You are on page 1of 71

Universidade Estcio de S

Disciplina: Probabilidade e Estatstica


Marcelo Abraho de Mattos

Universidade Estcio de S

Apostila de Noes de Estatstica

Marcelo Abraho de Mattos

2010

1
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

NOES DE ESTATSTICA ................................................................................. 4


1. ESTATSTICA ........................................................................................................................ 4
1.1. CONCEITO ..................................................................................................................... 4
1.2. DIVISO DA ESTATSTICA ........................................................................................... 4
1.3. POPULAO ................................................................................................................. 4
1.4. AMOSTRAGEM .............................................................................................................. 5
1.5. AMOSTRA ...................................................................................................................... 6
1.6. CENSO ........................................................................................................................... 6
1.7. FENMENOS ESTATSTICOS ..................................................................................... 6
1.8. CARACTERSTICAS ...................................................................................................... 7
2. FASES DO TRABALHO ESTATSTICO ............................................................................... 9
2.1. DEFINIO DO PROBLEMA ........................................................................................ 9
2.2. DEFINIO DOS OBJETIVOS (GERAL E ESPECFICO) ............................................ 9
2.3. PLANEJAMENTO......................................................................................................... 10
2.4. COLETA DOS DADOS................................................................................................. 10
2.5. CRTICA DOS DADOS................................................................................................. 12
2.6. APURAO (ARMAZENAMENTO) DOS DADOS ...................................................... 12
2.7. EXPOSIO OU APRESENTAO DOS DADOS .................................................... 12
2.8. ANLISE E INTERPRETAO DOS DADOS ............................................................ 13
3. NORMAS PARA APRESENTAO TABULAR DOS DADOS ......................................... 13
3.1. INTRODUO ............................................................................................................. 13
3.2. SRIES ESTATSTICAS .............................................................................................. 13
Feijo ....................................................................................................................................... 16
4. REPRESENTAO GRFICA ........................................................................................... 17
4.1. INTRODUO ............................................................................................................. 17
4.2. REQUISITOS FUNDAMENTAIS EM UM GRFICO: .................................................. 17
4.3. GRFICOS QUANTO A FORMA: ................................................................................ 17
5. PRINCIPAIS TIPOS DE GRFICOS ................................................................................... 18
5.1. GRFICOS EM CURVAS OU EM LINHAS ................................................................. 18
5.2. GRFICOS EM COLUNAS .......................................................................................... 19
5.3. GRFICOS EM BARRAS............................................................................................. 20
5.4. GRFICO EM COLUNAS MLTIPLAS (AGRUPADAS) ............................................. 22
5.5. GRFICO EM BARRAS MLTIPLAS (AGRUPADAS) ................................................ 23
5.6. GRFICO EM SETORES............................................................................................. 24
6. DISTRIBUIO DE FREQNCIAS .................................................................................. 25
6.1. INTRODUO ............................................................................................................. 25
6.2. DISTRIBUIO DE FREQNCIA PARA DADOS AGRUPADOS ............................ 25
6.3. REPRESENTAO DOS DADOS (AMOSTRAIS OU POPULACIONAIS) ................. 26
7. ELEMENTOS DE UMA DISTRIBUIO DE FREQNCIA .............................................. 28
7.1. DETERMINAO DO NMERO DE CLASSES (K) ................................................... 28
8. TIPOS DE FREQNCIAS ................................................................................................. 30
9. DISTRIBUIES CUMULATIVAS ...................................................................................... 31
9.1. Freqncia absoluta acumulada (Fac) ......................................................................... 31
9.2. Freqncia relativa acumulada (Frac) .......................................................................... 31
10. HISTOGRAMA E POLGONO DE FREQUNCIAS ........................................................ 32
10.1. HISTOGRAMAS ....................................................................................................... 32
10.2. POLGONO DE FREQUNCIAS ............................................................................. 33
11. MEDIDAS DE POSIAO (MEDIDAS DE TENDNCIA CENTRAL) ............................... 33
11.1. Mdia aritmtica ....................................................................................................... 34
(Dados sem classes): Determinar a mdia aritmtica da Tabela 5.4 .................................... 35
(Dados com classes): Determinar a mdia aritmtica da Tabela 5.7 .................................... 35
11.2. Moda (Mo) ................................................................................................................ 37
11.3. Mediana (Md) ........................................................................................................... 40
11.4. Quartis (medidas separatrizes) ................................................................................ 42
11.5. Decis: dividem a srie em 10 partes iguais .............................................................. 43
12. Medidas de disperso (Medidas de variabilidade) ...................................................... 44
12.1. Tipos de medidas de disperso ............................................................................... 44

2
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

PRINCPIO FUNDAMENTAL DA CONTAGEM................................................... 47


13. Permutaes ................................................................................................................... 49
14. Arranjos ........................................................................................................................... 52
15. Combinao .................................................................................................................... 52
16. Permutaes com elementos repetidos ...................................................................... 52
INTRODUO PROBABILIDADE ................................................................... 54
17. Experimentos probabilsticos ....................................................................................... 54
18. Espao Amostral ............................................................................................................ 55
19. Retirada com e sem reposio ..................................................................................... 56
20. Evento .............................................................................................................................. 56
21. Evento impossvel .......................................................................................................... 56
22. Evento Elementar ........................................................................................................... 56
23. Evento certo .................................................................................................................... 56
24. Combinao de Eventos ................................................................................................ 56
25. Probabilidade de um Evento Elementar ...................................................................... 57
PROBABILIDADE ............................................................................................... 58
26. Conceito .......................................................................................................................... 58
27. Probabilidade da Unio de Eventos (regra da adio) ............................................... 59
28. Probabilidade de No Ocorrer um Evento ................................................................... 60
29. Produto de Probabilidades (regra da multiplicao) .................................................. 61
30. Varivel Aleatria ........................................................................................................... 61
31. Valor esperado de uma varivel aleatria ................................................................... 62
32. Distribuio de probabilidade ....................................................................................... 63
33. Resumo das principais frmulas das probabilidades. ............................................... 65
DISTRIBUIES DISCRETAS............................................................................ 66
34. Distribuio Binomial .................................................................................................... 66
34.1. Clculo das probabilidades ...................................................................................... 66
34.2. Esperana matemtica ............................................................................................. 66
34.3. Varincia ................................................................................................................... 66
34.4. Desvio padro .......................................................................................................... 67
35. Distribuio de Bernoulli ............................................................................................... 67
35.1. Clculo das probabilidades ...................................................................................... 67
35.2. Esperana matemtica ............................................................................................. 67
35.3. Varincia ................................................................................................................... 67
35.4. Desvio padro .......................................................................................................... 67
36. Distribuio de Poisson ................................................................................................ 67
36.1. Clculo das probabilidades ...................................................................................... 68
36.2. Esperana matemtica ............................................................................................. 68
36.3. Varincia ................................................................................................................... 68
36.4. Desvio padro .......................................................................................................... 68
37. Distribuio Hipergeomtrica ....................................................................................... 68
37.1. Clculo das probabilidades ...................................................................................... 69
37.2. Esperana matemtica ............................................................................................. 69
37.3. Varincia ................................................................................................................... 69
37.4. Desvio padro .......................................................................................................... 69
38. Aproximao da Binomial por Poisson ....................................................................... 69
DISTRIBUIO CONTNUA................................................................................ 69
39. Distribuio Normal ....................................................................................................... 69
40. Aproximao da Binomial pela Normal........................................................................ 71

3
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

NOES DE ESTATSTICA
1. ESTATSTICA

1.1. CONCEITO

a cincia que se preocupa com a coleta, a organizao, descrio


(apresentao), anlise e interpretao de dados experimentais e tem como objetivo
fundamental o estudo de uma populao.

Este estudo pode ser feito de duas maneiras:

Investigando todos os elementos da populao.


Por amostragem, ou seja, selecionando alguns elementos da populao.

1.2. DIVISO DA ESTATSTICA

- Estatstica Descritiva: aquela que se preocupa com a coleta,


organizao, classificao, apresentao, interpretao e analise de dados
referentes ao fenmeno atravs de grficos e tabelas alm de calcular medidas
que permita descrever o fenmeno.

- Estatstica Indutiva (Amostral ou Inferencial): a aquela que partindo


de uma amostra, estabelece hipteses, tira concluses sobre a populao de
origem e que formula previses fundamentando-se na teoria das probabilidades.
A estatstica indutiva cuida da anlise e interpretao dos dados.

O processo de generalizao do mtodo indutivo est associado a uma


margem de incerteza. Isto se deve ao fato de que a concluso que se pretende
obter para o conjunto de todos os indivduos analisados quanto a determinadas
caractersticas comuns baseia-se em uma parcela do total de observaes.

1.3. POPULAO

CONCEITO: o conjunto, finito ou infinito, de indivduos ou objetos que


apresentam em comum determinadas caractersticas definidas, cujo
comportamento interessa analisar.

