Prévia do material em texto
Universidade Federal do Piauí - UFPI
Centro de Ciências da Natureza - CCN
Coordenação do C.G. Bach em Estatística
Apostila - Parte I
Probabilidade e Estatística
Prof(a): Cleide Mayra Menezes Lima
Março/2015
Sumário
1 Introdução 1
1.1 O que é Estatística? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1 Algumas definições sobre Estatística . . . . . . . . . . . . . . . . . . . . . 1
1.1.2 Conceitos Atuais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.3 As fases do método estatístico . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.4 Subdivisões da Estatística . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 População e Amostra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.1 Censo X Amostragem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3 Alguns Exemplos de Aplicação da Estatística . . . . . . . . . . . . . . . . . . . . 6
1.4 Variáveis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4.1 Definição de Variável: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4.2 Classificação das Variáveis . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.5 Parâmetro X Estimador X Estimativa . . . . . . . . . . . . . . . . . . . . . . . . 8
1.6 Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2 Estatística Descritiva 11
2.1 Representação Tabular . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.1.1 Tabelas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.1.2 Séries Estatísticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.2 Distribuição de Frequência . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.2.1 Tipos de freqüências . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.2.2 Distribuição de Freqüência para Variáveis Quantitativas Contínuas . . . . 16
2.3 Representação Gráfica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.3.1 Gráficos para as Variáveis Qualitativas . . . . . . . . . . . . . . . . . . . . 18
2.3.2 Graficos para Variáveis Quantitativas . . . . . . . . . . . . . . . . . . . . . 20
2.4 Medidas de Posição ou Tendência Central . . . . . . . . . . . . . . . . . . . . . . 23
2.4.1 A Média Aritmética Simples . . . . . . . . . . . . . . . . . . . . . . . . . . 23
i
2.4.2 Mediana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.4.3 Moda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.5 Medidas de Dispersão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.5.1 Motivação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.5.2 Amplitude . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.5.3 Variância e Desvio Padrão . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.5.4 Propriedades das medidas de dispersão . . . . . . . . . . . . . . . . . . . . 34
2.5.5 Coeficiente de Variação . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.6 Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3 NOÇÕES BÁSICAS DE PROBABILIDADE 39
3.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.2 Experimentos Aleatórios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.3 Espaço Amostral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.4 Eventos Aleatórios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.4.1 Operações entre Eventos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.4.2 Partição de um Espaço Amostral . . . . . . . . . . . . . . . . . . . . . . . 44
3.4.3 Exemplos: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.5 Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.6 Probabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.6.1 Definição Clássica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.6.2 Definição Frequentista de probabilidade . . . . . . . . . . . . . . . . . . . 50
3.6.3 Definição Subjetiva . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.6.4 Definição axiomática de probabilidade . . . . . . . . . . . . . . . . . . . . 53
3.6.5 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.7 Probabilidade Condicional e Independência . . . . . . . . . . . . . . . . . . . . . 54
3.7.1 Probabilidade Condicional . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.7.2 Definição : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
3.7.3 Independência de Eventos . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
3.8 Teorema da Probabilidade Total e Teorema de Bayes . . . . . . . . . . . . . . . . 57
3.8.1 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.8.2 Teorema da Probabilidade Total . . . . . . . . . . . . . . . . . . . . . . . 59
3.8.3 Teorema de Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
3.8.4 Exemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
3.8.5 Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
ii
4 Variáveis Aleatórias 66
4.1 Variável Aleatória Discreta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
4.1.1 Função de Probabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.1.2 Função de Distribuição Acumulada . . . . . . . . . . . . . . . . . . . . . 70
4.1.3 Esperança Matemática . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
4.1.4 Variância . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.1.5 Desvio Padrão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.2 Variável Aleatória Contínua . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.2.1 Função densidade de Probabilidade (f.d.p) . . . . . . . . . . . . . . . . . 74
4.2.2 Função de distribuição acumulada . . . . . . . . . . . . . . . . . . . . . . 76
4.2.3 Esperança e Variância . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
Bibliografia 78
iii
Lista de Tabelas
2.1 Produção de Petróleo Bruto no Brasil de 1976 a 1980 . . . . . . . . . . . . . . . . 13
2.2 Necessidades médias de energia em alguns países, em 1973. . . . . . . . . . . . . . 13
2.3 População Urbana e Rural do Brasil em 1980 (x 1000). . . . . . . . . . . . . . . . 13
2.4 N
o
de acidentes diários num estacionamento, durante 50 dias. . . . . . . . . . . . 18
2.5 Freqüências e Porcentagens dos 36 empregados da seção de orçamentos da
Companhia MB segundo o grau de instrução. . . . . . . . . . . . . . . . . . . . . 19
2.6 Fonte: Bussab e Morettin (2012) . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.7 Freqüências e Porcentagens dos empregados da seção de orçamentos da
Companhia MB, segundo o número de filhos. . . . . . . . . . . . . . . . . . . . . 20
2.8 Freqüências e Porcentagens dos 36 empregados da seção de orçamentos da
Companhia MB, por faixas de salário . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.9 Defeitos em elementos estruturais da porta . . . . . . . . . . . . . . . . . . . . . . 35
iv
Lista de Figuras
1.1 Levantamento por amostragem para avaliar a preferência do consumidor . . . . . 5
2.1 Taxa de atividade feminina urbana, em percentual, em três regiões do Brasil,
1981,90 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . 14
2.2 Consumo per capita anual de alguns tipos de alimentos, em algumas regiões
metropolitanas do Brasil, no ano de 1988 . . . . . . . . . . . . . . . . . . . . . . . 14
2.3 Taxa de mortalidade (em percentual) de menores de um ano no Brasil, segundo as três
principais causas, no período de 1984 a 1987 . . . . . . . . . . . . . . . . . . . . . . . 14
2.4 Número de vítimas em acidentes, segundo as grandes regiões do Brasil, nos anos
de 1991 e 1992 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.5 Gráfico em Barras para a Variável Grau de Instrução . . . . . . . . . . . . . . . . 19
2.6 Gráfico em Setores para a Variável Grau de Instrução . . . . . . . . . . . . . . . . 19
2.7 Produção de aviões em 2000. (Fonte: Boeing Commercial Airplane Company) . . 20
2.8 Gráfico de Barras para a variável Número de Filhos . . . . . . . . . . . . . . . . . 21
2.9 Histograma da Variável Salário . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.10 Poligono de Frequência da Variável Salário . . . . . . . . . . . . . . . . . . . . . . 22
v
Capítulo 1
Introdução
Estatística é uma ciência muito útil nos dias atuais, porém ela precisa ser entendida de forma
correta. Por exemplo, muitas pessoas acham que Estatística composta apenas de gráficos e
tabelas, e assumem este conceito errado de forma tão concreta que são incapazes de aceitar
algo contrário. Isto se dá em virtude de vários fatores, por exemplo, o modo como uma noticia
é dada na mídia, em muitas ocasiões o meio de comunicação desconhece a estatística e fazem
afirmações sem fundamento a respeito do assunto.
1.1 O que é Estatística?
A palavra Estatística vem de Status (Estado, em Latim). Então ela significa estudo do estado.
1.1.1 Algumas definições sobre Estatística
A Estatística está interessada nos métodos científicos para a coleta, organização, resumo,
apresentação e análise de dados, bem como na obtenção de conclusões válidas e na tomada
de decisões razoáveis, baseadas em tais análises. (SPIEGEL, 1994, p. 1).
Entendemos a Estatística como um conjunto de técnicas que permite, de forma sistemática,
organizar, descrever, analisar e interpretar dados oriundos de estudos ou experimentos,
realizados em qualquer área de conhecimento. (MAGALHÃES, 2002, p.1).
1.1.2 Conceitos Atuais
A estatística é o ramo da matemática interessado nos métodos científicos para
coleta,organização, resumo, apresentação e análise de dados, bem como na obtenção de
conclusões válidas e na tomada de decisões razoáveis baseadas em tais análises.
1
Portanto, a estatística é uma ciência que se preocupa com o planejamento de uma pesquisa,
envolvendo desde a forma de coleta das observações obtidas em experimentos ou levantamentos,
até a maneira como será feita a organização, a descrição, o resumo dos dados e a avaliação e
afirmação sobre características de interesse do pesquisador. Tudo isso corresponde às fases do
método estatístico.
1.1.3 As fases do método estatístico
As várias fases do método estatístico estão delineadas a seguir. As etapas descritas nas seções
de planejamento, coleta, crítica, apuração e exposição constituem a Estatística Descritiva,
enquanto a seção de análise constitui a Estatística Indutiva ou Inferencial.
a) Definição do Problema - Consiste na:
� formulação correta do problema;
� examinar outros levantamentos realizados no mesmo campo (revisão da literatura);
saber exatamente o que se pretende pesquisar definindo o problema corretamente
(variáveis, população, hipóteses, etc.)
� Por exemplo: A nota média no ENEM dos alunos do estado do Pará é menor do que
as dos alunos dos outros estados?
b) Planejamento - Determinar o procedimento necessário para resolver o problema:
� Como levantar informações;
� Tipos de levantamentos: por censo (completo) ou por amostragem (parcial).
� Cronograma, custos, etc.
c) Coleta ou Levantamento dos Dados - Consiste na obtenção dos dados referentes ao
trabalho que desejamos fazer. A coleta pode ser Direta ou Indireta.
� A coleta direta de dados é quando os dados são obtidos pelo próprio pesquisador
através de levantamento de registros (nascimentos, óbitos, notas fiscal, impostos,etc.)
ou coletados diretamente através de inquéritos, questionários, etc. A coleta direta
pode ser classificado quanto ao fator tempo como:
∗ - contínua: quando feita de forma continuada, como registro de nascimentos e
óbitos, frequência de alunos às aulas, etc.
2
∗ - periódica: quanto feita em intervalos constantes de tempo, como censos (10
em 10 anos), avaliações mensais dos alunos, etc
∗ - ocasional: quanto feitas em determinada situação para atender a um objetivo,
como pesquisa de mortalidade de um rebanho, pesquisa eleitoral, pesquisa de um
produto no mercado, etc.
� A coleta indireta é inferida de elementos conhecidos, através de uma coleta direta,
ou do conhecimento de fenômenos relacionados ao fenômeno estudado. Por exemplo,
pesquisa sobre mortalidade infantil que é feita sobre a coleta direta de dados de
nascimentos e óbitos
d) Apuração dos Dados ou Sumarização - Consiste em resumir os dados, através de uma
contagem e agrupamento. É um trabalho de coordenação e de tabulação.
e) Apresentação dos Dados - Os dados sempre devem ser apresentados de forma adequada,
seja através de tabelas ou gráficos, seguindo os critérios determinados no planejamento e
utilizados no processamento dos dados. A exposição dos dados tem o objetivo de facilitar
a análise daquilo que é objeto do estudo estatístico.
f) Análise e Interpretação dos Dados - A última etapa do processo estatístico consiste
em tirar conclusões sobre os dados levantados e processados, inferindo conclusões sobre o
todo (população) a partir de dados coletados de uma parte representativa da população
(amostra)
1.1.4 Subdivisões da Estatística
A estatística pode ser dividida em três grandes áreas:
• Estatística Descritiva ou Análise Exploratória dos Dados
• Probabilidade
• Estatística Indutiva ou Inferência Estatística
Estatística Descritiva: É, em geral, utilizada na etapa inicial da análise, quando tomamos
contato com os dados pela primeira vez. Pode ser definida como um conjunto de técnicas
destinadas a descrever e resumir os dados, a fim de que possamos tirar informações e conclusões
a respeito de características de interesse.
A Estatística Descritiva pode ser resumida da seguinte forma:
3
Tabelas
Coleta de ⇒ Crítica ⇒ Apresentação ⇒ Análise
dados de dados dos Dados
Gráficos
Probabilidade: É a base matemática sob a qual a Estatística é construída. Fornece
métodos para quantificar a incerteza existente em determinada situação, usando ora um
número ora uma função matemática. Foi desenvolvida a partir de problemas apresentados por
jogadores, nobres franceses, a grandes matemáticos da época, como Blaise Pascal.
A Inferência Estatística: é a parte da estatística que trata das condições sob as quais
faz-se inferências (ou pressuposições ou generalizações) sobre uma população. Se uma amostra
é representativa de uma população, possui as mesmas características básicas da mesma, e
conclusões importantes sobre a população podem ser inferidas de sua análise, assim, com a
inferência estatística fazemos inferências além dos dados conhecidos. A inferência estatística
envolve questões de dois tipos: a estimação de parâmetros populacionais e os testes de hipóteses.
1.2 População e Amostra
a) População (N): é o conjunto de todos os elementos que nos interessa estudar. Deve ser
notado que na terminologia estatística, população refere-se não somente a uma coleção de
indivíduos, mas ao alvo no qual reside nosso interesse. Exemplos: todos os clientes de um
banco, todos os alunos de uma faculdade, todos os automóveis da Ford, todo o sangue no
corpo de uma pessoa,etc. e ainda pode ser finita ou infinita.
� Finita - apresenta um número limitado de observações, que é passível de contagem.
� Infinita - apresenta um número ilimitado de observações que é impossível de contar
e geralmente esta associada a processos.
b) Amostra (n): É um subconjunto da população e deverá ser considerada finita, a amostra
deve ser selecionada seguindo certas regras e deve ser representativa da população, de
modo que ela represente todas as características da população.
4
Figura 1.1: Levantamento por amostragem para avaliar a preferência do consumidor
1.2.1 Censo X Amostragem
Amostragem é o estudo das relações existentes entre a amostra e a população de onde esta
foi extraída. A amostragem é usualmente realizada com o objetivo de estimar parâmetros
da população, como por exemplo, a média (?), a variância (?) ou a proporção (p) de uma
determinada característica.
Enquanto que um censo envolve um exame a todos os elementos de um dado grupo, a
amostragem envolve um estudo de apenas uma parte dos elementos. A amostragem consiste em
selecionar parte de uma população e observá-la com vista a estimar uma ou mais características
para a totalidade da população.
Por exemplo: �Para se saber se o bolo de chocolate está bom, basta comer uma fatia."
Alguns exemplos da utilização da amostragem são:
• Pesquisas de opinião pública;
• Inspeção de mercado utilizada com o intuito de descobrir as preferências das pessoas em
relação a certos produtos;
• Para estimar a prevalência de uma doença rara, a amostra pode ser constituída por algumas
instituições médicas, cada uma das quais tem registro dos pacientes.
O Censo apresenta dificuldades que tornam a amostragem um pouco mais atraente. Entre
5
as dificuldades que o censo apresenta, podem ser apresentadas as seguintes:
i) A população pode ser infinita, neste caso o censo seria impossível;
ii) A amostra pode ser atualizada mais facilmente que o censo;
iii) O custo do censo pode torná-lo inviável;
iv) Fatores de tempo e custo podem apontar pela preferência entre uma amostra e um censo.
