Estatista e Probabilidade - Aeronáutica

ES
STA
ATS
STIC
CA E
PR
ROB
BAB
BILID
DAD
DE
VOL
LUME 1
Proff. Dr. JOO M

MRIO ANDR
RADE P
PINTO
Proff. PEDR
RO AR
RTHUR VICTE
ER
Edioo: 2015, 1 Semestre

e
SUMRIO
SUMRIO....................................................................................................... 2
ALFABETO GREGO ...................................................................................... 9
1
INTRODUO ............................................................................. 11
1.1
Natureza da Estatstica ................................................................................................ 11
1.2
Estatstica e a Vida Diria ........................................................................................... 20
1.3
Algarismos Significativos ............................................................................................. 23
1.3.1
Grandeza .................................................................................................................. 23
1.3.2
Grafia dos nmeros .................................................................................................. 23
1.3.3
Algarismos significativos ......................................................................................... 24
1.3.4
Arredondamento ....................................................................................................... 25
1.3.5
Operaes com algarismos significativos ................................................................ 25
APNDICE A: USANDO O EXCEL ............................................................. 27

A1.
Nomes das partes da interface ..................................................................................... 27
A2.
Para Inserir a Macro "FERRAMENTAS DE ANLISE"....................................... 28
APNDICE B: USANDO HP 50G ................................................................ 30

B1.
Introduo ..................................................................................................................... 30
B2.
Comandos Bsicos ........................................................................................................ 32
B3
Configurar a data e a hora........................................................................................... 34
B4
Colocar a data e a hora na tela da HP 50g ................................................................. 35
B5
Formas de Entrada de Dados ...................................................................................... 36
B6
Selecionar os Menus SOFT ou CHOOSE BOXES .................................................... 38
B7
Configurando a HP 50G .............................................................................................. 39
B8
Configuraes CAS ...................................................................................................... 41
TCNICAS DE AMOSTRAGEM.................................................. 43
2.1
Introduo ...........................................................................Erro! Indicador no definido.
2.2
Conceitos Fundamentais .............................................................................................. 43
2.2.1
Populaes e Questes ............................................................................................. 43
2.2.2
Amostragem ............................................................................................................. 45
2.3
Sorteio Aleatrio ........................................................................................................... 47
2.3.1
A Urna Ideal ............................................................................................................. 47
2.3.2
Tabela de Nmeros Aleatrios ................................................................................. 48
2.4
Tipos de Amostragem................................................................................................... 50
2.4.1
Amostragem Aleatria Simples................................................................................ 50
2.4.2
Amostragem Estratificada ........................................................................................ 55
2.4.3
Amostragem por Conglomerado .............................................................................. 58
2.4.4
Amostragem Sistemtica .......................................................................................... 59
2.5
Exerccios Propostos..................................................................................................... 62
APNDICE A: SOMATRIO ....................................................................... 68

APNDICE B: USANDO O EXCEL ............................................................. 69
B1.
Amostragem .................................................................................................................. 69
B2.
Gerao de nmeros aleatrios ................................................................................... 72
APNDICE C: USANDO HP 50G ................................................................ 76

C1
Gerador de nmeros aleatrios ................................................................................... 76
RESUMO E APRESENTAO DE DADOS ............................... 78
3.1
Introduo ..................................................................................................................... 78
3.2
Pequenos conjuntos de dados numricos. ................................................................... 79
3.2.1
Ordenao e estatsticas de ordem............................................................................ 79
3.2.2
Medidas de Posio ou de Tendncia Central .......................................................... 80
3.2.2.1
Mdia Aritmtica .............................................................................................. 80
3.2.2.2
Mdia Ponderada .............................................................................................. 80
3.2.2.3
Mdia Geomtrica ............................................................................................ 82
3.2.2.4
Mdia Harmnica ............................................................................................. 84
3.2.2.5
Mediana ............................................................................................................ 87
3.2.2.6
Comparao entre a Mdia Aritmtica e a Mediana......................................... 88
3.2.2.7
Moda................................................................................................................. 89
3.2.2.8
Ponto Mdio ..................................................................................................... 89
3.2.2.9
Percentil ............................................................................................................ 90
3.2.2.10
Concluso ....................................................................................................... 94
3.2.3
Medidas de Disperso ou de Variabilidade .............................................................. 95
3.2.3.1
Amplitude ......................................................................................................... 95
3.2.3.2
Varincia e Desvio Padro ............................................................................... 96
3.2.3.3
Coeficiente de Variao ................................................................................... 98
3.2.4
Apresentao de dados por meio de grficos ........................................................... 99
3.2.4.1
Diagrama de pontos .......................................................................................... 99
3.2.4.2
Diagrama de ramo e folhas ............................................................................. 100
3.3
3.3.1
Organizao, apresentao e resumo de grandes conjuntos de dados numricos. 102

Organizao e apresentao dos dados................................................................... 102
3.3.1.1
Distribuio de frequncia .............................................................................. 102
3.3.1.2
Histograma ..................................................................................................... 108
3.3.1.3
Polgono de frequncia ................................................................................... 109
3.3.1.4
Ogiva .............................................................................................................. 109
3.3.2
Medidas de Tendncia Central Para Dados Grupados em Classes ......................... 110
3.3.2.1
Mdia .............................................................................................................. 110
3.3.2.2
Percentil .......................................................................................................... 111
3.3.2.3
Moda............................................................................................................... 114
3.3.2.4
Relao entre as trs medidas de posio (mdia, mediana e moda) moda de
Pearson
3.3.3
115
Medidas de Disperso ou de Variabilidade Para Dados Grupados em Classes ...... 116
3.3.3.1
3.4
Varincia ........................................................................................................ 116

Exerccios Propostos................................................................................................... 117
APNDICE A: USANDO O EXCEL ........................................................... 127

APNDICE B: USANDO A HP 50G .......................................................... 139
A1.
Resumo estatstico ...................................................................................................... 139
A2.
Inserir dados ............................................................................................................... 139
A3
Clculo das medidas de tendncia central e de variabilidade................................. 141
A4
Distribuio de frequncia ......................................................................................... 143
APNDICE C: PROCESSO ABREVIADO PARA O CLCULO DA MDIA

E DA VARINCIA DE DADOS AGRUPADOS................................................... 148
B1.
Dados Codificados por Transformao Linear........................................................ 148
B2.
Processo Abreviado para o Clculo da Mdia e da Varincia de Dados Agrupados

148
PROBABILIDADE ..................................................................... 150
4.1
Introduo ................................................................................................................... 150
4.2
Conceitos ..................................................................................................................... 153
4.2.1
Experimentos Aleatrios ........................................................................................ 153
4.2.2
Espao Amostral .................................................................................................... 154
4.2.3
Evento .................................................................................................................... 158
4.2.4
Composio de Eventos ......................................................................................... 160
4.3
Interpretao Frequencial da Probabilidade ........................................................... 160
4.4
Axiomas e Teoremas da Probabilidade .................................................................... 164
4.4.1
Axiomas ................................................................................................................. 164
4.4.2
Teoremas ................................................................................................................ 165
4.5
Clculo das Probabilidades........................................................................................ 167
4.5.1
Espao Amostral Finito .......................................................................................... 167
4.5.2
Resultados Igualmente Provveis ........................................................................... 168
4.5.3
Probabilidade Condicionada .................................................................................. 170
4.5.4
Independncia Estatstica ....................................................................................... 173
4.6
Regra de Bayes............................................................................................................ 174
4.7
Exerccios Propostos................................................................................................... 178
4.7.1
Anlise Combinatria............................................................................................. 178
4.7.2
Probabilidade.............................................................. Erro! Indicador no definido.
APNDICE A: MTODOS DE CONTAGEM ............................................. 198

A1
Introduo ................................................................................................................... 198
A2.
Fatorial ........................................................................................................................ 198
A3.
Mtodos de Contagem ................................................................................................ 198
A4.
Regra da Multiplicao .............................................................................................. 199
A5.
Permutao ................................................................................................................. 200
A5.
Arranjo ........................................................................................................................ 202
A8.
Combinao ................................................................................................................ 203
APNDICE B: USANDO A HP 50G .......................................................... 205

5
DISTRIBUIO DE VARIVEL ALEATRIA DISCRETA ....... 208
5.1
Conceitos ..................................................................................................................... 208
5.1.1
Funo .................................................................................................................... 208
5.1.2
Varivel Aleatria .................................................................................................. 209
5.1.3
Variveis Aleatrias Discretas e Contnuas ........................................................... 212
5.1.4
Distribuio de Probabilidades de uma Varivel Aleatria Discreta ..................... 213
5.1.5
Especificao de uma Distribuio de Varivel Aleatria Discreta ....................... 217
5.2
Esperana Matemtica e Suas Propriedades ........................................................... 217
5.3
Distribuio Hipergeomtrica ................................................................................... 220
5.3.1
Especificao da Distribuio ................................................................................ 220
5.3.2
Emprego da Distribuio Hipergeomtrica ............................................................ 220
5.4
Distribuio de Bernoulli ........................................................................................... 221
5.5
Distribuio Binomial ................................................................................................ 223
5.5.1
Especificao da distribuio ................................................................................. 223
5.5.2
Emprego da distribuio binomial ......................................................................... 224
5.5.3
Uso da binomial como aproximao da hipergeomtrica....................................... 224
5.6
5.6.1
Distribuio de Poisson .............................................................................................. 225

Emprego da Distribuio ........................................................................................ 225
5.6.2
Especificao da Distribuio ................................................................................ 225
5.6.3
Poisson como Distribuio Limite da Binomial ..................................................... 226
5.6.4
Propriedade Aditiva da Distribuio de Poisson .................................................... 227
5.7
,Exerccios Propostos.................................................................................................. 229
APNDICE A: USANDO O EXCEL ........................................................... 242

A1.
Distribuio Hipergeomtrica ................................................................................... 242
A2
Distribuio Binomial ................................................................................................ 246
A3
Distribuio de Poisson .............................................................................................. 250
APNDICE B: DEMONSTRAO DO LIMITE DA DISTRIBUIO

BINOMIAL .......................................................................................................... 256
APNDICE C: USANDO A HP 50G .......................................................... 257
C1
Variveis ...................................................................................................................... 257
C2
Criar subdiretrio DFUN .......................................................................................... 258
C3
Distribuies de varivel aleatria discreta.............................................................. 261
ALFABETO GREGO
Alfa
Ni
Beta
Csi
Gama
micron
Delta
Pi
Epslon
Dzeta
Sigma
Eta
Tau
Teta
psilon
Iota
Fi
capa
Qui
Lambda
Psi
Mi
mega
Viva um dia de cada vez. Assim, viver todos os dias de

sua vida.
No desista quando ainda capaz de um esforo a mais.
(Autor desconhecido).
costume de um tolo, quando erra, queixar-se dos outros.

costume de um sbio queixar-se de si mesmo.
Scrates, filsofo grego (470 399 a. C.)
11
1 INTRODUO
1.1 Natureza da Estatstica
Muitas pessoas esto familiarizadas com o termo estatsticas, quando usado
para registrar e apresentar dados e grficos, como, por exemplo:
os registros de medidas de resistncia compresso de corpos-deprova de concreto;
os registros das medidas das caractersticas de uma pea;
a evoluo do nmero de carros vendidos no pas de um ano para o

outro;
os grficos apresentados num relatrio anual de uma companhia;
a evoluo do peso de bois de uma determinada raa no tempo;
a taxa de mortalidade infantil em uma determinada regio;
a taxa de desemprego;
a evoluo do preo das aes de uma companhia
a proporo de eleitores que manifestam a inteno em votar em um

determinado candidato.
Um nmero denominado uma estatstica (singular). Por exemplo: em abril de

2014 a taxa de desemprego na Regio Metropolitana de Belo Horizonte alcanou
8,7% (fonte: PED-RMBH); o custo mdio da construo civil em Minas Gerais em
maio de 2014 foi de R$831,26/m2 (fonte: SINAPI/IBGE, maio de 2014). J um
conjunto de nmeros denominado de estatsticas (plural). Como exemplo so
mostrados na Figura 1.1 e Tabela 1.1.
12
2
Tabeela 1.1: Custoos mdios e n

ndices da con
nstruo civil, segundo as reas geogrficas - maio de
d
2014
Va
ariaes Perccentuais
Custos Mdios
M
Nm
meros ndicess
reaas Geogrficaas
(R$/m
m2)
(Ju
un/94 =100)
Mensal
No Anoo
12 Messes
Brasil
886,,51
443,67
1,06
3,07
7,28
8
Reegio Norte
891,,75
444,24
0,23
2,37
7,04
4
Rondnia
959,,77
535,07
0,67
4,27
5,90
0
Acre
964,,53
512,04
0,02
1,43
6,41
A
Amazonas
884,,89
433,21
0,17
1,48
6,16
6
Roraima
948,,89
394,12
0,76
2,02
6,30
0
Par
863,,53
413,79
0,09
2,02
7,60
0
Amap
888,,38
431,45
0,40
6,93
10,32
2
Tocantins
916,,57
481,86
0,43
2,37
6,09
9
13
Tabela 1.1: Custos mdios e ndices da construo civil, segundo as reas geogrficas - maio de
2014
Variaes Percentuais
Custos Mdios Nmeros ndices

reas Geogrficas
(R$/m2)
(Jun/94 =100)
Mensal
No Ano
12 Meses
Regio Nordeste
829,75
448,24
0,36
2,90
6,86
Maranho
863,90
455,14
-0,67
0,42
4,50
Piau
838,58
557,25
0,13
0,87
8,72
Cear
815,74
471,15
-0,08
1,72
7,93
Rio Grande do Norte
787,88
397,05
0,30
1,84
8,95
Paraba
874,14
483,35
3,31
4,62
5,65
Pernambuco
813,75
435,09
0,62
2,85
8,98
Alagoas
801,78
400,64
-0,20
0,94
1,59
Sergipe
802,51
426,44
2,91
5,04
6,84
Bahia
834,21
441,25
0,16
5,29
6,84
Regio Sudeste
933,07
446,54
2,26
4,23
7,94
Minas Gerais
831,26
457,54
0,04
1,74
6,43
Esprito Santo
794,97
441,01
0,17
2,98
6,51
Rio de Janeiro
1.034,67
471,59
4,46
7,11
8,61
So Paulo
964,80
435,72
2,65
4,44
8,55
Regio Sul
887,87
424,67
0,12
1,61
6,48
14
Tabela 1.1: Custos mdios e ndices da construo civil, segundo as reas geogrficas - maio de
2014
Variaes Percentuais
Custos Mdios Nmeros ndices

reas Geogrficas
(R$/m2)
(Jun/94 =100)
Mensal
No Ano
12 Meses
Paran
901,54
431,12
-0,11
0,98
6,49
Santa Catarina
916,88
496,64
0,03
1,78
6,41
Rio Grande do Sul
836,97
379,95
0,62
2,58
6,54
Regio Centro-Oeste
881,56
450,07
0,33
1,38
7,11
Mato Grosso do Sul
871,30
409,62
0,57
1,62
7,38
Mato Grosso
890,04
507,84
0,45
0,72
6,38
Gois
864,36
456,57
0,24
2,51
9,45
Distrito Federal
901,31
398,14
0,12
0,62
4,88
Fonte: IBGE, Diretoria de Pesquisas, Coordenao de ndices de Preos, Sistema Nacional de Pesquisa de
Custos e ndices da Construo Civil.
Entretanto, esse uso do termo no o foco central da questo, pois o termo

estatstica tem um sentido muito mais amplo do que apenas nmeros ou coleo de
nmeros. Estatstica uma cincia que lida, principalmente, com situaes em que a
ocorrncia de algum evento no pode ser predita com certeza. Isso devido ao fato
que a caracterstica bsica de nosso mundo a variabilidade alm de muitas das
vezes baseamos nossas concluses em dados incompletos. Incertezas tambm
surgem em observaes repetidas de um experimento. Apesar de tentativas serem
feitas para controlar os fatores que influem no experimento os resultados so
diferentes, se o instrumento de medida for suficientemente sensvel. o que acontece
quando testamos um mesmo objeto vrias vezes e fazemos as denominadas
repeties genunas, ou seja, a cada vez que repetirmos o experimento deve ser feito
15
como se fosse a primeira vez para dar oportunidade a que todos os fatores que
influem na medida estejam presentes.
Estatstica pode ser definida como:
A cincia de coletar, organizar, resumir, apresentar, analisar e interpretar
dados relativos a um fenmeno objeto de estudo com vistas a tirar concluses
ou tomar decises em situaes em que incertezas e variaes esto
presentes.
A origem da palavra estatstica est associada palavra latina status (Estado),
de onde surgiu a palavra alem Statistik, designando a anlise de dados sobre o
Estado. Essa palavra foi proposta pela primeira vez por Gottfrierd Achenwall (1749).
Na Enciclopdia Britnica aparece como verbete em 1797. Estatstica s adquiriu um
significado de coleta, classificao e anlise de dados, no incio do sculo XIX.
A considerao de que a etimologia da palavra estatstica a palavra latina
status reforada quando se procuram os primeiros exemplos escritos de aplicao
da Estatstica. Existem evidncias de que 3000 anos A.C. j se faziam censos na
Babilnia, China e Egito com objetivo de coletar dados sobre colheitas, composio
da populao humana ou de animais, impostos, etc. So dignos de nota os censos
descritos na Bblia.
O Pentateuco (do grego cinco rolos ou livros) designa os cinco primeiros
livros da Bblia. Foi escrito por Moiss durante os 40 anos que durou a caminhada dos
israelitas em direo terra prometida. Isso ocorreu por volta de 1.230 anos A.C. O
quarto livro o Nmeros onde est escrito a realizao de dois censos que foi feito
por determinao de Deus a Moiss. O primeiro censo foi realizado no incio da
caminhada com objetivo de conhecer a quantidade de homens maiores que vinte
anos aptos para a guerra. O total dos homens aptos para a guerra em Israel foi de
603.550 homens recenseados. O segundo censo foi realizado no final da caminhada
e teve como objetivo identificar todos os homens maiores que vinte anos (o total dos
israelitas recenseados era de 601.730 homens) para repartir a terra em herana.
Assim Deus falou a Moiss: Entre esses se repartir a terra em herana, de modo
proporcional ao nmero de pessoas. s tribos mais numerosas aumentars e s
16
menos numerosas diminuirs as repetectivas heranas, concedendo a cada uma a
herana correspondente aos recenseados. A distribuio da terra, porm, se far por
sorteio, como herana a ser distribuda pelos nomes das tribos patriarcais. Outro
registro bblico que faz referncia a recenseamento o Evangelho de So Lucas (2,
1-3). Cita a determinao do Imperador Csar Augusto para que se fizesse o
recenseamento de todo o imprio romano, ocasio do nascimento de Jesus. A
palavra censo, cujo sinnimo recenseamento, derivada da palavra latina census.
As informaes obtidas eram utilizadas para a taxao de impostos ou para o
alistamento militar, ou seja, voltadas para os interesses do estado.
A Estatstica teve a sua grande arrancada como cincia no sculo XVII, ainda
tendo como objetivo a descrio dos bens do Estado. Hoje em dia, os relatrios
governamentais que contm macia documentao numrica com ttulos, tais como
Estatstica de Produo Agrcola, Estatstica de Produo Industrial e Estatstica
de Desemprego, so reminiscncias da origem da palavra estatstica.
Assim, por motivos histricos, um grande segmento do pblico, em geral, ainda
tem a conceituao errada, de que Estatstica exclusivamente associada com
arranjos traumticos de nmeros e, algumas vezes, sries intrincadas de grficos.
Entretanto, essencial lembrar que a teoria e a metodologia estatstica moderna tm
feito enormes progressos, alm da mera reunio de tabelas e grficos numricos.
Como uma cincia, Estatstica contm conceitos e mtodos, de grande importncia
em todas as investigaes que envolvem a coleta de dados, por um processo de
experimentao ou observao e envolvem as inferncias ou a tomada de decises
pela anlise de tais dados.
Desde ento o campo de aplicao
da estatstica tem-se ampliado
consideravelmente, por causa, principalmente, da necessidade de se tomarem

decises rpidas com risco controlado. Atualmente, alm de ser um instrumento
indispensvel aos pesquisadores e as organizaoes, a Estatstica essencial para
uma compreenso e uma comunicao clara e efetiva, sendo, portanto, fundamental
para todo profissional que precisa conhecer e compreender fatos de vrias naturezas.
O pensamento estatstico baseia-se em fatos, em dados e, no, em opinies ou
achismos.
17
A reputao de dificuldade da Estatstica provm, em parte, da poca anterior s
calculadoras eletrnicas e aos computadores, quando os profissionais que utilizavam
dos mtodos estatsticos eram forados a efetuar manualmente clculos laboriosos.
Hoje uma calculadora ou um computador faz essa parte maante do trabalho,
deixando esses profissionais muito mais livres para estudar e entender o significado
do que se passa. Nesse texto ser usado o Excel e a calculadora HP 50G para fazer
os clculos. Assim, aps cada captulo ser apresentado, de maneira detalhada, um
exemplo com uso do Excel e da HP 50G, assim como sua anlise e interpretao.
1.2 Estatstica aplicada nas organizaes

Os
avanos
tecnolgicos,
principalmente
da
informtica,
tambm
tm
contribudo muito para a expanso e desenvolvimento do pensamento estatstico,

pois, os computadores, com alguns softwares, liberaram o ser humano para as
atividades de anlise e interpretao dos dados, alm de facilitar enormemente a
coleta de dados. Hoje, por meio da grande utilizao de computadores (com utilizao
de interface analgica/digital), relativamente fcil a coleta de dados. Isso faz com
que se obtenham muitos dados e as pessoas acabam se perdendo no meio deles. Os
dados por si s no tm qualquer valor. necessrio trata-los, analisa-los, guarda-los
e compartilha-los para que sejam teis (Fig 1.2).
18
8
Figura
a 1.2: Tran
nsformao
o de dadoss em capita
al intelectu
ual.
C
Capital In
ntelectual: valor agrregado aos
s produtos
s da organnizao po
or meio do
o
conhe
ecimento in
ncorporado
o aos servvios, bens
s e process
sos, prove niente da anlise de
e
inform
maes ressultantes de tratamen
nto de dados.
A
As aes de
d tratame
ento de org
ganizao e de anlis
se e estuddo so realizados porr
meio da utilizao de mttodos esta
atsticos. Dessa forma
a no se oobtm conhecimento
o
e consequente capital
c
inte
electual sem
m a utilizao de m
todos estaatsticos
1.3 Estatsttica aplicada pesquiisa expe

erimenttal
Pesquisa experimen
ntal um
m process
so de aprrendizado iterativo. Questess
relativvas ao ente
endimento
o de algum
m fenmeno
o social, fsico, qum
mico ou biolgico so
o
formu
uladas e te
estadas por meio de um conjun
nto de dad
dos. Por suua vez, um
ma anlise
e
dos d
dados obtidos experrimentalme
ente ou por observa
ao geraalmente prropicia um
m
entendimento modificado
m
do fenm
meno. Por meio des
sse processso de ap
prendizado
o
eis podem ser elimin
nadas ou adicionada
a
as ao estuddo. Assim, pesquisa
a
iterativvo, varive
experrimental co
ompreende
e uma sequ
uncia, que
e correspo
onde s se guintes eta
apas:
1. formula
o de ques
stes que surgem do
o estudo de
e algum feenmeno;
2. identificao de va
ariveis me
ensurveis
s que contm inform
mao sobrre aquelass
questess;
3. conduo
o de experrimento pa ra acumula
ar dados daquelas
d
vaariveis;
4. anlise dos dados;
5. concluso.
19
Para ilustrar, consideremos o seguinte exemplo simples: estudo da obesidade
entre os alunos de uma faculdade (adultos).
1. Questes de interesse:
qual a percentagem de alunos de peso abaixo do normal?
qual a percentagem de alunos de peso normal?
qual a percentagem de alunos obesos?
2. Varivel: ndice de massa corporal (IMC)
peso kgf
altura m 2
Categoria:
IMC 20 kgf/m2 indivduos abaixo do peso normal;
20 < IMC 25
indivduos com peso normal;
25 < IMC 30
indivduos acima do peso normal;
30 < IMC 35
indivduos com obesidade grau I;
35 < IMC 40
indivduos
com
obesidade
(obesidade mrbida);
MC > 40
indivduos com obesidade grau III.
3. Experimento:
i. escolha dos alunos que iro representar os alunos da faculdade;
ii. medies de peso e altura dos alunos selecionados.
4. Anlise dos dados: enquadrar o IMC nas categorias.
5. Tirar concluses.
grau
II
20
A partir desse exemplo simples v-se que, para se conduzir o experimento,
necessrio escolher os representantes dos alunos que sero objeto do estudo e as
concluses obtidas, a partir das medies realizadas nos poucos alunos escolhidos,
sero estendidas para todos os alunos da faculdade.
Percebe-se, desse modo, que o processo da escolha dos representantes do
todo fundamental para a qualidade da anlise.
Aps a obteno dos dados, durante as etapas de anlise e concluso,
necessria a aplicao de mtodos estatsticos.
1.4 Estatstica e a Vida Diria

De tudo que vimos, um estudante poderia ainda fazer as seguintes perguntas:
Por que estudar estatstica?
Quem necessita estudar estatstica?
Como pode um conjunto de nmeros fornecer qualquer informao

til?
As respostas a essas questes seriam: Estudamos dados numricos para

ganhar conhecimento sobre vrios fenmenos que existem no nosso meio e que so
de nosso interesse. Qualquer pessoa que depende de medidas numricas para tomar
deciso necessita de estatstica. possvel tomar deciso sem estatstica, mas a
qualidade da deciso ser provavelmente melhor utilizando estatstica. Estatstica
oferece tcnicas para introduzir evidncia numrica em nosso processo de tomada de
deciso. Isto , mtodos estatsticos para preparar, apresentar, e interpretar
evidncias numricas so teis para tomar deciso, seja como um meio para que a
pessoa que vai tomar deciso possa tirar proveito de todos os fatos pertinentes, seja
como um meio pela qual a deciso possa ser justificada para os outros.
Conhecimentos adquiridos por meio da coleta e interpretao de dados no
prerrogativa s de pesquisadores ou de organizaes. Ela permeia a vida quotidiana
de todas as pessoas que se esforam, consciente ou inconscientemente, para
entender assuntos de interesse da sociedade, das condies de vida, do meio
21
ambiente, e do mundo em geral. Assim, para aprender sobre o desemprego, a
poluio de rejeitos industriais, o desempenho de times de futebol, a eficincia de
analgsicos e outros interesses da vida contempornea, preciso coletar dados
numricos que sero interpretados por ns ou por terceiros. Mesmo que a
interpretao desses dados numricos seja realizada por terceiros necessrio ter
minimamente um conhecimento de estatstica para que se possam entender os
resultados apresentados.
Fontes de informao factual abrangem desde experincia individual a registros
da mdia, registros governamentais, registros de uma empresa, e artigos profissionais.
Previso do tempo, relatrios de venda, ndices do custo de vida e resultados de
opinio pblica a respeito de candidatos ao governo so alguns exemplos. Essas
informaes precisam ser preparadas e dispostas de modo a propiciar ao leitor
condio de interpret-las. Para se atingir esse objetivo so empregados
extensivamente os mtodos estatsticos. Mtodos estatsticos tm um importante
papel num moderno estado democrtico. Por exemplo, se o governo puder determinar
os desejos e necessidades do povo por meio de mtodos de amostragem confiveis e
rpidos, as polticas pblicas formuladas com base nessas informaes podem ser
mais receptivas aos anseios do povo.
Relatrios, baseados em dados estatsticos, contendo interpretaes e
concluses, so muito teis. No entanto, frequentemente, o emprego incorreto de
estatstica, de modo deliberado ou inadvertido, leva a concluso errada e, portanto, a
distoro da verdade. Para o pblico em geral, que so os consumidores desses
relatrios, raciocnio estatstico essencial para poder interpretar adequadamente os
dados e avaliar as concluses que so tiradas. Raciocnio estatstico fornece critrios
para discernir as concluses que so, de fato, suportadas por dados daquelas que
no o so. Em todos os campos do estudo, em que inferncias so obtidas a partir
das anlises dos dados, a credibilidade das concluses tambm depende fortemente
do mtodo estatstico usado no estgio da coleta de dados.
O novelista, historiador e socilogo ingls, H. G. Wells (1866 - 1946) fez a
seguinte previso: o pensamento estatstico ser um dia to necessrio para o
cidado eficiente quanto habilidade de ler e escrever. J alcanamos esse dia
previsto por Wells. Hoje, em qualquer tipo de mdia, as notcias so quase sempre
22
dadas em funo de anlise e interpretao de dados, alm se fazerem,
constantemente, referncia ao termo estatstica para fundamentar as concluses
obtidas. Assim, o uso do pensamento estatstico hoje fundamental para o cidado,
confirmando, assim, a previso de Wells.
1.5 Mtodos estatsticos

Particularmente, nas cincias sociais, naturais, da sade, humanas e exatas, o
uso dos mtodos estatsticos aumentou consideravelmente nas ltimas dcadas.
Devido a esse interesse variado e amplo, tais mtodos desenvolveram-se
consideravelmente e cresceram em diversidade e complexidade. Contudo, muitas das
tcnicas mais importantes so as mesmas para os vrios ramos de aplicao. Esses
mtodos universais que sero estudados neste curso.
1.6 Uso de meios eletrnicos

O maior impacto na estatstica foi o surgimento de computadores e de
calculadoras e o efeito dramtico que tiveram na sua prtica diria. Hoje temos
diversos pacotes estatsticos tais como Minitab, SAS, SPSS, etc. O estudante que
realmente planeja se concentrar em estatstica precisar certamente de um desses
softwares estatstico mais sofisticado. No entanto, para a maior parte das aplicaes
no dia a dia da estatstica, uma planilha eletrnica resolve, com as seguintes
vantagens:
1. os programas de planilhas, por serem de ampla utilizao, so mais
baratos que os programas estatsticos que tm um mercado bem
restrito.
2. Os profissionais que necessitam manipular e analisar dados
numricos, tais como engenheiros, administradores, contadores e
gerentes utilizam frequentemente planilhas. J o uso de pacotes
estatsticos de uso espordico tornando difcil o seu uso, pois a
cada aplicao necessrio um reaprendizado.
23
Por que o uso do Microsoft Excel? Esse pacote tornou-se a planilha eletrnica
mais conhecida e usada nos computadores pessoais e normalmente vem instalado no
computador ao compra-lo.
Neste texto, aps cada captulo sero introduzidas aplicaes usando o Excel e
a calculadora HP 50G. Instrues passo a passo so fornecidas cada vez que um
novo tpico apresentado. De modo que mesmo os menos fluentes em Excel ou na
HP 50G no devem ter maiores dificuldades na sua aplicao.
1.7 Algarismos Significativos

1.7.1 Grandeza
Grandeza uma entidade suscetvel de medida. So exemplos de grandezas:
comprimento, tempo, peso, temperatura, rea, volume, velocidade, etc.
Medir uma grandeza compar-la com outra fixa, de mesma espcie e
considerada como padro. Aps ser feita a comparao, obtemos o que chamamos
de medida. Logo:
Medio ato de medir

Medida resultado de uma medio.
Uma medida composta de: (Nmero)(unidade)

Ex: 0,01mm,
2m,
10g
1.7.2 Grafia dos nmeros

Segundo a Resoluo n 12, de 12 de outubro de 1988 do Conselho Nacional de
Metrologia, Normalizao e Qualidade Industrial CONMETRO, a grafia das
grandezas obedece ao seguinte:
Para separar a parte inteira da parte decimal de um nmero,

empregada sempre uma vrgula; quando o valor absoluto do nmero
menor que 1, coloca-se 0 esquerda da vrgula.
24
4
1.7.3 Algarism
mos significativos
S
Seja a me
edio do comprimen
c
nto de um objeto utiliizando um
ma rgua milimetrada
m
a
como na Fig 1.
a 1.1: Realizao de uma mediida
Figura
Fonte
e: autores.
Qual o valor da leitura? Se o vallor da me
edida for expresso
e
ppor 2,6234
4cm, essa
a
medid
da tem sen
ntido? Tem
m significa
ado? claro que no, pois o tterceiro algarismo
duvido
oso e por tanto com muito maiis fora de
e razo os outros doi s seguinte
es o so e,,
portan
nto dever
o ser desp
prezados. A
Assim, no valor que expressa a magnitud
de de uma
a
grand
deza por meio
m
de uma unidad
de de med
dida, os algarismos
a
s conhecidos com
m
certezza
mais
algarismo
du
uvidoso
so
den
nominadoss
de
allgarismos
s
signifficativos.
S
Se esquerda de um
m nmero s houverr zeros, es
sses zeros no so algarismos
a
s
signifiicativos.
eros que no tm vrgula decimal,
d
os
o zeros ppodem se
er ou no
o
Nos nme
signifiicativos. Para elimina
ar possve is confuses, vamos
s adotar a cconveno
o de incluirr
uma vvrgula deccimal se os
s zeros forrem signific
cativos. As
ssim, o nm
mero (100,) tem trss
algarismos sign
nificativos, enquanto
o (100) s
tem um
m. Ou entto, escre
eve-se em
m
notao cientficca 1,00 102 (com ttrs algaris
smos significativos) ou 1 102 (com um
m
algarismo signifficativo).
No exxemplo da
a figura 1 pode-se expressar o resulta
ado da m
medida porr: 3,62cm,,
3,63cm. Das du
uas leituras
s os algarrismos 3 e 6 no so
o duvidosoos, porm o terceiro
o
algarismo .
Exem
mplos:
a) 0,01521m
m tem 4 algarismos
a
s significativos, sendo 1 o duviddoso.
25
b) 248.350m = 248,350km tem 6 algarismos significativos, sendo 0 o duvidoso.
c) 13,2s tem 3 algarismos significativos, sendo 2 o duvidoso.
d) 13,20s tem 4 algarismos significativos, sendo 0 o duvidoso.
e) 13,200s tem 5 algarismos significativos, sendo 0 o duvidoso.
Observe que 13,2s, 13,20s e 13,200s no tm o mesmo significado.
1.7.4 Arredondamento
Em alguns casos pode ser necessrio fazer arredondamentos. Para fazer
arredondamentos usamos a regra (Normas de Apresentao Tabular, IBGE, 3.
Edio, 1993):
1) No arredondamento do dado numrico, quando o primeiro algarismo
a ser arredondado for 0, 1, 2, 3 ou 4, deve ficar inalterado o ltimo
algarismo a permanecer.
Ex:
2,422 reduzido a 2 algarismos significativos fica 2,4
25.323 reduzido a 3 algarismos significativos fica 253.102
25.323 reduzido a
2 algarismos significativos fica 25.103
2) No arredondamento do dado numrico, quando o primeiro algarismo

a ser abandonado for 5, 6, 7, 8, ou 9, deve-se aumentar de uma
unidade o ltimo algarismo a pemanecer.
Ex:
45.768 reduzido a 2 algarismos significativos fica 46.103
1.7.5 Operaes com algarismos significativos

Adio e subtrao:
26
O resultado de uma soma ou de uma subtrao deve ser relatado com o mesmo
nmero de casas decimais que o termo com o menor nmero de casas decimais. Por
exemplo, os resultados das seguintes soma e subtrao:
6,3m + 8,44m = 14,37m = 14,4m
90m 2,28m = 87,72m = 87m
Multiplicao e diviso:
O resultado de uma multiplicao ou de uma diviso deve ser arredondado para
o mesmo nmero de algarismos significativos que o do termo com o menor nmero
de algarismos significativos.
6,3m x 2,14m = 13,482m = 13m
6,3m/2,14m = 2,9439252m = 2,9m
Quando um clculo envolver mais de uma operao, aps a realizao de cada
operao, pode-se ou no efetuar o arredondamento para o devido nmero de
algarismos significativos. Por exemplo:
13,428m (6,2m 90,14356m) = 13,428m 0,069 = 0,93m
13,428m (6,2m 90,14356m) = 0,923566...m = 0,92m
Note que no segundo caso o arredondamento s foi feito aps a realizao de
todas as operaes, mostrando que o resultado final depende de como a operao foi
feita e da realizao ao no de arredondamentos(s) a cada etapa do clculo. Assim,
para fins de padronizao e considerando o uso de calculadores eletrnicas, nos
clculos ao longo do curso os arredondamentos devero ser feitos somente no
resultado final.
No apndice B do captulo 7 esse assunto ser visto com mais profundidade.
27
7
APN
NDICE A
A: USA
ANDO O EXCE
EL
A1. Nomes das partes da interfac
ce
O
Os nomess das vrias
s partes da
a interface
e do progra
ama so m
mostrados na
n figura a
seguirr.
Barraa de ttulo
C
Caixa
de nom
me
Barra de menus
Barra d
de frmulas
Barra
de
d
ferramenta
as
padro
Barra
de
ferramenttas
formata
o
Clula ativa
a
Ferrame
entas de desenho
Guia das planilhas

