a populao ordenada apresentada na Tabela 2.9,
extrair uma amostra de tamanho n=6, iniciando na TNA na 15 linha e 19 _ _
coluna.
Tabela 2.9: Populao ordenada
(1)
34
(2)
34
(3)
35
(4)
36
(5)
36
(6)
37
(7)
38
(8)
40
(9)
40
(10)
41
(11)
41
(12)
42
(13)
43
(14)
45
(15)
47
(16)
48
(17)
48
(18)
49
(19)
50
(20)
51
(21)
51
(22)
55
(23)
55
(24)
55
(25)
57
(26)
58
(27)
58
(28)
59
(29)
59
(30)
60
(31)
61
(32)
61
(33)
62
(34)
63
(35)
64
(36)
65
(37)
65
(38)
66
(39)
67
(40)
70
(41)
70
(42)
70
(43)
72
(44)
73
(45)
73
(46)
75
Soluo:
1. Calcula-se o intervalo de amostragem N/n = 46/6 = 7,7;
2. adota-se r = 7;
3. o nmero entre 01 e 07, dado pela TNA, foi 06;
4. a amostra ser:
Tabela 2.10: Amostra extrada usando a tcnica de
amostragemsistemtica
I TNA Nmero Amostra
1 06 06 37
2 .. 13 43
3 .. 20 51
4 .. 27 58
5 .. 34 63
6 .. 41 70
Total
Mdia
322
54
Nota: Sinal convencional utilizado:
.. No se aplica dado numrico.
Exerccios Propostos
1) Uma empresa tem 3414 empregados repartidos nos seguintes
departamentos:
Administrao 914
Transporte 348
Produo 1401
Outros 751
Deseja-se extrair uma amostra entre os empregados para verificar o
grau de satisfao em relao qualidade da comida servida no refeitrio. Diga
como a amostragem seria realizada considerando uma amostra de 20 % da
populao.
2) Dada a populao a seguir:
1 1 1 1 1 1 1 1 1 1
58 68 65 89 48 87 69 87 48 49
1
98
1
57
1
34
1
62
1
67
1
58
1
95
1
32
1
67
1
49
1
98
1
89
1
51
1
35
1
48
1
68
1
24
1
17
1
18
1
28
1
65
1
97
1
58
1
49
1
28
1
18
1
52
1
51
1
58
1
68
1
58
1
56
1
28
1
84
1
49
1
58
1
65
1
51
1
95
1
84
1
59
1
58
1
96
1
85
1
96
1
52
1
77
1
65
1
64
1
26
1
65
1
69
1
12
1
11
1
22
1
28
a) Extrair uma amostra aleatria, com reposio, de
tamanho 15. Iniciar a leitura na TNA na 15 linha e 12 coluna.
b) Justificar o emprego da tcnica de amostragem
utilizada.
c) Determinar: a mdia, a mediana, o ponto mdio,
a moda, a amplitude, a varincia, o desvio-padro e o coeficiente
de variao.
3) Dada a populao a seguir:
Classe A: 165 197 158 149 128 118 152 151 158 168
159 158 196 185 196 152 177 165 164 126
196 185 196 152
Classe B: 358 368 365 389 348 387 369 387 348 349
398 357 334 362 367 358 395 332
Classe C: 767 749 798 789 751 735 748 768 724 717
718 728
Classe D: 98 89 51 35 48 68 24 17 18 28
65 97 58 49 28 18 52 51 58 68
58 56 28 84 49 58 65 51 95 84
a) Extrair uma amostra aleatria, sem reposio, de tamanho 14.
Iniciar a leitura na TNA na 7 linha e 20 coluna.
b) Justificar o emprego da tcnica de amostragem utilizada.
c) Determinar: mdia, mediana, ponto mdio, moda, amplitude,
varincia, desvio-padro, coeficiente de variao.
4) Dada a populao ordenada a seguir:
123 123 123 125 125 126 127 129 130 130
131 131 131 133 133 134 135 135 135 136
137 138 139 140 142 143 145 145 145 146
150 151 154 155 158 160 160 165 166 167
170 171 171 175 176 177 178 180 182 183
185 188 190 190 191 191 194 195 195 196
200 200 201 201 205 205 206 207 208 210
a) Extrair uma amostra aleatria de tamanho 9.
Iniciar a leitura na TNA na 15 linha e 14 coluna.
b) Justificar o emprego da tcnica de amostragem
utilizada.
c) Determinar: mdia, mediana, ponto mdio,
moda, amplitude, varincia, desvio-padro, coeficiente de
variao.
5) Observe a populao abaixo, de N = 50 pessoas que, se
responderem a uma pesquisa de opinio sobre determinado assunto iro
responder S (sim), N (no) ou NS (no sabem ou no querem responder):
a) determine os percentuais de pessoas que responderam S, N e NS
na populao;
b) enumere os itens da populao da esquerda para a direita e de cima
para baixo e extraia uma amostra aleatria simples de n = 8 pessoas
da populao, sem reposio. Da amostra extrada calcule os
percentuais de respostas S, N e NS nas amostras, para incio das
leituras em:
I. TNA (8 L; 17 C);
II. TNA (3 L; 3 C);
III. TNA (25 L; 2 C);
IV. TNA (7 L; 11 C);
V. TNA (4 L; 8 C).
Populao:
NS N NS S S N S N S S
N NS S S S S S N N S
S N S S N N N S S NS
NS NS N N S S N S NS NS
NS S S NS S N S N S S
c) Comente os resultados amostrais em relao
aos da populao.
6) Em um almoxarifado existem 25 peas fabricadas por duas
mquinas A e B. Suponha conhecidos os seus comprimento, assim como se
relacionam a seguir:
75 58 57 72 73
79 78 86 60 78
76 61 64 58 82
85 57 55 57 79
80 76 60 74 76
a) Enumere os itens da populao da esquerda
para a direita e de cima para baixo. Fixando o incio das leituras
na TNA (7 L; 25 C), extraia uma amostra aleatria simples de n
= 5 itens, sem reposio. Da amostra extrada calcule:
I. mdia;
II. ponto mdio;
III. moda;
IV. mediana;
V. varincia;
VI. amplitude;
VII. desvio padro;
VIII. coeficiente de variao.
b) Admita conhecida a informao de que as peas
de A so, em geral, menores. Como deve ser extrada uma nova
amostra de n = 5? Reorganize e renumere os itens da populao
como na alnea a e extraia essa nova amostra sem reposio,
para o incio das leituras na TNA (10 L; 7 C). Para n = 6 e o
incio na TNA (27 L; 16 C), quais itens comporo a amostra?
7) Extrair uma amostra de n = 5 itens da populao de N = 32 estaturas
ordenada em um rol crescente e calcular: a mdia, a mediana, o ponto mdio, a
moda, a amplitude, a varincia, o desvio padro e o coeficiente de variao.
Justificar a tcnica de amostragem utilizada. Incio de leitura na TNA (22 L; 25
C).
1,64 1,65 1,65 1,68 1,68
1,69 1,69 1,71 1,72 1,72
1,74 1,76 1,76 1,77 1,77
1,77 1,78 1,78 1,79 1,79
1,79 1,80 1,80 1,81 1,81
1,82 1,82 1,83 1,84 1,85
1,85 1,87
APNDICE A: SOMATRIO
O somatrio facilita bastante a indicao e a formulao de medidas,
bem como algumas operaes algbricas desenvolvidas pela Estatstica.
Notao: (sigma maisculo)
x x x x
n
n
i
i
+ + +
...
2 1
1
Que se l somatrio de x
i
, para i variando de 1 a n.
Propriedades:
Considerando a e b constantes:
a)

+ + + +
n
i
na a a a a a
1
...
b)

n
i
i
n
i
i
x a ax
1 1
c)
( )

+ +
n
i
i
n
i
i
n
i
i i
y b x a by ax
1 1 1
APNDICE B: USANDO O EXCEL
B1. Amostragem
Exemplo
No exemplo N=18 e n=6.
Abre-se o menu FERRAMENTAS e escolhe-se a opo ANALISE DE
DADOS.
Na prxima caixa, selecionaremos a opo AMOSTRAGEM. No se
esquea de clicar em OK.
A caixa de dilogo que aparece em seguida refere-se s informaes
necessrias para a extrao da amostra, sendo:
1* Intervalo de entrada: faixa de dados que
contm os valores dos quais ser extrada uma amostra. O
Microsoft Excel extrai as amostras da primeira coluna, depois da
segunda coluna, e assim por diante.
2* Rtulos: Selecione esta opo se a primeira
linha ou coluna do intervalo de entrada contiver rtulos.
Desmarque esta opo se o intervalo de entrada no contiver
rtulos; o Excel gera os rtulos de dados adequados para a
tabela de sada.
3* Mtodo de amostragem: Clique em Peridico ou
Aleatrio para indicar a tcnica de amostragem a ser utilizada.
Peridico: corresponde a amostragem sistemtica; e Aleatrio:
a amostragem aleatria simples.
4* Perodo: corresponde ao intervalo de
amostragem.
5* Nmero de amostras: corresponde ao tamanho
da amostra.
6* Intervalo de sada: Insira a referncia para a
clula superior esquerda da tabela de sada. Os dados so
escritos em uma nica coluna abaixo da clula. Se selecionar
Peridico, o nmero de valores na tabela de sada ser igual ao
nmero de valores no intervalo de entrada (tamanho da
populao), dividido pelo intervalo de amostragem. Se voc
selecionar Aleatrio, o nmero de valores na tabela de sada
ser igual ao tamanho da amostra.
7* Nova planilha: Clique nesta opo para inserir
uma nova planilha na pasta de trabalho atual e colar os
resultados comeando pela clula A1 da nova planilha. Para
nomear a nova planilha, digite um nome na caixa.
8* Nova pasta de trabalho: Clique nesta opo
para criar uma nova pasta de trabalho e colar os resultados em
uma nova planilha na nova pasta de trabalho.
Finalmente, pressionando o boto OK, obteremos a amostra desejada.
B2. Gerao de nmeros aleatrios
DADOS.
Na prxima caixa, selecionaremos a opo GERAO DE NMERO
ALEATRIO. No se esquea de clicar em OK.
necessrias para a gerao de nmeros aleatrios, sendo:
9* Nmero de variveis: Insira o nmero de colunas de valores
que voc deseja na tabela de sada. Se no inserir um nmero, o
Microsoft Excel preencher as colunas da tabela de sada
especificada.
10* Nmero de nmeros aleatrios: Insira a quantidade de
nmeros aleatrios que se deseja. Cada nmero aleatrio
aparece em uma linha da tabela de sada. Se voc no inserir um
nmero, o Microsoft Excel preencher todas as linhas da tabela
de sada especificada.
11* Distribuio: Selecione o modelo de distribuio que se
deseja usar para criar valores aleatrios (uniforme, normal,
Bernoulli, binomial, Poisson, padronizada, discreta). Para sorteio
de itens de uma populao para compor uma amostra usa-se a
distribuio uniforme.
12* Parmetros: Insira um valor ou valores para caracterizar a
distribuio selecionada.
13* Semente aleatria: Insira um valor opcional a partir do qual
nmeros aleatrios possam ser gerados. Pode-se voltar a usar
este valor para produzir os mesmos nmeros aleatrios
posteriormente.
14* Intervalo de sada: Insira a referncia para a clula superior
esquerda da tabela de sada.
15* Nova planilha: Clique nesta opo para inserir uma nova
planilha na pasta de trabalho atual e colar os resultados
comeando pela clula A1 da nova planilha. Para nomear a nova
planilha, digite um nome na caixa.
16* Nova pasta de trabalho: Clique nesta opo para criar uma
nova pasta de trabalho e colar os resultados em uma nova
planilha na nova pasta de trabalho.
Finalmente, pressionando o boto OK, obteremos os nmeros
aleatrios desejados.
3 RESUMO E APRESENTAO DE DADOS
Introduo
No captulo anterior foram vistas as tcnicas de amostragem, que
consistem de procedimentos para coletar amostras de uma populao, que so
as fontes dos dados que sero usados para responder as questes levantadas
sobre a populao. Portanto, o prximo passo comear o desenvolvimento de
mtodos para resumo, organizao e apresentao de dados para permitir a sua
analise.
O objetivo deste captulo, portanto, apresentar tcnicas que tem por
finalidade resumir, organizar e apresentar conjuntos de dados numricos, de
modo a facilitar a anlise desses dados.
Para facilitar este estudo os conjuntos de dados sero classificados
como pequenos e grandes. Assim, se um conjunto de dados tiver 30 ou menos
valores a anlise ser feita sem o agrupamento em classe. Caso o conjunto de
dados tenha mais do que 30 valores ento primeiramente ser feito o
agrupamento em classe de acordo com o tipo de varivel considerada. O valor 30
apenas um ponto de referncia escolhido arbitrariamente e dependendo da
situao pode-se considerar o agrupamento com mais ou menos valores
envolvidos.
Os dados observados podem ser classificados em dois tipos:
categorizados e numricos. Dados categorizados referem-se a observaes
que so classificadas em categorias de modo que o conjunto de dados consiste
de frequncia de contagens das ocorrncias das categorias. Tais dados ocorrem
em grande quantidade em quase todos os campos do conhecimento que
necessitam realizar estudos quantitativos, particularmente nas cincias sociais.
Em um estudo de afiliaes religiosas, as pessoas podem ser classificadas nas
seguintes categorias: catlicas, protestantes, judeus, espritas, ou outras. Diante
da pergunta: Voc possui automvel? A resposta categorizada, podendo ser
sim ou no. Dados numricos podem ser classificados como contnuos e
discretos. Um dado numrico contnuo se proveniente de uma mensurao,
por exemplo: resistncia a compresso de corpos-de-prova de concreto, altura e
peso de pessoas. Um dado numrico discreto se proveniente de contagem
por exemplo produo de carros FIAT no ms de janeiro deste ano, quantidade de
alunos de Probabilidade e Estatstica de uma determinada turma da Universidade
que respondero presena hoje.
Resumo, organizao e apresentao de pequenos conjuntos de
dados numricos.
1.1.1 Ordenao e estatsticas de ordem
Um mtodo conveniente para organizar dados, quando n, o tamanho
da amostra, no for to grande, por meio de um arranjo ordenado. A
ordenao pode ser ou do maior para o menor (ordenao decrescente) ou do
menor para o maior (ordenao crescente). Quando os dados (x
1
, x
2
, x
3
, ..., x
n
)
so ordenados para dar x
(1)

x
(2)

x
(3)

...

x
(n)
, os valores x
(1)
, x
(2)
, x
(3)
, ... x
(n)
so
chamados de estatsticas de ordem dos dados. Em particular,
x
(1)
= min (x
1
, x
2
, x
3
, ..., x
n
) = a menor observao
x
(n)
= max (x
1
, x
2
, x
3
, ..., x
n
) = a maior observao,
so estatsticas de ordem especiais que sero usadas mais tarde.
Exemplo 3.1
i x
i
x
(i)
1 29 18
2 18 20
3 26 22
4 22 24
5 24 26
6 20 29
A coluna x
i
corresponde s observaes amostrais registradas na
ordem de extrao da amostra e a coluna x
(i)
as observaes amostrais so as
estatsticas de ordem.
Assim, neste exemplo,
18
) 1 (
x
e
29
) 6 (
x
que so o menor e o maior valor, respectivamente, dos dados.
1.1.2 Medidas de Posio ou de Tendncia Central
As medidas de posio tm por objetivo representar, de forma sinttica,
um conjunto de dados observados. Dizendo de outra forma, essas medidas so
usadas para sintetizar em um nico nmero o conjunto de dados observados. Tais
medidas orientam-nos quanto posio da distribuio no eixo X (o eixo dos
nmeros reais), possibilitando que duas sries de dados possam ser comparadas
entre si realizando o confronto desses nmeros. So tambm chamadas de
medidas de tendncia central, pois, representam as caractersticas pelos seus
valores centrais, em torno das quais tendem a se concentrar os dados.
3.1.2.1 Mdia Aritmtica
A medida de posio mais comum a mdia aritmtica, ou
simplesmente mdia. Sendo as n observaes indicadas por x
1
, x
2
, x
3
, ..., x
n
, a
mdia aritmtica
x
:
x
=
i x
n
n
i
1
1
3.1
Exemplo 3.2
Determinar a mdia aritmtica dos valores: 3, 7, 10, 8, 11.
x
= (3 + 7 + 10 + 8 + 11)/5 = 8
3.1.2.2 Mdia Ponderada
Usada quando se torna necessrio valorizar diferentemente, ou seja,
dar pesos diferentes para os dados que entraro no clculo da mdia.
+ + +
+ + +
n
i
i
n
i
i i
n
n n
p
w
x w
w w w
x w x w x w
x
1
1
2 1
2 2 1 1
3.2
Na expresso 3.2,
n
i
i i
x w
a soma dos produtos de cada x
i
pelo
seu respectivo peso w
i
, e
n
i
i
w
1
a soma dos pesos. Observe que quando os
pesos so todos iguais, a expresso 3.2 se reduz 3.1, que mdia aritmtica.
Exemplo 3.3
Um grupo de 64 pessoas, que trabalha em uma empresa, tem a
seguinte distribuio salarial, em quantidade de salrios-mnimos:
Quantidade de
trabalhadores
Salrio (em
salrios-mnimos)
20 2,5
15 4
12 8
10 16
7 30
Para calcular a mdia salarial (por dia) de todo o grupo devemos usar a
mdia aritmtica ponderada:
9
64
576
7 10 12 15 20
7 30 10 16 12 8 15 4 20 5 , 2

+ + + +
+ + + +
p
x
O salrio mdio dos empregados dessa empresa em termos de
salrios-mnimos ento igual a 9.
3.1.2.3 Mdia Geomtrica
Consideremos uma coleo formada por n nmeros racionais no
negativos: x
1
, x
2
, x
3
, ..., x
n
. A mdia geomtrica entre esses n nmeros a raiz n-
sima do produto entre esses nmeros, isto :
n
n g
x x x x x
3 2 1
3.3
aplicada quando se est diante de casos de qualidades
multiplicativas.
Exemplo 3.4
Nos dois ltimos anos o faturamento de uma empresa cresceu 22,5%
no primeiro e 60% no segundo ano. Em mdia, quanto cresceu por ano? Ao
responder essa questo, muitos pensam na mdia aritmtica: (22,5% + 60%)/2 =
41,25%
Ser que se o crescimento tivesse sido de 41,25% a cada ano, teria
produzido o mesmo efeito? Pois esta a questo que se coloca quando se pede
uma mdia: deve ser o nmero que, colocado em lugar de cada nmero dado,
produz o mesmo efeito que aqueles produziriam acumulativamente.
Partindo de um faturamento de R$ 100, um aumento de 22,5% o eleva
para R$ 122,50 e, sobre este ltimo, um aumento de 60% o eleva para R$ 196.
Repetindo o raciocnio com a mdia aritmtica, os R$ 100 aumentados de 41,25%
viram R$ 141,25, que aumentados novamente de 41,25% viram R$ 199,52
-portanto no chegando aos mesmos R$ 196.
E como resolver a questo? Que mdia devemos calcular?
Veja: partindo de 100 multiplicamos por 1,225 (que 1 + 22,5%) e
depois por 1,60 (que 1 + 60%) para chegar aos 196.
O que precisamos descobrir uma taxa t (taxa mdia) de modo que
partindo de 100 e multiplicando por (1 + t), depois novamente por (1 + t),
cheguemos aos mesmos 196. Da, o que queremos descobrir t na equao (1 +
t) (1 + t) = 1,225 x 1,60, ou seja, (1 + t) a mdia geomtrica de 1,225 e 1,60.
Extraindo a raiz quadrada em ambos os membros da equao obtemos
1 + t = 1,40, logo a taxa mdia 40%. Confira: partindo de R$ 100, um aumento
de 40% eleva para R$ 140 e com outro aumento de 40% chegamos aos R$ 196.
Exemplo 3.5
A mdia geomtrica entre os nmeros 12, 64, 126 e 345, dada por:
76 345 126 64 12
4

g
x
Aplicao prtica: Dentre todos os retngulos com a rea igual a 64
cm, qual o retngulo cujo permetro o menor possvel, isto , o mais
econmico? A resposta a este tipo de questo dada pela mdia geomtrica
entre as medidas do comprimento a e da largura b, uma vez que a.b=64.
A mdia geomtrica G entre a e b fornece a medida desejada.
8 64 b a x
g
Resposta: o retngulo cujo comprimento mede 8 cm e lgico que a
altura tambm mede 8 cm, logo s pode ser um quadrado! O permetro neste
caso p=32 cm. Em qualquer outra situao em que as medidas dos
comprimentos forem diferentes das alturas, teremos permetros maiores do que
32 cm.
Interpretao grfica: A mdia geomtrica entre dois segmentos de reta
pode ser obtida geometricamente de uma forma bastante simples.
Sejam AB e BC segmentos de reta. Trace um segmento de reta que
contenha a juno dos segmentos AB e BC, de forma que eles formem
segmentos consecutivos sobre a mesma reta.
Dessa juno aparecer um novo segmento AC. Obtenha o ponto
mdio O deste segmento e com um compasso centrado em O e raio OA, trace
uma semi-circunferencia comeando em A e terminando em C. O segmento
vertical traado para cima a partir de B encontrar o ponto D na semi-
circunferncia. A medida do segmento BD corresponde mdia geomtrica das
medidas dos segmentos AB e BC.
De acordo com o teorema: a medida do ngulo inscrito igual a
metade do arco subtendido, ento o ngulo ADC reto e, portanto, pelo teorema
de Pitgoras:
( )
2 2 2
BC AB DC AD + +
3.4
Como os tringulos ABD e BDC so tringulos retngulos, por
construo, pelo mesmo teorema de Pitgoras obtm-se:
2 2 2
BD AB AD +
3.5
e
2 2 2
BD BC DC +
3.6
Substituindo as expresses 3.5 e 3.6 na expresso 3.4, obtm-se
BC AB BC AB BD BC BD AB + + + + + 2
2 2 2 2 2 2
3.7
Simplificando a expresso 3.7, obtm-se
BC AB BD
3.8
3.1.2.4 Mdia Harmnica
Seja uma coleo formada por n nmeros reais positivos: x
1
, x
2
, x
3
, ...,
x
n
. A mdia harmnica H entre esses n nmeros a diviso de n pela soma dos
inversos desses n nmeros, ou seja o inverso da mdia aritmtica dos inversos
dos n nmeros reais positivos dados, isto :
n
i
i
h
x
n
x
1
1
3.9
ou
n
i
i h
x x
n
1
1
3.10
Assim, estamos realizando o somatrio sobre todos os inversos dos n
nmeros reais positivos dados.
Utilizamos a Mdia Harmnica quando estamos tratando de
observaes de grandezas inversamente proporcionais como, por exemplo,
velocidade e tempo. A mdia harmnica particularmente recomendada para
uma srie de valores que so inversamente proporcional, como para o clculo da
velocidade mdia, custo mdio de bens comprados com uma quantia fixa.
Em uma certa situao, a mdia harmnica prov a correta noo de
mdia. Por exemplo, se metade da distncia de uma viagem feita a 40 km por
hora e a outra metade da distncia a 60 km por hora, ento a velocidade mdia
para a viagem dada pela mdia harmnica, que 48; isso , o total de tempo
para a viagem seria o mesma se se viajasse a viagem inteira a 48 quilmetros por
hora. (Note, entretanto que se se tivesse viajado por metade do tempo em uma
velocidade e a outra metade na outra velocidade, a mdia aritmtica, nesse caso
50 km por hora, proveria a correta noo de mdia).
Da mesma forma, se um circuito eltrico contm duas resistncias
conectadas em paralelo, uma com uma resistncia de 40 ohm e outra com 60
ohm, ento a mdia das resistncias das duas resistncias 48 ohm; isso , a
resistncia do circuito a mesma que a de duas resistncias de 48 ohm
conectadas em paralelo. Isso no pra ser confundido com sua resistncia
equivalente, 24, que a resistncia necessria para substituir as duas
resistncias em paralelo. Note que a resistncia equivalente igual a metade do
valor da mdia harmnica de duas resistncias em paralelo.
Em finanas, a mdia harmnica usada para calcular o custo mdio
de aes compradas durante um perodo. Por exemplo, um investidor compra
$1000 em aes todo ms durante trs meses. Se os preos na hora de compra
forem de $8, $9 e $10, ento o preo mdio que o investidor pagou por ao de
$8,926. Entretanto, se um investidor comprasse 1000 aes por ms, a mdia
aritmtica seria usada.
Exemplo 3.6: Velocidade mdia
Um carro se desloca de Belo Horizonte at a cidade de Ub (distncia
de 296 Km), mantendo na ida uma velocidade mdia de 60 Km/h e na volta a Belo
Horizonte mantendo a velocidade mdia de 100 Km/h. Qual a velocidade mdia
durante todo o trajeto?
Utilizando a expresso 3.9 obtm-se:
h km x
h
/ 75
100
1
60
1
2
Este problema uma aplicao imediata da mdia harmnica e a

resposta acima deve dar um susto em muita gente descuidada, pois a maioria das
pessoas "gostaria" que fosse 80 km/h!
O tempo total do percurso BH-Ub-BH
h 893 , 7
100
296
60
296
+
Se usarmos o valor mdio de 80 km/h, o tempo total do percurso :
h 4 , 7
80
296
2
,
cujo resultado diferente do anterior.
Usando o valor da mdia harmnica para determinar o tempo total do
percurso, obtm-se
h 893 , 7
75
296
2
cujo resultado o mesmo que o obtido calculando-se o tempo de ida
quando se mantm a velocidade de 60km/h e o de volta com a velocidade de
100km/h. Portanto, deve-se utilizar a mdia harmnica para calcular a velocidade
mdia do percurso total.
3.1.2.5 Mediana
A segunda medida de posio mais largamente usada a mediana.
Em palavras, a mediana de um conjunto de dados o valor central dos dados
ordenados. Assim, se as estatsticas de ordem dos dados so x
(1)
, x
(2)
, x
(3)
, ..., x
(n)
,
a mediana, denotada por
~
x
, definida por
'
1
1
1
]
1
,
_
+
,
_
,
_
+
par. for n quando , x x
2
1

impar, for n quando , x
2
n
2
n
2
1 n
1
~
x
3.11
Exemplo 3.7
Encontrar a mediana para os dados 3,5; 2,7; 0,9; 3,1; 4,3.
Soluo: os dados ordenados so: 0,9; 2,7; 3,1; 3,5; 4,3. Como n = 5,
(n + 1)/2 = 3. Isto , a mediana o terceiro termo dos dados ordenados. Portanto
~
x
= 3,1.
Exemplo 3.8
Encontrar a mediana para os dados: 15, 8, 10, 7, 14, 5.
Soluo : os dados ordenados so: 5, 7, 8, 10, 14, 15. Como n = 6
~
x
= (x
(6/2)
+ x
(6/2 + 1)
)/2 = (x
(3)
+ x
(4)
)/2 = (8 + 10)/2 = 9
3.1.2.6 Comparao entre a Mdia Aritmtica e a Mediana
A mdia aritmtica o centro de gravidade do conjunto de dados. Isto
, o ponto de equilbrio das observaes. A Fig. 3.1 ilustra essa propriedade
para os seguintes dados observados: 3, 1, 4, 7, 6.
= 4,2
1 2 3 4 5 6 7
Figura 3.1: ilustrao da propriedade da mdia.
Um outro modo de demonstrar essa propriedade observar que a
soma dos desvios entre as observaes e
x
zero. Isto ,
( ) x x
i
i
n