A populao estudada em termos de observaes de caractersticas nos


indivduos (animados ou inanimados) que sejam relevantes para o estudo, e no
em termos de pessoas ou objetos em si. O objetivo tirar concluses sobre o
fenmeno em estudo, a partir dos dados observados.

Como em qualquer estudo estatstico temos em mente estudar uma ou


mais caractersticas dos elementos de uma populao, importante definir bem
essas caractersticas de interesse para que sejam delimitados os elementos que
pertencem populao e quais os que no pertencem.

Exemplos:

4
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

a) Estudar os filhos tidos, tipo de moradia, condies de trabalho, tipo de


sanitrio, nmeros de quartos para dormir, estado civil, uso da terra, tempo de
trabalho, local de nascimento, tipo de cultivo etc, dos agricultores do Estado do
Par.

Populao: Todos os agricultores (proprietrios de terra ou no)


plantadores das culturas existentes no Estado do Par.

b) Estudar a precipitao pluviomtrica anual (em mm) na cidade de


Belm.

Populao: Conjunto das informaes coletadas pela Estao


Pluviomtrica, durante o ano.

c) As alturas dos cidados do Par constituem uma populao ou a


populao dos pesos desses cidados.

Diviso da populao

- Populao Finita: apresenta um nmero limitado de elementos.


possvel enumerar todos os elementos componentes.

Exemplo:

a) Idade dos universitrios do Estado do Par.

Populao: Todos os universitrios do Estado do Par.

- Populao Infinita: apresenta um nmero ilimitado de elementos. No


possvel enumerar todos os elementos componentes. Entretanto, tal definio
existe apenas no campo terico, uma vez que, na prtica, nunca encontraremos
populaes com infinitos elementos, mas sim, populaes com grande nmero de
componentes; e nessas circunstncias, tais populaes so tratadas como se
fossem infinitas.

Exemplos:

a) Tipos de bactrias no corpo humano

Populao: Todas as bactrias existentes no corpo humano.

b) Comportamento das formigas de certa rea

Populao: Todas as formigas da rea em estudo.

1.4. AMOSTRAGEM

a coleta das informaes de parte da populao, chamada amostra


(representada por pela letra n), mediante mtodos adequados de seleo destas
unidades.

5
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

1.5. AMOSTRA

uma parte (um subconjunto finito) representativa de uma populao


selecionada segundo mtodos adequados.

O objetivo fazer inferncias, tirar concluses sobre populaes com


base nos resultados da amostra, para isso necessrio garantir que a amostra
seja representativa, ou seja, a amostra deve conter as mesmas caractersticas
bsicas da populao, no que diz respeito ao fenmeno que desejamos
pesquisar.

O termo induo um processo de raciocnio em que, partindo-se do


conhecimento de uma parte, procura-se tirar concluses sobre a realidade no
todo.

Ao induzirmos estamos sujeitos a erros. Entretanto, a Estatstica Indutiva,


que obtm resultados sobre populaes a partir das amostras, diz qual a preciso
dos resultados e com que probabilidade se pode confiar nas concluses obtidas.

1.6. CENSO

o exame completo de toda populao.

Quanto maior a amostra, mais precisa e confivel devero ser as indues


feitas sobre a populao. Logo, os resultados mais perfeitos so obtidos pelo
Censo. Na prtica, esta concluso muitas vezes no acontece, pois o emprego de
amostras com certo rigor tcnico, pode levar a resultados mais confiveis ou at
mesmo melhores do que os que seriam obtidos atravs de um Censo.

As razes de se recorrer a amostras so: menor custo e tempo para


levantar dados; melhor investigao dos elementos observados.

1.7. FENMENOS ESTATSTICOS

Refere-se a qualquer evento que se pretende analisar cujo estudo seja


possvel de aplicao de tcnicas da estatstica.

A Estatstica dedica-se ao estudo dos fenmenos de massa, que so


resultantes do concurso de um grande nmero de causas, total ou parcialmente
desconhecida.

Tipos de fenmenos:

a) Fenmenos Coletivos ou de Massa

No podem ser definidos por uma simples observao.

Exemplos: a natalidade, a mortalidade, a nupcialidade, a idade mdia dos


agricultores do Estado do Par, o sexo dos agricultores.

b) Fenmenos Individuais

Compem os fenmenos coletivos.


6
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

Exemplos: cada nascimento, cada pessoa que morre, cada agricultor


investigado.

1.8. CARACTERSTICAS

preciso definir qual(is) a(s) caracterstica(s) de interesse que ser(o)


analisada(s). A caracterstica de interesse pode ser de natureza qualitativa ou
quantitativa.

1.8.1. ATRIBUTOS: so todas as caractersticas de uma populao que


no podem ser medidas.

Os indivduos ou objetos so colocados em categorias ou tipos e conta-se


a freqncia com que ocorrem.

Exemplos: sexo (masculino e feminino); estado civil (solteiro, casado,


vivo, etc.); tipo de moradia (madeira, tijolo), situao do aluno (aprovado,
reprovado), religio.

CLASSIFICAO DOS ATRIBUTOS

a) Dicotomia: quando a classe em que o atributo considerado


admite apenas duas categorias.

Exemplos: Sexo (masc. e fem.); Existncia ou ausncia de certo produto


agrcola (existncia, ausncia), resposta a uma pergunta: (concorda, no
concorda), (sim, no).

b) Policotomia: quando a classe em que o atributo considerado


admite mais de duas categorias.

Exemplos: Estado civil (solteiro, casado, vivo), classe social (alta, mdia
ou baixa).

1.8.2. VARIVEL: o conjunto de resultados possveis de um fenmeno


(ou observao, ou caracterstica).

Para os fenmenos:

- sexo - dois resultados possveis: masculino e feminino; (no pode ser


medida: um atributo)
- nmero de filhos tidos de um grupo de casais - resultados possveis: 0, 1,
2, 3, 4, 5, ..., n;
- peso de pessoas adultas - resultados possveis: 60 kg, 59,3 kg, 75,3 kg,
65,3 kg, ...; pode tomar um infinito nmero de valores num certo intervalo.

TIPOS DE VARIVEIS

a) Varivel Qualitativa: quando seus valores so expressos por


atributos ou qualidade.

Exemplos:

7
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

Populao: Estudantes universitrios do Estado do Par.

Variveis: sexo, profisso, escolaridade, religio, meio onde vivem (rural,


urbano).

Populao: Populao dos bairros perifricos do municpio de


Belm.

Variveis: tipo de casa, existncia de gua encanada (sim, no), bairro de


origem.

Variveis qualitativas que no so ordenveis recebem o nome de


nominais.

Exemplo: religio, sexo, raa, cor.

Raa dos Paraenses - 2001


Raa Freqncia
Branca
Negra
Parda
Outra
Total
Fonte: Fictcia

Variveis qualitativas que so ordenveis recebem o nome de ordinais.

Exemplo: nvel de instruo, classe social.

Classe social dos Paraenses - 2001


Classe social Freqncia
Classe A
Classe B
Classe C
Classe D
Total
Fonte: Fictcia

b) Varivel Quantitativa: quando seus valores so expressos por


nmeros. Esses nmeros podem ser obtidos por um processo
de contagem ou medio.

Exemplos:

Populao: Todos os agricultores do Estado do Par.

Variveis: nmero de filhos tidos, extenso da rea plantada, altura, idade.

Populao: Populao dos bairros perifricos do municpio de


Belm.

Variveis: nmero de quartos, rea da casa em m2, nmero de moradores


da casa.

8
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

A varivel quantitativa divide-se em:

a) Varivel Discreta: so aquelas que podem assumir apenas


valores inteiros em pontos da reta real. possvel enumerar
todos os possveis valores da varivel.
Exemplos:

Populao: Universitrios do Estado do Par.


Variveis: nmero de filhos, nmero de quartos da casa, nmero de
moradores, nmero de irmos.

b) Varivel Contnua: so aquelas que podem assumir qualquer


valor num certo intervalo (contnuo) da reta real. No possvel
enumerar todos os possveis valores. Essas variveis,
geralmente, provm de medies.

Populao: Todos os agricultores do Estado do Par.

Variveis: idade, renda familiar, extenso da rea plantada (em m2) , peso
e altura das crianas agricultoras.

2. FASES DO TRABALHO ESTATSTICO

2.1. DEFINIO DO PROBLEMA

A primeira fase do trabalho estatstico consiste em uma definio ou


formulao correta do problema a ser estudado e a seguir escolher a natureza dos
dados. Alm de considerar detidamente o problema objeto de estudo o analista
dever examinar outros levantamentos realizados no mesmo campo e anlogos, uma
vez que parte da informao de que necessita pode, muitas vezes, ser encontrada
nesses ltimos. Saber exatamente aquilo que pretende pesquisar o mesmo que
definir de maneira correta o problema.

Por exemplo:

a) os preos dos produtos agrcolas produzidos no Estado do Par


so menores do que aqueles originados de outros Estados?
b) qual a natureza e o grau de relao que existe entre a distribuio
da pluviosidade e a colheita do produto x?
c) estudar uma populao por sexo: dividi-se os dois grupos em
masculino e feminino;

2.2. DEFINIO DOS OBJETIVOS (GERAL E ESPECFICO)

definir com exatido o que ser pesquisado.

recomendvel ter em vista um objetivo para o estudo, em lugar de coletar o


material e defini-lo no decorrer do trabalho ou s no fim deste.