Barra
a de status
Barra
as de rolagem
m
28
Aps cad
da captulo ser ap
presentado
o um exerrccio de aaplicao usando o
el.
Exce
A2.. Para In
nserir a Macro "FERRAMENT
TAS DE ANLIS
SE"
Selecione
e, com o mouse, o menu FER
RRAMENT
TAS e esccolha ento
o a opo
o
SUP
PLEMENTO
OS, como apresentad
do na figurra a seguirr.
Selecione
e a opo FERRAME
ENTAS DE
E ANLISE
E e clique eem OK.
29
9
Dessa fo
orma apare
ecer, no d
do menu FERRAME
F
ENTAS, a oopo ANLISE DE
E
DAD
DOS, como
o mostrado
o na figura a seguir.
Antes de
e usar a op
po Anlisse de Dados, devem
mos preparaar uma pla
anilha com
m
os dados que sero
s
anallisados.
30
0
AP
NDICE B:: USANDO
O HP 50G
B1.. Introdu
uo
Este ap
ndice foi baseado no Guia do
d Usurio
o da HP 550G, no qual
q
foram
m
extra
ados, inclu
usive, algu
uns pargra
afos inteiro
os que esta
aro entre aspas.
Voc tem
m em suas
s mos um
m computa
ador numrrico e simbblico com
mpacto que
e
faciliitar o c
lculo e a anlise m
matemtica
a de probllemas em uma variedade de
e
disciiplinas; de
e matemtiica elemen
ntar, engenharia ava
anada e aassuntos cientficos.
c
.
Emb
bora menccionada co
omo uma ccalculadorra por cau
usa de seuu formato compacto
o
simillar aos dispositivos de
d clculo manuais tpicos, a HP 50g devve ser vista
a como um
m
computador prrogramve
el/grfico.
Graas porta inffravermelh
ha (IR), porta USB
B e ao caabo e portta RS 232
2
ecidos com
m a calcu
uladora, possvel conectar--se a outrras calcula
adoras ou
u
forne
computadores. Isto perm
mite a trocca eficiente e rpida
a de progrramas e dados
d
com
m
outra
as calculadoras e computado
c
ores. A callculadora fornece
f
a porta de carto de
e
mem
mria flash
h (SD) parra facilitarr a armazenagem e troca dee dados co
om outross
usu
rios.
essar as colees
c
d
de funes relacionadas na ccalculadorra existem
m
Para ace
duass formas: menus
m
SOFT e CHO
OOSE box. A seleo
o do formatto no qual os menuss
ser
o exibidoss feita allterando u ma configu
urao nos sinalizaddores do sistema
s
da
a
calcu
uladora (flags), um sinalizado
or de sistema uma
a varivel da calcula
adora que
e
conttrola uma certa
c
opera
ao ou m
modo da ca
alculadora. O sinalizaador de sis
stema 117
7
pode
e ser conffigurado para
p
produ
uzir os me
enus SOF
FT ou CH OOSE bo
oxes. Para
a
acesssar esse sinalizador
s
r use:
selecione
e o sinaliza
ador 117, p
pressione a tecla
31
para obte
er o menu SOFT e prressione duas vezes a tecla
O contra
aste do vis
sor pode sser alterad
do mantendo a teclaa ON pres
ssionada e
presssionando a tecla + ou
o -.
Os exem
mplos nestte texto s
o mostrados usand
do o menu
u SOFT.
Configura
C
es
da
d calculaddora
Nv
veis da pilhha
fl t
32
FIG 1: Vista geral da HP 50G
B2. Comandos Bsicos

O Menu Flutuante aparece na parte inferior da tela e suas funes podem ser
acessadas por meio das teclas correspondentes F1, F2, F3, F4, F5 e F6. Um menu
pode ter mais que seis funes. Cada grupo de 6 funes chamado de pgina do
Menu Para ter acesso s outras funes desse Menu deve-se apertar a tecla NXT
(next prximo) e assim o menu flutuante ir rodar, ou seja mudar de pgina (se
estiver disponvel). Esse menu pode ser alterado apertando outras teclas, por
exemplo apertando as teclas shift esquerda (branca) + 4 ir aparecer outras funes.
Para voltar ao Menu inicial s apertar a tecla TOOL.
33
3
FIG 2: Diagrama
D
do
d teclado
o da HP 50G
5
com numerao de suas
s linhas e
colunas.
Cada teccla possui trs ou qu
uatro fun
es (Fig 2).
2 A funo principa
al da tecla
a
corre
esponde ao
a smbolo mais p
proeminentte na tecla. Alm disso, a tecla shiftt
esqu
uerda (bra
anca), tecla
a (8,1), a tecla shifft direita (laranja), teecla (9,1) e a tecla
a
ALPHA (amare
ela), tecla (7,1), so teclas que
e permitem
m acessar aas outras funes de
e
cada
a tecla. (FIG 2). Porr exemplo,, a tecla
, tec
cla (4,4), ttem as seis funess
asso
ociadas de
escritas a seguir:
s
Funo
F
p
principal,
para
ativar
m
menu
SY
YMBolic
34
4
(simblico)
(
)
Funo
F
Sh
hift esquerrda, para ativar
a
o m
menu MaTH
Hematic
(matemtic
(
ca)
Funo
F
S
Shift direitta, para ativar a funo CATalog
C
(catlogo)
(
Funo
F
A
ALPHAbet (alfabeto)), para innserir a letra P
maiscula.
m
.
Funo
F
AL
LPHAbet (a
alfabeto), Shift
S
esqueerda para inserir a
letra p min scula.
Funo
F
AL
LPHAbet (alfabeto),
(
Shift direeita para in
nserir o
smbolo
s
B3 Config
gurar a data
d
e a hora
Para deffinir a horra e a dat a pression
nar as tecclas
as seeguintes opes:
o
, ap
parecendo
35
5
Como in
ndicado acima, o menu TIM
ME fornec
ce quatro opes diferentess
enum
meradas de
d 1 at 4.
4 O que nos intere
essa a opo 3. Definir ho
ora, data....
Usan
ndo a tecla
a de seta para
p
baixo
o, , ressaltte essa opo e presssione a te
ecla
(OK)). O seguin
nte formul
rio de ent rada para ajustar a hora
h
e a daata exibid
do:
Ajustar a hora e a data. Para

a alterar a configura
ao da hoora e da data leve o
cursor at a configura
ao prese
ente e aperte
(CHOO
OS), esco
olhendo a
conffigurao que
q melhorr lhe convie
er.
B4 Coloca
ar a data e a ho
ora na tela
t
da HP
H 50g
Em uma prova tod
dos os min
nutos so importante
es. Uma m
maneira prrtica para
a
conttrolar o tem
mpo visu
ualizar a da
ata e a ho
ora na tela da HP 500g. Para isso fazer o
segu
uinte:
1 Pressiionar a t ecla
1.
visor aparecer
a
assim
e em seguida a tecla
. O
36
6
2 Marqu e a op
2.
o _Clock
k e apert e a teclaa
(O
OK) duas
vezes . O visor aparece r com a data e a hora m ostrados

no ca nto supe
mo mosttrado na
erior dire
eito da tela, com
figura abaixo:
B5 Forma
as de En
ntrada d
de Dado
os
Existem duas
d
forma
as de entra
ada de dad
dos para clculo:
a
a) Modo algbrico
a
consiste e
em operar a calculad
dora HP 550g coloca
ando-se oss
nmero
os, operad
dores, par
rntesis, colchetes,
c
etc. exata
tamente da
d mesma
a
forma com que lem
mos equaes algb
bricas no papel. Da o nome de
e modo (ou
u
notao
o) algbrico
o.
b
b) Modo RPN,
R
que significa Reversal Polish No
otation (ouu Notao Polonesa
a
Reversa
a) foi um mtodo
m
invventado em
m 1920 po
or Jan Lukkasiewicz como
c
uma
a
37
7
d escrever express
es matem
mticas sem
m usar parrntesis e colchetes..
forma de
O RPN
N mantm
m registro
os dos c
lculos co
olocando-oos em uma pilha,,
denomin
nada pilha
a operacion
nal da calculadora, de forma qque a ope
erao fica
a
bem mais
m
simple
es. Uma pilha tambm cham
mada LIFO
O (ltimo a entrar,,
primeiro
o a sair) a base do sistema RPN,
R
assim
m como a m
memria qu
ue permite
e
ao usurio digita
ar nmero
os. Assim, esse modo tornaa os clculos maiss
es.
eficiente
Exemplo:
3
5
23
Insira 3 no nvel 1.
Insira 5 no nvel 1, e o 3 e
empurrado para o nv
vel 2.
Insira 3 no nvel 1, e o 5 empurrad

do para nv
vel 2 e o 3 empurra
ado para o
nvel 3.
Coloque
e 3 e multiplicar. O 9 aparece no
n nvel 1.
Acione a tecla 1/x

x. O nmerro 0,1111 (1/(3x3))
(
ap
parece no nvel 1.
Acione a tecla
. O nm
mero 4,8889
9 (5- 1/(3x3
3)) aparecee no nvel 1.
Acione a tecla
mero 14,666
67 (3 (5 - 1/(33))) aaparece no
o nvel 1.
. O nm
Insira 23
3 no nvel 1.
Insira 3 e acione a tecla
Acione a tecla
. O nme
ero 12.167
7,0000 apaarecer no nvel 1.
mero 0,00
012 ((3 (5-1/(33))
(
))/233) apa
arecer no
o
. O n
nvel 1.
Insira 2,5
2 no nv
vel 1 e accione as teclas
t
. O nmero
o 12,1825
5
aparece
er no nve
el 1.
Acione a tecla
no nvell 1.
Acione a tecla
opera
es.
. O nm
mero 12,183
37 ((3 (5-1/(33)))/2233 + e2,5) aparecer
e obte
er o resultado 3,490
05 que a soluo das
38
8
B6 Selecio
onar os
s Menus
s SOFT ou CHO
OOSE B
BOXES
Voc pod
de selecio
onar o form
mato no qual os me
enus seroo exibidos alterando
o
uma
a configura
ao nos
s sinalizad
dores do sistema da calcu ladora (fllags), um
m
sinalizador de sistema uma vari
vel da calculadora que
q controlla certa op
perao ou
u
do da calcculadora. O sinaliza
ador de sistema 117
7 pode seer configurado para
a
mod
prod
duzir os menus
m
SO
OFT ou C
CHOOSE boxes. Pa
ara acessaar esse sinalizador
s
r
presssione a teccla MODE (2,2) e, em
m seguida, a tecla F1
1 (1,1).
Use a tecla com a seta para

a cima parra selecion
nar linha 1 17. Sua calculadora
a
mostrar o seg
guinte viso
or, ressalta ndo a linha
a iniciada com
c
o nm
mero 117:
39
9
Pressione
e a tecla F3
F (1,3), C
CHecK, parra alterar de
d CHOOS
SE boxes para
p
menu
u
SOF
FT. Neste texto
t
ser usado o m
menu SOFT
T.
B7 Config
gurando
o a HP 5
50G
E se vocc ainda no
n
alterou
u o modo de opera
ao da suua calcula
adora para
a
RPN
N, vamos fa
azer agora
a.
1
1- Tecle o tecla MOD
DE (2,2)
2
2- Posicion
ne o curso
or em Op
perating Mode, esco
olha a opo CHOO
OSE e em
m
seguida
a RPN, e OK.
O
3
3- Aproveite tambm
m para a
alterar a unidade de
d medidaa de ngulos para
a
radianos, no camp
po Angle M
Measure (s
se outra un
nidade estivver selecio
onada).
40
0
4
4- A apar
ncia geral da sua ca
alculadora deve se as
ssemelharr a essa fig
gura:
Onde:
RAD = radianos, unidade de mediida de ngulos XY
YZ = coo
ordenadass
carte
esianas DE
EC = siste
ema decim
mal R = nmeros rea
ais 'X' = vaarivel inde
ependente
e
padrro.
A segund
da linha mo
ostra os ca
aracteres:
{ HOME }
indicando
o que o diretrio HO
OME o diretrio atu
ual do arq uivo na memria da
a
calcu
uladora.
41
B8 Config
gurae
es CAS
CAS sign
nifica Siste
ema Algbrrico do Computador (Compute r Algebraic
c System)..
Esse
e o ce
entro matemtico d
da calcula
adora ond
de as opeeraes e funess
mate
emticas simblicas
s
so progra
amadas. O CAS oferece vriass configura
aes que
e
pode
em ser aju
ustadas de
e acordo ccom o tipo
o de operrao exig ida. Para alterar ass
conffiguraes do CAS pressione a tecla
MOD
DES e em seguida a tecla
para ativar o vvisor CALC

CULATOR
R
uraes deefault so mostrados

m
s
(CAS), as configu
a seguir:
Para selecionar ou alterar a seleo

o de qualq
quer umaa das conffiguraess
ma, selecio
one o subllinhado an
ntes da op
o de inteeresse e pressione a
mostradas acim
a F3 (1,3), CHecK, at
a que a cconfigura
o correta seja alcannada. Quando uma
a
tecla
op
o for seleccionada, a marca de
e verifica
o (CHecK) ser mosstrada no sublinhado
s
o
(p. e
ex., as opes Rigorrous e Sim
mp Non-Ra
ational acima). As o pes des
smarcadass
no mostraro
o nenhuma
a marca de
e verifica
o sublinha
ada preceddendo as opes
o
de
e
interresse.
Ser
definido apenas
a
as principais opes:
1 _Nume
1.
eric qua
ando des
smarcada as consttantes pr
-definidass
aparece
ero como
o smbolo
o e quand
do marcadda aparece
ero seuss
valores
s no visor d
da calculad
dora. Por exemplo: oos seguinttes visoress
mostram os valo
ores da co
onstante p(a razo do comprrimento da
a
42
2
circunfe
erncia pa
ara seu dimetro)
d
no formatto simblic
co (opo
o
NUMER
RIC desma
arcada), visor da esq
querda, e fformato nu
umrico ou
u
ponto de
d flutua
o (opo NUMERIC
N
marcada) , visor da direita.
d
2 _Appro
2.
ox Qua
ando _Ap
pprox for selecionaado, as operaes
o
s
simblicas, (ex. IIntegrais definidas,
d
razes
r
quaadradas, etc.), sero
o
calculadas nume
ericamente
e. Quando
o _Appro
ox for de
esmarcado
o
(modo Exact a
ativo), as operaes
s simblicaas sero calculadas
c
s
como expresses
e
s algbrica
as de forma
ato fechadoo.
No modo APPRO
OX, portan
nto, sempre que um
m nmero inteiro forr
o ele auttomaticame
ente transfformado em
m um nm
mero real.
inserido
43
2 TCNICAS DE AMOSTRAGEM
2.1 Conceitos Fundamentais
2.1.1 Populaes e Questes
Em estatstica, o termo fenmeno, referido anteriormente, denominado de
populao. Assim, a investigao, a pesquisa, feita em relao a uma populao
e, portanto necessrio defini-la com preciso.
Populao o conjunto de indivduos ou objetos ou entes materiais portadores
de pelo menos uma caracterstica comum cujo comportamento pretende-se
conhecer. Exemplos de populao:
1. Todos os estudantes desta Faculdade que esto matriculados em
Estatstica e Probabilidade.
2. Todos os pes tipo francs assados nas padarias de uma
determinada localidade de um determinado dia desse ano.
3. Todos os lotes usados por uma estao experimental de agricultura
para plantao de milho.
4. Todas as lmpadas de 100 watts fabricadas por uma determinada
companhia durante o ms de setembro.
5. Todas as latas de ervilha produzidas por uma determinada
companhia no dia 7 de maro.
6. Todo o concreto transportado por um determinado caminho
betoneira em uma determinada viagem.
Uma vez que, inequivocamente, definimos a populao objeto do estudo, o
prximo passo identificar as questes que gostaramos de investigar e
eventualmente responder. Por exemplo, para cada uma das populaes definidas
acima, poderamos ter as seguintes questes:
44
1. Qual
foi
desempenho
dos
estudantes
de
Estatstica
Probabilidade desta Faculdade?

2. Qual o peso mdio dos pes tipo francs?
3. De todas as variedades de milho plantadas, quais as que tm o
melhor rendimento?
4. Qual a vida mdia das lmpadas de 100 watts? Qual a porcentagem
de lmpadas defeituosas?
5. Qual a porcentagem das latas de ervilha est com os rtulos
adequadamente colados? Qual o peso mdio das latas de ervilha?
6. Qual
resistncia
mdia
do
concreto?
Ele
atende
especificaes?
Essas so somente umas poucas questes que podemos formular sobre as
populaes anteriormente definidas. O leitor poder tentar listar pelo menos mais
uma questo para cada uma das populaes.
Exerccio no 1: Aplicao do conceito de populao.
a) Identificar trs populaes de sua rea principal de interesse que
tem propriedades que poderiam ser estudadas pelo uso de medidas
numricas.
b) Para cada uma das populaes em (a), formular uma ou mais
questes que voc gostaria de responder.
Exerccio no 2: Estatstica explorada na experincia do dia a dia.
1) Identificar o uso de estatstica em jornais, revistas, notcias,
reportagens e comerciais de televiso.
2) Formular questes sobre o que voc observou, tais como:
a) Quem coletou os nmeros?
b) Como os nmeros foram obtidos?
45
c) Os nmeros representam o(s) grupo(s) do(s) qual(is) eles foram
extrados?
2.1.2 Amostragem
Aps definir uma populao a ser estudada, listar o conjunto de questes
concernentes quela populao e identificar as variveis mensurveis, o prximo
passo especificar os mtodos ou as tcnicas que sero utilizadas para coletar
dados numricos que fornecero informaes teis para responder as questes
levantadas. Uma das primeiras questes que a pessoa que vai coletar os dados tem
de responder se os dados sero coletados por meio de um levantamento efetuado
sobre toda a populao e, nesse caso, denominado levantamento censitrio (ou
simplesmente censo ou recenseamento) ou de somente parte da populao.
Fazer levantamentos, estudos, pesquisas, sobre toda uma populao (censo
ou recenseamento) pode ser desaconselhvel, seja devido ao tempo, ou ao custo,
ou ento, porque o ensaio, que utilizado para obter o valor da varivel, destri o
item. Assim, o mtodo estatstico possibilita chegar a concluses sobre o todo
(populao), analisando partes desse todo (amostra). Uma amostra , portanto, um
subconjunto finito de uma populao.
A amostragem consiste de um procedimento utilizado para selecionar alguns
itens de uma populao, com vistas a investigar alguma caracterstica dessa
populao. O item da populao selecionado para compor a amostra denominado
de unidade amostral. As unidades amostrais selecionadas compem o que se
denomina amostra (uma parte ou uma parcela da populao escolhida de maneira
adequada) e a quantidade dessas unidades amostrais denominado tamanho da
amostra. As concluses obtidas a partir do estudo da amostra so extrapoladas
para toda a populao, ou seja, a partir das propriedades da amostra inferem-se
(isto , concluem-se) as da populao. um instrumento valioso para obter dados
ou informaes de forma rpida, econmica e precisa e muitas vezes a nica
maneira para obter conhecimento da populao, seja por problema de tempo, de
recursos ou por se tratar de ensaios que destroem o item.
Utilizar amostras para que se tenha conhecimento sobre populaes
realizado intensamente na Agricultura, Poltica, Negcios, Marketing, Governo,
46
Engenharia, Medicina, Psicologia, Biologia, etc., como se pode ver pelos seguintes
exemplos:
Antes da eleio diversos rgos de pesquisa e imprensa ouvem um

conjunto selecionado de eleitores para ter uma idia do desempenho dos
candidatos.
Um engenheiro, responsvel tcnico por uma determinada obra, extrai uma

amostra de concreto de um caminho betoneira que chega obra para
determinar sua resistncia compresso e, portanto verificar se atende s
especificaes.
Bilogos marcam pssaros, peixes, etc. para estudar seus hbitos.
O IBGE faz levantamentos peridicos sobre desemprego, inflao,

correntes migratrias, escolaridade, etc.
Uma empresa metal-mecnica toma uma amostra do produto fabricado em

intervalos de tempo especificados para verificar se o processo est sob
controle estatstico e, com isso prevenir a ocorrncia de itens defeituosos.
Redes de rdio e de televiso utilizam-se constantemente dos ndices de

audincia dos programas para fixar valores cobrados da propaganda ou
ento modificar ou eliminar programas com nvel de desempenho baixo.
Antes de comercializar um medicamento necessrio aplica-lo a um

conjunto de pessoas, previamente selecionadas, para demonstrar a sua
eficcia e identificar seus efeitos colaterais.
Seria desejvel que uma amostra fosse uma rplica fiel da populao, ou seja,
a populao em escala reduzida. No entanto, a variabilidade novamente se faz
presente de modo que quase impossvel extrair uma amostra que seja uma rplica
perfeita da populao. Assim, procura-se extrair uma amostra que tenha o maior
grau de representatividade possvel da populao. O grau de representatividade da
populao por meio da amostra funo tanto do tamanho da amostra como da
tcnica a ser utilizada para sua extrao. O dimensionamento da amostra ser
abordado no captulo 7.
47
Devido presena da variabilidade o processo de deciso ou de concluso
baseado em amostra est sempre sujeito a riscos. A teoria da probabilidade ser
utilizada para fornecer e controlar esses riscos. Para se poder utilizar o modelo
probabilstico necessrio que a amostra seja selecionada por meio de critrios
especficos, como sero vistos a seguir.
O critrio de seleo dos itens da populao que iro constituir a amostra
caracteriza a modalidade de amostragem, que poder ser determinstica ou
aleatria. Uma amostra determinstica quando os itens so escolhidos por meio de
alguma preferncia. Uma amostra aleatria quando, durante a escolha dos itens
que iro compor a amostra, no se registra qualquer preferncia, consciente ou
inconsciente, por qualquer dos itens da populao. Estudaremos apenas a
amostragem aleatria, pois s esse critrio de seleo que permitir controlar o
risco envolvido no processo de tomada de deciso sobre a populao com base nas
observaes amostrais.
2.2 Sorteio Aleatrio

2.2.1 A Urna Ideal
Para o atendimento da condio de aleatoriedade na escolha dos itens que
iro compor a amostra deveremos poder identific-los, e, para isso, associar um
nmero de ordem a cada um deles; a operao inicial consiste, pois, na enumerao
dos itens da populao.
Deve-se em seguida, imaginar uma urna ideal que contenha tantas bolas iguais
quantos forem os itens da populao. As bolas sero numeradas, de modo a
associarem-se cada uma a um dos itens e reciprocamente. A extrao da amostra,
isto , a seleo dos itens que iro comp-la ou seja das unidades amostrais, faz-se
por sorteio. Agita-se a urna e extrai-se uma bola, observando-se o seu nmero,
retirando da populao a unidade amostral que corresponde ao nmero sorteado, e
assim sucessivamente.
As extraes, por sorteio, podem ser feitas de duas maneiras:
sem reposio da bola extrada, antes de se fazer nova extrao;
48
com reposio dessa bola.
No primeiro caso, cada item da populao somente poder figurar uma vez na
amostra, pois uma vez sorteada a bola com o nmero correspondente, ela no
voltar para a urna. Portanto, o processo de extrao sem reposio tal que a
composio da urna se modifica aps cada extrao.
No segundo caso, cada item da populao poder figurar mais de uma vez na
amostra, pois aps sorteada a bola com o nmero correspondente, ela voltar para a
urna. Portanto, a reposio da bola extrada torna estvel a composio da urna.
A escolha de uma ou outra maneira de extrair a amostra depender do
problema em estudo. Por exemplo, se usarmos ensaios destrutivos para determinar
as propriedades de cada unidade amostral, a amostragem sem reposio ser
obrigatria.
2.2.2 Tabela de Nmeros Aleatrios
Para a extrao de amostras aleatrias, a utilizao de urna com bolas
numeradas muitas vezes inconveniente. Existem outros dispositivos que
reproduzem perfeitamente as condies da urna ideal. Um desses dispositivos mais
usados a chamada Tabela de Nmeros Aleatrios (TNA), apresentada na
apostila Tbuas Estatsticas.
O procedimento para utilizao da TNA :
1. atribui-se a cada item da populao (de tamanho N) um nmero de ordem
com tantos algarismos quantos forem os algarismos do nmero N;
2. seleciona-se, arbitrariamente, uma pgina da TNA e, nessa pgina, um ponto
de partida (interseo de linha e coluna) e, a partir desse ponto, adotam-se
tantas colunas quantos forem os algarismos do nmero que representa o
tamanho da populao;
3. faz-se a leitura dos nmeros sorteados, percorrendo a TNA segundo as
colunas; todo nmero maior que N ser desprezado; todo nmero menor ou
49
igual a N ser registrado, para incluso na amostra, do item a ele
correspondente;
4. registram-se as repeties se a amostra for com reposio; se for sem
reposio, as repeties so descartadas.
No exemplo 2.1, a seguir, ser mostrado a aplicao do uso da TNA.
Exemplo 2.1:
Seja extrair uma amostra de tamanho n = 12 de uma populao de N = 120
itens. O primeiro passo enumerar os itens da populao, atribuindo a cada
elemento um nmero de ordem. Assim, os nmeros de ordem dos itens da
populao sero: 001, 002, ..., 119, 120.
A segunda etapa se refere obteno dos nmeros de ordem dos itens que
iro compor a amostra. Para isso, importante lembrar que a populao
constituda de N=120 peas, o que determina a leitura de trs colunas na TNA. Ser
importante tambm, nesse estgio, fixar se a amostragem se far com reposio dos
itens, ou sem reposio. Ser adotada a primeira modalidade, assim as leituras
devero considerar aquelas eventualmente repetidas.
Como observao adicional, deve-se informar que, na TNA, cada algarismo
ser considerado como uma coluna. apenas uma conveno a ser usada. Desse
modo, ser possvel reconstituir as leituras que deram origem amostra de
interesse, desde que se tenha a tabela usada e o incio das leituras adotado, o qual,
por sua vez, deve ser tambm inteiramente livre, para que seja cada vez menor, ou
mesmo inexistente, qualquer influncia na obteno dos itens que iro compor a
amostra.
Considere-se o incio de leitura na TNA na 21. linha e 12. coluna, cuja
interseo o algarismo 4. Como o nmero que representa o tamanho da populao
composto por trs algarismos, adotam-se trs colunas a partir do incio de leitura
(12, 13 e 14), correspondendo ao nmero 455, que como maior que 120 ser
descartado. Percorrem-se as trs colunas de cima para baixo, escolhendo os
nmeros menores ou iguais a 120, at a ltima linha. Se at esse ponto no tiverem
sido selecionadas todas as doze leituras, volta-se primeira linha, nas trs colunas
50
subsequentes (15, 16 e 17) e retoma-se o procedimento de leitura. Esse
procedimento ser mantido, at que sejam conseguidas todas as leituras. Seguindo
esse mtodo, foram encontrados:. 053, 114, 106, 007, 017, 038, 104, 009, 106, 027,
044, 115. Se a amostragem for realizada sem reposio, o nmero 106, que saiu
pela segunda vez, dever ser descartado e, portanto, dever-se- sortear mais um
nmero, que no caso ser o 089. Esses nmeros indicam quais os elementos da
populao devem ser extrados para compor a amostra.
2.3 Tipos de Amostragem

Existem diversos tipos de amostragem aleatria. Estudaremos, apenas, alguns
deles: amostragem aleatria simples, amostragem estratificada, amostragem por
conglomerado e amostragem sistemtica.
2.3.1 Amostragem Aleatria Simples
A Amostragem Aleatria Simples o tipo de amostragem mais usado. Nesse
processo, todos os elementos da populao tm igual chance de vir a ser escolhido
para compor a amostra. usada quando a populao se apresenta distribuda
homogeneamente, que o caso do exemplo 2.2, ou o pouco conhecimento que se
tem dela nos leva a admitir esta condio.
Exemplo 2.2:
Extrair uma amostra aleatria de tamanho n=12 itens, de um estoque de peas
de tamanho N=120, para estimar o peso mdio das peas do estoque com incio de
leitura na TNA na 23. linha e 15. coluna. Para fins didticos sero apresentados os
pesos (em daN) das peas na tabela 2.1.
Tabela 2.1: Pesos (em daN) de peas de um determinado tipo presentes em
estoque de um almoxarifado.
(1)
(2)
(3)
(4)
(5)
(6)
(7)
(8)
(9)
(10)
24,1
23,5
23,0
24,0
24,5
34,1
22,8
22,5
23,6
22,1
(11)
(12)
(13)
(14)
(15)
(16)
(17)
(18)
(19)
(20)
24,1
24,1
23,8
23,8
23,4
23,7
22,7
22,1
24,1
23,2
(21)
(22)
(23)
(24)
(25)
(26)
(27)
(28)
(29)
(30)
23,7
24,0
24,1
22,6
24,2
22,1
22,9
23,4
24,0
24,5
51
(31)
(32)
(33)
(34)
(35)
(36)
(37)
(38)
(39)
(40)
25,4
23,9
26,6
27,8
27,6
26,5
31,0
29,8
28,3
23,9
(41)
(42)
(43)
(44)
(45)
(46)
(47)
(48)
(49)
(50)
22,0
23,6
24,8
22,8
24,2
25,6
28,7
29,8
29,0
28,7
(51)
(52)
(53)
(54)
(55)
(56)
(57)
(58)
(59)
(60)
27,8
27,5
28,4
24,6
23,7
22,9
26,7
27,4
27,6
26,6
(61)
(62)
(63)
(64)
(65)
(66)
(67)
(68)
(69)
(70)
25,4
23,5
27,6
25,6
24,5
27,6
24,3
20,5
28,7
20,8
(71)
(72)
(73)
(74)
(75)
(76)
(77)
(78)
(79)
(80)
23,2
24,8
22,8
23,5
24,2
25,6
26,7
26,3
27,7
26,7
(81)
(82)
(83)
(84)
(85)
(86)
(87)
(88)
(89)
(90)
24,6
25,3
26,5
28,7
27,8
29,5
24,5
24,6
23,8
27,6
(91)
(92)
(93)
(94)
(95)
(96)
(97)
(98)
(99)
(100)
23,9
27,6
22,9
22,6
23,7
27,0
26,5
23,5
24,8
25,6
(101)
(102)
(103)
(104)
(105)
(106)
(107)
(108)
(109)
(110)
26,7
23,9
27,8
23,6
26,0
26,1
26,9
27,6
27,4
27,0
(111)
(112)
(113)
(114)
(115)
(116)
(117)
(118)
(119)
(120)
28,1
27,6
27,7
25,9
24,3
27,8
24,5
25,6
26,7
23,3
Soluo:
O primeiro passo enumerar os itens da populao, atribuindo a cada pea um
nmero de ordem. No caso particular desse exerccio, as peas foram enumeradas
da esquerda para a direita e de cima para baixo, obedecendo ao sentido normal de
leitura. Assim, o terceiro item da populao o 23,0; o quadragsimo o 23,9 e
assim por diante. Outras formas de identificao podero ser adotadas, mas, to
logo sejam estabelecidas, devero ser mantidas at o final do problema. Em
qualquer caso, dever ser bem explicitado o sistema de identificao usado, para
que se possa repetir o processo, sempre que for necessrio.
O procedimento restante para a escolha do nmero de ordem correspondente
a cada pea anlogo ao do exemplo 2.1. Na interseo da 23. linha com a 15.
coluna (cada algarismo pertence uma coluna) encontra-se o algarismo 6, que
corresponde ao incio de leitura na TNA. Uma vez que o tamanho da populao (N
=120) composto por trs algarismos, as leituras na TNA devero ser feitas
adotando-se trs colunas a partir do incio de leitura (15, 16 e 17 colunas). O
primeiro nmero de ordem ento 680, que deve ser desprezado porquanto no h
correspondncia com um nmero de ordem da populao. A seguir se encontra o
52
595 que tambm deve ser abandonado, por no ter correspondncia na populao.
Em seguida, so extrados os nmeros: 042, 066, 093, 013, 014, 040, 079, 009, 014,
118, 007, 086. Nesse momento, necessrio definir-se se a amostragem com
reposio ou sem reposio. Se a opo pela amostragem com reposio, os
nmeros sorteados so os apresentados anteriormente, caso contrrio, se a opo
pela amostragem sem reposio necessrio descartar os nmeros repetidos e os
nmeros sorteados sero: 042, 066, 093, 013, 014, 040, 079, 009, 118, 007, 086,
111.
Se a amostragem for com reposio o resultado final o apresentado na tabela
2.2.
Tabela 2.2: Amostra aleatria simples com reposio

ITEM
1
2
3
4
5
6
7
8
9
10
11
12
TOTAL
MDIA
TNA
042
066
093
013
014
040
079
009
014
118
007
086
AMOSTRA (daN)
23,6
27,6
22,9
23,8
23,8
23,9
27,7
23,6
23,8
25,6
22,8
29,5
299
24,9
Se a amostragem for sem reposio o resultado final o apresentado na tabela

2.3. Perceba que a amostragem sem reposio se refere a impossibilidade de
repetio dos nmeros de ordem sorteados e no a repetio dos resultados, como
por exemplo as peas de nmero de ordem 042 e 009 que so peas diferentes mas
tm o mesmo peso de 23,6 daN.
Tabela 2.3: Amostra aleatria simples sem reposio
53
AMOSTRA
ITEM
TNA
042
23,6
066
27,6
093
22,9
013
23,8
014
23,8
040
23,9
079
27,7
009
23,6
118
25,6
10
007
22,8
11
086
29,5
12
111
28,1
(daN)
TOTAL
303
MDIA
25,3
A seguir ser apresentado um outro exemplo de aplicao da tcnica de

amostragem aleatria simples.
Exemplo 2.3:
Uma populao de peas de tamanho N = 30 dever ser transportada de uma
cidade para outra. Externamente, essas peas so iguais e o problema consiste em
estimar o valor total do transporte, cobrado a R reais por decanewton transportado.
Suponha que dificuldades de ordem prtica (quanto ao manuseio ou mesmo quanto
exiguidade do tempo) impeam o levantamento censitrio da populao. Diante
dessas consideraes, extrair uma amostra de tamanho n = 6 peas para obter a
estimativa desejada. Para fins didticos apresentado na tabela 2.4 os pesos
dessas peas da populao e seus nmeros de ordem.
54
Tabela 2.4: Populao de peas e seus pesos em daN
Peso
N da Pea Peso
N da Pea Peso
41
11
66
21
42
64
12
37
22
36
37
13
95
23
38
62
14
39
24
69
93
15
67
25
101
97
16
40
26
39
68
17
39
27
40
38
18
64
28
68
38
19
103
29
41
10
42
20
71
30
70
Em vista de que a populao se apresenta distribuda de forma homognea,

utilizaremos a tcnica de amostragem aleatria simples para extrair a amostra
solicitada. Para tanto, utilizamos a TNA, com incio na 17 linha e 19 coluna,
selecionando os 6 primeiros nmeros (sem reposio), encontrados entre os
nmeros 01 e 30. A amostra encontrada apresentada na tabela 2.5.
Tabela 2.5: Amostra aleatria simples
N da pea
Peso (daN)
22
36
14
39
18
64
28
68
16
40
07
68
Total
315
Mdia
53
55
2.3.2 Amostragem Estratificada1
A amostragem estratificada usada quando a populao se encontra
dividida em subgrupos homogneos, chamados estratos. Nesse caso, somente
umas poucas observaes de cada subgrupo so necessrias. A idia importante
que todos os subgrupos estejam representados na amostra.
O princpio bsico em amostragem estratificada que elementos dentro de um
subgrupo tendem a variar menos que elementos de subgrupos diferentes. essa
homogeneidade dentro e heterogeneidade entre os subgrupos que determinam
uma amostra composta de poucos elementos de cada um dos subgrupos.
Pesquisas eleitorais nacionais so usualmente baseadas em tais amostras
estratificadas, porque opinies em muitos tpicos tendem a variar mais de uma
localidade para outra localidade do que dentro das localidades.
Existem dois tipos de amostragem estratificada:
1. De igual tamanho;
2. Proporcional ao tamanho do estrato.
No primeiro tipo sorteia-se igual nmero de elementos em cada estrato. A
mdia e a varincia so calculadas
No outro caso, utiliza-se a amostragem estratificada proporcional, cujo
processo :
Exemplo 2.4:
Utilizando o exemplo 2.3, mas supondo agora que as peas estejam separadas
em trs classes (A, B e C), em funo do material utilizado para sua confeco,
conforme apresentado na tabela 2.6, extrair uma amostra de tamanho n = 6.
Estratificao: diviso ou separao em subgrupos homogneos com relao a algum fator de
estratificao.
56
Tabela 2.6: Populao de peas e seus pesos em daN distribudas em classes.
Classe A
Classe B
Peso
N da Pea
Classe C
Peso
N da Pea
(daN)
(daN)
N da Pea
Peso
(daN)
93
64
16
41
97
62
17
37
95
68
18
38
103
66
19
38
101
10
67
20
42
11
64
21
37
12
71
22
39
13
69
23
40
14
68
24
39
15
70
25
42
26
36
27
38
28
39
29
40
30
41
Nota: Sinal convencional utilizado:
No se aplica dado numrico.

Examinaremos dois critrios para extrao da amostra: proporcional ao
tamanho do estrato e de igual tamanho.