1
0
A mediana
~
x
divide os dados ordenados ao meio, isto , 50% dos
dados so menores que
~
x
e 50% so maiores que
~
x
.
Uma consequncia dessas propriedades que
x
mais sensvel aos
valores extremos que
~
x
. Por exemplo, suponha que consideramos os quatro
nmeros (1, 2, 4, 7), a mdia
x
= 14/4 = 3,5 e a mediana
~
x
= 3. Agora, se
adicionarmos o nmero 31 a esse conjunto de dados obtemos (1, 2, 4, 7, 31), e os
novos valores da mdia e da mediana so
x
= 45/5 = 9 e
~
x
= 4. Observamos que
a
x
est longe de ser um valor central para o conjunto de dados onde quatro dos
cinco dados so menores que
x
e somente um maior que
x
. Ao contrrio, o
efeito de 31 sobre
~
x
simplesmente adicionar um valor a mais ao conjunto de
dados. A falta de sensibilidade a grandes valores extremos por parte da mediana
torna-a um valor central melhor que
x
para a distribuio de dados que
fortemente assimtrica.
Uma outra comparao de
x
e
~
x
fornecida pelas seguintes
propriedades. Primeiro, o valor de c (uma constante) que minimiza
( )
2

A x
c x
c =
x
. Segundo, o valor de k (uma constante) que minimiza

A x
k x
k =
~
x
.
Portanto, se quisermos obter a menor soma dos desvios ao quadrado para um
conjunto de dados, adotaremos desvios em torno de
x
, mas se a menor soma de
desvios absolutos desejada os desvios tero de ser obtidos em torno de
~
x
.
Uma outra propriedade digna de nota que para qualquer distribuio
simtrica
x
=
~
x
.
A despeito da mdia e mediana serem as medidas de posio mais
usadas, existem outras medidas que so mais apropriadas em funo de certas
particularidades dos dados observados, conforme veremos a seguir.
3.1.2.7 Moda
Define-se a moda como o valor observado de maior frequncia.
Exemplo 3.9
Sejam os seguintes dados numricos:
10, 15, 14, 11, 16, 14.
Determinar a moda.
Como o valor numrico de maior frequncia o 14 a moda
M
o
= 14
3.1.2.8 Ponto Mdio
O ponto mdio a semi-soma dos valores extremos de uma
distribuio, ou seja:
PM = (x
(1)
+x
(n)
)/2 3.12
Exemplo 3.10
Com os dados do exemplo 3.9, calcular o ponto mdio.
Usando a expresso 3.12, obtm-se
13
2
16 10
+
PM
Uma desvantagem do ponto mdio que ele fortemente dependente
dos valores extremos de uma distribuio e, portanto, poder ocorrer uma grande
flutuao de uma amostra para outra amostra. Sua vantagem a facilidade para a
sua determinao.
3.1.2.9 Percentil
O percentil 100p, que tambm denominado de separatriz de ordem p,
divide o conjunto ordenado de dados em dois subconjuntos de tamanhos n
a
elementos, esquerda, e n
b
elementos, direita, tais que:
b a
a
n n
n
p
+
3.13
Ento, o percentil 10 o valor da distribuio do conjunto de dados que
deixa a sua esquerda 10% do total dos elementos.
H alguns percentis de interesse, que decorrem de valores particulares
de p. So eles:
Mediana divide o conjunto ordenado de dados em 2 partes, portanto,
p = 0,50.
Quartil divide o conjunto de dados ordenados em 4 partes. Assim, um
conjunto de dados tem 3 quartis, a saber:
O primeiro quartil, Q1, para p = 0,25;
O segundo quartil, Q2, para p = 0,50, portanto igual a mediana;
O terceiro quartil, Q3, para p = 0,75;
Decil divide o conjunto de dados ordenados em 10 partes. Assim, o
conjunto de dados tem 9 decis:
O primeiro decil, D1, para p = 0,10;
O segundo decil, D2, para p = 0,20; etc
O nono decil, D9, para p = 0,90.
Centil divide o conjunto de dados ordenados em 100 partes. Assim, o
conjunto de dados tem 99 centis:
O primeiro centil, C1, para p = 0,01;
O segundo centil, C2, para p = 0,02; etc;
O 99-simo centil, C99, para p = 0,99.
Para calcular o percentil 100p%, primeiro necessrio colocar as
observaes amostrais em ordem crescente. O percentil 100p% a observao
de ordem p(n + 1), onde n o tamanho da amostra. Se o nmero de ordem,
assim calculado, no for um nmero inteiro necessrio fazer interpolao linear.
Exemplo 3.11
Considere as observaes da tabela 3.1 sobre a resistncia a trao
(em MPa) de uma determinada liga metlica. Calcular:
O terceiro quartil;
O terceiro decil; e
O quadragsimo terceiro centil.
Tabela 3.1: Resistncia a trao de 28 corpos de prova de uma
determinada liga metlica.
105 97 163 134
131 180 178 157
174 99 107 101
167 171 121 165
154 135 149 151
153 183 169 142
115 175 160 172
Soluo:
O primeiro passo ordenar os dados observados em ordem crescente,
conforme apresentado na tabela 3.2.
Tabela 3.2: Resistncia a trao de 28 corpos de prova de uma
determinada liga metlica apresentada em ordem crescente.
(1)
97
(2)
99
(3)
101
(4)
105
(5)
107
(6)
115
(7)
121
(8)
131
(9)
134
(10)
135
(11)
142
(12)
149
(13)
151
(14)
153
(15)
154
(16)
157
(17)
160
(18)
163
(19)
165
(20)
167
(21)
169
(22)
171
(23)
172
(24)
174
(25)
175
(26)
178
(27)
180
(28)
183
A ordem do terceiro quartil
0,75(28+1) = 21,75.
Ento Q3 est entre a vigsima primeira,x
(21)
, e a vigsima segunda,
x
(22)
, observao. Fazendo-se a interpolao, ou seja, a seguinte regra de trs:
Q
3
x
(21)
0,75 _
x
(22)
x
(21)
1 _
Q3 = x
(21)
+ 0,75(x
(22)
- x
(21)
),
ou seja
Q3 = 169 + 0,75(171 - 169), portanto
Q3 = 171.
A ordem do terceiro decil
0,30(28+1) = 8,7.
Ento D3 est entre a oitava,x
(8)
, e a nona, x
(9)
, observao. Fazendo-
se a interpolao
D3 = x
(8)
+ 0,70(x
(9)
- x
(8)
),
ou seja
D3 = 131 + 0,70(134 - 131), portanto
D3 = 133.
A ordem do quadragsimo terceiro centil
0,43(28+1) = 12,47.
Ento C43 est entre a dcima segunda,x
(12)
, e a dcima terceira, x
(13)
,
observao. Fazendo-se a interpolao
C43 = x
(12)
+ 0,47(x
(13)
- x
(12)
),
ou seja
C43 = 149 + 0,47(151 - 149), portanto
C43 = 150.
3.1.2.10 Concluso
Oito estatsticas diferentes foram apresentadas como medida de
posio para conjuntos de dados observados. Nenhuma delas apropriada para
todos os tipos de dados, embora as medidas mais frequentemente usadas sejam
a mdia aritmtica e a mediana.
Neste ponto, bom revermos o objetivo desse captulo. Um conjunto
de estatsticas desejado para que possamos representar, sintetizar, resumir ou
descrever um conjunto de dados. A primeira estatstica includa no conjunto de
estatsticas descritivas uma medida de posio. Nossa filosofia que podemos
sintetizar ou resumir nossos dados por uma estatstica chave. Portanto, temos de
reduzir nossos dados a um nmero que representa o tamanho mdio da varivel.
A representao de uma distribuio ou conjunto de dados por uma
medida de posio pode distinguir distribuies somente com relao posio.
No entanto, h muitas distribuies que mesmo tendo o mesmo valor da mdia
aritmtica, por exemplo, so distribuies muito diferentes. A Fig. 3.2 ilustra seis
diferentes distribuies que tm a mesma mdia aritmtica 4.

0 1 2 3 4 5 6 7 8 0 2 4 6 8
(a) (b)

4 0 2 4 6 8 9 10 11
(c) (d)

2 3 4 5 6 0 2 4 6 8
(e) (f)
Figura 3.2: Ilustrao de seis distribuies diferentes (a, b, c, d, e, f)
com mdias iguais a 4.
bvio que as distribuies representadas pelas figuras 3.2a, 3.2b,
3.2c, 3.2d, 3.2e e 3.2f so bem diferentes, mas todas com a mesma mdia 4.
Para distinguir tais distribuies torna-se necessrio estabelecer medidas que
indiquem o grau de disperso, ou de variabilidade, dos dados. Portanto, o prximo
passo em nosso estudo desenvolver medidas de variao que possam ser
usadas para distinguir distribuies que tm a mesma mdia.
1.1.3 Medidas de Disperso ou de Variabilidade
O foco de nossa ateno agora na determinao de estatsticas que
representem a disperso ou a variabilidade dos elementos em um conjunto de
dados. Neste tpico discutiremos a amplitude, a varincia, o desvio padro e o
coeficiente de variao. H outras medidas, certamente, mas essas so as mais
usadas.
3.1.3.1 Amplitude
A amplitude de um conjunto de dados definida como a diferena entre
o maior e o menor valor do conjunto. Em termos de estatstica de ordem
R = x
(n)
- x
(1)
3.14
Exemplo 3.12
Determinar a amplitude do seguinte conjunto de observaes: 54, 64,
51, 58, 50.
Utilizando a expresso 3.14, a amplitude :
R = 64 - 50 = 14.
3.1.3.2 Varincia e Desvio Padro
Como temos as medidas de posio para qualquer conjunto de dados
que desejamos descrever, razovel discutir a disperso dos dados relativos
medida de posio. A medida mais comum de disperso chamada de varincia.
A varincia para dados no agrupados definida como: Se x
1
, x
2
, ..., x
n
representa
um conjunto de n observaes da varivel X, a varincia de x, denotada por s
2
,
definida por
( ) s
n
x x
i
i
n
2
2
1
1
1
3.15
Se as observaes x
i
e
x
forem inteiros, o uso da equao 3.15 mais
conveniente para o clculo da varincia. Mas, quando fraes e decimais so
envolvidas, a seguinte frmula equivalente mais til:
s
n
x
n
x
i i
i
n
i
n
2 2
1
2
1
1
1
1
_
,
1
]
1
1

3.16
A expresso 3.16 obtida por meio do desenvolvimento da expresso
3.15. Esta demonstrao fica a cargo do aluno.
A varincia uma estatstica descritiva que fornece uma medida de
como os elementos de um conjunto de dados esto dispersos ao redor de sua
mdia. Assim, deve-se observar que os valores pequenos de s
2
esto associados
a valores observados concentrados em torno da mdia, enquanto valores
elevados de s
2
correspondem a valores observados bastante dispersos.
Um problema da varincia que uma quantidade quadrtica. Isto ,
se X medida em kg, a varincia expressa em kg
2
, que uma unidade de
medida no familiar. Ento, til obter uma estatstica descritiva que seja
expressa na mesma unidade da varivel cuja disperso est sendo descrita. A
estatstica mais comum para esse propsito o desvio padro, que definido
como a raiz quadrada positiva da varincia e representado por s. Ou seja,
s s
2
3.17
Para sintetizar dados, comum usar duas estatsticas descritivas.
Essas estatsticas so usualmente a mdia aritmtica e o desvio padro (ou a
varincia). Para a maior parte dos conjuntos de dados, a mdia aritmtica, como
uma medida de posio, e o desvio padro, como uma medida de disperso,
resume em dois nmeros muitas das informaes sobre a varivel que est sendo
estudada.
Nesta disciplina, apesar de algumas regras existentes e no bem
definidas, utilizaremos a tendncia geral de indicar o desvio padro com 2
algarismos significativos, alm dos zeros esquerda.
Exemplo 3.13
Usando os dados do exemplo 3.12, calcular a varincia e o desvio
padro.
i
i
x
2
i
x
( )
2
x x
i

1 54 2916 1,96
2 64 4096 73,96
3 51 2601 19,36
4 58 3364 6,76
5 50 2500 29,16
Total 277 15477 131,20
1. Clculo da mdia
4 , 55
5
277
x
2. Clculo da varincia
8 , 32 20 , 131
1 5
1
2

s
8 , 32 277
5
1
15477
1 5
1
2 2

1
]
1
s
3. Clculo do desvio-padro
7 , 5 8 , 32 s
3.1.3.3 Coeficiente de Variao
Os pesos de pulgas so mais variveis que os pesos de elefantes?
Observamos que pulgas no podem variar de peso em uma grande quantidade;
isto , a amplitude de possveis pesos (em daN) para pulgas muito estreita. Por
outro lado, a amplitude de pesos possveis (em daN) de elefantes adultos
bastante grande. Assim, espera-se que a varincia para uma amostra de pesos
de pulgas bem menor que a varincia para uma amostra de pesos de elefantes.
Para responder questes desse tipo, desejamos um medida de variabilidade
relativa ao tamanho das observaes. A medida deve ser um nmero puro de tal
modo que os resultados no dependam de qualquer unidade particular de
medida. O coeficiente de variao essa medida e definida como: Se
x
e s
so a mdia e desvio padro, respectivamente, para um conjunto de observaes
positivas, o coeficiente de variao denotado por Cv e definido por:
% 100
x
s
Cv
3.18
Exemplo 3.14
Usando os dados do exemplo 3.13, calcular o coeficiente de variao.
Pela frmula 3.18, obtm-se
% 34 , 10 % 100
4 , 55
73 , 5
Cv
1.1.4 Apresentao de dados por meio de grficos
3.1.4.1 Diagrama de pontos
O diagrama de pontos uma apresentao til de dados para o caso
de amostras de pequeno tamanho. construdo traando uma linha com uma
escala que cubra toda a faixa de valores dos dados e marcando os dados
individuais nesta linha.
Exemplo 3.15
Representar os dados abaixo em um diagrama de pontos.
98 105 108 107 95 104 109 102 119 117 99
110 107 98 114 103 112 101 107 108 106 100
113 112 104 101 92 93 94 115 118.
Estes dados esto compreendidos entre 95 e 120. Traando um
segmento de linha com uma escala entre 90 e 120, representa-se os dados no
diagrama de pontos da Fig. 3.3.
90
100
110
120

Figura 3.3: Diagrama de pontos do exemplo 3.15.
3.1.4.2 Diagrama de ramo e folhas
O diagrama de ramo e folhas uma tcnica utilizada para apresentar
dados permitindo uma boa visualizao global desses dados. Para construir o
diagrama de ramo e folhas dividimos cada nmero em duas partes: um ramo,
consistindo pelos primeiros algarismos e uma folha, consistindo pelo ltimo
algarismo. Em geral devem-se escolher poucos ramos em comparao ao
nmero de observaes. A sugesto utilizar entre 5 e 20 ramos. Uma vez que
os ramos foram definidos, eles so listados na margem esquerda do diagrama. Ao
lado de cada ramo so listadas as folhas correspondentes aos valores
observados na ordem em que os dados foram listados.
Exemplo 3.16
Utilizando os dados do exemplo 3.15, construir um diagrama de ramo e
folhas.
As tabelas 3.3, 3.4 e 3.5 ilustram a construo do diagrama de ramo e
folhas para os 31 dados relativos ao exemplo 3.15. Na tabela 3.3 foi usado 9, 10 e
11 como os ramos. Como foram utilizados poucos ramos na construo do
diagrama de ramo e folhas este ficou muito resumido no fornecendo, portanto,
muitas informaes. Na tabela 3.4, cada ramo foi dividido em dois, um acrescido,
na sua representao, da letra I, e o outro ramo acrescido da letra S. Os ramos
com a letra I tm as folhas 0, 1, 2, 3, 4 e os ramos com a letra S tm as folhas 5,
6, 7, 8, 9. Percebe-se, neste caso, uma representao mais adequada dos dados.
Na tabela 3.5, cada um foi dividido em cinco ramos, um acrescido, na sua
representao, da letra a, que tm as folhas 0 e 1, outro acrescido da letra b, que
tm as folhas 2 e 3, e assim sucessivamente at o que foi acrescido da letra e,
que tm as folhas 8 e 9. Para este caso foi adotado um nmero excessivo de
ramos perdendo-se a informao a respeito da forma que os dados esto
distribudos.
Tabela 3.3: Diagrama de ramo e folhas para o exemplo 3.15 usando 3
ramos.
R
amo
Folha F
requncia
9 8 5 9 8 2 3 4 7
10 5 8 7 4 9 2 7 3 1 7 8 6 0 4 1 15
11 9 7 0 4 2 3 2 5 8 9
ramos.
R
amo
Folha F
requncia
9I 2 3 4 3
9S 8 5 9 8 4
10I 4 2 3 1 0 4 1 7
10S 5 8 7 9 7 7 8 6 8
11I 0 4 2 3 2 5
11S 9 7 5 8 4
ramos.
Ramo Folha Frequncia
9a 0
9b 2 3 2
9c 4 5 2
9d 0
9e 8 9 8 3
10a 1 0 1 3
10b 2 3 2
10c 4 4 5 3
10d 7 7 7 6 4
10e 8 9 8 3
11a 0 1
11b 2 3 2 3
11c 4 5 2
11d 7 1
11e 9 8 2
Para nos ajudar a encontrar os percentis os algarismos que
representam as folhas do diagrama de ramo e folhas da tabela 3.4 so dispostos
em ordem crescente resultando em um diagrama de ramo e folhas ordenado
conforme a tabela 3.6. Para ilustrao, desde que n = 31, o primeiro quartil a
observao que tem nmero de ordem
0,25(31+1) = 8.
Ento Q1 a oitava observao. Logo:
Q1 = 100.
Tabela 3.6: Diagrama ordenado de ramo e folhas para o exemplo 3.15
usando 6 ramos.
Ramo Folha Frequncia
9I 2 3 4 3
9S 5 8 8 9 4
10I 0 1 1 2 3 4 4 7
10S 5 6 7 7 7 8 8 9 8
11I 0 2 2 3 4 5
11S 5 7 8 9 4
Organizao, apresentao e resumo de grandes conjuntos de
dados numricos.
praticamente invivel tirar concluses diretamente baseadas em um
grande nmero de dados. Assim, se o tamanho do conjunto de dados for muito
grande, superior a 30, de toda convenincia que estes dados sejam
organizados e/ou condensados previamente. O propsito desta seo
desenvolver mtodos para resumir, organizar e apresentar grandes conjuntos de
dados, de modo a facilitar sua interpretao.
1.1.5 Organizao e apresentao dos dados
3.1.5.1 Distribuio de frequncia
A introduo deste assunto ser feita por meio de um exemplo por
considerar didaticamente melhor.
Exemplo 3.17
Considerem-se os resultados dos ensaios de trao em corpos-de-
prova de ao CA-50 apresentados na Tabela 3.7.
Tabela 3.7: Resultados, em MPa, dos limites de resistncia em 95
corpos-de-prova de ao CA-50
490 461 569 657 353 647 628 598 647 549
569 775 510 579 559 382 637 618 559 598
539 667 637 441 667 657 579 579 735 471
598 588 500 637 549 775 598 579 686 500
500 500 637 539 618 637 804 441 598 569
500 677 510 657 755 588 745 539 569 559
510 647 667 579 373 422 628 588 706 294
883 569 598 579 431 637 588 667 628 667
510 735 579 471 588 657 490 569 471 569
569 598 588 628 598
Os dados da Tabela 3.7 esto registrados na ordem em que os ensaios
foram realizados. Nessa apresentao, os nmeros no indicam qualquer coisa
de maior interesse. Naturalmente, a melhor maneira de dispor os dados depende
da pergunta que se deseja responder. No estudo da resistncia a trao, muitas
perguntas podem surgir. Por exemplo: Qual a resistncia mdia para os corpos-
de-prova ensaiados? Qual a porcentagem de ensaios com resistncia mnima de
700 MPa? Qual o valor da resistncia acima do qual encontramos 95% dos
resultados dos ensaios? Qual a faixa de variabilidade de todos os resultados?
Que intervalo, em torno da mdia, abrange 50% dos dados, com metade dessa
porcentagem esquerda da mdia? O exame dos dados revela que a resistncia
a trao dessas barras de ao varia desde o menor valor 294 MPa at o maior
valor 883 MPa; mas as demais perguntas no podero ser respondidas
diretamente com os dados dessa tabela.
O primeiro passo para analisar dados numerosos realizar seu
grupamento em classes. Para isso, devemos selecionar as classes, dentro dos
quais os dados so agrupados. Aps o agrupamento dos dados em classe,
procedemos como se os dados dentro de cada classe fossem todos iguais ao
ponto mdio da classe.
Para a seleo das classes, conveniente atender aos seguintes
critrios:
1. as classes tm de ser selecionadas de maneira tal que elas sejam
mutuamente exclusivas e exaustivas para o conjunto de dados. Em
outras palavras, cada dado numrico tem de pertencer a uma e
somente uma classe;
2. o nmero de classes no pode ser nem muito grande nem muito
pequeno. O nmero uma funo crescente do tamanho da
amostra e usualmente escolhido entre quatro e quinze;
3. classes que tm pontos mdios inteiros so mais convenientes que
aquelas que tm pontos mdios fracionrios;
4. mais conveniente que as classes tenham a mesma amplitude;
5. classes de limites abertos, tais como maior que 40 e menor que
60, devem ser evitadas.
De toda essa discusso, a idia importante que um nmero razovel
de intervalos mutuamente exclusivos e exaustivos deve ser escolhido para
fornecer uma imagem realista da distribuio dos dados.
Uma sugesto til, que pode auxiliar na escolha do nmero de classes,
dada pela regra de Sturges. Esta regra estabelece que para agrupar n
observaes, o nmero de classes necessrio aproximadamente:
( )
( )
1
2 log
log
+
n
k
3.19
onde log(n) o logaritmo decimal de n. Por exemplo, usar 5 ou 6
classes para 25 observaes, usar 7 ou 8 classes para 100 observaes, e usar
10 ou 11 classes para 1000 observaes. Deve ficar claro que o valor de k
fornecido por essa equao apenas uma sugesto.
Uma outra sugesto a fornecida por Ishikawa (ISHIKAWA, 1982):
Tabela 3.8: Sugesto de Ishikawa para o nmero de classes
n k
< 50 5 7
50 100 6 10
100 250 7 12
> 250 10 20
Para obter o intervalo aproximado de uma classe, deve-se proceder
como segue:
1) determinar a amplitude dos dados, R;
2) o intervalo de classe ser no mnimo h = R/k, onde k o nmero de
classes.
Em nosso exemplo, adotando como sugesto a regra de Sturges,
( )
( )
6 , 7 1
2 log
95 log
+ k
adotaremos k = 7.
Como
R = 883 - 294 = 589,
calcularemos
h = 589/7 = 84,1,
fazendo com que adotemos para h o valor 90, para que o ponto mdio
tenha o mesmo nmero de algarismos significativos que os dos dados originais.
Dessa forma os limites da primeira classe so
294 384, "__
fechado esquerda (para incluir o 294 no intervalo de classe) e aberto
direita (para excluir o 384).
No entanto, como o valor de h escolhido aproximado, devemos
calcular a amplitude de clculo para distribuirmos o excesso por todas as classes,
no deixando que esse excesso fique apenas na ltima classe. Assim,
R
c
= 7 x 90 = 630
como o excesso, R
c
- R, igual a 41, poderemos adotar como limite
inferior da primeira classe o valor 274. Assim, os limites da primeira classe sero:
274 364. "__
Os limites assim definidos so denominados limites aparentes da
primeira classe, por que eles no levam em conta a preciso dos resultados, nem
a regra normal de arredondamento que :
manter o algarismo da casa de interesse, se o da casa seguinte (da
direita) for 0, 1, 2, 3, 4;
acrescentar uma unidade ao algarismo da casa de interesse, se o da
casa seguinte for 5, 6, 7, 8, 9.
Por exemplo, um nmero real, digamos, 17,53 o ponto mdio de um
intervalo, fechado a esquerda e aberto a direita, que pela regra de
arredondamento, tem como limites: 17,525 e 17,535. Ou seja,
17,525
17,535
17,53
Assim, qualquer nmero que cair dentro deste intervalo ser
arredondado para 17,53.
Limites reais de uma determinada classe so aqueles que levam em
conta a preciso das medidas. Assim, os limites reais da primeira classe so:
273,5 363,5. "__
Fixados os limites reais da primeira classe, ser fcil determinar os
limites reais das demais classes; bastar somar aos primeiros o intervalo de
classe h, constante; no caso presente h = 90. Os limites reais inferiores sero,
pois, 273,5 + 90 = 363,5; 363,5 + 90 = 453,5 ... ; analogamente, os limites reais
superiores sero 363,5 + 90 = 453,5; 453,5 + 90 = 543,5; ...
O ponto mdio x
i
, da classe i, ser a mdia aritmtica dos limites reais
da classe i, assim, para a primeira classe o ponto mdio
x
1
= (273,5 + 363,5)/2 = 318,5.
Achado o ponto mdio da primeira classe os demais se obtm pela
soma, sucessiva, do intervalo de classe h.
Como dito anteriormente, a significao do ponto mdio a seguinte:
em cada classe, supe-se que todos os itens nela includos tenham valor igual ao
respectivo ponto mdio da classe; o grupamento de dados em classes consiste,
portanto, em substituir os diversos valores diferentes, includos numa classe, por
igual nmero de itens todos iguais ao ponto mdio da classe.
A seguir so distribudos os dados pelas classes, determinando a
quantidade de dados em cada classe, que se denomina de frequncia absoluta
simples n
i
.
Tabela 3.9: Distribuio de frequncia para os dados da Tabela 3.7
i Limites reais Pt.mdio x
i
Contagem n
i
f
i
(%) N
i
F
i
(%)
1 273,5 "__
363,5
318,5 ""
2 2,11 2 2,11
2 363,5 "__
453,5
408,5 """"""
6 6,32 8 8,42
3 453,5 "__
543,5
498,5 """"""""""
"""""""" 18 18,95 26 27,37
4 543,5 "__
633,5
588,5 """"""""""
""""""""""
""""""""""
"""""""""" 40 42,11 66 69,47
5 633,5 "__
723,5
678,5 """"""""""
""""""""""
" 21 22,11 87 91,58
6 723,5 "__
813,5
768,5 """""""
7 7,37 94 98,95
7 813,5
903,5 "__
858,5 "
1 1,05 95 100,0
O quociente da frequncia n
i
pelo total de itens de todas as classes, n,
denominado frequncia relativa simples (ou, por abreviao, frequncia) da
i-sima classe; representada por f
i
.
( ) % 100 %
n
n
f
i
i
3.20
Com relao j-sima classe, pode-se calcular a frequncia absoluta
acumulada, somando-se as frequncias absolutas das classes precedentes.
i
j
j i
n N
1
3.21
Esta frmula se desdobra em:
3 2 3 2 1 3
2 1 2 1 2
1 1
n N n n n N
n N n n N
n N
+ + +
+ +
3.22
Procedimento anlogo nos conduz frequncia relativa acumulada
ou simplesmente frequncia acumulada, calculada por:
% 100 % 100 (%)
1