Porém há ocasiões em que o levantamento do censo pode ser vantajoso:
i) Quando a população é pequena e o custo entre o censo e a amostra forem praticamente
iguais;
ii) Se o tamanho da amostra necessária tiver que ser muito grande em relação à população
examinada;
iii) Nas ocasiões em que se exige precisão completa;
Em geral, o uso de amostragem leva à redução de custos e tempo. Mas a amostragemn
precisa ser feita com critérios, pois pretendemos ter amostras que permitam, a apartir de uma
análise estatística apropriada, obter conclusões satisfatórias sobre toda a população.
1.3 Alguns Exemplos de Aplicação da Estatística
1. Teoria da resposta ao item Uma Universidade pretende estudar a proficiência dos
estudantes submetidos ao processo seletivo e os parâmetros dos itens (questões) da prova.
• População Conjunto de todos os estudantes submetidos ao exame.
• Amostra Conjunto de alguns estudantes submetidos ao exame, que foram
selecionados.
• Problema Estudar a proficiência dos estudantes e os parâmetros dos itens (questões)
pelo método da Máxima verossimilhança marginal.
2. Medicina - Pretende-se estudar o efeito de um novo medicamento para curar determinada
doença. É selecionado um grupo de 20 doentes, administrando-se o medicamento a 10
desses doentes escolhidos ao acaso, e o medicamento habitual aos restantes.
• População Conjunto de todos os doentes com a doença especifica.
6
• Amostra Conjunto dos 20 doentes selecionados.
• Problema Pretende-se, a partir dos resultados obtidos, realizar um teste de hipóteses
para tomar uma decisão sobre qual dos medicamentos é melhor.
3. Controle de qualidade - O administrador de uma fábrica de parafusos pretende assegurar-
se de que a percentagem de peças defeituosas, não excede um determinado valor, a partir
do qual determinada encomenda poderia ser rejeitada.
• População Conjunto de todos os parafusos fabricados pela fábrica.
• Amostra Conjunto de alguns parafusos, escolhidos ao acaso, de entre o lote de
produzidos.
• Problema A partir da percentagem de parafusos defeituosos presentes na amostra,
estimar a percentagem de defeituosos em toda a produção.
4. Pedagogia Um conjunto de pedagogos desenvolveu uma técnica nova para a aprendizagem
da leitura na escola primária, a qual, segundo dizem diminuem o tempo de aprendizagem
relativamente ao método habitual.
• População Conjunto dos alunos que entram para a escola primária sem saber ler.
• Amostra Conjunto de alunos de algumas escolas, selecionadas para o estudo. Os
alunos foram separados em dois grupos para se aplicarem as duas técnicas em
confronto.
• Problema A partir dos tempos de aprendizagem obtidos verificar se existe evidência
significativa para afirmar que os tempos com a nova técnica são menores.
1.4 Variáveis
1.4.1 Definição de Variável:
Variável é aquilo que se deseja observar para se tirar algum tipo de conclusão.
Qualquer característica associada a uma população é chamada de variável.
Porque o nome variável: Por que ela �varia"de alguma forma.
Exemplo: Idade: pode variar de 0,1,2,... anos
Sexo: pode ser masculino ou feminino
Estado Civil: pode ser solteiro, casado, divorciado, etc.
7
1.4.2 Classificação das Variáveis
• Qualitativas (ou atributos ou categóricos): São características que não podem ser medidas,
ou seja, são não-numéricas.Elas podem ser:
� Nominal : variáveis em que não é possível estabelecer uma ordem natural entre seus
valores. Ex.: cor da flor, que pode ser rosa, branca ou vermelha; Sexo (feminino ou
masculino).
� Ordinal ou por postos: variáveis que têm uma ordenação natural, indicando
intensidades crescentes de realização. Ex.: Tamanho (pequeno, médio ou grande),
Classe Social (baixa, média ou alta).
• Quantitativas: São características que podem ser contadas ou medidas, sendo classificadas
em discretas e contínuas.
� Discretas: são aquelas variáveis que podem assumir somente valores inteiros num
conjunto de valores. É gerada pelo processo de contagem. Ex.: número de folhas por
planta; número de carrapatos por animal; etc.
� Contínuas: são aquelas variáveis que podem assumir um valor dentro de um intervalo
de valores. É gerada pelo processo de medição ou mensuração. Ex.: volume de água
em um reservatório; peso de raiz; diâmetro do caule; produção; produtividade; etc.
1.5 Parâmetro X Estimador X Estimativa
a) Parâmetro: é uma medida numérica que descreve alguma característica da população. É
o resumo da variável observada na população. Por exemplo, média, variância e desvio
padrão.
Cada parâmetro é representado por um símbolo ou letra. No exemplo tem-se que para a
média, a variância e o desvio padrão as letras gregas µ, σ2 e σ.
Não é possível fazer inferências baseada em parâmetro, uma vez que toda a população foi
investigada.
b) Estimador (também chamado de Estatística): é uma medida numérica que descreve
alguma característica de uma amostra, ou seja, o estimador é obtido a partir do resumo
da variável observada na amostra. Neste caso, é possível utilizarmos as teorias inferências
para que, com base na amostra, possamos obter conclusões sobre a população.
8
Cada estimador também é representado por um símbolo ou letra. Para a média, a variância
e o desvio padrão as letras gregas µ̂ ou X , σ̂2 ou S2 e σ̂ ou S.
c) O valor numérico de um estimador é chamado de estimativa de seu respectivo parâmetro.
1.6 Exercícios
1. Identifique a população e a amostra.
a) Uma pesquisa com 1906 residências nos Estados Unidos descobriu que 13% tem
televisão de alta definição.
b) Em uma pesquisa recente, foi perguntado a 1.708 adultos americanos se eles
consideram o aquecimento global um problema que exige uma ação imediata do
governo. Novecentose trinta e nove deles responderam que sim.
c) O departamento de energia dos Estados Unidos conduz pesquisas semanais em
aproximandamente 800 postos de gasolina para determinar o preço médio por galão
de gasolina comum. Em 12 de fevereiro de 2007, o preço médio era $2, 24 por galão.
2. Decida se o valor numérico descreve um parâmetro populacional ou uma estatística .
a) Uma pesquisa recente de uma amostra de MBAs reportou que o salário médio para
uma MBA é mais do que $82.000.
b) Em uma pesquisa recente com 1.503 adultos nos Estados Unidos, 53% disseram que
usam tanto uma linha fixa quanto o telefone celular.
c) Num ano recente, a nota média de Estatística para todos os granduandos na UFPI
era 21,1.
3. Classifique cada uma das variáveis abaixo em qualitativa (nominal / ordinal) ou
quantitativa (discreta / contínua).
a) Ocorrência de hipertensão pré-natal em grávidas com mais de 35 anos (sim ou não
são possíveis respostas para essa variável)
b) Intenção de voto para presidente (possíveis respostas são os nomes dos candidatos,
além de não sei).
c) Perda de peso de maratonistas na Corrida de São Silvestre, em quilos.
d) Intensidade da perda de peso de maratonistas na Corrida de São Silvestre
(leve,moderada, forte)
9
e) Cor dos cabelos dos alunos de uma escola
f) Raça dos alunos de uma certa escola.
g) Número de filhos de casais residentes em Vila Velha.
h) Diâmetro externo de peças produzidas por certa maquina.
i) Número de peças produzidas por hora por certa máquina.
j) Pontos obtidos em cada jogada de um dado.
k) Sexo dos filhos dos casais residentes em Viana.
10
Capítulo 2
Estatística Descritiva
A Estatística Descritiva é a fase na qual os dados de um experimento ou pesquisa, são
organizados, resumidos, descritos, apresentados e interpretados. Esta fase é de grande
importância para uma pesquisa, pois nela, podemos perceber as tendências do nosso conjunto
de dados. Após a coleta dos dados experimentais, devemos organizá-los e apresentá-los; esta
apresentação, pode ser feita através de tabelas e gráficos.
2.1 Representação Tabular
2.1.1 Tabelas
A finalidade das tabelas é apresentar os dados de modo ordenado, simples e de fácil interpretação,
fornecendo o máximo de informação num mínimo de espaço.
A construção de uma tabela, entretanto, deve obedecer a uma série de normas técnicas. Estas
normas podem ser encontradas na publicação do IBGE intitulada �Normas de Apresentação
Tabular".
Elementos da Tabela
11
• Título: é a indicação que precede a tabela contendo a designação do fato observado, o
local e a época em que foi estudado.
• Corpo: é o conjunto de lihas e colunas onde estão inseridos os dados.
• Cabeçalho: é a parte superior da tabela que indica o conteúdo das colunas.
• Coluna indicadora: é a parte da tabela que indica o conteúdo das linhas.
Os elementos complementares são:
• Fonte: entidade que fornece os dados ou elabora a tabela.
• Notas: informações de natureza geral, destinadas a esclarecer o conteúdo das tabelas.
• chamadas: informações específicas destinadas a esclarecer ou conceituar dados numa parte
da tabela.
Os elementos complementares devem situar-se no rodapé da tabela, na mesma ordem em
que foram descritos.
2.1.2 Séries Estatísticas
As séries estatísticas resumem um conjunto ordenado de observações através de três fatores
fundamentais:
• tempo: refere-se a data ou a época em que o fenômeno foi investigado;
• espaço: refere-se ao local ou região onde o fato ocorreu;
• espécie: refere-se ao fato ou fenômeno que está sendo investigado e cujos valores numéricos
estão sendo apresentados.
As séries estatísticas são classificadas de acordo com o fator que estiver variando, podendo
ser simples ou mistas.
1. Séries simples
• Série Cronológica (temporal, histórica ou evolutiva): onde varia o tempo
permanecendo fixos o espaço e a espécie do fenômeno estudado.
12
Tabela 2.1: Produção de Petróleo Bruto no Brasil de 1976 a 1980
Anos Produção
1976 9.702
1977 9.332
1978 9.304
1979 9.608
1980 10.562
1
Fonte: Conjuntura Econômica (Fev 1983)
• Série Geográfica (Espacial, ou Territorial, ou de Localização): onde varia o espaço
permanecendo fixos o tempo e a espécie do fenômeno estudado.
Tabela 2.2: Necessidades médias de energia em alguns países, em 1973.
Pais kcal/per capita/dia
Brasil 2.174
Estados Unidos 2.397
Etiópia 2.120
Japão 1.125
México 2.114
2
Fonte: Necessidades Humanas de Energia - IBGE
• Série especificativa (qualitativa ou categórica: onde varia a espécie permanecendo
fixos o tempo e o espaço do fenômeno estudado.
Tabela 2.3: População Urbana e Rural do Brasil em 1980 (x 1000).
Localização População
Urbana 80.408
Rural 38.566
Total 118.974
3
Fonte: Anuário Estatístico (1984)
13
2. Séries mistas: são aquelas em que mais de um fator varia ou um fator varia mais de uma
vez.
• Série histórica geográfica (ou geográfica histórica)
Figura 2.1: Taxa de atividade feminina urbana, em percentual, em três regiões do Brasil, 1981,90
• Série especificativa geográfica (ou geográfica especificativa)
Figura 2.2: Consumo per capita anual de alguns tipos de alimentos, em algumas regiões
metropolitanas do Brasil, no ano de 1988
• Série especificativa histórica (ou histórica especificativa)
Figura 2.3: Taxa de mortalidade (em percentual) de menores de um ano no Brasil, segundo as três
principais causas, no período de 1984 a 1987
14
• Série especificativa histórica geográfica
Figura 2.4: Número de vítimas em acidentes, segundo as grandes regiões do Brasil, nos anos de
1991 e 1992
3. Série Distribuição de frequências: ocorre quando nenhum dos fatores varia. Nesta serie os
dados são agrupados em classes segundo suas respecitvas frequências. Segundo a natureza
dos dados as distribuições de frequências podem ser de dois tipos:
• Para dados de enumeração
• Para dados de mensuração
15
2.2 Distribuição de Frequência
Uma das formas de organizar e resumir a informação contida em dados observados é por meio
de tabela de freqüências e gráficos.
2.2.1 Tipos de freqüências
• Freqüência simples ou absoluta (F): São os valores que realmente representam o número
de dados de cada classe.
• Freqüência relativa (fr): São os valores das razões entre as freqüências simples e a
freqüência total.
• Freqüência acumulada (Fa): É o total das freqüências de todos os valores inferiores ao
limite superior do intervalo de uma dada classe.
• Freqüência acumulada relativa (Fr): É o total das freqüências relativas de todos os valores
inferiores ao limite superior do intervalo de uma dada classe.
2.2.2 Distribuição de Freqüência para Variáveis Quantitativas Contínuas
Os principais estágios na construção de uma distribuição de freqüência para dados contínuos
são:
• Organizar os dados brutos em um rol de ordem crescente ou decrescente.
16
• Determinar Amplitude total ou �range"R: É a diferença entre o maior e o menor valor
observado.
R = xmax − xmin
• determinar o número de classes da tabela. De modo geral, este valor não deverá ser inferior
a 5 e nem superior a 15. Existem algumas regras objetivas de determinação, como, por
exemplo:
k = 1 + 3, 32logn (Fórmula de Sturges) ou k ∼= √n (2.1)
onde:
k : número de classes
n : número de observações
log : log de base 10
• Determinar a amplitude do intervalo (h):
h ∼= R÷ k
• Construir os intervalos de classe. Os intervalos de classe devem ser escritos, de acordo
com a Resolução 866/66 do IBGE em termos de �desta quantidade até menos aquela",
empregando, para isso, o símbolo |− (inclusão por limite inferior e exclusão do limite
superior).
• Ponto médio das classes: pm = li+ls2 onde:
li : limite inferior da classe
ls : limite superior da classe
Exemplo:
A amostraa seguir é constituída de 25 valores da variável �diâmetro de peças produzidas por
uma máquina", dados em milímetros:
21,2 21,4 21,8 21,5 21,6 21,7 21,6 21,4 21,2 21,7
21,3 21,5 21,7 21,4 21,4 21,5 21,9 21,6 21,3 21,5
21,4 21,5 21,6 21,9 21,5
Determinar a distribuição de frequência.
Solução:
17
21,2 21,2 21,3 21,3 21,4 21,4 21,4 21,4 21,4 21,5
21,5 21,5 21,5 21,5 21,5 21,6 21,6 21,6 21,6 21,7
21,7 21,7 21,8 21,9 21,9
• Rol dos dados:
• Amplitude total: R = xmax − xmin = 21, 9− 21, 2 = 0, 7
• Número de Classes: k ∼=
√
25 = 5
• Amplitude de Classe: h ∼= R÷ k = 0, 7÷ 5 = 0, 14
Portanto:
Tabela 2.4: N
o
de acidentes diários num estacionamento, durante 50 dias.
Diâmetro das peças F Fa xi (ponto médio) fr%
21, 2 |−21, 34 4 4 21,27 16%
21, 34 |−21, 48 5 9 21,41 20%
21, 48 |−21, 62 10 19 21,55 40%
21, 62 |−21, 76 3 22 21,69 12%
21, 76 |−| 21, 9 3 25 21,83 12%
Total 25 100%
2.3 Representação Gráfica
2.3.1 Gráficos para as Variáveis Qualitativas
A representação gráfica da distribuição de uma variável tem a vantagem de, rápida e
concisamente, informar sobre sua variabilidade. Existem vários tipos de gráficos para as variáveis
Qualitativas. Aqui serão ilustrados três deles: Gráficos em Barras, o de Composição em Setores
(�Pizza") e o Gráfico de Pareto.