OBJETIVOS MAIS COMUNS EM UMA PESQUISA:

9
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

Dados pessoais: grau de instruo, religio, nacionalidade, dados


profissionais, familiares, econmicos, etc.

Dados sobre comportamento: como se comportam segundo


certas circunstncias. Ex: possvel remanejamento da rea
habitada.

Opinies, expectativas, nveis de informao, angstias,


esperanas, aspiraes sobre certos assuntos.

Dados sobre as condies habitacionais e de saneamento que


avalie as condies em que vivem e a qualidade de vida de certo
grupo.

2.3. PLANEJAMENTO

O problema est definido. Como resolv-lo? Se atravs de amostra, esta


deve ser significativa para que represente a populao.

O planejamento consiste em se determinar o procedimento necessrio


para resolver o problema e, em especial, como levantar informaes sobre o
assunto objeto de estudo. Quais dados devero ser coletados? Como se deve
obt-los? preciso planejar o trabalho a ser realizado tendo em vista o objetivo
que se pretende atingir.

nesta fase que ser escolhido o tipo de levantamento a ser utilizado, que
podem ser:

a) levantamento censitrio, quando a contagem for completa, abrangendo


todo o universo;

b) levantamento por amostragem, quando a contagem for parcial.

Outros elementos importantes que devem ser tratados nessa fase so o


cronograma das atividades, atravs do qual so fixados os prazos para as vrias
fases, os custos envolvidos, o exame das informaes disponveis, o
delineamento da amostra, a forma como sero coletados os dados, os setores ou
reas de investigao, o grau de preciso exigido e outros.

2.4. COLETA DOS DADOS

Refere-se obteno, reunio e registro sistemtico de dados, com o


objetivo determinado.

A escolha da fonte de obteno dos dados est diretamente relacionada


ao tipo do problema, objetivos do trabalho, escala de atuao e disponibilidade de
tempo e recursos.

a) Fontes primrias: o levantamento direto no campo atravs de


mensuraes diretas ou de entrevistas ou questionrios aplicados a sujeitos de
interesse para a pesquisa.

Vantagens: grau de detalhamento com respeito ao interesse dos quesitos


levantados; maior preciso das informaes obtidas.
10
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

b) Fontes secundrias: quando so publicados ou registrados por outra


organizao.

A coleta de dados secundrios se realiza atravs de documentos


cartogrficos (mapas, cartas, imagens e fotografias obtidas por sensoriamento
remoto ou por fotogrametria e imagens de radar). Estas fontes de informao so
de extrema importncia.

Das fotografias areas em escalas reduzidas ou mais detalhadas, das


imagens de radar ou satlite e de cartas obtm-se informaes quanto ao uso do
solo, drenagem, estruturas virias e urbanas, povoamento rural, recursos
florsticos, minerais e pedolgicos, estrutura fundiria e de servios, dados
altimtricos, etc.

Vantagens: inclui um processo de reduo e agregao de informaes.

A coleta dos dados pode ser feita de forma direta ou indireta.

COLETA DIRETA

A coleta dita direta quando so obtidos diretamente da fonte primria,


como os levantamentos de campo atravs de questionrios.

H trs tipos de coleta direta:

a) a coleta contnua quando os dados so obtidos ininterruptamente,


automaticamente e na vigncia de um determinado perodo: um ano, por exemplo.
o caso dos registros de casamentos, bitos e nascimentos, escrita comercial, as
construes civis.

b) a coleta dos dados peridica quando feita em intervalos constantes de


tempo, como o recenseamento demogrfico a cada dez anos e o censo industrial,
anualmente.

c) a coleta dos dados ocasional quando os dados forem colhidos


esporadicamente, atendendo a uma conjuntura qualquer ou a uma emergncia,
como por exemplo, um surto epidmico.

COLETA INDIRETA

A coleta dita indireta quando inferida a partir dos elementos


conseguidos pela coleta direta, ou atravs do conhecimento de outros fenmenos
que, de algum modo, estejam relacionados com o fenmeno em questo.

Um instrumento por meio do qual se faz a coleta das unidades estatsticas


o questionrio. Deve ficar bem claro no questionrio que ele organizado de
acordo com dispositivos legais, que h sanses e que o sigilo sobre as
informaes individuais ser absoluto.

aconselhvel que um pequeno percentual dos exemplares do


questionrio seja tirado e aplicado a uma parcela de informantes, a fim de testar a
aceitao do mesmo, constituindo tal iniciativa, a pesquisa piloto. A boa aceitao

11
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

dos questionrios determinar a tiragem completa dos exemplares ou a sua


alterao.

2.5. CRTICA DOS DADOS

A crtica dos dados deve ser feita com cuidado atravs de um trabalho de
reviso e correo, ao qual chamamos de crtica (consistncia), a fim de no de
incorrer em erros que possam afetar de maneira sensvel os resultados.

As perguntas dos questionrios uniformemente mal compreendidas, os


enganos evidentes, tais como somas erradas, omisses, trocas de respostas e etc,
so fceis de corrigir. necessrio, entretanto, que o crtico no faa a correo pr
simples suposio sua, mas sim que tenha chegado a concluso absoluta do engano.

As informaes relativas profisso no devem ser vagas como, pr exemplo:


operrio, mas sim, oleiro, pedreiro, carpinteiro, etc., conforme o caso.

O estado civil ser declarado: solteiro, casado, vivo ou desquitado.

Em resumo, os dados devem sofrer uma crtica criteriosa com o objetivo de


afastar os erros to comuns nessa natureza de trabalho. As informaes inexatas ou
omissas devem ser corrigidas. Os questionrios devem voltar a fonte de origem
sempre que se fizerem necessrio sua correo ou complementao.

2.6. APURAO (ARMAZENAMENTO) DOS DADOS

um processo de apurao ou sumarizao que consiste em resumir os


dados atravs de sua contagem ou agrupamento. um trabalho de condensao e
de tabulao dos dados, que chegam ao analista de forma desorganizada.

Atravs da apurao, tem-se a oportunidade de condensar os dados, de modo


a obter um conjunto compacto de nmeros, o qual possibilita distinguir melhor o
comportamento do fenmeno na sua totalidade.

Os dados de fenmenos geogrficos podem ser organizados em mapas,


tabelas, matrizes, disquetes ou fitas.

2.7. EXPOSIO OU APRESENTAO DOS DADOS

H duas formas de apresentao que no se excluem mutuamente:

Apresentao Tabular

uma apresentao numrica dos dados. Consiste em dispor os dados em


linhas e colunas distribudos de modo ordenado, segundo algumas regras prticas
adotadas pelo Conselho Nacional de Estatstica. As tabelas tm a vantagem de
conseguir expor, sistematicamente em um s local, os resultados sobre determinado
assunto, de modo a se obter uma viso global mais rpida daquilo que se pretende
analisar.

Apresentao Grfica

Constitui uma apresentao geomtrica dos dados. Permite ao analista obter


uma viso to rpida, fcil e clara do fenmeno e sua variao.
12
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

2.8. ANLISE E INTERPRETAO DOS DADOS

Nessa etapa, o interesse maior consiste em tirar concluses que auxiliem o


pesquisador a resolver seu problema. A anlise dos dados estatsticos est ligada
essencialmente ao clculo de medidas, cuja finalidade principal descrever o
fenmeno. Assim, o conjunto de dados a ser analisado pode ser expresso pr
nmero-resumo, as estatsticas, que evidenciam caractersticas particulares desse
conjunto.

3. NORMAS PARA APRESENTAO TABULAR DOS DADOS

3.1. INTRODUO

A apresentao tabular uma apresentao numrica dos dados. Consiste


em dispor os dados em linhas e colunas distribudos de modo ordenado, segundo
algumas regras prticas ditadas pelo Conselho /nacional de Estatstica e pelo IBGE.
Tais regras acham-se publicadas e dispem sobre os elementos essenciais e
complementares da tabela, a especificao dos dados e dos sinais convencionais, o
procedimento correto a ser desenvolvido no preenchimento da tabela e outros
dispositivos importantes.

As tabelas tm a vantagem de conseguir expor, sinteticamente e em um s


local, os resultados sobre determinado assunto, de modo a se obter uma viso global
mais rpida daquilo que se pretende analisar.

Reunindo, pois os valores em tabelas compactas, consegue-se apresent-los


e descrever-lhes a variao mais eficientemente. Essa condensao de valores
permite ainda a utilizao de representao grfica, que normalmente uma forma
mais til e elegante de apresentao da caracterstica analisada.

3.2. SRIES ESTATSTICAS

Um dos objetivos da Estatstica sintetizar os valores que uma ou mais


variveis podem assumir, para que se tenha uma viso global dessa ou dessas
variveis. Isto possvel apresentando esses valores em tabelas e grficos que
fornecero rpidas e seguras informaes a respeito das variveis em estudo,
permitindo determinaes mais coerentes.