Proporcional ao Tamanho do Estrato
Se uma populao de tamanho N est dividida em k estratos de tamanhos N1,
N2, ..., Nk, e deseja-se extrair uma amostra de tamanho n, o nmero de
representantes que se devemos extrair de cada estrato, n1, n2, ..., nk, proporcional
ao tamanho de cada estrato, assim
57
n
n
n n1
2 k
N N1 N 2
Nk
Retomando o exemplo 2.4, para extrair, da populao de tamanho N=30

dividida em trs estratos, uma amostra de tamanho n = 6, utilizando a tcnica de
amostragem
aleatria
estratificada
proporcional
ao
tamanho
do
estrato,
selecionaremos uma das 5 peas da classe A, 2 das 10 da classe B e 3 das 15 da

classe C, (isto , n/N = 1/5 das peas de cada estrato). Para isto, iniciando a leitura
na TNA no mesmo ponto que no exemplo 2.3, procuraremos o primeiro nmero
entre 01 e 05; os dois primeiros entre 06 e 15; os trs primeiros entre 16 e 30. A
amostra obtida foi:
Tabela 2.7: Amostra estratificada proporcional ao tamanho do estrato
Estrato
N da Pea Peso (daN)
Classe A
02
97
Classe B
14
68
07
62
18
38
28
39
16
41
Classe C
Total
345
Mdia
58
De Igual Tamanho
Extraem-se a mesma quantidade de unidades amostrais de cada um dos
estratos; aplica-se ao resultado de cada um, o fator de ponderao igual ao tamanho
de cada estrato.
Os resultados obtidos, aps seleo de cada amostra pela TNA (iniciando-se
no mesmo ponto), esto dados abaixo.
58
Tabela 2.8: Amostra estratificada de igual tamanho
Estrato
N da Pea Peso
Fator de ponderao
Totais
495
10
650
15
577,5
(daN)
A
02
97
05
101
Total de A
198
Mdia A
99
14
68
07
62
Total de B
130
Mdia B
65
18
38
28
39
Total de C
77
Mdia C
38,5
Total geral
1722,5
Mdia ponderada (total geral 30)
57
2.3.3 Amostragem por Conglomerado

A ideia de amostragem por conglomerado quase oposta a da amostragem
estratificada. Nesse caso, a populao composta de subgrupos heterogneos,
chamados conglomerados. De fato, cada conglomerado uma miniatura da
populao. Portanto, podemos ver a populao melhor e mais economicamente pela
observao de todos os elementos de uns poucos conglomerados (possivelmente
apenas um conglomerado) que pela observao de uma parte de muitos
conglomerados. Exemplos de populaes para os quais amostragem por
conglomerado so aplicveis so os seguintes:
Um estudo de hospitais (100 - 200 leitos) est sendo conduzido para
determinar o nvel de treinamento de seus funcionrios. Pode-se admitir que o corpo
de funcionrios de um hospital do tamanho indicado aproximadamente uma
miniatura de todos os dos outros hospitais. Ento, resultados obtidos pelo estudo
59
dos funcionrios de uns poucos hospitais podem ser uma boa representao de toda
a populao.
Um bilogo est interessado em determinar a composio da idade de uma
populao de cachorros-do-mato que reside dentro dos limites de um determinado
parque nacional. Se admitirmos que cada colnia de cachorros-do-mato uma
pequena rplica da populao completa, necessitamos estudar somente umas
poucas (talvez somente uma) colnias para obter a informao, aproximada, da
composio da idade desejada.
Formiga sava, abelha, etc. so exemplos de populaes para os quais
amostragem por conglomerado aplicvel.
Em amostragem por conglomerado, os conglomerados que comporo a
amostra so selecionados de modo aleatrio. Para aquelas populaes, que tm
conglomerados de tamanho to grande que se torna impraticvel obter dados de
todos os seus elementos, comum selecionar os elementos aleatoriamente do
conglomerado para compor a amostra. A ltima tcnica chamada de amostragem
por conglomerado em dois estgios. No primeiro estgio um conjunto de
conglomerados aleatoriamente selecionado. Ento, o segundo estgio envolve a
seleo aleatria de elementos a partir dos conglomerados selecionados.
2.3.4 Amostragem Sistemtica
Outra tcnica de amostragem usada frequentemente a chamada amostragem
sistemtica. Nesse caso, a regra de amostragem envolve uma seleo aleatria
inicial seguida de uma sistemtica. usada quando a populao est
naturalmente ordenada, como fichas em um fichrio, listas telefnicas, etc.
Exemplos comuns so:
Para obter uma amostra de estudantes de uma universidade um nome, dentre
os primeiros cem nomes da lista de estudantes regularmente matriculados,
selecionado aleatoriamente, digamos que foi o de nmero 61. Aps a seleo inicial
adicionado 100 ao sorteado e assim sucessivamente, por exemplo, os de nmero
161, 261, 361, ..., at obtermos a amostra. Desse modo, a amostra resultante
incluir 1% do corpo de estudantes.
60
Sortear um nmero aleatrio entre 1 e 100, digamos 39. Ento selecionar os
nomes da lista de telefone local que corresponde aos nmeros 39, 139, 239, ... para
compor a amostra.
Selecionar aleatoriamente o primeiro cliente para entrevist-lo quando estiver
deixando o supermercado. Ento entrevistar cada quinquagsimo cliente que deixar
o supermercado aps a entrevista inicial.
O procedimento para extrair a amostra :
1. calcula-se o intervalo de amostragem N/n;
2. adota-se o maior nmero inteiro, r, menor ou igual a N/n;
3. sorteia-se pela tabela de nmeros aleatrios um nmero b, entre 01 e r, esse
corresponder ao primeiro item da populao que ir compor a amostra;
4. os demais itens da populao a serem escolhidos sero obtidos somando-se,
sistematicamente, ao primeiro, parcelas iguais a r;
5. a amostra de n unidades amostrais ser, pois, formada pelos itens da
populao de nmero de ordem: b, b + r, b + 2r, ..., b + (n-1)r, de acordo com
uma progresso aritmtica de razo r.
Algumas precaues devem ser tomadas na utilizao da amostragem
sistemtica:
a escolha do item da populao de nmero de ordem 1 deve ser evitada,

sobretudo se a ordenao corresponder a alguma forma de hierarquia, pois
nesse caso ele constitui um exemplar especial. Por exemplo, no fichrio de
pessoas lotadas em um departamento, o nmero 1 ser o chefe do
departamento, ou talvez o empregado mais antigo;
quando a populao j estiver organizada por estratos, uma amostra

sistemtica ser tambm estratificada. o caso do fichrio de pessoal de
fbrica, arrumado por departamento; uma amostra sistemtica, de certo
modo, reproduzir a estrutura administrativa da fbrica. Muito embora,
61
usualmente, a amostra sistemtica fornea estimativas muito precisas, no
possvel obter uma medida dessa preciso;
a amostragem sistemtica pode ser tendenciosa quando coincidir o intervalo

de amostragem com um intervalo de variao peridica dos itens da
populao. Apesar da comodidade de extrao de amostra a intervalos de
tempo peridicos (nas fbricas, nas instalaes qumicas, etc.), necessrio
eliminar essa coincidncia. Por exemplo, possvel ocorrerem variaes
peridicas nas caractersticas qumicas e bacteriolgicas do esgoto de uma
cidade ou de um parque industrial; ou na composio do concreto em uma
central; ou no nmero de veculos que passam por uma rua, etc.
Exemplo 2.5
Considerando a populao ordenada apresentada na Tabela 2.9, extrair uma
amostra de tamanho n=6, iniciando na TNA na 15 linha e 19 coluna.

Tabela 2.9: Populao ordenada
(1)
(2)
(3)
(4)
(5)
(6)
(7)
(8)
(9)
(10)
34
34
35
36
36
37
38
40
40
41
(11)
(12)
(13)
(14)
(15)
(16)
(17)
(18)
(19)
(20)
41
42
43
45
47
48
48
49
50
51
(21)
(22)
(23)
(24)
(25)
(26)
(27)
(28)
(29)
(30)
51
55
55
55
57
58
58
59
59
60
(31)
(32)
(33)
(34)
(35)
(36)
(37)
(38)
(39)
(40)
61
61
62
63
64
65
65
66
67
70
(41)
(42)
(43)
(44)
(45)
(46)
70
70
72
73
73
75
Soluo:
a) Calcula-se o intervalo de amostragem N/n = 46/6 = 7,7;
b) adota-se r = 7;
c) o nmero entre 01 e 07, dado pela TNA, foi 06;
d) a amostra ser:
62
Tabela 2.10: Amostra extrada usando a tcnica de amostragemsistemtica
I
TNA
Nmero
Amostra
06
06
37
13
43
20
51
27
58
34
63
41
70
Total
322
Mdia
54
Nota: Sinal convencional utilizado:

No se aplica dado numrico.
2.4 Exerccios Propostos

1)
Uma
empresa
tem
3414
empregados
distribuidos
nos
seguintes
departamentos:
Departamento
No. empregados
Administrao
914
Transporte
348
Produo
1401
Outros
751
Deseja-se extrair uma amostra entre os empregados para verificar o grau de

satisfao em relao qualidade da comida servida no refeitrio. Diga como a
amostragem seria realizada considerando uma amostra de 20 % da populao.
63
2) Dada a populao a seguir de tamanho 66:
1158
1168
1165
1189
1148
1187
1169
1187
1148
1149
1198
1157
1134
1162
1167
1158
1195
1132
1167
1149
1198
1189
1151
1135
1148
1168
1124
1117
1118
1128
1165
1197
1158
1149
1128
1118
1152
1151
1158
1168
1158
1156
1128
1184
1149
1158
1165
1151
1195
1184
1159
1158
1196
1185
1196
1152
1177
1165
1164
1126
1165
1169
1112
1111
1122
1128
a) Extrair uma amostra aleatria, com reposio, de tamanho 15.

Iniciar a leitura na TNA na 15 linha e 12 coluna.
b) Justificar o emprego da tcnica de amostragem utilizada.
c) Determinar: a mdia, a mediana, o ponto mdio, a moda, a
amplitude, a varincia, o desvio-padro e o coeficiente de variao.
3) Dada a populao a seguir:
Classe A: 165
197
158
149
128
118
152
151
158
168
159
158
196
185
196
152
177
165
164
126
196
185
196
152
Classe B: 358
368
365
389
348
387
369
387
348
349
398
357
334
362
367
358
395
332
Classe C: 767
749
798
789
751
735
748
768
724
717
718
728
Classe D: 98
89
51
35
48
68
24
17
18
28
65
97
58
49
28
18
52
51
58
68
58
56
28
84
49
58
65
51
95
84
64
a) Extrair uma amostra aleatria, sem reposio, de tamanho 14. Iniciar a leitura
na TNA na 7 linha e 20 coluna.
c) Determinar: mdia, mediana, ponto mdio, moda, amplitude, varincia,
desvio-padro, coeficiente de variao.
4) Dada a populao ordenada a seguir:
123
123
123
125
125
126
127
129
130
130
131
131
131
133
133
134
135
135
135
136
137
138
139
140
142
143
145
145
145
146
150
151
154
155
158
160
160
165
166
167
170
171
171
175
176
177
178
180
182
183
185
188
190
190
191
191
194
195
195
196
200
200
201
201
205
205
206
207
208
210
a) Extrair uma amostra aleatria de tamanho 9. Iniciar a leitura na TNA

na 15 linha e 14 coluna.
c) Determinar: mdia, mediana, ponto mdio, moda, amplitude,
varincia, desvio-padro, coeficiente de variao.
5) Observe a populao abaixo, de N = 50 pessoas que, se responderem a
uma pesquisa de opinio sobre determinado assunto iro responder S (sim), N (no)
ou NS (no sabem ou no querem responder):
a) determine os percentuais de pessoas que responderam S, N e NS na
populao;
b) enumere os itens da populao da esquerda para a direita e de cima
para baixo e extraia uma amostra aleatria simples de n = 8 pessoas
da populao, sem reposio. Da amostra extrada calcule os
percentuais de respostas S, N e NS nas amostras, para incio das
leituras em:
65
I. TNA (8 L; 17 C);
II. TNA (3 L; 3 C);
III. TNA (25 L; 2 C);
IV. TNA (7 L; 11 C);
V. TNA (4 L; 8 C).
Populao:
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
c) Comente os resultados amostrais em relao aos da populao.

6) Em um almoxarifado existem 25 peas fabricadas por duas mquinas A e B.
Suponha conhecidos os seus comprimento, assim como se relacionam a seguir:
75
58
57
72
73
79
78
86
60
78
76
61
64
58
82
85
57
55
57
79
80
76
60
74
76
66
a) Enumere os itens da populao da esquerda para a direita e de
cima para baixo. Fixando o incio das leituras na TNA (7 L; 25 C),
extraia uma amostra aleatria simples de n = 5 itens, sem
reposio. Da amostra extrada calcule:
I. mdia;
II. ponto mdio;
III. moda;
IV. mediana;
V. varincia;
VI. amplitude;
VII. desvio padro;
VIII. coeficiente de variao.
b) Admita conhecida a informao de que as peas de A so, em
geral, menores. Como deve ser extrada uma nova amostra de n =
5? Reorganize e renumere os itens da populao como na alnea a
e extraia essa nova amostra sem reposio, para o incio das
leituras na TNA (10 L; 7 C). Para n = 6 e o incio na TNA (27 L;
16 C), quais itens comporo a amostra?
67
7) Extrair uma amostra de n = 5 itens da populao de N = 32 estaturas
ordenada em um rol crescente e calcular: a mdia, a mediana, o ponto mdio, a
moda, a amplitude, a varincia, o desvio padro e o coeficiente de variao.
Justificar a tcnica de amostragem utilizada. Incio de leitura na TNA (22 L; 25 C).
1,64
1,65
1,65
1,68
1,68
1,69
1,69
1,71
1,72
1,72
1,74
1,76
1,76
1,77
1,77
1,77
1,78
1,78
1,79
1,79
1,79
1,80
1,80
1,81
1,81
1,82
1,82
1,83
1,84
1,85
1,85
1,87
68
APNDICE A: SOMATRIO
O somatrio facilita bastante a indicao e a formulao de medidas, bem
como algumas operaes algbricas desenvolvidas pela Estatstica.
Notao: (sigma maisculo)
n
x x x ... x
i 1
Que se l somatrio de xi, para i variando de 1 a n.

Propriedades:
Considerando a e b constantes:
n
a)
a a a a ... a na
i 1
b)
ax a x
i
i 1
n
c)
i 1
ax by a x b y
i
i 1
i 1
i 1
69
9
AP
NDICE B:: USANDO
O O EXCEL
L
B1.. Amosttragem
Exemplo
No exemplo N=18 e n=6.

Abre-se o menu FE
ERRAMEN
NTAS e esc
colhe-se a opo AN
NALISE DE
E DADOS.
70
0
Na prxim
ma caixa, selecionarremos a op
po AMO
OSTRAGE M. No se
e esquea
a
de cclicar em OK.
O
A caixa de dilog
go que a
aparece em seguida
a refere-sse s info
ormaes
s
nece
essrias para
p
a extra
ao da am
mostra, se
endo:
Intervallo de entrrada: faixa

a de dados que conntm os va
alores doss
quais ser
s
extra da uma amostra. O Microssoft Excel extrai ass
71
amostras da primeira coluna, depois da segunda coluna, e assim
por diante.
Rtulos: Selecione essa opo se a primeira linha ou coluna do

intervalo de entrada contiver rtulos. Desmarque essa opo se o
intervalo de entrada no contiver rtulos; o Excel gera os rtulos de
dados adequados para a tabela de sada.
Mtodo de amostragem: Clique em Peridico ou Aleatrio para

indicar a tcnica de amostragem a ser utilizada. Peridico:
corresponde a amostragem sistemtica; e Aleatrio: a amostragem
aleatria simples.
Perodo: corresponde ao intervalo de amostragem.
Nmero de amostras: corresponde ao tamanho da amostra.
Intervalo de sada: Insira a referncia para a clula superior

esquerda da tabela de sada. Os dados so escritos em uma nica
coluna abaixo da clula. Se selecionar Peridico, o nmero de
valores na tabela de sada ser igual ao nmero de valores no
intervalo de entrada (tamanho da populao), dividido pelo intervalo
de amostragem. Se voc selecionar Aleatrio, o nmero de valores
na tabela de sada ser igual ao tamanho da amostra.
Nova planilha: Clique nessa opo para inserir uma nova planilha
na pasta de trabalho atual e colar os resultados comeando pela
clula A1 da nova planilha. Para nomear a nova planilha, digite um
nome na caixa.
Nova pasta de trabalho: Clique nessa opo para criar uma nova
pasta de trabalho e colar os resultados em uma nova planilha na
nova pasta de trabalho.
72
2
Finalmen
nte, pressio
onando o b
boto OK, obteremos
s a amostraa desejada
a.
B2.. Gera
o de nmeros
s aleat
rios
Abre-se o menu FE
ERRAMEN
NTAS e esc
colhe-se a opo AN
NALISE DE
E DADOS.
73
3
Na prxxima caixa
a, selecio
onaremos a opo GERA
O DE NMERO
O
ALEATRIO. No se es
squea de clicar em OK.
A caixa de dilog
go que a
aparece em seguida
a refere-sse s info
ormaes
s
nece
essrias para
p
a gera
ao de n
meros ale
eatrios, se
endo:
Nmero
o de vari
veis: Insirra o nme
ero de coluunas de va
alores que
e
voc de
eseja na tabela de sada. Se no insserir um nmero,
n
o
74
Microsoft Excel preencher as colunas da tabela de sada
especificada.
Nmero de nmeros aleatrios: Insira a quantidade de nmeros

aleatrios que se deseja. Cada nmero aleatrio aparece em uma
linha da tabela de sada. Se voc no inserir um nmero, o
Microsoft Excel preencher todas as linhas da tabela de sada
especificada.
Distribuio: Selecione o modelo de distribuio que se deseja

usar para criar valores aleatrios (uniforme, normal, Bernoulli,
binomial, Poisson, padronizada, discreta). Para sorteio de itens de
uma populao para compor uma amostra usa-se a distribuio
uniforme.
Parmetros: Insira um valor ou valores para caracterizar a

distribuio selecionada.
Semente aleatria: Insira um valor opcional a partir do qual

nmeros aleatrios possam ser gerados. Pode-se voltar a usar esse
valor para produzir os mesmos nmeros aleatrios posteriormente.
Intervalo de sada: Insira a referncia para a clula superior

esquerda da tabela de sada.
Nova planilha: Clique nessa opo para inserir uma nova planilha
na pasta de trabalho atual e colar os resultados comeando pela
clula A1 da nova planilha. Para nomear a nova planilha, digite um
nome na caixa.
Nova pasta de trabalho: Clique nessa opo para criar uma nova
pasta de trabalho e colar os resultados em uma nova planilha na
nova pasta de trabalho.
75
5
Finalmen
nte, pressiionando o boto OK,
O
obtere
emos os nmeros aleatrioss
dese
ejados.
76
APNDICE C: USANDO HP 50G
C1 Gerador de nmeros aleatrios

A calculadora fornece um gerador de nmero aleatrio que retorna um nmero
real entre 0 e 1. Como para gerar esses nmeros necessrio fazer uma
programao, no so propriamente aleatrios. O gerador capaz de produzir
sequencias de nmeros, que quando for suficiente grande, a sequencia tende a se
repetir. Por essa razo, o gerador de nmero aleatrio da calculadora gera um
nmero pseudo-aleatrio, ou seja para o incio da sequencia os nmeros
comportam-se como aleatrios. Para gerar um nmero aleatrio com a sua
calculadora use a funo RAND do submenu MTH/PROBABILITY. Basta apertar a
tecla F4 que gerado o nmero aleatrio.
Geradores de nmero aleatrio, em geral, operam tomando um valor chamado
de semente (seed em ingls) do gerado e fazendo algum algoritmo matemtico
nessa semente que gera um novo nmero (pseudo) aleatrio. Se quiser gerar uma
sequncia de nmero e ser capaz de repetir a mesma sequncia posteriormente,
voc pode alterar a semente" do gerador usando a funo RDZ(n), onde n a
semente, antes de gerar a sequencia. O nmero semente transformado, no
gerador de nmero aleatrio, no primeiro nmero aleatrio da srie. O nmero atual
serve ento como a semente para o prximo nmero, desse modo possvel
reproduzir a mesma sequncia mais de uma vez usando a mesma semente. Por
exemplo, tente o seguinte:
RDZ(0,4)
O nmero 0,4 ser usado como semente
RAND
Primeiro nmero aleatrio = 0,80285...
RAND
Segundo nmero aleatrio = 0,86109...
RAND
Terceiro nmero aleatrio = 0,53542...
Reinicia a sequncia
77
RDZ(0,4)
O nmero 0,4 ser usado como semente
RAND
Primeiro nmero aleatrio = 0,80285...
RAND
Segundo nmero aleatrio = 0,86109...
RAND
Terceiro nmero aleatrio = 0,53542...
78
3 RESUMO E APRESENTAO DE DADOS

3.1 Introduo
No captulo anterior foram vistas as tcnicas de amostragem, que consistem de
procedimentos para coletar amostras de uma populao, que so as fontes dos
dados que sero usados para responder as questes levantadas sobre a populao.
Portanto, o prximo passo comear o desenvolvimento de mtodos para resumo,
organizao e apresentao de dados para permitir a sua analise.
O objetivo deste captulo, portanto, apresentar tcnicas que tem por
finalidade resumir, organizar e apresentar conjuntos de dados numricos, de modo a
facilitar a anlise desses dados.
Para facilitar este estudo os conjuntos de dados sero classificados como
pequenos e grandes. Assim, se um conjunto de dados tiver 30 ou menos valores a
anlise ser feita sem o agrupamento em classe. Caso o conjunto de dados tenha
mais do que 30 valores ento primeiramente ser feito o agrupamento em classe de
acordo com o tipo de varivel considerada. O valor 30 apenas um ponto de
referncia escolhido arbitrariamente e dependendo da situao pode-se considerar o
agrupamento com mais ou menos valores envolvidos.
Os dados observados podem ser classificados em dois tipos: categorizados e
numricos. Dados categorizados referem-se a observaes que so classificadas
em categorias de modo que o conjunto de dados consiste de frequncia de
contagens das ocorrncias das categorias. Tais dados ocorrem em grande
quantidade em quase todos os campos do conhecimento que necessitam realizar
estudos quantitativos, particularmente nas cincias sociais. Em um estudo de
afiliaes religiosas, as pessoas podem ser classificadas nas seguintes categorias:
catlicas, protestantes, judeus, espritas, ou outras. Diante da pergunta: Voc possui
automvel? A resposta categorizada, podendo ser sim ou no. Dados
numricos podem ser classificados como contnuos e discretos. Um dado
numrico contnuo se proveniente de uma mensurao, por exemplo: resistncia
a compresso de corpos-de-prova de concreto, altura e peso de pessoas. Um dado
79
numrico discreto se proveniente de contagem por exemplo produo de carros
FIAT no ms de janeiro deste ano, quantidade de alunos de Probabilidade e
Estatstica de uma determinada turma da Universidade que respondero presena
hoje.
3.2 Pequenos conjuntos de dados numricos.

3.2.1 Ordenao e estatsticas de ordem
Um mtodo conveniente para organizar dados, quando n, o tamanho da
amostra, no for to grande, por meio de um arranjo ordenado. A ordenao
pode ser ou do maior para o menor (ordenao decrescente) ou do menor para o
maior (ordenao crescente). Quando os dados (x1, x2, x3, ..., xn) so ordenados
para dar x(1) x(2) x(3) ... x(n), os valores x(1), x(2), x(3), ... x(n) so chamados de
estatsticas de ordem dos dados. Em particular,
x(1) = min (x1, x2, x3, ..., xn) = a menor observao
x(n) = max (x1, x2, x3, ..., xn) = a maior observao,
so estatsticas de ordem especiais que sero usadas mais tarde.
Exemplo 3.1
i
xi
x(i)
29
18
18
20
26
22
22
24
24
26
20
29
A coluna xi corresponde s observaes amostrais registradas na ordem de

extrao da amostra e a coluna x(i) as observaes amostrais so as estatsticas de
ordem.
Assim, nesse exemplo,
80
x(1) = 18
e
x(2) = 29
que correspondem ao menor e ao maior valor, respectivamente, dos dados.
3.2.2 Medidas de Posio ou de Tendncia Central
As medidas de posio tm por objetivo representar, de forma resumida, um
conjunto de dados observados. Dizendo de outra forma, essas medidas so usadas
para sintetizar em um nico nmero o conjunto de dados observados. Tais medidas
orientam-nos quanto posio da distribuio no eixo X (o eixo dos nmeros reais),
possibilitando que duas sries de dados possam ser comparadas entre si realizando
o confronto desses nmeros. So tambm chamadas de medidas de tendncia
central, pois, representam as caractersticas pelos seus valores centrais, em torno
das quais tendem a se concentrar os dados.
3.2.2.1 Mdia Aritmtica
A medida de posio mais comum a mdia aritmtica, ou simplesmente
mdia. Sendo as n observaes indicadas por x1, x2, x3, ..., xn, a mdia aritmtica
1
x= n
i 1
3.1
Exemplo 3.2
Determinar a mdia aritmtica dos valores: 3, 7, 10, 8, 11.
= (3 + 7 + 10 + 8 + 11)/5 = 8
3.2.2.2 Mdia Ponderada

Usada quando se torna necessrio valorizar diferentemente, ou seja, dar pesos
diferentes, aos dados que entraro no clculo da mdia.
81
n
w x w2 x2 wn xn
xp 1 1
w1 w2 wn
w x
i i
i 1
n
i 1
3.2
w x
Na expresso 3.2,
a soma dos produtos de cada xi pelo seu
respectivo peso wi, e
i 1
a soma dos pesos. Observe que quando os pesos
so todos iguais, a expresso 3.2 se reduz 3.1, que mdia aritmtica.
Exemplo 3.3
Um grupo de 64 pessoas, que trabalha em uma empresa, tem a seguinte
distribuio salarial, em quantidade de salrios-mnimos:
Quantidade de
Salrio (em
trabalhadores
salrios-mnimos)
20
2,5
15
12
10
16
30
Para calcular a mdia salarial (por dia) de todo o grupo devemos usar a mdia
aritmtica ponderada:
xp
2,5 20 4 15 8 12 16 10 30 7 576
9
20 15 12 10 7
64
82
O salrio mdio dos empregados dessa empresa em termos de salriosmnimos ento igual a 9.
3.2.2.3 Mdia Geomtrica
Consideremos uma coleo formada por n nmeros racionais no negativos:
x1, x2, x3, ..., xn. A mdia geomtrica entre esses n nmeros a raiz n-sima do
produto entre esses nmeros, isto :
x g n x1 x2 x3 xn
3.3
aplicada quando se est diante de casos de qualidades multiplicativas.

Exemplo 3.4
Nos dois ltimos anos o faturamento de uma empresa cresceu 22,5% no
primeiro e 60% no segundo ano. Em mdia, quanto cresceu por ano? Ao responder
essa questo, muitos pensam na mdia aritmtica: (22,5% + 60%)/2 = 41,25%
Ser que se o crescimento tivesse sido de 41,25% a cada ano, teria produzido
o mesmo efeito? Pois essa a questo que se coloca quando se pede uma mdia:
deve ser o nmero que, colocado em lugar de cada nmero dado, produz o mesmo
efeito que aqueles produziriam acumulativamente.
Partindo de um faturamento de R$ 100, um aumento de 22,5% o eleva para R$
122,50 e, sobre esse ltimo, um aumento de 60% o eleva para R$ 196. Repetindo o
raciocnio com a mdia aritmtica, os R$ 100 aumentados de 41,25% viram R$
141,25, que aumentados novamente de 41,25% viram R$ 199,52 -portanto no
chegando aos mesmos R$ 196.
E como resolver a questo? Que mdia devemos calcular?
Veja: partindo de 100 multiplicamos por 1,225 (que 1 + 22,5%) e depois por
1,60 (que 1 + 60%) para chegar aos 196.
O que precisamos descobrir uma taxa t (taxa mdia) de modo que partindo
de 100 e multiplicando por (1 + t), depois novamente por (1 + t), cheguemos aos
83
mesmos 196. Da, o que queremos descobrir t na equao (1 + t) (1 + t) = 1,225 x
1,60, ou seja, (1 + t) a mdia geomtrica de 1,225 e 1,60.
Extraindo a raiz quadrada em ambos os membros da equao obtemos 1 + t =
1,40, logo a taxa mdia 40%. Confira: partindo de R$ 100, um aumento de 40%
eleva para R$ 140 e com outro aumento de 40% chegamos aos R$ 196.
Exemplo 3.5
A mdia geomtrica entre os nmeros 12, 64, 126 e 345, dada por:
x g 4 12 64 126 345 76
Aplicao prtica: Dentre todos os retngulos com a rea igual a 64 cm, qual
o retngulo cujo permetro o menor possvel, isto , o mais econmico? A resposta
a esse tipo de questo dada pela mdia geomtrica entre as medidas do
comprimento a e da largura b, uma vez que a.b=64.
A mdia geomtrica G entre a e b fornece a medida desejada.
x g a b 64 8
Resposta: o retngulo cujo comprimento mede 8 cm e lgico que a altura

tambm mede 8 cm, logo s pode ser um quadrado! O permetro nesse caso p=32
cm. Em qualquer outra situao em que as medidas dos comprimentos forem
diferentes das alturas, teremos permetros maiores do que 32 cm.
Interpretao grfica: A mdia geomtrica entre dois segmentos de reta pode
ser obtida geometricamente de uma forma bastante simples.
Sejam AB e BC segmentos de reta. Trace um segmento de reta que contenha
a juno dos segmentos AB e BC, de forma que eles formem segmentos
consecutivos sobre a mesma reta.
Dessa juno aparecer um novo segmento AC. Obtenha o ponto mdio O
desse segmento e com um compasso centrado em O e raio OA, trace uma semicircunferencia comeando em A e terminando em C. O segmento vertical traado
84
4
para
a cima a partir de B encontrar
o ponto D na sem
mi-circunferrncia. A medida
m
do
o
segm
mento BD correspon
nde md
dia geomttrica das medidas
m
doos segmentos AB e
BC.
do com o teorema:
t
a medida do ngulo
o inscrito igual a metade
m
do
o
De acord
arco
o subtendid
do, ento o ngulo A
ADC reto
o e, portantto, pelo teoorema de Pitgoras:
P
2
AD DC
C AB BC
B
3..4
Como oss tringulos

s ABD e BD
DC so tri
ngulos re
etngulos, ppor construo, pelo
o
mesmo teorem
ma de Pitg
goras obt
m-se:
2
AD A
AB BD
3..5
e
2
DC B
BC BD
3..6
Substituin
ndo as exp
presses 3
3.5 e 3.6 na
a express
o 3.4, obtm-se
2
AB BD
D BC BD AB BC 2 AB BC
3..7
Simplifica
ando a exp
presso 3.7
7, obtm-s
se
BD A
AB BC
3..8
3.2.22.4 Mdia Harmnicca

Seja uma
a coleo formada p
por n nm
meros reais
s positivos : x1, x2, x3, ..., xn. A
md
dia harmn
nica H entre esses n nmeros a diviso
o de n pelaa soma do
os inversoss
85
desses n nmeros, ou seja, o inverso da mdia aritmtica dos inversos dos n
nmeros reais positivos dados, isto :
xh
n
n
i 1
1
xi
3.9
ou
n
xh
i 1
3.10
Assim, estamos realizando o somatrio sobre todos os inversos dos n nmeros

reais positivos dados.
Utilizamos a Mdia Harmnica quando se trata de observaes de grandezas
inversamente proporcionais como, por exemplo, velocidade e tempo. A mdia
harmnica particularmente recomendada para uma srie de valores que so
inversamente proporcional, como para o clculo da velocidade mdia, custo mdio
de bens comprados com uma quantia fixa.
Em uma certa situao, a mdia harmnica prov a correta noo de mdia.
Por exemplo, se metade da distncia de uma viagem feita a 40 km por hora e a
outra metade da distncia a 60 km por hora, ento a velocidade mdia para a
viagem dada pela mdia harmnica, que 48; isso , o total de tempo para a
viagem seria o mesma se se viajasse a viagem inteira a 48 quilmetros por hora.
(Note, entretanto que se se tivesse viajado por metade do tempo em uma velocidade
e a outra metade na outra velocidade, a mdia aritmtica, nesse caso 50 km por
hora, proveria a correta noo de mdia).
Da mesma forma, se um circuito eltrico contm duas resistncias conectadas
em paralelo, uma com uma resistncia de 40 ohm e outra com 60 ohm, ento a
mdia das resistncias das duas resistncias 48 ohm; isso , a resistncia do
circuito a mesma que a de duas resistncias de 48 ohm conectadas em paralelo.
Isso no pra ser confundido com sua resistncia equivalente, 24, que a
86
resistncia necessria para substituir as duas resistncias em paralelo. Note que a
resistncia equivalente igual a metade do valor da mdia harmnica de duas
resistncias em paralelo.
Em finanas, a mdia harmnica usada para calcular o custo mdio de aes
compradas durante um perodo. Por exemplo, um investidor compra $1000 em
aes todo ms durante trs meses. Se os preos na hora de compra forem de $8,
$9 e $10, ento o preo mdio que o investidor pagou por ao de $8,926.
Entretanto, se um investidor comprasse 1000 aes por ms, a mdia aritmtica
seria usada.
Exemplo 3.6: Velocidade mdia
Um carro se desloca de Belo Horizonte at a cidade de Ub (distncia de 296
Km), mantendo na ida uma velocidade mdia de 60 Km/h e na volta a Belo Horizonte
mantendo a velocidade mdia de 100 Km/h. Qual a velocidade mdia durante todo
o trajeto?
Utilizando a expresso 3.9 obtm-se:
xh
2
1
1
60 100
75km / h
Esse problema uma aplicao imediata da mdia harmnica e a resposta

acima deve dar um susto em muita gente descuidada, pois a maioria das pessoas
"gostaria" que fosse 80 km/h!
O tempo total do percurso BH-Ub-BH
296 296
7,893h
60 100
Se usarmos o valor mdio de 80 km/h, o tempo total do percurso :
296
7, 4 h
80
,
87
cujo resultado diferente do anterior.
Usando o valor da mdia harmnica para determinar o tempo total do percurso,
obtm-se
296
7,893 h
75
cujo resultado o mesmo que o obtido calculando-se o tempo de ida quando

se mantm a velocidade de 60km/h e o de volta com a velocidade de 100km/h.
Portanto, deve-se utilizar a mdia harmnica para calcular a velocidade mdia do
percurso total.
3.2.2.5 Mediana
A segunda medida de posio mais largamente usada a mediana. Em
palavras, a mediana de um conjunto de dados o valor central dos dados
ordenados. Assim, se as estatsticas de ordem dos dados so x(1), x(2), x(3), ..., x(n) , a
x , definida por
mediana, denotada por ~
x n1 , quando n for impar,

2

~
x
1 x
x n , quando n for par.
2 n
1
2
2
3.11
Exemplo 3.7
Encontrar a mediana para os dados 3,5; 2,7; 0,9; 3,1; 4,3.
Soluo: os dados ordenados so: 0,9; 2,7; 3,1; 3,5; 4,3. Como n = 5,
x
(n + 1)/2 = 3. Isto , a mediana o terceiro termo dos dados ordenados. Portanto ~
= 3,1.
Exemplo 3.8
Encontrar a mediana para os dados: 15, 8, 10, 7, 14, 5.
88
Soluo : os dados ordenados so: 5, 7, 8, 10, 14, 15. Como n = 6
~
x = (x(6/2) + x(6/2 + 1))/2 = (x(3) + x(4))/2 = (8 + 10)/2 = 9
3.2.2.6 Comparao entre a Mdia Aritmtica e a Mediana
A mdia aritmtica o centro de gravidade do conjunto de dados. Isto , o
ponto de equilbrio das observaes. A Fig. 3.1 ilustra essa propriedade para os
seguintes dados observados: 3, 1, 4, 7, 6.
Figura 3.1: ilustrao da propriedade da mdia.