Gráfico em Barras
O gráfico em Barras consiste em construir retângulos ou barras, em que uma das dimensões é
proporcional à magnitude a ser representada (n), sendo a outra arbitrária, porém igual para
todas as barras. Essas barras são dispostas paralelamente uma às outras, horizontalmente ou
verticalmente. No exemplo a seguir temos o gráfico em barras (verticais) para a variável Grau
de Instrução.
18
Tabela 2.5: Freqüências e Porcentagens dos 36 empregados da seção de orçamentos da
Companhia MB segundo o grau de instrução.
Grau de Instrução Frequência Proporção Porcentagem
Fundamental 12 0,3333 33,33%
Médio 18 0,5 50,00%
Superior 6 0,1667 16,67%
Total n=36 1,00 100,00%
Tabela 2.6: Fonte: Bussab e Morettin (2012)
Figura 2.5: Gráfico em Barras para a Variável Grau de Instrução
Gráfico de Setores ou �Pizza"
O gráfico de composição em setores (pizza), destina-se a representar a composição, usualmente
em porcentagem, de partes de um todo. Consiste num círculo de raio arbitrário, representando o
todo, dividido em setores, que correspondem às partes de maneira proporcional. Para o exemplo
anterior temos o seguinte gráfico:
Figura 2.6: Gráfico em Setores para a Variável Grau de Instrução
19
Gráfico de Pareto
O gráfico de Pareto é um gráfico de barras representando a freqüência absoluta com um gráfico de
linha, representando a porcentagem acumulada. Ele exibe a freqüência absoluta e a porcentagem
acumulada no eixo vertical e as categorias da classificação no eixo horizontal (Ver Figura a
seguir). Organizamos sempre as categorias em ordem decrescente da freqüência de ocorrência,
isto é, a de maior freqüência absoluta fica à esquerda, seguida pela segunda de maior freqüência,
e assim por diante.
Figura 2.7: Produção de aviões em 2000. (Fonte: Boeing Commercial Airplane Company)
2.3.2 Graficos para Variáveis Quantitativas
Gráfico em Barras
O gráfico em Barras para as variáveis quantitativas é construído da mesma forma ao das variáveis
qualitativas. Como ilustração, considere a variável �Número de Filhos"dos empregados casados
da seção de orçamentos da Companhia MB. A abaixo apresenta os dados.
Tabela 2.7: Freqüências e Porcentagens dos empregados da seção de orçamentos da Companhia
MB, segundo o número de filhos.
Núm. de Filhos xi Freq. Abs. Fi Freq. relativa fi%
0 4 20
1 5 25
2 7 35
3 3 15
4 0 0
5 1 5
Total n = 20 100
20
Figura 2.8: Gráfico de Barras para a variável Número de Filhos
Histograma
O histograma é um gráfico de barras contíguas, com bases proporcionais aos intervalos de classes
e a área de cada retângulo proporcional à respectiva freqüência relativa. Indicaremos a amplitude
do i -ésimo intervalo por a i . Para que a área do retângulo respectivo seja proporcional a fi ,
a sua altura deve ser proporcional a di = fi/hi, que é chamada de densidade de freqüência da
i-ésima classe. Com essa convenção, a área total do histograma será 1 (um).
Exemplo: Considerando a variável Salário dos empregados da seção de orçamentos da
Companhia MB, temos os seguintes dados:
Tabela 2.8: Freqüências e Porcentagens dos 36 empregados da seção de orçamentos da
Companhia MB, por faixas de salário
Classe de Salário Fi fi 100× fi Dens. de Freq di = fi/hi
04 |−08 10 0,2778 27, 78% 0,0695
08 |−12 12 0,3333 33, 33% 0,0833
12 |−16 8 0,2222 22, 22% 0,0556
16 |−20 5 0,1389 13, 89% 0,0347
20 |−24 1 0,0278 2, 78% 0,0070
Total n = 36 1,00 100%
21
Figura 2.9: Histograma da Variável Salário
Polígono de Frequências
É um gráfico em linha, sendo as freqüências marcadas sobre perpendiculares ao eixo horizontal,
levantada pelos pontos médios dos intervalos de classe.
Figura 2.10: Poligono de Frequência da Variável Salário
Gráfico em Linhas (ou Gráfico Temporal)
O gráfico em linhas é utilizado para representar observações feitas ao longo do tempo, em
intervalos iguais ou não. Tais conjuntos de dados constituem as chamadas séries históricas, ou
séries temporais. Traduzem o comportamento de um fenômeno em certo intervalo de tempo.
22
2.4 Medidas de Posição ou Tendência Central
Para resumir a quantidade de informação contida em um conjunto de dados, os estatísticos
definem medidas que descreve, através de um só número, características dos dados. Algumas
dessas medidas descrevem a tendência central, isto é, a tendência que os dados tem de se agrupar
em torno de certos valores. Dentre as medidas de tendência central, destacamos:
• Média Aritmética Simples
• Mediana
• Moda
2.4.1 A Média Aritmética Simples
É definida como a soma dos valores do grupo de dados dividida pelo número de valores.
• Média Populacional: µ =
∑N
i=1 xi
N
• Média Amostral: X =
∑n
i=1 xi
n
Exemplo: Suponha o conjunto de tempo de serviço de cinco funcinários: 3,7,8,10 e 11.
Determinar a média aritmética simples deste conjunto de dados.
Solução: Consirando tempo de serviço em anos, temos
X =
∑n
i=1 xi
n
=
3 + 7 + 8 + 10 + 11
5
= 7, 8 (2.2)
Portanto, em média, o tempo de serviço deste grupo de funionários é de 7,8 anos.
23
Média Arimética para dados agrupados
µ =
∑N
i=1 xiFi
N
e X =
∑n
i=1 xiFi
n
Observação: Para dados agrupados em intervalo de classe: xi : ponto médio de cada classe.
Exemplo: A tabela abaixo representa os escores obtidos por um grupo de 58 alunos
matriculados em uma determinada disciplina:
ESCORES ALUNOS
35 |−45 5
45 |−55 12
55 |−65 18
65 |−75 14
75 |−85 6
85 |−95 3
TOTAL 58
Determinar o desempenho médio deste grupo de alunos.
Solução:
ESCORES ALUNOS xi xi ∗ Fi
35 |−45 5 40 200
45 |−55 12 50 600
55 |−65 18 60 1080
65 |−75 14 70 980
75 |−85 6 80 480
85 |−95 3 90 270
TOTAL 58 3610
Assim: X =
∑n
i=1 xiFi
n =
3610
58 = 62, 24
Interpretação: o desempenho médio deste grupo de alunos foi de 62, 24pts.
Características da Média Aritmética Simples
1. A Média Aritmética Simples deverá estar entre o menor e o maior valor observado;
2. A soma algébrica dos desvios calculados entre os valores observados e a média aritmética
é igual a zero;
3. Somando-se ou subtraindo-se todos os valores (Xi) da série por uma constante k (k 6= 0), a
nova média aritmética será igual a média original somada ou subtraída por esta constante
k.
24
4. Multiplicando-se ou dividindo-se todos os valores (Xi) da série por uma constante k (k 6=
0), a nova média aritmética será igual a média original multiplicada ou dividida por esta
constante k.
Vantagens do emprego da média
1. Como faz uso de todosos dados para seu cálculo, pode ser determinada com precisão
mátemática;
2. Pode ser determinada quando somente o valor total e o número de elementos forem
conhecidos.
Desvantagens do emprego da média
1. Não pode ser empregada para dados qualitativos;
2. É influenciada por valores extremos, podendo, em alguns casos, não representar a série.
2.4.2 Mediana
Construindo o ROL, o valor da mediana é o elemento que ocupa a posição central, ou seja, é o
elemento que divide a distribuição em 50% de cada lado.
Sejam os elementos x1, x2, ..., xn uma amostra, portanto n valores da variável X. A mediana
da variável aleatória de X é definida por:
• Se n for par, então o valor mediana será a média entre os elementos de ordem n2 e n2 + 1;
Md =
x(n/2) + x(n
2
+1)
2
(2.3)
• Se n for impar, então o valor mediana será o valor localizado na posição n+12
Md = x(n+1
2
)
Exemplo : Suponha o conjunto de tempo de serviço de cinco funcinários: 3,7,8,10 e 11.
Determinar a mediana deste conjunto de dados.
Solução: Temos n = 5 impar, logo Md = x(n+1
2
) = x3 = 8.
Portanto: 50% dos funcionários possuem até 8 anos de tempo de serviço.
25
Exemplo : Suponha o conjunto de tempo de serviço de seis funcinários: 3,7,8,10,11 e 13.
Determinar a mediana deste conjunto de dados.
Solução: Temos n = 6 par, logo Md =
x(n/2)+x(n2 +1)
2 =
x3+x4
2 =
8+10
2 = 9.
Portanto: 50% dos funcionários possuem até 9 anos de tempo de serviço, ou, 50% possuem
no minimo 9 anos de tempo de serviço..
Mediana para dados agrupados em uma distribuição de frequência por valores
simples
Quando os dados estiverem agrupados numa distribuição de frequência identificamos a mediana
dos valores x1, x2, ..., xn pela posição da mediana POS(Md)=
n
2 através da fequência absoluta Fac
Exemplo 6: Em um determinado dia foi registrado o número de veículos negociados por
uma amostra de 10 vendedores de uma agência de automóveis obtendo a seguinte tabela:
veículos negociados xi número de vendedores Fi Fa
1 1 1
2 3 4
3 5 9
4 1 10
Total 10
Determinar o valor da mediana.
Solução:
• Posição da Mediana: POS(Md) = 102 = 5, ou seja, quinta posição.
• Pela Fa o elementos que se encontra na quinta posição é igual a 3, ou seja, Md = 3.
Portanto, 50% dos vendedores comercializam no máximo 3 veículos.
Mediana para dados agrupados em uma distribuição de frequência por classes
Procedimento
• Calcula-se a posição da mediana: POS(Md)=n2 ;
• Pela Fac identifica-se a classe que contém o valor da mediana;
26
• Utiliza-se a fórmula:
Md = li +
(
n
2 −
∑
f
)
FMd
h
Onde:
• li = limite inferior da classe mediana;
• ∑ f = soma das frequências anteriores a classe da mediana;
• h = amplitude da classe da mediana;
• FMd = frequência absoluta da classe da mediana.
Exemplo: A tabela abaixo representa os escores obtidos por um grupo de 58 alunos
matriculados em uma determinada disciplina:
ESCORES ALUNOS Fi Fa
35 |−45 5 5
45 |−55 12 17
55 |−65 18 35
65 |−75 14 49
75 |−85 6 55
85 |−95 3 58
TOTAL 58
Determinar o valor da Mediana.
Solução:
• Pposição da mediana: POS(Md)=n2 = 582 = 29;
• Pela Fac identifica-se a classe que contém o valor da mediana é a terceira classe;
• Utiliza-se a fórmula:
Md = li +
(
n
2 −
∑
f
)
FMd
h = 55 +
(29− 17)
18
10 = 55 + 6, 67 = 61, 67 (2.4)
Portanto, 50% dos alunos obtiveram escore máximo de 61, 67pts.
2.4.3 Moda
Dentre as principais medidas de posição, destaca-se a moda. É o valor mais frequente da
distribuição
27
Sejam os elementos x1, x2, ..., xn uma amostra, o valor da moda para este tipo de conjunto
de dados é simplesmente o valor com maior frequência.
Exemplo: Suponha o conjunto de tempo de serviço de cinco funcinários: 3,7,8,8 e 11.
Determinar a moda deste conjunto de dados.
Mo = 8⇒ Distribuição unimodal ou modal.
O tempo de serviço com maior frequência é de 8 anos.
Exemplo: Suponha o conjunto de tempo de serviço de seis funcinários: 3,3,7,8,8 e 11.
Determinar a moda deste conjunto de dados.
Mo = 3 e 8⇒ Distribuição bimodal.
O tempo de serviço com maior frequência foram 3 e 8 anos.
Exemplo: Suponha o conjunto de tempo de serviço de cinco funcinários: 3,7,8,10 e 11.
Determinar a moda deste conjunto de dados.
Mo não existe⇒ Distribuição amodal.
Não existe tempo de serviço com maior frequência.
Moda para dados agrupados em uma distribuição de frequência por valores simples
Para este tipo de distribuição, a identificação da moda é facilitada pela simples observação do
elemento que apresenta maior frequência. Assim, para a distribuição.
Exemplo Em um determinado dia foi registrado o número de veículos negociados por uma
amostra de 10 vendedores de uma agência de automóveis obtendo a seguinte tabela:
veículos negociados número de vendedores
1 1
2 3
3 5
4 1
Total 10
Assim, se a maior frequência é Fi = 5, logo Mo = 3, ou seja, a quantidade de veículos
comercializados no dia com maior frequência foi de três veículos.
28
Moda para dados agrupados em uma distribuição de frequência por classes
Para dados agrupados em classes, temos diversas fórmulas para o calculo da moda. A utilizada
será:
Fórmula de Czuber
Procedimento
• Pela Fi identifica-se a classe modal (aquela que possui maior frequência);
• Utiliza-se a fórmula:
Mo = li +
∆1
∆1 + ∆2
h
Onde:
• li = limite inferior da classe mediana;
• ∆1 = Fi − Fi,ant ;
• ∆2 = Fi − Fi,post
• h = amplitude da classe modal;
Fórmula de Pearson
Mo = 3Md− 2X
Exemplo: A tabela abaixo representa os escores obtidos por um grupo de 58 alunos
matriculados em uma determinada disciplina:
ESCORES ALUNOS Fi Fa
35 |−45 5 5
45 |−55 12 17
55 |−65 18 35
65 |−75 14 49
75 |−85 6 55
85 |−95 3 58
TOTAL 58
Determinar o valor da moda.
Solução:
29
• Pela Fi a classe modal é a teceira classe, pois Fi = 18
• Utiliza-se a fórmula:
Mo = li +
∆1
∆1 + ∆2
h = 55 +
(18− 12)
(18− 12) + (18− 14)10 = 55 + 6 = 61 (2.5)
Portanto, o escore com maior frequência entre o grupo de 58 alunos foi de 61pts.
2.5 Medidas de Dispersão
As medidas de dispersão indicam se os valores estão relativamente próximos um dos outros,
ou separados em torno de uma medida de posição: a média. Consideraremos 3 medidas de
dispersão: Amplitude, Variância, Desvio Padrão e Coeficiente de Variação.
2.5.1 Motivação
Para preencher uma única vaga existente em uma empresa, 50 candidatos foram submetidos
a 6 provas sobre conhecimentos específicos de interesse da empresa. Três destes candidatos
destacaram-se com as notas descritas na tabela abaixo:
Que candidato escolher? Um critério inicial poderia ser o de escolher o que tem a maior
média, mas:
Candidatos A B C
Média
De modo análogo, nem adianta pensar em moda ou mediana, pois:
Candidatos A B C
Moda
Mediana
Solução: Um segundo critério de escolha pode ser escolher o candidato que apresentou
notas mais homogêneas, isto é, aquele que apresentou menor dispersão das notas.