TABELA um quadro que resume um conjunto de observaes.

Como construir uma tabela que fornea informaes de forma precisa e


correta:

1 passo: Comear pelo ttulo, que explica o contedo da tabela.

2 passo: Fazer o corpo da tabela, composto pelos nmeros e informaes


que ela contm. formada por linhas e colunas.

Para compor o corpo da tabela, necessrio:

O cabealho, que indica o que a coluna contm. Deve estar entre


traos horizontais, para melhor visualizao.
13
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

A coluna indicadora, que diz o que a linha contm.

3 passo: Escrever o total (as tabelas podem apresentar um total ou no).


Aparece entre traos horizontais.

4 passo: Coloque a fonte. Deve entrar no rodap, sendo obrigatria.

Uma tabela compe-se de:

Tabela 3.1
Produo de Caf
Brasil - 1978-1983
Quantidade
Anos
(1000 ton)
(1)
1978 2535
1979 2666
1980 2122
1981 3760
1982 2007
1983 2500
Fonte: Fictcia
Nota: Produo destinada para o consumo interno.
(1) Parte exportada para a Argentina.

Rodap: fonte, chamadas e notas.

Notas: usada para conceituao ou esclarecimento em geral.

Chamadas: usada para esclarecer certas mincias em relao a


casas, linhas e colunas.

De acordo com a Resoluo 886 da Fundao IBGE, nas casas ou clulas,


devemos colocar:

Um trao horizontal (___) quando o valor zero, no s quanto a


natureza das coisas, como quanto ao resultado do inqurito;

Trs pontos (...) quando no temos os dados;

Um ponto de interrogao (?) quando temos dvida quanto a exatido


de determinado valor;

Zero (0) quando o valor muito pequeno para ser expresso pela
unidade utilizada. Se os valores so expressos em numerais decimais,
precisamos acrescentar a parte decimal um nmero correspondente de
zeros (0,0; 0,00; 0,00;...).

Denomina-se SRIE ESTATSTICA toda tabela que apresenta a distribuio


de um conjunto de dados estatsticos em funo da POCA, do LOCAL, ou da
ESPCIE (fenmeno).

14
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

Numa srie estatstica observa-se a existncia de trs elementos ou fatores: o


TEMPO, o ESPAO e a ESPCIE.

Conforme varie um desses elementos, a srie estatstica classifica-se em


TEMPORAL, GEOGRFICA e ESPECFICA.

3.2.1. SRIE TEMPORAL, HISTRICA OU CRONOLGICA.

a srie cujos dados esto em correspondncia com o tempo, ou seja, variam


com o tempo.

Tabela 3.2
Produo Brasileira de Trigo
1988-1993
Quantidade
Anos
(1000 ton)
(1)
1988 2345
1989 2451
1990 2501
1991 2204
1992 2306
1993 2560
Fonte: IBGE
Nota: Produo voltada para o consumo interno.
(1) Parte da produo exportada.

Elemento varivel: tempo (fator cronolgico)

Elemento fixo: local e o fato

3.2.2. SRIE GEOGRFICA, TERRITORIAL OU DE LOCALIDADE.

a srie cujos dados esto em correspondncia com a regio geogrfica, ou


seja, o elemento varivel o fator geogrfico (a regio).

Tabela 3.3
Produo Brasileira de Trigo, por Unidade da Federao - 1994.
Quantidade
Unidades da Federao
(1000 ton)
So Paulo 670
Santa Catarina 451
Paran 550
Gois 420
Rio de Janeiro 306
Rio Grande do Sul 560
Fonte: Fictcia

Elemento varivel: localidade (fator geogrfico)

Elemento fixo: tempo e o fato

3.2.3. SRIE ESPECFICA OU CATEGRICA

15
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

a srie cujos dados esto em correspondncia com a espcie, ou seja,


variam com o fenmeno.

Tabela 3.4
Rebanhos Brasileiros
Quantidade
Espcie
(1000 cabeas)
Bovinos 140 000
Sunos 1 181
Bubalinos 5 491
Coelhos 11 200
Fonte: IBGE

Elemento varivel: fenmeno (espcie)

Elemento fixo: local e o tempo

3.2.4. SRIES MISTAS

As combinaes entre as sries anteriores constituem novas sries que so


denominadas sries compostas ou mistas e so apresentadas em tabelas de dupla
entrada.

Tabela 3.5
Exportao Brasileira de alguns produtos agrcolas - 1990 - 1992
Quantidade
Produto
(1000 ton)
1990 1991 1992
Feijo 5600 6200 7300
Arroz 8600 9600 10210
Soja 4000 5000 6000
Fonte: Ministrio da Agricultura
Nota: Produtos mais exportados no perodo.

Este exemplo se constitui numa Srie Temporal-Especfica

Elemento varivel: tempo e a espcie

Elemento fixo: local

Obs: uma tabela nem sempre representa uma srie estatstica, pode ser um
aglomerado de informaes teis sobre certo assunto.

16
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

Tabela 3.6
Situao dos espetculos cinematogrficos no Brasil - 1967
Especificao Quantidade
Nmero de cinemas 2.488
Lotao dos cinemas 1.722.348
Sesses pr dia 3.933
Filme de longa metragem 131.330.488
Meia entrada 89.581.234
Fonte: Anurio Estatstico do Brasil - IBGE

OBS:

SRIE HOMGRADA

A Srie homgrada aquela em que a varivel descrita apresenta variao


discreta ou descontnua. So sries homgradas as sries temporal, a geogrfica e a
especfica.

SRIE HETERGRADA

A srie hetergrada aquela na qual o fenmeno ou fato apresenta gradaes


ou subdivises. Embora fixo, o fenmeno varia em intensidade. A distribuio de
freqncias ou seriao uma srie hetergrada.

4. REPRESENTAO GRFICA

4.1. INTRODUO

A Estatstica Descritiva pode descrever os dados atravs de grficos.


A apresentao grfica um complemento importante da apresentao
tabular. A vantagem de um grfico sobre a tabela est em possibilitar uma rpida
impresso visual da distribuio dos valores ou das freqncias observadas. Os
grficos propiciam uma idia inicial mais satisfatria da concentrao e disperso dos
valores, uma vez que atravs deles os dados estatsticos se apresentam em termos
de grandezas visualmente interpretveis.

4.2. REQUISITOS FUNDAMENTAIS EM UM GRFICO:

o Simplicidade: possibilitar a anlise rpida do fenmeno observado. Deve


conter apenas o essencial.
o Clareza: possibilitar a leitura e interpretaes correta dos valores do
fenmeno.
o Veracidade: deve expressar a verdade sobre o fenmeno observado.

4.3. GRFICOS QUANTO A FORMA:

o Diagramas: grficos geomtricos dispostos em duas dimenses. So mais


usados na representao de sries estatsticas.

o Cartogramas: a representao sobre uma carta geogrfica, sendo muito


usado na Geografia, Histria e Demografia.

17
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

o Estereogramas: representam volumes e so apresentados em trs


dimenses.

o Pictogramas: a representao grfica consta de figuras representativas do


fenmeno. Desperta logo a ateno do pblico.

5. PRINCIPAIS TIPOS DE GRFICOS

5.1. GRFICOS EM CURVAS OU EM LINHAS

So usados para representar sries temporais, principalmente quando a srie


cobrir um grande nmero de perodos de tempo.

Considere a srie temporal:

Tabela 4.1
Produo de Arroz do Municpio X - 1984-1994
Quantidade
Anos
(1000 ton)
1984 816
1985 904
1986 1.203
1987 1.147
1988 1.239
1989 1.565
1990 1.620
1991 1.833
1992 1.910
1993 1.890
1994 1.903
Fonte: Fictcia

(1000 ton) Grfico 4.1. Produo de Arroz do Municpio X - 1984-1994

2500

2000

1500

1000

500

0
84 85 86 87 88 89 90 91 92 93 94

18
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

5.2. GRFICOS EM COLUNAS

a representao de uma srie estatstica atravs de retngulos, dispostos


em colunas (na vertical) ou em retngulos (na horizontal). Este tipo de grfico
representa praticamente qualquer srie estatstica.

As regras para a construo so as mesmas do grfico em curvas.

As bases das colunas so iguais e as alturas so proporcionais aos


respectivos dados.

Exemplo: Tabela 4.2

Produo de Soja do Municpio X - 1991-1995


Quantidade
Anos
(ton.)
1991 117.579
1992 148.550
1993 175.384
1994 220.272
1995 265.626
Fonte: Secretaria Municipal de Agricultura

Para cada ano construda uma coluna, variando a altura (proporcional a


cada quantidade). As colunas so separadas uma das outras.

Observao: O espao entre as colunas pode variar de 1/3 a 2/3 do tamanho


da base da coluna.