n
N
f F
j
i
j
j i
3.23
F
i
d a proporo dos itens que, na distribuio dada, apresentam
valores menores do que o limite real superior da i-sima classe.
3.1.5.2 Histograma
Os dados grupados em classes podem ser representados graficamente
em um histograma. Um histograma um grfico de barras, construdo tal que as
reas dos retngulos so iguais s frequncias relativas das classes. Desse
modo, marcam-se os limites reais das classes nas abscissas e as frequncias
relativas divididas pelo intervalo de classe nas ordenadas. Ou seja a
classe de Intervalo
classe uma de relativa Freqncia
retngulo um de Altura
O histograma construdo a partir dos dados da Tabela 3.9 mostrado
na Fig. 3.4.
3.1.5.3 Polgono de frequncia
Para a confeco do polgono de frequncia, marcam-se nas abscissas
os pontos mdios de cada classe e nas ordenadas as frequncias relativas
divididas pelo intervalo de classe nas ordenadas. O polgono de frequncia
construdo a partir dos dados da Tabela 3.9 mostrada na Fig. 3.4.
Polgono de Frequncia
Histograma
Figura 3.4: Histograma e polgono de frequncia dos dados da Tabela
3.9
3.1.5.4 Ogiva
A representao grfica da distribuio de frequncia acumulada
denominada ogiva. Para a confeco da ogiva, marcam-se nas abscissas, os
limites reais das classes; nas ordenadas, as frequncias acumuladas. A ogiva
construda a partir dos dados da Tabela 3.9 mostrada na Fig. 3.5.
Figura 3.5: Ogiva relativa aos dados da Tabela 3.9
1.1.6 Medidas de Tendncia Central Para Dados Grupados em
Classes
3.1.6.1 Mdia
Se n observaes so agrupadas em k classes tal que a i-sima classe
possui ponto mdio, x
i
, e frequncia n
i
, a mdia aritmtica
x
n
n x
i i
i
k

1
1
.
3.24
Exemplo 3.18
Encontrar a mdia
x
para os dados da Tabela 3.9.
Tabela 3.10: Preparao dos dados para clculo da mdia
i
Pt.Mdio
x
i
n
i
n x
i i
.
1 318,5 2 637,0
2 408,5 6 2451,0
3 498,5 18 8973,0
4 588,5 40 23540,0
5 678,5 21 14248,5
6 768,5 7 5379,5
7 858,5 1 858,5
TOTAL - 95 56087,5
4 , 590
95
5 , 56087
x
3.1.6.2 Percentil
Separatriz de ordem p, designada por S
p
, que tambm denominada
de percentil de ordem p, divide o conjunto ordenado em dois subconjuntos de
tamanhos n
a
elementos, esquerda, e n
b
elementos, direita, tais que:
b a
a
n n
n
p
+
Ento, a separatriz de ordem p = 0,10 o valor da distribuio que

deixa a sua esquerda 10% do total dos elementos.
H algumas separatrizes de interesse, que decorrem de valores
particulares de p. So elas:
mediana a separatriz de ordem p = 0,50.
1
o
quartil, 2
o
quartil, 3
o
quartil so as separatrizes cujos valores de p
so, respectivamente, 0,25, 0,50 e 0,75, tambm denominados Q
1
, Q
2
e Q
3
.
1
o
decil, 2
o
decil, ...,9
o
decil so as separatrizes cujos valores de p
so, respectivamente, 0,10, 0,20, ..., 0,90, tambm denominados D
1
, D
2
, ..., D
9
.
1
o
centil, 2
o
centil, ..., 99
o
centil so as separatrizes cujos valores de p
so, respectivamente, 0,01, 0,02, ..., 0,99, tambm denominados C
1
, C
2
, ..., C
9
.
Para se determinar o valor de uma separatriz de uma amostra
necessrio que os valores amostrais sejam organizados em um rol crescente ou
decrescente. Em seguida, faz-se a contagem dos itens que ficaro esquerda da
ordenada S
p
. Se o nmero total de itens for tal que a separatriz no coincida com
um dos valores da amostra, adota-se para S
p
a mdia aritmtica dos dois valores
adjacentes.
Exemplo 3.19
Sejam os seguintes valores do peso de 12 pessoas, em daN:
51 72 68 83 59 63 92 85 57 77 79 65
Determinar os valores de S
0,25
e S
0,50
. Ordenando os valores em ordem
crescentes, tem-se:
51 57 59 63 65 68 72 77 79 83 85 92
e, em seguida:
2
63 59
1 25 , 0
+
Q S
kg Q S 61
1 25 , 0

2
72 68
~
50 , 0
+
x S
kg x S 70
~
50 , 0

Se os dados estiverem grupados, o clculo do valor da separatriz leva
em conta que a distribuio das frequncias se faz linearmente ao longo de cada
classe. Assim, para se determinar o valor de uma separatriz basta verificar qual a
classe que a contm e fazer uma interpolao linear entre os seus limites reais.
Exemplo 3.20
Para os dados da Tabela 3.9, encontrar:
a mediana
Soluo: Abaixo do limite real superior da terceira classe (543,5)
existem 27,37% dos dados e abaixo de 633,5 69,47% dos dados. Portanto, a
mediana est na quarta classe, conforme representado na figura a seguir.
543,5 Obj197 633,5
27,37% 50% 69,47%
Interpolando,
633,5 543,5 69,47% - 27,37% ____
~
x
- 543,5 50% - 27,37% ____
_
~
x
= 591,9
o primeiro quartil
Soluo: Abaixo do limite real superior da segunda classe (453,5)
existem 8,42% dos dados e abaixo de 543,5 27,37% dos dados. Portanto, a
mediana est na quarta classe, conforme representado na figura a seguir.
453,5 Q
1
543,5
8,42% 25% 27,37%
Interpolando,
543,5 453,5 27,37% - 8,42% ____
~
x
- 453,5 25% - 8,42% ____
Q _
1
= 532,2
3.1.6.3 Moda
Se os dados estiverem agrupados em classe, o ponto mdio da classe
de maior frequncia denominado moda bruta. No exemplo da Tabela 3.9, a
moda bruta 588,5.
Com objetivo de se obter um resultado mais preciso da moda algumas
frmulas foram propostas, das quais sero citadas as de King e de Kzuber, por
serem as mais usadas. Estas frmulas foram desenvolvidas relacionando a moda
com a possvel forma da distribuio, sugerida pelas frequncias das classes
adjacentes quela da moda bruta.
1
]
1
+
+
+
+
1 1
1
m m
m
m o
n n
n
h LI m
, denominada de moda de King.
3.25
( )
1
]
1
+
+
1 1
1
2
m m m
m m
m o
n n n
n n
h LI m
, denominada de moda de
Kzuber. 3.26
Onde:
LI
m
limite inferior da classe modal, isto , a classe de maior
frequncia;
h amplitude de classe
n
m
frequncia absoluta simples da classe modal;
n
m-1
frequncia absoluta simples da classe anterior classe modal;
n
m+1
frequncia absoluta simples da classe superior classe modal.
A moda uma medida de posio mais adequada no caso de dados
agrupados. No caso de dados no agrupados, a moda nem sempre tem utilidade
como elemento representativo ou sintetizador do conjunto de dados.
Exemplo 3.21
Usando os dados da Tabela 3.9 determinar a moda de King e a de
Kzuber.
Da Tabela 3.9 obtm-se:
LI
m
= 543,5
h = 90
n
m
= 40
n
m-1
= 18
n
m+1
= 21
Moda de King
Substituindo estes valores na expresso 3.25, obtm-se
0 , 592
21 18
21
90 5 , 543
1
]
1
+
+
o
m
Moda de Kzuber
Substituindo estes valores na expresso 3.26, obtm-se
( )
8 , 591
21 18 40 2
18 40
90 5 , 543
1
]
1
+
o
m
3.1.6.4 Relao entre as trs medidas de posio (mdia, mediana e moda) moda de
Pearson
Karl Pearson estabeleceu a seguinte relao aproximada entre as trs
medidas de posio: mdia, mediana e moda:
( ) x x m x
o
~
3
3.27
Ou seja, em uma distribuio de frequncias diferena entre a mdia
e a moda 3 vezes maior do que a diferena entre a mdia e a mediana.
Exemplo 3.22
Usando os dados da Tabela 3.9 determinar a moda de Pearson.
~
x
= 591,9
4 , 590 x
Explicitando m
o
na expresso 3.27, obtm-se
( ) 9 , 591 4 , 590 3 4 , 590
o
m
9 , 594
o
m
1.1.7 Medidas de Disperso ou de Variabilidade Para Dados
Grupados em Classes
3.1.7.1 Varincia
Se as n observaes esto agrupadas em k classes, tal que a i-sima
classe tem ponto mdio x
i
e frequncia n
i
, a varincia do conjunto de dados
s
n
n x
n
n x
i i i i
i
k
i
k
2 2
1
2
1
1
1
1
_
,
1
]
1
1

3.28
Exemplo 3.23
Utilizando os dados da Tabela 3.9, calcular a mdia e a varincia.
Tabela 3.11: Preparao dos dados para clculo da mdia e da
varincia
i
Pt.Mdio
x
i
n
i
n x
i i
.
n x
i i
.
2
1 318,5 2 637,0 202884,5
2 408,5 6 2451,0 1001233,5
3 498,5 18 8973,0 4473040,5
4 588,5 40 23540,0 13853290,0
5 678,5 21 14248,5 9667607,3
6 768,5 7 5379,5 4134145,8
7 858,5 1 858,5 737022,3
TOTAL - 95 56087,5 34069223,8
Utilizando as expresses 3.24 e 3.28 para calcular a mdia e a
varincia dos dados grupados obtm-se:
4 , 590
95
1
56087,5 x
( ) 5 , 10164 5 , 56087
95
1
94
1
2 2
1
]
1
34069223,8 s
Exerccios Propostos
1. A Tabela abaixo se refere distribuio de tempo de vida de
lmpadas, expresso em horas, testadas em uma fbrica.
i Limites reais N
i
1 949,5 "___ 4
2 "___ 13
3 "___ 28
4 "___ 46
5 "___ 71
6 "___
1549,5
100
Com relao a esta Tabela, calcular:
a) o tempo de vida mdio;
b) o tempo de vida mediana;
c) o tempo de vida modal;
d) a varincia do tempo de vida;
e) a porcentagem de lmpadas com tempo de vida superior a 1300
horas.
f) o valor do tempo de vida de lmpadas abaixo do qual se encontram
90% dos tempos de vida.
2. A Tabela abaixo se refere distribuio dos dimetros (em mm) de
uma partida de 80 eixos produzidos em determinada indstria.
i Limites reais n
i
1 5,5 "___ 3
2 "___ 10
3 "___ 15
4 20,5"___
5 "___ 16
6 "___ 12
7 "___ 6
a) Calcular a mdia dos dimetros dessa partida.
b) Calcular o coeficiente de variao dessa partida.
c) Achar o dimetro, abaixo do qual se encontra 30% dos eixos dessa
partida.
d) Calcular a porcentagem dos eixos com dimetro superior a 22 mm.
e) Encontrar o intervalo, em torno da mdia, que contenha 50% dos
eixos.
f) Calcular as seguintes modas:
i) de King;
ii) de Kzuber;
iii) de Person.
g) Construir o histograma.
h) Construir a ogiva.
3. O quadro abaixo nos d o tempo em horas na execuo de
determinada tarefa e o nmero de operrios que a executaram.
i Limites reais n
i
1 40,5 "___
45,5
3
2 "___ 8
3 "___ 15
4 "___ 24
5 "___ 51
6 "___ 48
7 "___ 20
8 "___ 18
9 "___ 9
10 "___ 4
a) Calcular o tempo mediano.
b) Calcular o coeficiente de variao.
c) Calcular as seguintes modas: de King, de Kzuber e de Pearson.
d) Construir o histograma.
e) Construir a ogiva.
f) Determinar, utilizando a ogiva, a mediana.
4. A Tabela abaixo se refere distribuio das espessuras, em mm, de
40 chapas produzidas.
i Limites reais n
i
1 10,5 "___ 4
2 "___ 8
3 "___
25,5
4 "___ 12
5 "___ 2
a) Calcular a espessura mediana da distribuio.
b) Calcular a porcentagem de chapas com espessura inferior a 28 mm
c) Calcular a espessura mdia da distribuio.
d) Calcular as seguintes modas: de King, de Kzuber e de Pearson.
e) Calcular a varincia das espessuras.
f) Determinar a espessura que deixa acima dela 5 chapas da distribuio.
5. A Tabela abaixo referente a uma distribuio de frequncia do
nmero de passageiros por nibus, na hora do rush:
i N
o
de Passageiros N
o
de nibus
1 20 "___ 7
2 "___ 13
3 "___ 17
4 "___ 21
5 "___ 12
6 80 "___ 5
Determinar:
a) a mdia e a varincia;
b) as seguintes modas: de King, de Kzuber e de Pearson;
c) a porcentagem de nibus que transportam mais de 60 passageiros
(incluindo 60).
6. Se 3,020 - 3,070 - 3,120 - 3,170 - 3,220 so pontos mdios de um
distribuio de frequncia de medidas da seo reta de fios de cobre utilizados
em certa obra, com aproximao de centsimos de milmetros, determinar:
a) o intervalo de classe;
b) os limites de classe.
7. Os dados relativos ao problema anterior so:
3,05 3,20 3,09 3,13 3,12 3,05 3,17 3,11 3,21 3,12
3,10 3,01 3,13 3,14 3,17 3,12 3,10 3,08 3,15 3,16
3,19 3,11 3,22 3,07 3,10 3,03 3,13 3,07 3,15 3,14
3,12 3,07 3,17 3,11 3,16 3,22 3,19 3,13 3,15 3,06
a) Construir o histograma e a ogiva.
b) Calcular a mdia e o desvio padro.
c) Calcular as seguintes modas: de King, de Kzuber e de Pearson.
d) Determinar a porcentagem cuja seco reta superior a 3,22.
e) Determinar o valor acima do qual esto 80% das medidas.
8. Dada a distribuio de 50 dados observados, onde x
i
o ponto
mdio e n a frequncia absoluta de cada classe:
i Limites reais de
classe
x
i
n
i
1 "___ 2
2 "___ 14,0
3 "___ 13
4 "___ 20,0 18
5 "___ 6
6 "___ 4
a) Calcular a mdia e a varincia.
b) Calcular as seguintes modas: de King, de Kzuber e de Pearson.
c) Qual a porcentagem dos dados que se encontra acima de 23,0?
9. Em uma plantao experimental, o pesquisador colheu os seguintes
dados relativos ao crescimento de ps de milho at a poca da colheita:
2,20 2,00 2,20 2,28 2,30 2,12 2,12
1,95 2,42 2,20 2,00 2,01 2,28 2,25
2,18 2,15 1,92 2,15 2,12 2,15 2,16
2,50 2,25 2,27 1,90 2,35 1,84 2,08
I. Representar esses dados por meio de:
a) diagrama de pontos;
b) diagrama de ramo e folhas.
II. Calcular:
a) a mediana;
b) a mdia;
c) o desvio padro.
10. Seja o seguinte conjunto de nmeros: 7, 9, 1, 5, 6, 8, 5, 4.
Calcular:
a) a mdia;
b) a varincia;
c) a moda;
d) o ponto mdio;
e) a mediana;
f) a amplitude.
11. Considere os resultados abaixo, em um total de 80 valores,
relativos a ensaios de compresso de corpos-de-prova de concreto, testados aos
7 dias, em MPa, registrados na ordem em que os ensaios foram realizados.
27,0 26,8 26,8 26,2 26,7 26,7 26,5 26,5 27,0 27,0
26,8 26,2 26,8 26,6 26,6 26,5 26,8 26,6 26,6 26,3
26,6 26,6 26,5 25,9 27,0 26,6 26,4 26,3 27,0 26,7
26,4 26,3 26,6 26,4 26,3 26,0 27,0 26,9 26,7 26,5
26,7 26,5 26,4 26,4 26,6 26,5 26,2 26,0 26,7 26,6
26,5 26,0 26,8 26,7 26,6 26,4 26,8 26,8 26,7 26,4
27,2 26,8 26,6 26,6 27,2 26,8 26,6 25,7 26,9 26,6
26,5 26,4 27,2 26,8 26,8 26,6 27,1 26,6 26,5 26,2
Usando o Excel:
a) Agrupar os dados em uma distribuio de frequncia e construir o
histograma.
b) Calcular a mdia e o desvio padro.
c) Determinar a moda e a mediana.
d) Construir a ogiva e determinar a mediana, comparando com o
resultado anterior.
e) Extrair uma amostra aleatria simples de tamanho 8 e calcular, com
relao a esta amostra, a mdia e o desvio padro. Comparar esses valores
encontrados com o valor da mdia e desvio padro de todos os resultados.
12. A Tabela abaixo se refere distribuio porcentual dos salrios
recebidos pelos funcionrios de uma empresa, em nmero de salrios mnimos.
i Limites de classe f
i
(%)
1 1 "___ 35
2 "___ 19
3 "___ 14
4 "___ 12
5 "___ 10
6 "___ 7
7 57 "___ 3
a) Calcular o salrio mediano e o salrio mdio, em unidades de salrio
mnimo. Em sua opinio, qual dos dois representa melhor o valor mdio? Por
que?
b) Supondo que determinado imposto incida sobre o salrio dos
funcionrios a uma taxa constante de 2%, determinar o montante do imposto para
um total de 3000 funcionrios, em unidades de salrio mnimo.
13. Uma firma abre concorrncia para aquisio de 300 peas e impe,
como especificao para a dimenso principal, 3,50 mm no mnimo. Prope
pagar:
a) R$1,20 por pea dentro da especificao e R$0,50 para as fora de
especificao;
b) um prmio de R$100,00 para cada pea que tiver sua dimenso
principal dentro do seguinte intervalo 3,49 x 3,51 mm. - -
Calcular o valor que o fornecedor ir receber no caso de suas peas
apresentarem a distribuio da Tabela abaixo:
i Limites reais x
i
n
i
1 "___ 3,445 12
2 "___ 3,465 33
3 "___ 3,485 66
4 "___ 3,505 77
5 "___ 3,525 68
6 "___ 3,545 34
7 "___ 3,565 10
APNDICE A: USANDO O EXCEL
A1. Resumo estatstico
O Excel retorna os valores para cada uma das seguintes estatsticas:
Mdia, Erro padro (da mdia), Mediana, Moda, Desvio padro, Varincia,
Curtose, Distoro, Amplitude, Mnimo, Mximo, Soma e Contagem.
DADOS.
Na prxima caixa, selecionaremos a opo ESTATSTICA
DESCRITIVA. No se esquea de clicar em OK.
Siga o exemplo apresentado a seguir:
O resultado :
A2. Grupamentos dos dados em classe
Para agrupar os dados em classes necessrio definir o nmero de
classes. Usando a regra de Sturges:
k = 3,3 (log n) + 1
Para encontrar o nmero de elementos (n) devemos seguir os
seguintes passos:
17* Coloque o cursor em uma clula vazia;
18* No menu INSERIR escolha a opo FUNO.
Na categoria da funo escolha a opo ESTATSTICA e em nome
da funo escolha a opo CONT. NM. A seguir, clique em OK.
Com o cursor posicionado em valor 1, marque o bloco onde esto os
dados que sero contados. No nosso exemplo (Figura 1) corresponde s clulas
A2:J11. A seguir clique em OK.
Aps sabermos o nmero de dados (n) que compem a tabela (Figura
1), podemos calcular o nmero de classes.
Devemos posicionar o cursor em uma clula vazia e escolher a opo
FUNO do menu INSERIR.
Em categoria da funo devemos escolher MATEMTICA E
TRIGONOMTRICA e em nome da funo escolheremos LOG10, que retorna o
logaritmo na base 10 de um nmero.
Aps clicarmos em OK, teremos na clula escolhida o resultado do
logaritmo. Na Barra de Frmulas multiplicar o logaritmo por 3,3 e somar 1,
teremos, assim, o resultado da aplicao da regra de Sturges e,
consequentemente, o nmero de classes.
Agora devemos calcular o intervalo de classes, ou seja, o quanto a
classe vai variar (tamanho da classe). Ela ser obtida com o conhecimento do
nmero de classes e dos valores mnimo e mximo da srie de dados do nosso
exemplo. Para encontrarmos os valores mnimo e mximo devemos prosseguir da
seguinte maneira, sempre com o cursor em uma clula vazia:
No menu INSERIR escolha a opo FUNO. Em categoria da
funo escolha a opo ESTATSTICA. Para o valor mnimo devemos escolher a
opo MNIMO. Feito isso, clique em OK.
Veremos ento a caixa de dilogo abaixo. Com o cursor em nm 1,
devemos marcar o bloco onde esto os dados (A1:J10). Clique em OK.
Para obter o valor mximo repita a operao, apenas mudando a
opo em nome da funo para MXIMO.
Aps termos seguido todos as etapas anteriores, deveremos ter obtido
os seguintes resultados:
Nmero de classes = 7,5 Valor mnimo = 294
Valor mximo = 883
Podemos agora calcular o intervalo das classes (h) utilizando a
seguinte frmula bem simples:
h = Valor mximo - Valor mnimo / Nmero de classes
h = (883 - 294) / 7 = 84,1
Como visto na seo anterior, adotaremos para h o valor 90.
Teremos ento:
A partir desses resultados poderemos construir a tabela de classes
abaixo:
Classe Limite Inferior Limite Superior
1 273,5 364
2 364 454
3 454 534
4 534 624
5 624 714
6 714 804
7 804 894
A seguir, abriremos o menu FERRAMENTAS e escolheremos a opo
ANALISE DE DADOS.
Na prxima caixa, selecionaremos a opo Histograma. No se
esquea de clicar em OK.
necessrias para a construo do histograma, sendo:
19* Intervalo de entrada: faixa onde esto registrados os
dados, (A2:J11);
20* Intervalo de bloco: utilizaremos os limites superiores
de cada intervalo de classe (L11:L17), conforme figura abaixo.
21* Intervalo de sada: determina o lugar onde sero
mostrados os resultados. No nosso caso, escolheremos uma nova planilha.
22* Pareto: Apresenta as frequncias dos dados em
valores decrescentes. Neste exemplo no deve ser escolhida.
23* Porcentagem acumulada: apresenta as frequncias
acumuladas. No selecione esta opo.
24* Resultado do grfico: apresenta o grfico escolhido.
Esta opo dever ser escolhida.
Finalmente, pressionando o boto OK, obteremos os seguintes
resultados.
APNDICE B: PROCESSO ABREVIADO PARA O
CLCULO DA MDIA E DA VARINCIA DE DADOS
AGRUPADOS
B1. Dados Codificados por Transformao Linear
Algumas vezes desejvel transformar os dados de modo que os
clculos envolvidos na estatstica descritiva possam ser realizados com nmeros
menores, facilitando, assim, a sua determinao. A codificao utilizada uma
transformao linear do tipo
y
i
= A + Bx
i
onde A e B so constantes escolhidas pela convenincia dos clculos.
Se usarmos
y
e s
y
2
para denotar a mdia e a varincia de y, e
x
e s
x
2
para denotar a mdia e a varincia de x, respectivamente, ento
x
y A
B

s
s
B
s
s
B
x
y
x
y
2
2
2

B2. Processo Abreviado para o Clculo da Mdia e da Varincia
de Dados Agrupados
O clculo da mdia e da varincia pelas expresses anteriormente
vista, denominado processo direto, muito trabalhoso, muito embora possa ser
facilitado pelo emprego de uma mquina de calcular ou um computador.
Com uma simples mudana de varivel, o clculo pode ser feito mais
rapidamente e com menos riscos de errar. Esse processo denominado
processo abreviado. A nova varivel
u
x x
h
i
i