2.5.2 Amplitude
A amplitude é definida pelo intervalo entre o valor máximo e o valor mínimo da série de dados,
ou seja,
Amplitude = Máximo Mínimo
Exemplo: Para os três candidatos temos:
30
Candidatos A B C
Amplitude
2.5.3 Variância e Desvio Padrão
A variância de um conjunto de dados é a média dos quadrados dos desvios dos valores a contar
da média. A fórmula da variância poderá ser calculada de duas formas:
• Populacional: representada pela letra grega
σ2 =
∑
(x1 − µ)2
N
(2.6)
;
• Amostral: representada por
S2 =
∑
(x1 −X)2
n− 1 (2.7)
.
Para o calculo do desvio-padrão utiliza-se a raiz quadrada da variância.
Exemplo: Vamos calcular a variância e o desvio padrão para os três candidatos:
Notas
Candidato A 7,0 7,5 8,0 8,0 8,5 9,0
Solução:• Média: X = 8, 0
• Variância:
S2A =
(7− 8)2 + (7, 5− 8)2 + (8− 8)2 + (8− 8)2 + (8, 5− 8)2 + (9− 8)2
6− 1 =
2, 5
5
= 0, 5
(2.8)
Assim: SA =
√
0, 5 ∼= 0, 7
Notas
Candidato B 6,0 7,0 8,0 8,0 9,0 10
Solução:
• Média: X = 8, 0
31
• Variância:
S2B =
(6− 8)2 + (7− 8)2 + (8− 8)2 + (8− 8)2 + (9− 8)2 + (10− 8)2
6− 1 = 5 = (2.9)
Assim: SB =
Notas
Candidato C 7,5 8,0 8,0 8,0 8,0 8,5
Solução:
• Média: X = 8, 0
• Variância:
S2C =
(7, 5− 8)2 + (8− 8)2 + (8− 8)2 + (8− 8)2 + (8− 8)2 + (8, 5− 8)2
6− 1 = 5 =
(2.10)
Assim: SC =
Resumindo
Candidatos Média Moda Mediana Amplitude Variância Desvio Padrão
A 8,0 8,0 8,0
B 8,0 8,0 8,0
C 8,0 8,0 8,0
Variância e Desvio padrão para dados agrupados em uma distribuição de frequência
Quando os dados estiverem agrupados numa distribuição de frequencia usaremos a variância
dos valores x1, x2, ..., xn ponderados pelas respectivas frequências absolutas. Assim:
σ2 =
∑
(x1 − µ)2Fi
N
ou S2 =
∑
(x1 −X)2Fi
n− 1
Observação: Para uma distribuição de frequência por classe, xi representa o ponto médio
de cada classe.
Exemplo Em um determinado dia foi registrado o número de veículos negociados por uma
amostra de 10 vendedores de uma agência de automóveis obtendo a seguinte tabela:
Determinar o calculo do desvio-padrão
32
veículos negociados número de vendedores
1 1
2 3
3 5
4 1
Total 10
Solução:
veículos negociados número de vendedores xi ∗ Fi
(
xi −X
)2 (
xi −X
)2 ∗ Fi
1 1 1 2,56 2,56
2 3 6 0,36 1,08
3 5 15 0,16 0,80
4 1 4 1,96 1,96
Total 10 26 5,04 6,40
Como X = 2, 6, então S2 = 0, 71veculos2 ⇒ S = 0, 84veculos. Portanto, o desvio padrão
do exemplo foi de 0,84 veículos. Ou seja, se calcularmos um intervalo utilizando um desvio
padrão em torno da média, encontramos a concentração da maioria dos veículos negociados por
vendedor.
Exemplo: A tabela abaixo representa os escores obtidos por um grupo de 58 alunos
matriculados em uma determinada disciplina:
ESCORES ALUNOS
35 |−45 5
45 |−55 12
55 |−65 18
65 |−75 14
75 |−85 6
85 |−95 3
TOTAL 58
Determinar o desvio-padrão.
Solução:
ESCORES ALUNOS xi xi ∗ Fi
(
xi −X
)2 (
xi −X
)2 ∗ Fi
35 |−45 5 40 200 494,62 2.473
45 |−55 12 50 600 149,82 1.797,84
55 |−65 18 60 1.080 5,02 90,36
65 |−75 14 70 980 60,22 843,08
75 |−85 6 80 480 315,42 1.892,52
85 |−95 3 90 270 770,62 2.312,86
TOTAL 58 3.610 9.409,66
33
Como X = 62, 24, então S2 = 165, 1pontos2 ⇒ S = 12, 85pontos. Portanto, o desvio padrão
do exemplo foi de 12,85 pontos. Ou seja, se calcularmos um intervalo utilizando um desvio
padrão em torno do escore médio de 62,24, encontraremos a concentração da maioria dos alunos
dentro deste intervalo de pontuação.
2.5.4 Propriedades das medidas de dispersão
1. Todas as medidas de dispersao sao nao negativas!
2. Somando-se uma mesma constante a todas as observações, as medidas de dispersao nao
se alteram.
3. Ao multiplicarmos todos os dados por uma constante k não nula, temos que:
σ2y = k
2σ2x
σy = |k|σx
2.5.5 Coeficiente de Variação
Considere a seguinte situação:
Uma fábrica de ervilhas comercializa seu produto em embalagens de 300 gramas e em
embalagens de um quilo ou 1000 gramas. Para efeitos de controle do processo de enchimento das
embalagens, sorteia-se uma amostra de 10 embalagens de cada uma das máquinas, obtendo-se
os seguintes resultados:
300g →
{
x = 295g
σ = 5g
(2.11)
1000g →
{
x = 995g
σ = 5g
(2.12)
Na primeira máquina, as embalagens deveriam está fornecendo peso de 300g mas, devido a
erros de ajuste da máquina de enchimento, o peso médio das 10 embalagens é de apenas 295g.
O desvio padrão de 5g signfica que, em média, os pesos das embalagens estão 5 gramas abaixo
ou acima do peso médio das 10 latas. Uma interpretação análoga vale para a segunda máquina.
Em qual das duas situações a variabilidade parece ser maior? Ou seja, em qual das duas
máquinas parece haver um problema mais sério? Note que, em ambos os casos, há uma dispersão
de 5g em torno da média, mas 5g em 1000g é menos preocupante que 5g em 300g.
34
Surge assim, a necessidade de uma medida de dispersão relativa, que permita comparar, por
exemplo, esses dois conjuntos. Umas dessas medidas é o Coeficiente de Variação.
Definição: Dado um conjunto de observações x1, x2, . . . , xn o coeficiente de variação (CV)
é definido como a razão entre o desvio padrão dos dados e sua média, ou seja:
CVpopulacional =
σ
µ
× 100 ou CVamostral = S
X
× 100
No exemplo das latas de ervilha, os coeficientes de variação para as embalagens oriundas das
2 máquinas são:
300g → CV = 5
300
× 100 = 1, 67%
1000g → CV = 5
1000
× 100 = 0, 5%
o que confirma a nossa observação anterior: a variabilidade na máquina de 300g é
relativamente maior.
2.6 Exercícios
1. Faça o gráfico de barras, o de composição em setores e o de Pareto para os dados fornecidos
na Tabela abaixo.
Tabela 2.9: Defeitos em elementos estruturais da porta
Tipo de Defeito Frequência absoluta
Partes Salientes 5
Fora do Contorno 30
Partes mal aparadas 25
Total 60
2. Observe a sua conta de luz de 2015 e construa um gráfico temporal e um gráfico de
barras,colocando no eixo x, os meses (janeiro, ..., dezembro) e no eixo y, consumo de
energia (em kWh).
3. Foram coletados aleatoriamente 5 empregados de 3 empresas (A, B e C) e perguntado
para cada um deles o seu salário (em salários mínimos). Se estas 3 empresas estivessem
oferecendo emprego, em qual delas você trabalharia sendo que o resultado da pesquisa
com os 15 funcionários entrevistados foi:
35
Empresa A Empresa B Empresa C
5,5 4 5
6 5 6
6 6 6
6 6 6
6,5 9 7
Obs: Obtenha a Amplitude, Variância e Desvio Padrão de cada empresa para tomar sua
decisão.
4. A distribuição abaixo indica o N
o
de acidentes ocorridos com 70 motoristas de uma
empresa de ônibus: Determine:
N
o
ACIDENTES 0 1 2 3 4 5 6 7
N
o
MOTORISTAS 20 10 16 9 6 5 3 1
a) O número de motoristas que não sofreram nenhum acidente.
b) O número de motoristas que sofreram pelo menos 4 acidentes.
c) O número de motoristas que sofreram menos de 3 acidentes.
d) O número de motoristas que sofreram no mínimo 3 e no máximo 5 acidentes.
d) A percentagem dos motoristas que sofreram no máximo 2 acidentes.
5. A tabela abaixo apresenta uma distribuição de freqüência das áreas de 400 lotes:
áreas (m2) número de lotes
300| − 400 14
400| − 500 46
500| − 600 58
600| − 700 76
700| − 800 68
800| − 900 62
900| − 1.000 48
1.000| − 1.100 22
1.100| − 1.200 6
Com referencia a essa tabela determine:
a) A amplitude total.
b) A amplitude de cada classe.
c) A freqüência da quarta classe.
d) A freqüência relativa da sexta classe.
36
e) A freqüência acumulada da quinta classe.
f) O N
o
de lotes cuja área não atinja 700m2.
g) O N
o
de lotes cuja área atinja e ultrapasse 800m2.
h) A percentagem dos lotes cuja área não atinja 600m2.
i) A percentagem dos lotes cuja área seja maior ou igual a 900m2.
j) A percentagem dos lotes cuja área é de 500m2 no mínimo, mas inferior a 1000m2.
6. Uma pesquisa com usuários de transporte coletivo na cidade de São Paulo indagou sobre os
diferentes tipos usados nas suas locações diárias. Dentre ônibus, metrô e trem, o número
de diferentes meios de transporte utilizados foi o seguinte:
a) Organize uma tabela de freqüência e complete com a frequência relativa e acumulada.
b) Faça uma representação gráfica.
c) Admitindo que essa amostra represente bem o comportamento do usuário paulistano,
você acha que a porcentagem dos usuários que utilizam mais de um tipo de transporte
é grande?
d) Determine a média, moda e mediana.
e) Determine o desvio-padrão.
7. o �tempo de igniçãofria"de um motor de carro está sendo investigado por um fabricante
de gasolina. Os seguintes tempos(em segundos) foram obtidos em um veículo de teste:
1, 75; 1, 92; 2, 62; 2, 35; 3, 09; 3, 15; 2, 53; e 1, 91.
Calcule a média e o desvio padrão da amostra.
8. O Departamento pessoal de uma certa firma fez um levantamento dos salários dos 120
funcionários do setor administrativo, obtendo os resultados (em salários mínimos) da
tabela abaixo.
a) Esboce o histograma correspondente.
b) Calcule a média, mediana, variância e o desvio padrão
37
c) Se for concedido um aumento de 100% para todos os 120 funcionários, haverá
alteração na média? E na variância? Justifique sua resposta.
d) Se for concedido um abono de dois salários minimos para todos os 120 funcionários,
haverá alteração na média? E na variância? E na mediana? Justifique sua resposta.
Faixa salarial Frequência relativa
0| − 2 0,25
2| − 4 0,40
4| − 6 0,20
6| − 8 0,15
9. Faça uma análise comparativa do desempenho dos alunos e alunas de uma turma de
Estatística, segundo as notas dadas a seguir. Para isso, calcule a média, o desvio padrao
e o coeficiente devariaçãocomentando os resultados.
Homens 4,5 6,1 3,2 6,9 7,1 8,2 3,3 2,5 5,6 7,2 3,4
Mulheres 6,3 6,8 5,9 6,0 4,9 6,1 6,3 7,5 7,7 6,5
38
Capítulo 3
NOÇÕES BÁSICAS DE
PROBABILIDADE
3.1 Introdução
A Teoria de Probabilidade, como diz o nome, é o estudo de fenômenos que envolvem a incerteza
e se originou como instrumento para modelar jogos de azar, como cartas e dados.
Probabilidade é a base para a Estatística, ciência utilizada nas mais diversas atividades
humanas, sendo fundamental em várias áreas, como Ciências Humanas, Ciências da Saúde,
Economia e Finanças, Ecologia e Teoria dos Jogos, entre muitos outros. Do ponto de vista
teórico, atualmente, a Teoria de Probabilidade é utilizada como ferramenta em algumas área da
Física e , cada vez mais, em áreas da própria Matemática.
3.2 Experimentos Aleatórios
Definição: Experimentos ou fenômenos aleatórios são aqueles que, mesmo repetidos várias
vezes sob condições semelhantes, apresentam resultados imprevisíveis.
Exemplos
1. Se lançarmos um dado sobre uma superfície plana e observamos o número que aparece na
face superior, não podemos determinar a priori qual será esse número.
2. O número de chamadas telefônicas que chegam a uma central em um determinado intervalo
de tempo não pode ser determinado de antemão.
3. Quando retiramos um lote de peças num processo de produção, observamos que o número
39
de peças defeituosas varia de lote para lote.
4. Se escolhermos uma lâmpada do processo de fabricação e observarmos o seu tempo de
duração, verificaremos que esse tempo varia de lâmpada para lâmpada.
Definição: Os experimentos que ao serem repetidos nas mesmas condições conduzem ao
mesmo resultado são denominados determinísticos.
Exemplos
1. Aquecer a água a 100 graus centigrados, ela entrará em ebulição;
2. Deixar uma pedra cair de uma certa altura, podemos determinar sua posição e velocidade
para qualquer instante de tempo posterior à queda.
3.3 Espaço Amostral
O espaço amostral de um experimento aleatório é o conjunto de todos os resultados possíveis
desse experimento. Denota-se tal conjunto pela letra grega ômega maiúscula Ω. Quando o
espaço amostral é finito ou infinito enumerável, é chamado espaço amostral discreto. Caso
contrário, isto é, quando Ω é não enumerável, vamos chamá-lo de espaço amostral contínuo.
Exemplos: Determine o espaço amostral associado aos seguintes experimentos:
1. Lançamento de um dado; anota-se a configuração obtida.
Ω1 = {1, 2, 3, 4, 5, 6}
2. Lançamento de dois dados; anota-se a configuração obtida.
Ω2 = {(1, 1), (1, 2), (1, 3), (1, 4), (1, 5), (1, 6)
(2, 1), (2, 2), (2, 3), (2, 4), (2, 5), (2, 6)
(3, 1), (3, 2), (3, 3), (3, 4), (3, 5), (3, 6)
(4, 1), (4, 2), (4, 3), (4, 4), (4, 5), (4, 6)
(5, 1), (5, 2), (5, 3), (5, 4), (5, 5), (5, 6)
(6, 1), (6, 2), (6, 3), (6, 4), (6, 5), 6, 6)}
40
3. Uma moeda é lançada duas vezes sobre uma superfície plana. Em cada um dos dois
lançamentos pode ocorrer cara (C) ou coroa (C).