Grfico 4.2. Produo de Soja do Municpio X - 1991-1995


Toneladas

300000

250000

200000

150000

100000

50000

0
1991 1992 1993 1994 1995

Uso do grfico em colunas para representar outras sries estatsticas

19
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

Tabela 4.3
reas (Km2) das Regies Fisiogrficas - Brasil - 1966
Regies Fisiogrficas rea
(Km2)
Norte 3.581.180
Nordeste 965.652
Sudeste 1.260.057
Sul 825.621
Centro-oeste 1.879.965
Brasil 8.511.965
Fonte: IBGE.

Grafico 4.3. reas (Km2) das Regies Fisiogrficas - Brasil - 1966.

Km2 4.000.000
3.500.000
3.000.000
2.500.000
2.000.000
1.500.000
1.000.000
500.000
0
Norte Nordeste Sudeste Sul Centro-Oeste

Obs: Na tabela as regies so apresentadas em ordem geogrficas. No


grfico as colunas so ordenadas pela altura, da maior para a menor, da esquerda
para a direita.

5.3. GRFICOS EM BARRAS

As alturas dos retngulos so iguais e arbitrrias e os comprimentos so


proporcionais aos respectivos dados.

As barras devem ser separadas uma das outras pelo mesmo espao de forma
que as inscries identifiquem as diferentes barras. O espao entre as barras pode
ser a metade () ou dois teros(2/3) de suas larguras.

As barras devem ser colocadas em ordem de grandeza de forma decrescente


para facilitar a comparao dos valores. A categoria outros (quando existir)
representada na barra inferior, mesmo que o seu comprimento exceda o de alguma
outra.

Outra representao grfica da Tabela 4.3:

20
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

Grafico 4.4. reas (Km2) das Regies Fisiogrficas - Brasil - 1966.

Norte

Centro-Oeste

Sudeste

Nordeste

Sul

0 0 0 0 0 0 0 0 00
00 .0
0
.0
0
.0
0
.0
0
.0
0
.0
0
.0 Km2
0. 00 00 00 00 00 00 0
50 . 0 . 5 . 0 5 0 5 00
1 1 2 2. 3. 3 . 4.

Tabela 4.4
Matrcula efetiva no Ensino Superior, segundo os ramos de ensino -Brasil
1995

Ramos de ensino Matrculas


Filosofia, Cincias e Letras 44.802
Direito 36.363
Engenharia 26.603
Administrao e Economia 24.027
Medicina 17.152
Odontologia 6.794
Agricultura 4.852
Servio Social 3.121
Arquitetura e Urbanismo 2.774
Farmcia 2.619
Demais ramos 11.002
Total 180.109
Fonte: Fictcia

21
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

Grafico 4.5. Matrcula efetiva no Ensino Superior, segundo os ramos de ensino - Brasil -
1999.
Filosofia, Cincias e Letras

Direito

Engenharia

Administrao e Econmia

Medicina

Odontologia

Agricultura

Servio Social

Arquitetura e Urbanismo

Farmcia

Demais ramos

0 00 00
0
00
0
00
0
00
0
00
0
00
0
00
0
00
0
50 10 15 20 25 30 35 40 45
Matrculas

OBS: Quando a varivel em estudo for qualitativa e os nomes das categorias


for extenso ou as sries forem geogrficas ou especficas prefervel o grfico em
barras, devido a dificuldade em se escrever a legenda em baixo da coluna.

5.4. GRFICO EM COLUNAS MLTIPLAS (AGRUPADAS)

um tipo de grfico til para estabelecer comparaes entre as grandezas de


cada categoria dos fenmenos estudados.

A modalidade de apresentao das colunas chamada de Grfico de Colunas


Remontadas. Ele proporciona economia de espaos sendo mais indicado quando a
srie apresenta um nmero significativo de categorias.

Exemplo: Tabela 4.5

Entrada de migrantes em trs Estados do Brasil - 1992-1994


Nmero de migrantes
Anos Estados
Total
Amap So Paulo Paran
1992 4.526 2.291 1.626 609
1993 4.633 2.456 1.585 592
1994 4.450 2.353 1.389 708
Fonte: Fictcia

22
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

Grfico 4.6. Entrada de migrantes em trs Estados do Brasil

Quantidade
1992-1994.
2500

2000

1500

1000

500

0
1992 1993 1994
Amap So Paulo Paran

5.5. GRFICO EM BARRAS MLTIPLAS (AGRUPADAS)

til quando a varivel for qualitativa ou os dizeres das categorias a serem


escritos so extensos.

Exemplo:
Tabela 4.6
Importao Brasileira de vinho e champanhe proveniente de vrias
origens - 1994

Pases Importao (1.000 dlares)


Vinho Champanhe
Portugal 220 15
Itlia 175 25
Frana 230 90
Argentina 50 5
Chile 75 20
Espanha 110 16
Fonte: Fictcia

Grfico 4.7. Importao Brasileira de vinho e champanhe proveniente de vrias origens -


1994.

Frana

Portugal

Itlia

Espanha

Chile

Argentina

0 50 100 150 200 250


Vinho Champanhe 1000 dlares

23
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

5.6. GRFICO EM SETORES

a representao grfica de uma srie estatstica em um crculo de raio


qualquer, pr meio de setores com ngulos centrais proporcionais s ocorrncias.
utilizado quando se pretende comparar cada valor da srie com o total.
O total da srie corresponde a 360 (total de graus de um arco de
circunferncia).
O grfico em setores representa valores absolutos ou porcentagens
complementares.
As sries geogrficas, especficas e as categorias em nvel nominal so mais
representadas em grficos de setores, desde que no apresentem muitas parcelas
(no mximo sete).
Cada parcela componente do total ser expressa em graus, calculada atravs
de uma regra de trs:

Total - 360
Parte - x

Exemplo:

Tabela 4.7
Produo Agrcola do Estado A - 1995
Produtos Quantidade (t)
Caf 400.000
Acar 200.000
Milho 100.000
Feijo 20.000
Total 720.000
Fonte: Fictcia

Grfico 4.8. Produo Agrcola do Estado A - 1995.


Feijo
Milho
3%
14%

Caf
Aucar 55%
28%

Outras maneiras de representar graficamente a Tabela 4.7:

24
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

Grfico 4.9. Produo Agrcola do Estado A - 1995.


Quantidade (t)
400.000
350.000
300.000
250.000
200.000
150.000
100.000
50.000
0
Caf Aucar Milho Feijo

Grfico 4.10. Produo Agrcola do Estado A - 1995.

Caf

Aucar

Milho

Feijo

0 00 0 0 0 0 0 0 0
.0 00 00 00 00 00 00 00 Quantidade (t)
50 0. 0. 0. 0. 0. 0. 0.
10 15 20 25 30 35 40

6. DISTRIBUIO DE FREQNCIAS

6.1. INTRODUO

As tabelas estatsticas, geralmente, condensam informaes de fenmenos


que necessitam da coleta de grande quantidade de dados numricos. No caso das
distribuies de freqncias que um tipo de srie estatstica, os dados referentes ao
fenmeno objeto de estudo se repetem na maioria das vezes sugerindo a
apresentao em tabela onde apaream valores distintos um dos outros.

6.2. DISTRIBUIO DE FREQNCIA PARA DADOS AGRUPADOS

a srie estatstica que condensa um conjunto de dados conforme as


freqncias ou repeties de seus valores. Os dados encontram-se dispostos em
classes ou categorias junto com as freqncias correspondentes. Os elementos
poca, local e fenmeno so fixos. O fenmeno apresenta-se atravs de gradaes,
ou seja, os dados esto agrupados de acordo com a intensidade ou variao
quantitativa gradual do fenmeno.

25
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

6.3. REPRESENTAO DOS DADOS (AMOSTRAIS OU POPULACIONAIS)

o Dados brutos: so aqueles que no foram numericamente organizados, ou seja,


esto na forma com que foram coletados.

Tabela 5.1 - Nmero de filhos de um grupo de 50 casais


2 3 0 2 1 1 1 3 2 5
6 1 1 4 0 1 5 6 0 2
1 4 1 3 1 7 6 2 0 1
3 1 3 5 7 1 3 1 1 0
3 0 4 1 2 2 1 2 3 2

o Rol: a organizao dos dados brutos em ordem de grandeza crescente ou


decrescente.
0 0 0 0 0 0 1 1 1 1
1 1 1 1 1 1 1 1 1 1
1 1 2 2 2 2 2 2 2 2
2 3 3 3 3 3 3 3 3 4
4 4 5 5 5 6 6 6 7 7

Tabela 5.2 - Nmero de filhos de um grupo de 50 casais

o Distribuio de freqncias: a disposio dos valores com as respectivas


freqncias. O nmero de observaes ou repeties de um valor ou de uma
modalidade, em um levantamento qualquer, chamado freqncia desse valor ou
dessa modalidade. Uma tabela de freqncias uma tabela onde se procura
fazer corresponder os valores observados da varivel em estudo e as respectivas
freqncias.

a) Distribuio de freqncias para varivel discreta

Os dados no so agrupados em classes.