Um outro modo de demonstrar essa propriedade observar que a soma dos
desvios entre as observaes e x zero. Isto ,
n
x
i 1
x 0
x divide os dados ordenados ao meio, isto , 50% dos dados so

A mediana ~
x e 50% so maiores que ~
x.
menores que ~
Uma consequncia dessas propriedades que x mais sensvel aos valores
x . Por exemplo, suponha que consideramos os quatro nmeros (1, 2,
extremos que ~
x = 3. Agora, se adicionarmos o
4, 7), a mdia x = 14/4 = 3,5 e a mediana ~
nmero 31 a esse conjunto de dados obtemos (1, 2, 4, 7, 31), e os novos valores da
x = 4. Observamos que a x est longe de
mdia e da mediana so x = 45/5 = 9 e ~
ser um valor central para o conjunto de dados onde quatro dos cinco dados so
x
menores que x e somente um maior que x . Ao contrrio, o efeito de 31 sobre ~
simplesmente adicionar um valor a mais ao conjunto de dados. A falta de
sensibilidade a grandes valores extremos por parte da mediana torna-a um valor
central melhor que x para a distribuio de dados que fortemente assimtrica.
89
Outra comparao de x
x fornecida pelas seguintes propriedades.

e ~
Primeiro, o valor de c (uma constante) que minimiza
x c
c = x . Segundo, o
x A
valor de k (uma constante) que minimiza
x k
x . Portanto, se quisermos
k= ~
x A
obter a menor soma dos desvios ao quadrado para um conjunto de dados,

adotaremos desvios em torno de x , mas se a menor soma de desvios absolutos
x.
desejada os desvios tero de ser obtidos em torno de ~
Uma outra propriedade digna de nota que para qualquer distribuio
x.
simtrica x = ~
A despeito da mdia e mediana serem as medidas de posio mais usadas,
existem outras medidas que so mais apropriadas em funo de certas
particularidades dos dados observados, conforme veremos a seguir.
3.2.2.7 Moda
Define-se a moda como o valor observado de maior frequncia.
Exemplo 3.9
Sejam os seguintes dados numricos:
10, 15, 14, 11, 16, 14.
Determinar a moda.
Como o valor numrico de maior frequncia o 14 a moda
Mo = 14
3.2.2.8 Ponto Mdio
O ponto mdio a semi-soma dos valores extremos de uma distribuio, ou
seja:
PM = (x(1) +x(n))/2
Exemplo 3.10
3.12
90
Com os dados do exemplo 3.9, calcular o ponto mdio.
Usando a expresso 3.12, obtm-se
PM
10 16
13
2
Uma desvantagem do ponto mdio que ele fortemente dependente dos

valores extremos de uma distribuio e, portanto, poder ocorrer uma grande
flutuao de uma amostra para outra amostra. Sua vantagem a facilidade para a
sua determinao.
3.2.2.9 Percentil
O percentil 100p, que tambm denominado de separatriz de ordem p, divide
o conjunto ordenado de dados em dois subconjuntos de tamanhos na elementos,
esquerda, e nb elementos, direita, tais que:
p
na
n a nb
3.13
Ento, o percentil 10 o valor da distribuio do conjunto de dados que deixa a

sua esquerda 10% do total dos elementos.
H alguns percentis de interesse, que decorrem de valores particulares de p.
So eles:
Mediana divide o conjunto ordenado de dados em 2 partes, portanto, p =
0,50.
Quartil divide o conjunto de dados ordenados em 4 partes. Assim, um
conjunto de dados tem 3 quartis, a saber:
O primeiro quartil, Q1, para p = 0,25;
O segundo quartil, Q2, para p = 0,50, portanto igual a mediana;
O terceiro quartil, Q3, para p = 0,75;
91
Decil divide o conjunto de dados ordenados em 10 partes. Assim, o conjunto
de dados tem 9 decis:
O primeiro decil, D1, para p = 0,10;
O segundo decil, D2, para p = 0,20; etc
O nono decil, D9, para p = 0,90.
Centil divide o conjunto de dados ordenados em 100 partes. Assim, o
conjunto de dados tem 99 centis:
O primeiro centil, C1, para p = 0,01;
O segundo centil, C2, para p = 0,02; etc;
O 99-simo centil, C99, para p = 0,99.
Para calcular o percentil 100p%, primeiro necessrio colocar as observaes
amostrais em ordem crescente. O percentil 100p% a observao de ordem p(n +
1), onde n o tamanho da amostra. Se o nmero de ordem, assim calculado, no for
um nmero inteiro necessrio fazer interpolao linear.
Exemplo 3.11
Considere as observaes da tabela 3.1 sobre a resistncia a trao (em MPa)
de uma determinada liga metlica. Calcular:
1) O terceiro quartil;
2) O terceiro decil; e
3) O quadragsimo terceiro centil.
92
Tabela 3.1: Resistncia a trao de 28 corpos de prova de uma determinada
liga metlica.
105
97
163
134
131
180
178
157
174
99
107
101
167
171
121
165
154
135
149
151
153
183
169
142
115
175
160
172
Soluo:
O primeiro passo ordenar os dados observados em ordem crescente,
conforme apresentado na tabela 3.2.
Tabela 3.2: Resistncia a trao de 28 corpos de prova de uma determinada
liga metlica apresentada em ordem crescente.
(1)
(2)
(3)
(4)
97
99
101
105
(5)
(6)
(7)
(8)
107
115
121
131
(9)
(10)
(11)
(12)
134
135
142
149
(13)
(14)
(15)
(16)
151
153
154
157
(17)
(18)
(19)
(20)
160
163
165
167
(21)
(22)
(23)
(24)
169
171
172
174
(25)
(26)
(27)
(28)
175
178
180
183
A ordem do terceiro quartil

0,75(28+1) = 21,75.
Ento Q3 est entre a vigsima primeira,x(21), e a vigsima segunda, x(22),
observao. Fazendo-se a interpolao, ou seja, a seguinte regra de trs:
93
Q3 x(21) 0,75
x(22) x(21) 1
Q3 = x(21) + 0,75(x(22) - x(21)),
ou seja
Q3 = 169 + 0,75(171 - 169), portanto
Q3 = 171.
A ordem do terceiro decil
0,30(28+1) = 8,7.
Ento D3 est entre a oitava,x(8), e a nona, x(9), observao. Fazendo-se a
interpolao
D3 = x(8) + 0,70(x(9) - x(8)),
ou seja
D3 = 131 + 0,70(134 - 131), portanto
D3 = 133.
A ordem do quadragsimo terceiro centil
0,43(28+1) = 12,47.
Ento C43 est entre a dcima segunda,x(12), e a dcima terceira, x(13),
observao. Fazendo-se a interpolao
C43 = x(12) + 0,47(x(13) - x(12)),
ou seja
C43 = 149 + 0,47(151 - 149), portanto
C43 = 150.
94
3.2.2.10 Concluso
Oito estatsticas diferentes foram apresentadas como medida de posio para
conjuntos de dados observados. Nenhuma delas apropriada para todos os tipos de
dados, embora as medidas mais frequentemente usadas sejam a mdia aritmtica e
a mediana.
Nesse ponto, bom revermos o objetivo desse captulo. Um conjunto de
estatsticas desejado para que possamos representar, sintetizar, resumir ou
descrever um conjunto de dados. A primeira estatstica includa no conjunto de
estatsticas descritivas uma medida de posio. Nossa filosofia que podemos
sintetizar ou resumir nossos dados por uma estatstica chave. Portanto, temos de
reduzir nossos dados a um nmero que representa o tamanho mdio da varivel.
A representao de uma distribuio ou conjunto de dados por uma medida de
posio pode distinguir distribuies somente com relao posio. No entanto, h
muitas distribuies que mesmo tendo o mesmo valor da mdia aritmtica, por
exemplo, so distribuies muito diferentes. A Fig. 3.2 ilustra seis diferentes
distribuies que tm a mesma mdia aritmtica 4.
0 1 2 3 4 5 6 7 8
(a)
(b)
4
(c)
8
(d)
10
11
95
(e)
(f)
Figura 3.2: Ilustrao de seis distribuies diferentes (a, b, c, d, e, f) com

mdias iguais a 4.
bvio que as distribuies representadas pelas figuras 3.2a, 3.2b, 3.2c, 3.2d,
3.2e e 3.2f so bem diferentes, mas todas com a mesma mdia 4. Para distinguir
tais distribuies torna-se necessrio estabelecer medidas que indiquem o grau de
disperso, ou de variabilidade, dos dados. Portanto, o prximo passo em nosso
estudo desenvolver medidas de variao que possam ser usadas para distinguir
distribuies que tm a mesma mdia.
3.2.3 Medidas de Disperso ou de Variabilidade
O foco de nossa ateno agora na determinao de estatsticas que
representem a disperso ou a variabilidade dos elementos em um conjunto de
dados. Neste tpico discutiremos a amplitude, a varincia, o desvio padro e o
coeficiente de variao. H outras medidas, certamente, mas essas so as mais
usadas.
3.2.3.1 Amplitude
A amplitude de um conjunto de dados definida como a diferena entre o
maior e o menor valor do conjunto. Em termos de estatstica de ordem
R = x(n) - x(1)
Exemplo 3.12
3.14
96
Determinar a amplitude do seguinte conjunto de observaes: 54, 64, 51, 58,
50.
Utilizando a expresso 3.14, a amplitude :
R = 64 - 50 = 14.
3.2.3.2 Varincia e Desvio Padro
Como temos as medidas de posio para qualquer conjunto de dados que
desejamos descrever, razovel discutir a disperso dos dados relativos medida
de posio. A medida mais comum de disperso chamada de varincia. A
varincia para dados no agrupados definida como: Se x1, x2, ..., xn representa um
conjunto de n observaes da varivel X, a varincia de x, denotada por s2,
definida por
1 n
2
s
xi x
n 1 i 1
2
3.15
Se as observaes xi e x forem inteiros, o uso da equao 3.15 mais

conveniente para o clculo da varincia. Mas, quando fraes e decimais so
envolvidas, a seguinte frmula equivalente mais til:
2
1 n 2 1 n
s
x x
n 1 i 1 i n i 1 i
2
3.16
A expresso 3.16 obtida por meio do desenvolvimento da expresso 3.15.

Essa demonstrao fica a cargo do aluno.
A varincia uma estatstica descritiva que fornece uma medida de como os
elementos de um conjunto de dados esto dispersos ao redor de sua mdia. Assim,
deve-se observar que os valores pequenos de s2 esto associados a valores
observados concentrados em torno da mdia, enquanto valores elevados de s2
correspondem a valores observados bastante dispersos.
97
Um problema da varincia que uma quantidade quadrtica. Isto , se X
medida em kg, a varincia expressa em kg2, que uma unidade de medida no
familiar. Ento, til obter uma estatstica descritiva que seja expressa na mesma
unidade da varivel cuja disperso est sendo descrita. A estatstica mais comum
para esse propsito o desvio padro, que definido como a raiz quadrada
positiva da varincia e representado por s. Ou seja,
s s2
3.17
Para sintetizar dados, comum usar duas estatsticas descritivas. Essas

estatsticas so usualmente a mdia aritmtica e o desvio padro (ou a varincia).
Para a maior parte dos conjuntos de dados, a mdia aritmtica, como uma medida
de posio, e o desvio padro, como uma medida de disperso, resume em dois
nmeros muitas das informaes sobre a varivel que est sendo estudada.
Exemplo 3.13
Usando os dados do exemplo 3.12, calcular a varincia e o desvio padro.
1.
xi
x i2
x i x 2
54
2916
1,96
64
4096
73,96
51
2601
19,36
58
3364
6,76
50
2500
29,16
Total
277
15477
131,20
Clculo da mdia
x
2.
277
55,4
5
Clculo da varincia
98
s2
1
131,20 32,8
5 1
s2
3.
1
1
15477
277 2 32,8
5 1
5
Clculo do desvio-padro
s 32,8 5,73
3.2.3.3 Coeficiente de Variao
Os pesos de pulgas so mais variveis que os pesos de elefantes?
Observamos que pulgas no podem variar de peso em uma grande quantidade; isto
, a amplitude de possveis pesos (em daN) para pulgas muito estreita. Por outro
lado, a amplitude de pesos possveis (em daN) de elefantes adultos bastante
grande. Assim, espera-se que a varincia para uma amostra de pesos de pulgas
bem menor que a varincia para uma amostra de pesos de elefantes. Para
responder questes desse tipo, desejamos um medida de variabilidade relativa ao
tamanho das observaes. A medida deve ser um nmero puro de tal modo que os
resultados no dependam de qualquer unidade particular de medida. O coeficiente
de variao essa medida e definida como: Se x e s so a mdia e desvio
padro, respectivamente, para um conjunto de observaes positivas, o coeficiente
de variao denotado por Cv e definido por:
Cv
s
100%
x
Exemplo 3.14
3.18
99
9
Usando os
o dados do
d exemplo
o 3.13, calc
cular o coe
eficiente dee variao.
Pela frm
mula 3.18, obtm-se
Cv
5,73
100% 10,34 %
555,4
3.2.4
4 Aprese
entao de
e dados po
or meio de
e grficos
s
3.2.44.1 Diagraama de pon
ntos
O diagra
ama de po
ontos um
ma aprese
entao til de daddos para o caso de
e
amo
ostras de pequeno
p
ta
amanho. construd
do traand
do uma lin ha com um
ma escala
a
que cubra toda
a a faixa de valores d
dos dados
s e marcando os daddos individu
uais nessa
a
linha
a.
Exemplo 3.15
Represen
ntar os dad
dos abaixo
o em um diiagrama de
e pontos.
98
105
108
107
95
104
109
10
02
119
117
99
9
110
107
9
98
114
103
1 12
101
107
10
08
106
100
11
13
112
104
101
92
93
94
4
115
118.
Esses da
ados esto
o compreen
ndidos enttre 95 e 12
20. Traanndo um seg
gmento de
e
linha
a com um
ma escala entre 90 e 120, representa-s
se os dad os no dia
agrama de
e
ponttos da Fig. 3.3.
Figura 3.3: Diagram

ma de ponttos do exemplo 3.15..
100
3.2.4.2 Diagrama de ramo e folhas
O diagrama de ramo e folhas uma tcnica utilizada para apresentar dados
permitindo uma boa visualizao global desses dados. Para construir o diagrama de
ramo e folhas dividimos cada nmero em duas partes: um ramo, consistindo pelos
primeiros algarismos e uma folha, consistindo pelo ltimo algarismo. Em geral
devem-se escolher poucos ramos em comparao ao nmero de observaes. A
sugesto utilizar entre 5 e 20 ramos. Uma vez que os ramos foram definidos, eles
so listados na margem esquerda do diagrama. Ao lado de cada ramo so listadas
as folhas correspondentes aos valores observados na ordem em que os dados
foram listados.
Exemplo 3.16
Utilizando os dados do exemplo 3.15, construir um diagrama de ramo e folhas.
As tabelas 3.3, 3.4 e 3.5 ilustram a construo do diagrama de ramo e folhas
para os 31 dados relativos ao exemplo 3.15. Na tabela 3.3 foi usado 9, 10 e 11 como
os ramos. Como foram utilizados poucos ramos na construo do diagrama de ramo
e folhas esse ficou muito resumido no fornecendo, portanto, muitas informaes.
Na tabela 3.4, cada ramo foi dividido em dois, um acrescido, na sua representao,
da letra I, e o outro ramo acrescido da letra S. Os ramos com a letra I tm as folhas
0, 1, 2, 3, 4 e os ramos com a letra S tm as folhas 5, 6, 7, 8, 9. Percebe-se, nesse
caso, uma representao mais adequada dos dados. Na tabela 3.5, cada um foi
dividido em cinco ramos, um acrescido, na sua representao, da letra a, que tm as
folhas 0 e 1, outro acrescido da letra b, que tm as folhas 2 e 3, e assim
sucessivamente at o que foi acrescido da letra e, que tm as folhas 8 e 9. Para
esse caso foi adotado um nmero excessivo de ramos perdendo-se a informao a
respeito da forma que os dados esto distribudos.
Tabela 3.3: Diagrama de ramo e folhas para o exemplo 3.15 usando 3 ramos.
Ramo Folha
Frequncia
10
11
15
9
101
Ramo Folha
Frequncia
9I
9S
10I
10S
11I
11S
4
7
6
8
5
4
Ramo Folha
Frequncia
9a
9b
9c
9d
9e
10a
10b
10c
10d
10e
11a
11b
11c
11d
11e
2
3
6
4
3
1
3
2
1
Para nos ajudar a encontrar os percentis os algarismos que representam as

folhas do diagrama de ramo e folhas da tabela 3.4 so dispostos em ordem
crescente resultando em um diagrama de ramo e folhas ordenado conforme a tabela
3.6. Para ilustrao, desde que n = 31, o primeiro quartil a observao que tem
nmero de ordem
0,25(31+1) = 8.
102
Ento Q1 a oitava observao. Logo:
Q1 = 100.
Tabela 3.6: Diagrama ordenado de ramo e folhas para o exemplo 3.15 usando
6 ramos.
Ramo Folha
Frequncia
9I
9S
10I
10S
11I
11S
4
7
9
8
5
4
3.3 Organizao, apresentao e resumo de grandes

conjuntos de dados numricos.
praticamente invivel tirar concluses diretamente baseadas em um grande
nmero de dados. Assim, se o tamanho do conjunto de dados for muito grande,
superior a 30, de toda convenincia que esses dados sejam organizados e/ou
condensados previamente. O propsito desta seo desenvolver mtodos para
resumir, organizar e apresentar grandes conjuntos de dados, de modo a facilitar sua
interpretao.
3.3.1 Organizao e apresentao dos dados
3.3.1.1 Distribuio de frequncia
A introduo desse assunto ser feita por meio de um exemplo por considerar
didaticamente melhor.
Exemplo 3.17
Considerem-se os resultados dos ensaios de trao em corpos-de-prova de
ao CA-50 apresentados na Tabela 3.7.
103
Tabela 3.7: Resultados, em MPa, dos limites de resistncia em 95 corpos-deprova de ao CA-50
490
461
569
657
353
647
628
598
647
549
569
775
510
579
559
382
637
618
559
598
539
667
637
441
667
657
579
579
735
471
598
588
500
637
549
775
598
579
686
500
500
500
637
539
618
637
804
441
598
569
500
677
510
657
755
588
745
539
569
559
510
647
667
579
373
422
628
588
706
294
883
569
598
579
431
637
588
667
628
667
510
735
579
471
588
657
490
569
471
569
569
598
588
628
598
Os dados da Tabela 3.7 esto registrados na ordem em que os ensaios foram

realizados. Nessa apresentao, os nmeros no indicam qualquer coisa de maior
interesse. Naturalmente, a melhor maneira de dispor os dados depende da pergunta
que se deseja responder. No estudo da resistncia a trao, muitas perguntas
podem surgir. Por exemplo: Qual a resistncia mdia para os corpos-de-prova
ensaiados? Qual a porcentagem de ensaios com resistncia mnima de 700 MPa?
Qual o valor da resistncia acima do qual encontramos 95% dos resultados dos
ensaios? Qual a faixa de variabilidade de todos os resultados? Que intervalo, em
torno da mdia, abrange 50% dos dados, com metade dessa porcentagem
esquerda da mdia? O exame dos dados revela que a resistncia a trao dessas
barras de ao varia desde o menor valor 294 MPa at o maior valor 883 MPa; mas
as demais perguntas no podero ser respondidas diretamente com os dados dessa
tabela.
O primeiro passo para analisar dados numerosos realizar seu grupamento
em classes. Para isso, devemos selecionar as classes, dentro dos quais os dados
so agrupados. Aps o agrupamento dos dados em classe, procedemos como se os
dados dentro de cada classe fossem todos iguais ao ponto mdio da classe.
104
Para a seleo das classes, conveniente atender aos seguintes critrios:
1. as classes tm de ser selecionadas de maneira tal que elas sejam
mutuamente exclusivas e exaustivas para o conjunto de dados. Em
outras palavras, cada dado numrico tem de pertencer a uma e
somente uma classe;
2. o nmero de classes no pode ser nem muito grande nem muito
pequeno. O nmero uma funo crescente do tamanho da amostra e
usualmente escolhido entre quatro e quinze;
3. classes que tm pontos mdios inteiros so mais convenientes que
aquelas que tm pontos mdios fracionrios;
4. mais conveniente que as classes tenham a mesma amplitude;
5. classes de limites abertos, tais como maior que 40 e menor que 60,
devem ser evitadas.
De toda essa discusso, a idia importante que um nmero razovel de
intervalos mutuamente exclusivos e exaustivos deve ser escolhido para fornecer
uma imagem realista da distribuio dos dados.
Uma sugesto til, que pode auxiliar na escolha do nmero de classes, dada
pela regra de Sturges. Essa regra estabelece que para agrupar n observaes, o
nmero de classes necessrio aproximadamente:
logn
1
log2
3.19
onde log(n) o logaritmo decimal de n. Por exemplo, usar 5 ou 6 classes para

25 observaes, usar 7 ou 8 classes para 100 observaes, e usar 10 ou 11 classes
para 1000 observaes. Deve ficar claro que o valor de k fornecido por essa
equao apenas uma sugesto.
Uma outra sugesto a fornecida por Ishikawa (ISHIKAWA, 1982):
Tabela 3.8: Sugesto de Ishikawa para o nmero de classes
105
n
< 50
57
50 100
6 10
100 250
7 12
> 250
10 20
Para obter o intervalo aproximado de uma classe, deve-se proceder como

segue:
1) determinar a amplitude dos dados, R;
2) o intervalo de classe ser no mnimo h = R/k, onde k o nmero de
classes.
Em nosso exemplo, adotando como sugesto a regra de Sturges,
log95
1 7,6
log2
adotaremos k = 7.
Como
R = 883 - 294 = 589,
calcularemos
h = 589/7 = 84,1,
fazendo com que adotemos para h o valor 90, para que o ponto mdio tenha o
mesmo nmero de algarismos significativos que os dos dados originais.
Dessa forma os limites da primeira classe so
294 384,
fechado esquerda (para incluir o 294 no intervalo de classe) e aberto direita
(para excluir o 384).
106
No entanto, como o valor de h escolhido aproximado, devemos calcular a
amplitude de clculo para distribuirmos o excesso por todas as classes, no
deixando que esse excesso fique apenas na ltima classe. Assim,
Rc = 7 x 90 = 630
como o excesso, Rc - R, igual a 41, poderemos adotar como limite inferior da
primeira classe o valor 274. Assim, os limites da primeira classe sero:
274 364.
Os limites assim definidos so denominados limites aparentes da primeira
classe, por que eles no levam em conta a preciso dos resultados, nem a regra
normal de arredondamento que :
manter o algarismo da casa de interesse, se o da casa seguinte (da direita) for
0, 1, 2, 3, 4;
acrescentar uma unidade ao algarismo da casa de interesse, se o da casa
seguinte for 5, 6, 7, 8, 9.
Por exemplo, um nmero real, digamos, 17,53 o ponto mdio de um
intervalo, fechado a esquerda e aberto a direita, que pela regra de arredondamento,
tem como limites: 17,525 e 17,535. Ou seja,
17,525
17,535
17,53
Assim, qualquer nmero que cair dentro desse intervalo ser arredondado para
17,53.
Limites reais de uma determinada classe so aqueles que levam em conta a
preciso das medidas. Assim, os limites reais da primeira classe so:
273,5 363,5.
Fixados os limites reais da primeira classe, ser fcil determinar os limites reais
das demais classes; bastar somar aos primeiros o intervalo de classe h, constante;
107
no caso presente h = 90. Os limites reais inferiores sero, pois, 273,5 + 90 = 363,5;
363,5 + 90 = 453,5 ... ; analogamente, os limites reais superiores sero 363,5 + 90 =
453,5; 453,5 + 90 = 543,5; ...
O ponto mdio xi , da classe i, ser a mdia aritmtica dos limites reais da
classe i, assim, para a primeira classe o ponto mdio
x1 = (273,5 + 363,5)/2 = 318,5.
Achado o ponto mdio da primeira classe os demais se obtm pela soma,
sucessiva, do intervalo de classe h.
Como dito anteriormente, a significao do ponto mdio a seguinte: em cada
classe, supe-se que todos os itens nela includos tenham valor igual ao respectivo
ponto mdio da classe; o grupamento de dados em classes consiste, portanto, em
substituir os diversos valores diferentes, includos numa classe, por igual nmero de
itens todos iguais ao ponto mdio da classe.
A seguir so distribudos os dados pelas classes, determinando a quantidade
de dados em cada classe, que se denomina de frequncia absoluta simples ni.
Tabela 3.9: Distribuio de frequncia para os dados da Tabela 3.7
i Limites reais
Pt.mdio
Contagem
ni
fi (%)
Ni
Fi(%)
xi
1 273,5 363,5
318,5
2,11
2,11
2 363,5 453,5
408,5
6,32
8,42
3 453,5 543,5
498,5
18 18,95
26
27,37
4 543,5 633,5
588,5
40 42,11
66
69,47
5 633,5 723,5
678,5
21 22,11
87
91,58
6 723,5 813,5
768,5
7,37
94
98,95
7 813,5 903,5
858,5
1,05
95
100,0
O quociente da frequncia ni pelo total de itens de todas as classes, n,

denominado frequncia relativa simples (ou, por abreviao, frequncia) da isima classe; representada por fi.
108
f i %
ni
100%
n
3.20
Com relao j-sima classe, pode-se calcular a frequncia absoluta

acumulada, somando-se as frequncias absolutas das classes precedentes.
i
Ni n j
3.21
j 1
Essa frmula se desdobra em:
N1 n1
N 2 n1 n2 N1 n2
N 3 n1 n2 n3 N 2 n3
3.22
Procedimento anlogo nos conduz frequncia relativa acumulada ou

simplesmente frequncia acumulada, calculada por:
i
Nj
j 1
Fi (%) f j 100%
100%
3.23
Fi d a proporo dos itens que, na distribuio dada, apresentam valores

menores do que o limite real superior da i-sima classe.
3.3.1.2 Histograma
Os dados grupados em classes podem ser representados graficamente em um
histograma. Um histograma um grfico de barras, construdo tal que as reas dos
retngulos so iguais s frequncias relativas das classes. Desse modo, marcam-se
os limites reais das classes nas abscissas e as frequncias relativas divididas pelo
intervalo de classe nas ordenadas. Ou seja a
Altura de um retngulo
Freqncia relativa de uma classe

Intervalo de classe
O histograma construdo a partir dos dados da Tabela 3.9 mostrado na Fig.

3.4.
109
9
3.3.11.3 Polgon
no de frequ
uncia
Para a confeco
c
do polgo
ono de fre
equncia, marcam-see nas abs
scissas oss
ponttos mdioss de cada classe e nas orden
nadas as frequncia
f
as relativas
s divididass
pelo intervalo de
d classe nas orden adas. O po
olgono de
e frequnciia construdo a partirr
dos dados da Tabela
T
3.9
9 mostrad
da na Fig. 3.4.
Histograma
Polgono
P
dee Frequnc
cia
Figura 3.4: Histogra

ama e polgono de frrequncia dos
d dadoss da Tabela
a 3.9
3.3.11.4 Ogiva
A repre
esentao grfica
da distrib
buio de
e frequnncia acum
mulada
deno
ominada ogiva.
o
Para
a a confeco da ogiva, marcam
m-se nas aabscissas, os limitess
reaiss das classses; nas ordenadas, as frequ
ncias acum
muladas. A ogiva co
onstruda a
partiir dos dado
os da Tabe
ela 3.9 m
mostrada na
a Fig. 3.5.
110
0
Figura 3.5: Ogiva re

elativa aoss dados da
a Tabela 3.9
3.3.2
2 Medida
as de Tend
dncia Cen
ntral Para
a Dados Grupados eem Classe
es
3.3.22.1 Mdia
Se n obsservaes so agrup adas em k classes tal que a i--sima clas
sse possuii
pontto mdio, xi, e frequ
ncia ni, a m
mdia aritm
mtica
1 k
x ni . xi
n i 1
Exemplo 3.18
Encontra
ar a mdia x para oss dados da Tabela 3.9.
3..24
111
Tabela 3.10: Preparao dos dados para clculo da mdia
i
Pt.Mdio xi
ni
ni . xi
318,5
637,0
408,5
2451,0
498,5
18
8973,0
588,5
40
23540,0
678,5
21
14248,5
768,5
5379,5
858,5
858,5
95
56087,5
TOTAL Usando a expresso 3.24, obtm-se
56087,5
590,4
95
3.3.2.2 Percentil
Separatriz de ordem p, designada por Sp, que tambm denominada de
percentil de ordem p, divide o conjunto ordenado em dois subconjuntos de tamanhos
na elementos, esquerda, e nb elementos, direita, tais que:
p
na
n a nb
Ento, a separatriz de ordem p = 0,10 o valor da distribuio que deixa a sua

esquerda 10% do total dos elementos.
H algumas separatrizes de interesse, que decorrem de valores particulares de
p. So elas:
mediana a separatriz de ordem p = 0,50.
1o quartil, 2o quartil, 3o quartil so as separatrizes cujos valores de p so,
respectivamente, 0,25, 0,50 e 0,75, tambm denominados Q1, Q2 e Q3.
112
1o decil, 2o decil, ...,9o decil so as separatrizes cujos valores de p so,
respectivamente, 0,10, 0,20, ..., 0,90, tambm denominados D1, D2, ..., D9.
1o centil, 2o centil, ..., 99o centil so as separatrizes cujos valores de p so,
respectivamente, 0,01, 0,02, ..., 0,99, tambm denominados C1, C2, ..., C9.
Para se determinar o valor de uma separatriz de uma amostra necessrio
que os valores amostrais sejam organizados em um rol crescente ou decrescente.
Em seguida, faz-se a contagem dos itens que ficaro esquerda da ordenada Sp.
Se o nmero total de itens for tal que a separatriz no coincida com um dos valores
da amostra, adota-se para Sp a mdia aritmtica dos dois valores adjacentes.
Exemplo 3.19
Sejam os seguintes valores do peso de 12 pessoas, em daN:
51 72
68
83
59
63
92
85
57
77
79
65
Determinar os valores de S0,25 e S0,50. Ordenando os valores em ordem

crescentes, tem-se:
51
57
59
63
65
68
72
77
79
83
85
92
e, em seguida:
S 0 , 25 Q1
59 63
2
S 0 , 25 Q1 61 kg
S 0,50 ~
x
68 72
2
S 0 ,50 ~
x 70 kg
Se os dados estiverem grupados, o clculo do valor da separatriz leva em

conta que a distribuio das frequncias se faz linearmente ao longo de cada classe.
Assim, para se determinar o valor de uma separatriz basta verificar qual a classe que
a contm e fazer uma interpolao linear entre os seus limites reais.
113
Exemplo 3.20
Para os dados da Tabela 3.9, encontrar:
a mediana
Soluo: Abaixo do limite real superior da terceira classe (543,5) existem
27,37% dos dados e abaixo de 633,5 69,47% dos dados. Portanto, a mediana est
na quarta classe, conforme representado na figura a seguir.
27,37%
Interpolando,
50%
69,47%
543,5
633,5
633,5 543,5 69,47% - 27,37%
~
x - 543,5 50% - 27,37%
~
x = 591,9
o primeiro quartil
Soluo: Abaixo do limite real superior da segunda classe (453,5) existem
8,42% dos dados e abaixo de 543,5 27,37% dos dados. Portanto, a mediana est na
quarta classe, conforme representado na figura a seguir.
8,42%
453,5
25% 27,37%
Q1
543,5
Interpolando,
543,5 453,5 27,37% - 8,42%
Q1 - 453,5 25% - 8,42%
Q1 = 532,2
114
3.3.2.3 Moda
Se os dados estiverem agrupados em classe, o ponto mdio da classe de
maior frequncia denominado moda bruta. No exemplo da Tabela 3.9, a moda
bruta 588,5.
Com objetivo de se obter um resultado mais preciso da moda algumas
frmulas foram propostas, das quais sero citadas as de King e de Kzuber, por
serem as mais usadas. Essas frmulas foram desenvolvidas relacionando a moda
com a possvel forma da distribuio, sugerida pelas frequncias das classes
adjacentes quela da moda bruta.
nm1
mo LI m h
, denominada de moda de King.
nm1 nm1
n m n m1
mo LI m h
, denominada de moda de Kzuber.
2n m n m1 n m1
3.25
3.26
Onde:
LIm limite inferior da classe modal, isto , a classe de maior frequncia;
h amplitude de classe
nm frequncia absoluta simples da classe modal;
nm-1 frequncia absoluta simples da classe anterior classe modal;
nm+1 frequncia absoluta simples da classe superior classe modal.
A moda uma medida de posio mais adequada no caso de dados
agrupados. No caso de dados no agrupados, a moda nem sempre tem utilidade
como elemento representativo ou sintetizador do conjunto de dados.
Exemplo 3.21
Usando os dados da Tabela 3.9 determinar a moda de King e a de Kzuber.
Da Tabela 3.9 obtm-se:
115
LIm = 543,5
h = 90
nm = 40
nm-1 = 18
nm+1 = 21
Moda de King
Substituindo esses valores na expresso 3.25, obtm-se
21
mo 543,5 90
592,0
18 21
Moda de Kzuber
Substituindo esses valores na expresso 3.26, obtm-se
40 18
mo 543,5 90
591,8
2 40 18 21
3.3.2.4 Relao entre as trs medidas de posio (mdia, mediana e moda) moda de
Pearson
Karl Pearson estabeleceu a seguinte relao aproximada entre as trs medidas
de posio: mdia, mediana e moda:
x mo 3 x ~
x
3.27
Ou seja, em uma distribuio de frequncias diferena entre a mdia e a

moda 3 vezes maior do que a diferena entre a mdia e a mediana.
Exemplo 3.22
Usando os dados da Tabela 3.9 determinar a moda de Pearson.
~
x = 591,9
116
x 590 , 4
Explicitando mo na expresso 3.27, obtm-se
mo 590,4 3 590,4 591,9
mo 594,9
3.3.3 Medidas de Disperso ou de Variabilidade Para Dados Grupados em
Classes
3.3.3.1 Varincia
Se as n observaes esto agrupadas em k classes, tal que a i-sima classe
tem ponto mdio xi e frequncia ni, a varincia do conjunto de dados
2

1 k
1 k
2
s
n x n x
n 1 i 1 i i n i 1 i i
2
3.28
Exemplo 3.23
Utilizando os dados da Tabela 3.9, calcular a mdia e a varincia.
Tabela 3.11: Preparao dos dados para clculo da mdia e da varincia
i
Pt.Mdio xi
ni
ni . xi
ni . xi2
318,5
637,0
202884,5
408,5
2451,0
1001233,5
498,5
18
8973,0
4473040,5
588,5
40
23540,0 13853290,0
678,5
21
14248,5 9667607,3
768,5
5379,5
4134145,8
858,5
858,5
737022,3
95
56087,5 34069223,8
TOTAL -
Utilizando as expresses 3.24 e 3.28 para calcular a mdia e a varincia dos

dados grupados obtm-se:
117
1
56087,5 590,4
95
s2
1
1
2
34069223,8 56087,5 10164,5
94
95
3.4 Exerccios Propostos

1. A Tabela abaixo se refere distribuio de tempo de vida de lmpadas,
expresso em horas, testadas em uma fbrica.
Limites reais
Ni
949,5
13
28
46
71
1549,5 100
Com relao a essa Tabela, calcular:
a) o tempo de vida mdio;
b) o tempo de vida mediana;
c) o tempo de vida modal;
d) a varincia do tempo de vida;
e) a porcentagem de lmpadas com tempo de vida superior a 1300 horas.
f) o valor do tempo de vida de lmpadas abaixo do qual se encontram 90% dos
tempos de vida.
118
2. A Tabela abaixo se refere distribuio dos dimetros (em mm) de uma
partida de 80 eixos produzidos em determinada indstria.
Limites reais
1 5,5
ni
3
10
15
4 20,5
5
16
12
a) Calcular a mdia dos dimetros dessa partida.

b) Calcular o coeficiente de variao dessa partida.
c) Achar o dimetro, abaixo do qual se encontra 30% dos eixos dessa
partida.
d) Calcular a porcentagem dos eixos com dimetro superior a 22 mm.
e) Encontrar o intervalo, em torno da mdia, que contenha 50% dos eixos.
f) Calcular as seguintes modas:
i) de King;
ii) de Kzuber;
iii) de Person.
g) Construir o histograma.
h) Construir a ogiva.
119
3. O quadro abaixo nos d o tempo em horas na execuo de determinada
tarefa e o nmero de operrios que a executaram.
i
Limites reais
ni
40,5 45,5
15
24
51
48
20
18
10
a) Calcular o tempo mediano.

b) Calcular o coeficiente de variao.
c) Calcular as seguintes modas: de King, de Kzuber e de Pearson.
d) Construir o histograma.
e) Construir a ogiva.
f) Determinar, utilizando a ogiva, a mediana.
120
4. A Tabela abaixo se refere distribuio das espessuras, em mm, de 40

chapas produzidas.
i
Limites reais
ni
1 10,5
25,5
12
a) Calcular a espessura mediana da distribuio.

b) Calcular a porcentagem de chapas com espessura inferior a 28 mm
c) Calcular a espessura mdia da distribuio.
d) Calcular as seguintes modas: de King, de Kzuber e de Pearson.
e) Calcular a varincia das espessuras.
f) Determinar a espessura que deixa acima dela 5 chapas da distribuio.
5. A Tabela abaixo referente a uma distribuio de frequncia do nmero de

passageiros por nibus, na hora do rush:
i
No de Passageiros No de nibus
1 20
13
17
21
12
80
121
Determinar:
a) a mdia e a varincia;
b) as seguintes modas: de King, de Kzuber e de Pearson;
c) a porcentagem de nibus que transportam mais de 60 passageiros (incluindo
60).
6. Se 3,020 - 3,070 - 3,120 - 3,170 - 3,220 so pontos mdios de um

distribuio de frequncia de medidas da seo reta de fios de cobre utilizados em
certa obra, com aproximao de centsimos de milmetros, determinar:
a) o intervalo de classe;
b) os limites de classe.
7. Os dados relativos ao problema anterior so:

3,05
3,20
3,09
3,13
3,12
3,05
3,17
3,11
3,21
3,12
3,10
3,01
3,13
3,14
3,17
3,12
3,10
3,08
3,15
3,16
3,19
3,11
3,22
3,07
3,10
3,03
3,13
3,07
3,15
3,14
3,12
3,07
3,17
3,11
3,16
3,22
3,19
3,13
3,15
3,06
a) Construir o histograma e a ogiva.

b) Calcular a mdia e o desvio padro.
c) Calcular as seguintes modas: de King, de Kzuber e de Pearson.
d) Determinar a porcentagem cuja seco reta superior a 3,22.
e) Determinar o valor acima do qual esto 80% das medidas.
122
8. Dada a distribuio de 50 dados observados, onde xi o ponto mdio e n a

frequncia absoluta de cada classe:
i
Limites reais de
classe
ni
xi
2
14,0
13
20,0
18
a) Calcular a mdia e a varincia.

b) Calcular as seguintes modas: de King, de Kzuber e de Pearson.
c) Qual a porcentagem dos dados que se encontra acima de 23,0?
9. Em uma plantao experimental, o pesquisador colheu os seguintes dados

relativos ao crescimento de ps de milho at a poca da colheita:
2,20
2,00
2,20
2,28
2,30
2,12
2,12
1,95
2,42
2,20
2,00
2,01
2,28
2,25
2,18
2,15
1,92
2,15
2,12
2,15
2,16
2,50
2,25
2,27
1,90
2,35
1,84
2,08
I.
Representar esses dados por meio de:
a) diagrama de pontos;
b) diagrama de ramo e folhas.
II.
Calcular:
123
a) a mediana;
b) a mdia;
c) o desvio padro.
10. Seja o seguinte conjunto de nmeros: 7, 9, 1, 5, 6, 8, 5, 4.