Ω3 = {CC,CC,CC,CC}
4. Três peças são retiradas de uma linha de produção. Cada peça é classificada em boa (B)
ou defeituosa (D).
Ω4 = {BBB,BBD,BDB,DBB,DDB,DBD,BDD,DDD}
5. Uma moeda é lançada sucessivamente até que apareça cara pela primeira vez. Se ocorrer
cara no primeiro lançamento o experimento termina. Se ocorrer coroa no primeiro
lançamento, faz-se um segundo lançamento e se então ocorrer cara o experimento termina.
Se não ocorrer cara nos dois primeiros lançamentos, faz-se um terceiro lançamento e casa
não ocorra cara, faz-se um quarto lançamento e assim por diante até que ocorra a primeir
cara, quando o experimento termina.
Ω5 = {C,CC,CCC,CCCC, . . .}
6. Observar o tempo de vida de uma lâmpada.
Ω6 = {t ∈ R|t ≥ 0}
3.4 Eventos Aleatórios
Os subconjuntos de Ω são chamados eventos aleatórios; já os elementos de Ω são chamados
eventos elementares. A classe dos eventos aleatórios de um espaço amostral Ω, que denotaremos
por F (Ω) , é o conjunto de todos os eventos (isto é, de todos os subconjuntos) do espaço amostral.
A título de ilustração, consideremos um espaço amostral com três elementos: Ω = {e1, e2, e3} .
A classe dos eventos aleatórios é:
F(Ω) = {φ, {e1}, {e2}, {e3}, {e1, e2}, {e1, e3}, {e2, e3}, {e1, e2, e3}}
Assim,
• O evento aleatório pode ser um unico ponto amostral ou uma reunião deles;
• Qualquer que seja o evento E, se E ⊂ Ω, então E é um evento de Ω;
• Se E = Ω, E é chamado evento certo;
41
• Se E ⊂ Ω e E é um conjunto unitário, E é chamado evento elementar;
• Se E = φ, E é chamado evento impossível.
• Dois eventos são ditos mutuamente exclusivos ou disjuntos se A e B não puderem ocorrer
juntos, ou seja, a realização de um exclui a realização do outro. Segue que A e B são
disjuntos se A ∩B = φ
• Os eventos, sendo conjuntos, serão representados por letras maiúsculas do nosso alfabeto,
enquanto os elementos de um evento serão representados por letras minúsculas.
Exemplos:
1. Considere o seguinte experimento: Lançam-se dois dados. Enumerar os seguintes eventos:
a) saída de faces iguais;
A = {(1, 1), (2, 2), (3, 3), (4, 4).(5, 5), (6, 6)}
b) saída de faces cuja soma seja igual a 10;
B = {(4, 6), (5, 5), (6, 4)}
c) saída de faces cuja soma seja menor que 2;
C = φ
d) saída de faces cuja soma seja maior ou igual a 2;
D = Ω
3.4.1 Operações entre Eventos
Consideremos um espaço amostral finito Ω = {e1, . . . , en}. Sejam A e B dois eventos. As
seguintes operações são definidas:
1. União: A ∪ B = {ei ∈ Ω|ei ∈ A ou ei ∈ B; i = 1, . . . n}. Portanto, o evento união é
formado pelos pontos amostrais que pertençam a pelo menos um dos conjuntos.
Propriedades
• A ∪B = B ∪A;
42
• A ∪A = A;
• A ∪ φ = A;
• (A ∪B) ∪ C = A ∪ (B ∪ C)
• Se A ⊂ B ⇒ A ∪B = B( em particular A ∪ Ω = Ω).
2. Interseção: A∩B = {ei ∈ Ω|ei ∈ A e ei ∈ B; i = 1, . . . n}. Portanto, o evento interseção
é formado pelos pontos amostrais que pertençam simultanemente aos eventos A e B.
Propriedades
• A ∩B = B ∩A;
• A ∩A = A;
• A ∩ φ = φ;
• A ∩ Ω = A;
• Se A ⊂ B ⇒ A ∩B = A( em particular A ∩ Ω = A).
• (A ∩B) ∩ C = A ∩ (B ∩ C).
3. Complementar: Ω − A = A = Ac = {ei ∈ Ω|ei /∈ A; i = 1, . . . , n}. O complemento de
um evento A é, portanto, o evento contendo todos os resultados no espaço amostral e que
não pertençam a A.
Propriedades
• (Ac)c = A;
• A ∪Ac = Ω;
• φc = Ω;
• Ωc = φ;
• A ∩Ac = φ.
4. Diferença
A diferença entre dois eventos A e B, representada por A− B, ou equivalentemente, por
A ∩Bc, é o evento formado pelos pontos do espaço amostral que pertencem a A mas não
pertencem a B
5. Outras Propriedades:
a) (A ∪B) ∩ C = (A ∩ C) ∪ (B ∩ C);
43
b) (A ∩B) ∪C = (A ∪ C) ∩ (B ∪ C);
c) (A ∪B)c = Ac ∩Bc;
d) (A ∩B)c = Ac ∪Bc;
As propriedades c e d são conhecidas como Leis de Morgan.
3.4.2 Partição de um Espaço Amostral
Definição: Dizemos que os eventos A1, A2, . . . , An formam uma partição do espaço amostral Ω
se:
1. Ai 6= φ, i = 1, . . . , n;
2. Ai ∩Aj = φ, para i 6= j;
3. ∪ni=1 = Ω.
3.4.3 Exemplos:
1. Uma urna contém bolas numeradas de um a quinze. Uma bola é retirada da urna
e seu número anotado. Sejam A e B os seguintes eventos: A: o número da bola
retirada é par; B: o número da bola retirada é múltiplo de 3. Determine os eventos
A ∪B,A ∩B, (A ∪B)c, (A ∩B)c, Ac, Bc, Ac ∩Bc, Ac ∪Bc, A−B e B −A.
Solução:
Espaço amostral:
Ω = {1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15}
Eventos:
A = {2, 4, 6, 8, 10, 12, 14}, B = {3, 6, 9, 12, 15}
• A ∪B = {2, 3, 4, 6, 8, 9, 12, 14, 15}
44
• B ∩B = {6, 12}
• (A ∪B)c = {1, 5, 7, 11, 13}
• (A ∩B)c = {1, 2, 3, 4, 5, 7, 8, 9, 10, 11, 13, 14, 15}
• Ac = {1, 3, 5, 7, 9, 11, 13, 15}
• Bc = {1, 2, 4, 5, 7, 8, 10, 11, 13, 14}
• Ac ∩Bc = {1, 5, 7, 11, 13}
• Ac ∪Bc = {1, 2, 3, 4, 5, 7, 8, 9, 10, 11, 13, 14, 15}
• A−B = {2, 4, 8, 10, 14}
2. Considere a experiência que consiste em pesquisar famílias com três crianças, em relação
ao sexo delas, segundo a ordem do nascimento. Enumerar os eventos:
a) ocorrência de dois filhos do sexo masculino;
b) ocorrência de pelo menos um filho do sexo masculino;
c) ocorrência de no máximo duas crianças do sexo feminino.
Solução:
Espaço amostral:
Ω = {HHH,HHM,HMH,HMM,MHH,MHM,MMH,MMM}
a) A = {HHM,HMH,MHH}
b) B = Ω− {(MMM)}
c) B = Ω− {(MMM)}
45
3.5 Exercícios
1. Defina um espaço amostral para cada um dos seguintes experimentos aleatórios:
a) Lançamento de dois dados; anota-se a configuração obtida.
b) Uma urna contém duas bolas brancas (B) e três bolas vermelhas (V ). Retira-se uma
bola ao acaso da urna. Se for branca, lança-se uma moeda; se for vermelha, ela é
devolvida à urna e retira-se outra.
c) Lance um dado até que a face 5 apareça pela primeira vez.
d) Em uma urna há 5 bolas identificadas pelas letras {A,B,C,D,E}. Sorteiam-se duas
bolas uma após a outra com reposição, e anota-se a configuração formada.
e) Mesmo enunciado anterior, mas as duas bolas são selecionadas simultâneamente.
f) Em um teste de controle de qualidade da produção, mede-se a duração de lâmpadas,
deixando-as acesas até que queimem.
g) Um fichário com 10 nomes contém 3 de mulheres. Seleciona-se ficha após ficha até o
último nome de mulher ser selecionado e anota-se o número de fichas selecionadas.
2. Peças que saem de uma linha de produção são marcadas defeituosa (D) ou não defeituosa
(N). As peças são inspecionadas e sua condição registrada. Isto é feito até que duas peças
defeituosas consecutivas sejam fabricadas ou que quatro peças tenham sido inspecionadas,
aquilo que ocorra em primeiro lugar. Descreva um espaço amostral para este experimento.
3. Suponha que o espaço amostral Ω seja formado pelos inteiros positivos de 1 a 10. Seja
A = {2, 3, 4}, B = {3, 4, 5} e C = {5, 6, 7}. Enumere os elementos dos seguintes conjuntos:
a) A ∩B b) A ∪B c) A ∩B d) A ∩ (B ∩ C) e) A ∩ (B ∪ C)
4. Considere o experimento: Lançam-se duas moedas. Sejam os eventos: A : saída de faces
iguais e B : saída de cara na primeira moeda. Listas os seguintes eventos: A,B, (A ∪
B), (A ∩B), A ∪B,A ∩B.
5. Suponha que A e B sejam eventos tais que P (A) = x, P (B) = y e P (A∩B) = z. Exprima
cada umas das seguintes probabilidades em termos de x, y e z.
a) P (A ∪B) b) P (A ∩B) c) P (A ∪B) d) P (A ∩B)
6. Sejam A, B e C três eventos de um espaço amostral. Exprimir os eventos abaixo usando
as operações reunião, interseção e complementação:
46
a) somente A ocorre;
b) A e C ocorrem, mas B não;
c) A, B e C ocorrem;
d) pelo menos um ocorre;
e) exatamente um ocorre;
f) nenhum ocorre;
g) exatamente dois ocorrem;
h) pelo menos dois ocorrem;
i) no máximo dois ocorrem.
47
3.6 Probabilidade
3.6.1 Definição Clássica
Seja A um evento de um espaço amostral Ω finito, cujos elementos sao igualmente prováveis.
Define-se a probabilidade do evento A como:
P (A) =
número de casos favoráveis
número de casos possíveis
=
#A
#Ω
(3.1)
Naturalmente, nesta definição estamos supondo que Ω > 0, ou seja, que Ω tenha algum
elemento pois, se não tivesse, nao teriamos o que estudar! Esta foi a primeira definição formal
de probabilidade, tendo sido explicitada por Girolamo Cardano (1501-1576). Vamos nos referir
a ela como a definição clássica de probabilidade. Note que ela se baseia em duas hipóteses:
• Há um numero finito de eventos elementares, isto é, Ω é um conjunto finito.
• Os eventos elementares sao igualmente prováveis.
Propriedades da definição clássica de probabilidade
A definicção clássica de probabiliade satisfaz as seguintes propriedades básicas:
a) 0 ≤ P (A) ≤ 0 para todo evento A ⊂ Ω
b) P (Ω) = 1
c) Se A e B sao eventos mutuamente exclusivos, entao P (A ∪B) = P (A) + P (B) .
Exemplos
1. No lançamento de um dado, qual é a probabilidade de se obter face maior que 4?
Solução:
• Espaço amostral: Ω = {1, 2, 3, 4, 5, 6}
• Evento A = {5, 6}
Assim: P (A) = NCFNTC =
2
6 =
1
3 .
2. Considere um baralho usual composto de 52 cartas divididas em 4 naipes: ouros,copas,
paus e espadas, cada naipe com 13 cartas. As cartas dos 2 primeiros naipes são
48
vermelhas e as dos dois últimos naipes, pretas. Em cada naipe, as cartas podem ser
s, 2, 3, 4, 5, 6, 7, 8, 9, 10, Valete, Dama e Rei. Essas três últimas são figuras que representam
a realeza. Retirando-se ao acaso uma carta desse baralho, qual é a probabilidade de que
seja uma figura? Uma carta preta?
Solução:
• Espaço amostral: Ω = {(Asi, 21, 3i, 4i, 5i, 6i, 7i, 8i, 9i, 10i, Vi, Di, Ri), i =
ouro, copas, paus, espada}
• Seja o evento:
A : { a carta é uma figura } = {(Vi, Di, Ri), i = ouro, copas, paus, espada} , logo #A = 3×4 = 12
(3.2)
Assim:
P (A) =
#A
#Ω
=
12
52
=
1
13
• Seja o evento:
B : { a carta é preta } = {(Vi, Di, Ri), i = ouro, copas, paus, espada} , logo #B = 26
(3.3)
Assim:
P (B) =
#B
#Ω
=
26
52
=
1
2
3. Uma urna contém 6 bolas pretas, 2 bolas brancas e 8 bolas verdes. Uma bola é escolhida
ao acaso desta urna. Qual é a probabilidade de que (i) a bola não seja verde? (ii) a bola
seja branca? (iii) a bola não seja nem branca nem verde?
Solução: Espaço Amostral: {6p, 2b, 8v} → #Ω = 16 e os eventos A: a bola é preta, B: a
bola é branca e C: a bola é verde.
i) P (C) = 1− P (C) = 1− 816 = 816 = 12
ii) P (B) = 216 = 12
iii) Se a bola não é branca nem verde, ela tem que ser preta. Note que estamos pedindo
P (B ∩ C) Pela lei de De Morgan
P (B ∩ C) = P (B ∪ C) = 1− P (B ∪ C) (3.4)
= 1− [P (B) + P (C)] = 1− 2
16
− 8
16
=
6
16
4. Três profissionais com curso superior têm entrevistas programadas em uma grande empresa
do setor alimentício, um por vez. Indicando A, para aprovado na entrevista e R, para
reprovado na entrevista.
49
a) Descreva o espaço amostral;
Ω = {AAA,AAR,ARA,RAA,RRA,RAR,ARR,RRR}
b) Descreva o seguinte evento: "pelo menos dois reprovados";
A = {RRA,RAR,RAA,RRR}
c) Quantos pontos em Ω são favoráveis ao complemento do evento da letra b? Qual a
sua probabilidade?
C = {AAA,AAR,ARA,RAA}
3.6.2 Definição Frequentista de probabilidade
Uma outra maneira de determinar a probabilidade de um evento consiste em repetir-se o
experimento aleatório, digamos n vezes, e anotar quantas vezes o evento A associado a esse
experimento ocorre.
Definição Seja E um experimento e A um evento de um espaço amostral associado Ω. Seja
n(A) o número de vezes em que o evento A ocorreu nas n repetições do experimento. A razão
fn,A =
n(A)
n
é denominada frequência relativa de A nas n repetiçõesdo experimento.