Tabela 5.3 - Nmero de filhos de um grupo de 50 casais


Nmero de filhos (x i) Contagem ou Nmero de casais
tabulao (f i)

Total ( )

26
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

Tabela 5.4 - Nmero de filhos de um grupo de 50 casais


Nmero de filhos Numero de casais
(x i) (f i)

Total ( )

Obs:
X: representa a varivel Nmero de filhos.
xi: representa os valores que a varivel assume.
fi: o nmero de vezes que cada valor aparece no conjunto de dados
(freqncia simples absoluta).
fi = 50
n: tamanho da amostra (ou n de elementos observados).
N: tamanho da populao (ou n de elementos observados).

b) Distribuio de freqncias para varivel contnua

Os dados da varivel so agrupados em classe (grupo de valores).

Dados brutos

Tabela 5.5 - Taxas municipais de urbanizao (em percentual) no Estado de Alagoas -


1970
8 24 46 13 38 54 44 20 17 14
18 15 30 24 20 8 24 18 9 10
38 79 15 62 23 13 62 18 8 22
11 17 9 35 23 22 37 36 8 13
10 6 92 16 15 23 37 36 8 13
44 17 9 30 26 18 37 43 14 9
28 41 42 35 35 42 71 50 52 17
19 7 28 23 29 29 58 77 72 34
12 40 25 7 32 34 22 7 44 15
9 16 31 30

Rol

Tabela 5.6 - Rol das taxas municipais de urbanizao, no Estado de Alagoas (em %) -
1970.
6 6 7 7 7 8 8 8 8 9
9 9 9 9 10 10 11 12 13 13
13 13 14 14 14 15 15 15 15 16
16 17 17 17 17 18 18 18 18 19
20 20 22 22 22 23 23 23 23 24
24 24 25 26 28 28 29 29 30 30
30 31 32 34 34 34 35 35 35 36
27
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

37 37 38 38 40 41 42 42 43 44
44 44 46 50 52 54 58 62 62 71
72 77 79 92

Distribuio de freqncias para dados agrupados em classes

Tabela 5.7 - Taxas municipais de urbanizao, no Estado de Alagoas (em %) - 1970.


Nmero de
Taxas (em %)
Municpios ( f i )
6 ---| 16 29
16 ---| 26 24
26 ---| 36 16
36 ---| 46 13
46 ---| 56 4
56 ---| 66 3
66 ---| 76 2
76 ---| 86 2
86 ---| 96 1
Total ( ) 94

Obs:
f i: freqncia simples absoluta.
2. f i = n = 94.

Quando a varivel, objeto de estudo for contnua, recomenda-se agrupar os


valores observados em classes. Se a varivel for discreta e o nmero de valores
observados for muito grande recomenda-se agrupar os dados em classes, evitando-
se, com isso, grande extenso da tabela e a no interpretao dos valores de
fenmeno.

7. ELEMENTOS DE UMA DISTRIBUIO DE FREQNCIA

o Amplitude total (AT): a diferena entre o maior e o menor valor observado.

o Freqncia simples absoluta (fi): o nmero de vezes que o elemento aparece na


amostra, ou o nmero de elementos pertencentes a uma classe (grupo de
valores).

o Classe (K): cada um dos grupos de valores do conjunto de valores observados,


ou seja, so os intervalos de variao da varivel.

7.1. DETERMINAO DO NMERO DE CLASSES (K)

importante que a distribuio conte com um nmero adequado de classes.


Se o nmero de classes for excessivamente pequeno acarretar perda de detalhe e
pouca informao se poder extrair da tabela. Pr outro lado, se forem utilizadas um
nmero excessivo de classes, haver alguma classe com freqncia nula ou muito
pequena, no atingindo o objetivo de classificao que tornar o conjunto de dados
supervisionveis.

Frmula de Sturges:
28
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

K 1 + 3,3. Log n

o Intervalo de classe ou amplitude do intervalo de classe (i): o comprimento da


classe.

i A T/ K

Obs:

- Convm arredondar o nmero correspondente amplitude do intervalo


de classe para facilitar os clculos (arredondamento arbitrrio).

- Intervalo de classe: i = l s - l i

o Limites de classes (limite inferior e limite superior): so os valores extremos de


cada classes.

Seja a classe 6 16 - limite inferior ( l i ) = 6 e limite superior ( l s ) = 16.

Os valores 6 e 96, que representam, respectivamente, o limite inferior da 1


classe e o limite superior da ltima classe, so denominados tambm limite inferior e
limite superior da distribuio de freqncia.

recomendvel que os limites de classes sejam representados por nmeros


inteiros. Deve-se ter o cuidado para evitar interpretaes ambguas.

Por exemplo: 30 _____ 40


40 _____ 50
50 _____ 60

O correto : 30 _____ 39
40 _____ 49
50 _____ 59

Caso os valores estiveram arredondados para inteiro. Entretanto, se os


valores originais estiverem com preciso at centavos:

30,00 ____ 39,99


40,00 ____ 49,99
50,00 ____ 59,99

Em virtude de ordem esttica, recomenda-se:

30 ------| 40
40 ------| 50
50 ------| 60

Limites reais

Dizemos que os limites indicados em cada linha de uma tabela de distribuio


de freqncias so os limites reais quando o limite superior de cada classe coincide
com o limite inferior da classe seguinte.

29
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

Veja o exemplo da Tabela 5.7, os limites so reais, cada limite superior de


uma classe coincide com o limite inferior da classe seguinte.

Vale observar que o uso do smbolo ---- s possvel com os limites reais de
classe.

o Ponto mdio das classes ( x i ): o valor representativo da classe para efeito de


clculo de certas medidas. Para qualquer representao tabular basta acrescentar
ao seu limite inferior a metade da amplitude do intervalo de classe.

xi=i/2+li

Exemplo: 6 16, i = 10 metade de i = 10/2 = 5 x i = 5 + 6 = 11

Quando o limite superior de uma classe for igual ao inferior da seguinte, o


intervalo de classe poder ser calculado atravs da mdia aritmtica dos limites do
intervalo.

Exemplo: 6 16 : x i = (6 + 16)/2 = 11

Para obter os pontos mdios das classes seguinte, basta acrescentar ao ponto
mdio da classe precedente a amplitude do intervalo de classe (se for constante).

8. TIPOS DE FREQNCIAS

o Freqncia simples absoluta (f i): o nmero de repeties de um valor individual


ou de uma classe de valores da varivel.

fi=n

o Freqncia simples relativa (f r): representa a proporo de observaes de um


valor individual ou de uma classe em relao ao nmero total de observaes.
Para calcular a freqncia relativa basta dividir a freqncia absoluta da classe ou
do valor individual pelo nmero total de observaes. um valor importante para
comparaes.

fr = f i/n =f i/ fi

Para expressar o resultado em termos percentuais, multiplica-se o quociente


obtido por 100.

f r = (f i / n). 100

A freqncia relativa o resultado de uma regra de trs simples:

n ------- 100% Exemplo: 94 ------ 100%


f i ------- x% 29 ------ x% x = 30,9 %

Obs:

30
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

- a soma das freqncias simples relativa de uma tabela de freqncia


sempre igual a 1,00: f r = 1,00.

- a soma das freqncias relativas percentuais de uma tabela de


freqncia sempre igual a 100%: f r = 100%.

9. DISTRIBUIES CUMULATIVAS

9.1. Freqncia absoluta acumulada (Fac)

a soma da freqncia simples absoluta da classe atual com a(s) da(s)


classe(s) anterior(es).

9.2. Freqncia relativa acumulada (Frac)

A freqncia relativa acumulada de uma classe ou do valor individual i igual


a soma da freqncia simples relativa da classe ou do valor individual com as
freqncias simples relativas das classes ou dos valores anteriores. As freqncias
relativas acumuladas podem ser obtidas de duas formas:

1. Acumulando as freqncias simples relativas de acordo com a definio de


freqncias acumuladas.

2. Calculando as freqncias relativas diretamente a partir das freqncias


absolutas de acordo com a definio de freqncias relativas:

F r=F i / n

Exemplos:

1 ) Considere a varivel nmero de filhos do sexo masculino de 34 famlias com 4 filhos


cada uma.

0 0 1 1 1 1 1 1 2 2
2 2 2 2 2 2 2 2 3 3
3 3 3 3 3 3 3 3 3 3
4 4 4 4

Distribuio de freqncia sem classes por se tratar de uma Varivel Discreta.

Tabela 1- Nmero de filhos do sexo masculino de 34 famlias com 4 filhos cada


uma.

Nmero Nmero
meninos de fr Fac fr % Frac Frac%
(x i) famlia
(f i)

31
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

0
1
2
3
4
Total ( )

2 ) Considere a estatura (em cm) de 40 alunos do Colgio B.


150 151 152 153 154 155 155 155 155 156
156 156 157 158 158 160 160 160 160 160
161 161 161 161 162 162 163 163 164 164
164 165 166 167 168 168 169 170 172 173

Distribuio de freqncias com classes por se tratar de uma Varivel Continua.