0
onde x
i
o ponto mdio da i-sima classe, x
0
um dos pontos mdios
que se deve escolher de acordo com a convenincia dos clculos (normalmente
o ponto mdio que corresponde classe de maior frequncia) e h o intervalo de
classe.
Introduzindo essa expresso de u
i
nas expresses do processo direto
obtm-se
x x
h
n
n u
i i
i
k
+
0
1
.
s
h
n
n u
n
n u
i i i i
i
k
i
k
2
2
2
1
2
1
1
1
_
,
1
]
1
1

. .
Exemplo
Utilizando os dados da Tabela 3.2, calcular a mdia e a varincia pelos
processos direto e abreviado.
i
Pt.Mdio
x
i
n
i
u
i
n u
i i
.
n u
i i
.
2
1 319 2 -3 -6 18
2 409 6 -2 -12 24
3 499 18 -1 -18 18
4 589 40 0 0 0
5 679 21 1 21 21
6 769 7 2 14 28
7 859 1 3 3 9
TOTAL - 95 - 2 118
9 , 590
95
2 90
589
+ x
( ) 46 , 10164 2
95
1
118
94
90
2
2
2
1
]
1
s
4 PROBABILIDADE
Introduo
O Captulo 3 lidou com os aspectos da estatstica relacionados
manipulao de dados. Uma grande quantidade de dados foi acumulada e tinham
de ser organizados e resumidos para que possam ser analisados. Neste captulo
sero abordados os conceitos de probabilidade e suas aplicaes e nos captulos
5 e 6 os modelos probabilsticos necessrios para fundamentar os aspectos da
estatstica que lidam com tomadas de deciso em face de incertezas.
Probabilidade pertence ao campo da Matemtica. A necessidade de
estudar esse assunto em Estatstica, que o objetivo essencial deste curso,
pelo fato que os fenmenos estudados pela Estatstica Inferencial ou Indutiva
so de natureza aleatria ou no determinstica.
Define-se por modelo cientfico a representao simplificada de
algum fenmeno do mundo real com o propsito de analisar, descrever, explicar,
simular (em geral), explorar, controlar e predizer esses fenmenos. Assim, a
utilizao de modelos, como representao de determinada realidade, facilita a
compreenso de relaes complexas. Por exemplo, para estudar as relaes
qumicas entre os elementos necessrio conhecer o tomo. No entanto, pelas
dimenses do tomo necessrio estabelecer um modelo que possa explicar
essas relaes. Note que um modelo deve ser aperfeioado continuamente na
medida em que ele no consegue explicar certas ocorrncias. Assim, o modelo do
tomo evoluiu a partir do modelo de Dalton (esfera indivisvel), de Thomson
(pudim de ameixa), de Rutherford (bombardeamento de lmina de ouro com
partculas alfa ncleo atmico), de Chadwick (descoberta dos nutrons), de
Bohr (nveis quantizados de energia rbitas circulares), de Sommerfeld (rbitas
elpticas para explicar que um eltron numa mesma camada apresentava
energias diferentes). O modelo atmico atual um modelo matemtico-
probabilstico que se baseia em dois princpios:
Princpio da Incerteza de Heizenberg: impossvel determinar
com preciso a posio e a velocidade de um eltron num mesmo instante.
Princpio da Dualidade da matria de Louis de Broglie: o
eltron apresenta caracterstica DUAL, ou seja, comporta-se como matria e
energia sendo uma partcula-onda.
Erwin Schrndinger baseado nesses dois princpios criou o conceito de
ORBITAL, que a regio onde mais provvel encontrar um eltron. Dirac
calculou estas regies de probabilidade e determinou os quatro nmeros
qunticos, principal (localiza o eltron em seu nvel de energia), secundrio
(localiza o eltron no seu subnvel de energia e d o formato do orbital),
magntico (localiza o eltron no orbital e d a orientao espacial dos orbitais) e
spin (relacionado com o movimento de rotao do eltron em um orbital). Depois
vem o Princpio de Excluso de Wolfgang Pauli (em um mesmo tomo, no
existem dois eltrons com quatro nmeros qunticos iguais), a Regra de Hund
(preenchimento dos subnveis) e a equao de Schrndinger (os nmeros
qunticos so uma aproximao para a equao de Schrndinger).
Um modelo cientfico pode ser determinstico ou probabilstico. Modelo
determinstico um modelo matemtico que determina, exatamente ou com um
erro que pode ser considerado desprezvel, os resultados a partir das condies
iniciais. Por exemplo, o fluxo de corrente eltrica em um circuito simples ligado a
uma bateria determinado com exatido pela lei de Ohm I=V/R ao fornecer os
valores de V (diferena de potencial) e R (resistncia).
Modelo probabilstico, ou distribuio de probabilidade, um modelo
matemtico que descreve o comportamento de uma varivel definida em
experimentos estatsticos. Esse tipo de experimento baseia-se em amostra na
qual se apia para tomar decises ou tirar concluses sobre o fenmeno
(populao) objeto de estudo. Um experimento especifica exatamente que teste
ou ensaio deve ser realizado e qual a caracterstica que deve ser observada.
Esses testes, que lidam com resultados ou observaes, geralmente so
repetidos vrias vezes sob condies controladas. No entanto, mesmo tomando
grande cuidado para manter as condies do experimento to uniforme quanto
possvel, as observaes individuais apresentam uma variabilidade intrnseca que
no se consegue eliminar, pois os fenmenos estudados pela Estatstica so
fenmenos cujos resultados, mesmo em condies controladas de
experimentao, variam de uma observao para outra, sendo, portanto, difcil
para tirar concluses ou tomar decises. Esta variabilidade inerente
frequentemente referida como erro experimental, que corresponde ao resultado
da influncia de um grande conjunto de fatores que fogem ao controle. Assim, em
todos os tipos de experimentos repetidos realizados sob condies controladas,
os resultados das repeties variam.
Ao invs de ignorar esta variabilidade, ou trat-la qualitativamente, ela
pode ser incorporada em um modelo matemtico para representar o fenmeno
objeto de estudo, fenmeno esse que, em estatstica, denominado de
populao. Assim, tal modelo uma descrio matemtica da populao e
geralmente de natureza simplificada. Essa formulao pode ento ser usada para
caracterizar o fenmeno e ser usada para anlise posterior.
Os modelos matemticos das populaes so criados empregando a
teoria da probabilidade, onde especificamos a estrutura de um problema,
construmos um modelo matemtico a ele correspondente, especificamos os
valores dos parmetros (que so as constantes numricas que aparecem
explicitamente no modelo), e depois deduzimos o comportamento da populao,
por exemplo, a distribuio do nmero relativo de vezes que ocorrer cada
resultado possvel.
A probabilidade, portanto, constitui um fundamento importante para a
estatstica, e vamos examin-la com o aprofundamento necessrio e suficiente ao
nosso curso.
Nas exemplificaes dos conceitos de probabilidade, frequentemente,
recorre-se a dados, cartas, moedas, urnas, bolas, etc. Isto devido no s a
simplicidade de tais objetos como o fato de que eles reproduzem de modo quase
perfeito, as condies abstratas dos modelos matemticos de probabilidade.
Assim, se esses exemplos simples forem bem compreendidos no haver
maiores dificuldades em resolver problemas mais complexos e de maior interesse
no nosso campo de atuao.
Conceitos
1.1.1 Experimentos Aleatrios
Como visto geralmente os resultados de um determinado experimento
no pode ser predito exatamente, devido variabilidade inerente associada ao
experimento. Entretanto, possvel identificar todos os resultados possveis
desse experimento.
Seja um experimento simples como o lanamento de uma moeda.
fcil enumerar os resultados possveis, pois so apenas dois: cara e coroa. No
entanto, no se pode antecipar, com certeza, qual desses dois resultados ir
ocorrer em uma jogada. Desse modo, podemos conceituar um experimento
aleatrio, representado por
, como um experimento cujo resultado no se pode

antecipar, com absoluta certeza, apesar de se poderem prever todos os
resultados possveis.
A consequncia de uma nica execuo do experimento chamada
resultado.
So exemplos de experimentos aleatrios:
lanamento de dados;
lanamento de uma moeda;
extrao de trs cartas de um baralho adequadamente
embaralhado;
nmero de partculas que atinge um contador colocado a uma
distncia conhecida de uma fonte radioativa durante um intervalo
de 10 segundos;
seleo aleatria de 10 peas de um lote com 100 unidades;
medio da dureza Rockwell em cinco regies de uma chapa de
ao;
medio do tempo de vida de 5 lmpadas eltricas escolhidas ao
acaso de um lote dessas lmpadas;
escolha aleatria de 20 pessoas de um grupo e a determinao
de suas presses sanguneas ou suas opinies sobre
determinado produto;
medio da resistncia compresso de cinco corpos-de-prova
confeccionados com concreto extrado de um caminho
betoneira cheio de concreto; etc.
1.1.2 Espao Amostral
O conjunto de todos os possveis resultados de um experimento

chamado espao amostral do experimento e representado por E. Cada
resultado chamado um elemento de E e representado por e. Um espao
amostral, E, dito finito ou infinito conforme consista em um nmero finito ou
infinito de elementos, respectivamente.
Exemplo 4.1
Quando lanamos um dado uma vez, ele pode apresentar uma das
seis faces, voltada para cima, numeradas 1, 2, 3, 4, 5 e 6, e o espao amostral
consiste destes 6 elementos. Em notao de conjunto este espao amostral pode
ser escrito como
E = {1, 2, 3, 4, 5, 6}.
Se dois dados so lanados, em cada dado pode ocorrer qualquer
nmero de 1 a 6 inclusive. Representando o valor da face voltada para cima do
primeiro dado por x
1
e o valor da face voltada para cima do segundo dado por x
2
,
o espao amostral consiste de todos os pontos e = (x
1
, x
2
) tal que x
1
e x
2
so
inteiros e contidos no intervalo de 1 a 6 inclusive os extremos. Se um nico dado
for lanado duas vezes, o espao amostral o mesmo que o representado acima
onde x
1
agora denota o valor da face voltada para cima do primeiro lanamento e
x
2
denota o valor da face voltada para cima do segundo lanamento. Se o mesmo
dado for lanado n vezes, o espao amostral E consiste de todos os pontos
e = (x
1
, x
2
, . . . x
n
) tal que x
i
, o valor da face voltada para cima do i-simo
lanamento, est entre 1 e 6 inclusive.
Exemplo 4.2
Seja o nmero de partculas que atinge um contador colocado a
uma distncia conhecida da fonte radioativa durante um intervalo de 15 segundos.
O nmero dessas partculas um nmero inteiro positivo. Ento, o espao
amostral pode ser representado como
E = {0, 1, 2, ...}.
2
Exemplo 4.3
Este exemplo ilustra o fato de que um espao amostral no consiste,
necessariamente, de um conjunto de nmeros. Na produo industrial, pode-se
retirar uma pea para verificar se ela defeituosa ou no. Ento, E consiste nos
dois elementos: defeituosa e perfeita. Se extrair duas peas, a primeira pode ser
perfeita ou defeituosa e de modo semelhante a segunda pea. Se x
1
denota o
resultado da primeira pea e x
2
o resultado da segunda, o espao amostral E
consiste de todos os pontos e = (x
1
, x
2
) tal que x
1
representa uma pea defeituosa
ou uma pea perfeita e x
2
representa uma pea defeituosa ou uma pea perfeita.
Uma enumerao dos quatro pontos de E dado por e = (x
1
, x
2
) = (D, D); (D,
D
);
(
D
; D); e (
D
,
D
), onde D representa pea defeituosa e
D
pea perfeita.
Portanto, e = (
D
,
D
) significa que o resultado da primeira pea perfeita e o
resultado da segunda pea tambm perfeita. Este exemplo um caso particular
de um experimento mais geral em que o resultado pode ser caracterizado por um
de dois valores, ou seja, pode ser classificado por uma dicotomia. Ao invs de
extrair uma pea para verificar se perfeita ou defeituosa, o experimento pode
consistir em identificar o sexo de uma criana recm-nascida. O espao amostral
consiste de dois pontos, macho e fmea. Outro tipo de experimento pode consistir
no lanamento de uma moeda. O espao amostral consiste dos dois elementos,
cara e coroa.
Exemplo 4.4
2 Embora os resultados possveis do experimento so representados como sendo
ilimitado, isto claramente uma aproximao matemtica, em vista de que o nmero de partculas
de certa quantidade de um determinado radioistopo limitado.
Seja a determinao da resistncia compresso de corpos de prova
de concreto com sete dias de cura. O espao amostral do experimento infinito,
porque o resultado pode ser qualquer nmero positivo situado entre 0 (zero) e o
limite superior da escala de medio LS. Isto pode ser escrito em notao de
conjunto como
{ } LS e e E 0 | 3
Se dois corpos de prova so ensaiados, cada corpo de prova pode ter
a resistncia compresso entre 0 e LS. Chamando a resistncia compresso
do primeiro corpo de prova de x
1
e do segundo corpo de prova de x
2
, o conjunto E
consiste de todos os pontos e = (x
1
, x
2
), tal que
LS x
1
0
e
LS x
2
0
O espao amostral pode ser escrito, novamente, em notao de
conjunto como
( ) { } LS x x x x e E
2 1 2 1
, 0 | ,
.
Se uma amostra de n corpos de prova so ensaiados e x
i
representa a
resistncia compresso aps sete dias de cura do i-simo corpo de prova, o
conjunto de todos os resultados possveis do experimento E consiste de todos os
pontos e = (x
1
, x
2
, ...,x
n
) tal que
LS x
1
0
,
LS x
2
0
, ...,
LS x
n
0
.
Exemplo 4.5
De um grupo de rels, produzidos sob condies similares, uma nica
unidade escolhida, colocada em uma bancada de teste, em um ambiente similar
s condies de projeto, e ento testada at a sua falha. Em vista de que a vida
do componente pode ser qualquer nmero no negativo, o espao amostral E
consiste de todos os pontos e que se encontra dentro do intervalo 0 (zero) e -
(infinito), isto ,
3 Esta notao lida como E o conjunto de todos e, onde e um nmero real
entre 0 e LS inclusive os extremos.
{ } e e E 0 | 4
Se ao invs de testar um rel, o experimento consistir em escolher dois
rels, coloc-los em uma bancada de teste, e submet-los a teste at ocorrer a
falha, o espao amostral E dado por
( ) { }
2 1 2 1
, 0 | , x x x x e E
,
onde x
1
representa o tempo at a falha do componente definido como
nmero 1 e x
2
o tempo at a falha do componente definido como nmero 2. De
modo semelhante, se uma amostra de n rels so colocados em uma bancada de
teste e testados at a falha, o espao amostral E dado por
( ) { }
n n
x x x x x x e E , , , 0 | , , ,
2 1 2 1

,
onde x
i
denota o tempo at a falha do componente designado como
nmero i.
Os experimentos acima so muito mais complexos do que foi descrito.
Por exemplo, o valor da resistncia compresso dos corpos de prova de
concreto com cura de sete dias depende de uma srie de outras variveis,
atuando simultaneamente, ou no, sobre o processo. Entre essas variveis
podem ser citadas, desde a confeco do corpo de prova (entre as quais: as
dimenses do molde, a pessoa que confeccionou o corpo de prova, paralelismo
das faces, etc.) , at o operador que faz o teste, incluindo ainda outras, tais como
a hora em que foi realizado o ensaio, o equipamento de teste empregado, os
constituintes do concreto (tanto em quantidade quanto em qualidade), as
condies ambientais com que foi realizado o ensaio, etc. Assim, h muitas
variveis, cujos resultados poderiam ser includos no conjunto de todos os
possveis resultados do experimento, mas que sem importncia do ponto de
vista de tomar deciso baseada no resultado do experimento.
4 Do ponto de vista prtico preciso reconhecer que a vida de qualquer componente
eletrnico no pode ser infinita nem os instrumentos de medida so capazes de registrar valores
contnuos. Entretanto, o modelo matemtico somente uma aproximao do fenmeno fsico que
est sendo estudado. Nos exemplos, estas aproximaes geralmente no distorcem os
resultados.
Consequentemente, estes fatores irrelevantes sero excludos da representao
formal do espao amostral, e E ser o conjunto de todos os possveis resultados
dos fatores relevantes do experimento.
1.1.3 Evento
Um evento A (relativo a um espao amostral E particular, associado a
um experimento
) simplesmente um conjunto de resultados possveis. Na

terminologia dos conjuntos, um evento um subconjunto de um espao amostral
E. Em particular, E e (conjunto vazio) so eventos; E dito o evento certo e
o evento impossvel. Qualquer resultado individual pode tambm ser definido
como um evento.
Exemplo 4.6:
Se retirarmos duas peas de um conjunto de cinco (numeradas de 1 a
5) o espao amostral consiste nos seguintes 10 resultados possveis:
1,2 1,3 1,4 1,5 2,3 2,4 2,5 3,4 3,5 4,5.
No entanto, podemos estar interessados no nmero de peas
defeituosas, que obtemos nas retiradas e, ento, distinguimos entre os trs
eventos possveis:
A: nenhuma pea defeituosa, B: uma pea defeituosa e C: duas peas
defeituosas.
Supondo que trs peas, digamos 1, 2 e 3, sejam defeituosas, vemos
que:
A ocorre, se retiramos 4 e 5.
B ocorre, se retiramos 1 e 4; 1 e 5; 2 e 4; 2 e 5; 3 e 4 ou 3 e 5.
C ocorre, se retiramos 1 e 2; 1 e 3 ou 2 e 3.
Um espao amostral E e os eventos de um experimento podem ser
representados graficamente por um diagrama denominado Diagrama de Venn ,
como se segue. Suponhamos que o conjunto de pontos no interior do retngulo
da Fig. 4.1 represente E. Ento, o interior de uma curva fechada dentro do
retngulo representa um evento que podemos representar por A. O conjunto de
todos os elementos (resultados) que no se situam em A chamado o evento
contrrio a A e representado por
A
.
Fig.4.1 Diagrama de Venn representando um espao amostral E e os
eventos A e
A
.
Por exemplo, quando jogamos um dado uma vez, o evento contrrio do
evento:
A: o dado apresenta na face superior um nmero par,
o evento:
A
: O dado apresenta na face superior um nmero impar.
Desse modo, ao se definir um evento em um espao amostral E, fica
automaticamente definido o seu evento contrrio.
1.1.4 Composio de Eventos
Usando as operaes com conjuntos, poderemos formar novos
eventos. Assim, sendo A e B dois eventos diferentes do espao amostral E:
Evento unio (A B) o evento que ocorre se A ocorrer _ ou B
ocorrer

A
Evento interseo (A B ou AB) o evento que ocorre se A _ e B
ocorrerem
Evento diferena (A B) o evento que ocorre se A ocorrer, _
menos os casos que B tambm ocorrer.
Exemplo 4.7:
Sejam: E {1, 2, 3, 4, 5, 6}, A = {1, 2}, B = {2, 4, 6}, C {2, 5, 6} e D = {1,
5}.
Ento: = {2}, B C = {2, 6}, AB = {1, 2, 4, 6}, (AB) C = {2},
(AB) C = {1, 2, 4, 5, 6}, BD = { }. _
Os eventos B e D acima so denominados mutuamente exclusivos ou
incompatveis, eles no podem ocorrer simultaneamente, em vista de que sua
interseo um conjunto vazio (a ocorrncia de um impede a ocorrncia do
outro).
Interpretao Frequencial da Probabilidade
Consideremos as seguintes questes:
1. Qual a probabilidade de chover o correspondente a 10mm nas
prximas 24 horas em Belo Horizonte?
2. Qual a probabilidade de que o cavalo n
o
2 vena o primeiro
preo no hipdromo da Gvea em um determinado dia?
3. Qual a probabilidade de existir vida em Marte?
4. Qual a probabilidade de ocorrer cara no lanamento de uma
moeda?
5. Qual a probabilidade de ocorrer 4 ases, para uma pessoa, aps
a distribuio de cartas de um baralho bem embaralhado,
durante um jogo de pquer?
6. Qual a probabilidade de ocorrer a face 1 num lanamento de
um dado?
As trs primeiras questes referem-se probabilidade do tipo subjetivo.
Essas questes referem-se a situaes para as quais o resultado incerto. Ou
seja, no podemos estudar os resultados por meio de experimentos reprodutveis.
Nesse texto ser abordado o clculo das probabilidades de resultados
oriundos de experimentos aleatrios, ou seja so experimentos reprodutveis e,
portanto, que podem responder as questes do tipo 4, 5 e 6 acima.
A frequncia relativa de um evento definida como sendo a relao
entre o nmero de vezes em que o evento ocorreu numa determinada srie de
repeties de um experimento aleatrio e o nmero total de realizaes desse
experimento. Ou seja:
Frequnciarelativa=
nmerodeocorrncias do evento
nmerototal derealizaes doexperimento
O teorema de Bernoulli
5
, tambm conhecido como a Lei dos Grandes
Nmeros, estabelece que, medida que se aumenta o nmero de realizaes do
experimento a frequncia relativa se aproxima cada vez mais de sua
probabilidade.
Como exemplo, seja o seguinte experimento aleatrio: lanamento de
moeda e registrar a ocorrncia da face cara. Se essa moeda for honesta essa
probabilidade 0,50. No entanto, na prtica essa probabilidade apenas
aproximada. Essa aproximao tanto mais exata quanto maior for o nmero
realizaes do experimento, chegando a 0,50 se esse nmero tender para o
infinito. Para simular esse experimento e verificar a aplicao da Lei dos Grandes
Nmeros, foi solicitado a 20 estudantes de uma turma da disciplina Estatstica e
Probabilidade que lance uma moeda 10 vezes e registre o nmero de caras
ocorridas. Os resultados obtidos constam na Tabela 4.1.
Tabela 4.1: Resultado de 10 lanamentos de uma moeda por cada
estudante.
5 Jacob Bernoulli (1654 1705) descreveu a Lei dos Grandes Nmeros em 1692. Em
1713, depois de sua morte, foi publicada a demonstrao rigorosa dessa Lei no artigo intitulado
Ars Conjectanti (A arte da conjetura).
Estudante 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
N
o
de caras 7 6 6 7 6 7 8 4 5 4 3 4 5 3 4 6 3 5 4 4
Note que cada estudante registrou um resultado para o experimento de
lanamento de uma moeda 10 vezes. Deste resultado, a frequncia relativa de
caras por estudante pode ser obtida por
( ) f C
n
i
c
i
10
onde:
f C
i
( )
a frequncia relativa correspondente ao experimento do i-
simo estudante.
n
c
i
o nmero de ocorrncias de faces cara no lanamento de uma
moeda pelo i-simo estudante.
Consideramos cada conjunto de 10 tentativas como uma amostra de
tamanho 10 (isto , n = 10). O resultado para cada estudante ou para o conjunto
de todos os estudantes conduz a um resultado (experimental) emprico para
responder a questo da probabilidade de ocorrncia da face cara no lanamento
de uma moeda. O resultado que obtivemos o valor da probabilidade desejada?
Os resultados obtidos so somente parciais porque
( ) f C
mudar seja pela
mudana de estudante seja pela mudana do tamanho da amostra n. Desse
modo, o modelo probabilstico que representa todos os resultados empricos :
( ) P C
n
n
n
c
lim
Onde:
P(C) denota a probabilidade de ocorrncias de face cara no
lanamento de uma moeda;
n
c
o nmero de ocorrncias da face cara.
n o total de lanamentos da moeda.
Para se ter uma idia de como a razo
n
n
c
flutua medida que n
cresce, trataremos os dados dos 20 estudantes da tabela 4.1 como uma
sequncia de lanamentos de uma moeda para n = 10, 20, ..., 200. Um grfico
dos resultados dado na Figura 4.2.
Figura 4.2: Grfico da razo
n
n
c
versus n mostrando a convergncia
para o valor da probabilidade a medida que n cresce.
Observando as mudanas que ocorreram em f(C) a medida que n
cresce de 10 at 200, parece razovel adotar P(C) = 0,5. Portanto, do ponto de
vista da frequncia relativa, P(C) = 0,5 representativo de todos os dados
observados pela repetio do lanamento de uma moeda 10 vezes. Note que
probabilidades baseadas em frequncias relativas de diferentes resultados para
um experimento so resultados limites que so obtidos para grandes valores de n.
Uma das vantagens da interpretao frequencial da probabilidade
que permite entender, com simplicidade, o conceito de probabilidade. Assim,
pode-se perceber que probabilidade no d fora ao acontecimento, mas mede o
grau com que um evento pode vir a ocorrer com base na experincia passada.
Segundo Cordeiro (1992), a probabilidade expressa a crena que temos num
resultado do experimento aleatrio que no sabemos qual . Outra vantagem
que permite que se estabeleam algumas condies a serem satisfeitas para que
um determinado nmero possa ser considerado probabilidade, por exemplo, para
que um nmero possa ser considerado probabilidade ele no pode ser negativo e
nem maior que um. A desvantagem da interpretao frequencial da probabilidade
que necessrio realizar experimentao para determinar o valor da
probabilidade de ocorrncia de um determinado evento. Isto pode se tornar muito
difcil, ou s vezes impossvel. o caso, por exemplo, de ensaios destrutivos,
restries quanto ao tempo ou custo para a realizao do experimento.
Axiomas e Teoremas da Probabilidade
1.1.5 Axiomas
Dado um espao amostral E, a probabilidade de ocorrer um evento A,
denotada por P(A), uma funo definida em E que associa cada evento a um
nmero real, satisfazendo os seguintes axiomas:
i. P(A) 0;
ii. P(E) = 1;
iii. Se A
1
, A
2
, ..., A
n
forem, dois a dois, eventos
mutuamente exclusivos, ou seja A
i
A
j
= , i j, i e j = 1, 2, ..., _ _ _
n, ento,
P(A
1
A
2
... A
n
) = P(A
1
) + P(A
2
) + ... +P(A
n
).
1.1.6 Teoremas
A partir destes axiomas, podemos demonstrar os seguintes teoremas:
Teorema 1. Se o conjunto vazio, ento P( ) = 0. _ _
Demonstrao:
Tomemos um evento qualquer A. A e so mutuamente exclusivos, _
pois A
= . Assim, pelo axioma 3: _ _