Calcular:
a) a mdia;
b) a varincia;
c) a moda;
d) o ponto mdio;
e) a mediana;
f) a amplitude.
11. Considere os resultados abaixo, em um total de 80 valores, relativos a

ensaios de compresso de corpos-de-prova de concreto, testados aos 7 dias, em
MPa, registrados na ordem em que os ensaios foram realizados.
27,0
26,8
26,8
26,2
26,7
26,7
26,5
26,5
27,0
27,0
26,8
26,2
26,8
26,6
26,6
26,5
26,8
26,6
26,6
26,3
26,6
26,6
26,5
25,9
27,0
26,6
26,4
26,3
27,0
26,7
26,4
26,3
26,6
26,4
26,3
26,0
27,0
26,9
26,7
26,5
26,7
26,5
26,4
26,4
26,6
26,5
26,2
26,0
26,7
26,6
26,5
26,0
26,8
26,7
26,6
26,4
26,8
26,8
26,7
26,4
27,2
26,8
26,6
26,6
27,2
26,8
26,6
25,7
26,9
26,6
26,5
26,4
27,2
26,8
26,8
26,6
27,1
26,6
26,5
26,2
124
Usando o Excel:
a) Agrupar os dados em uma distribuio de frequncia e construir o
histograma.
b) Calcular a mdia e o desvio padro.
c) Determinar a moda e a mediana.
d) Construir a ogiva e determinar a mediana, comparando com o resultado
anterior.
e) Extrair uma amostra aleatria simples de tamanho 8 e calcular, com relao
a essa amostra, a mdia e o desvio padro. Comparar esses valores encontrados
com o valor da mdia e desvio padro de todos os resultados.
12. A Tabela abaixo se refere distribuio porcentual dos salrios recebidos

pelos funcionrios de uma empresa, em nmero de salrios mnimos.
i
Limites de classe
fi (%)
1 1
35
19
14
12
10
57
a) Calcular o salrio mediano e o salrio mdio, em unidades de salrio

mnimo. Em sua opinio, qual dos dois representa melhor o valor mdio? Por que?
b) Supondo que determinado imposto incida sobre o salrio dos funcionrios a
uma taxa constante de 2%, determinar o montante do imposto para um total de 3000
funcionrios, em unidades de salrio mnimo.
125
13. Uma firma abre concorrncia para aquisio de 300 peas e impe, como
especificao para a dimenso principal, 3,50 mm no mnimo. Prope pagar:
a) R$1,20 por pea dentro da especificao e R$0,50 para as fora de
especificao;
b) um prmio de R$100,00 para cada pea que tiver sua dimenso principal
dentro do seguinte intervalo 3,49 x 3,51 mm.
Calcular o valor que o fornecedor ir receber no caso de suas peas
apresentarem a distribuio da Tabela abaixo:
i
Limites reais
xi
ni
3,445
12
3,465
33
3,485
66
3,505
77
3,525
68
3,545
34
3,565
10
126
14. Considere a distribuio de freqncias:
i
Limites reais
xi
ni
1 2,5 4,5
3,445
12
2 4,5 6,5
3,465
33
3,485
66
3,505
77
3,525
68
3,545
34
3,565
10
15.
i
Considerando a tabela a seguir
Limites reais
ni
1 2,5 4,5
2 4,5 6,5
3 6,5 8,5
1001
4 8,5 10,5
3k-12
5 10,5 12,5 3
Determine o valor de k de sorte que a mdia e a moda bruta possuam valores
iguais.
127
7
AP
PNDIC
CE A: US
SANDO
O O EXC
CEL
A1.
R
Resumo
es
statstico
O Excel retorna os
s valores p
para cada uma das seguintes estatstica
as: Mdia,,
Erro padro (da mdia
a), Media
ana, Moda
a, Desvio padro, Varincia, Curtose,,
oro, Amplitude, Mnimo, Mxximo, Soma
a e Contag
gem.
Disto
Abre-se o menu FE
ERRAMEN
NTAS e esc
colhe-se a opo AN
NALISE DE
E DADOS.
Na prxim
ma caixa, selecionarremos a opo
o
EST
TATSTICA
A DESCRIT
TIVA. No
o
se esquea de
e clicar em OK.
128
8
Siga o exxemplo aprresentado a seguir:
O resulta
ado :
129
9
A2.
G
Grupament
tos dos dad
dos em cla
asse
Para agru
upar os da
ados em cl asses ne
ecessrio definir o n
nmero de
e classes..
Usan
ndo a regrra de Sturg
ges:
k = 3,3 (lo
og n) + 1
Para enccontrar o nmero d
de elemen
ntos (n) devemos
d
sseguir os seguintess
passsos:
e o cursor em uma c
lula vazia
a;
Coloque
No men
nu INSERIR
R escolha a opo FUNO.
F
130
0
Na categ
goria da funo e
escolha a opo ES
STATSTIC
CA e em nome da
a
fun
o escolh
ha a opo CONT. N
M. A seg
guir, clique em OK.
131
Com o cursor
c
posicionado e
em valor 1, marque o bloco onnde esto os dadoss
que sero contados. No nosso exe
emplo (Figura 1) corrresponde s clulas A2:J11. A
segu
uir clique em
e OK.
Aps sab
bermos o nmero d
de dados (n) que compem a tabela (Figura
(
1),,
pode
emos calcu
ular o nm
mero de cla
asses.
Devemoss posicion
nar o curssor em uma clula
a vazia e escolher a opo
o
FUN
NO do menu
m
INSE
ERIR.
Em
ca
ategoria
da
fun o
vemos
dev
escolher
e
TICA
MATEM
TRIG
GONOMT
TRICA e em
e nome da fun
o escolheremos LO
OG10, que retorna o
logaritmo na base 10 de um nmerro.
132
2
Aps cliccarmos em
m OK, terem
mos na c
lula escolhida o ressultado do logaritmo..
Na B
Barra de Frmulas
F
multiplicar
m
o logaritm
mo por 3,3 e somar 11, teremos
s, assim, o
resu
ultado da aplicao
a
da regra de Sturge
es e, consequentemeente, o n
mero de
e
clas
sses.
Agora de
evemos calcular o inttervalo de
e classes, ou seja, o quanto a classe vaii
varia
ar (tamanh
ho da clas
sse). Ela sser obtid
da com o conhecimeento do nmero
n
de
e
classses e dos valores mnimo e m
mximo da srie de dados do nnosso exem
mplo. Para
a
133
3
enco
ontrarmos os valore
es mnimo
o e mxiimo devemos prossseguir da
a seguinte
e
man
neira, semp
pre com o cursor
c
em uma clula vazia:
No menu
u INSERIR
R escolha
a a opo
o FUNO
O. Em caategoria da
d funo
o
esco
olha a opo ESTAT
TSTICA. Para o va
alor mnimo devemoos escolher a opo
o
MNIMO. Feito
o isso, cliqu
ue em OK..
Veremoss ento a caixa

c
de diilogo aba
aixo. Com o cursor eem nm 1,, devemoss
o onde est
o os dado
os (A1:J10
0). Clique em
e OK.
marccar o bloco
134
4
Para obter o valor mximo rrepita a op

perao, apenas
a
muudando a opo em
m
nom
me da fun
o para MXIMO.
M
Aps terrmos segu

uido todos as etapa
as anteriorres, deverremos ter obtido oss
segu
uintes resu
ultados:
Nmero de
d classes
s = 7,5 Valo
or mnimo = 294
Valor m
ximo = 883
3
135
5
Podemoss agora calcular
c
o intervalo das class
ses (h) uttilizando a seguinte
e
frm
mula bem simples:
h = Valorr mximo - Valor mn
nimo / Nm
mero de classes
h = (883 - 294) / 7 = 84,1
Como vissto na se
o anteriorr, adotarem
mos para h o valor 900.
Teremos ento:
A partir desses
d
resu
ultados po
oderemos construir
c
a tabela de classes ab
baixo:
Cla
asse
Lim
mite Inferiorr
Limite Superior
S
273
3,5
364
364
4
454
454
4
534
534
4
624
624
4
714
714
4
804
804
4
894
136
6
A seguirr, abrirem
mos o me
enu FERR
RAMENTAS
S e escoolheremos a opo
o
ANA
ALISE DE DADOS.
D
No se es
Na prxima caixa, seleciona
aremos a opo
o
Histograma. N
squea de
e
clica
ar em OK.
A caixa de dilog
go que a
aparece em seguida
a refere-sse s info
ormaes
s
nece
essrias para
p
a cons
struo do
o histogram
ma, sendo:
137
7
Intervalo de entra
ada: faixa onde est
o registrad
dos os daddos, (A2:J11);
Intervalo de bloc
co: utilizarremos os limites superiores dde cada intervalo de
e
classe (L11:L17),
(
conforme figura aba
aixo.
Intervalo de sad
da: determ
mina o luga
ar onde se
ero mostrrados os resultados.
r
.
No nossso caso, es
scolherem os uma no
ova planilha.
Pareto: Apresenta
a as frequ
ncias dos
s dados em
m valores ddecrescenttes. Nesse
e
o no deve
e ser escollhida.
exemplo
Porcentagem ac
cumulada
a: apresen
nta as fre
equncias acumula
adas. No
o
selecion
ne essa op
po.
Resulta
ado do gr
fico: apre
esenta o grfico esco
olhido. Esssa opo dever
d
serr
escolhid
da.
Finalmen
nte, pressio
onando o b
boto OK, obteremos
s os seguinntes resulta
ados.
138
8
Histogram
ma
Freqncia
40
0
30
0
20
0
10
0
0
364
454
53
34
624
714
Blo
oco
804
8
8944
Mais
139
9
A
APNDIICE B: USAND
U
O A HP
P 50G
A1.. Resum
mo estattstico
A calcula
adora forne
ece os seg
guintes rec
cursos pr--programaados para aplicaes
a
s
estatsticas, oss quais so
o acessve
eis por me
eio da combinao daas teclas
ou seja
Ao longo da apostila, ser mo

ostrado cada uma da
as opes.
A2.. Inserirr dados
Para usa
ar as aplica
aes 1, 2 e 4 da lista
a acima necessrioo inserir um
m conjunto
o
de d
dados (obsservaes amostraiss) em uma
a coluna na
a matriz
DAT. Isso
o pode serr
feito escolhend
do, por exe
emplo, a o po 1.Sin
ngle var.., obtendo-sse a seguin
nte tela:
140
0
Em seguida pressio
one a tecla
a
. Isso
o inicia o M
Matrix Write
er.
Insira os dados co
omo geralm
mente se faz.
f
Nesse
e caso, quuando sair do Matrixx
Write
er, os dado
os inserido
os so auto
omaticame
ente salvos
s em DAT
T.
Inserir oss dados do
os Ex 3.17. O resultad
do dever ser
141
uida clique
e em
Em segu
para re
etornar ao visor anteerior, com os dadoss
inseridos em DAT.
A3 Clculo das medid

das de
e tend
ncia c
central e de
e
variabilidade
Ainda na
a opo 1.Single var.., mo
ova o currsor para a linha horizontall
preccedendo os
o campos
s Mean, S
Std Dev, Variance, Total, M
Maximum, Minimum,,
presssionando as teclas do menu
para sele
ecionar ass medidas de sada
a
dessse program
ma. Quando estiver p
pronto, pressione
. Os vvalores selecionadoss
ser
o listados no visor de
e sua calc uladora, co
omo mostrrado a segguir.
142
2
A HP 50G
G fornece a soma da
as observa
aes amo
ostrais, a ssoma dos quadrados
q
s
das observa
es amostrrais e o tam
manho da amostra utilizando
u
a opo 4.Summary
y
stats
s.., obtend
do-se a seg
guinte tela::
Seleciona
ar a sada do progra
ama e pres
ssione a tec
cla
o seguinte viso
or:
, obtendo-se
o
e
143
3
A4 Distrib
buio de
d frequ
uncia
A distrib
buio de frequnccias pode
e ser obtida por m
meio da aplicao
o
2. Frrequencie
es.. do men
nu STAT. Os dados devem es
star presenntes na forrma de um
m
vetor de coluna
a armazen
nado na va
arivel DA
AT, conform
me a seoo A2.
Para inicciar press
sione
. O form
mulrio de entrada
a
resu
ultante conttm os seg
guintes cam
mpos:
DAT
O vetor com
m os dados
s de interes
sse
Col
A coluna d
de DAT que cont
m os daados a se
erem
an
nalisados
X-Min
O limite infe rior da prim

meira class
se
unt
Bin Cou
O nmero d
de classes
Bin Wid
dth
O intervalo d
de classe
Utilizando
o os dados
s do Ex 3.1
17:
144
4
Os dados j esto
o carregad
dos no DA
AT e a opo Col dev
ve manter
o valor 1, j que ttemos apenas uma coluna
c
no
DAT
X-Min: 293,5 qu
ue o limitte inferior real
r
Bin-Count: 7 da
ado pela re
egra de Stu
urgers
Bin-Wid
dth: 84,3 que detterminado por: o limitte superiorr da ltima
a
classe deve se r maior que
q
883, que o maior valor dass
aes am
mostrais. Assim,
A
o limite supeerior real da ltima
a
observa
classe deve ser 8
883,5. Com
mo o limite real inferioor da prime
eira classe
e
5, o interva
alo de clas
sse (883,5 293,55)/7, cujo re
esultado
293,5
84,3.
Presssionando a tecla
, obt
m-se o se
eguinte visoor:
145
5
Essse resultado
o a frequ
uncia abs
soluta.
Para
a gerar o histograma
h
a siga os se
eguintes passos:
p
No mo
odo RPN p
pressione simultaneamente ass teclas
para acessar a janela PL

LOT SETU
UP. Dentroo desse visor altere
e
Type: para Histtogram e verifique
e se a oopo Col: 1 est
pois pressio
one
selecionada. Dep
A segu
uir, no mo
odo RPN, pressione
e simultanneamente as teclass
para inserir no visor PLO
OT WINDO
OW HIST
TOGRAM .
146
6
Dentro desse vissor altere a informa
o para H
H-View: 293,5 883,5,,
V-View
w: 0 40, Barr Width: De
efault.
Pressio
one ERASE
E DRAW para
p
gerar o seguintee histogram
ma:
Para
a ocultar a barra de menu
m
presssione a tec
cla
e a tecla
m seguinda a tecla
, em
147
7
Para
a retornar com a barrra de menu
u pressione
e novamen
nte a tecla
148
APNDICE C: PROCESSO ABREVIADO PARA O CLCULO DA MDIA E DA
VARINCIA DE DADOS AGRUPADOS
B1. Dados Codificados por Transformao Linear

Algumas vezes desejvel transformar os dados de modo que os clculos
envolvidos na estatstica descritiva possam ser realizados com nmeros menores,
facilitando, assim, a sua determinao. A codificao utilizada uma transformao
linear do tipo
yi = A + Bxi
onde A e B so constantes escolhidas pela convenincia dos clculos.
Se usarmos y e sy2 para denotar a mdia e a varincia de y, e x e sx2 para
denotar a mdia e a varincia de x, respectivamente, ento
x
s
2
x
yA
B
s y2
B
sx
sy
B
B2. Processo Abreviado para o Clculo da Mdia e da

Varincia de Dados Agrupados
O clculo da mdia e da varincia pelas expresses anteriormente vista,
denominado processo direto, muito trabalhoso, muito embora possa ser facilitado
pelo emprego de uma mquina de calcular ou um computador.
Com uma simples mudana de varivel, o clculo pode ser feito mais
rapidamente e com menos riscos de errar. Esse processo denominado processo
abreviado. A nova varivel
ui
xi x 0
h
149
onde xi o ponto mdio da i-sima classe, x0 um dos pontos mdios que se
deve escolher de acordo com a convenincia dos clculos (normalmente o ponto
mdio que corresponde classe de maior frequncia) e h o intervalo de classe.
Introduzindo essa expresso de ui nas expresses do processo direto obtm-se
h k
x x 0 ni . ui
n i 1
2

1 k
h2 k
2
s
n . u n . u
n 1 i 1 i i n i 1 i i
2
Exemplo
Utilizando os dados da Tabela 3.2, calcular a mdia e a varincia pelos
processos direto e abreviado.
Pt.Mdio xi
ni
ui
ni . ui
ni . ui2
319
-3
-6
18
409
-2
-12
24
499
18
-1
-18
18
589
40
679
21
21
21
769
14
28
859
95
118
TOTAL x 589
90 2
s
94
2
90 2
590,9
95
2
118 95 2 10164,46
150
4 PROBABILIDADE
4.1 Introduo
O Captulo 3 lidou com os aspectos da estatstica relacionados manipulao
de dados. Uma grande quantidade de dados foi acumulada e tinham de ser
organizados e resumidos para que possam ser analisados. Neste captulo sero
abordados os conceitos de probabilidade e suas aplicaes e nos captulos 5 e 6 os
modelos probabilsticos necessrios para fundamentar os aspectos da estatstica
que lidam com tomadas de deciso em face de incertezas.
Probabilidade pertence ao campo da Matemtica. A necessidade de estudar
esse assunto em Estatstica, que o objetivo essencial deste curso, pelo fato que
os fenmenos estudados pela Estatstica Inferencial ou Indutiva so de natureza
aleatria ou no determinstica.
Define-se por modelo cientfico a representao simplificada de algum
fenmeno do mundo real com o propsito de analisar, descrever, explicar, simular
(em geral), explorar, controlar e predizer esses fenmenos. Assim, a utilizao de
modelos, como representao de determinada realidade, facilita a compreenso de
relaes complexas. Por exemplo, para estudar as relaes qumicas entre os
elementos necessrio conhecer o tomo. No entanto, pelas dimenses do tomo
necessrio estabelecer um modelo que possa explicar essas relaes. Note que um
modelo deve ser aperfeioado continuamente na medida em que ele no consegue
explicar certas ocorrncias. Assim, o modelo do tomo evoluiu a partir do modelo de
Dalton (esfera indivisvel), de Thomson (pudim de ameixa), de Rutherford
(bombardeamento de lmina de ouro com partculas alfa ncleo atmico), de
Chadwick (descoberta dos nutrons), de Bohr (nveis quantizados de energia
rbitas circulares), de Sommerfeld (rbitas elpticas para explicar que um eltron
numa mesma camada apresentava energias diferentes). O modelo atmico atual
um modelo matemtico-probabilstico que se baseia em dois princpios:
Princpio da Incerteza de Heizenberg: impossvel determinar com preciso a

posio e a velocidade de um eltron num mesmo instante.
151
Princpio da Dualidade da matria de Louis de Broglie: o eltron apresenta

caracterstica DUAL, ou seja, comporta-se como matria e energia sendo uma
partcula-onda.
Erwin Schrndinger baseado nesses dois princpios criou o conceito de
ORBITAL, que a regio onde mais provvel encontrar um eltron. Dirac calculou
essas regies de probabilidade e determinou os quatro nmeros qunticos, principal
(localiza o eltron em seu nvel de energia), secundrio (localiza o eltron no seu
subnvel de energia e d o formato do orbital), magntico (localiza o eltron no
orbital e d a orientao espacial dos orbitais) e spin (relacionado com o movimento
de rotao do eltron em um orbital). Depois vem o Princpio de Excluso de
Wolfgang Pauli (em um mesmo tomo, no existem dois eltrons com quatro
nmeros qunticos iguais), a Regra de Hund (preenchimento dos subnveis) e a
equao de Schrndinger (os nmeros qunticos so uma aproximao para a
equao de Schrndinger).
Um modelo cientfico pode ser determinstico ou probabilstico. Modelo
determinstico um modelo matemtico que determina, exatamente ou com um erro
que pode ser considerado desprezvel, os resultados a partir das condies iniciais.
Por exemplo, o fluxo de corrente eltrica em um circuito simples ligado a uma bateria
determinado com exatido pela lei de Ohm I=V/R ao fornecer os valores de V
(diferena de potencial) e R (resistncia).
Modelo probabilstico, ou distribuio de probabilidade, um modelo
matemtico que descreve o comportamento de uma varivel definida em
experimentos estatsticos. Esse tipo de experimento baseia-se em amostra na qual
se apia para tomar decises ou tirar concluses sobre o fenmeno (populao)
objeto de estudo. Um experimento especifica exatamente que teste ou ensaio deve
ser realizado e qual a caracterstica que deve ser observada. Esses testes, que
lidam com resultados ou observaes, geralmente so repetidos vrias vezes sob
condies controladas. No entanto, mesmo tomando grande cuidado para manter as
condies do experimento to uniforme quanto possvel, as observaes individuais
apresentam uma variabilidade intrnseca que no se consegue eliminar, pois os
fenmenos estudados pela Estatstica so fenmenos cujos resultados, mesmo em
condies controladas de experimentao, variam de uma observao para outra,
152
sendo, portanto, difcil para tirar concluses ou tomar decises. Essa variabilidade
inerente frequentemente referida como erro experimental, que corresponde ao
resultado da influncia de um grande conjunto de fatores que fogem ao controle.
Assim, em todos os tipos de experimentos repetidos realizados sob condies
controladas, os resultados das repeties variam.
Ao invs de ignorar essa variabilidade, ou trat-la qualitativamente, ela pode
ser incorporada em um modelo matemtico para representar o fenmeno objeto de
estudo, fenmeno esse que, em estatstica, denominado de populao. Assim, tal
modelo uma descrio matemtica do comportamento da populao e
geralmente de natureza simplificada. Essa formulao pode ento ser usada para
caracterizar o fenmeno e ser usada para anlise posterior.
Os modelos matemticos das populaes so criados empregando a teoria da
probabilidade, onde especificamos a estrutura de um problema, construmos um
modelo matemtico a ele correspondente, especificamos os valores dos parmetros
(que so as constantes numricas que aparecem explicitamente no modelo), e
depois deduzimos o comportamento da populao, por exemplo, a distribuio do
nmero relativo de vezes que ocorrer cada resultado possvel.
A probabilidade, portanto, constitui um fundamento importante para a
estatstica, e vamos examin-la com o aprofundamento necessrio e suficiente ao
nosso curso.
Nas exemplificaes dos conceitos de probabilidade, frequentemente, recorrese a dados, cartas, moedas, urnas, bolas, etc. Isso devido no s a simplicidade
de tais objetos como o fato de que eles reproduzem de modo quase perfeito, as
condies abstratas dos modelos matemticos de probabilidade. Assim, se esses
exemplos simples forem bem compreendidos no haver maiores dificuldades em
resolver problemas mais complexos e de maior interesse no nosso campo de
atuao.
Apesar
disso,
muitos
autores
atribuem
origem
dessa
teoria
correspondncias trocadas entre Pascal e Fermat (1654) em que falavam do objetivo

de se obter soluo dos problemas de jogos de azar propostos, em 1653, por
Chevalier de Mr, conhecido como filsofo do jogo que tambm interessou-se pelo
153
uso da Matemtica para determinar as apostas nos jogos de azar. O
desenvolvimento da Probabilidade tem grande impulso em 1657, com a publicao
do primeiro tratado formal sobre probabilidades escrito pelo fsico, gemetra e
astrnomo holands Christian Hygens. A esse estudo deve-se o conceito de
esperana matemtica de grande relevncia para o Clculo de Probabilidades e
Estatstica. Depois disso, apenas em 1713, foi publicado postumamente o primeiro
livro inteiramente dedicado teoria das probabilidades de autoria de Jakob Bernoulli
(1654-1705). Uma parte desse livro dedicada reedio do trabalho de Huygens
sobre jogos de azar, a outra parte relaciona-se com permutaes e combinaes,
chegando ao teorema de Bernoulli sobre as distribuies binomiais.
4.2 Conceitos
4.2.1 Experimentos Aleatrios
Como visto geralmente os resultados de um determinado experimento no
pode ser predito exatamente, devido variabilidade inerente associada ao
experimento. Entretanto, possvel identificar todos os resultados possveis desse
experimento.
Seja um experimento simples como o lanamento de uma moeda. fcil
enumerar os resultados possveis, pois so apenas dois: cara e coroa. No entanto,
no se pode antecipar, com certeza, qual desses dois resultados ir ocorrer em uma
jogada. Desse modo, podemos conceituar um experimento aleatrio, representado
por , como um experimento cujo resultado no se pode antecipar, com absoluta
certeza, apesar de se poderem prever todos os resultados possveis.
A consequncia de uma nica execuo do experimento chamada
resultado.
So exemplos de experimentos aleatrios:
lanamento de dados;
lanamento de uma moeda;
154
extrao
de
trs
cartas
de
um
baralho
adequadamente
embaralhado;
nmero de partculas que atinge um contador colocado a uma

distncia conhecida de uma fonte radioativa durante um intervalo de
10 segundos;
seleo aleatria de 10 peas de um lote com 100 unidades;
medio da dureza Rockwell em cinco regies de uma chapa de

ao;
medio do tempo de vida de 5 lmpadas eltricas escolhidas ao

acaso de um lote dessas lmpadas;
escolha aleatria de 20 pessoas de um grupo e a determinao de

suas presses sanguneas ou suas opinies sobre determinado
produto;
medio da resistncia compresso de cinco corpos-de-prova

confeccionados com concreto extrado de um caminho betoneira
cheio de concreto; etc.
4.2.2 Espao Amostral

O conjunto de todos os possveis resultados de um experimento chamado
espao amostral do experimento e representado por E. Cada resultado
chamado um elemento de E e representado por e. Um espao amostral, E, dito
finito ou infinito conforme consista em um nmero finito ou infinito de elementos,
respectivamente.
Exemplo 4.1
Quando lanamos um dado uma vez, ele pode apresentar uma das seis faces,
voltada para cima, numeradas 1, 2, 3, 4, 5 e 6, e o espao amostral consiste desses
6 elementos. Em notao de conjunto esse espao amostral pode ser escrito como
E = {1, 2, 3, 4, 5, 6}.
155
Se dois dados so lanados, em cada dado pode ocorrer qualquer nmero de
1 a 6 inclusive. Representando o valor da face voltada para cima do primeiro dado
por x1 e o valor da face voltada para cima do segundo dado por x2, o espao
amostral consiste de todos os pontos e = (x1, x2) tal que x1 e x2 so inteiros e
contidos no intervalo de 1 a 6 inclusive os extremos. Se um nico dado for lanado
duas vezes, o espao amostral o mesmo que o representado acima onde x1 agora
denota o valor da face voltada para cima do primeiro lanamento e x2 denota o valor
da face voltada para cima do segundo lanamento. Se o mesmo dado for lanado n
vezes, o espao amostral E consiste de todos os pontos e = (x1, x2, . . . xn) tal que xi,
o valor da face voltada para cima do i-simo lanamento, est entre 1 e 6 inclusive.
Exemplo 4.2
Seja o nmero de partculas que atinge um contador colocado a uma
distncia conhecida da fonte radioativa durante um intervalo de 15 segundos. O
nmero dessas partculas um nmero inteiro positivo. Ento, o espao amostral
pode ser representado como
E = {0, 1, 2, ...}.2
Exemplo 4.3
Este exemplo ilustra o fato de que um espao amostral no consiste,
necessariamente, de um conjunto de nmeros. Na produo industrial, pode-se
retirar uma pea para verificar se ela defeituosa ou no. Ento, E consiste nos dois
elementos: defeituosa e perfeita. Se extrair duas peas, a primeira pode ser
perfeita ou defeituosa e de modo semelhante a segunda pea. Se x1 denota o
resultado da primeira pea e x2 o resultado da segunda, o espao amostral E
consiste de todos os pontos e = (x1, x2) tal que x1 representa uma pea defeituosa ou
uma pea perfeita e x2 representa uma pea defeituosa ou uma pea perfeita. Uma
enumerao dos quatro pontos de E dado por e = (x1, x2) = (D, D); (D, D ); ( D ; D);
Embora os resultados possveis do experimento so representados como sendo ilimitado, isto
claramente uma aproximao matemtica, em vista de que o nmero de partculas de certa

quantidade de um determinado radioistopo limitado.
156
e ( D , D ), onde D representa pea defeituosa e D pea perfeita. Portanto, e = ( D ,
D ) significa que o resultado da primeira pea perfeita e o resultado da segunda

pea tambm perfeita. Esse exemplo um caso particular de um experimento
mais geral em que o resultado pode ser caracterizado por um de dois valores, ou
seja, pode ser classificado por uma dicotomia. Ao invs de extrair uma pea para
verificar se perfeita ou defeituosa, o experimento pode consistir em identificar o
sexo de uma criana recm-nascida. O espao amostral consiste de dois pontos,
macho e fmea. Outro tipo de experimento pode consistir no lanamento de uma
moeda. O espao amostral consiste dos dois elementos, cara e coroa.
Exemplo 4.4
Seja a determinao da resistncia compresso de corpos de prova de
concreto com sete dias de cura. O espao amostral do experimento infinito, porque
o resultado pode ser qualquer nmero positivo situado entre 0 (zero) e o limite
superior da escala de medio LS. Isto pode ser escrito em notao de conjunto
como
E e | 0 e LS3
Se dois corpos de prova so ensaiados, cada corpo de prova pode ter a
resistncia compresso entre 0 e LS. Chamando a resistncia compresso do
primeiro corpo de prova de x1 e do segundo corpo de prova de x2, o conjunto E
consiste de todos os pontos e = (x1, x2), tal que
0 x1 LS
0 x2 LS
O espao amostral pode ser escrito, novamente, em notao de conjunto como
E e x1 , x2 | 0 x1 , x2 LS .
Esta notao lida como E o conjunto de todos e, onde e um nmero real entre 0 e LS
inclusive os extremos.
157
Se uma amostra de n corpos de prova so ensaiados e xi representa a
resistncia compresso aps sete dias de cura do i-simo corpo de prova, o
conjunto de todos os resultados possveis do experimento E consiste de todos os
pontos e = (x1, x2, ...,xn) tal que
0 x1 LS ,
0 x2 LS , ...,
0 xn LS .
Exemplo 4.5
De um grupo de rels, produzidos sob condies similares, uma nica unidade
escolhida, colocada em uma bancada de teste, em um ambiente similar s
condies de projeto, e ento testada at a sua falha. Em vista de que a vida do
componente pode ser qualquer nmero no negativo, o espao amostral E consiste
de todos os pontos e que se encontra dentro do intervalo 0 (zero) e (infinito), isto
,
E e | 0 e 4
Se ao invs de testar um rel, o experimento consistir em escolher dois rels,
coloc-los em uma bancada de teste, e submet-los a teste at ocorrer a falha, o
espao amostral E dado por
E e x1 , x2 | 0 x1 , x2 ,
onde x1 representa o tempo at a falha do componente definido como nmero
1 e x2 o tempo at a falha do componente definido como nmero 2. De modo
semelhante, se uma amostra de n rels so colocados em uma bancada de teste e
testados at a falha, o espao amostral E dado por
E e x1 , x2 ,, xn | 0 x1 , x2 ,, xn ,
Do ponto de vista prtico preciso reconhecer que a vida de qualquer componente eletrnico
no pode ser infinita nem os instrumentos de medida so capazes de registrar valores contnuos.
Entretanto, o modelo matemtico somente uma aproximao do fenmeno fsico que est sendo
estudado. Nos exemplos, essas aproximaes geralmente no distorcem os resultados.
158
onde xi denota o tempo at a falha do componente designado como nmero i.
Os experimentos acima so muito mais complexos do que foi descrito. Por
exemplo, o valor da resistncia compresso dos corpos de prova de concreto com
cura de sete dias depende de uma srie de outras variveis, atuando
simultaneamente, ou no, sobre o processo. Entre essas variveis podem ser
citadas, desde a confeco do corpo de prova (entre as quais: as dimenses do
molde, a pessoa que confeccionou o corpo de prova, paralelismo das faces, etc.) ,
at o operador que faz o teste, incluindo ainda outras, tais como a hora em que foi
realizado o ensaio, o equipamento de teste empregado, os constituintes do concreto
(tanto em quantidade quanto em qualidade), as condies ambientais com que foi
realizado o ensaio, etc. Assim, h muitas variveis, cujos resultados poderiam ser
includos no conjunto de todos os possveis resultados do experimento, mas que
sem importncia do ponto de vista de tomar deciso baseada no resultado do
experimento. Consequentemente, esses fatores irrelevantes sero excludos da
representao formal do espao amostral, e E ser o conjunto de todos os possveis
resultados dos fatores relevantes do experimento.
4.2.3 Evento
Um evento A (relativo a um espao amostral E particular, associado a um
experimento ) simplesmente um conjunto de resultados possveis. Na
terminologia dos conjuntos, um evento um subconjunto de um espao amostral E.
Em particular, E e (conjunto vazio) so eventos; E dito o evento certo e o
evento impossvel. Qualquer resultado individual pode tambm ser definido como
um evento.
Exemplo 4.6:
Se retirarmos duas peas de um conjunto de cinco (numeradas de 1 a 5) o
espao amostral consiste nos seguintes 10 resultados possveis:
1,2
1,3
1,4
1,5
2,3
2,4
2,5
3,4
3,5
4,5.
No entanto, podemos estar interessados no nmero de peas defeituosas, que

obtemos nas retiradas e, ento, distinguimos entre os trs eventos possveis:
159
A: nenhuma pea defeituosa, B: uma pea defeituosa e C: duas peas
defeituosas.
Supondo que trs peas, digamos 1, 2 e 3, sejam defeituosas, vemos que:
A ocorre, se retiramos 4 e 5.
B ocorre, se retiramos 1 e 4; 1 e 5; 2 e 4; 2 e 5; 3 e 4 ou 3 e 5.
C ocorre, se retiramos 1 e 2; 1 e 3 ou 2 e 3.
Um espao amostral E e os eventos de um experimento podem ser
representados graficamente por um diagrama denominado Diagrama de Venn ,
como se segue. Suponhamos que o conjunto de pontos no interior do retngulo da
Fig. 4.1 represente E. Ento, o interior de uma curva fechada dentro do retngulo
representa um evento que podemos representar por A. O conjunto de todos os
elementos (resultados) que no se situam em A chamado o evento contrrio a A e
representado por A .
Fig.4.1 Diagrama de Venn representando um espao amostral E e os eventos

Ae A.
Por exemplo, quando jogamos um dado uma vez, o evento contrrio do evento:
A: o dado apresenta na face superior um nmero par,
o evento:
A : O dado apresenta na face superior um nmero impar.
160
Desse modo, ao se definir um evento em um espao amostral E, fica
automaticamente definido o seu evento contrrio.
4.2.4 Composio de Eventos
Usando as operaes com conjuntos, poderemos formar novos eventos.
Assim, sendo A e B dois eventos diferentes do espao amostral E:
Evento unio (AB) o evento que ocorre se A ocorrer ou B ocorrer
Evento interseo (AB ou AB) o evento que ocorre se A e B ocorrerem
Evento diferena (A B) o evento que ocorre se A ocorrer, menos os
casos que B tambm ocorrer.
Exemplo 4.7:
Sejam: E {1, 2, 3, 4, 5, 6}, A = {1, 2}, B = {2, 4, 6}, C {2, 5, 6} e D = {1, 5}.
Ento: = {2}, BC = {2, 6}, AB = {1, 2, 4, 6}, (AB) C = {2}, (AB) C
= {1, 2, 4, 5, 6}, BD = {}.
Os eventos B e D acima so denominados mutuamente exclusivos ou
incompatveis, eles no podem ocorrer simultaneamente, em vista de que sua
interseo um conjunto vazio (a ocorrncia de um impede a ocorrncia do outro).
4.3 Interpretao Frequencial da Probabilidade

Consideremos as seguintes questes:
1. Qual a probabilidade de chover o correspondente a 10mm nas
prximas 24 horas em Belo Horizonte?
2. Qual a probabilidade de que o cavalo no 2 vena o primeiro preo
no hipdromo da Gvea em um determinado dia?
3. Qual a probabilidade de existir vida em Marte?
161
4. Qual a probabilidade de ocorrer cara no lanamento de uma
moeda?
5. Qual a probabilidade de ocorrer 4 ases, para uma pessoa, aps a
distribuio de cartas de um baralho bem embaralhado, durante um
jogo de pquer?
6. Qual a probabilidade de ocorrer a face 1 num lanamento de um
dado?
As trs primeiras questes referem-se probabilidade do tipo subjetivo. Essas
questes referem-se a situaes para as quais o resultado incerto. Ou seja, no
podemos estudar os resultados por meio de experimentos reprodutveis.
Nesse texto ser abordado o clculo das probabilidades de resultados oriundos
de experimentos aleatrios, ou seja, so experimentos reprodutveis e, portanto, que
podem responder as questes do tipo 4, 5 e 6 acima.
A frequncia relativa de um evento definida como sendo a relao entre o
nmero de vezes em que o evento ocorreu numa determinada srie de repeties
de um experimento aleatrio e o nmero total de realizaes desse experimento. Ou
seja:
O teorema de Bernoulli5, tambm conhecido como a Lei dos Grandes

Nmeros, estabelece que, medida que se aumenta o nmero de realizaes do
experimento a frequncia relativa se aproxima cada vez mais de sua probabilidade.
Jacob Bernoulli (1654 1705) descreveu a Lei dos Grandes Nmeros em 1692. Em 1713,
depois de sua morte, foi publicada a demonstrao rigorosa dessa Lei no artigo intitulado Ars
Conjectanti (A arte da conjetura).
162
Como exemplo, seja o seguinte experimento aleatrio: lanamento de moeda e
registrar a ocorrncia da face cara. Se essa moeda for honesta essa probabilidade
0,50. No entanto, na prtica essa probabilidade apenas aproximada. Essa
aproximao tanto mais exata quanto maior for o nmero realizaes do
experimento, chegando a 0,50 se esse nmero tender para o infinito. Para simular
esse experimento e verificar a aplicao da Lei dos Grandes Nmeros, foi solicitado
a 20 estudantes de uma turma da disciplina Estatstica e Probabilidade que lance
uma moeda 10 vezes e registre o nmero de caras ocorridas. Os resultados obtidos
constam na Tabela 4.1.
Tabela 4.1: Resultado de 10 lanamentos de uma moeda por cada estudante.
Estudante
No de caras
1 2 3 4 5 6 7 8 9 10
11
12
13
14
15
16
17
18
19
20
7 6 6 7 6 7 8 4 5
Note que cada estudante registrou um resultado para o experimento de

lanamento de uma moeda 10 vezes. Desse resultado, a frequncia relativa de
caras por estudante pode ser obtida por
f i C
nci
10
onde:
f i ( C ) a frequncia relativa correspondente ao experimento do i-simo
estudante.
nci o nmero de ocorrncias de faces cara no lanamento de uma moeda

pelo i-simo estudante.
Consideramos cada conjunto de 10 tentativas como uma amostra de tamanho
10 (isto , n = 10). O resultado para cada estudante ou para o conjunto de todos os
estudantes conduz a um resultado (experimental) emprico para responder a questo
da probabilidade de ocorrncia da face cara no lanamento de uma moeda. O
resultado que obtivemos o valor da probabilidade desejada? Os resultados obtidos
so somente parciais porque f C mudar seja pela mudana de estudante seja
163
pela mudana do tamanho da amostra n. Desse modo, o modelo probabilstico que
representa todos os resultados empricos :
nc
n n
P C lim
Onde:
P(C) denota a probabilidade de ocorrncias de face cara no lanamento de
uma moeda;
n c o nmero de ocorrncias da face cara.
n o total de lanamentos da moeda.