Tabela 2- Estatura (em cm) de 40 alunos do Colgio B.


Estatura Nmero de
(em cm) alunos fr Fac fr % Frac Frac%
(f i)
150 |154 4
154 | 158 9
158 | 162 11
162 | 166 8
166 | 170 5
170 |174 3
Total ( ) 40

10. HISTOGRAMA E POLGONO DE FREQUNCIAS

10.1. HISTOGRAMAS

So grficos de superfcies utilizados para representar distribuies de


freqncias com dados agrupados em classes.
O histograma composto por retngulos (denominados clulas), cada um
deles representando um conjunto de valores prximos (as classes).
A largura da base de cada clula deve ser proporcional amplitude do
intervalo da classe que ela representa e a rea de cada clula deve ser proporcional
freqncia da mesma classe.
Se todas as classes tiverem igual amplitude, ento as alturas dos retngulos
sero proporcionais s freqncias das classes que eles representam.

Considere o histograma obtido a partir da Tabela 2:

32
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

Tabela 2 - Taxas municipais de urbanizao, no Estado de Alagoas (em %) - 1970.


Nmero de
Taxas (em %) Percentual
Municpios (f i)
6 ---| 16 29 30,9
16 ---| 26 24 25,5
26 ---| 36 16 17,0
36 ---| 46 13 13,8
46 ---| 56 4 4,3
56 ---| 66 3 3,2
66 ---| 76 2 2,1
76 ---| 86 2 2,1
86 ---| 96 1 1,1
Total ( ) 94 100,0

10.2. POLGONO DE FREQUNCIAS

O polgono de freqncias o grfico que obtemos unindo pontos dos lados


superiores dos retngulos de um histograma por meio de segmentos de reta
consecutivos.

Na Tabela 5.7, temos:

Tabela 5.7 - Taxas municipais de urbanizao, no Estado de Alagoas (em %) - 1970.


Nmero de
Taxas (em %) Percentual
Municpios (f i)
6 ---| 16 29 30,9
16 ---| 26 24 25,5
26 ---| 36 16 17,0
36 ---| 46 13 13,8
46 ---| 56 4 4,3
56 ---| 66 3 3,2
66 ---| 76 2 2,1
76 ---| 86 2 2,1
86 ---| 96 1 1,1
Total ( ) 94 100,0

11. MEDIDAS DE POSIAO (MEDIDAS DE TENDNCIA CENTRAL)

As distribuies de freqncias para variveis discretas e contnuas


descrevem os grupos que uma varivel pode assumir. possvel visualizar a
concentrao de valores de uma distribuio de freqncias. Localizam-se no incio,
no meio ou no final, ou se distribuem de forma igual.
As medidas de posio so nmeros que resumem e representam
caractersticas importantes da distribuio de freqncias e podem apresentar-se de
vrias formas, dependendo daquilo que se pretende conhecer a respeito dos dados.
As medidas de posio so chamadas de medidas de tendncia central,
devido tendncia de os dados observados se concentrarem em torno desses
valores centrais que se localizam em torno do meio ou centro de uma distribuio.
33
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

As medidas (nmero-resumo) mais usadas para representar um conjunto de


dados so a mdia, a moda e a mediana.

11.1. Mdia aritmtica

Para dados no-agrupados (ou dados simples)

Seja X uma varivel que assume os valores x1, x2, x3 ,..., xn. A mdia
aritmtica simples de X, representada por x, definida por:

x1 + x2 + x3 + ... + xn xi
x = ------------------------------- ou x = -------
n n

xi : so os valores que a varivel X assume


n: nmero de elementos da amostra observada

Exemplo: A produo leiteira diria da vaca B, durante uma semana, foi de 10,
15, 14, 13, 16, 19, e 18 litros. Determinar a produo mdia da semana (a mdia
aritmtica).

xi 10 + 15 + 14 + 13 + 16 + 19 + 18
x = --------- x = ---------------------------------------------- = 15 litros
n 7

Para dados agrupados

Se os valores da varivel forem agrupados em uma distribuio de freqncias


ser usada a mdia aritmtica dos valores x1, x2, x3 ,..., xn ponderadas pelas
respectivas freqncias absolutas: f1, f2, f3 ,..., fn.

xi . i xi : valores observados da varivel ou ponto mdio das classes


x = ------------ , onde: i: freqncia simples absoluta
n i = n : nmero de elementos da amostra observada

A frmula acima ser usada para as distribuies de freqncias sem classes


e com classes.

Mdia aritmtica para dados agrupados sem classes (Mdia aritmtica


ponderada)

34
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

(Dados sem classes): Determinar a mdia aritmtica da Tabela 5.4

Tabela 5.4 - Nmero de filhos de um grupo de 50 casais


Nmero de filhos Numero
( xi ) de casais xi . i
( fi )
0 6
1 16
2 9
3 8
4 3
5 3
6 3
7 2
Total ( ) 50

Mdia aritmtica para dados agrupados com classes intervalares

(Dados com classes): Determinar a mdia aritmtica da Tabela 5.7

Tabela 5.7 - Taxas municipais de urbanizao, no Estado de Alagoas (em %) 1970.


Nmero de
Taxas (em %) Municpios xi xi . i
( fi )
6 ---| 16 29
16 ---| 26 24
26 ---| 36 16
36 ---| 46 13
46 ---| 56 4
56 ---| 66 3
66 ---| 76 2
76 ---| 86 2
86 ---| 96 1
Total ( ) 94

xi . i
x = ------------ = ---------- x =
n

Propriedades da mdia aritmtica

1 propriedade

A soma algbrica dos desvios em relao mdia zero (nula).

di = (xi - x ) = 0

Onde: di so as distncias ou afastamentos da mdia.

35
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

Em uma distribuio simtrica ser igual a zero e tender a zero se a


distribuio for assimtrica.

Idades ( xi ) di = xi - x
2 d1 = 2 6 = -4
4 d2 = 4 6 = -2
6 d3 = 6 6 = 0
8 d4 = 8 6 = +2
10 d5 = 10 6 = +4
0

2 propriedade

Somando-se ou subtraindo-se uma constante (c) a todos os valores de


uma varivel, a mdia do conjunto fica aumentada ou diminuda dessa constante.

Somar o valor 2 aos dados da tabela e calcular a nova mdia

Idades ( xi ) xi + 2
2 2+2= 4
4 4+2= 6
6 6+2= 8
8 8 + 2 = 10
10 10 + 2 = 12
40

A nova mdia ser:

40
x = ------ = 8. No caso, a mdia aritmtica anterior ficou aumentada de 2.
5

3 propriedade

Multiplicando-se ou dividindo-se todos os valores de uma varivel por uma


constante (c), a mdia do conjunto fica multiplicada ou dividida por essa
constante:

Multiplicar o valor 2 aos dados da tabela e calcular a nova mdia

Idades ( xi ) xi x 2
2 2x2= 4
4 4x2= 8
6 6 x 2 = 12
8 8 x 2 = 16
10 10 x 2 = 20
60

36
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

A nova mdia ser:

60
x = ------ = 12. No caso, a mdia aritmtica anterior ficou multiplicada por 2.
5

4 propriedade

A soma dos quadrados dos afastamentos contados a partir da mdia


aritmtica um mnimo.

Idades ( xi ) di = (xi x) di2 = (xi x)2


2 d1 = 2 6 = -4 ( 4)2 = 16
4 d2 = 4 6 = -2 ( 2)2 = 4
6 d3 = 6 6 = 0 ( 0)2 = 0
8 d4 = 8 6 = +2 ( +2)2 = 4
10 d5 = 10 6 = +4 ( +4)2 = 16
0 40

De modo que: (xi x)2 = 40 sendo este valor o menor possvel. Isso
significa que, se tomssemos outro valor que no a mdia (x), o resultado dessa
operao seria maior que o obtido.

5 propriedade

A mdia aritmtica atrada pelos valores extremos.

Considere os valores originais:


xi : 2, 4, 6, 8, 10 x=6

Se o primeiro valor xi for alterado para 0:


xi : 0, 4, 6, 8, 10 x = 5,6

Se o ltimo valor xi for alterado para 12:


xi : 2, 4, 6, 8, 12 x = 6,4

11.2. Moda (Mo)

Tambm chamada de norma, valor dominante ou valor tpico. Defini-se a


moda como o valor que ocorre com maior freqncia em conjunto de dados.
Exemplo: Se o salrio modal dos empregados de uma empresa igual a mil
reais, este o salrio recebido pela maioria dos empregados dessa empresa.
A moda utilizada freqentemente quando os dados esto registrados na
escala nominal.

Exemplo:

37
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

Sexo dos alunos Turma A Escola Z


Sexo Freqncia
Masculino 40
Feminino 60
Total 100

A moda sexo feminino porque tem maior freqncia.

Para dados no agrupados

Primeiramente os dados devem ser ordenados para , em seguida,


observar o valor que tem maior freqncia.