P(A ) = P(A) + P( ). _ _
Mas, a unio dos eventos A e _
A = A. _
Logo,
P(A) = P(A) + P( ) _
Portanto,
P( ) = 0. _
Teorema 2. Se
A
o evento contrrio de A, ento P(
A
) = 1 - P(A)
Demonstrao:
A = E
Pelo Axioma 2:
P(A ) = P(E) = 1
Mas,
A = . _
Ento, pelo Axioma 3, tem-se
P(A ) = P(A) + P().
Logo,
1 ) ( ) ( ) ( + E P A P A P
.
Portanto,
) ( 1 ) ( A P A P
.
Teorema 3. Se
A
o evento contrrio de A, ento:
( ) ( ) ( ) AB P B P B A P
Demonstrao:
B = AB B
e
AB B = _
Ento, pelo axioma 3:
( ) ( ) ( ) B A P AB P B P +
Finalmente,
( ) ( ) ( ) AB P B P B A P
.
Teorema 4. Se A e B so dois eventos quaisquer, ento:
P(A B) = P(A) + P(B) - P(AB)
Demonstrao:
(A B) = A B
Os eventos
A
e
AB
so mutuamente exclusivos, logo, pelo axioma 3:
P(A B) = P(A) + P(B)
Pelo teorema 3, tem-se que
P AB P B P AB ( ) ( ) ( )
Ento:
P(A B) = P(A) + P(B) - P(AB)
Exerccio: Provar o teorema unio de trs eventos:
P(A B C) = P(A) + P(B) + P(C) PAB) PAC) P(BC) + P(ABC)
Sugesto: faa A B C = (A B) C e aplique o teorema acima.
Clculo das Probabilidades
1.1.7 Espao Amostral Finito
Sejam experimentos para os quais o espao amostral E seja formado
de um nmero finito de elementos, isto , admitiremos que E possa ser expresso
sob a forma E = {e
1
, e
2
, ..., e
k
}. Consideremos o evento formado por um resultado
simples, algumas vezes denominado evento simples ou elementar, {e
i
}.
A cada evento simples {e
i
} associaremos um nmero p
i
, denominado
probabilidade de {e
i
}, que satisfaa s seguintes condies:
p
i
0, i = 1, 2, ..., k, _
p
1
+ p
2
+ ...+ p
k
=1.
Em seguida, suponha-se que um evento A seja constitudo por r
resultados, 1 r k. Consequentemente, conclui-se, do axioma 3, que: - -
P(A) = p
1
+ p
2
+ ...+p
r
.
Exemplo 4.8:
Suponha que somente trs resultados sejam possveis em um
experimento, a saber, e
1
, e
2
e e
3
. Alm disso, suponha que e
1
seja duas vezes
mais provvel de ocorrer que e
2
, o qual por sua vez duas vezes mais provvel
de ocorrer que e
3
. Qual a probabilidade de ocorrer o elemento e
1
? E o elemento
e
2
? E o elemento e
3
?
Como p
1
= 2p
2
e p
2
= 2p
3
, dados pelo problema, e que p
1
+ p
2
+ p
3
= 1,
pelo axioma 2, teremos 4p
3
+ 2p
3
+ p
3
= 1, o que finalmente d
p
3
= 1/7, p
2
= 2/7 e p
1
= 4/7.
1.1.8 Resultados Igualmente Provveis
Quando associamos cada elemento do espao amostral a uma mesma
probabilidade, o espao amostral chama-se equiprovvel. Em particular, se E
contm k elementos, ento, a probabilidade de cada elemento ser 1/k, pois
p
1
+ p
2
+ ...+ p
k
= 1
e como
p
1
= p
2
= ...= p
k
= p,
ento
k
p kp
1
1
Por outro lado, se um evento A contm r elementos, 1 r k, ento: - -
( ) .
1
k
r
k
r A P
,
_
Este mtodo de avaliar P(A) frequentemente enunciado da seguinte

maneira:
( )
ocorre E amostral espao o que em vezes de nmero
ocorrer pode A evento o que em vezes de nmero
A P
ou
( )
( ) ( )
( ) ( ) possveis casos de nmero E n
A evento ao favorveis casos de nmero A n
A P
.
.
muito importante compreender que a expresso de P(A) acima

apenas uma consequncia da suposio de que todos os resultados sejam
igualmente provveis, e ela aplicvel somente quando essa suposio for
atendida. Ela certamente no serve como uma definio geral de probabilidade.
No entanto, como em estatstica a extrao da amostra se d de modo aleatrio,
ou seja os itens da populao tm a mesma chance de ser escolhido para
participar da amostra, o modelo probabilstico que fundamenta a teoria da
estatstica pressupe que os experimentos so equiprovveis.
Exemplo 4.9:
Escolha aleatoriamente (a expresso aleatria nos indicar que o
espao equiprovvel) uma carta de um baralho com 52 cartas.
Seja:
A = {a carta de ouros}
B = {a carta uma figura}
Calcular P(A) e P(B).
( )
( ) 4
1
52
13
) (
E n
A n
A P
( )
( ) 13
3
52
12
) (
E n
B n
B P
Exemplo 4.10:
Num lote de 12 peas, 4 so defeituosas; duas peas so retiradas
aleatoriamente. Calcule:
a) a probabilidade de ambas serem defeituosas;
b) a probabilidade de ambas no serem defeituosas;
c) a probabilidade de ao menos uma ser defeituosa.
Soluo:
a)
A = {ambas defeituosas}
A pode ocorrer
C
4
2
6
vezes
E pode ocorrer
C
12
2
66
vezes
( )
( )
( ) 11
1
66
6

E n
A n
A P
b)
B = {ambas no defeituosas}
B pode ocorrer
C
8
2
28
E pode ocorrer
C
12
2
66
vezes
( )
( ) 33
14
66
28
) (
E n
B n
B P
c)
C = {ao menos uma defeituosa}
C o complemento de B, ento C =
B
P C P B ( ) ( ) 1 1
14
33
19
33
1.1.9 Probabilidade Condicionada
Seja
o seguinte experimento: lanar um dado honesto. E o seguinte

evento A = {sair o n
o
4}. Ento
P A ( )
1
6
tendo em vista o espao amostral equiprovvel E = {1, 2, 3, 4, 5, 6}.
Consideremos agora o evento B = {sair um n
o
par} = {2, 4, 6}. Calcular a
probabilidade de ocorrer o evento A condicionada ocorrncia do evento B. Em
smbolo denotamos P(A|B); l-se: probabilidade de ocorrer o evento A
condicionada ocorrncia de B, ou probabilidade de ocorrer o evento A
sabendo-se que ocorreu o evento B, ou, ainda, probabilidade de ocorrer o
evento A dado B. Assim,
3
1
) | ( B A P
isto porque, sabendo-se que ocorreu o evento B, os resultados
possveis passam a ser E
*
= {2, 4, 6}, ou seja, houve uma reduo do espao
amostral. Desse modo o referencial deixa de ser o espao amostral E e passa a
ser o evento B.
Desse modo, a definio da probabilidade condicionada :
) (
) (
) | (
B P
B A P
B A P

e
) (
) (
) | (
A P
B A P
A B P

.
A mais importante consequncia da definio acima de probabilidade
condicionada obtida ao se escrever:
P(AB) = P(A) x P(B|A)
ou, de modo equivalente:
P(AB) = P(B) x P(A|B)
Exemplo 4.11:
Suponha que um escritrio possua 100 mquinas. Algumas dessas
mquinas so eltricas (E), enquanto outras so manuais (M); e algumas so
novas (N), enquanto outras so muito usadas (U). A tabela abaixo d o nmero de
mquinas de cada categoria. Uma pessoa entra no escritrio, pega uma mquina
ao acaso, e descobre que nova. Qual ser a probabilidade de que seja eltrica?
Tabela 4.2: Representao do espao amostral por meio de uma tabela
de dupla entrada.
E M TOTAL
N 40 30 70
U 20 10 30
TOTAL 60 40 100
Considerando somente o espao amostral reduzido N (isto , as 70
mquinas novas), temos:
7
4
70
40
) | ( N E P
Empregando a definio de probabilidade condicionada, temos:
( )
.
7
4
100
70
100
40
) (
) | (
N P
N E P
N E P

Exemplo 4.12:
Seja um lote de peas contendo 20 peas defeituosas e 80 perfeitas.
Se escolhermos ao acaso duas peas, sem reposio, qual ser a probabilidade
de que ambas as peas sejam defeituosas?
Sejam os eventos: A = {a primeira pea defeituosa}; B = {a segunda
pea defeituosa}
P(AB) = P(A).P(B|A) =
20
100
19
99
19
495

1.1.10 Independncia Estatstica
Um evento A considerado independente de outro evento B se a
probabilidade de ocorrer A igual probabilidade de ocorrer A dado B, isto , se
P(A) = P(A|B)
claro que se o evento A independente do evento B, o evento B
independente do evento A, assim:
P(B) = P(B|A)
Ento:
P(AB) = P(A) . P(B)
Exemplo 4.13:
Em uma caixa temos 10 peas, das quais 4 so defeituosas. So
retiradas, aleatoriamente, duas peas, uma aps a outra, com reposio. Calcular
a probabilidade de ambas serem defeituosas.
Sejam: A = {a primeira pea defeituosa}; B = {a segunda pea
defeituosa}
Como os eventos A e B so independentes, pois P(B) = P(B|A), ento:
P(AB) = P(A) . P(B) =
4
10
4
10
4
25

Exemplo 4.14:
Sendo E = {1, 2, 3, 4} um espao amostral equiprovvel e A = {1, 2}; B
= {1, 3}; C = {1, 4} trs eventos de E, verificar se os eventos A, B e C so
independentes.
Para A e B P(A) = _
2
1
; P(B) =
2
1
; P(AB) =
4
1
; logo: P(AB) = P(A) =
P(B) = 1/4.
Para A e C P(A) = _
2
1
; P( C) =
2
1
; P(AC) =
4
1
; logo: P(AC) = P(A) .
P(C) =
4
1
.
Para B e C P(B) = _
2
1
; P( C) =
2
1
; P(BC) =
4
1
; logo: P(BC) = P(B) .
P(C) =
4
1
Para A, B e C P(A) = _
2
1
; P(B) =
2
1
; P(C) =
2
1
; P(ABC) =
4
1
; logo:
P(ABC) _ P(A) . P(B) . P( C).
Concluso, os eventos A, B e C no so independentes.
Regra de Bayes
Sejam A
1
, A
2
, A
3
, ..., A
n
, n eventos mutuamente exclusivos tais que
A A A A E
n 1 2 3
...
, onde E o espao de resultados. Sejam P(A
i
) as
probabilidades conhecidas dos vrios eventos A
i
e B, condicionado a A
i
, um
evento qualquer de E tal que conhecemos todas as probabilidades condicionadas
P(B/A
i
). A figura a seguir representa estas condies.
B
A
n
A
3
A
1
A
2
.............
E
Assim,
B = A
1
B A
2
B ... A
n
B
Como:
(A
i
B) (A
j
B) = i j, __ _
tem-se:
( ) ( ) ( ) ( ) B A P B A P B A P B P
n
+ + +
2 1
,
ou seja:
( ) ( )
n
i
i
B A P B P
1
Ento:
( ) ( ) ( ) [ ]
n
i
i i
A B P A P B P
1
|
A Regra de Bayes se presta a responder a seguinte questo: sabendo-
se que o evento B ocorreu, qual a probabilidade de ocorrer algum dos eventos
A
i
?
Denominando esse evento de A
r
, obtm-se:
( ) ( ) ( ) ( ) ( ) B A P B P A B P A P B A P
r r r r
| |
Explicitando
( ) B A P
r
|
, obtm-se:
( )
( ) ( )
( ) B P
A B P A P
B A P
r r
r
|
|
.
Finalmente, a expresso da Regra de Bayes :
( )
( ) ( )
( ) ( ) [ ]
n
i
i i
r r
r
A B P A P
A B P A P
B A P
1
|
|
|
.
Esta regra bastante importante, pois, relaciona probabilidades a
priori P(A
i
) com probabilidades a posteriori P(A
i
|B), ou seja, probabilidades de A
i
depois que ocorrer B.
Exemplo 4.15:
Um determinado tipo de pea fabricado por trs mquinas, digamos
M
1
, M
2
e M
3
. Sabe-se que a mquina M
1
produz o dobro de peas que a mquina
M
2
, e que M
2
e M
3
produzem o mesmo nmero de peas, durante um determinado
perodo de produo. Sabe-se tambm que 2% das peas produzidas por M
1
e
por M
2
so defeituosas, enquanto que 4% daquelas produzidas por M
3
so
defeituosas. Todas as peas produzidas so colocadas em um depsito, e depois
uma pea extrada ao acaso verificando-se que defeituosa. Qual a
probabilidade de que tenha sido produzida pela mquina M
1
? E pela mquina M
2
?
E pela M
3
?
Sejam os seguintes eventos:
D: {a pea defeituosa}
M
1
: {a pea foi fabricada pela mquina 1}
M
2
M
3
( ) ( ) 02 , 0 | |
2 1
M D P M D P
( ) 04 , 0 |
3
M D P
Clculo de P(M
1
), P(M
2
) e P(M
3
):
P(M
1
) + P(M
2
) + P(M
3
) = 1
P(M
1
) = 2P(M
2
)
P(M
2
) = P(M
3
)
2P(M
2
) + P(M
2
) + P(M
2
) = 1
P(M
3
) = P(M
2
) = 0,25
P(M
1
) = 0,50
40 , 0
25 , 0 04 , 0 25 , 0 02 , 0 50 , 0 02 , 0
50 , 0 02 , 0
) / (
1

+ +
D M P
20 , 0
25 , 0 04 , 0 25 , 0 02 , 0 50 , 0 02 , 0
25 , 0 02 , 0
) / (
2

+ +
D M P
40 , 0
25 , 0 04 , 0 25 , 0 02 , 0 50 , 0 02 , 0
25 , 0 04 , 0
) / (
3

+ +
D M P
Tabela 4.3: Resultados das probabilidades
MQUINAS
PROBABILIDADES
a priori a posteriori
M
1
0,50 0,40
M
2
0,25 0,20
M
3
0,25 0,40
TOTAL 1,00 1,00
Exerccios Propostos
1. Certo tipo de motor eltrico falha se ocorrer uma das
seguintes situaes: emperramento dos mancais, queima dos enrolamentos,
desgaste das escovas. Suponha que o emperramento seja duas vezes mais
provvel do que a queima; esta sendo quatro vezes mais provvel do que o
desgaste das escovas. Qual ser a probabilidade de que a falha seja devida a
cada uma dessas circunstncias?
Resp.: 8/13, 4/13, 1/13.
2. Suponha que A e B sejam eventos tais que P(A) = x, P(B) = y,
e P(A B) = z. Exprima cada uma das seguintes probabilidades em termos de
x, y e z.
a)
A P(

) B
b)
A P(

) B
c)
A P(

) B
d)
A P(

) B
3. Uma caixa contm 25 bolas numeradas de 1 a 25. Extraindo-
se uma bola ao acaso, qual a probabilidade de que seu nmero seja:
a) par;
b) mpar;
c) par e maior que 10;
d) primo e maior que 3;
e) mltiplo de 3 e 5.
Resp.: a) 12/25; b) 13/25; c) 7/25; d) 7/25; e) 1/25.
4. O seguinte grupo de pessoas est numa sala: 5 homens maiores de 21
anos de idade; 4 homens com menos de 21 anos de idade; 6 mulheres
maiores de 21 anos de idade e 3 mulheres menores de 21 anos de idade.
Uma pessoa escolhida ao acaso. Definem-se os seguintes eventos: A =
{a pessoa maior de 21 anos}; B = {a pessoa menor de 21 anos}; C = {a
pessoa homem}; D = {a pessoa mulher}. Calcule:
a) P(B D);
b)
A P(

C
)
Resp.: a) 13/18; b) 1/6
5. Em uma sala, 10 pessoas esto usando emblemas numerados de 1 a 10.
Trs pessoas so escolhidas ao acaso e convidadas a sarem da sala
simultaneamente. O nmero de seus emblemas anotado.
a) Qual a probabilidade de que o menor nmero de emblema seja 5 ?
b) Qual a probabilidade de que o maior nmero de emblema seja 5 ?
Resp.: a) 1/6 b) 1/12.
6. Dez fichas numeradas de 1 at 10 so misturadas em uma urna. Duas
fichas, numeradas (X, Y), so extradas da urna, sucessivamente e sem
reposio. Qual a probabilidade de que seja X + Y = 10 ?
Resp.: 4/45
7. Um lote formado de 10 artigos bons, 4 com defeitos menores e 2 com
defeitos graves. Um artigo escolhido ao acaso. Ache a probabilidade de
que:
a) Ele no tenha defeitos.
b) Ele no tenha defeitos graves.
c) Ele, ou seja, perfeito ou tenha defeitos graves.
Resp.: a) 5/8 b) 7/8 c) 3/4.
8. Se do lote de artigos descrito no Probl. 7, dois artigos forem escolhidos
(sem reposio), ache a probabilidade de que:
a) Ambos sejam perfeitos;
b) Ambos tenham defeitos graves;
c) Ao menos um seja perfeito.
d) No mximo um seja perfeito
e) Exatamente um seja perfeito.
f) Nenhum deles tenha defeitos graves.
g) Nenhum deles seja perfeito.
Resp.: a) 3/8; b) 1/120; c) 7/8; d) 5/8; e) 1/2; f) 91/120; g) 1/8.
9. Um produto montado em trs estgios. No primeiro estgio, existem 5
linhas de montagem, no segundo estgio, existem 4 linhas de montagem e
no terceiro estgio, existem 6 linhas de montagem. De quantas maneiras
diferentes poder o produto se deslocar durante o processo de montagem?
Resp.: 120
10. Um inspetor visita 6 mquinas diferentes durante um dia. A fim de evitar
que os operrios saibam quando ele os ir inspecionar, o inspetor varia a
ordenao de suas visitas. De quantas maneiras isto poder ser feito ?
Resp.: 720
11. Existem 12 tipos de defeitos menores de uma pea manufaturada, e 10
tipos de defeitos graves. De quantas maneiras podero ocorrer 1 defeito
menor e 1 grave? E 2 defeitos menores e 2 graves?
Resp.: 120; 2970.
12. Um mecanismo pode ser posto em uma dentre quatro posies: a, b, c e d.
Existem 8 desses mecanismos includos em um sistema.
a) De quantas maneiras esse sistema pode ser disposto?
b) Admita que esses mecanismos sejam instalados em determinada
ordem (linear) preestabelecida. De quantas maneiras o sistema poder ser
disposto, se dois mecanismos adjacentes no estiverem em igual posio?
c) Quantas maneiras de dispor sero possveis, se somente as
posies a e b forem usadas, e o forem com igual frequncia?
d) Quantas maneiras sero possveis, se somente duas posies forem
usadas, e dessas posies uma ocorrer trs vezes mais frequentemente que a
outra?
Resp.: a) 4
8
; b) 4.3
7
; c) 70; d) 336.
13. Com as seis letras a, b, c, d, e, f quantas palavras-cdigo de 4 letras
podero ser formadas se:
a) Nenhuma letra puder ser repetida?
b) Qualquer letra puder ser repetida qualquer nmero de vezes?
Resp.: a) 360; b) 1296
14. Determinado composto qumico obtido pela mistura de 5 lquidos
diferentes. Prope-se despejar um lquido em um tanque e, em seguida,
juntar os outros lquidos sucessivamente. Todas as sequncias possveis
devem ser ensaiadas, para verificar-se qual delas dar o melhor resultado.
Quantos ensaios devero ser efetuados?
Resp.: 120
15. Uma caixa contm 3 bolas brancas e 2 bolas pretas. Extraindo-se duas
bolas simultaneamente, calcule a probabilidade de serem:
a) uma de cada cor;
b) ambas da mesma cor;
Resp.: a) 3/5; b) 2/5.
16. Resolva o problema 15, admitindo-se que as duas bolas so extradas uma
a uma , com reposio.
Resp.: a) 12/25; b) 13/25.
17. Se as cinco bolas da caixa citada no problema 15 forem extradas uma a
uma sem reposio, calcule a probabilidade de que:
a) as trs brancas saiam sucessivamente;
b) as duas pretas saiam sucessivamente;
c) ao menos um dos eventos mencionados em a) e b) ocorra.
Resp.: a) 0,3; b) 0,4; c) 0,5.
18. Um dado honesto lanado duas vezes. Seja a o nmero de pontos obtido
no primeiro lanamento e b os obtidos no segundo lanamento. Determinar
a probabilidade da equao ax b = 0 ter raiz inteira.
19. Uma companhia de seguros extraiu uma amostra aleatria estratificada, de
tamanho 500, da populao de seus segurados, com a seguinte
composio: metade mulheres e metade homens. Nessa amostra foi
encontrado que dos 65 segurados que usaram hospital 40 eram mulheres.
Com base nesses dados responda:
1. Qual a probabilidade de um segurado usar o hospital?
2. Qual a probabilidade de um segurado ser do sexo
masculino?
feminino e no usar hospital?
masculino e usar hospital?
5. Se um segurado do sexo masculino, qual a
probabilidade de no usar o hospital?
6. Se um segurado usou hospital, qual a probabilidade de
ser do sexo feminino?
7. Pode-se afirmar que o sexo do segurado e se ele usou
ou no hospital so eventos independentes?
20. Uma determinada empresa decide aceitar um lote de matria prima se, de
uma amostra de 20 unidades, nenhuma for defeituosas.
1. Qual a probabilidade de um lote ser aceito quando
nenhuma unidade for defeituosa?
2. Qual a probabilidade de um lote ser aceito quando 15%
das unidades forem defeituosas?
3. Qual a probabilidade de um lote ser aceito quando 25%
das unidades forem defeituosas?
21. Em uma pesquisa de associao entre a venda de sabo em p e
amaciante foi entrevistado 20.000 pessoas. Observou-se que 16.000
pessoas compraram sabo em p, 12.000 compraram amaciante e 2.500
no compraram nem sabo em p nem amaciante.
1. Pode-se afirmar que comprar sabo em p e comprar
amaciante so independentes?
2. Qual a probabilidade de uma pessoa selecionada ao
acaso ter comprado sabo em p?
3. Qual a probabilidade de uma pessoa selecionada
aleatoriamente no ter comprado amaciante?
aleatoriamente no ter comprado sabo em p e ter comprado
amaciante?
aleatoriamente no ter comprado sabo em p ou ter comprado
amaciante?
6. Sabendo que uma pessoa no comprou sabo em p,
qual a probabilidade dela ter comprado amaciante?
22. Dentre 7 pessoas, ser escolhida por sorteio uma comisso de 3 membros.
Qual a probabilidade de que uma determinada pessoa venha a figurar na
comisso?
Resp.: 3/7
23. A probabilidade de que um aluno A resolva um problema de 2/3 e de um
aluno B de 3/4. Se ambos tentarem independentemente, qual a
probabilidade de o problema ser resolvido?
24. Em que condio:
1. P( A)=P( A B)
2. P( B) =2 P( AB)
3. P( A B)=3P( AB)
4. P( A B)=P( AB)
25. Um sistema automtico de alarme contra incndio utiliza trs clulas
sensveis ao calor, que agem independentemente uma da outra. Cada
clula entra em funcionamento com probabilidade 0,8 quando a
temperatura atingir a 60
0
C. Se pelo menos uma das clulas entrar em
funcionamento, o alarme soa. Calcular a probabilidade de que o alarme
seja acionado, quando a temperatura atingir a 60
0
C.
Resp.: 0,992
26. Sejam A e B dois eventos tais que P(A) = 0,4 e P(A B) = 0,7. Seja P(B) =
p.
a) Para que valor de p, A e B sero mutuamente exclusivos?
b) Para que valor de p, A e B sero independentes?
Resp.: a) 0,3; b) 0,5.
27. Considere os algarismos de 0 a 9. Sorteados dois destes algarismos, sem
repetio, calcule a probabilidade de que:
a) sua soma seja menor que 4;
b) seu produto seja menor que 4.
Resp.: a) 4/45; b) 11/45
28. No circuito eltrico dado abaixo, em que existe tenso entre os pontos A e
B, determine a probabilidade de passar corrente entre A e B, sabendo-se
que a probabilidade de cada chave estar fechada 0,5 e que cada chave
est aberta ou fechada independentemente de qualquer outra.