Para se ter uma idia de como a razo
nc
flutua medida que n cresce,
n
trataremos os dados dos 20 estudantes da tabela 4.1 como uma sequncia de

lanamentos de uma moeda para n = 10, 20, ..., 200. Um grfico dos resultados
dado na Figura 4.2.
FrrequnciaRelativa
0,75
0,7
0,65
0,6
0,55
0,5
0
50
100
150
200
NmerodeLanamentos
Figura 4.2: Grfico da razo
nc
versus n mostrando a convergncia para o
n
valor da probabilidade a medida que n cresce.
164
Observando as mudanas que ocorreram em f(C) a medida que n cresce de 10
at 200, parece razovel adotar P(C) = 0,5. Portanto, do ponto de vista da
frequncia relativa, P(C) = 0,5 representativo de todos os dados observados pela
repetio do lanamento de uma moeda 10 vezes. Note que probabilidades
baseadas em frequncias relativas de diferentes resultados para um experimento
so resultados limites que so obtidos para grandes valores de n.
Uma das vantagens da interpretao frequencial da probabilidade que
permite entender, com simplicidade, o conceito de probabilidade. Assim, pode-se
perceber que probabilidade no d fora ao acontecimento, mas mede o grau com
que um evento pode vir a ocorrer com base na experincia passada. Segundo
Cordeiro (1992), a probabilidade expressa a crena que temos num resultado do
experimento aleatrio que no sabemos qual . Outra vantagem que permite que
se estabeleam algumas condies a serem satisfeitas para que um determinado
nmero possa ser considerado probabilidade, por exemplo, para que um nmero
possa ser considerado probabilidade ele no pode ser negativo e nem maior que
um. A desvantagem da interpretao frequencial da probabilidade que
necessrio realizar experimentao para determinar o valor da probabilidade de
ocorrncia de um determinado evento. Isto pode se tornar muito difcil, ou s vezes
impossvel. o caso, por exemplo, de ensaios destrutivos, restries quanto ao
tempo ou custo para a realizao do experimento.
4.4 Axiomas e Teoremas da Probabilidade

4.4.1 Axiomas
Dado um espao amostral E, a probabilidade de ocorrer um evento A,
denotada por P(A), uma funo definida em E que associa cada evento a um
nmero real, satisfazendo os seguintes axiomas:
i. P(A) 0;
ii. P(E) = 1;
iii. Se A1, A2, ..., An forem, dois a dois, eventos mutuamente exclusivos, ou
seja Ai Aj = , i j, i e j = 1, 2, ..., n, ento,
165
P(A1 A2 ... An) = P(A1) + P(A2) + ... +P(An).
4.4.2 Teoremas
A partir desses axiomas, podemos demonstrar os seguintes teoremas:
Teorema 1. Se o conjunto vazio, ento P() = 0.
Demonstrao:
Tomemos um evento qualquer A. A e so mutuamente exclusivos, pois A
= . Assim, pelo axioma 3:
P(A) = P(A) + P().
Mas, a unio dos eventos A e
A = A.
Logo,
P(A) = P(A) + P()
Portanto,
P() = 0.
Teorema 2. Se A o evento contrrio de A, ento P( A ) = 1 - P(A)
Demonstrao:
A=E
Pelo Axioma 2:
P(A ) = P(E) = 1
Mas,
A = .
166
Ento, pelo Axioma 3, tem-se
P(A ) = P(A) + P().
Logo,
P( A) P( A ) P( E ) 1 .
Portanto,
P( A ) 1 P( A) .
Teorema 3. Se A o evento contrrio de A, ento:
PA B PB P AB
Demonstrao:
B = AB B
e
AB B =
Ento, pelo axioma 3:
PB P AB PA B
Finalmente,
PA B PB P AB .
Teorema 4. Se A e B so dois eventos quaisquer, ento:
P(A B) = P(A) + P(B) - P(AB)
Demonstrao:
(A B) = A B
167
Os eventos A e AB so mutuamente exclusivos, logo, pelo axioma 3:
P(A B) = P(A) + P(B)
Pelo teorema 3, tem-se que
P( AB) P( B) P( AB)
Ento:
P(A B) = P(A) + P(B) - P(AB)
Exerccio: Provar o teorema unio de trs eventos:
P(A B C) = P(A) + P(B) + P(C) PAB) PAC) P(BC) + P(ABC)
Sugesto: faa A B C = (A B) C e aplique o teorema acima.
4.5 Clculo das Probabilidades

4.5.1 Espao Amostral Finito
Sejam experimentos para os quais o espao amostral E seja formado de um
nmero finito de elementos, isto , admitiremos que E possa ser expresso sob a
forma E = {e1, e2, ..., ek}. Consideremos o evento formado por um resultado simples,
algumas vezes denominado evento simples ou elementar, {ei}.
A cada evento simples {ei} associaremos um nmero pi, denominado
probabilidade de {ei}, que satisfaa s seguintes condies:
pi 0, i = 1, 2, ..., k,
p1 + p2 + ...+ pk =1.
Em seguida, suponha-se que um evento A seja constitudo por r resultados, 1
r k. Consequentemente, conclui-se, do axioma 3, que:
P(A) = p1 + p2 + ...+pr.
Exemplo 4.8:
168
Suponha que somente trs resultados sejam possveis em um experimento, a
saber, e1, e2 e e3. Alm disso, suponha que e1 seja duas vezes mais provvel de
ocorrer que e2, o qual por sua vez duas vezes mais provvel de ocorrer que e3.
Qual a probabilidade de ocorrer o elemento e1? E o elemento e2? E o elemento e3?
Como p1 = 2p2 e p2 = 2p3, dados pelo problema, e que p1 + p2 + p3 = 1, pelo
axioma 2, teremos 4p3 + 2p3 + p3 = 1, o que finalmente d
p3 = 1/7, p2 = 2/7 e p1 = 4/7.
4.5.2 Resultados Igualmente Provveis
Quando associamos cada elemento do espao amostral a uma mesma
probabilidade, o espao amostral chama-se equiprovvel. Em particular, se E
contm k elementos, ento, a probabilidade de cada elemento ser 1/k, pois
p1 + p2 + ...+ pk = 1
e como
p1 = p2 = ...= pk = p,
ento
kp 1 p
1
k
Por outro lado, se um evento A contm r elementos, 1 r k, ento:

1 r
P A r .
k k
Esse mtodo de avaliar P(A) frequentemente enunciado da seguinte

maneira:
P A
ou
nmero de vezes em que o evento A pode ocorrer

nmero de vezes em que o espao amostral E ocorre
169
P A
n A. nmero de casos favorveis ao evento A

nE . nmero de casos possveis
muito importante compreender que a expresso de P(A) acima apenas

uma consequncia da suposio de que todos os resultados sejam igualmente
provveis, e ela aplicvel somente quando essa suposio for atendida. Ela
certamente no serve como uma definio geral de probabilidade. No entanto, como
em estatstica a extrao da amostra se d de modo aleatrio, ou seja os itens da
populao tm a mesma chance de ser escolhido para participar da amostra, o
modelo probabilstico que fundamenta a teoria da estatstica pressupe que os
experimentos so equiprovveis.
Exemplo 4.9:
Escolha aleatoriamente (a expresso aleatria nos indicar que o espao
equiprovvel) uma carta de um baralho com 52 cartas.
Seja:
A = {a carta de ouros}
B = {a carta uma figura}
Calcular P(A) e P(B).
P( A)
n A 13 1
nE 52 4
P( B)
nB 12 3
nE 52 13
Exemplo 4.10:
Num lote de 12 peas, 4 so defeituosas; duas peas so retiradas
aleatoriamente e sem reposio. Calcule:
a) a probabilidade de ambas serem defeituosas;
b) a probabilidade de ambas no serem defeituosas;
170
c) a probabilidade de ao menos uma ser defeituosa.
Soluo:
a)
A = {ambas defeituosas}
A pode ocorrer C42 6 vezes
E pode ocorrer C122 66 vezes
P A
n A 6
1
nE 66 11
b)
B = {ambas no defeituosas}
2
B pode ocorrer C8 28
E pode ocorrer C122 66 vezes
P( B)
nB 28 14
nE 66 33
c)
C = {ao menos uma defeituosa}
C o complemento de B, ento C = B
P(C) 1 P( B) 1
14 19
33 33
4.5.3 Probabilidade Condicionada

Seja o seguinte experimento: lanar um dado honesto. E o seguinte evento
A = {sair o no 4}. Ento
171
P ( A)
1
6
tendo em vista o espao amostral equiprovvel E = {1, 2, 3, 4, 5, 6}.

Consideremos agora o evento B = {sair um no par} = {2, 4, 6}. Calcular a
probabilidade de ocorrer o evento A condicionada ocorrncia do evento B. Em
smbolo denotamos P(A|B); l-se: probabilidade de ocorrer o evento A condicionada
ocorrncia de B, ou probabilidade de ocorrer o evento A sabendo-se que ocorreu
o evento B, ou, ainda, probabilidade de ocorrer o evento A dado B. Assim,
P( A | B)
1
3
isto porque, sabendo-se que ocorreu o evento B, os resultados possveis

passam a ser E* = {2, 4, 6}, ou seja, houve uma reduo do espao amostral. Desse
modo o referencial deixa de ser o espao amostral E e passa a ser o evento B.
Desse modo, a definio da probabilidade condicionada :
P( A | B)
P( A B)
P( B)
P( B | A)
P( A B)
P( A) .
A mais importante consequncia da definio acima de probabilidade

condicionada obtida ao se escrever:
P(AB) = P(A) x P(B|A)
ou, de modo equivalente:
P(AB) = P(B) x P(A|B)
Exemplo 4.11:
172
Suponha que um escritrio possua 100 mquinas. Algumas dessas mquinas
so eltricas (E), enquanto outras so manuais (M); e algumas so novas (N),
enquanto outras so muito usadas (U). A tabela abaixo d o nmero de mquinas de
cada categoria. Uma pessoa entra no escritrio, pega uma mquina ao acaso, e
descobre que nova. Qual ser a probabilidade de que seja eltrica?
Tabela 4.2: Representao do espao amostral por meio de uma tabela de
dupla entrada.
E
TOTAL
40
30
70
20
10
30
TOTAL
60
40
100
Considerando somente o espao amostral reduzido N (isto , as 70 mquinas

novas), temos:
P( E | N )
40 4
70 7
Empregando a definio de probabilidade condicionada, temos:
40
PE N
4
P( E | N )
100 .
70
P( N )
7
100
Exemplo 4.12:
Seja um lote de peas contendo 20 peas defeituosas e 80 perfeitas. Se
escolhermos ao acaso duas peas, sem reposio, qual ser a probabilidade de que
ambas as peas sejam defeituosas?
Sejam os eventos: A = {a primeira pea defeituosa}; B = {a segunda pea
defeituosa}
173
P(AB) = P(A).P(B|A) =
20 19
19
100 99 495
4.5.4 Independncia Estatstica

Um evento A considerado independente de outro evento B se a probabilidade
de ocorrer A igual probabilidade de ocorrer A dado B, isto , se
P(A) = P(A|B)
claro que se o evento A independente do evento B, o evento B
independente do evento A, assim:
P(B) = P(B|A)
Ento:
P(AB) = P(A) . P(B)
Exemplo 4.13:
Em uma caixa temos 10 peas, das quais 4 so defeituosas. So retiradas,
aleatoriamente, duas peas, uma aps a outra, com reposio. Calcular a
probabilidade de ambas serem defeituosas.
Sejam: A = {a primeira pea defeituosa}; B = {a segunda pea defeituosa}
Como os eventos A e B so independentes, pois P(B) = P(B|A), ento:
P(AB) = P(A) . P(B) =
4
4
4
10 10 25
Exemplo 4.14:
Sendo E = {1, 2, 3, 4} um espao amostral equiprovvel e A = {1, 2}; B = {1, 3};
C = {1, 4} trs eventos de E, verificar se os eventos A, B e C so independentes.
Para A e B P(A) =
1
1
1
; P(B) = ; P(AB) = ; logo: P(AB) = P(A) = P(B) = 1/4.
2
2
4
174
Para A e C P(A) =
1
1
1
1
; P( C) = ; P(AC) = ; logo: P(AC) = P(A) . P(C) = .
2
2
4
4
Para B e C P(B) =
1
1
1
1
; P( C) = ; P(BC) = ; logo: P(BC) = P(B) . P(C) =
2
2
4
4
Para A, B e C P(A) =
1
1
1
1
; P(B) = ; P(C) = ; P(ABC) = ; logo:
2
2
2
4
P(ABC) P(A) . P(B) . P( C).

Concluso, os eventos A, B e C no so independentes.
4.6 Regra de Bayes

Sejam A1, A2, A3, ..., An, n eventos mutuamente exclusivos tais que
A1 A2 A3 ... An E , onde E o espao de resultados. Sejam P(Ai) as
probabilidades conhecidas dos vrios eventos Ai e B, condicionado a Ai, um evento

qualquer de E tal que conhecemos todas as probabilidades condicionadas P(B/Ai). A
figura a seguir representa estas condies.
A1
A2 A3
A
B
Assim,
B = A1B A2B ... AnB
Como:
(AiB) (AjB) = i j,
tem-se:
175
PB P A1B P A2B P An B ,
ou seja:
P B
PA B
i
i 1
Ento:
n
P B P Ai P B | Ai
i 1
A Regra de Bayes se presta a responder a seguinte questo: sabendo-se que

o evento B ocorreu, qual a probabilidade de ocorrer algum dos eventos Ai?
Denominando esse evento de Ar, obtm-se:
P Ar B P Ar PB | Ar PB P Ar | B
Explicitando P Ar | B , obtm-se:
P Ar | B
P Ar PB | Ar
P B
.
Finalmente, a expresso da Regra de Bayes :
P Ar | B
P Ar PB | Ar
n
PA PB | A
i
i 1
Esta regra bastante importante, pois, relaciona probabilidades a priori P(Ai)

com probabilidades a posteriori P(Ai|B), ou seja, probabilidades de Ai depois que
ocorrer B.
Exemplo 4.15:
Um determinado tipo de pea fabricado por trs mquinas, digamos M1, M2 e
M3. Sabe-se que a mquina M1 produz o dobro de peas que a mquina M2, e que
176
M2 e M3 produzem o mesmo nmero de peas, durante um determinado perodo de
produo. Sabe-se tambm que 2% das peas produzidas por M1 e por M2 so
defeituosas, enquanto que 4% daquelas produzidas por M3 so defeituosas. Todas
as peas produzidas so colocadas em um depsito, e depois uma pea extrada
ao acaso verificando-se que defeituosa. Qual a probabilidade de que tenha sido
produzida pela mquina M1? E pela mquina M2? E pela M3?
Sejam os seguintes eventos:
D: {a pea defeituosa}
M1: {a pea foi fabricada pela mquina 1}
PD | M 1 PD | M 2 0,02
PD | M 3 0,04
Clculo de P(M1), P(M2) e P(M3):
P(M1) + P(M2) + P(M3) = 1
P(M1) = 2P(M2)
P(M2) = P(M3)
2P(M2) + P(M2) + P(M2) = 1
P(M3) = P(M2) = 0,25
P(M1) = 0,50
P ( M 1 / D)
0,02 0,50
0,40
0,02 0,50 0,02 0,25 0,04 0,25
P ( M 2 / D)
0,02 0,25
0,20
0,02 0,50 0,02 0,25 0,04 0,25
177
P( M 3 / D)
0,04 0,25
0,40
0,02 0,50 0,02 0,25 0,04 0,25
178
Tabela 4.3: Resultados das probabilidades
PROBABILIDADES
MQUINAS
a priori
a posteriori
M1
0,50
0,40
M2
0,25
0,20
M3
0,25
0,40
1,00
1,00
TOTAL
4.7 Exerccios Propostos de Anlise Combinatria

1. Um produto montado em trs estgios. No primeiro estgio, existem 5 linhas
de montagem, no segundo estgio, existem 4 linhas de montagem e no terceiro
estgio, existem 6 linhas de montagem. De quantas maneiras diferentes poder
o produto se deslocar durante o processo de montagem?
Resp.: 120
2. Um inspetor visita 6 mquinas diferentes durante um dia. A fim de evitar que os
operrios saibam quando ele os ir inspecionar, o inspetor varia a ordenao de
suas visitas. De quantas maneiras isto poder ser feito ?
Resp.: 720
3. Existem 12 tipos de defeitos menores de uma pea manufaturada, e 10 tipos de
defeitos graves. De quantas maneiras podero ocorrer 1 defeito menor e 1
grave? E 2 defeitos menores e 2 graves?
Resp.: 120; 2970.
179
4. Um mecanismo pode ser posto em uma dentre quatro posies: a, b, c e d.
Existem 8 desses mecanismos includos em um sistema.
a) De quantas maneiras esse sistema pode ser disposto?
b) Admita que esses mecanismos sejam instalados em determinada ordem
(linear) preestabelecida. De quantas maneiras o sistema poder ser disposto, se
dois mecanismos adjacentes no estiverem em igual posio?
c) Quantas maneiras de dispor sero possveis, se somente as posies a e b
forem usadas, e o forem com igual frequncia?
d) Quantas maneiras sero possveis, se somente duas posies forem
usadas, e dessas posies uma ocorrer trs vezes mais frequentemente que a
outra?
Resp.: a) 48; b) 4.37; c)
; d)
5. Com as seis letras a, b, c, d, e, f quantas palavras-cdigo de 4 letras podero ser

formadas se:
a) Nenhuma letra puder ser repetida?
b) Qualquer letra puder ser repetida qualquer nmero de vezes?
Resp.: a) 360; b) 1296
6. Determinado composto qumico obtido pela mistura de 5 lquidos diferentes.
Prope-se despejar um lquido em um tanque e, em seguida, juntar os outros
lquidos sucessivamente. Todas as sequncias possveis devem ser ensaiadas,
para verificar-se qual delas dar o melhor resultado. Quantos ensaios devero
ser efetuados?
Resp.: 120
180
4.8 Exerccios Propostos de Probabilidade

1. Certo tipo de motor eltrico falha se ocorrer uma das seguintes situaes:
emperramento dos mancais, queima dos enrolamentos, desgaste das
escovas. Suponha que o emperramento seja duas vezes mais provvel do
que a queima; esta sendo quatro vezes mais provvel do que o desgaste das
escovas. Qual ser a probabilidade de que a falha seja devida a cada uma
dessas circunstncias?
Resp.: 8/13, 4/13, 1/13.
2. Retiram-se sem reposio duas peas de um lote de 10 peas, onde 4 so
defeituosas. Qual a probabilidade de que ambas sejam boas?
3. Suponha que A e B sejam eventos tais que P(A) = x, P(B) = y, e P(AB) = z.
Exprima cada uma das seguintes probabilidades em termos de x, y e z.
a) P( A B )
b) P( A B)
c) P( A B)
i. d) P( A B )
4. Uma caixa contm 25 bolas numeradas de 1 a 25. Extraindo-se uma bola ao
acaso, qual a probabilidade de que seu nmero seja:
a) par;
b) mpar;
c) par e maior que 10;
d) primo e maior que 3;
e) mltiplo de 3 e 5.
181
Resp.: a) 12/25; b) 13/25; c) 7/25; d) 7/25; e) 1/25.
5. O seguinte grupo de pessoas est numa sala: 5 homens maiores de 21 anos
de idade; 4 homens com menos de 21 anos de idade; 6 mulheres maiores de
21 anos de idade e 3 mulheres menores de 21 anos de idade. Uma pessoa
escolhida ao acaso. Definem-se os seguintes eventos: A = {a pessoa maior
de 21 anos}; B = {a pessoa menor de 21 anos}; C = {a pessoa homem}; D
= {a pessoa mulher}. Calcule:
a) P(BD);
b) P( A C )
Resp.: a) 13/18; b) 1/6
6. Em uma sala, 10 pessoas esto usando emblemas numerados de 1 a 10.
Trs pessoas so escolhidas ao acaso e convidadas a sarem da sala
simultaneamente. O nmero de seus emblemas anotado.
a) Qual a probabilidade de que o menor nmero de emblema seja 5 ?
b) Qual a probabilidade de que o maior nmero de emblema seja 5 ?
Resp.: a) 1/6 b) 1/12.
7. Dez fichas numeradas de 1 at 10 so misturadas em uma urna. Duas fichas,
numeradas (X, Y), so extradas da urna, sucessivamente e sem reposio.
Qual a probabilidade de que seja X + Y = 10 ?
Resp.: 4/45
8. Uma rifa consta de 200 bilhetes (todos vendidos). O prmio um CD-Player.
Extraem-se dois bilhetes de uma urna onde os 200 bilhetes foram bem
misturados.
a) Qual a probabilidade de uma pessoa que tenha comprado um bilhete
ganhar o prmio?
182
b) Se uma pessoa comprou dois bilhetes, qual a probabilidade de ganhar
um prmio? E dois prmios? E trs prmios?
9. A probabilidade de que um homem esteja vivo daqui a 30 anos 2/5; a de
sua mulher 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.
10. Um lote formado de 10 artigos bons, 4 com defeitos menores e 2 com
defeitos graves. Um artigo escolhido ao acaso. Ache a probabilidade de
que:
a) Ele no tenha defeitos.
b) Ele no tenha defeitos graves.
c) Ele, ou seja, perfeito ou tenha defeitos graves.
Resp.: a) 5/8 b) 7/8 c) 3/4.
11. Se do lote de artigos descrito no Probl. 7, dois artigos forem escolhidos (sem
reposio), ache a probabilidade de que:
a) Ambos sejam perfeitos;
b) Ambos tenham defeitos graves;
c) Ao menos um seja perfeito.
d) No mximo um seja perfeito
e) Exatamente um seja perfeito.
f) Nenhum deles tenha defeitos graves.
g) Nenhum deles seja perfeito.
183
Resp.: a) 3/8; b) 1/120; c) 7/8; d) 5/8; e) 1/2; f) 91/120; g) 1/8.
12. Uma caixa contm 3 bolas brancas e 2 bolas pretas. Extraindo-se duas bolas
simultaneamente, calcule a probabilidade de serem:
a) uma de cada cor;
b) ambas da mesma cor;
Resp.: a) 3/5; b) 2/5.
13. Resolva o problema 9, admitindo-se que as duas bolas so extradas uma a
uma , com reposio.
Resp.: a) 12/25; b) 13/25.
14. Se as cinco bolas da caixa citada no problema 9 forem extradas uma a uma
sem reposio, calcule a probabilidade de que:
a) as trs brancas saiam sucessivamente;
b) as duas pretas saiam sucessivamente;
c) ao menos um dos eventos mencionados em a) e b) ocorra.
Resp.: a) 0,3; b) 0,4; c) 0,5.
15. Um dado honesto lanado duas vezes. Seja a o nmero de pontos obtido
no primeiro lanamento e b os obtidos no segundo lanamento. Determinar a
probabilidade da equao ax b = 0 ter raiz inteira.
16. Uma companhia de seguros extraiu uma amostra aleatria estratificada de
tamanho 500 da populao de seus segurados, com a seguinte composio:
metade mulheres e metade homens. Nessa amostra foi encontrado que dos
65 segurados que usaram hospital 40 eram mulheres. Com base nesses
dados responda:
a) Qual a probabilidade de um segurado usar o hospital?
b) Qual a probabilidade de um segurado ser do sexo masculino?
184
c) Qual a probabilidade de um segurado ser do sexo feminino e no usar
hospital?
d) Qual a probabilidade de um segurado ser do sexo masculino e usar
hospital?
e) Se um segurado do sexo masculino, qual a probabilidade de no
usar o hospital?
f) Se um segurado usou hospital, qual a probabilidade de ser do sexo
feminino?
g) Pode-se afirmar que o sexo do segurado e se ele usou ou no hospital
so eventos independentes?
Resposta: a) 0,13; b) 0,50; c) 0,42; d) 0,05; e) 0,90; f) 0,6154; g)
no
17. Uma determinada empresa decide aceitar um lote de matria prima se, de
uma amostra de 20 unidades, nenhuma for defeituosas.
a) Qual a probabilidade de um lote ser aceito quando nenhuma unidade
for defeituosa?
b) Qual a probabilidade de um lote ser aceito quando 15% das unidades
forem defeituosas?
c) Qual a probabilidade de um lote ser aceito quando 25% das unidades
forem defeituosas?
Resposta: a) 1; b) 0,0388; c) 0,0032
18. Em uma pesquisa de associao entre a venda de sabo em p e amaciante
foi
entrevistado
20.000
pessoas.
Observou-se
que
16.000
pessoas
compraram sabo em p, 12.000 compraram amaciante e 2.500 no

compraram nem sabo em p nem amaciante.
a) Pode-se afirmar que comprar sabo em p e comprar amaciante so
independentes?
185
b) Qual a probabilidade de uma pessoa selecionada ao acaso ter
comprado sabo em p?
c) Qual a probabilidade de uma pessoa selecionada aleatoriamente no
ter comprado amaciante?
d) Qual a probabilidade de uma pessoa selecionada aleatoriamente no
ter comprado sabo em p e ter comprado amaciante?
e) Qual a probabilidade de uma pessoa selecionada aleatoriamente no
ter comprado sabo em p ou ter comprado amaciante?
f) Sabendo que uma pessoa no comprou sabo em p, qual a
probabilidade dela ter comprado amaciante?
Resposta: a) no; b) 0,80; c) 0,40; d) 0,075; e) 0,725; f) 0,375
19. Dentre 7 pessoas, ser escolhida por sorteio uma comisso de 3 membros.
Qual a probabilidade de que uma determinada pessoa venha a figurar na
comisso?
Resp.: 3/7
20. A probabilidade de que um aluno A resolva um problema de 2/3 e de um
aluno B de 3/4. Se ambos tentarem independentemente, qual a
probabilidade de o problema ser resolvido?
Resposta: 11/12
21. Em que condio:
a)
2
b)
c)
d)
186
22. Um sistema automtico de alarme contra incndio utiliza trs clulas
sensveis ao calor, que agem independentemente uma da outra. Cada clula
entra em funcionamento com probabilidade 0,8 quando a temperatura atingir
a 600 C. Se pelo menos uma das clulas entrar em funcionamento, o alarme
soa. Calcular a probabilidade de que o alarme seja acionado, quando a
temperatura atingir a 600 C.
Resp.: 0,992
23. Sejam A e B dois eventos tais que P(A) = 0,4 e P(AB) = 0,7. Seja P(B) = p.
a) Para que valor de p, A e B sero mutuamente exclusivos?
b) Para que valor de p, A e B sero independentes?
Resp.: a) 0,3; b) 0,5.
24. Considere os algarismos de 0 a 9. Sorteados dois desses algarismos, sem
repetio, calcule a probabilidade de que:
a) sua soma seja menor que 4;
b) seu produto seja menor que 4.
Resp.: a) 4/45; b) 11/45
25. No circuito eltrico dado abaixo, em que existe tenso entre os pontos A e B,
determine a probabilidade de passar corrente entre A e B, sabendo-se que a
probabilidade de cada chave estar fechada 0,5 e que cada chave est
aberta ou fechada independentemente de qualquer outra.
Resp: 0,5312
187
26. Uma caixa A contm nove fichas numeradas de 1 a 9 e uma caixa B contm
cinco fichas numeradas de 1 a 5, para efeito de inspeo de pessoal. Uma
caixa escolhida aleatoriamente e uma ficha retirada. Qual a
probabilidade de a ficha ser par? E de ser mpar?
Resp: 19/45 e 26/45.
27. Joga-se um dado. Calcule a probabilidade de obter-se o resultado:
a) 1 ou 2;
b) 2 ou 5 ou 6;
c) um nmero mpar;
d) qualquer nmero exceto 5.
Resp: 1/3, 1/2, 1/2, 5/6.
28. Lanam-se dois dados. Seja X a face superior do primeiro dado e Y a face
superior do segundo dado. Assim, o par de nmeros (X, Y) representa um
resultado simples do experimento. Realizando o experimento, marque no
espao amostral os seguintes eventos:
a) A = {X = Y};
b) B = {a face do segundo vale duas vezes a face do primeiro};
c) C = {a mdia dos resultados dos dados maior ou igual a trs}.
29. Com relao ao espao amostral associado ao experimento aleatrio acima,
exemplifique:
a) evento unio;
b) evento interseo;
c) evento diferena;
d) eventos incompatveis.
188
30. Joga-se um dado no tendencioso. Se o resultado no foi a face quatro,
qual a probabilidade de que tenha sido a face um?
Resp: 0,20
31. Num lanamento de 2 dados, seja X a soma dos nmeros das faces voltadas
para cima. Determinar o valor de X que tem maior probabilidade de ocorrer.
Resp: 7
32. Uma urna contm 7 bolas vermelhas e 3 brancas. Trs bolas so retiradas da
urna, uma aps a outra sem reposio. Calcular a probabilidade de que as
duas primeiras sejam vermelhas e a terceira branca.
Resp: 7/40
33. Certo computador torna-se inoperante se ambos componentes A e B
falharem. A probabilidade que A falhe 0,01 e a probabilidade que B falhe
0,005. Entretanto, a probabilidade que B falhe aumenta por um fator de 3 se A
tiver falhado.
a) Calcular a probabilidade de o computador tornar-se inoperante.
b) Encontrar a probabilidade de A falhar se B falhou.
Resp: 0,00015; 0,03
34. Certo sistema binrio PCM transmite os dois estados binrios X = +1 e X = -1
com igual probabilidade. Entretanto, devido a rudo de canal, o receptor acusa
erros de reconhecimento. Tambm, como resultado de distoro do meio de
comunicao, o receptor pode perder a intensidade necessria do sinal para
tomar qualquer deciso. Portanto, h trs estados de recepo possveis: Y =
+1, Y = 0 e Y = -1, onde Y = 0 corresponde a perda de sinal. Admita que P(Y
= -1|X = +1) = 0,1, P(Y = +1|X = -1) = 0,2 e P(Y = 0|X = +1) = P(Y = 0|X = -1)
= 0,05. Encontrar as seguintes probabilidades P(X = +1|Y = +1) e P(X = -1|Y =
-1).
Resp: P(X = +1|Y = +1) = 0,81 e P(X = -1|Y = -1) = 0,88.
189
35. Em um sistema binrio de comunicao (representado na figura a seguir), um
0 ou 1 transmitido. Devido ao rudo de canal, um 0 pode ser recebido como
um 1 e vice-versa. Sejam to e t1 os eventos que correspondem a transmisso
de 0 e de 1, respectivamente. Sejam ro e r1 os eventos que correspondem ao
recebimento de 0 e de 1, respectivamente. Sejam P(to) = 0,5, P(r1|to) = 0,1, e
P(ro|t1) = 0,2.
P(r o |to )
ro
to
P(to )
P(r o |t1 )
P(r 1 |to )
t1
P(t1 )
r1
P(r 1 |t1 )
i. Se um 0 foi recebido, qual a probabilidade que um 0 foi

enviado?
ii. Se um 1 foi recebido, qual a probabilidade que um 1 foi
enviado?
iii. Calcule a probabilidade que o sinal transmitido corretamente
lido pelo recebedor.
iv. Calcule a probabilidade do erro Pe.
Resp.:
i. P(to|ro) = 0,818.
ii. P(t1|r1) = 0,889.
190
iii. Pc = 0,85.
iv. Pe = 0,15.
36. Considere um experimento que consiste da observao de seis posies de
pulso sucessivas em um link de comunicao. Suponha que para cada uma
das seis posies de pulso possveis possa haver um pulso positivo, um pulso
negativo, ou nenhum pulso. Suponha tambm que os experimentos
individuais que determina o tipo de pulso para cada posio possvel sejam
independentes. Denominemos o evento que o i-simo pulso seja positivo por {
xi = +1 }, se for negativo por { xi = -1}, e se for zero por { xi = 0}. Admita que
P(xi = +1) = 0,4
P(xi = -1) = 0,3
para i = 1, 2, , 6
a. Encontrar a probabilidade que todos os pulsos sejam positivos.

b. Encontrar a probabilidade que os primeiros trs pulsos sejam positivos,
o prximo seja zero, e o ltimo negativo.
i. Resp.: a) 0,0041; b) 0,0017
37. Uma urna contm duas bolas brancas e duas pretas. Outra contm duas
bolas brancas e quatro pretas.
a. Tira-se uma bola de cada urna. Calcular a probabilidade de serem ambas
da mesma cor.
b. Escolhe-se uma das urnas ao acaso e dela tira-se uma bola. Calcular a
probabilidade de ela ser branca.
c. Escolhe-se uma das urnas ao acaso e tiram-se duas bolas, uma a uma
sem reposio. Qual a probabilidade de serem da mesma cor?
Resp: a) 0,50; b) 5/12; c) 9/30
38. Trs eventos A, B e C mutuamente exclusivos tm, respectivamente, as
probabilidades P(A) = 1/3; P(B) = 1/6 e P(C) = 1/2. Quais as probabilidades de
se obter:
191
a) A ou B ?
b) A ou C ?
c) B ou C ?
d) A ou B ou C ?
Resp.: a)0,50; b) 5/6; c) 2/3; d) 1
39. Dois times A e B jogaram 15 partidas de futebol das quais 7 foram vencidas
por A, 5 por B e 3 terminaram empatadas. Eles combinaram a disputa de um
torneio constante de 3 partidas. Determinar a probabilidade de que:
a) A vena as trs partidas;
b) B vena as trs partidas;
c) duas partidas terminem empatadas;
d) B vena pelo menos uma partida;
e) A vena duas e empate uma.
40. Uma caixa A contm 6 mquinas eltricas e 2 manuais enquanto que uma
caixa B contm 3 mquinas eltricas e 4 manuais. Escolhe-se uma destas
duas caixas, ao acaso, e dela tira-se uma mquina. Qual a probabilidade de
que ela seja eltrica?
a) A probabilidade de um time Y ganhar um jogo constante e igual a 0,60.
b) Em 10 jogos, qual a probabilidade de Y ganhar 5 jogos ?
c) Qual a probabilidade de Y ter que jogar 3 vezes, para que ganhe 2 jogos?
d) Qual a probabilidade de Y ter que jogar mais de 5 vezes, para que vena
2 vezes?
e) Qual a probabilidade de que Y perca ou empate 4 jogos se fizer 7 jogos?
192
41. Um homem de 40 anos investe numa anuidade que comear a receber 20
anos mais tarde. Sua esposa tem 38 anos. De todos os homens de 40 anos,
4/5 ainda sobrevivem depois de 20 anos e de todas as mulheres de 38 anos,
9/10 ainda sobrevivem depois de 20 anos. Qual a probabilidade de que pelo
menos um dos dois esteja vivo quando a anuidade comear a ser paga?
42. A probabilidade de que um elo de uma corrente se rompa sob a ao de uma
determinada fora F igual a 1/3. Considere uma corrente formada por trs
desses elos e calcule a probabilidade de que ela venha a se romper sob a
ao dessa mesma fora F.
43. Verifica-se que a resistncia inoculao de determinado vrus em ratos
igual a 90% e em coelhos igual a 70%. Tomou-se um grupo de 20 ratos e
outro de 30 coelhos para teste, aos quais foi inoculado o vrus. Calcular a
probabilidade de que:
a) em trs ratos observados, todos resistirem;
b) em trs coelhos observados, apenas um no resistir;
c) em trs animais observados, apenas um ser rato e no resistir;
d) um animal inoculado no resistiu. Calcular a probabilidade de ser coelho.
44. Uma gua contaminada se forem encontrados bacilos tipo A ou bacilos tipos
B e C, simultaneamente. As probabilidades de se encontrarem bacilos tipos A,
B e C so respectivamente, 30%, 20% e 80%. Existindo bacilos tipos B, a
probabilidade de existirem bacilos tipo C reduzida metade. Considere,
ainda, que nula a probabilidade de existirem os trs bacilos na gua
simultaneamente e que os bacilos A e B ocorrem de modo independente um
do outro.
a) Qual a probabilidade de aparecerem bacilos B ou C?
b) Qual a probabilidade da gua estar contaminada?
c) Se a gua estiver contaminada, qual a probabilidade de aparecerem
bacilos tipo B?
193
Resp.: a) 0,92; b) 0,38; c) 0,3684
45. Trs departamentos A, B e C de uma escola tem, respectivamente, a seguinte
composio: 2 doutores, 3 mestres e 4 instrutores; 3 doutores, 2 mestres e 2
instrutores; 4 doutores, 1 mestre e 1 instrutor. Escolhe-se um departamento
ao acaso e sorteiam-se dois professores. Se os professores forem um
instrutor e um doutor, qual a probabilidade de que tenham vindo do
departamento A? e do departamento B? e do departamento C?
Resp.: 14/43; 15/43; 14/43.
46. Um carro pode parar por defeito eltrico ou mecnico. Se houver defeito
eltrico, o carro para na proporo de 1 para 5 e, se mecnico, ele para na
proporo de 1 para 20. Em 10% das viagens, h defeito eltrico e, em 20%,
mecnico, no ocorrendo mais de um defeito na mesma viagem, igual ou de
tipo diferente. Se o carro para, qual a probabilidade de ser por defeito
eltrico?
Resp.: 2/3
47. Um mtodo A de diagnstico de certa enfermidade d resultados positivos
para 80% dos portadores da enfermidade e para 10% dos sos. Um mtodo B
de diagnstico da mesma enfermidade d positivo para 70% dos portadores e
50% para os sos. Se 15% da populao forem portadores dessa
enfermidade, calcular a probabilidade de que:
a) para uma pessoa, os resultados sejam positivos pelos dois mtodos;
b) entre duas pessoas enfermas, pelo menos para uma o resultado seja
positivo por qualquer dos dois mtodos.
Resp.: a) 0,08825; b) 0,9964
48. Em um colgio, 30% dos alunos e 15% das alunas esto estudando Ingls.
Os alunos constituem 60% do corpo de estudantes. Um estudante
selecionado aleatoriamente.
a) Determine a probabilidade de ele estar estudando Ingls.
194
b) Se o estudante escolhido estiver estudando Ingls, qual a probabilidade
de que ele seja do sexo feminino?
49. As urnas 1, 2 e 3 contm bolas coloridas nas seguintes composies:
i.
Urna 1: 1 branca, 2 pretas e 3 vermelhas;
ii.
Urna 2: 2 brancas, 1 preta e 1 vermelha;
iii.
Urna 3: 4 brancas, 5 pretas e 3 vermelhas.
Escolhe-se uma urna ao acaso e dela extraem-se duas bolas. Verifica-se

que uma branca e a outra vermelha. Qual a probabilidade de que
provenham da urna 2 ou 3?
50. A urna 1 contm duas bolas brancas e uma preta; a urna 2, uma bola branca
e 5 pretas. Passa-se uma bola da urna 1 para a 2, sem lhe ver a cor; em
seguida, extrai-se uma bola da urna 2, que se verifica ser branca. Que
probabilidade existe de que a bola transferida da urna 1 para a 2 tenha sido
preta?
Resp.: 1/5
51. Uma companhia de seguros classifica os motoristas em classe A (risco bom),
classe B (risco mdio) e classe C (risco ruim). Ela acredita que a classe A
compreenda 30% dos motoristas que fazem o seguro; a classe B, 50% e a
classe C, 20%. A probabilidade de que um motorista classe A tenha um ou
mais acidentes, em qualquer perodo de 12 meses, de 0,01; para a classe
B, essa probabilidade de 0,03; para a classe C, 0,10. A companhia vende
ao Sr. Jos uma aplice de seguros e dentro de 12 meses ele sofre um
acidente. Qual a probabilidade de que ele pertena classe A? E classe B?
52. Um dado honesto lanado e o nmero da face de cima observado.
a) Se o resultado obtido for par, qual a probabilidade dele ser maior ou
igual a 5?
b) Se o resultado obtido for maior ou igual a 5, qual a probabilidade dele
ser par?
195
c) Se o resultado obtido for mpar, qual a probabilidade dele ser menor
que 3?
d) Se o resultado obtido for menor que 3, qual a probabilidade dele ser
mpar?
53. Trs mquinas A, B e C produzem, respectivamente, 60%, 30% e 10% do
total das peas de uma fbrica. As percentagens de peas defeituosas na
produo dessas mquinas so, respectivamente, 2%, 1% e 4%. Uma pea
selecionada aleatoriamente e defeituosa. Encontre a probabilidade de que a
pea tenha sido produzida pela mquina C.
54. Seja o experimento lanar um dado e os eventos:
A: sair o nmero 3
B: sair um nmero par
C: sair um nmero mpar
a) qual a probabilidade de sair o nmero 3 ou sair um nmero par?
b) qual a probabilidade de sair o nmero 3 ou sair um nmero mpar?
c) qual a probabilidade de no sair o nmero 3?
d) qual a probabilidade de sair o nmero 3 numa 2 jogada se a 1
deu mpar?
55. Uma pea feita por trs fbricas A, B e C. Sabe-se que a fbrica A produz o
triplo de peas da fbrica B. A fbrica B produz o dobro de peas da fbrica
C.
Sabe-se
tambm
que
1%,
3%
5%
das
peas
produzidas,
respectivamente, por A, B e C so defeituosas. Todas as peas produzidas

so colocadas em um depsito, de onde uma delas retirada ao acaso.
Denominando D o evento pea defeituosa na extrao, calcular:
a) P(A/D);
b) P(AD);
c) P(AD).
56. H trs moedas em uma sacola. Apenas uma delas uma moeda normal,
com cara em uma face e coroa na outra. As demais so moedas
196
defeituosas. Uma delas tem cara em ambas as faces. A outra tem coroa
em ambas as faces. Uma moeda retirada da sacola, ao acaso, e colocada
sobre a mesa sem que se veja qual a face que ficou voltada para baixo. V-se
que a face voltada para cima cara. Considerando todas estas informaes,
qual a probabilidade de que a face voltada para baixo seja coroa?
Resp.: 1/3
57. Um saco contm 3 moedas uma das quais foi cunhada com duas caras,
enquanto as outras duas moedas so normais e no viciadas. Uma moeda
tirada ao acaso do saco e jogada 4 vezes, em seqncia, se sair cara toda
vez, qual ser a probabilidade de que essa seja a moeda de duas caras? E
de que seja uma moeda normal?
58. Sua firma recentemente apresentou proposta para um projeto de construo.
Se seu principal concorrente apresenta uma proposta, h apenas 0,25 de
probabilidade de a sua firma ganhar a concorrncia. Se seu concorrente no
apresentar proposta, h
2
3
de chance da sua firma ganhar. A chance de seu
principal concorrente de apresentar proposta de 50%.