Deve-se notar que a freqüência relativa do evento A é uma aproximação da probabilidade de
A. As duas se igualam apenas no limite. Em geral, para um valor de n, razoavelmente grande
a fn,A é uma boa aproximação de P (A).
Exemplo: Atividade Prática do lançamento da moeda
• Passo 1 Agrupem-se 2 a 2 e peguem uma moeda chamem o valor numérico da moeda
de COROA (K) e a outra face de CARA (C). Suponham que haja interesse em saber se
a sua moeda é honesta (isto significa saber se a probabilidade de CARA de sua moeda é
1
2 ou, em termos percentuais, se a probabilidade de sair Cara é 50%).
• Passo 2 Um membro do grupo vai lançar a moeda e o outro vai marcar os resultados na
planilha anexa, seguindo as seguintes instruções:
50
a) Jogar a moeda uma vez e anotar C ou K no espaço adequado (linha 2) da planilha.
b) Repetir este procedimento 30 vezes, preenchendo um a um todos os espaços da linha
2.
• Passo 3 Continuando com a planilha, trocar de lugar com o parceiro, voltar para os itens
a) e b) das instruções e continuar mais 30 jogadas até perfazer 60.
• Passo 4 Voltar ao primeiro da dupla e, ainda com a planilha, seguir as instruções:
c) Depois do registro na linha 2 de todos os resultados como C ou K, passar para a linha
3: chamar CARA de 1 e COROA de 0 e colocar estes valores na planilha, abaixo de
cada resultado já obtido na linha 2. Cada membro do grupo deve fazer metade um
faz a linha de cima e o outro a linha de baixo.
d) Agora a linha 4 da planilha deve ser preenchida em cada posição deve ser colocado
o número acumulado de CARAS, até aquela jogada (verifique que a jogada está
explicitada na linha 1- que é a linha n) . Discutir com outro membro do grupo para
ver se está claro se não, pergunte! A linha de baixo é continuação do acumulado da
linha de cima.
e) Finalmente chegamos à última linha linha 5: colocar a freqüência relativa (m/n) de
CARAS em cada momento o que é isto? Discuta com o outro membro do grupo
(desprezar as entradas assinaladas com X).
• Passo 5 - depois de completar a 1a parte da planilha, construir a seguinte tabela, usando
as linhas 4 e 5 da planilha:
• Passo 6 - Completar o gráfico, usando os valores da tabela recém construída, do seguinte
modo: Eixo Y valores m/n e Eixo X valores da linha 1: (n)
51
• Passo 7 Comparar os resultados com os colegas e interpretar o resultado comentando
sobre a honestidade da sua moeda.
Conclusão: Com isto chegamos a uma possível definição freqüentista de probabilidade, ou
seja,probabilidade é o valor em que a freqüência relativa se estabiliza após um número muito
grande de ensaios.
3.6.3 Definição Subjetiva
Definição: Cada indivíduo, baseado em informações anteriores e na sua opinião pessoal a
respeito de um evento em questão, pode ter uma resposta para a probabilidade desse evento.
Exemplo: Um médico experiente consegue calcular uma probabilidade do indivíduo ter
uma determinada doença baseado nos sintomas que o indivíduo apresenta.
As definições apresentadas acima não são suficientes para uma formulação matemática mais
rigorosa da probabilidade. Ao redor de 1930, A. N. Kolmogorov apresentou um conjunto de
axiomas matemáticos para definir probabilidade, permitindo incluir as definições anteriores como
casos particulares.
52
3.6.4 Definição axiomática de probabilidade
Na seção anterior, vimos que a definição clássica de probabilidade se restringe a espaços
amostrais finitos, onde os eventos elementares são equiprováveis. Apesar de tais restrições,
essa definição tem várias propriedades interessantes, que foram deduzidas (ou demonstradas) a
partir das três primeiras. Isso nos leva a definição axiomatica de probabilidade.
Definição Uma função P (·), é denominada pro-babilidade se satisfaz os seguintes Axiomas
de Kolmogorov:
1. Axioma 1 : P (Ω) = 1
2. Axioma 2 : Para todo subconjunto A ∈ Ω, 0 ≤ P (A) ≤ 0;
3. Axioma 3 : Para toda sequência A1, A2, . . . ,∈ Ω, mutuamente exclusivos, temos:
P (∪∞i=1Ai) =
∞∑
i=1
P (Ai)
É importante que você observe que os três axiomas correspondem às três primeiras
propriedades vistas para a definição clássica de probabilidade no capítulo anterior. Para a
definição clássica, a demonstração da validade dessas três propriedades é imediata - e óbvia
- a partir da teoria de conjuntos. No caso geral, elas formam o conjunto de axiomas da
probabilidade. A partir dos três axiomas deduzimos as seguintes propriedades:
1. P (φ) = 0
2. P (A) = 1− P (A)
3. Se A ⊂ B entao P (A) ≤ P (B).
4. Para dois eventos A e B quaisquer, P (A ∪B) = P (A) + P (B)− P (A ∩B)
5. Dados os eventos A1, . . . , An, então:
P (∪ni=1Ai) =
n∑
i=1
P (Ai)−
n∑
i 6=j
P (Ai∩Aj)+
n∑
i 6=j 6=k
P (Ai∩Aj∩Ak)−. . .+(−1)n−1P (A1∩. . .∩An).
3.6.5 Exemplos
1. Sejam A e B dois eventos em um dado espaço amostral, tais que P (A) = 0, 2, P (B) =
p, P (A ∪B) = 0, 5 e P (A ∩B) = 0, 1. Determine o valor de p.
53
Solução:
P (A ∪B) = P (A) + P (B)− P (A ∩B)⇒ 0, 5 = 0, 2 + p− 0, 1⇒ p = 0, 5 + 0, 1− 0, 2 = 0, 4
2. Uma urna contém 6 bolas pretas, 2 bolas brancas e 8 bolas verdes. Uma bola é escolhida
ao acaso desta urna. Qual é a probabilidade de que:
a) a bola não seja verde?
b) a bola seja branca?
c) a bola não seja nem branca nem verde?
Solução: Ω = {6p, 2b, 8v} → #Ω = 16 Sejam os eventos: A : { a bola é verde } →
P (A) = 816
B : { a bola é branca } → P (B) = 216
C : { a bola é preta } → P (C) = 616
Assim:
a) P (A) = 1− P (A) = 1− 816 = 816 = 12
b) P (B) = 216 =
1
8
c)
P (B ∩A) = P (B ∪A) = 1− P (B ∪A) = 1− [P (B) + P (A)] = 1− 2
16
− 8
16
=
6
16
3.7 Probabilidade Condicional e Independência
3.7.1 Probabilidade Condicional
Considere as seguintes situações:
Situação 1: Consideremos o lancamento de um dado equilibrado. Ja vimos que o espaco
amostral desse experimento e Ω = {1, 2, 3, 4, 5, 6} . Considere o evento A = "sair face 2". Se
nao temos qualquer informacao alem de o dado ser equilibrado, vimos que P (A) = 16 .
Suponhamos, agora, que o dado tenha sido lançado e a seguinte informação fornecida: "saiu
face par". Qual é a probabilidade de ter saido face 2?
Note a diferença: agora nós temos uma informação parcial sobre o experimento e devemos
usa-la para reavaliar a nossa estimativa. Mais precisamente, sabemos que ocorreu o evento B
54
= "face par". Com essa informação, podemos nos concentrar no evento B = {2, 4, 6} , uma
vez que as faces 1,3,5 ficam descartadas em função da informação dada. Dentro dessas tres
possibilidades, a probabilidade do evento A passa a ser
1
3 . Calculamos, assim, a probabilidade
do evento A, sabendo que ocorreu o evento B. Essa probabilidade sera denotada Pr(A|B) (le-se
probabilidade de A dado B).
Situação 2: Consideremos, agora, o lançamento de dois dados equilibrados e os eventos
A = "soma das faces é par"e B = "`soma das faces é maior ou igual a 9". Se sabemos que
ocorreu B, qual é a probabilidade de ter ocorrido A? Queremos calcular P (A|B). Temos que
A = {(1, 1), (1, 3), (1, 5), (2, 2), (2, 4), (2, 6), (3, 1), (3, 3), (3, 5), (4, 2), (4, 4), (4, 6), (5, 1),
(5, 3), (5, 5), (6, 2), (6, 4), (6, 6)}
B = {(3, 6), (4, 5), (4, 6), (5, 4), (5, 5), (5, 6), (6, 3), (6, 4), (6, 5), (6, 6)}
Se ocorreu B, a unica chance de ter ocorrido A é que tenha ocorrido o evento A ∩ B =
{(4, 6), (5, 5), (6, 4), (6, 6)} e, nesse caso, a probabilidade é 410 , ou seja,
P (A|B) = 4
10
=
4
36
10
36
=
P (A ∩B)
P (B)
Situação 3: Um grupo de 100 alunos foi classificado quanto ao sexo e à atividade de lazer
preferida, obtendo-se a distribuição dada na tabela abaixo.
Sexo Atividade de lazer
Cinema Praia Esporte Total
Masculino 10 12 13 35
Feminino 15 41 9 65
Total 25 53 22 100
1. Qual é a probabilidade de uma pessoa escolhida ao acaso neste grupo ser do sexo
masculino?
Solução:P (M) = 35100
2. Se a pessoa escolhida prefere a praia como atividade de lazer, qual é a probabilidade de
que seja um homem?
Solução: Sejam os eventos: H : homem e A : prefere praia.
P (H|A) = P (H ∩A)
P (A)
=
12/100
53/100
=
12
53
55
3.7.2 Definição :
A probabilidade condicional do evento A dada a ocorrencia do evento B é
P (A|B) = P (A ∩B)
P (B)
, P (B) > 0
P (B|A) = P (A ∩B)
P (A)
, P (A) > 0
Regra da Multiplicação
A definição de probabilidade condicional leva a um resultado importante, conhecido como regra
da multiplicação.
Sejam A e B eventos de um espaço amostral Ω. Então
P (A ∩B) =
{
P (B)P (A|B)
P (A)P (B|A) (3.5)
Esse resultado nos permite calcular a probabilidade da interseção de dois eventos e é muito
útil para modelar experimentos que têm caráter seqüencial, isto é, que são executados em etapas,
uma seguida da outra.
Proposição Regra Geral da multiplicação
Sejam A1, . . . , An uma sequência de eventos de um espaço amostral Ω. Então:
P (A1 ∩A2 ∩ . . . ∩An) = P (A1)× P (A2|A1)× . . .× P (A1|A1 ∩A2 ∩ . . . ∩An−1)
3.7.3 Independência de Eventos
Suponhamos que um dado equilibrado seja jogado duas vezes. Definamos os eventos da seguinte
forma:
A = { o primeiro lançamento mostra um número par }
B = { o segundo lançamento mostra um 5 ou 6 }
Intuitivamente os eventos A e B são inteiramente não relacionados. Saber que B ocorreu
não fornece qualquer informação sobre a ocorrência de A.
Observe: P (A) = 1836 =
1
2 e P (B) =
12
36 =
1
3 , enquanto P (A ∩B) = 16 . Consequentemente:
P (A|B) = P (A ∩B)
P (B)
=
1
2
= P (A)
56
P (B|A) = P (A ∩B)
P (A)
=
1
3
= P (B)
Dessa forma, a probabilidade absoluta (ou não condicionada) é igual à probabilidade
condicionada.
Definição: Sejam A e B eventos de um espaço amostral Ω. Então, A e B são independentes
se
P (A|B) = P (A) ou P (B|A) = P (B)
Consideremos P (A ∩ B), supondo que as probabilidades condicionadas sejam iguais às
probabilidades absolutas. Teremos:
P (A ∩B) = P (A|B)P (B) = P (A)P (B)
P (A ∩B) = P (B|A)P (A) = P (A)P (B)
Desse modo, desde que P (A) e P (B) sejam diferentes de zero, as probabilidades absolutas
seram iguais as probabilidades condicionadas se, e somente se, P (A ∩B) = P (A)P (B).
Definição Sejam A e B eventos de um espaço amostral Ω. Então, A e B são independentes
se
P (A ∩B) = P (A)P (B).
Exemplo: Em um lote de 12 pecas, 4 sao defeituosas, 2 pecas sao retiradas uma apos a
outra, sem reposicao. Qual a probabilidade de que ambas sejam boas?
Solução: Sejam os eventos A = { a primeira peça e boa } e B = { a segunda peça e boa }
P (A? ∩B) = P (A)× P (B|A) = 8
12
7
11
= P (A ∩B) = 14/33
Isto e, se P (A) = P (A|B), é evidente que, se A é independente de B, B é independente de
A; P (B) = P (B|A). Se A e B sao independentes, então temos que P (A ∩B) = P (A).P (B).
3.8 Teorema da Probabilidade Total e Teorema de Bayes
Nesta seção, você estudará dois importantes teoremas de probabilidade e verá suas aplicações em
diversas situações envolvendo a tomada de decisão. Esses teoremas, conhecidos como teorema
da probabilidade total e teorema de Bayes, resultam diretamente da definição de probabilidade
condicional e das propriedades vistas para a probabilidade. A apresentação desses teoremas
57
será feita inicialmente através de exemplos, para que você compreenda bem o contexto de sua
aplicação. Ao final, será apresentada a formulação geral dos teoremas.
3.8.1 Exemplos
1. Uma urna A contém 3 bolas brancas e 2 amarelas, e a urna B contém 4 brancas e 2
amarelas. Escolhe-se, ao acaso, uma urna e dela retira-se também ao acaso, uma bola.
Qual a probabilidade de que seja branca?
Resolução:
Temos que: P (UrnaI) = 12 = P (UrnaII) e:
UrnaI =
{
3B → P (B|I) = 35
2A → P (A|I) = 25
(3.6)
UrnaII =
{
4B → P (B|II) = 46
2A → P (A|II) = 26
(3.7)
Logo a bola branca pode ocorrer: B = (B ∩ I) ∪ (B ∩ II) onde (B ∩ I) e (B ∩ II) são
eventos mutuamente exclusivos.
Assim:
P (B) = P [(B ∩ I) ∪ (B ∩ II)] (3.8)
= P (B ∩ I) + P (B ∩ II) (3.9)
= P (I)P (B|I) + P (II)P (B|II) (3.10)
=
1
2
3
5
+
1
2
2
3
=
19
30
O problema também pode ser resolvido usando o diagrama em arvore:
58
2. Uma caixa tem 3 moedas: uma não viciada, outra com 2 caras e uma terceira viciada, de
modo que a probabilidade de ocorrer cara nesta moeda é de 1/5. Uma moeda é selecionada
ao acaso na caixa. Saiu cara. Qual a probabilidade de que a terceira moeda tenha sido
selecionada?