B
A

Resp: 0,5312
29. Uma caixa A contm nove fichas numeradas de 1 a 9 e uma caixa B
contm cinco fichas numeradas de 1 a 5, para efeito de inspeo de
pessoal. Uma caixa escolhida aleatoriamente e uma ficha retirada. Qual
a probabilidade de a ficha ser par? E de ser mpar?
Resp: 19/45 e 26/45.
30. Joga-se um dado. Calcule a probabilidade de obter-se o resultado:
a) 1 ou 2;
b) 2 ou 5 ou 6;
c) um nmero mpar;
d) qualquer nmero exceto 5.
Resp: 1/3, 1/2, 1/2, 5/6.
31. Lanam-se dois dados. Seja X a face superior do primeiro dado e Y a face
superior do segundo dado. Assim, o par de nmeros (X, Y) representa um
resultado simples do experimento. Realizando o experimento, marque no
espao amostral os seguintes eventos:
a) A = {X = Y};
b) B = {a face do segundo vale duas vezes a face do primeiro};
c) C = {a mdia dos resultados dos dados maior ou igual a trs}.
32. Com relao ao espao amostral associado ao experimento aleatrio
acima, exemplifique:
a) evento unio;
b) evento interseo;
c) evento diferena;
d) eventos incompatveis.
33. Joga-se um dado no tendencioso. Se o resultado no foi a face quatro,
qual a probabilidade de que tenha sido a face um?
34. Num lanamento de 2 dados, seja X a soma dos nmeros das faces
voltadas para cima. Determinar o valor de X que tem maior probabilidade
de ocorrer.
Resp: 7
35. Uma urna contm 7 bolas vermelhas e 3 brancas. Trs bolas so retiradas
da urna, uma aps a outra sem reposio. Calcular a probabilidade de que
as duas primeiras sejam vermelhas e a terceira branca.
Resp: 7/40
36. Certo computador torna-se inoperante se ambos componentes A e B
falharem. A probabilidade que A falhe 0,01 e a probabilidade que B falhe
0,005. Entretanto, a probabilidade que B falhe aumenta por um fator de 3
se A tiver falhado.
a) Calcular a probabilidade de o computador tornar-se inoperante.
b) Encontrar a probabilidade de A falhar se B falhou.
37. Certo sistema binrio PCM transmite os dois estados binrios X = +1 e X =
-1 com igual probabilidade. Entretanto, devido a rudo de canal, o receptor
acusa erros de reconhecimento. Tambm, como resultado de distoro do
meio de comunicao, o receptor pode perder a intensidade necessria do
sinal para tomar qualquer deciso. Portanto, h trs estados de recepo
possveis: Y = +1, Y = 0 e Y = -1, onde Y = 0 corresponde a perda de
sinal. Admita que P(Y = -1|X = +1) = 0,1, P(Y = +1|X = -1) = 0,2 e P(Y = 0|
X = +1) = P(Y = 0|X = -1) = 0,05.
a) Encontrar as probabilidades P(Y = +1), P(Y = -1) e P(Y = 0).
b) Encontrar a probabilidades P(X = +1|Y = +1) e P(X = -1|Y = -1).
Resp.
P(Y = +1) = 0,525, P(Y = -1) = 0,425 e P(Y = 0) = 0,05.
P(X = +1|Y = +1) = 0,81 e P(X = -1|Y = -1) = 0,88.
38. Em um sistema binrio de comunicao (representado na figura a seguir),
um 0 ou 1 transmitido. Devido ao rudo de canal, um 0 pode ser recebido
como um 1 e vice-versa. Sejam t
o
e t
1
os eventos que correspondem a
transmisso de 0 e de 1, respectivamente. Sejam r
o
e r
1
os eventos que
correspondem ao recebimento de 0 e de 1, respectivamente. Sejam P(t
o
) =
0,5, P(r
1
|t
o
) = 0,1, e P(r
o
|t
1
) = 0,2.
P(r
1
|t
o
)
t
1
P(t
1
)
t
o
P(t
o
)
r
o
r
1
P(r
o
|t
o
)
P(r
1
|t
1
)
P(r
o
|t
1
)
a) Encontrar P(r
o
) e P(r
1
).
b) Se um 0 foi recebido, qual a probabilidade que um 0 foi enviado?
c) Se um 1 foi recebido, qual a probabilidade que um 1 foi enviado?
d) Calcule a probabilidade que o sinal transmitido corretamente lido
pelo recebedor.
e) Calcule a probabilidade do erro P
e
.
Resp.:
a) P(r
o
) = 0,55 e P(r
1
) = 0,45.
b) P(t
o
|r
o
) = 0,818.
c) P(t
1
|r
1
) = 0,889.
d) P
c
= 0,85.
e) P
e
= 0,15.
39. Considere um sistema binrio de comunicao, representado pela figura do
problema 31, com P(r
o
|t
o
) = 0,9, P(r
1
|t
1
) = 0,6. Para decidir qual das
mensagens foi enviada para uma resposta observada r
o
ou r
1
, utilizamos o
seguinte critrio:
Se r
o
recebido:
Decide por t
o
se P(t
o
|r
o
) > P(t
1
|r
o
)
Decido por t
1
se P(t
1
|r
o
) > P(t
o
|r
o
)
Se r
1
recebido:
Decide por t
o
se P(t
o
|r
1
) > P(t
1
|r
1
)
Decido por t
1
se P(t
1
|r
1
) > P(t
o
|r
1
)
a) Encontrar a faixa do valor de P(t
o
) para o qual a critrio de deciso
acima especificado prescreva que decidiremos por t
o
se r
o
recebido.
b) Encontrar a faixa do valor de P(t
o
1
se r
1
recebido.
c) Encontrar a faixa do valor de P(t
o
o
no importando o que foi
recebido.
d) Encontrar a faixa do valor de P(t
o
1
no importando o que foi
recebido.
Resp.:
a) 0,31 < P(t
o
) - 1
b) 0 - P(t
o
) < 0,86
c) 0,86 < P(t
o
) 1 -
d) 0 P(t -
o
) < 0,31
40. Considere um experimento que consiste da observao de seis posies
de pulso sucessivas em um link de comunicao. Suponha que para cada
uma das seis posies de pulso possveis possa haver um pulso positivo,
um pulso negativo, ou nenhum pulso. Suponha tambm que os
experimentos individuais que determina o tipo de pulso para cada posio
possvel sejam independentes. Denominemos o evento que o i-simo pulso
seja positivo por { x
i
= +1 }, se for negativo por { x
i
= -1}, e se for zero por
{ x
i
= 0}. Admita que
P(x
i
= +1) = 0,4 P(x
i
= -1) = 0,3 para i = 1, 2, , 6 _
a) Encontrar a probabilidade que todos os pulsos sejam positivos.
b) Encontrar a probabilidade que os primeiros trs pulsos sejam
positivos, o prximo seja zero, e o ltimo negativo.
Resp.:
a) 0,0041
b) 0,0017
41. Uma urna contm duas bolas brancas e duas pretas. Outra contm duas
bolas brancas e quatro pretas.
a) Tira-se uma bola de cada urna. Calcular a probabilidade de serem
ambas da mesma cor.
b) Escolhe-se uma das urnas ao acaso e dela tira-se uma bola.
Calcular a probabilidade de ela ser branca.
c) Escolhe-se uma das urnas ao acaso e tiram-se duas bolas. Qual a
probabilidade de serem da mesma cor?
42. Trs eventos A, B e C mutuamente exclusivos tm, respectivamente, as
probabilidades P(A) = 1/3; P(B) = 1/6 e P(C) = 1/2. Quais as probabilidades
de se obter:
a) A ou B ?
b) A ou C ?
c) B ou C ?
d) A ou B ou C ?
43. Dois times A e B jogaram 15 partidas de futebol das quais 7 foram vencidas
por A, 5 por B e 3 terminaram empatadas. Eles combinaram a disputa de
um torneio constante de 3 partidas. Determinar a probabilidade de que:
a) A vena as trs partidas;
b) B vena as trs partidas;
c) duas partidas terminem empatadas;
d) B vena pelo menos uma partida;
e) A vena duas e empate uma.
44. Uma caixa A contm 6 mquinas eltricas e 2 manuais enquanto que uma
caixa B contm 3 mquinas eltricas e 4 manuais. Escolhe-se uma destas
duas caixas, ao acaso, e dela tira-se uma mquina. Qual a probabilidade
de que ela seja eltrica?
A probabilidade de um time Y ganhar um jogo constante e igual a
0,60.
a) Em 10 jogos, qual a probabilidade de Y ganhar 5 jogos ?
b) Qual a probabilidade de Y ter que jogar 3 vezes, para que ganhe 2
jogos?
c) Qual a probabilidade de Y ter que jogar mais de 5 vezes, para que
vena 2 vezes?
d) Qual a probabilidade de que Y perca ou empate 4 jogos se fizer 7
jogos?
45. Um homem de 40 anos investe numa anuidade que comear a receber 20
anos mais tarde. Sua esposa tem 38 anos. De todos os homens de 40
anos, 4/5 ainda sobrevivem depois de 20 anos e de todas as mulheres de
38 anos, 9/10 ainda sobrevivem depois de 20 anos. Qual a probabilidade
de que pelo menos um dos dois esteja vivo quando a anuidade comear a
ser paga?
46. A probabilidade de que um elo de uma corrente se rompa sob a ao de
uma determinada fora F igual a 1/3. Considere uma corrente formada
por trs desses elos e calcule a probabilidade de que ela venha a se
romper sob a ao dessa mesma fora F.
47. Verifica-se que a resistncia inoculao de determinado vrus em ratos
igual a 90% e em coelhos igual a 70%. Tomou-se um grupo de 20 ratos e
outro de 30 coelhos para teste, aos quais foi inoculado o vrus. Calcular a
probabilidade de que:
a) em trs ratos observados, todos resistirem;
b) em trs coelhos observados, apenas um no resistir;
c) em trs animais observados, apenas um ser rato e no resistir;
d) um animal inoculado no resistiu. Calcular a probabilidade de ser
coelho.
48. Uma gua contaminada se forem encontrados bacilos tipo A ou bacilos
tipos B e C, simultaneamente. As probabilidades de se encontrarem bacilos
tipos A, B e C so respectivamente, 30%, 20% e 80%. Existindo bacilos
tipos B, a probabilidade de existirem bacilos tipo C reduzida metade.
Considere, ainda, que nula a probabilidade de existirem os trs bacilos
na gua simultaneamente e que os bacilos A e B ocorrem de modo
independente um do outro.
a) Qual a probabilidade de aparecerem bacilos B ou C?
b) Qual a probabilidade da gua estar contaminada?
c) Se a gua estiver contaminada, qual a probabilidade de aparecerem
bacilos tipo B?
Resp.: a) 0,92; b) 0,38; c) 0,3684
49. Trs departamentos A, B e C de uma escola tem, respectivamente, a
seguinte composio: 2 doutores, 3 mestres e 4 instrutores; 3 doutores, 2
mestres e 2 instrutores; 4 doutores, 1 mestre e 1 instrutor. Escolhe-se um
departamento ao acaso e sorteiam-se dois professores. Se os professores
forem um instrutor e um doutor, qual a probabilidade de que tenham vindo
do departamento A? e do departamento B? e do departamento C?
Resp.: 14/43; 15/43; 14/43.
50. Um carro pode parar por defeito eltrico ou mecnico. Se houver defeito
eltrico, o carro para na proporo de 1 para 5 e, se mecnico, ele para na
proporo de 1 para 20. Em 10% das viagens, h defeito eltrico e, em
20%, mecnico, no ocorrendo mais de um defeito na mesma viagem,
igual ou de tipo diferente. Se o carro para, qual a probabilidade de ser por
defeito eltrico?
Resp.: 2/3
51. Um mtodo A de diagnstico de certa enfermidade d resultados positivos
para 80% dos portadores da enfermidade e para 10% dos sos. Um
mtodo B de diagnstico da mesma enfermidade d positivo para 70% dos
portadores e 50% para os sos. Se 15% da populao forem portadores
dessa enfermidade, calcular a probabilidade de que:
a) para uma pessoa, os resultados sejam positivos pelos dois mtodos;
b) entre duas pessoas enfermas, pelo menos para uma o resultado
seja positivo por qualquer dos dois mtodos.
Resp.: a) 0,08825; b) 0,9964
52. Em um colgio, 30% dos alunos e 15% das alunas esto estudando Ingls.
Os alunos constituem 60% do corpo de estudantes. Um estudante
selecionado aleatoriamente.
a) Determine a probabilidade de ele estar estudando Ingls.
b) Se o estudante escolhido estiver estudando Ingls, qual a
probabilidade de que ele seja do sexo feminino?
53. As urnas 1, 2 e 3 contm bolas coloridas nas seguintes composies:
Urna 1: 1 branca, 2 pretas e 3 vermelhas;
Urna 2: 2 brancas, 1 preta e 1 vermelha;
Urna 3: 4 brancas, 5 pretas e 3 vermelhas.
Escolhe-se uma urna ao acaso e dela extraem-se duas bolas. Verifica-
se que uma branca e a outra vermelha. Qual a probabilidade de que
provenham da urna 2 ou 3?
54. A urna 1 contm duas bolas brancas e uma preta; a urna 2, uma bola
branca e 5 pretas. Passa-se uma bola da urna 1 para a 2, sem lhe ver a
cor; em seguida, extrai-se uma bola da urna 2, que se verifica ser branca.
Que probabilidade existe de que a bola transferida da urna 1 para a 2
tenha sido preta?
Resp.: 1/5
55. Uma companhia de seguros classifica os motoristas em classe A (risco
bom), classe B (risco mdio) e classe C (risco ruim). Ela acredita que a
classe A compreenda 30% dos motoristas que fazem o seguro; a classe B,
50% e a classe C, 20%. A probabilidade de que um motorista classe A
tenha um ou mais acidentes, em qualquer perodo de 12 meses, de 0,01;
para a classe B, essa probabilidade de 0,03; para a classe C, 0,10. A
companhia vende ao Sr. Jos uma aplice de seguros e dentro de 12
meses ele sofre um acidente. Qual a probabilidade de que ele pertena
classe A ? E classe B ?
56. Trs mquinas A, B e C produzem, respectivamente, 60%, 30% e 10% do
total das peas de uma fbrica. As percentagens de peas defeituosas na
produo dessas mquinas so, respectivamente, 2%, 1% e 4%. Uma
pea selecionada aleatoriamente e defeituosa. Encontre a
probabilidade de que a pea tenha sido produzida pela mquina C.
57. Uma pea feita por trs fbricas A, B e C. Sabe-se que a fbrica A produz
o triplo de peas da fbrica B. A fbrica B produz o dobro de peas da
fbrica C. Sabe-se tambm que 1%, 3% e 5% das peas produzidas,
respectivamente, por A, B e C so defeituosas. Todas as peas produzidas
so colocadas em um depsito, de onde uma delas retirada ao acaso.
Denominando D o evento pea defeituosa na extrao, calcular:
a) P(A D);
b) P(A D);
c) P(A/D).
58. H trs moedas em uma sacola. Apenas uma delas uma moeda normal,
com cara em uma face e coroa na outra. As demais so moedas
defeituosas. Uma delas tem cara em ambas as faces. A outra tem coroa
em ambas as faces. Uma moeda retirada da sacola, ao acaso, e
colocada sobre a mesa sem que se veja qual a face que ficou voltada para
baixo. V-se que a face voltada para cima cara. Considerando todas
estas informaes, qual a probabilidade de que a face voltada para baixo
seja coroa? Resp.: 1/3
59. Em uma empresa de pesquisa determinou-se que a probabilidade de haver
crise energtica de 40% e que a probabilidade de haver aumento do
desemprego de 35%. Sabendo-se que a probabilidade de aumento no
desemprego dado que houve crise energtica de 70%, responda:
a) Qual a probabilidade de no haver crise energtica e haver aumento no
desemprego?
b) Qual a probabilidade de haver aumento no desemprego dado que no
houve crise energtica?
c) Qual a probabilidade de no haver aumento no desemprego e nem crise
energtica?
d) Pode-se afirmar que os eventos haver crise energtica e aumento no
desemprego so independentes?
Resp.: a) 0,07, b) 0,1167
APNDICE: MTODOS DE ENUMERAO
A1. FATORIAL
Fatorial de um nmero natural n, o produto dos n primeiros nmeros
naturais.
Notao:
n! = 1.2.3. ... .(n-2).(n-1).n, n 2 _
Por definio:
1! = 1
0! = 1
Consequncia: n! = n.(n-1)!
Exemplo 4.16:
a) 5! = 1.2.3.4.5 = 120
b) 4! = 1.2.3.4 = 24
c) 10! = 10.9!
A2. MTODOS DE ENUMERAO
Considere o seguinte problema: Uma partida de 100 peas
composta de 20 peas defeituosas e 80 peas perfeitas. Dez dessas peas so
escolhidas ao acaso, sem reposio de qualquer pea escolhida antes que a
seguinte seja escolhida. Qual a probabilidade de que exatamente metade das
peas escolhidas seja defeituosa?
Para analisarmos este problema, consideremos o seguinte espao
amostral E. Cada elemento de E constitudo de dez possveis peas da partida.
Quantos resultados desses existem? E dentre esses resultados, quantos tm a
caracterstica de que exatamente a metade das peas seja defeituosa? Ns,
evidentemente, precisamos ter condies de responder a tais questes a fim de
resolvermos o problema em estudo. Muitos problemas semelhantes do origem a
questes anlogas. A seguir sero apresentadas algumas tcnicas de
enumerao.
A3. REGRA DE MULTIPLICAO
Suponha-se que um procedimento designado por 1 possa ser
executado de n
1
maneiras. Admita-se que um segundo procedimento, designado
por 2, possa ser executado de n
2
maneiras. Suponha-se, tambm, que cada
maneira de executar 1 possa ser seguida por qualquer daquelas para executar 2.
Ento, o procedimento 1 seguido pelo 2 poder ser executado de (n
1
n _
2
)
maneiras. Para indicar a validade deste princpio, mais fcil considerar o
seguinte tratamento: considere um ponto P e duas retas paralelas L
1
e L
2
. Admita
que o procedimento 1 consista em ir de P at L
1
, enquanto o procedimento 2
consista em ir de L
1
at L
2
, alm disso, vamos considerar, como exemplo, que
n
1
=4 e n
2
=3 A Fig. 4.3 indica como o resultado final obtido. Assim, o
procedimento 1 seguido pelo 2 poder ser executado de 3x4=12 maneiras, como
pode ser visualizado pela Fig. 4.3.

P
1
2
3

1
2
3

1
2
3

1
2
3 L
1
L
2
Figura 3.3: Visualizao da Regra da Multiplicao.
Exemplo 4.17:
Durante a fabricao uma pea deve passar por trs estaes de
controle. Em cada estao, a pea inspecionada quanto a uma determinada
caracterstica e marcada adequadamente. Na primeira estao, trs
classificaes so possveis, enquanto nas duas ltimas, quatro classificaes
so possveis. Consequentemente, existem 3 x 4 x 4 =48 maneiras pelas quais
uma pea pode ser marcada.
A4. PERMUTAO
Permutaes de m elementos so os diversos grupos formados de
todos modos possveis com estes elementos, colocando-os em linha, ao lado uns
dos outros, de modo que cada grupo contenha os m elementos e difira dos outros
somente pela ordem dos elementos.
Exemplo 4.18:
Com as trs letras a, b e c, podem-se formar as seguintes
permutaes:
abc, acb, bac, bca, cab, cba.
A frmula para o clculo do nmero de permutaes simples :
P
m
= m! = 1 x 2 x 3 ... x m
Exemplo 4.19:
a) De quantas maneiras podemos extrair todas as 5 bolas de urna?
P
5
= 5! = 120
b) Determinar o nmero de grupos de 5 elementos que comeam
por um elemento escolhido.
P
4
= 4! = 24
c) Em cada carteira de uma fila de 5 carteiras duplas, esto
sentados um rapaz e uma moa. De quantos modos podemos
dispor estes 10 alunos, de modo que no fiquem rapazes ou
moas juntos?
2(P
5
)
2
= 28.800
A frmula para o clculo do nmero de permutaes com elementos
repetidos
( )
P
m
a b k
m
a b k , ,...,
!
! !... !
,
onde:
m = a + b + ...+ k
Exemplo 4.20:
Quantos anagramas podem ser formados com a palavra
ESTATSTICA?
( )
P
11
1 2 3 2 2 1
11
1 2 3 2 2 1
831600
, , , , ,
!
! ! ! ! ! !

A5. ARRANJO
Arranjos de m elementos tomados p a p so os diversos grupos que
se podem formar com os m elementos, colocando-os ao lado uns dos outros, de
modo que cada grupo contenha somente p elementos e difira dos outros pela
natureza ou pela ordem dos elementos.
Exemplo 421:
Com as trs letras a, b, c, tomadas duas a duas, podem-se formar os
arranjos seguintes:
ab, ba, ac, ca, bc, cb.
A frmula para o clculo do nmero de arranjos simples :
( )
A
m
m p
m
p
!
!
Exemplo 4.22:
Quantos nmeros de 4 algarismos podem ser formados, sem o
algarismo zero e sem incluir os de algarismos repetidos?
( )
A
9
4
9
9 4
9 8 7 6 3024

!
!
Estabelecer um cdigo de almoxarifado utilizando 15 dgitos (6 letras:
A, B, C, D, E, F; 9 algarismos: 1, 2, 3, 4, 5, 6, 7, 8, 9) de modo a identificar cada
tipo de pea por um grupo de 5 dgitos, sem repetio. Quantos tipos de pea
podero ser assim codificados?
360 . 360
)! 5 15 (
! 15
5
15

A
Quando for permitido repeties na formao dos grupos a
denominao arranjos com repetio. Sua frmula :
( ) AR m
m
p
p
Exemplo 4.23:
Quantos carros podem ser emplacados usando a codificao atual
para as placas (os trs primeiros dgitos so letras e os quatro dgitos restantes
nmeros)?
( ) ( ) AR AR
10
3
26
4
3 4
10 26 456 976000 . .
A7.COMBINAO
Combinaes de m elementos tomados p a p so os diversos grupos
que se podem formar com os m elementos, colocando-os em linha, de modo que
cada grupo contenha somente p elementos e difira dos outros pela natureza de
seus elementos.
Exemplo 4.24:
Com as trs letras a, b, c, tomadas duas a duas, podem-se formar as
seguintes combinaes:
ab, ac, bc.
A frmula para o clculo do nmero de combinaes simples :
( )! !
!
p m p
m
p
m
C
p
m
,
_
Exemplo 4.25:
Dentre oito pessoas, quantas comisses de trs membros podem ser
escolhidas? Desde que duas comisses sejam a mesma comisso se forem
constitudas pelas mesmas pessoas (no se levando em conta a ordem em que
sejam escolhidas), teremos
( )
C
8
3
8!
3 8 3
8 7 6
6
56
! !
Quando for permitido repeties na formao dos grupos a
denominao combinaes com repetio. Sua frmula :
( )
( )
( )
CR C
m p
p m
m
p
m p
p