a) Qual a probabilidade de sua firma ganhar a concorrncia?
b) Qual a probabilidade de seu concorrente ter apresentado proposta,
dado que sua firma ganhou a concorrncia?
59. Trs mquinas fabricam moldes no-ferrosos. A mquina A produz 1% de
defeituosos, a mquina B 2% e a mquina C 5%. Cada mquina
responsvel por
1
3
da produo total. Um inspetor examina um molde e
constata que est perfeito. Calcule a probabilidade de ele ter sido produzido
por cada uma das mquinas.
60. Um fazendeiro estima que, quando uma pessoa experiente planta rvores,
90% sobrevivem, mas quando um leigo as planta, apenas 50% sobrevivem.
Se uma rvore plantada no sobrevive, determine a probabilidade de ela ter
sido plantada por um leigo, sabendo-se que
leigos.
2
3
das rvores so plantadas por
197
61. Um nmero sorteado ao acaso entre os inteiros 1,2,...15. Se o nmero
sorteado for par, qual a probabilidade de que seja o nmero 6?
62. De um baralho (convencional) de 52 cartas retirou-se uma carta, verificandose que vermelha. Qual a probabilidade de essa carta ser uma figura?
63. Em uma empresa de pesquisa determinou-se que a probabilidade de haver
crise energtica de 40% e que a probabilidade de haver aumento do
desemprego de 35%. Sabendo-se que a probabilidade de aumento no desemprego
dado que houve crise energtica de 70%, responda:
a) Qual a probabilidade de no haver crise energtica e haver aumento
no desemprego?
b) Qual a probabilidade de haver aumento no desemprego dado que no
houve crise energtica?
c) Qual a probabilidade de no haver aumento no desemprego e nem
crise energtica?
d) Pode-se afirmar que os eventos haver crise energtica e aumento no
desemprego so independentes?
Resp.: a) 0,07, b) 7/60; c) 0,47
198
APNDICE A: MTODOS DE CONTAGEM
A1 Introduo
A Anlise Combinatria procura resolver problemas de contagem.
s vezes, contar pode ser algo bastante confuso ou trabalhoso. Nesses casos,
utilizando mtodos especiais, possvel obter resultados de um modo mais rpido.
A2. Fatorial
Fatorial de um nmero natural n, o produto dos n primeiros nmeros naturais.
Notao:
n! = 1.2.3. ... .(n-2).(n-1).n, n 2
Por definio:
1! = 1
0! = 1
Consequncia: n! = n.(n-1)!
Exemplo 4.16:
a) 5! = 1.2.3.4.5 = 120
b) 4! = 1.2.3.4 = 24
c) 10! = 10.9!
A3. Mtodos de Contagem

Considere o seguinte problema: Uma partida de 100 peas composta de 20
peas defeituosas e 80 peas perfeitas. Dez dessas peas so escolhidas ao acaso,
sem reposio de qualquer pea escolhida antes que a seguinte seja escolhida.
Qual a probabilidade de que exatamente metade das peas escolhidas seja
defeituosa?
199
Para analisarmos esse problema, consideremos o seguinte espao amostral E.
Cada elemento de E constitudo de dez possveis peas da partida. Quantos
resultados desses existem? E dentre esses resultados, quantos tm a caracterstica
de que exatamente a metade das peas seja defeituosa? Ns, evidentemente,
precisamos ter condies de responder a tais questes a fim de resolvermos o
problema em estudo. Muitos problemas semelhantes do origem a questes
anlogas. A seguir sero apresentadas algumas tcnicas de enumerao.
A4. Regra da Multiplicao

Se um evento depende de duas ou mais etapas independentes a quantidade
de ocorrncias o produto das etapas intermedirias.
Suponha-se que um procedimento designado por 1 possa ser executado de n1
maneiras. Admita-se que um segundo procedimento, designado por 2, possa ser
executado de n2 maneiras. Suponha-se, tambm, que cada maneira de executar 1
possa ser seguida por qualquer daquelas para executar 2. Ento, o procedimento 1
seguido pelo 2 poder ser executado de (n1n2) maneiras. Para visualizar esse
princpio ser utilizado o Diagrama de rvore. Esse diagrama consiste do seguinte:
considere um ponto P e duas retas paralelas L1 e L2. Admita que o procedimento 1
consista em ir de P at L1, enquanto o procedimento 2 consista em ir de L1 at L2,
alm disso, vamos considerar, como exemplo, que n1=4 e n2=3 A Fig. 4.3 indica
como o resultado final obtido. Assim, o procedimento 1 seguido pelo 2 poder ser
executado de 3x4=12 maneiras, como pode ser visualizado pela Fig. 4.3.
200
1
2
3
1
2
3
1
2
3
1
2
3
L1
L2
Figura 3.3: Diagrama de rvore.
Assim, o Diagrama de rvore facilita a enumerao de eventos relacionados,

visualizando as diversas possibilidades.
Exemplo 4.17:
Durante a fabricao uma pea deve passar por trs estaes de controle. Em
cada estao, a pea inspecionada quanto a uma determinada caracterstica e
marcada adequadamente. Na primeira estao, trs classificaes so possveis,
enquanto nas duas ltimas, quatro classificaes so possveis. Consequentemente,
existem 3 x 4 x 4 =48 maneiras pelas quais uma pea pode ser marcada.
A5. Permutao
Permutaes de m elementos so os diversos grupos formados de todos
modos possveis com esses elementos, colocando-os em linha, ao lado uns dos
outros, de modo que cada grupo contenha os m elementos e difira dos outros
somente pela ordem dos elementos.
201
Exemplo 4.18:
Com as trs letras a, b e c, podem-se formar as seguintes permutaes:
abc, acb, bac, bca, cab, cba.
A frmula para o clculo do nmero de permutaes simples :
Pm = m! = 1 x 2 x 3 ... x m
Exemplo 4.19:
a) De quantas maneiras podemos extrair todas as 5 bolas de urna?
P5 = 5! = 120
b) Determinar o nmero de grupos de 5 elementos que comeam por
um elemento escolhido.
P4 = 4! = 24
c) Em cada carteira de uma fila de 5 carteiras duplas, esto sentados
um rapaz e uma moa. De quantos modos podemos dispor esses
10 alunos, de modo que no fiquem rapazes ou moas juntos?
2(P5)2 = 28.800
A frmula para o clculo do nmero de permutaes com elementos repetidos
Pm a ,b ,...,k
m!
a !b !... k ! ,
onde:
m = a + b + ...+ k
Exemplo 4.20:
Quantos anagramas podem ser formados com a palavra ESTATSTICA?
202
P111,2 ,3,2 ,2 ,1
11!
831600
1! 2 ! 3! 2 ! 2 !1!
A5. Arranjo
Arranjos de m elementos tomados p a p so os diversos grupos que se podem
formar com os m elementos, colocando-os ao lado uns dos outros, de modo que
cada grupo contenha somente p elementos e difira dos outros pela natureza ou pela
ordem dos elementos.
Exemplo 421:
Com as trs letras a, b, c, tomadas duas a duas, podem-se formar os arranjos
seguintes:
ab, ba, ac, ca, bc, cb.
A frmula para o clculo do nmero de arranjos simples :
Amp
m!
m p !
Exemplo 4.22:
Quantos nmeros de 4 algarismos podem ser formados, sem o algarismo zero
e sem incluir os de algarismos repetidos?
A94
9!
9 8 7 6 3024
9 4 !
Estabelecer um cdigo de almoxarifado utilizando 15 dgitos (6 letras: A, B, C,

D, E, F; 9 algarismos: 1, 2, 3, 4, 5, 6, 7, 8, 9) de modo a identificar cada tipo de pea
por um grupo de 5 dgitos, sem repetio. Quantos tipos de pea podero ser assim
codificados?
A155
15!
360.360
(15 5)!
203
Quando for permitido repeties na formao dos grupos a denominao
arranjos com repetio. Sua frmula :
AR mp m p
Exemplo 4.23:
Quantos carros podem ser emplacados usando a codificao atual para as
placas (os trs primeiros dgitos so letras e os quatro dgitos restantes nmeros)?
AR 103 AR 426 10 3 26 4 456.976.000
A8. Combinao
Combinaes de m elementos tomados p a p so os diversos grupos que se
podem formar com os m elementos, colocando-os em linha, de modo que cada
grupo contenha somente p elementos e difira dos outros pela natureza de seus
elementos.
Exemplo 4.24:
Com as trs letras a, b, c, tomadas duas a duas, podem-se formar as seguintes
combinaes:
ab, ac, bc.
A frmula para o clculo do nmero de combinaes simples :
m
m!
C mp
p p!m p !
Exemplo 4.25:
Dentre oito pessoas, quantas comisses de trs membros podem ser
escolhidas? Desde que duas comisses sejam a mesma comisso se forem
constitudas pelas mesmas pessoas (no se levando em conta a ordem em que
sejam escolhidas), teremos
204
C83
8!
876
56
3! 8 3 !
6
Quando for permitido repeties na formao dos grupos a denominao

combinaes com repetio. Sua frmula :
CR mp Cmp p 1
m p 1!
p! m 1 !
Exemplo 4.26:
Quantas e quais so as maneiras de distribuir dois objetos por trs pessoas?
CR 23 C42 6
1a pessoa: 2 0
2a pessoa: 0 2
3a pessoa: 0 0
205
5
AP
NDICE B:: USANDO
O A HP 50G
G
O subme
enu MTH/P
PROBABIL
LITY.. ac
cessvel uttilizando a seguinte sequencia
a
de tteclas
. Com
m o sinalizzador do sistema 117 configuurado para
a o menu
u
SOF
FT, aparecce o menu flutuante.. Apertand
do a tecla NXT aparrece a op
o PROB
B
(con
nsulte o la
ado esquerdo da fig
gura abaixo). Aperte
e a tecla F
F1 para mostrar
m
ass
funes dispon
nveis que pode ser vvisto no lad
do direito da
d figura aabaixo.
Para simplificar a notao,

n
se
ero usado
os:
Combinao de n toma
ados r a r
C(n,r)
Arrranjo de n tomados r a r
A(n,r)
Permutao d
de n
P(n)
Pode-se calcular as
a combin aes, arrranjos, permutaess e fatoriais com ass
funes COM
MB, PERM
M e !. A operao
o dessas funes, no modo
o RPN,
apre
esentada a seguir:
C(n,r)
r COMB
206
6
A(n,r)
r PERM
P(n)
n PERM ou n!
207
7
Exemplo de aplica
o dessass funes:
Espc
cies de O
Operao das
Resutadoos
grupa
amentos ffunes
C(12,5)
1
12
5 COMB
C
7992
A(12,5)
1
12
5 PERM
P
950440
P(5)
P(5)
5
5!
5 PERM
1220
1220
208
5 DISTRIBUIO DE VARIVEL ALEATRIA

DISCRETA
5.1 Conceitos
5.1.1 Funo
Funo f de A em B uma correspondncia que associa a cada elemento x
pertencente a A um e somente um elemento y pertencente a B. A denominado
domnio e B de contradomnio. Assim, funo uma relao (regra) que associa a
cada elemento do domnio um e somente um elemento do contradomnio.
Injetora
Sobrejetora
Bijetora
x1
y1
x1
y1
x1
y1
x2
y2
x2
y2
x2
y2
y3
Funo Constante
x1
y1
x2
y2
y3
No Funo
x1
y1
x2
y2
209
Domnio = A
f:
Contradomnio = B
Domnio de f(x) = {xA}

Contradomnio de f(x) = {yB}
Imagem de f ( x) y B y f x
5.1.2 Varivel Aleatria
Experimentos so realizados com a finalidade de obter informaes por meio
das quais so tomadas decises ou tiradas concluses. No entanto, como visto no
captulo anterior, ao estudarmos probabilidade, aprendemos o conceito de
experimento aleatrio, no qual no se pode determinar de antemo o seu resultado,
posto que um experimento aleatrio depende de muitas causas fortuitas que no
so passveis de serem levadas em considerao. Desse modo as concluses ou
decises so tomadas em um ambiente de incerteza a qual deve ser medida e os
riscos associados, devem ser especificados e controlados. Para se atingir esse
objetivo que se necessita do conceito de varivel aleatria.
210
Por exemplo, suponha que um determinado tipo de rel dever ser usado em
centrais de comutao telefnica. Esta central dever funcionar durante cinco anos.
Os componentes crticos desta instalao so os rels. Ao longo deste tempo
estima-se que, em mdia, alguns deles, os mais solicitados, realizam 2x105
operaes. O contratante estabeleceu junto ao fornecedor destes rels que iria
testar uma nica unidade. Se a vida til deste rel ultrapassar 4x105 operaes o
lote inteiro seria adquirido. Neste exemplo, o contratante dividiu o espao amostral
em dois eventos disjuntos A e B, onde A o evento que representa que o nmero de
operaes exceder a 4x105 e B o evento que representa que o nmero de
operaes ser menor ou igual a 4x105. Se o resultado do experimento encontrar-se
em A, os rels sero comprados. Se o resultado do experimento encontrar-se em B,
os rels no sero comprados.
Por outro lado, concebvel que o contratante no queira tomar deciso com
base na ocorrncia ou no ocorrncia de um nico evento no espao amostral. Por
exemplo, suponha que o contratante combinou com o fabricante testar dois rels.
Suponha, alm disso, que tenham acordado que se a mdia dos nmeros de
operaes exceder a 4x105 o contratante comprar o lote de rels. Caso contrrio
ele no aceitar os rels. O conjunto que representa o nmero mdio de operaes
dos dois rels que excede 4x105 no um evento do espao amostral (nem o
nmero mdio de operaes um ponto e do espao amostral) de forma que o
contratante no pode basear sua deciso em observao direta do resultado do
experimento. Pelo contrrio, ele toma deciso usando a regra que associa a cada
ponto e do espao amostral um valor numrico obtido pelo clculo da mdia dos
nmeros de ocorrncia dos dois rels, x1 e x2, respectivamente, associado a cada
ponto e, isto , para cada e x1 , x 2 em E, X e x1 x2 / 2 calculado. Este
conjunto de valores ento dividido em dois grupos: aqueles cujos valores mdios
so maiores que 4x105 operaes e aqueles cujo valor mdio seja menor ou igual a
4x105 operaes. Se o valor mdio obtido de um experimento particular encontrar-se
no grupo que tem valores maiores que 4x105 operaes, o lote de rels ser
adquirido. Caso contrrio, os rels no sero aceitos. De maneira equivalente, se o
resultado do experimento e foi tal que o nmero mdio das operaes dos rels
conduzirem a um valor que exceda a 4x105, o lote ser comprado.
211
A regra que, no exemplo, associa a cada elemento do espao amostral um e
somente um valor numrico (obtido pela mdia dos nmeros de operaes dos dois
rels) dado o nome de varivel aleatria.
Seja E o espao amostral de um experimento aleatrio . Uma varivel
aleatria X uma funo de valor numrico (ou uma regra) que associa a cada
elemento e do espao amostral E um e somente um nmero real X(e) = x. Portanto,
o conjunto E o domnio da varivel aleatria X e o conjunto de nmeros reais x o
contradomnio.
Ao longo do texto, as variveis aleatrias so representadas por letras
maisculas e seus possveis valores por letras minsculas. No exemplo particular de
testar dois rels at a falha, a varivel aleatria, o tempo at a falha, foi escolhido
para fins de tomada de deciso, isto , a funo que associa cada ponto e=(x1, x2)
em E a um valor X =(x1+x2)/26.
Representa-se por o conjunto de valores possveis de uma varivel
aleatria, ou seja o conjunto imagem da funo varivel aleatria X. Ento, ao
especificar um modelo para dados empricos, primeiro defini-se uma varivel
aleatria X e seu respectivo conjunto imagem . Segundo, probabilidades so
associadas aos valores de de modo tal que modelam (representam) as
frequncias relativas dos respectivos resultados experimentais sob tentativas
repetidas.
Exemplo 5.1
O nmero de crianas, que sobrevivem aps 1 ano entre 100 recm-nascidos,
uma varivel aleatria que tem os seguintes resultados possveis: 0, 1, 2, ..., 100.
Portanto,
Note que
ser
X uma funo e portanto, sua notao, que realmente representa uma funo, deveria
X onde usado para indicar que a funo definida em relao a algum domnio. Quando
o ponto for substitudo por algum elemento desse domnio a funo assume um valor particular. No
entanto, devido tradio e comodidade esta funo representada por
X.
212
= {0, 1, 2, ..., 100}
Exemplo 5.2
A distncia que percorre um projtil, ao ser disparado por um canho, uma
varivel aleatria. Com efeito, a distncia depende no somente da mira, mas
tambm de muitas outras causas (fora e direo do vento, temperatura, etc.), que
no podem ser inteiramente consideradas. Os valores possveis desta varivel
correspondem a certo intervalo, =(a,b).
As variveis aleatrias sero designadas pelas letras maisculas X, Y, Z, e
seus valores possveis, respectivamente, por suas letras minsculas x, y, z. Por
exemplo, se a varivel aleatria X tem trs valores possveis, estes valores sero
designados por: x1, x2, x3, ou seja,
= { x1, x2, x3}
Um teorema bsico sobre variveis aleatrias (que no demonstraremos)

afirma que se X for varivel aleatria e construirmos uma funo (unvoca) de X, g(X
= x), ento a varivel Y = g(X = x) ser tambm aleatria. Assim, o valor da funo
de uma varivel aleatria tambm uma varivel aleatria. Exemplificando, se X for
uma varivel aleatria, A e B constantes, ento Y = A + BX uma varivel aleatria.
5.1.3 Variveis Aleatrias Discretas e Contnuas
Voltemos aos exemplos da seo anterior. No primeiro deles, a varivel
aleatria X poderia admitir um dos seguintes valores possveis: 0, 1, 2, ..., 100. Estes
valores esto separados entre si por intervalos, nos quais no h valores possveis
de X. Em consequncia, neste exemplo, a varivel aleatria assume valores
possveis individuais isolados.
No exemplo 5.2, a varivel aleatria poderia admitir qualquer dos valores do
intervalo (a, b). Neste caso, no se pode separar um valor possvel de outro por um
intervalo que no contenha valores possveis da varivel aleatria.
Do exposto se deduz a convenincia de distinguir as variveis aleatrias que
assumem somente valores individuais, isolados, em determinado intervalo da reta
213
real, daquelas variveis aleatrias, cujos valores possveis variam continuamente
dentro de certo intervalo.
Denomina-se varivel aleatria discreta (descontnua) a varivel aleatria
cujo contradomnio constitudo somente por valores isolados de um intervalo
(valores inteiros um caso particular) com probabilidades determinadas. O nmero
de valores possveis de uma varivel aleatria discreta pode ser limitado ou ilimitado.
Uma maneira prtica para identificar uma varivel discreta quando, para encontrar
o seu valor, for necessrio realizar contagem.
Denomina-se varivel aleatria contnua a varivel aleatria que assume
qualquer valor em um intervalo, finito ou infinito, da reta real, portanto aquela cujo
contradomnio constitudo por todos os valores de um intervalo, ou seja, seus
valores variam continuamente. Evidentemente, o nmero de valores possveis de
uma varivel aleatria contnua infinito, independente se o intervalo limitado ou
ilimitado. Assim sendo, pode-se dizer que a varivel aleatria contnua resulta,
normalmente, de mensurao, e a escala numrica de seus possveis valores
corresponde ao conjunto R dos nmeros reais.
5.1.4 Distribuio de Probabilidades de uma Varivel Aleatria Discreta
primeira vista pode parecer que para expressar uma varivel aleatria
discreta suficiente enumerar todos seus valores possveis. Na realidade, isto no
bem assim: as variveis aleatrias podem ter os mesmos valores possveis, e suas
probabilidades serem distintas. Por isso, para expressar uma varivel aleatria
discreta no suficiente enumerar todos seus valores possveis, mas necessrio
indicar tambm suas probabilidades.
Denomina-se distribuio de varivel aleatria discreta ao conjunto de
todos os valores possveis xi da varivel aleatria discreta X e suas respectivas
probabilidades pi. A funo f(x) que estabelece a correspondncia de cada xi e sua
respectiva pi denomina-se funo de probabilidade. Uma funo de probabilidade
pode ser expressa por meio de uma tabela, de uma expresso analtica ou de um
grfico.
214
Uma funo f(x) uma funo de probabilidade se ela satisfizer as seguintes
condies:
f x 0;
f x 1;
xi
f X xi P X x i
5.1
Estas condies so as nicas condies que uma funo f tem de satisfazer

para ser um modelo potencial de um conjunto de dados experimentais discretos. Isto
, qualquer funo que satisfaa estas condies um modelo vlido no sentido
matemtico. Para que uma funo seja til necessrio, alm do sentido
matemtico, que obrigatoriamente tem de satisfazer, levar em considerao se
efetivamente representa as observaes do mundo experimental.
Parmetros so as constantes, particulares para cada problema, que
aparecem de forma explcita na expresso analtica da funo de probabilidade (ou
funo de distribuio). Assim, para se individualizar uma distribuio necessrio o
conhecimento numrico dos parmetros.
Levando em considerao que uma varivel aleatria discreta assume um e
somente um valor possvel, e ela est associada a um elemento de um espao
amostral, deduzimos que os resultados X = x1, X = x2, ..., X = xn formam um grupo
completo, ou seja, so os resultados possveis do experimento aleatrio. Desse
modo, a soma das probabilidades correspondentes aos resultados da varivel
aleatria igual a unidade:
p1 + p2 + ... + pn = 1.
Exemplo 5.3
Em uma loteria foram emitidos 100 bilhetes. Sorteiam-se um prmio de R$
500,00 e dez prmios de R$ 50,00 a cada ms. Descrever a distribuio da varivel
aleatria X, isto , o valor do prmio possvel para o possuidor de um bilhete de
loteria.
Soluo. Escrevemos os valores possveis de X:
215
x1 = 500, x2 = 50, x3 = 0.
As probabilidades destes valores possveis so:
p1 = 0,01, p2 = 0,1, p3 = 1 - (p1 + p2) = 0,89.
Descreva a distribuio pedida:
X
500,00
0,01
50,00
0,1
0,00
0,89
Verificao: 0,01 + 0,1 + 0,89 = 1.
Exemplo 5.4
Colocar trs moedas em um copo e aps agitar o copo vrias vezes lanar as
moedas sobre uma mesa ou outra superfcie dura e plana qualquer. Seja X a
varivel que denota o nmero de caras aps cada lanamento. Registre o valor de
X para 16 realizaes independentes do experimento e apresente os resultados em
forma de distribuio. (O espao amostral para X 0, 1, 2 e 3).
A Tabela 5.1 apresenta cinco amostras independentes que foram observadas
utilizando-se o experimento anterior.
Tabela 5.1: Distribuies empricas para o nmero de caras, X, observadas
em 16 lanamentos independentes de trs moedas.
x
Amostra 1
Amostra 2
3
Amostra 3
Amostra 4
Amostra 5
216
Total
16
16
16
16
16
A Tabela 5.2 apresenta 4 diferentes distribuies de probabilidade que poderia

servir para modelar o experimento de 16 lanamentos independentes de trs
moedas.
Tabela 5.2: Quatro distribuies de probabilidade.
(a)
(b)
(c)
(d)
f(w)
f(x)
f(y)
f(z)
0,25
0,125
0,3
0,1
0,25
0,375
0,2
0,4
0,25
0,375
0,2
0,4
0,25
0,125
0,3
0,1
Total
1,00
Total
1,000
Total
1,0
Total
1,0
Todas as quatro distribuies da Tabela 5.2 associam probabilidades ao

conjunto de pontos (0, 1, 2, 3), que o espao amostral, E, para a varivel X, que
representa o nmero de caras observadas no lanamento de trs moedas. Estas
distribuies de probabilidade ilustram quatro das infinitas possibilidades de como
associar probabilidades aos possveis resultados de modo a satisfazer as condies
que devem atender uma funo de probabilidade, no sentido matemtico. Se as trs
moedas forem honestas verifica-se que a distribuio que melhor se ajusta aos
dados experimentais a que corresponde a letra (b), conforme mostraremos nas
sees posteriores.
217
A funo de probabilidades pode ser acumulada, considerando-se a soma de
probabilidades de todos os valores de X menores ou iguais a um determinado valor
xr:
r
F(xr) =
f ( x ) P( X x )
i 1
5.2
F(x) denomina-se funo de distribuio. Se escolhermos um valor para X,

por exemplo, xr, a f(X = xr) d a probabilidade de que X assuma o valor xr, ou seja,
f(x = xr) = P(x = xr); enquanto F(x) dar a probabilidade de que X assuma um valor
no mximo igual a xr, ou seja F(X = xr) = P(X xr).
5.1.5 Especificao de uma Distribuio de Varivel Aleatria Discreta
Para se especificar uma distribuio de varivel aleatria discreta necessrio
conhecer, com relao a sua funo de probabilidade:
o seu domnio;
a sua forma;
os seus parmetros.
5.2 Esperana Matemtica e Suas Propriedades

Desde que h muitos modelos (distribuies de probabilidade) importante
que tenhamos um mtodo pelo qual possamos comparar essas distribuies. Como
visto no Captulo 2, o uso de estatsticas descritivas como uma maneira para
comparar distribuies empricas, sugere que utilizemos medidas de localizao e
de disperso para comparar distribuies de probabilidade.
A medida usual de localizao a mdia da distribuio ou valor esperado
enquanto a varincia da distribuio uma medida comum de disperso.
O valor esperado (ou mdia) de uma varivel aleatria discreta X denotado
por E(X) ou e definido por
218
E X
x f x
i
x i
5.3
A varincia de uma varivel aleatria X denotada por 2 ou V(X) e definida

por
Var ( X ) 2 E X 2
x
i
xi
f xi
5.4
Desenvolvendo a expresso 5.4, obtm-se:
2
i
2 xi 2 f ( xi )
xi
2
i
f ( xi ) 2 2 2
2
i
f ( xi ) 2
xi
xi
5.5
ou seja,
Var ( X ) 2 E X 2 2
Exemplo 5.5
Encontrar a mdia e a varincia para (c) e (d) da Tabela 5.2.
Soluo:
Distribuio (c): = 0(0,3) + 1(0,2) + 2(0,2) + 3(0,3) = 1,5.
2 = (0 1,5)2(0,3) + (1 1,5)2(0,2) + (2 1,5)2(0,2) + (3 1,5)2(0,3)
= 2,25(0,3) +0,25(0,2) + 0,25(0,2) + 2,25(0,3) = 1,45
Distribuio (d) : = 0(0,1) + 1(0,4) + 2(0,4) + 3(0,1) = 1,5.
2 = (0 1,5)2(0,1) + (1 1,5)2(0,4) + (2 1,5)2(0,4) + (3 1,5)2(0,1)
= 2,25(0,1) +0,25(0,4) + 0,25(0,4) + 2,25(0,1) = 0,65
219
Observao: Note que e 2 ajudam a distinguir as distribuies (c) e (d).
Primeiro, ambas as distribuies so localizadas em = 1,5. Segundo, a distribuio
(d) mais concentrada em torno de 1,5 que (c), como indicado pelo menor valor da
varincia.
Como a definio da esperana de variveis discretas uma operao de
soma, podem-se estabelecer regras para manipulao de esperanas. Tais regras
so as seguintes:
Regra 1: Para qualquer constante a,
E(a) = a.
Regra 2: Para qualquer constante a e qualquer varivel X,
E(aX) = a E(X).
O resultado de maior utilidade a combinao das Regras 1 e 2. Isto , se a e
b so constantes, ento
E(aX + b) = a E(X) + b.
5.6
A utilidade da expresso 5.6 pode ser resumida como a seguir: seja X uma
varivel aleatria com mdia e varincia 2. Sejam a e b constantes e a varivel
aleatria Y = aX + b. Ento
y = E(Y) = a + b,
y2 a 2 2
5.7
y = |a| .
A demonstrao de 5.7 fica a cargo do aluno.
220
5.3 Distribuio Hipergeomtrica

5.3.1 Especificao da Distribuio
Suponha que extramos, sem reposio, uma amostra de tamanho n de uma
populao dicotmica de N elementos. Adotando os nomes defeituoso e nodefeituoso, para tecnicamente descrever as duas categorias, denotamos o nmero
de defeituosos na populao por D. Portanto o nmero de no defeituosos N - D.
Seja X o nmero de defeituosos presentes na amostra. Assim, a especificao da
distribuio :
I.
Domnio da funo de probabilidade
0 X n, se n D;
0 X D, se D < n.
II.
Funo de probabilidade

f X x
5.9
D
x
III.
N D
nx
N
n
Parmetros: N, D e n
E(X) = np
N n
np(1 p)
V(X) = N 1
onde p = D/N a frao de peas defeituosas da populao.
5.3.2 Emprego da Distribuio Hipergeomtrica

Emprega-se a distribuio hipergeomtrica quando:
a varivel for discreta;
221
a extrao for sem reposio;
os N itens da populao puderem ser classificados por uma dicotomia,

ou seja, h apenas duas possibilidades incompatveis em cada
realizao do experimento.
Uma populao dicotmica aquela que pode ser dividida em dois grupos
distintos: aquele cujos elementos possuem uma caracterstica especfica e aquele
cujos elementos no possuem essa caracterstica. Poderiam ser macho e fmea,
empregado e no empregado, defeituoso e no defeituoso, etc.
Exemplo 5.6
Uma caixa contm 10 peas, das quais 4 so defeituosas. Extrai-se, dessa
caixa, sem reposio, uma amostra aleatria de tamanho n = 3 peas. Calcular a
probabilidade de ocorrer 1 pea defeituosa na amostra.
Considerando a varivel aleatria X como sendo o nmero de peas
defeituosas na amostra e utilizando a expresso 5.8, obtm-se:
4 15
P( X 1)
0,5
120
4
1
6
2
10
3
5.4 Distribuio de Bernoulli

Quando executado um experimento do tipo Bernoulli, associado a esse
experimento, tem-se uma varivel aleatria com o seguinte comportamento:
Na realizao de um experimento o resultado pode ser classificado

por uma dicotomia.
Seja p a probabilidade de sucesso (se acontecer o evento de

interesse) e q a probabilidade de fracasso (o evento de interesse
no se realiza).
A varivel aleatria X o n de sucessos em uma nica tentativa

do experimento.
222
X assume os seguintes valores possveis:

0,
1,
com P(X = 0) = q e P(X = 1) = p.
Nessas condies a v.a. X tem distribuio de Bernoulli, e sua funo de

probabilidade dada por
.
Parmetro: p
Esperana e Varincia
O calculo da esperana e varincia da distribuio de Bernoulli pode ser feito
por:
.
P(X)
X.P(X)
Soma
Logo: E(X) = p e
Exemplo 5.7
Uma urna tem 30 bolas brancas e 20 verdes. Retira-se uma bola dessa urna.
Seja X: n de bolas verdes. Calcular E(X), Var(X) e determinar P(X).
30
50
20
1
50
0
3
5
2
5
223
5.5 Distribuio Binomial

5.5.1 Especificao da distribuio
Suponha que extramos, com reposio, uma amostra de tamanho n de uma
populao dicotmica de N elementos com frao de peas defeituosas p. Seja X o
nmero de defeituosos presentes na amostra. Assim, a especificao da distribuio
:
I.
0 X n.
II.
f ( X x)
III.
p 1 p
n
x
n x
5.10
Parmetros: p e n
E(X) = np
V(X) = np(1 p).
OBS.: O nome binomial vem do fato que seus termos correspondem aos do
desenvolvimento do binmio de Newton
(p + q)n
Exemplo 5.7
Uma moeda no viciada lanada 8 vezes. Encontre a probabilidade de:
1. dar 5 caras;
2. pelo menos 3 caras;
3. no mximo 3 caras.
Utilizando-se a expresso 5.9:
224
1. P(X = 5)
0,5 1 0,5
8
5
85
= 0,2188
2. P(X 3) = 1 - P(X < 3) = 1 - P(X 2) =1 [P(X = 0) + P(X = 1) + P(X =

2)] = 0,8555
3. P(X 3) = P(X = 0) + P(X = 1) + P(X = 2) + P(X = 3) = 0,3633
5.5.2 Emprego da distribuio binomial
Emprega-se a distribuio binomial quando:
a varivel for discreta;
a extrao for com reposio;
os N itens da populao puderem ser classificados por uma dicotomia.
5.5.3 Uso da binomial como aproximao da hipergeomtrica

A
mdia
desta
distribuio
tem
expresso
igual
da
distribuio
hipergeomtrica. Entretanto a varincia da hipergeomtrica igual a varincia da

binominal multiplicada pelo fator
N n
, que denominado fator de correo para
N 1
populaes finitas. Quando a frao de amostragem,
n
, pequena, este fator
N
prximo de 1, portanto a hipergeomtrica se aproxima da binomial. O uso da

binomial como aproximao da hipergeomtrica conveniente porquanto a binomial
tem a frao p
D
como um parmetro, enquanto o modelo hipergeomtrico requer
N
o conhecimento de D e de N individualmente. Portanto o modelo binomial mais

simples que o modelo hipergeomtrico. Alguns textos sugerem utilizar a distribuio
binomial como aproximao da hipergeomtrica para a frao de amostragem
n
0,10 .
N
225
5.6 Distribuio de Poisson

5.6.1 Emprego da Distribuio
A distribuio de Poisson empregada em situaes em que a varivel
aleatria X assume valores ao longo de um espao (comprimento, rea, volume,
tempo), sem periodicidade, de modo independente.
Exemplos:
nmero de chamadas recebidas por uma central telefnica;
falhas no recobrimento de fios eltricos utilizado em bobinas;
nmero de defeitos em chapas de ao;
nmero de bactrias em um litro de gua no purificada;
nmero de defeitos em um determinado tipo de equipamento;
nmero de veculos que passam num determinado ponto de uma

estrada e num determinado perodo de tempo;
nmero de partculas alfa emitidas por uma fonte de cobalto-60 em 20

minutos.
Observao: A aplicao da distribuio de Poisson ao decaimento radioativo

no geral. Uma condicionante que a meia-vida seja muito superior ao tempo de
observao. No caso mais geral, a binomial que se aplica!
5.6.2 Especificao da Distribuio
A especificao da distribuio de Poisson :
I.
0X<
II.
226
f ( X x)
x
e . x!
5.11
Parmetro:
III.
E(X) = V(X) =
5.6.3 Poisson como Distribuio Limite da Binomial
Em uma distribuio binomial com tamanho da amostra n muito grande, a
frao p muito pequena, e np = de valor moderado, a funo de probabilidade da
binomial
p
n
x
1 p n x aproximadamente igual de Poisson
x
e .x!
. A natureza da
aproximao ilustrada na tabela a seguir, onde np = = 5 fixado.