Solução: Considere os eventos: c : cara e r : coroa
A : primeira moeda → P (A) = 13
B : segunda moeda → P (B) = 13
C : Terceira moeda → P (C) = 13
(3.11)
e
P (c|A) = 1
2
= P (r|A), P (c|B) = 1, P (c|C) = 1
5
e P (r|C) = 4
5
Assim:
P (C|c) = (C ∩ c)
c
=
P (C)P (c|C)
P (A)P (c|A) + P (B)P (c|B) + P (C)P (c|C)
=
1
3
1
5
1
3
1
2 +
1
3 +
1
3
1
5
=
2
17
Usando o Diagrama em arvore:
Logo:
P (C|c) = P (C ∩ c)
P (c)
=
1/5
17/30
=
2
7
(3.12)
3.8.2 Teorema da Probabilidade Total
Seja A1, A2, . . . , An uma partição do espaço amostral Ω e seja B um evento qualquer em Ω.
Então:
59
P (B) =
n∑
i=1
P (Ai)P (B|Ai)
Como visto, a probabilidade P (Ai) é denominada probabilidade a priori do evento Ai,
suponhamos agora que B tenha ocorrido. Vamos usar essa informação para calcular a
probabilidade a posteriori do evento Ai, ou seja, vamos calcular P (Ai|B). Por definição temos
que
P (Ai|B) = P (Ai ∩B)
P (B)
Usando a regra da multiplicação e o teorema da probabilidade total, resulta que
P (Ai|B) = P (Ai)P (Ai|B)∑n
j=1 P (Aj)P (B|Aj)
Esse resultado é conhecido como teorema de Bayes.
3.8.3 Teorema de Bayes
Seja A1, A2, . . . , An uma partição do espaço amostral Ω e seja B um evento qualquer em Ω.
Então
P (Ai|B) = P (Ai)P (Ai|B)∑n
j=1 P (Aj)P (B|Aj)
É importante que, na resolução de exercícios e também na aplicação prática desses teoremas,
você identifique os eventos de interesse, os eventos que definem a partição do espaço amostral
e quais são as probabilidades a priori. Em geral, são essas probabilidades que identificam a
partição de Ω. Vamos considerar mais um exemplo para ilustrar esses pontos.
3.8.4 Exemplo
1. Em uma linha de produção de uma certa fábrica, determinada peça é produzida em duas
máquinas. A máquina 1, mais antiga, é responsável por 35% da produção e os 65%
restantes vêm da máquina 2. A partir dos dados passados e das informações do fabricante
das máquinas, estimase em 5% a proporção de peças defeituosas produzidas pela máquina
1 e em 2, 5% a proporção de defeituosas produzidas pela máquina 2. As peças produzidas
60
pelas duas máquinas seguem para o departamento de armazenamento e embalagem, para
venda posterior, sem distinção de qual máquina a produziu.
a) Qual é a proporção de peças defeituosas colocadas no mercado por essa fábrica?
b) Se um cliente identifica uma peça defeituosa, qual é a probabilidade de que ela tenha
sido produzida pela máquina 2?
Solução: Sejam os seguintes eventos:
M1 : peça fabricada pela máquima 1;
M2 : peça fabricada pela máquima 2;
D : peça fabricada é defeituosa
Temos também que:
P (M1) = 0, 65, P (M2) = 0, 35, P (D|M1) = 0, 05 e P (D|M2) = 0, 025
a) Logo a peça defeituosa pode ocorrer: D = (M1 ∩D) ∪ (M2 ∩D), onde (M1 ∩D) e
(M2 ∩D) são eventos mutuamente exclusivos.
Assim:
P (D) = P [(M1 ∩D) ∪ (M2 ∩D)]
= P (M1 ∩D) + P (M2 ∩D)
= P (M1)P (D|M1) + P (M2)P (D|M2)
= 0, 65× 0, 05 + 0, 35× 0, 025
= 0, 0325 + 0, 00875 = 0, 04125 (3.13)
b)
P (M2|D) = (M2 ∩D)
D
=
P (M2)P (D|M2)
P (M1)P (D|M1) + P (M2)P (D|M2)
=
0, 00875
0, 0325 + 0, 00875
=
0, 00875
0, 04125
∼= 21, 21%
2. Considere novamente a situação do Exemplo anterior, mas com aseguinte modificação:
as peças são produzidas em três máquinas, que são responsáveis por 30%, 35% e 35%
da produção, respectivamente. As proporções de peças defeituosas produzidas nessas
máquinas são 5%, 2, 5% e 2%.
a) Qual é a proporção de peças defeituosas produzidas na fábrica?
61
b) Se um cliente identifica uma peça defeituosa, qual é a probabilidade de que tenha
sido produzida na máquina 1? E na máquina 2? E na máquina 3?
Solução: Sejam os seguintes eventos:
M1 : peça fabricada pela máquima 1;
M2 : peça fabricada pela máquima 2;
M3 : peça fabricada pela máquima 2;
D : peça fabricada é defeituosa
Temos também que:
P (M1) = 0, 30, P (M2) = 0, 35, P (M3) = 0, 35, P (D|M1) = 0, 05, P (D|M2) = 0, 025 e P (D|M3) = 0, 02
a) Logo a peça defeituosa pode ocorrer: D = (M1 ∩D) ∪ (M2 ∩D) ∪ (M3 ∩D), onde
(M1 ∩D), (M2 ∩D) e (M3 ∩D) são eventos mutuamente exclusivos.
Assim:
P (D) = P [(M1 ∩D) ∪ (M2 ∩D) ∪ (M3 ∩D)]
= P (M1 ∩D) + P (M2 ∩D) + P (M3 ∩D)
= P (M1)P (D|M1) + P (M2)P (D|M2) + P (M3)P (D|M3)
= 0, 30× 0, 05 + 0, 35× 0, 025 + 0, 35× 0, 02
= 0, 015 + 0, 00875 + 0, 007 = 0, 03075
b) �
P (M1|D) = (M1 ∩D)
P (D)
=
P (M1)P (D|M1)
P (D)
=
0, 015
0, 03075
= 0, 4878
�
P (M2|D) = (M2 ∩D)
P (D)
=
P (M2)P (D|M2)
P (D)
=
0, 00875
0, 03075
= 0, 2846
�
P (M3|D) = (M3 ∩D)
P (D)
=
P (M3)P (D|M3)
P (D)
=
0, 007
0, 03075
= 0, 2276
3.8.5 Exercícios
1. Considere dois eventos A e B, mutuamente exclusivos, com P (A) = 0, 3 e P (B) = 0, 5.
Calcule:
62
a) P (A ∩B)
b) P (A ∪B)
c) P (A|B)
d) P (A)
e) P (A ∪B
2. Se P (A ∪B) = 0, 8; P (A) = 0, 5 e P (B) = x, determine o valor de x no caso de:
a) A e B serem mutuamente exclusivos.
b) A e B serem independentes.
3. A tabela a seguir apresenta dados dos 1000 ingressantes de uma universidade, com
informações sobre área de estudo e classe sócio econômica.
Área / Classe Alta Média Baixa
Exatas 120 156 68
Humanas 72 85 112
Biológicas 169 145 73
Se um aluno ingressante é escolhido ao acaso, determine a probabilidade de:
a) Ser da classe econômica mais alta.
b) Estudar na área de exatas.
c) Estudar na área de humanas, sendo de classe média.
d) Ser da classe baixa, dado que estuda na área de biológicas.
4. De um total de 500 empregados, 200 possuem plano pessoal de aposentadoria
complementar, 400 contam com o plano de aposentadoria complementar oferecido pela
empresa e 200 empregados possuem ambos os planos. Sorteia-se aleatoriamente um
empregado dessa empresa.
a) Qual é a probabilidade de que ele tenha algum plano de aposentadoria complementar?
b) Qual é a probabilidade de que ele não possua qualquer plano de aposentadoria
complementar?
c) Se o empregado conta com o plano de aposentadoria complementar oferecido pela
empresa, qual é a probabilidade de que ele tenha plano pessoal de aposentadoria
complementar?
63
d) Se o empregado tem plano pessoal de aposentadoria complementar, qual é a
probabilidade de que ele conte com o plano de aposentadoria complementar da
empresa?
5. Dois dados equilibrados são lançados.
a) Encontre a probabilidade de saírem faces iguais nos 2 dados.
b) Sabendo-se que a soma das faces foi menor ou igual a 4, calcule a probabilidade de
saírem faces iguais nos 2 dados.
c) Calcule a probabilidade de sair 5 em pelo menos um dado.
d) Sabendo-se que saíram faces diferentes nos dois dados, determine a probabilidade de
sair 5 em pelo menos um dado.
6. A probabilidade de que um homem esteja vivo daqui a 30 anos é 2/5; a de sua mulher é
de 2/3. Determinar a probabilidade de que daqui a 30 anos:
a) ambos estejam vivos;
b) somente o homem esteja vivo;
c) somente a mulher esteja viva;
d) nenhum esteja vivo;
e) pelo menos um esteja vivo.
7. As falhas de diferentes máquinas são independentes umas das outras. Se há quatro
máquinas, e se suas respectivas probabilidades de falha são 1%, 2%, 5% e 10% em
determinado dia, calcule as probabilidades:
a) de todas falharem em determinado dia;
b) de nenhuma falhar.
8. Uma companhia de seguros vendeu apólices a cinco pessoas, todas da mesma idade e com
boa saúde. De acordo com as tábuas atuariais, a probabilidade de que uma pessoa daquela
idade esteja viva daqui a 30 anos é de 2/3. Calcular a probabilidade de que daqui a 30
anos:
a) exatamente duas pessoas estejam vivas;
b) todas as pessoas estejam vivas;
c) pelo menos três pessoas estejam vivas.
64
9. Um dado é viciado, de tal forma que a probabilidade de sair um certo ponto é proporcional
ao seu valor (por exemplo, o ponto 6 é três vezes mais provável de sair do que o ponto 2).
Calcular:
a) a probabilidade de sair 5, sabendo-se que o ponto que saiu é impar;
b) a probabilidade de tirar um número par, sabendo-se que saiu um número maior que
3.
10. Um restaurante popular apresenta apenas dois tipos de refeições: salada completa ou um
prato à base de carne. Considere que 20% dos fregueses do sexo masculino preferem a
salada, 30% das mulheres escolhem carne, 75% dos fregueses são homens e os seguintes
eventos: H: freguês é homem; M: freguês é mulher; A: freguês prefere salada; B: freguês
prefere carne.
Calcular:
a) Pr(H), P r(A|H), P r(B|M);
b) Pr(A ∩H), P r(A ∪H);
c) P (M |A). R=0,538
11. Sua firma recentemente apresentou proposta para um projeto de construção. Se seu
principal concorrente apresenta uma proposta, há apenas 0, 25 de chance de a firma do
leitor ganhar a concorrência. Se seu concorrente não apresenta proposta, há 2/5 de chance
de a firma do leitor ganhar. A chance de seu principal concorrente apresentar proposta é
de 50%.
a) Qual a probabilidade de sua firma ganhar a concorrência?
b) Qula a probabilidade se seu concorrente ter apresentado proposta, dado que a firma
do leitor ganhou a concorrência?
12. Três máquinas fabricam moldes não-ferrosos (anti-ferrugem). A máquina A produz 1% de
defeituosos, a máquina B 2%, e a máquina C 5%. Cada maquina é responsável por 1/3
da produção total. Um inspetor examina um molde e constata que está perfeito. Calcule
a probabilidade de ele ter sido produzido por cada uma das máquinas.
65
Capítulo 4
Variáveis Aleatórias
Definição: Considere o espaço amostral Ω associado ao experimento aleatório �. Define-se a
variável aleatória X como uma função que associa um número real X(w) a cada elemento do
espaço amostral, w ∈ Ω.
X : Ω→ R
Representamos as variáveis aleatórias por letras maiúsculas e suas ocorrências por letras
minúsculas.
As variáveis aleatórias podem ser discretas e continuas.
Discretas: Se o número de valores possíveis de X (isto é seu contradomínio), for finito ou
infinito enumerável, isto é, existe um conjunto finito ou enumerável {x1, x2, . . . , } ⊂ R tal que
X(w) ⊂ {x1, x2, . . . , }∀w ⊂ Ω
Contínuas: X é uma variável aleatória contínua, se o contradominio de X for um intervalo
ou uma coleção de intervalos.
4.1 Variável Aleatória Discreta
Exemplos:
1. Lança-se uma moeda 10 vezes e anota-se o número de caras. Este número pode ser
0, 1, 2, . . . , 10.
2. Em uma pesquisa de mercado feita com 200 pessoas, perguntam-se estes compram um
determinado produto. O número de pessoas que compram o produto varia de 0 a 200.
66
3. Conta-se o n
o
de acidentes que ocorrem em uma rodovia num feriado prolongado. O
número de acidentes em questão pode ser: 0, 1, 2, . . . Como não temos um valor que limite
esse número, supomos que o número de acidentes é qualquer inteiro não negativo.
4. Número de chamadas telefônicas que chegam a uma central em um intervalo de tempo.
Muitos experimentos produzem resultados não-numéricos. Antes de analisá-los, é
conveniente transformar seus resultados em números. Isto é feito através da variável aleatória
que é uma função que associa um valor numéricoa cada ponto do espaço amostral. Para
entender melhor o conceito, considere o seguinte exemplo.
Representamos as variáveis aleatórias por letras maiúsculas e suas ocorrências por letras
minúsculas.
Exemplo 1: Suponha o experimento: lançar três moedas. Seja X: número de ocorrências
da face cara. O espaço amostral do experimento é:
Ω = {(ccc), (cck), (ckc), (ckk), (kcc), (kck), (kkc), (kkk)}.
Se X é o número de caras, X assume os valores 0, 1, 2, 3. Podemos associar a esses números
eventos que correspondem a nenhuma, uma, duas ou três caras respectivamente, como segue:
X Evento correspondente
0 A1 = {(kkk)}
1 A2 = {(ckk), (kck), (kkc)}
2 A3 = {(cck), (ckc), (kcc)}
3 A4 = {(ccc)}
Definição: Uma v.a é Discreta se o número de valores possíveis de X (isto é seu
contradomínio), for finito ou infinito enumerável.
4.1.1 Função de Probabilidade
Seja X uma variável aleatória discreta. Defini-se Função de Probabilidade a função que associa
a cada valor assumido pela variável aleatória X a probabilidade do evento correspondente, isto
é:
p(xi) = P (X = xi) = P (Ai), i = 1, 2, . . . .
Os números p(xi) devem satisfazer as seguintes condições:
67
• 0 ≤ p(xi) ≤ 1;
• ∑∞i=1 p(xi) = 1.
Ao conjunto {(xi, p(xi)), i = 1, 2, . . .}, é denominado distribuição de probabilidade de
X.
Exemplo 2: Para o exemplo 1, determinar a distribuição de probabilidade de X.
Distribuição de Probabilidade de X
X p(x) = P (X = x)
0 1/8
1 3/8
2 3/8
3 1/8
Gráfico:
Exemplo 3: Considere o experimento � : Lançar dois dados. Seja X a soma das faces,
determinar a distribuição de probabilidade de X.