+
+ 1
1
1
!
! !
Exemplo 4.26:
Quantas e quais so as maneiras de distribuir dois objetos por trs
pessoas?
( ) CR C
3
2
4
2
6
1
a
pessoa: 2 0 0 1 1 0
2
a
pessoa: 0 2 0 1 0 1
3
a
pessoa: 0 0 2 0 1 1
5 DISTRIBUIO DE VARIVEL ALEATRIA
DISCRETA
Conceitos
1.1.1 Funo
Funo f de A em B uma correspondncia que associa a cada
elemento x pertencente a A um e somente um elemento y pertencente a B. A
denominado domnio e B de contradomnio. Assim, funo uma relao (regra)
que associa a cada elemento do domnio um e somente um elemento do
contradomnio.
Injetora
Sobrejetora
Bijetora
y
1
y
2
y
3
y
4
y
1
y
2
y
3
x
1
x
2
x
3
x
4
y
1
y
2
y
3
y
4
y
5
x
1
x
2
x
3
x
4
x
1
x
2
x
3
x
4
A
B
A
B
A
B
Funo Constante No Funo
x
1
x
2
x
3
x
4
y
1
y
2
y
3
y
4
y
5
A
B
y
1
y
2
y
3
y
4
x
1
x
2
x
3
x
4
A
B
f:
Domnio = A
Contradomnio = B
Domnio de f(x) = {x A}
Contradomnio de f(x) = {y B}
Imagem de f(x) =
( ) { } x f y B y
1.1.2 Varivel Aleatria
Experimentos so realizados com a finalidade de obter informaes por
meio das quais so tomadas decises ou tiradas concluses. No entanto, como
visto no captulo anterior, ao estudarmos probabilidade, aprendemos o conceito
de experimento aleatrio, no qual no se pode determinar de antemo o seu
resultado, posto que um experimento aleatrio depende de muitas causas
fortuitas que no so passveis de serem levadas em considerao. Desse modo
as concluses ou decises so tomadas em um ambiente de incerteza a qual
deve ser medida e os riscos associados, devem ser especificados e controlados.
Para se atingir este objetivo que se necessita do conceito de varivel aleatria.
Por exemplo, suponha que um determinado tipo de rel dever ser
usado em centrais de comutao telefnica. Esta central dever funcionar durante
cinco anos. Os componentes crticos desta instalao so os rels. Ao longo
deste tempo estima-se que, em mdia, alguns deles, os mais solicitados, realizam
2x10
5
operaes. O contratante estabeleceu junto ao fornecedor destes rels que
iria testar uma nica unidade. Se a vida til deste rel ultrapassar 4x10
5
operaes o lote inteiro seria adquirido. Neste exemplo, o contratante dividiu o
espao amostral em dois eventos disjuntos A e B, onde A o evento que
representa que o nmero de operaes exceder a 4x10
5
e B o evento que
representa que o nmero de operaes ser menor ou igual a 4x10
5
. Se o
resultado do experimento encontrar-se em A, os rels sero comprados. Se o
resultado do experimento encontrar-se em B, os rels no sero comprados.
Por outro lado, concebvel que o contratante no queira tomar
deciso com base na ocorrncia ou no ocorrncia de um nico evento no espao
amostral. Por exemplo, suponha que o contratante combinou com o fabricante
testar dois rels. Suponha, alm disso, que tenham acordado que se a mdia dos
nmeros de operaes exceder a 4x10
5
o contratante comprar o lote de rels.
Caso contrrio ele no aceitar os rels. O conjunto que representa o nmero
mdio de operaes dos dois rels que excede 4x10
5
no um evento do espao
amostral (nem o nmero mdio de operaes um ponto e do espao amostral)
de forma que o contratante no pode basear sua deciso em observao direta
do resultado do experimento. Pelo contrrio, ele toma deciso usando a regra que
associa a cada ponto e do espao amostral um valor numrico obtido pelo clculo
da mdia dos nmeros de ocorrncia dos dois rels, x
1
e x
2
, respectivamente,
associado a cada ponto e, isto , para cada
( )
2 1
, x x e
em E,
( ) ( ) 2 /
2 1
x x e X +

calculado. Este conjunto de valores ento dividido em dois grupos: aqueles
cujos valores mdios so maiores que 4x10
5
operaes e aqueles cujo valor
mdio seja menor ou igual a 4x10
5
operaes. Se o valor mdio obtido de um
experimento particular encontrar-se no grupo que tem valores maiores que 4x10
5
operaes, o lote de rels ser adquirido. Caso contrrio, os rels no sero
aceitos. De maneira equivalente, se o resultado do experimento e foi tal que o
nmero mdio das operaes dos rels conduzirem a um valor que exceda a
4x10
5
, o lote ser comprado.
A regra que, no exemplo, associa a cada elemento do espao amostral
um e somente um valor numrico (obtido pela mdia dos nmeros de operaes
dos dois rels) dado o nome de varivel aleatria.
Seja E o espao amostral de um experimento aleatrio . Uma
varivel aleatria X uma funo de valor numrico (ou uma regra) que associa
a cada elemento e do espao amostral E um e somente um nmero real X(e) = x.
Portanto, o conjunto E o domnio da varivel aleatria X e o conjunto de
nmeros reais x o contradomnio.
Ao longo do texto, as variveis aleatrias so representadas por letras
maisculas e seus possveis valores por letras minsculas. No exemplo particular
de testar dois rels at a falha, a varivel aleatria, o tempo at a falha, foi
escolhido para fins de tomada de deciso, isto , a funo que associa cada
ponto e=(x
1
, x
2
) em E a um valor
X
=(x
1
+x
2
)/2
6
.
Representa-se por
o conjunto de valores possveis de uma varivel

aleatria, ou seja
o conjunto imagem da funo varivel aleatria X. Ento,

ao especificar um modelo para dados empricos, primeiro defini-se uma varivel
aleatria X e seu respectivo conjunto imagem
. Segundo, probabilidades so
associadas aos valores de
de modo tal que modelam (representam) as

frequncias relativas dos respectivos resultados experimentais sob tentativas
repetidas.
Exemplo 5.1
6 Note que uma funo e portanto, sua notao, que realmente representa uma funo, deveria
ser onde usado para indicar que a funo definida em relao a algum domnio. Quando o
ponto for substitudo por algum elemento desse domnio a funo assume um valor particular. No
entanto, devido tradio e comodidade esta funo representada por .
O nmero de crianas, que sobrevivem aps 1 ano entre 100 recm-
nascidos, uma varivel aleatria que tem os seguintes resultados possveis: 0,
1, 2, ..., 100. Portanto,
= {0, 1, 2, ..., 100}

Exemplo 5.2
A distncia que percorre um projtil, ao ser disparado por um canho,
uma varivel aleatria. Com efeito, a distncia depende no somente da mira,
mas tambm de muitas outras causas (fora e direo do vento, temperatura,
etc.), que no podem ser inteiramente consideradas. Os valores possveis desta
varivel correspondem a certo intervalo,
=(a,b).
As variveis aleatrias sero designadas pelas letras maisculas X, Y,
Z, e seus valores possveis, respectivamente, por suas letras minsculas x, y, z.
Por exemplo, se a varivel aleatria X tem trs valores possveis, estes valores
sero designados por: x
1
, x
2
, x
3
, ou seja,
= { x
1
, x
2
, x
3
}
Um teorema bsico sobre variveis aleatrias (que no
demonstraremos) afirma que se X for varivel aleatria e construirmos uma
funo (unvoca) de X, g(X = x), ento a varivel Y = g(X = x) ser tambm
aleatria. Assim, o valor da funo de uma varivel aleatria tambm uma
varivel aleatria. Exemplificando, se X for uma varivel aleatria, A e B
constantes, ento Y = A + BX uma varivel aleatria.
1.1.3 Variveis Aleatrias Discretas e Contnuas
Voltemos aos exemplos da seo anterior. No primeiro deles, a varivel
aleatria X poderia admitir um dos seguintes valores possveis: 0, 1, 2, ..., 100.
Estes valores esto separados entre si por intervalos, nos quais no h valores
possveis de X. Em consequncia, neste exemplo, a varivel aleatria assume
valores possveis individuais isolados.
No exemplo 5.2, a varivel aleatria poderia admitir qualquer dos
valores do intervalo (a, b). Neste caso, no se pode separar um valor possvel de
outro por um intervalo que no contenha valores possveis da varivel aleatria.
Do exposto se deduz a convenincia de distinguir as variveis
aleatrias que assumem somente valores individuais, isolados, em determinado
intervalo da reta real, daquelas variveis aleatrias, cujos valores possveis
variam continuamente dentro de certo intervalo.
Denomina-se varivel aleatria discreta (descontnua) a varivel
aleatria cujo contradomnio constitudo somente por valores isolados de um
intervalo (valores inteiros um caso particular) com probabilidades determinadas.
O nmero de valores possveis de uma varivel aleatria discreta pode ser
limitado ou ilimitado. Uma maneira prtica para identificar uma varivel discreta
quando, para encontrar o seu valor, for necessrio realizar contagem.
Denomina-se varivel aleatria contnua a varivel aleatria que
assume qualquer valor em um intervalo, finito ou infinito, da reta real, portanto
aquela cujo contradomnio constitudo por todos os valores de um intervalo, ou
seja, seus valores variam continuamente. Evidentemente, o nmero de valores
possveis de uma varivel aleatria contnua infinito, independente se o intervalo
limitado ou ilimitado. Assim sendo, pode-se dizer que a varivel aleatria
contnua resulta, normalmente, de mensurao, e a escala numrica de seus
possveis valores corresponde ao conjunto R dos nmeros reais.
1.1.4 Distribuio de Probabilidades de uma Varivel Aleatria
Discreta
primeira vista pode parecer que para expressar uma varivel
aleatria discreta suficiente enumerar todos seus valores possveis. Na
realidade, isto no bem assim: as variveis aleatrias podem ter os mesmos
valores possveis, e suas probabilidades serem distintas. Por isso, para expressar
uma varivel aleatria discreta no suficiente enumerar todos seus valores
possveis, mas necessrio indicar tambm suas probabilidades.
Denomina-se distribuio de varivel aleatria discreta ao conjunto
de todos os valores possveis x
i
da varivel aleatria discreta X e suas respectivas
probabilidades p
i
. A funo f(x) que estabelece a correspondncia de cada x
i
e
sua respectiva p
i
denomina-se funo de probabilidade. Uma funo de
probabilidade pode ser expressa por meio de uma tabela, de uma expresso
analtica ou de um grfico.
Uma funo f(x) uma funo de probabilidade se ela satisfizer as
seguintes condies:
( )
( )
( ) ( )
i i
x
i
x X P x X f
x f
x f
i

; 1
; 0
5.1
Estas condies so as nicas condies que uma funo f tem de
satisfazer para ser um modelo potencial de um conjunto de dados experimentais
discretos. Isto , qualquer funo que satisfaa estas condies um modelo
vlido no sentido matemtico. Para que uma funo seja til necessrio, alm
do sentido matemtico, que obrigatoriamente tem de satisfazer, levar em
considerao se efetivamente representa as observaes do mundo
experimental.
Parmetros so as constantes, particulares para cada problema, que
aparecem de forma explcita na expresso analtica da funo de probabilidade
(ou funo de distribuio). Assim, para se individualizar uma distribuio
necessrio o conhecimento numrico dos parmetros.
Levando em considerao que uma varivel aleatria discreta assume
um e somente um valor possvel, e ela est associada a um elemento de um
espao amostral, deduzimos que os resultados X = x
1
, X = x
2
, ..., X = x
n
formam
um grupo completo, ou seja, so os resultados possveis do experimento
aleatrio. Desse modo, a soma das probabilidades correspondentes aos
resultados da varivel aleatria igual a unidade:
p
1
+ p
2
+ ... + p
n
= 1.
Exemplo 5.3
Em uma loteria foram emitidos 100 bilhetes. Sorteiam-se um prmio de
R$ 500,00 e dez prmios de R$ 50,00 a cada ms. Descrever a distribuio da
varivel aleatria X, isto , o valor do prmio possvel para o possuidor de um
bilhete de loteria.
Soluo. Escrevemos os valores possveis de X:
x
1
= 500, x
2
= 50, x
3
= 0.
As probabilidades destes valores possveis so:
p
1
= 0,01, p
2
= 0,1, p
3
= 1 - (p
1
+ p
2
) = 0,89.
Descreva a distribuio pedida:
X p
500,00 0,01
50,00 0,1
0,00 0,89
Verificao: 0,01 + 0,1 + 0,89 = 1.
Exemplo 5.4
Colocar trs moedas em um copo e aps agitar o copo vrias vezes
lanar as moedas sobre uma mesa ou outra superfcie dura e plana qualquer.
Seja X a varivel que denota o nmero de caras aps cada lanamento.
Registre o valor de X para 16 realizaes independentes do experimento e
apresente os resultados em forma de distribuio. (O espao amostral para X 0,
1, 2 e 3).
A Tabela 5.1 apresenta cinco amostras independentes que foram
observadas utilizando-se o experimento anterior.
Tabela 5.1: Distribuies empricas para o nmero de caras, X,
observadas em 16 lanamentos independentes de trs moedas.
x Amostra 1 Amostra 2 Amostra 3 Amostra 4 Amostra 5
0 2 3 1 4 1
1 7 5 6 7 8
2 6 6 7 4 7
3 1 2 2 1 0
Total 16 16 16 16 16
A Tabela 5.2 apresenta 4 diferentes distribuies de probabilidade que
poderia servir para modelar o experimento de 16 lanamentos independentes de
trs moedas.
Tabela 5.2: Quatro distribuies de probabilidade.
(a) (b) (c) (d)
w f(w) x f(x) y f(y) z f(z)
0 0,25 0 0,125 0 0,3 0 0,1
1 0,25 1 0,375 1 0,2 1 0,4
2 0,25 2 0,375 2 0,2 2 0,4
3 0,25 3 0,125 3 0,3 3 0,1
Total 1,00 Total 1,000 Total 1,0 Total 1,0
Todas as quatro distribuies da Tabela 5.2 associam probabilidades
ao conjunto de pontos (0, 1, 2, 3), que o espao amostral, E, para a varivel X,
que representa o nmero de caras observadas no lanamento de trs moedas.
Estas distribuies de probabilidade ilustram quatro das infinitas possibilidades de
como associar probabilidades aos possveis resultados de modo a satisfazer as
condies que devem atender uma funo de probabilidade, no sentido
matemtico. Se as trs moedas forem honestas verifica-se que a distribuio que
melhor se ajusta aos dados experimentais a que corresponde a letra (b),
conforme mostraremos nas sees posteriores.
A funo de probabilidades pode ser acumulada, considerando-se a
soma de probabilidades de todos os valores de X menores ou iguais a um
determinado valor x
r
:
F(x
r
) =
) ( ) (
1
r
r
i
i
x X P x f
5.2
F(x) denomina-se funo de distribuio. Se escolhermos um valor
para X, por exemplo, x
r
, a f(X = x
r
) d a probabilidade de que X assuma o valor x
r
,
ou seja, f(x = x
r
) = P(x = x
r
); enquanto F(x) dar a probabilidade de que X assuma
um valor no mximo igual a x
r
, ou seja F(X = x
r
) = P(X x -
r
).
1.1.5 Especificao de uma Distribuio de Varivel Aleatria
Discreta
Para se especificar uma distribuio de varivel aleatria discreta
necessrio conhecer, com relao a sua funo de probabilidade:
o seu domnio;
a sua forma;
os seus parmetros.
Esperana Matemtica e Suas Propriedades
Desde que h muitos modelos (distribuies de probabilidade)
importante que tenhamos um mtodo pelo qual possamos comparar essas
distribuies. Como visto no Captulo 2, o uso de estatsticas descritivas como
uma maneira para comparar distribuies empricas, sugere que utilizemos
medidas de localizao e de disperso para comparar distribuies de
probabilidade.
A medida usual de localizao a mdia da distribuio ou valor
esperado enquanto a varincia da distribuio uma medida comum de
disperso.
O valor esperado (ou mdia) de uma varivel aleatria discreta X
denotado por E(X) ou e definido por '
( ) ( )

i
x
i i
x f x X E
. 5.3
A varincia de uma varivel aleatria X denotada por
2
ou V(X) e
definida por
( ) ( ) ( )

i
x
i i
x f x X E X Var
2 2 2
) (
. 5.4
Desenvolvendo a expresso 5.4, obtm-se:
( )

+
+
i
i
i
x
i i
x
i i
i
x
i i
x f x
x f x
x f x x
2 2
2 2 2
2 2
) (
2 ) (
) ( 2

5.5
ou seja,
( )
2 2 2
) ( X E X Var
Exemplo 5.5
Encontrar a mdia e a varincia para (c) e (d) da Tabela 5.2.
Soluo:
Distribuio (c): = 0(0,3) + 1(0,2) + 2(0,2) + 3(0,3) = 1,5. '
2
= (0 1,5)
2
(0,3) + (1 1,5)
2
(0,2) + (2 1,5)
2
(0,2) + (3 1,5)
2
(0,3)
= 2,25(0,3) +0,25(0,2) + 0,25(0,2) + 2,25(0,3) = 1,45
Distribuio (d) : = 0(0,1) + 1(0,4) + 2(0,4) + 3(0,1) = 1,5. '
2
= (0 1,5)
2
(0,1) + (1 1,5)
2
(0,4) + (2 1,5)
2
(0,4) + (3 1,5)
2
(0,1)
= 2,25(0,1) +0,25(0,4) + 0,25(0,4) + 2,25(0,1) = 0,65
Observao: Note que e '
2
ajudam a distinguir as distribuies (c) e
(d). Primeiro, ambas as distribuies so localizadas em = 1,5. Segundo, a '
distribuio (d) mais concentrada em torno de 1,5 que (c), como indicado pelo
menor valor da varincia.
Como a definio da esperana de variveis discretas uma operao
de soma, podem-se estabelecer regras para manipulao de esperanas. Tais
regras so as seguintes:
Regra 1: Para qualquer constante a,
E(a) = a.
Regra 2: Para qualquer constante a e qualquer varivel X,
E(aX) = a E(X).
O resultado de maior utilidade a combinao das Regras 1 e 2. Isto ,
se a e b so constantes, ento
E(aX + b) = a E(X) + b. 5.6
A utilidade da expresso 5.6 pode ser resumida como a seguir: seja X
uma varivel aleatria com mdia e varincia '
2
. Sejam a e b constantes e a
varivel aleatria Y = aX + b. Ento
'
y
= E(Y) = a + b, '
2 2 2
a
y

, 5.7
y
= |a| .
A demonstrao de 5.7 fica a cargo do aluno.
Distribuio Hipergeomtrica
1.1.6 Especificao da Distribuio
Suponha que extramos, sem reposio, uma amostra de tamanho n de
uma populao dicotmica de N elementos. Adotando os nomes defeituoso e
no-defeituoso, para tecnicamente descrever as duas categorias, denotamos o
nmero de defeituosos na populao por D. Portanto o nmero de no
defeituosos N - D. Seja X o nmero de defeituosos presentes na amostra.
Assim, a especificao da distribuio :
I. Domnio da funo de probabilidade
0 X n, se n D; - - -
0 X D, se D < n. - -
II. Funo de probabilidade
( )
( )( )
( )
N
n
D N
x n
D
x
x X f

5.9
III.Parmetros: N, D e n
E(X) = np
V(X) =
N n
N
np p

1
1 ( )
onde p = D/N a frao de peas defeituosas da populao.
1.1.7 Emprego da Distribuio Hipergeomtrica
Emprega-se a distribuio hipergeomtrica quando:
a varivel for discreta;
a extrao for sem reposio;
os N itens da populao puderem ser classificados por uma
dicotomia, ou seja, h apenas duas possibilidades incompatveis em
cada realizao do experimento.
Uma populao dicotmica aquela que pode ser dividida em dois
grupos distintos: aquele cujos elementos possuem uma caracterstica especfica e
aquele cujos elementos no possuem essa caracterstica. Poderiam ser macho e
fmea, empregado e no empregado, defeituoso e no defeituoso, etc.
Exemplo 5.6
Uma caixa contm 10 peas, das quais 4 so defeituosas. Extrai-se,
dessa caixa, sem reposio, uma amostra aleatria de tamanho n = 3 peas.
Calcular a probabilidade de ocorrer 1 pea defeituosa na amostra.
Considerando a varivel aleatria X como sendo o nmero de peas
defeituosas na amostra e utilizando a expresso 5.8, obtm-se:
( ) ( )
( )
P X ( ) ,

1
4 15
120
0 5
1
4
2
6
3
10
Distribuio de Bernoulli
Quando executado um experimento do tipo Bernoulli, associado a
esse experimento, tem-se uma varivel aleatria com o seguinte comportamento:
Na realizao de um experimento o resultado pode ser
classificado por uma dicotomia.
Seja p a probabilidade de sucesso (se acontecer o evento de
interesse) e q a probabilidade de fracasso (o evento de interesse
no se realiza).
A varivel aleatria X o n de sucessos em uma nica tentativa
do experimento.
X assume os seguintes valores possveis:
X=
{
0, fracasso
1, sucesso
com P(X = 0) = q e P(X = 1) = p.
Nessas condies a v.a. X tem distribuio de Bernoulli, e sua funo
de probabilidade dada por
P( X=x)=p
x
. q
1x
Parmetro: p
Esperana e Varincia
O calculo da esperana e varincia da distribuio de Bernoulli pode
ser feito por:
X P(X) X.P(X)
X
2
. P( X)
0 q 0 0
1 p p p
Soma 1 p p
Logo: E(X) = p e V ( X)=pp
2
=p( 1p)=pq
Exemplo 5.7
Uma urna tem 30 bolas brancas e 20 verdes. Retira-se uma bola dessa
urna. Seja X: n de bolas verdes. Calcular E(X), Var(X) e determinar P(X).
X=
{
0
30
50
=
3
5
1
20
50
=
2
5
Distribuio Binomial
1.1.8 Especificao da distribuio
Suponha que extramos, com reposio, uma amostra de tamanho n de
uma populao dicotmica de N elementos com frao de peas defeituosas p.
Seja X o nmero de defeituosos presentes na amostra. Assim, a especificao da
distribuio :
0 X n. - -
( ) ( )
x n x n
x
p p x X f

1 ) (
5.10
III.Parmetros: p e n
E(X) = np
V(X) = np(1 p).
OBS.: O nome binomial vem do fato que seus termos correspondem
aos do desenvolvimento do binmio de Newton
(p + q)
n
Exemplo 5.7
Uma moeda no viciada lanada 8 vezes. Encontre a probabilidade
de:
1. dar 5 caras;
2. pelo menos 3 caras;
3. no mximo 3 caras.
Utilizando-se a expresso 5.9:
1. P(X = 5)
( ) ( )
5 8 5 8
5
5 , 0 1 5 , 0

= 0,2188
2. P(X _ 3) = 1 - P(X < 3) = 1 - P(X - 2) =1 [P(X = 0) + P(X = 1) +
P(X = 2)] = 0,8555
3. P(X - 3) = P(X = 0) + P(X = 1) + P(X = 2) + P(X = 3) = 0,3633
1.1.9 Emprego da distribuio binomial
Emprega-se a distribuio binomial quando:
a varivel for discreta;
a extrao for com reposio;
os N itens da populao puderem ser classificados por uma
dicotomia.
1.1.10 Uso da binomial como aproximao da hipergeomtrica
A mdia desta distribuio tem expresso igual a da distribuio
hipergeomtrica. Entretanto a varincia da hipergeomtrica igual a varincia da
binominal multiplicada pelo fator
1
N
n N
, que denominado fator de correo para
populaes finitas. Quando a frao de amostragem,
N
n
, pequena, este fator
prximo de 1, portanto a hipergeomtrica se aproxima da binomial. O uso da
binomial como aproximao da hipergeomtrica conveniente porquanto a
binomial tem a frao
N
D
p
como um parmetro, enquanto o modelo
hipergeomtrico requer o conhecimento de D e de N individualmente. Portanto o
modelo binomial mais simples que o modelo hipergeomtrico. Alguns textos
sugerem utilizar a distribuio binomial como aproximao da hipergeomtrica
para a frao de amostragem
10 , 0 <
N
n
.
Distribuio de Poisson
1.1.11 Emprego da Distribuio
A distribuio de Poisson empregada em situaes em que a varivel
aleatria X assume valores ao longo de um espao (comprimento, rea, volume,
tempo), sem periodicidade, de modo independente.
Exemplos:
nmero de chamadas recebidas por uma central telefnica;
falhas no recobrimento de fios eltricos utilizado em bobinas;
nmero de defeitos em chapas de ao;
nmero de bactrias em um litro de gua no purificada;
nmero de defeitos em um determinado tipo de equipamento;
nmero de veculos que passam num determinado ponto de uma
estrada e num determinado perodo de tempo;
nmero de partculas alfa emitidas por uma fonte de cobalto-60 em
20 minutos.
Observao: A aplicao da distribuio de Poisson ao decaimento
radioativo no geral. Uma condicionante que a meia-vida seja muito superior
ao tempo de observao. No caso mais geral, a binomial que se aplica!
1.1.12 Especificao da Distribuio
A especificao da distribuio de Poisson :
0 X < - -
f X x
e x
x
( )
. !