Probabilidade binomial
n
X=0
X=4
X=7
10
0,50
0,0010 0,2051 0,1172
20
0,25
0,0032 0,1897 0,1124
50
0,10
0,0052 0,1809 0,1076
100
0,05
0,0059 0,1781 0,1060
200
0,03
0,0063 0,1768 0,1052
Probabilidade
Poisson
0,0067 0,1755 0,1044
Em termos prticos, a distribuio de Poisson pode ser usada como

distribuio limite da binomial, quando o nmero n de repeties do experimento for
maior que 10 e a probabilidade p de ocorrncia do evento for menor que 0,10, com
0< np 10. Nesse caso a mdia da Poisson = np.
Sob as mesmas condies, a Poisson pode tambm ser usada como limite da
distribuio hipergeomtrica, aps a sua convergncia para a binomial.
227
5.6.4 Propriedade Aditiva da Distribuio de Poisson
Se X1 e X2 forem duas variveis independentes com distribuio de Poisson,
com mdias 1 e 2, respectivamente, a varivel
X = X1 + X2
seguir a distribuio de Poisson, com mdia
= 1 + 2.
Dessa propriedade resulta que, se forem feitas k observaes xi de uma
distribuio de Poisson de parmetro , xi se distribuir segundo a mesma lei, com
mdia k. Exemplificando: se na produo de determinada mquina o nmero de
defeitos por unidade tiver distribuio de Poisson com mdia = 2, a distribuio do
nmero de defeitos por 5 unidades ter a mesma distribuio, com mdia = 10.
Exemplo 5.8
Em mdia h 2,5 chamadas por hora num certo telefone. Calcular a
probabilidade de recebermos:
a) uma chamada em 1 hora;
b) nenhuma chamada em 2 horas
c) no mximo 3 chamadas em 2 horas.
Soluo. A soluo ser obtida utilizando-se a expresso 5.10.
a) P(X = 1| = 2,5) =
2,51
= 0,2052
e 2,5 .1!
b) se a mdia 2,5 por hora, ento em 2 h a mdia ser 5. Assim:
50
P(X = 0| = 5) = 5
= 0,0067
e .0!
228
c) P(X 3| = 5) = P(X = 0) + P(X = 1) + P(X = 2) + P(X = 3)=

+
52
= 0,2650
e 5 .2!
50
51
+
e 5 .0! e 5 .1!
229
5.7 ,Exerccios Propostos

1) Analisar criticamente os seguintes clculos de probabilidade:
a) O Eng Fernando, Chefe de uma grande obra de construo civil,
determinou, com base em experincia passada, as probabilidades da
varivel, X, que representa o nmero de acidentes com afastamento
que ocorrer na obra no prximo ano: P(X = 0) = 0,80; P(X = 1) = 0,05;
P(X 2) = 0,05.
b) O
Sr.
Carlos,
professor
de
estatstica
de
uma
determinada
universidade, determinou as seguintes probabilidades para a varivel

G, que representa o grau recebido por um aluno: P(G = A) = 0,25; P(G
= B) = 0,30; P(G = C) = 0,40; P(G = D) = 0,05.
c) Uma grande rede de lojas, que vende uma determinada marca de
computador, determinou a seguinte distribuio de probabilidade para
X, nmero de defeitos durante os primeiros dois anos de servio: P(X =
0) = 0,50; P(X = 1) = 0,25; P(X = 2) = 0,20; P(X = 3) = 0,10.
2) Calcular a mdia e a varincia das distribuies (a) e (b) da Tabela 5.2.
3) Em um lote de N peas D so defeituosas. Extraem-se, sem reposio,

uma
amostra
de
peas
deste
lote.
Calcular
as
seguintes
probabilidades:
a) De ocorrer 2 peas defeituosas na amostra, para N=50, D=15 e
n=10.
Resp.: 0,2406
b) De ocorrer pelo menos 3 peas defeituosas na amostra, para
N=500, D=25 e n=10.
230
Resp.: 0,0148.
4) Num determinado processo de fabricao 10% das peas so

consideradas defeituosas. As peas so condicionadas em caixas com
5 unidades cada uma.
a) Qual a probabilidade de haver exatamente 3 peas defeituosas numa
caixa?
b) Qual a probabilidade de haver 2 ou mais peas defeituosas numa
caixa?
c) Se a empresa pagar uma multa de R$ 10,00 por caixa em que houver
alguma pea defeituosa, qual o valor esperado da multa num total de
1000 caixas?
5) Um processo industrial produz 10% de itens defeituosos quando o

processo est ajustado corretamente. O procedimento do controle da
qualidade consiste em:
i.
selecionar, aleatoriamente, uma amostra de tamanho dez;
ii.
determinar o nmero de itens defeituosos na amostra;
iii.
ajustar o processo se houver mais que trs itens defeituoso na

amostra.
Pergunta-se:
a) Qual a probabilidade que o processo seja ajustado quando estiver
operando com uma taxa de 10% de defeituosos?
b) Qual a probabilidade que o processo no seja ajustado quando
estiver operando com uma taxa de 20% de defeituosos?
231
6) Qual a principal diferena entre o modelo binomial e o modelo
hipergeomtrico?
7) Um comit de trs pessoas formado pela seleo aleatria dos

membros de um clube. Os membros do clube so compostos de 140
homens e 60 mulheres. A questo de interesse a probabilidade de
uma mulher ser sorteada para fazer parte do comit.
a) Qual o modelo de probabilidade, teoricamente correto, aplicado
a situao?
b) Qual a probabilidade, usando o modelo de a), de uma mulher
vir a fazer parte do comit?
c) Que modelo e probabilidade aproximado pode ser usado?
d) Qual a probabilidade aproximada, usando o modelo de c), de
uma mulher vir a fazer parte do comit?
8) Na fabricao de certo tipo de chapa de ao, defeitos ocorrem razo

mdia de 0,5 por chapa. Calcular:
a) a probabilidade de uma chapa ter no mximo dois defeitos;
b) em um grupo de seis chapas, a probabilidade de que o nmero
total de defeitos seja igual trs;
c) em um grupo de dez chapas, a probabilidade de que quatro delas
suam defeituosas.
9) Em testes da qualidade, ao longo de terreno acidentado,
232
10) As faces de um dado so formadas com chapas de plstico de 10 X
10 cm2. Em mdia aparecem 50 defeitos cada metro quadrado de
plstico.
a) Qual a probabilidade de uma determinada face apresentar exatamente
dois defeitos?
b) Qual a probabilidade de o dado apresentar no mnimo dois defeitos?
c) Qual a probabilidade de, pelo menos, 5 faces serem perfeitas?
d) Lanado o dado, qual a probabilidade de que a soma dos pontos com o
nmero de defeitos da face obtida seja menor do que 3?
11) Se 5% das reses de uma fazenda so doentes; achar a probabilidade

de que, numa amostra de 6 reses escolhidas ao acaso, tenhamos:
a) nenhuma doente;
b) uma doente;
c) mais do que uma doente.
12) Numa estrada de pouco movimento passam, em mdia, 2 carros por

minuto. Supondo a mdia estvel, calcular a probabilidade de que em 2
minutos passem:
a) mais de 4 carros;
b) exatamente 4 carros.
13) Os defeitos em certos tipos de chapas de vidro aparecem razo

mdia de 5 para cada 10 m2 de chapa. Essas chapas sero usadas na
233
construo de janelas para uma instalao industrial. Sabendo que
essas janelas medem 150 X 80 cm2, calcular:
a) a probabilidade de que uma janela tenha 2 ou mais defeitos;
b) em um grupo de 10 janelas, a probabilidade de que o nmero total de
defeitos seja inferior a 5;
c) em um grupo de 5 janelas, a probabilidade de que ao menos 4 delas
no tenham defeitos.
14) Em um grupo de 15 jovens, 10 so contra o divrcio. Em uma

comisso de 5 desses jovens, calcular a probabilidade de que:
a) 2 serem contra;
b) a maioria seja a favor.
15) Se no problema anterior o grupo fosse constitudo de 500 jovens,

sendo 5% contra o divrcio, em uma comisso de 20, calcular a
a) todos serem a favor;
b) mais de 15 serem a favor.
16) Sendo X o nmero de peas defeituosas em embalagens de n peas,

conhecendo-se porcentagem de defeituosas da fabricao, calcular as
a) P(X = 3/n= 15; p = 0,30);
b) P(X 5/n = 10; p = 0,60);
234
c) PX < 4/n = 60; p = 0,05);
d) P[(X = 2) (X 5)/n = 10; p = 0,30]
e) P(X > 8/n = 20; p = 0,70).
17) Sabe-se que uma populao composta de peas A, B e C, sendo

20% de A e 70% de B. Calcule a probabilidade de que, em uma amostra
de tamanho n, extrada com reposio, tenhamos:
a) o nmero de itens de A entre 2 e 7, para n = 20 (incluindo os extremos);
b) o nmero de itens de B entre 2 e 7, inclusive os extremos, para n = 10;
c) o nmero de itens de A ou B maior que 27, para n = 30.
18) As variveis independentes X e Y tem distribuio de Poisson com x

=1,5 e y = 3,0. Calcule:
a) P(X 2);
b) P(Y < 4);
c) P[(X < 2) (Y > 5)];
d) P[(X + Y) < 2].
19) Uma partida de 500 peas, das quais 50 so defeituosas,

apresentada para inspeo. Testa-se uma amostra de n peas,
extradas com reposio, aceitando-se a partida se ocorrerem, na
amostra, no mximo x0 peas defeituosas. Qual a probabilidade da:
a) aceitao da partida, para n = 20 e x0 = 2?
235
b) aceitao da partida, para n = 100 e x0 = 12.
20) O nmero de navios que chegam em um porto por dia uma varivel
aleatria X com mdia igual a 4. Calcular:
a) P(X > 7);

b) P(2 < X 5);
c) x0 tal que P(X > x0) = 0,7619;
d) a capacidade de atracamento do porto, dada em nmero de navios por
dia, a fim de que s haja congestionamento em 10%, ou menos, dos
dias.
21) Em certo processo de fabricao de baterias, a probabilidade de

fabricar-se uma bateria defeituosa 2%. Em um dia de trabalho, so
produzidas 300 baterias. Qual a probabilidade, na produo diria de:
a) sarem 5 baterias defeituosas?

b) sarem no mximo 10 baterias defeituosas?
c) sarem pelo menos 2 defeituosas?
d) todas as baterias serem perfeitas?
22) As variveis X e Y tm distribuio binomial com px = 0,20 e py = 0,70,

respectivamente. Calcule:
236
a) P(X = 4), para nx = 3;
b) P(1< X < 6), para nx = 4;
c) P[(Y > 2) (X < 1)], para nx = ny = 4;
d) P(Y > 4), para ny = 10;
e) P(X < ), para nx = 5.
23) Uma fonte binria gera dgitos 1 e 0 aleatoriamente com

probabilidades 0,6 e 0,4, respectivamente.
a) Qual a probabilidade de ocorrerem dois 1s e trs 0s em uma
sequncia de cinco dgitos?
b) Qual a probabilidade de ocorrerem pelo menos trs 1s em uma
sequncia de cinco dgitos?
Resp.:
a) 0,2304
b) 0,6826
24) Um canal de transmisso com rudo tem uma probabilidade de erro

por dgito pe = 0,01.
a) Calcule a probabilidade de ocorrer mais que um erro em 10 dgitos
recebidos.
b) Repetir a), usando a aproximao Poisson.
a) 0,0042
b) 0,0047.
237
25) Suponha que 10000 dgitos so transmitidos sobre um canal de rudo

que tem probabilidade p = 5x10-5 de erro por dgito. Encontrar a
probabilidade de que no haver mais que dois dgitos errados.
Resp.: 0,9856.
26) As variveis X e Y tem distribuio de Poisson, com mdias iguais a

2,5 e 1,0, respectivamente. Calcule:
a) P(X = 4);
b) P(1 < X < 5);
c) P(Y 2);
d) P(3 < Y 7).
27) Em 5000 peas h 30% de peas da marca X e 70% da marca Y. Em

uma amostra de tamanho n = 10, determinar a probabilidade de que
ocorram:
a) duas ou mais peas de X;
b) exatamente 4 peas de Y.
28) Uma mquina produz peas com proporo de 0,05 de defeituosas.

a) Qual a probabilidade de, em 10 itens examinados, no mximo 2 serem
defeituosas?
b) Qual a probabilidade de em 3 peas examinadas, 2 serem perfeitas, ou
3 serem defeituosas?
238
c) Qual o nmero mdio de defeituosas em lotes de 100 dessas peas.
Qual a varincia?
29) Os erros de impresso de um determinado jornal de uma cidade A

podem ser considerados aleatrios com mdia igual a 4, para cada
folha. Calcular:
a) a probabilidade de que um leitor encontre menos de 5 erros em uma
folha desse jornal;
b) a probabilidade de que um leitor encontre menos de 7 erros em 2
folhas desse jornal.
30) Uma banca vende em mdia 3 centenas do jornal A, diariamente.

Sabendo-se que o estoque desse jornal renovado todas as manhs,
qual deve ser o estoque mnimo de modo que no seja necessrio que o
dono desta banca tenha que recorrer a outra banca, durante o dia de
trabalho, mais do que uma vez em cada 15 dias?
31) Em um almoxarifado foram colocadas 50 peas, das quais 10 so

defeituosas. Tomando-se 2 peas ao acaso, com reposio, qual a
probabilidade
a) de que ambas sejam defeituosas?
b) de que uma seja defeituosa?
32) Na realizao de um experimento sabe-se que determinado resultado

tem a probabilidade p = 0,20 de ocorrer em uma prova. Realizando-se
15 provas repetidas, qual a probabilidade de que o evento ocorra:
239
a) 6 vezes;
b) no mximo 5 vezes;
c) no mnimo 6 vezes.
33) Uma firma construtora deseja adquirir uma partida de 1500

esquadrias metlicas. Sabe-se que observaes anteriores indicaram p
= 0,20 da produo como defeituosas. Para testar a qualidade da
partida, um engenheiro examina n = 10 esquadrias. Sendo X o nmero
de esquadrias defeituosas na amostra, calcular:
a) P(X < 4);
b) P(1< X < 6).
34) Se 10% dos tubos de imagem de televiso a cores se queimam antes

de sua garantia expirar,
a) qual a probabilidade de que um comerciante que vendeu 100
cinescpios seja forado a substituir pelo menos 20 deles?
b) qual a probabilidade de que substitua pelo menos 5 e no mais de 15 tubos?
35) Um fabricante de certa pea de automvel garante que uma caixa de

peas conter, no mximo, 2 itens defeituosos. Se a caixa contiver 20
peas e a experincia tiver demonstrado que esse processo de
fabricao produz 2% de itens defeituosos, qual a probabilidade de que
uma caixa de suas peas v satisfazer a garantia?
36) Os inspetores de uma fbrica devem inspecionar partidas de 2000

peas que so entregues semanalmente. O fabricante informa que a
240
frao defeituosa p = 0,10. Para testar a informao do fabricante, o
Chefe dos inspetores resolve examinar uma amostra de n = 10 peas e
aceitar que p = 10% se nessa amostra o nmero X de defeituosos for no
mximo igual a 2. Qual a probabilidade de aceitao correspondente?
37) Considere a varivel X com distribuio de Poisson e mdia .

Calcular a probabilidade de ocorrncia de:
a) X maior ou igual a 5, para = 7;
b) 3 menor que X e menor que 8, para = 10;
c) X menor que 4, para = 8;
d) 3 menor ou igual a X menor que 9, para = 12.
38) Entre as 14 e 16 horas, o nmero mdio de chamadas telefnicas por

minuto, atendidos pela mesa de ligaes de uma companhia 2,50.
Determinar a probabilidade de que em determinado minuto ocorram:
a) 1 chamada;
b) 4 ou menos chamadas;
c) mais de 6 chamadas.
39) Se a probabilidade de um indivduo sofrer uma reao nociva,

resultante da exposio prolongam a tintas base de gua 0,001,
determinar a probabilidade de que entre 2000 pintores, venham a sofrer
a reao nociva:
a) exatamente 3 pintores;
b) mais do que dois pintores.
241
40) Seja uma caixa de N = 10 peas, das quais D = 4 so defeituosas.

Calcular a probabilidade de ocorrncia de peas defeituosas em
amostras de n = 3, extradas sem reposio.
41) Em uma caixa, onde h 60 lmpadas da marca I, foram colocadas

mais 20 lmpadas de outra marca. Qual a probabilidade de:
a) retirar, sem reposio, um grupo de 10 lmpadas, todas da marca I?
b) sair no mnimo uma lmpada de outra marca entre as 10 extradas sem
reposio?
42) Em uma urna h 10 fichas brancas e 5 vermelhas. Retiram-se 4 fichas

simultaneamente (ou uma a uma, sem reposio). Sendo X o nmero de
vermelhas na amostra, construir uma tbua com os valores f(X = x) e
calcular a mdia e varincia da distribuio.
242
2
AP
NDICE A:: USANDO
O O EXCEL
L
A1.. Distrib
buio Hiperge
H
eomtric
ca
Considerremos o se
eguinte pro
oblema.
Em um lote
l
de 10
00 peas, 20 so de
efeituosas. Calcular a probab
bilidade de
e
ocorrrncia de peas defe
eituosas em
m amostra
as de n=10
0, extradass sem repo
osio.
O domnio da vari
vel aleat ria X, nm
mero de peas defeituuosas na amostra,
a
0x
10.
Prepare uma
u
planilha como m
mostrado na
n figura a seguir.
Para enccontrar as probabilida

ades simp
ples de oco
orrncia dee peas defeituosass
em a
amostras de
d tamanho
o 10, deve
emos seguir os seguintes passoos:
Coloque
e o cursor na clula E
E2;
No men
nu INSERIR
F
243
3
Na categ
goria da funo e
escolha a opo ES
STATSTIC
CA e em nome da
a
fun
o escolh
ha a opo DIST.HIP
PERGEOM. A seguir, clique em
m OK.
A funo DIST. HIPERGEOM tem qu

uatro argu metos:
1. Exemplo_s abreviatura para n
mero de sucessos. Esse o
valo
or
da
va
arivel
ale
eatria
para
p
qqual
dese
ejamos
prob
babilidade, que simb
bolizamos por x. Inssira nesse
e campo o
ende
ereo relattivo da cllula que co
orrespondee ao nme
ero 0 (D2)..
O
endereo
relativo
mudar
para
see
referir
clula
a
244
correspondente a mesma linha da coluna D, quando a frmula
for copiada para baixo.
2. Exemplo_nm esse argumento o tamanho da amostra, n,
(ou nmero de tentativas ou provas). Esse argumento um dos
parmetros que distinguem uma distribuio hipergeomtrica de
outra. Em vez de inserir diretamente o nmero correspondente
ao tamanho da amostra coloque o endereo absoluto B1 (para
tornar o endereo de um clula um endereo absoluto pressione
a tecla de funo F4). Isso nos permitir observar outros valores
de n simplesmente trocando o contedo de B1. Alm disso,
quando a frmula for copiada para baixo, a referncia clula
B1 permanecer.
3. Populao_s abreviatura usada para nmero de peas
defeituosas na populao, aqui denominado D. Esse outro
parmetro da distribuio hipergeomtrica. Aqui tambm ao em
vez de inserir diretamente o nmero correspondente ao nmero
de peas defeituosas na populao coloque o endereo
absoluto B2.
4. Num_populao abreviatura usada para tamanho da
populao, aqui denominado N. Esse outro parmetro da
distribuio hipergeomtrica. Aqui tambm ao em vez de inserir
diretamente
nmero
correspondente
populao coloque o endereo absoluto B3.
ao
tamanho
da
245
5
Aps pre
eenchido os
o camposs dos argu
umentos da
d funo DIST.HIP
PERGEOM
M
clica
ar em OK, obtendo-se
e, assim, o valor 0,0951 que co
orrespondee a probab
bilidade de
e
ocorrrer 0 pea
as defeituos
sas na am
mostra.
Em segu
uida, a frm
mula da c
lula E2 de
eve ser copiada paraa baixo, ob
btendo-se,,
assim
m, as prob
babilidades
s de ocorr
ncia de peas
p
defeituosas em
m amostras
s de n=10,,
extra
adas sem reposio
o.
O clculo das probabilidad

des acumu
uladas deve ser feeito acumu
ulando ass
prob
babilidadess simples.
246
6
A2 Distrib
buio Binomia
B
al
Considerremos o se
eguinte pro
oblema.
Em um lote de peas,
p
20%
% so defeituosas. Calcular a probabilidade de
e
ocorrrncia de peas defe
eituosas em
m amostra
as de n=10
0, extradass com repo
osio.
O domnio da vari
vel aleat ria X, nm
mero de peas defeituuosas na amostra,
a
0x
10.
Prepare uma
u
planilha como m
mostrado na
n figura a seguir.
Para enccontrar as
s probabili dades sim
mples e acumuladass de ocorrrncia de
e
pea
as defeituo
osas em amostras de taman
nho 10, devemos
d
passsos:
E2;
Coloque
No men
nu INSERIR
F
247
7
Na categ
goria da funo e
escolha a opo ES
STATSTIC
CA e em nome da
a
fun
o escolh
ha a opo DISTRBIN
NOM. A se
eguir, clique em OK.
A funo DISTRBIN
NOM tem q
quatro argu
umetos:
1. Num
m_s abre
eviatura pa
ara nmero
o de sucesssos. Esse
e o valorr
da varivel
v
ale
eatria para o qual de
esejamos a probabiliidade, que
e
simb
bolizamos por x. Insira nesse campo o eendereo relativo
r
da
a
clula que corrresponde ao nmerro 0 (D2). O endere
o relativo
o
248
mudar para se referir clula correspondente a mesma linha
da coluna D, quando a frmula for copiada para baixo.
2. Tentativas esse argumento o tamanho da amostra, n, (ou
nmero de tentativas ou provas). Esse argumento um dos
parmetros que distinguem uma distribuio binomial de outra.
Em vez de inserir diretamente o nmero correspondente ao
tamanho da amostra coloque o endereo absoluto B1. Isso nos
permitir observar outros valores de n simplesmente trocando o
contedo de B1. Alm disso, quando a frmula for copiada para
baixo, a referncia clula B1 permanecer.
3. Probabilidades abreviatura usada para probabilidade de
sucesso, aqui denominada p. Esse outro parmetro da
distribuio binomial. Aqui tambm ao em vez de inserir
diretamente o nmero correspondente a probabilidade de
sucesso coloque o endereo absoluto B2.
4. Cumulativo esse argumento vai determinar se o Excel
fornece a probabilidade de que a varivel aleatria seja igual a x
(probabilidade simples) ou a probabilidade de que a varivel
aleatria seja menor ou igual a x (probabilidade acumulada).
Para determinar a probabilidade simples inserimos a palavra
FALSO ou o nmero 0 no campo do argumento. Para
determinar a probabilidade acumulada, ento colocamos
VERDADEIRO ou o nmero 1.
249
9
Aps pre
eenchido os
o camposs dos argu
umentos da funo DISTRBIN
NOM clicarr
em OK, obten
ndo-se, as
ssim, o va
alor 0,1074
4 que corrresponde a probabilidade de
e
ocorrrer 0 pea
as defeituos
sas na am
mostra.
Em segu
uida, a frm
mula da c
lula E2 de
btendo-se,,
assim
m, as prob
babilidades
s de ocorr
ncia de peas
p
defeituosas em
m amostras
s de n=10,,
extra
adas com reposio
o.
Coloque o cursor na
n clula F
F2 e insira a funo DISTRBINO
D
OM novam
mente com
m
todo
os os argum
mentos an
nteriores a no ser o CUMULA
ATIVO quee deve serr colocado
o
VER
RDADEIRO
O ou 1. A seguir clica
ar em OK.
250
0
Em segu
uida, a frm
mula da c
lula F2 de
btendo-se,,
assim
m, as pro
obabilidade
es acumu
uladas de ocorrncia de peas defeitu
uosas em
m
amo
ostras de n=10, extradas com rreposio.
A3 Distrib
buio de
d Poiss
son
Conssideremoss o seguinte
e problema
a.
Entre
e as 14 e 18 hora
as, o nm
mero mdio
o de cham
madas teleefnicas por
p minuto
o
aten
ndidas pela
a mesa de ligaes d
de uma em
mpresa 5,,5. Calculaar a probab
bilidade de
e
ocorrrncia de chamadas
s telefnica
as em um determinad
d
do minuto.
O d
domnio da
a varivell aleatria
a X, nme
ero de ch
hamadas telefnicas em um
m
dete
erminado minuto,
m
0
x.
Prep
pare uma planilha
p
como mostra
ado na figu
ura a seguir.
251
Para enccontrar as
s probabili dades sim
mples e acumuladass de ocorrrncia de
e
cham
madas tele
efnicas em
e um de
eterminado minuto, devemos
d
passsos:
E2;
Coloque
No men
nu INSERIR
F
252
2
Na categ
goria da funo e
escolha a opo ES
STATSTIC
CA e em nome da
a
fun
o escolh
ha a opo POISSON
N. A seguirr, clique em
m OK.
A funo POISSON
N tem trs argumetos
s:
1. x abreviaturra para nmero de ocorrncias
o
s. Esse o valor da
a
vari
vel aleat
ria para o qual des
sejamos a probabilidade, que
e
simb
bolizamos por x. Insira nesse campo o eendereo relativo
r
da
a
clula que corrresponde ao nmerro 0 (D2). O endere
o relativo
o
dar para sse referir clula co
orrespondeente a me
esma linha
a
mud
da coluna
c
D, q
quando a f
rmula for copiada ppara baixo.
2. Md
dia a mdia . Esse argumento o parm
metro que
e
distingue uma
a distribui
o de Po
oisson de outra. Em vez de
e
erir diretam
mente o nm
mero corre
espondentee mdia coloque o
inse
ende
ereo abssoluto B1. Isso no
os permiti r observ
var outross
valo
ores para a mdia sim
mplesmentte trocandoo o conte
do de B1..
Alm
m disso, quando a frmula for copiaada para baixo, a
referncia c
lula B1 pe
ermanecerr.
3. Cum
mulativo esse argumento
a
vai dete rminar se
e o Excell
forne
ece a prob
babilidade de que a varivel
v
aleeatria seja igual a x
(probabilidade
e simples) ou a pro
obabilidadee de que a varivell
alea
atria seja menor ou
u igual a x (probabbilidade ac
cumulada)..
253
3
Para
a determin
nar a prob
babilidade simples iinserimos a palavra
a
FAL
LSO ou o nmero
o 0 no campo
c
doo argumento. Para
a
dete
erminar a probabilidade ac
cumulada,
ento colocamos
c
s
VER
RDADEIRO
O ou o nm
mero 1
Aps pre
eenchido os
o camposs dos argu
umentos da funo P
POISSON clicar em
m
OK, obtendo-sse, assim, o valor 0,0
0041 que correspond
c
de a probabbilidade de
e ocorrer 0
cham
madas tele
efnicas em
m um deterrminado minuto.
m
Em segu
uida, a frm
mula da c
lula E2 de
btendo-se,,
assim
m, as prob
babilidades
s de ocorr
ncia de nmero
n
de chamadass telefnic
cas em um
m
dete
erminado minuto.
m
254
4
Coloque o cursor na clula F2 e insirra a fun

o POISSO
ON novam
mente com
m
todo
os os argum
mentos an
nteriores a no ser o CUMULA
ATIVO quee deve serr colocado
o
VER
RDADEIRO
O ou 1. A seguir clica
ar em OK.
Em segu
uida, a frm
mula da c
lula F2 de
btendo-se,,
assim
m, as pro
obabilidade
es acumu
uladas de ocorrncia de peas defeitu
uosas em
m
amo
ostras de n=10, extradas com rreposio.
255
5
256
APNDICE B: DEMONSTRAO DO LIMITE DA DISTRIBUIO BINOMIAL
n x
x
lim m
p p 1 p
n
p0
n x
n! n n e n 2n
(frmula de Stirling)
n!
n n e n 2n
nn
n x n x
n x n x
n x ! n x e
2 n x n
1 p
n x
pn x
1
nx
n x
e p n x e np
x
n x x np np
n x
x
m
lim p p 1 p
p e np
x
!
e x! e x!
n
p0
n x
2
lim 1
x
x
2 1
x 2y
x y
1
lim 1
y
y
2y
e2
para n>>x.
257
7
AP
NDICE C:: USANDO
O A HP 50G
G
C1 Variv
veis
As varivveis, na HP
H 50G, s
o similare
es aos arq
quivos em um disco
o rgido de
e
computador. Uma varrivel pod
de armaze
enar um objeto ((valores numricos,
n
,
ores, matrrizes, programas, etcc). As variveis so
o
exprresses algbricas, listas, veto
cham
madas pelos seus nomes,
n
que
e podem ser
s qualqu
uer combinnao de caracteres
c
s
alfab
bticos ou numricos
s, iniciando
o com uma
a letra (latin
na ou gregga).
Para nom
mear as va
arveis vo
oc ter qu
ue digitar a srie dee letras de uma vez,,
que pode ou no ser com
mbinada co
om nmero
os.
Para digitar uma

a letra ma
aiscula ap
perte a teecla
e a letra
a
desejad
da e para m
minscula aperte as teclas
Para diigitar uma srie de caracteres

c
o
voc podee bloquearr o teclado
alfabtiico como ssegue:
bloqu
ueia o te
eclado alffabtico em
e
letrass
maisculas
m
s. Quando
o bloquead
do dessa fo
forma, ao pressionar
p
r
, an
ntes de um
ma tecla de letra, produz minsculas,
m
,
enquanto
e
que ao pressionar a tecla
antes de uma
a
letra,
l
prod uz um carractere esp
pecial. Se o teclado alfabtico
o
j
j est blo
oqueado em
m maiscu
ula e deseeja-se bloque-lo em
m
minsculas
m
s, digite
.
bloque
eia o tecclado alfab
btico em
m
minsculas
m
s. Quando
o bloquea
ado destaa forma, pressionarr
anttes da tecla de letra
a para prooduzir uma
a letra em
m
maiscula.
m
. Para de
esbloquear em minnsculas, pressione
e
.
Para dessbloquear o teclado b
bloqueado para maisculas, preessione
258
8
C2 Criar subdiret
s
trio DF
FUN
Pressione
e
para a
ativar o menu
m
FILES
S. Se o di retrio HO
OME ainda
a
no estiver resssaltado no
o visor, ex..
use as teclas com as se

etas para cima e pa
ara baixo(
segu
uida, presssione a tecla do menu
u
) ppara ressa
alt-lo. Em
m
. O visor se
e apresentaar assim:
mostrando qu
ue apenas
s um sub diretrio existe
e
atualmente nno diretriio HOME,,
SDIR.
CAS
Criiemos
ou
utro
subd
diretrio
chamado
STATS
(estatstic
ca)
onde
e
259
9
arma
azenaremo
os variveis desenvo
olvidas de
e estatstica
a. Para crriar este su
ubdiretrio
o
digite
e primeiro:
(NEW
W). Isto forn
necer o se
eguinte vissor:
Use a tecla para baixo,

b
, uma vez
z para ress
saltar o caampo NAM
ME. Nesse
e
campo inserirr o nome

e novo su
ubdiretrio STATS, como a seguir:
. O curs
sor moverr para o campo _Directory.
_
. Pression
ne a tecla
a
e em seguida a tecla
. Aparec
cer a tela:
indiccando que existe um novo direttrio, STAT

TS, dentro do diretrrio HOME.
Criaremo
os um sub
bdiretrio n
no diretriio STATS. Pressionne
para
a
ativa
ar o menu FILES. Se o diretrrio STATS
S no estiv
ver ressaltaado no vis
sor use ass
260
0
tecla
as com as setas para
a cima e p
para baixo(
presssione a teccla do men
nu
) para resssalt-lo. Em
m seguida,,
. O visor se apresenttar assim

m:
Para cria
ar o subdire
etrio DFU
UN (funes discretas
s) digite prrimeiro:
(NEW
W). Isto forrnecer o seguinte
s
vvisor:
Use a tecla para baixo,

b
, uma vez
z para ress
saltar o caampo NAM
ME. Nesse
e
campo inserir o nome no

ovo subdire
etrio DFU
UN, como a seguir:
. O curso
or mover para o ca
ampo _Dire
ectory. Pre
essione a tecla
segu
uida a tecla
a
e em
m
261
C3 Distrib
buies de variivel ale
eatria discreta
a
Aperte a tecla
e em se
eguida as teclas
. O subdiret
rio DFUN
N
seja mostrado na segund

da linha do
o cabealho do visor, como moostrado a seguir:
Escolher o modo ALG.

A
A se
eguir use
para deefinir as fu
unes de
e
prob
babilidade (fp)
( e de distribuio
o (fd).
1 Fun
1.
o de pro
obabilidad
de da hip
pergeomttrica (fph) insira a
seguintte sequnccia de tecla
as:
FINE()
DEF
fph(N,D,n,x)
=
COM
MB(n,x)
*
COM
MB((N-D),((n-x))
262
2
/
COM
MB(N,n)
2 Funo
2.
o de dis
stribuio da hipe
ergeomtrrica (fdh) insira a
seguintte sequnccia de tecla
as:
DEF
FINE()
fdh(N,D,n,x)
=
(k=
=0,x,fph(N ,D,k))
3 Funo
3.
o de prob
babilidade
e da bino
omial (fpbb) insira a seguinte
e
sequn
ncia de tec las:
TECLA
AS
RES
SULTADO NO VISOR
263
3
DEF
FINE()
fpb((n,p,x)
=
COM
MB(n,x)
*
p^x
*
(1-p
p)^(n-x)
4. Funo
4
o de disttribuio da binomial (fdb)) insira a seguinte
e
sequn
ncia de tec las:
DEF
FINE()
fdb(n,p,x)
=
(k=
=0,x,fpb(n,,p,k))
264
4
5 Funo
5.
o de pro babilidade
e da Pois
sson (fppp) insira a seguinte
e
sequn
ncia de tec las:
DEF
FINE()
fpp((,x)
=
EXP
P(-)
*
^x
/
x!
6 Funo
6.
o de dis
stribuio da Poisson (fdp)) insira a seguinte
e
sequn
ncia de tec las:
265
5
DEF
FINE()
fdp(,x)
=
(k=
=0,x,fpp(,,k))
Aps terr introduzid

do essas funes aparecer
a
na parte inferior do
o visor ass
funes:
Exemplo de aplica
o:
ria discre
eta X seegue a distribuio
d
o
Considerre que uma varivvel aleat
hipergeomtricca com N=
=50, D=15, n=10. Callcular as se
eguintes p robabilidad
des:
a)
b)
P
P(X=2)=0,2
240576
4
0,215689

Estatista e Probabilidade - Aeronáutica

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Estatista e Probabilidade - Aeronáutica

Hochgeladen von

Copyright:

Verfügbare Formate

ES

Proff. Dr. JOO M

Edioo: 2015, 1 Semestre

Natureza da Estatstica ................................................................................................ 11

Estatstica e a Vida Diria ........................................................................................... 20

Algarismos Significativos ............................................................................................. 23

Grafia dos nmeros .................................................................................................. 23

Algarismos significativos ......................................................................................... 24

Operaes com algarismos significativos ................................................................ 25

APNDICE A: USANDO O EXCEL ............................................................. 27

Nomes das partes da interface ..................................................................................... 27

Para Inserir a Macro "FERRAMENTAS DE ANLISE"....................................... 28

APNDICE B: USANDO HP 50G ................................................................ 30

Comandos Bsicos ........................................................................................................ 32

Configurar a data e a hora........................................................................................... 34

Colocar a data e a hora na tela da HP 50g ................................................................. 35

Formas de Entrada de Dados ...................................................................................... 36

Selecionar os Menus SOFT ou CHOOSE BOXES .................................................... 38

Configurando a HP 50G .............................................................................................. 39

Configuraes CAS ...................................................................................................... 41

Introduo ...........................................................................Erro! Indicador no definido.

Conceitos Fundamentais .............................................................................................. 43

Populaes e Questes ............................................................................................. 43

Sorteio Aleatrio ........................................................................................................... 47

A Urna Ideal ............................................................................................................. 47

Tabela de Nmeros Aleatrios ................................................................................. 48

Amostragem Aleatria Simples................................................................................ 50

Amostragem Estratificada ........................................................................................ 55

Amostragem por Conglomerado .............................................................................. 58

Amostragem Sistemtica .......................................................................................... 59

APNDICE A: SOMATRIO ....................................................................... 68

Gerao de nmeros aleatrios ................................................................................... 72

APNDICE C: USANDO HP 50G ................................................................ 76

Gerador de nmeros aleatrios ................................................................................... 76

RESUMO E APRESENTAO DE DADOS ............................... 78

Pequenos conjuntos de dados numricos. ................................................................... 79

Ordenao e estatsticas de ordem............................................................................ 79

Medidas de Posio ou de Tendncia Central .......................................................... 80

Mdia Aritmtica .............................................................................................. 80

Mdia Ponderada .............................................................................................. 80

Mdia Geomtrica ............................................................................................ 82

Mdia Harmnica ............................................................................................. 84

Comparao entre a Mdia Aritmtica e a Mediana......................................... 88

Ponto Mdio ..................................................................................................... 89

Medidas de Disperso ou de Variabilidade .............................................................. 95

Varincia e Desvio Padro ............................................................................... 96

Coeficiente de Variao ................................................................................... 98

Apresentao de dados por meio de grficos ........................................................... 99

Diagrama de pontos .......................................................................................... 99

Diagrama de ramo e folhas ............................................................................. 100

Organizao, apresentao e resumo de grandes conjuntos de dados numricos. 102

Distribuio de frequncia .............................................................................. 102

Histograma ..................................................................................................... 108

Polgono de frequncia ................................................................................... 109

Ogiva .............................................................................................................. 109

Medidas de Tendncia Central Para Dados Grupados em Classes ......................... 110

Mdia .............................................................................................................. 110

Percentil .......................................................................................................... 111

Relao entre as trs medidas de posio (mdia, mediana e moda) moda de

Varincia ........................................................................................................ 116

APNDICE A: USANDO O EXCEL ........................................................... 127

Resumo estatstico ...................................................................................................... 139

Inserir dados ............................................................................................................... 139