Considere o espaço amostral:
Ω2 = {(1, 1), (1, 2), (1, 3), (1, 4), (1, 5), (1, 6)
(2, 1), (2, 2), (2, 3), (2, 4), (2, 5), (2, 6)
(3, 1), (3, 2), (3, 3), (3, 4), (3, 5), (3, 6)
(4, 1), (4, 2), (4, 3), (4, 4), (4, 5), (4, 6)
(5, 1), (5, 2), (5, 3), (5, 4), (5, 5), (5, 6)
(6, 1), (6, 2), (6, 3), (6, 4), (6, 5), 6, 6)}
A distribuição de Probabilidade de X é:
68
X Evento p(x) = P (X = x)
2 {(1, 1)} 1/36
3 {(1, 2), (2, 1)} 2/36
4 {(1, 3), (2, 2), (3, 1)} 3/36
5 {(1, 4), (2, 3), (3, 2), (4, 1)} 4/36
6 {(1, 5), (2, 4), (3, 3), (4, 2), (5, 1)} 5/36
7 {(1, 6), (2, 5), (3, 4), (4, 3), (5, 2), (6, 1)} 6/36
8 {(2, 6), (3, 5), (4, 4), (5, 3), (6, 2)} 5/36
9 {(3, 6), (4, 5), (5, 4), (6, 3)} 4/36
10 {(4, 6), (5, 5), (6, 4)} 3/36
11 {(5, 6), (6, 5)} 2/36
12 {(6, 6)} 4/36
Graficamente:
4.1.2 Função de Distribuição Acumulada
Definição: A função de distribuição ou função de distribuição acumulada de X, representada
por FX ou simplesmente por F , é definida por:
FX(x) = P (X ≤ x)∀x ∈ R
Propriedades
• 0 ≤ FX(x) ≤ 1;
• FX(−∞) = 0 e FX(∞) = 1;
69
• P (a < X ≤ b) = FX(b)− FX(a);
• A função FX(x) é não-decrescente, isto é, x1 ≤ x2 temos FX(x1) ≤ FX(x2)
Tendo em mente que FX(x) = P (X ≤ x), podemos observar que:
1. P (X > a) = 1− P (X ≤ a) = 1− FX(a)
2. P (a < X ≤ b) = FX(b)− FX(a)
3. P (X = a) = P (X ≤ a)− P (X < a) = FX(a)− FX(a−). Ou seja, P (X = a) é o tamanho
do salto da função de distribuição em x = a. Se a função for contínua no ponto x = a
então P (X = a) = 0
4. P (a < X < b) = FX(b
−)− FX(a)
5. P (a ≤ X < b) = FX(b−)− FX(a−)
6. P (a ≤ X ≤ b) = FX(b)− FX(a−)
Teorema 1: Se X for uma variável aleatória discreta,
FX(x) =
∑
i
p(xi),
onde o somatório é estendido a todos os índices i que satisfaçam à condição xi ≤ x.
Exemplo 4: Considerando o exemplo 3. Calcule a função de distribuição acumulada de X.
4.1.3 Esperança Matemática
Assim como definimos a média de uma distribuição de freqüências como a soma dos produtos dos
diversos valores observados pelas respectivas freqüências relativas, é natural definirmos agora
a média de uma v.a., ou de sua distribuição de probabilidade, como a soma dos produtos dos
diversos valores de xi da v.a. pelas respectivas probabilidades p(xi).
Definição: Dada uma variável aleatória discreta X, assumindo os valores x1, . . . , xn,
chamamos valor médio ou Esperança matemática de X ao valor:
70
E(X) =
n∑
i=1
xip(xi) =
n∑
i=1
xiP (X = xi).
É uma média ponderada dos xi , em que os pesos são as probabilidades associadas.
Exemplo 5: Um lojista mantém extensos registros das vendas diárias de certo aparelho.
O quadro a seguir dá o número xi de aparelhos vendidos em uma semana e a respectiva
probabilidade:
Número xi 0 1 2 3 4 5
Probabilidade p(xi) 0,1 0,1 0,2 0,3 0,2 0,1
Se for de R$20, 00 o lucro por unidade vendida, qual o lucro esperado nas vendas de uma
semana?
Solução: Calculemos inicialmente E(X), que é o número esperado de aparelhos vendidos
em uma semana:
E(X) = (0)(0, 1) + (1)(0, 1) + (2)(0, 2) + (3)(0, 3) + (4)(0, 2) + (5)(0, 1) = 2, 70.
Para x unidades vendidas o lucro é 20x. Logo, o lucro esperado é de R$54, 00.
Exemplo: Suponhamos que um número seja sorteado de 1 a 10, inteiros positivos. Seja X
o número de divisores do número sorteado. Calcular o número médio de divisores do número
sorteado.
Solução: X: número de divisores, logo:
Número 1 2 3 4 5 6 7 8 9 10
Num. de divisores 1 2 2 3 2 4 2 4 3 4
Assim:
X p(x) = P (X = x) X ∗ p(x)
1 1/10 1/10
2 4/10 8/10
3 2/10 6/10
4 3/10 12/10
Total 1 2,7
Portanto: E(X) = 2, 7 Número médio de divisores do número sorteado
Algumas Propriedades da Esperança
Sejam a, b 6= 0 constantes reais quaisquer.
71
• E(a) = a
• E(X ± a) = E(X)± a;
• E(bX) = bE(X);
• E(a+ bX) = a+ bE(X);
• Se X1, . . . , Xn são n variáveis aleatórias tais que E(Xi) existe (i = 1, . . . , n), então
E(X1 + . . .+Xn) = E(X1) + . . .+ E(Xn)
4.1.4 Variância
Definição: Suponha que X é uma variável aleatória com média µ = E(X). A variância de X,
representada por V ar(X) é definida por:
V ar(X) = E[(x− µ)2], onde µ = E(X)
Definição: Dada uma variável aleatória discreta X, cuja função de distribuição é p(x).
Então, a variância de X é definida por:
V ar(X) =
∑
x
(x− µ)2p(x).
Algumas Propriedades da Variância
Sejam a, b 6= 0 constantes reais quaisquer.
• V ar(a) = 0;
• V ar(X ± a) = V ar(X);
• V ar(bX) = b2V ar(X);
• V ar(a+ bX) = b2V ar(X);
• Se X1, . . . , Xn são n variáveis aleatórias independentes, então
V ar(X1 ± . . .±Xn) = V ar(X1) + . . .+ V ar(Xn)
72
4.1.5 Desvio Padrão
A unidade de medida da variância é o quadrado da unidade de medida da variável em estudo,
sendo assim, uma unidade sem significado físico. Para se ter uma medida de dispersão na mesma
unidade dos dados, define-se o desvio padrão como a raiz quadrada da variância.
DP (X) =
√
V ar(X)
4.2 Variável Aleatória Contínua
Exemplos:
1. Mede-se a altura de uma mulher em uma cidade. O valor encontrado é um número
real. Aqui também sabemos que esse número não passa de 3 metros, mas é conveniente
considerar qualquer n
o
real positivo.
2. Em um exame físico para selecionar um jogador de futebol é medido o peso de cada
candidato; aqui também consideramos que o resultado pode ser qualquer número real
positivo.
3. Em campanhas preventivas de hipertensão arterial é comum de tempos em tempos medir-
se o nível de colesterol. O valor de cada medida pode ser um número real não negativo.
4. Para pacientes que se apresentam num hospital a primeira atitude é medir-se a
temperatura; o valor da temperatura é um número real que
5. Retira-se uma lâmpada da linha de produção e coloca-se a mesma em um soquete
acendendo-a;
observa-se a mesma até que se queime. O tempo de duração da lâmpada é um n
o
real não
negativo. Nos exemplos de 1 a 5, o número observado no experimento aleatório é um número
real e resulta em geral de uma medição:
• altura das mulheres;
• nível de colesterol;
• temperatura;
• tempo de duração da lâmpada.
73
Definição: Seja X uma variável aleatória. Suponha que os possíveis valoresde X seja um
intervalo que possui infinitos valores, então diremos que X é uma variável aleatória contínua.
4.2.1 Função densidade de Probabilidade (f.d.p)
Seja X uma variável aleatória contínua. A função densidade de probabilidade fX(x)
indicada por f.d.p é uma função que satisfaz as seguintes condições:
• fX(x) ≥ 0;
• ∫∞−∞ fX(x)dx = 1
Além disso, definimos, para qualquer c (em RX)
P (a < x < b) =
∫ b
a
fX(x)dx,
observação:
• P (a < x < b) representa a área sob a curva da f.d.p, entre x = c e x = d;
• Constitue uma consequência da descrição probabilística de X que, para qualquer valor
especificado de X, digamos x0, teremos P (X = x0) =
∫ x0
x0
fX(x)dx = 0.
Exemplo 5: Suponhamos que a variável aleatória X seja contínua. Seja a função fX(x)
definida por:
fX(x) =
{
2x, se 0 < x < 1
0, caso contrário .
(4.1)
Verifique se fX(x) é uma função densidade de probabilidade.
Solução: fX(x) é f.d.p de X se
∫ 1
0 fX(x)dx = 1.
74
Mas:
∫ 1
0 2xdx = x
2|10 = 1− 0 = 1, logo fX(x) é f.d.p de X.
Exemplo 6: Suponhamos que a variável aleatória X seja contínua. Seja a função fX(x)
definida por:
fX(x) =
{
cx2, se 0 < x < 2
0, caso contrário .
(4.2)
Qual o valor da contante c para que fX(x) seja uma função densidade de probabilidade?
Solução: fX(x) é f.d.p de X se
∫ 2
0 fX(x)dx = 1
Mas: ∫ 2
0
cx2dx = 1⇔ cx
3
3
|20 = 1⇔
8c
3
= 1⇔ c = 3
8
(4.3)
Exemplo 7 : Um fabricante de televisão a cores oferece uma garantia de 1 ano para
substituição gratuita se o tubo de imagem falhar. Ele estima o tempo de falha (em unidades de
anos), x, como uma variável aleatória contínua com a seguinte fdp
fX(x) =
{
1
4e
−x/4, se x > 0
0, caso contrário .
(4.4)
Qual a probabilidade de você comprar a televisão e necessitar de uma substituição gratuita?
Solução: P (X ≤ 1) = ∫ 01 14e−x/4dx = 0, 2
4.2.2 Função de distribuição acumulada
Teorema 2 Se X for uma variável aleatória contínua com f.d.p fX(x),
FX(x) =
∫ x
−∞
fX(s)ds.
Exemplo 8: Considerando o exemplo 5. Calcule a função de distribuição acumulada de X.
4.2.3 Esperança e Variância
Definição: Seja X uma v.a contínua. O valor médio ou esperança matemática de X é definido
por:
E(X) =
∫ ∞
−∞
xfX(x)dx
Definição: Dada uma variável aleatória contínuaX, cuja função densidade de probabilidade
é fX(x). Então, a variância de X é definida por:
75
V ar(X) =
∫ ∞
−∞
(x− µ)2fX(x)dx =
∫ ∞
−∞
x2fX(x)dx− µ2.
Exemplo 9: Seja
fX(x) =
{
kx, se 0 < x ≤ 1
0, caso contrário .
(4.5)
Determinar:
a) k a fim de que f(x) seja f.d.p.
Solução:
∫∞
−∞ fX(x)dx = 1→
∫ 1
0 kxdx = 1→ k
(
x2
2
)
|10 = 1 Portanto k = 2.
b) P (0 ≤ X ≤ 1/2).
Solução: P (0 ≤ X ≤ 1/2) = ∫ 1/20 2xdx = x2|1/20 = 14 .
c) E(X) e V ar(X)
Solução: E(X) =
∫∞
−∞ xfX(x)dx =
∫ 1
0 x2xdx =
∫ 1
0 2x
2dx = 2
(
x3
3
)
|10 = 23
E(X2) =
∫∞
−∞ x
2fX(x)dx =
∫ 1
0 x
22xdx =
∫ 1
0 2x
3dx = 2
(
x4
4
)
|10 = 12
Portanto: V ar(X) = E(X2)− [E(X)]2 = 12 − 49 = 118
Exemplo 10: Seja X o tempo durante o qual um equipamento elétrico é usado em carga
máxima, num certo período de tempo, em minutos. A função densidade de probabilidade de X
é dada por:
fX(x) =
{
1
5002
x, se 0 ≤ x < 1.500
1
5002
(3.000− x), se 1.500 ≤ x ≤ 3.000 (4.6)
Calcular E(X), ou seja, o tempo médio em que o equipamento será utilizado em carga
máxima.
76
Referências Bibliográficas
[1] Triola, M. F. Introdução a Estatística. Ed. Ltc., 2009.
[2] FONSECA, J. S. da; MARTINS, G de A. Curso de Estatística. 6
o
Edição, São Paulo.
[3] MEYER, P. L. Probabilidade: Aplicações à Estatística. 2 ed. Rio de Janeiro: LTC,
1983. (ISBN 85-216-0294-4)
[4] COSTA NETO, Pedro de oliveira. Estatística. Editora Edgard Blucher, Ltda. 1997.
[5] BUSSAB, W. O. MORETTIN, G de A.Estatística Básica. Ed Saraiva. 6 Edição.
[6] Farias, Ana Maria Lima de. Métodos Estatísticos I. v. único/Ana Maria Lima.
[7] Farias, Ana Maria Lima de.Métodos Estatísticos II. v. 2 / Ana Maria Lima de Farias.
3.ed.Rio de Janeiro: Fundação CECIERJ, 2010.
77
Introdução
O que é Estatística?
Algumas definições sobre Estatística
Conceitos Atuais
As fases do método estatístico
Subdivisões da Estatística
População e Amostra
Censo X Amostragem
Alguns Exemplos de Aplicação da Estatística
Variáveis
Definição de Variável:
Classificação das Variáveis
Parâmetro X Estimador X Estimativa
Exercícios
Estatística Descritiva
Representação Tabular
Tabelas
Séries Estatísticas
Distribuição de Frequência
Tipos de freqüências
Distribuição de Freqüência para Variáveis Quantitativas Contínuas
Representação Gráfica
Gráficos para as Variáveis Qualitativas
Graficos para Variáveis Quantitativas
Medidas de Posição ou Tendência Central
A Média Aritmética Simples
Mediana
Moda
Medidas de Dispersão
Motivação
Amplitude
Variância e Desvio Padrão
Propriedades das medidas de dispersão
Coeficiente de Variação
Exercícios
NOÇÕES BÁSICAS DE PROBABILIDADE
Introdução
Experimentos Aleatórios
Espaço Amostral
Eventos Aleatórios
Operações entre Eventos
Partição de um Espaço Amostral
Exemplos:
Exercícios
Probabilidade
Definição Clássica
Definição Frequentista de probabilidade
Definição Subjetiva
Definição axiomática de probabilidade
Exemplos
Probabilidade Condicional e Independência
Probabilidade Condicional
Definição :
Independência de Eventos
Teorema da Probabilidade Total e Teorema de Bayes
Exemplos
Teorema da Probabilidade Total
Teorema de Bayes
Exemplo
Exercícios
Variáveis Aleatórias
Variável Aleatória Discreta
Função de Probabilidade
Função de Distribuição Acumulada
Esperança Matemática
Variância
Desvio Padrão
Variável Aleatória Contínua
Função densidade de Probabilidade (f.d.p)
Função de distribuição acumulada
Esperança e Variância
Bibliografia