5.11
III.Parmetro: '
E(X) = V(X) = '
1.1.13 Poisson como Distribuio Limite da Binomial
Em uma distribuio binomial com tamanho da amostra n muito
grande, a frao p muito pequena, e np = de valor moderado, a funo de '
probabilidade da binomial
( ) ( )
x n x n
x
p p

1
aproximadamente igual de Poisson
! .x e
x
. A natureza da aproximao ilustrada na tabela a seguir, onde np = = 5 '

fixado.
Probabilidade binomial
n p X=0 X=4 X=7
10 0,50 0,0010 0,2051 0,1172
20 0,25 0,0032 0,1897 0,1124
50 0,10 0,0052 0,1809 0,1076
100 0,05 0,0059 0,1781 0,1060
200 0,03 0,0063 0,1768 0,1052
Probabilidade
Poisson
0,0067 0,1755 0,1044
Em termos prticos, a distribuio de Poisson pode ser usada como
distribuio limite da binomial, quando o nmero n de repeties do experimento
for maior que 10 e a probabilidade p de ocorrncia do evento for menor que 0,10,
com 0< np 10. Nesse caso a mdia da Poisson = np. - '
Sob as mesmas condies, a Poisson pode tambm ser usada como
limite da distribuio hipergeomtrica, aps a sua convergncia para a binomial.
1.1.14 Propriedade Aditiva da Distribuio de Poisson
Se X
1
e X
2
forem duas variveis independentes com distribuio de
Poisson, com mdias '
1
e '
2
, respectivamente, a varivel
X = X
1
+ X
2
seguir a distribuio de Poisson, com mdia
= ' '
1
+ '
2
.
Dessa propriedade resulta que, se forem feitas k observaes x
i
de
uma distribuio de Poisson de parmetro , x '
i
se distribuir segundo a
mesma lei, com mdia k . Exemplificando: se na produo de determinada '
mquina o nmero de defeitos por unidade tiver distribuio de Poisson com
mdia = 2, a distribuio do nmero de defeitos por 5 unidades ter a mesma '
distribuio, com mdia = 10. '
Exemplo 5.8
Em mdia h 2,5 chamadas por hora num certo telefone. Calcular a
probabilidade de recebermos:
a) uma chamada em 1 hora;
b) nenhuma chamada em 2 horas
c) no mximo 3 chamadas em 2 horas.
Soluo. A soluo ser obtida utilizando-se a expresso 5.10.
a) P(X = 1| = 2,5) = '
! 1 .
5 , 2
5 , 2
1
e
= 0,2052
b) se a mdia 2,5 por hora, ento em 2 h a mdia ser 5. Assim:
P(X = 0|' = 5) =
! 0 .
5
5
0
e
= 0,0067
c) P(X - 3|' = 5) = P(X = 0) + P(X = 1) + P(X = 2) + P(X = 3)=
! 0 .
5
5
0
e
+
! 1 .
5
5
1
e
+
! 2 .
5
5
2
e
= 0,2650
,Exerccios Propostos
1) Analisar criticamente os seguintes clculos de probabilidade:
a) O Eng Fernando, Chefe de uma grande obra de construo civil,
determinou, com base em experincia passada, as probabilidades
da varivel, X, que representa o nmero de acidentes com
afastamento que ocorrer na obra no prximo ano: P(X = 0) = 0,80;
P(X = 1) = 0,05; P(X 2) = 0,05. _
b) O Sr. Carlos, professor de estatstica de uma determinada
universidade, determinou as seguintes probabilidades para a
varivel G, que representa o grau recebido por um aluno: P(G = A) =
0,25; P(G = B) = 0,30; P(G = C) = 0,40; P(G = D) = 0,05.
c) Uma grande rede de lojas, que vende uma determinada marca de
computador, determinou a seguinte distribuio de probabilidade
para X, nmero de defeitos durante os primeiros dois anos de
servio: P(X = 0) = 0,50; P(X = 1) = 0,25; P(X = 2) = 0,20; P(X = 3) =
0,10.
2) Calcular a mdia e a varincia das distribuies (a) e (b) da Tabela
5.2.
3) Em um lote de N peas D so defeituosas. Extraem-se, sem
reposio, uma amostra de n peas deste lote. Calcular as seguintes
probabilidades:
a) De ocorrer 2 peas defeituosas na amostra, para N=50, D=15 e
n=10.
Resp.: 0,2406
b) De ocorrer pelo menos 3 peas defeituosas na amostra, para
N=500, D=25 e n=10.
Resp.: 0,0148.
4) Num determinado processo de fabricao 10% das peas so
consideradas defeituosas. As peas so condicionadas em caixas
com 5 unidades cada uma.
a) Qual a probabilidade de haver exatamente 3 peas defeituosas
numa caixa?
b) Qual a probabilidade de haver 2 ou mais peas defeituosas numa
caixa?
c) Se a empresa pagar uma multa de R$ 10,00 por caixa em que
houver alguma pea defeituosa, qual o valor esperado da multa num
total de 1000 caixas?
5) Um processo industrial produz 10% de itens defeituosos quando o
processo est ajustado corretamente. O procedimento do controle da
qualidade consiste em:
i. selecionar, aleatoriamente, uma amostra de tamanho dez;
ii. determinar o nmero de itens defeituosos na amostra;
iii. ajustar o processo se houver mais que trs itens defeituoso na
amostra.
Pergunta-se:
a) Qual a probabilidade que o processo seja ajustado
quando estiver operando com uma taxa de 10% de defeituosos?
b) Qual a probabilidade que o processo no seja
ajustado quando estiver operando com uma taxa de 20% de
defeituosos?
6) Qual a principal diferena entre o modelo binomial e o modelo
hipergeomtrico?
7) Um comit de trs pessoas formado pela seleo aleatria dos
membros de um clube. Os membros do clube so compostos de 140
homens e 60 mulheres. A questo de interesse a probabilidade de
uma mulher ser sorteada para fazer parte do comit.
a) Qual o modelo de probabilidade, teoricamente correto,
aplicado a situao?
b) Qual a probabilidade, usando o modelo de a), de uma mulher
vir a fazer parte do comit?
c) Que modelo e probabilidade aproximado pode ser usado?
d) Qual a probabilidade aproximada, usando o modelo de c), de
uma mulher vir a fazer parte do comit?
8) Na fabricao de certo tipo de chapa de ao, defeitos ocorrem
razo mdia de 0,5 por chapa. Calcular:
a) a probabilidade de uma chapa ter no mximo dois defeitos;
b) em um grupo de seis chapas, a probabilidade de que o nmero
total de defeitos seja igual trs;
c) em um grupo de dez chapas, a probabilidade de que quatro
delas suam defeituosas.
9) Em testes da qualidade, ao longo de terreno acidentado,
10) As faces de um dado so formadas com chapas de plstico de 10
X 10 cm
2
. Em mdia aparecem 50 defeitos cada metro quadrado de
plstico.
a) Qual a probabilidade de uma determinada face apresentar
exatamente dois defeitos?
b) Qual a probabilidade de o dado apresentar no mnimo dois defeitos?
c) Qual a probabilidade de, pelo menos, 5 faces serem perfeitas?
d) Lanado o dado, qual a probabilidade de que a soma dos pontos
com o nmero de defeitos da face obtida seja menor do que 3?
11) Se 5% das reses de uma fazenda so doentes; achar a
probabilidade de que, numa amostra de 6 reses escolhidas ao acaso,
tenhamos:
a) nenhuma doente;
b) uma doente;
c) mais do que uma doente.
12) Numa estrada de pouco movimento passam, em mdia, 2 carros
por minuto. Supondo a mdia estvel, calcular a probabilidade de que
em 2 minutos passem:
a) mais de 4 carros;
b) exatamente 4 carros.
13) Os defeitos em certos tipos de chapas de vidro aparecem razo
mdia de 5 para cada 10 m
2
de chapa. Essas chapas sero usadas
na construo de janelas para uma instalao industrial. Sabendo
que essas janelas medem 150 X 80 cm
2
, calcular:
a) a probabilidade de que uma janela tenha 2 ou mais defeitos;
b) em um grupo de 10 janelas, a probabilidade de que o nmero total
de defeitos seja inferior a 5;
c) em um grupo de 5 janelas, a probabilidade de que ao menos 4 delas
no tenham defeitos.
14) Em um grupo de 15 jovens, 10 so contra o divrcio. Em uma
comisso de 5 desses jovens, calcular a probabilidade de que:
a) 2 serem contra;
b) a maioria seja a favor.
15) Se no problema anterior o grupo fosse constitudo de 500 jovens,
sendo 5% contra o divrcio, em uma comisso de 20, calcular a
probabilidade de que:
a) todos serem a favor;
b) mais de 15 serem a favor.
16) Sendo X o nmero de peas defeituosas em embalagens de n
peas, conhecendo-se porcentagem de defeituosas da fabricao,
calcular as probabilidade de que:
a) P(X = 3/n= 15; p = 0,30);
b) P(X 5/n = 10; p = 0,60); -
c) PX < 4/n = 60; p = 0,05);
d) P[(X = 2) (X 5)/n = 10; p = 0,30] -
e) P(X > 8/n = 20; p = 0,70).
17) Sabe-se que uma populao composta de peas A, B e C, sendo
20% de A e 70% de B. Calcule a probabilidade de que, em uma
amostra de tamanho n, extrada com reposio, tenhamos:
a) o nmero de itens de A entre 2 e 7, para n = 20 (incluindo os
extremos);
b) o nmero de itens de B entre 2 e 7, inclusive os extremos, para n =
10;
c) o nmero de itens de A ou B maior que 27, para n = 30.
18) As variveis independentes X e Y tem distribuio de Poisson com
'
x
=1,5 e '
y
= 3,0. Calcule:
a) P(X _ 2);
b) P(Y < 4);
c) P[(X < 2) (Y > 5)];
d) P[(X + Y) < 2].
19) Uma partida de 500 peas, das quais 50 so defeituosas,
apresentada para inspeo. Testa-se uma amostra de n peas,
extradas com reposio, aceitando-se a partida se ocorrerem, na
amostra, no mximo x
0
peas defeituosas. Qual a probabilidade da:
a) aceitao da partida, para n = 20 e x
0
= 2?
b) aceitao da partida, para n = 100 e x
0
= 12.
20) O nmero de navios que chegam em um porto por dia uma
varivel aleatria X com mdia igual a 4. Calcular:
a) P(X > 7);
b) P(2 < X 5); -
c) x
0
tal que P(X > x
0
) = 0,7619;
d) a capacidade de atracamento do porto, dada em nmero de navios
por dia, a fim de que s haja congestionamento em 10%, ou menos,
dos dias.
21) Em certo processo de fabricao de baterias, a probabilidade de
fabricar-se uma bateria defeituosa 2%. Em um dia de trabalho, so
produzidas 300 baterias. Qual a probabilidade, na produo diria
de:
a) sarem 5 baterias defeituosas?
b) sarem no mximo 10 baterias defeituosas?
c) sarem pelo menos 2 defeituosas?
d) todas as baterias serem perfeitas?
22) As variveis X e Y tm distribuio binomial com p
x
= 0,20 e p
y
=
0,70, respectivamente. Calcule:
a) P(X = 4), para n
x
= 3;
b) P(1< X < 6), para n
x
= 4;
c) P[(Y > 2) (X < 1)], para n
x
= n
y
= 4;
d) P(Y > 4), para n
y
= 10;
e) P(X < ), para n
x
= 5.
23) Uma fonte binria gera dgitos 1 e 0 aleatoriamente com
probabilidades 0,6 e 0,4, respectivamente.
a) Qual a probabilidade de ocorrerem dois 1s e trs 0s em uma
sequncia de cinco dgitos?
b) Qual a probabilidade de ocorrerem pelo menos trs 1s em uma
sequncia de cinco dgitos?
Resp.:
a) 0,2304
b) 0,6826
24) Um canal de transmisso com rudo tem uma probabilidade de erro
por dgito p
e
= 0,01.
a) Calcule a probabilidade de ocorrer mais que um erro em 10 dgitos
recebidos.
b) Repetir a), usando a aproximao Poisson.
a) 0,0042
b) 0,0047.
25) Suponha que 10000 dgitos so transmitidos sobre um canal de
rudo que tem probabilidade p = 5x10
-5
de erro por dgito. Encontrar a
probabilidade de que no haver mais que dois dgitos errados.
Resp.: 0,9856.
26) As variveis X e Y tem distribuio de Poisson, com mdias iguais
a 2,5 e 1,0, respectivamente. Calcule:
a) P(X = 4);
b) P(1 < X < 5);
c) P(Y 2); -
d) P(3 < Y 7). -
27) Em 5000 peas h 30% de peas da marca X e 70% da marca Y.
Em uma amostra de tamanho n = 10, determinar a probabilidade de
que ocorram:
a) duas ou mais peas de X;
b) exatamente 4 peas de Y.
28) Uma mquina produz peas com proporo de 0,05 de
defeituosas.
a) Qual a probabilidade de, em 10 itens examinados, no mximo 2
serem defeituosas?
b) Qual a probabilidade de em 3 peas examinadas, 2 serem perfeitas,
ou 3 serem defeituosas?
c) Qual o nmero mdio de defeituosas em lotes de 100 dessas peas.
Qual a varincia?
29) Os erros de impresso de um determinado jornal de uma cidade A
podem ser considerados aleatrios com mdia igual a 4, para cada
folha. Calcular:
a) a probabilidade de que um leitor encontre menos de 5 erros em uma
folha desse jornal;
b) a probabilidade de que um leitor encontre menos de 7 erros em 2
folhas desse jornal.
30) Uma banca vende em mdia 3 centenas do jornal A, diariamente.
Sabendo-se que o estoque desse jornal renovado todas as
manhs, qual deve ser o estoque mnimo de modo que no seja
necessrio que o dono desta banca tenha que recorrer a outra banca,
durante o dia de trabalho, mais do que uma vez em cada 15 dias?
31) Em um almoxarifado foram colocadas 50 peas, das quais 10 so
defeituosas. Tomando-se 2 peas ao acaso, com reposio, qual a
probabilidade
a) de que ambas sejam defeituosas?
b) de que uma seja defeituosa?
32) Na realizao de um experimento sabe-se que determinado
resultado tem a probabilidade p = 0,20 de ocorrer em uma prova.
Realizando-se 15 provas repetidas, qual a probabilidade de que o
evento ocorra:
a) 6 vezes;
b) no mximo 5 vezes;
c) no mnimo 6 vezes.
33) Uma firma construtora deseja adquirir uma partida de 1500
esquadrias metlicas. Sabe-se que observaes anteriores indicaram
p = 0,20 da produo como defeituosas. Para testar a qualidade da
partida, um engenheiro examina n = 10 esquadrias. Sendo X o
nmero de esquadrias defeituosas na amostra, calcular:
a) P(X < 4);
b) P(1< X < 6).
34) Se 10% dos tubos de imagem de televiso a cores se queimam
antes de sua garantia expirar,
a) qual a probabilidade de que um comerciante que vendeu 100
cinescpios seja forado a substituir pelo menos 20 deles?
b) qual a probabilidade de que substitua pelo menos 5 e no mais de
15 tubos?
35) Um fabricante de certa pea de automvel garante que uma caixa
de peas conter, no mximo, 2 itens defeituosos. Se a caixa contiver
20 peas e a experincia tiver demonstrado que esse processo de
fabricao produz 2% de itens defeituosos, qual a probabilidade de
que uma caixa de suas peas v satisfazer a garantia?
36) Os inspetores de uma fbrica devem inspecionar partidas de 2000
peas que so entregues semanalmente. O fabricante informa que a
frao defeituosa p = 0,10. Para testar a informao do fabricante, o
Chefe dos inspetores resolve examinar uma amostra de n = 10 peas
e aceitar que p = 10% se nessa amostra o nmero X de defeituosos
for no mximo igual a 2. Qual a probabilidade de aceitao
correspondente?
37) Considere a varivel X com distribuio de Poisson e mdia . '
Calcular a probabilidade de ocorrncia de:
a) X maior ou igual a 5, para = 7; '
b) 3 menor que X e menor que 8, para = 10; '
c) X menor que 4, para = 8; '
d) 3 menor ou igual a X menor que 9, para = 12. '
38) Entre as 14 e 16 horas, o nmero mdio de chamadas telefnicas
por minuto, atendidos pela mesa de ligaes de uma companhia
2,50. Determinar a probabilidade de que em determinado minuto
ocorram:
a) 1 chamada;
b) 4 ou menos chamadas;
c) mais de 6 chamadas.
39) Se a probabilidade de um indivduo sofrer uma reao nociva,
resultante da exposio prolongam a tintas base de gua 0,001,
determinar a probabilidade de que entre 2000 pintores, venham a
sofrer a reao nociva:
a) exatamente 3 pintores;
b) mais do que dois pintores.
40) Seja uma caixa de N = 10 peas, das quais D = 4 so defeituosas.
Calcular a probabilidade de ocorrncia de peas defeituosas em
amostras de n = 3, extradas sem reposio.
41) Em uma caixa, onde h 60 lmpadas da marca I, foram colocadas
mais 20 lmpadas de outra marca. Qual a probabilidade de:
a) retirar, sem reposio, um grupo de 10 lmpadas, todas da marca I?
b) sair no mnimo uma lmpada de outra marca entre as 10 extradas
sem reposio?
42) Em uma urna h 10 fichas brancas e 5 vermelhas. Retiram-se 4
fichas simultaneamente (ou uma a uma, sem reposio). Sendo X o
nmero de vermelhas na amostra, construir uma tbua com os
valores f(X = x) e calcular a mdia e varincia da distribuio.
APNDICE A: USANDO O EXCEL
A1. Distribuio Hipergeomtrica
Consideremos o seguinte problema.
Em um lote de 100 peas, 20 so defeituosas. Calcular a probabilidade
de ocorrncia de peas defeituosas em amostras de n=10, extradas sem
reposio.
O domnio da varivel aleatria X, nmero de peas defeituosas na
amostra, 0 x 10. - -
Prepare uma planilha como mostrado na figura a seguir.
Para encontrar as probabilidades simples de ocorrncia de peas
defeituosas em amostras de tamanho 10, devemos seguir os seguintes passos:
25* Coloque o cursor na clula E2;
da funo escolha a opo DIST.HIPERGEOM. A seguir, clique em OK.
A funo DIST.HIPERGEOM tem quatro argumetos:
1. Exemplo_s abreviatura para nmero de sucessos. Esse
o valor da varivel aleatria para o qual desejamos a
probabilidade, que simbolizamos por x. Insira nesse campo o
endereo relativo da clula que corresponde ao nmero 0
(D2). O endereo relativo mudar para se referir clula
correspondente a mesma linha da coluna D, quando a
frmula for copiada para baixo.
2. Exemplo_nm esse argumento o tamanho da amostra,
n, (ou nmero de tentativas ou provas). Esse argumento um
dos parmetros que distinguem uma distribuio
hipergeomtrica de outra. Em vez de inserir diretamente o
nmero correspondente ao tamanho da amostra coloque o
endereo absoluto B1 (para tornar o endereo de um clula
um endereo absoluto pressione a tecla de funo F4). Isso
nos permitir observar outros valores de n simplesmente
trocando o contedo de B1. Alm disso, quando a frmula for
copiada para baixo, a referncia clula B1 permanecer.
3. Populao_s abreviatura usada para nmero de peas
defeituosas na populao, aqui denominado D. Esse outro
parmetro da distribuio hipergeomtrica. Aqui tambm ao
em vez de inserir diretamente o nmero correspondente ao
nmero de peas defeituosas na populao coloque o
endereo absoluto B2.
4. Num_populao abreviatura usada para tamanho da
populao, aqui denominado N. Esse outro parmetro da
distribuio hipergeomtrica. Aqui tambm ao em vez de
inserir diretamente o nmero correspondente ao tamanho da
populao coloque o endereo absoluto B3.
Aps preenchido os campos dos argumentos da funo
DIST.HIPERGEOM clicar em OK, obtendo-se, assim, o valor 0,0951 que
corresponde a probabilidade de ocorrer 0 peas defeituosas na amostra.
Em seguida, a frmula da clula E2 deve ser copiada para baixo,
obtendo-se, assim, as probabilidades de ocorrncia de peas defeituosas em
amostras de n=10, extradas sem reposio.
O clculo das probabilidades acumuladas deve ser feito acumulando as
probabilidades simples.
A2 Distribuio Binomial
Em um lote de peas, 20% so defeituosas. Calcular a probabilidade
de ocorrncia de peas defeituosas em amostras de n=10, extradas com
reposio.
O domnio da varivel aleatria X, nmero de peas defeituosas na
amostra, 0 x 10. - -
Para encontrar as probabilidades simples e acumuladas de ocorrncia
de peas defeituosas em amostras de tamanho 10, devemos seguir os seguintes
passos:
da funo escolha a opo DISTRBINOM. A seguir, clique em OK.
A funo DISTRBINOM tem quatro argumetos:
1. Num_s abreviatura para nmero de sucessos. Esse o
valor da varivel aleatria para o qual desejamos a
probabilidade, que simbolizamos por x. Insira nesse campo o
endereo relativo da clula que corresponde ao nmero 0
(D2). O endereo relativo mudar para se referir clula
2. Tentativas esse argumento o tamanho da amostra, n, (ou
nmero de tentativas ou provas). Esse argumento um dos
parmetros que distinguem uma distribuio binomial de
outra. Em vez de inserir diretamente o nmero
correspondente ao tamanho da amostra coloque o endereo
absoluto B1. Isso nos permitir observar outros valores de n
simplesmente trocando o contedo de B1. Alm disso,
quando a frmula for copiada para baixo, a referncia clula
B1 permanecer.
3. Probabilidades abreviatura usada para probabilidade de
sucesso, aqui denominada p. Esse outro parmetro da
distribuio binomial. Aqui tambm ao em vez de inserir
diretamente o nmero correspondente a probabilidade de
sucesso coloque o endereo absoluto B2.
4. Cumulativo esse argumento vai determinar se o Excel
fornece a probabilidade de que a varivel aleatria seja igual
a x (probabilidade simples) ou a probabilidade de que a
varivel aleatria seja menor ou igual a x (probabilidade
acumulada). Para determinar a probabilidade simples
inserimos a palavra FALSO ou o nmero 0 no campo do
argumento. Para determinar a probabilidade acumulada,
ento colocamos VERDADEIRO ou o nmero 1.
Aps preenchido os campos dos argumentos da funo DISTRBINOM
clicar em OK, obtendo-se, assim, o valor 0,1074 que corresponde a probabilidade
de ocorrer 0 peas defeituosas na amostra.
Em seguida, a frmula da clula E2 deve ser copiada para baixo,
obtendo-se, assim, as probabilidades de ocorrncia de peas defeituosas em
amostras de n=10, extradas com reposio.
Coloque o cursor na clula F2 e insira a funo DISTRBINOM
novamente com todos os argumentos anteriores a no ser o CUMULATIVO que
deve ser colocado VERDADEIRO ou 1. A seguir clicar em OK.
Em seguida, a frmula da clula F2 deve ser copiada para baixo, obtendo-se,
assim, as probabilidades acumuladas de ocorrncia de peas defeituosas em
amostras de n=10, extradas com reposio.
A3 Distribuio de Poisson
Entre as 14 e 18 horas, o nmero mdio de chamadas telefnicas por minuto
atendidas pela mesa de ligaes de uma empresa 5,5. Calcular a probabilidade
de ocorrncia de chamadas telefnicas em um determinado minuto.
O domnio da varivel aleatria X, nmero de chamadas telefnicas em um
determinado minuto, 0 x . - -
Para encontrar as probabilidades simples e acumuladas de ocorrncia
de chamadas telefnicas em um determinado minuto, devemos seguir os
seguintes passos:
da funo escolha a opo POISSON. A seguir, clique em OK.
A funo POISSON tem trs argumetos:
1. x abreviatura para nmero de ocorrncias. Esse o valor
da varivel aleatria para o qual desejamos a probabilidade,
que simbolizamos por x. Insira nesse campo o endereo
relativo da clula que corresponde ao nmero 0 (D2). O
endereo relativo mudar para se referir clula
2. Mdia a mdia . Esse argumento o parmetro que
distingue uma distribuio de Poisson de outra. Em vez de
inserir diretamente o nmero correspondente mdia
coloque o endereo absoluto B1. Isso nos permitir observar
outros valores para a mdia simplesmente trocando o
contedo de B1. Alm disso, quando a frmula for copiada
para baixo, a referncia clula B1 permanecer.
3. Cumulativo esse argumento vai determinar se o Excel
fornece a probabilidade de que a varivel aleatria seja igual
a x (probabilidade simples) ou a probabilidade de que a
varivel aleatria seja menor ou igual a x (probabilidade
acumulada). Para determinar a probabilidade simples
inserimos a palavra FALSO ou o nmero 0 no campo do
argumento. Para determinar a probabilidade acumulada,
ento colocamos VERDADEIRO ou o nmero 1
Aps preenchido os campos dos argumentos da funo POISSON clicar em
OK, obtendo-se, assim, o valor 0,0041 que corresponde a probabilidade de
ocorrer 0 chamadas telefnicas em um determinado minuto.
Em seguida, a frmula da clula E2 deve ser copiada para baixo, obtendo-se,
assim, as probabilidades de ocorrncia de nmero de chamadas telefnicas em
um determinado minuto.
Coloque o cursor na clula F2 e insira a funo POISSON novamente
com todos os argumentos anteriores a no ser o CUMULATIVO que deve ser
colocado VERDADEIRO ou 1. A seguir clicar em OK.
Em seguida, a frmula da clula F2 deve ser copiada para baixo,
obtendo-se, assim, as probabilidades acumuladas de ocorrncia de peas
defeituosas em amostras de n=10, extradas com reposio.
APNDICE B: Demonstrao do limite da distribuio
binomial
( ) ( )
x n
p
n
x n
x
p p
p
m
>>
0
1 lim
n e n n
n n
2 !

(frmula de Stirling)
( )
( )
( )
( )
x
x n
n
x n
x n
n n
n
n
n
x n e x n
n e n
x n
n

2
2
!
!
( )
( )
( ) np x n p
x n
x n
e e
x n
x n p
p

,
_

+ 1 1
para n>>x.
( ) ( )
( )
x n
p
n
x e x e
np
e p
x
n
p p
p
m
x
np
x
np x
x
x n
x
>>
0
! ! !
1 lim

,
_
+
x
x
x
2
1 lim
y x
y x
2
1 2

,
_
+
y
e
y
y
2
2
1
1 lim

APOSTILA 2012 1 Semestre 2

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

APOSTILA 2012 1 Semestre 2

Uploaded by

Copyright:

Available Formats

ESTATSTICA E

, etc. O estudante que realmente

Este problema uma aplicao imediata da mdia harmnica e a

Ento, a separatriz de ordem p = 0,10 o valor da distribuio que

, como um experimento cujo resultado no se pode

) simplesmente um conjunto de resultados possveis. Na

= . Assim, pelo axioma 3: _ _

Este mtodo de avaliar P(A) frequentemente enunciado da seguinte

muito importante compreender que a expresso de P(A) acima

o seguinte experimento: lanar um dado honesto. E o seguinte

o conjunto de valores possveis de uma varivel

o conjunto imagem da funo varivel aleatria X. Ento,

de modo tal que modelam (representam) as

= {0, 1, 2, ..., 100}

. A natureza da aproximao ilustrada na tabela a seguir, onde np = = 5 '

You might also like