Exemplo: Calcular a moda dos seguintes conjuntos de dados:

1. X = (4, 5, 5, 6, 6, 6, 7, 7, 8, 8) Mo = 6 (0 valor mais freqente)


Esse conjunto unimodal, pois apresenta apenas uma moda.

2. Y = (1, 2, 2, 2, 3, 4, 4, 4, 5, 5, 6) Mo = 2 e Mo = 4 (valores mais


freqentes)
Esse conjunto bimodal, pois apresenta duas modas.

3. Z = (1, 2, 2, 2, 3, 3, 3, 4, 4, 4, 5) Mo = 2, Mo = 3 e Mo = 4 (valores
mais freqentes)

Esse conjunto plurimodal, pois apresenta mais de duas modas.

4. W = (1, 2, 3, 4, 5, 6) Esse conjunto amodal porque no apresenta


um valor predominante.

Para dados agrupados sem classes

Basta observar, na tabela, o valor que apresenta maior freqncia.

1) Clculo da moda pelo ROL

Na Tabela 5.2, o resultado 1 aparece mais vezes Mo =1.

Tabela 5.2 - Nmero de filhos de um grupo de 50 casais


0 0 0 0 0 0 1 1 1 1
1 1 1 1 1 1 1 1 1 1
1 1 2 2 2 2 2 2 2 2
2 3 3 3 3 3 3 3 3 4
4 4 5 5 5 6 6 6 7 7

2) Clculo da moda pela distribuio de freqncias sem classes

38
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

Tabela 5.4 - Nmero de filhos de um grupo de 50 casais


Nmero de filhos Numero
( xi ) de casais
( fi )
0 6 O valor 1 apresenta a
1 16 maior freqncia.
2 9
3 8 Mo = 1
4 3
5 3 Esse resultado indica que
6 3 casais com um filho foi o
resultado mais observado.
7 2
Total ( ) 50

Para dados agrupados em classes

Tabela 5.7 Taxas municipais de


urbanizao (em %) Alagoas,
1970.
Nmero de
Taxas (em %) Municpios
( fi )
6 --- 16 29
16 --- 26 24
26 --- 36 16
36 --- 46 13
46 --- 56 4
56 --- 66 3
66 --- 76 2
76 --- 86 2
86 --- 96 1
Total ( ) 94

D1
Frmula de Czuber: Mo = LMo + -------------- x h
D1 + D2

Sendo:

LMo : limite inferior da classe


h: intervalo da classe modal
D1: freqncia simples da classe modal freqncia simples anterior da
classe modal
D2: freqncia simples da classe modal freqncia simples posterior
da classe modal

Na Tabela 5.7, temos: 29


LMo = 6 Mo = 6 + ------------- x 10 = 14,5%
h = 10 29 + 5
D1 = 29 0 = 29

39
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

D2 = 29 24 = 5 A taxa de urbanizao mais freqente ficou em torno


de 14,5%.

11.3. Mediana (Md)

uma medida de posio cujo nmero divide um conjunto de dados em duas


partes iguais. Por esse motivo, a mediana considerada uma medida separatriz.
Portanto, a mediana se localiza no centro de um conjunto de nmeros ordenados
segundo uma ordem de grandeza.

Para dados no agrupados

a) O nmero de valores observados impar b) O nmero de valores observados par

Exemplo: Considere o conjunto de dados: Exemplo: Considere o conjunto de dados:

X = (5, 2, 7, 10, 3, 4, 1) X = (4, 3, 9, 8, 7, 2, 10, 6)

1) Colocar os valores em ordem crescente ou 1) Colocar os valores em ordem crescente ou


decrescente: decrescente:

X = (1, 2, 3, 4, 5, 7, 10) X = (2, 3, 4, 6, 7, 8, 9, 10)

2) Determinar a ordem ou posio (P) da Mediana 2) Determinar a ordem ou posio (P) da Mediana
por por
n+1 n n
P = ------- , quando n (n de elementos) for mpar P = ---- e P = ---- + 1
2 2 2

7+1 8 8
P = ------- = 4 posio. O nmero que se encontra na P = ---- = 4 posio e P = ---- + 1 = 5 posio
2 4 posio o nmero 4. 2 2

Os nmeros so 6 (4 posio) e 7 (5 posio). Tira-


Md = 4 se a mdia aritmtica entre os dois nmeros.
6+7
Md = ----------- = 6,5
2

40
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

Para dados agrupados sem classes

Tabela 5.4 - Nmero de filhos de um grupo de 50 casais


Nmero de Numero
filhos de casais Fac
( xi ) ( fi )
0 6 6
1 16 22
2 9 31
3 8 39
4 3 42
5 3 45
6 3 48
7 2 50
Total ( ) 50

1) Determinar a posio da mediana por:


n n
P = ---- e P = ---- + 1 , pois n par
2 2

50 50
P = ----- = 25 posio e P = ----- + 1 = 26 posio
2 2

2) Pela Fi (freq. abs. Acum. abaixo de) verifica-se que o 31 contm o 25 e 26


elemento 2 +2
25 corresponde ao n 2 Md = -------- = 2
26 corresponde ao n 2 2

O n 2 deixa 50% dos valores, ou seja, o elemento central.

Para dados agrupados em classes

Tabela 5.7 - Taxas municipais de


urbanizao (em %) Alagoas, 1970.
Nmero de
Taxas (em %) Municpios Fac
( fi )
6 --- 16 29 29
16 --- 26 24 53
26 --- 36 16 69
36 --- 46 13 82
46 --- 56 4 86
56 --- 66 3 89
66 --- 76 2 91
76 --- 86 2 93
86 --- 96 1 94
Total ( ) 94

41
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

n 94
1) Calcular a posio: P = ---- = ---- = 47 posio
2 2
(no importa de n for mpar ou par)

2) Pela Fi identifica-se a classe que contm a Md:


O n 47 est dentro de 53. Portanto, a classe da Md a 2: 16 --- 26.

3) Aplica-se a frmula:

Md = LMd + (n/2 Fa) fMd x h

onde,

* LMd = limite inferior da classe da Md = 16


* n = tamanho da amostra ou n de elementos
n/2 = 94/2 = 47
* Fa = frequncia acumulada anterior classe da
Md = 29
* h = intervalo da classe da Md = 10
* fMd = frequncia simples da classe da Md = 24

47 29
Md = 16 + ------------- x 10 = 23,5%
24

50% das taxas de urbanizao esto antes taxa 23,5%.

11.4. Quartis (medidas separatrizes)

Dividem um conjunto de dados em quatro partes iguais.

Q1 = 1 quartil, deixa 25% dos elementos. Q3 = 3 quartil, deixa 75% dos elementos.

n 3n
1) Calcular a posio: P = ---- (seja n mpar ou par) 1) Calcular a posio: P = ----- (seja n mpar ou par)
4 4
2) Pela Fi identifica-se a classe que contm o Q1 2) Pela Fi identifica-se a classe que contm do Q3

3) Aplica-se a frmula: 3) Aplica-se a frmula:


n/4 Faca 3n/4 Faca
Q1 = LQ1 + -------------- x h Q3 = LQ3 + -------------- x h
f Q1 f Q3
sendo sendo
* LQ1 = limite inferior da classe do Q1 * LQ3 = limite inferior da classe do Q3
* n = tamanho da amostra ou n de elementos * n = tamanho da amostra ou n de elementos
* Faca = frequncia acum. anterior classe do Q1 * Faca = frequncia acum. anterior classe do Q3
* h = intervalo da classe do Q1 * h = intervalo da classe do Q3
* f Q1 = frequncia simples da classe do Q1 * f Q3 = frequncia simples da classe do Q3
42
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

Q2 = 2 quartil, igual a mediana, deixa 50% dos elementos

11.5. Decis: dividem a srie em 10 partes iguais

in
1) Calcular a posio: P = ---- (seja n mpar ou par),
10
em que i = 1, 2, 3, 4, 5, 6, 7, 8 e 9

2) Pela Fi identifica-se a classe que contm o Di

3) Aplica-se a frmula:
in/10 Faca
Di = L Di + ---------------- x h
f Di
sendo

* LDi = limite inferior da classe Di , i = 1, 2, 3, ..., 9


* n = tamanho da amostra ou n de elementos
* Faca = frequncia acum. anterior classe do Di
* h = intervalo da classe do Di
* f Di = frequncia simples da classe do Di

11.6. Percentis: dividem a srie em 100 partes iguais

in
1) Calcular a posio: P = ----- (seja n mpar ou par),
100
em que i = 1, 2, 3, ..., 98, 99

2) Pela Fi identifica-se a classe que contm o Pi

3) Aplica-se a frmula:

in/100 Faca
Pi = L Pi + ----------------- x h
f Pi
sendo

* LPi = limite inferior da classe Pi , i = 1, 2, 3, ..., 99


* n = tamanho da amostra ou n de elementos
* Faca = freqncia acum. anterior classe do Pi
* h = intervalo da classe do Pi
* f Pi = freqncia simples da classe do Pi

43
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

12. Medidas de disperso (Medidas de variabilidade)

So medidas utilizadas para medir o grau de variabilidade, ou disperso dos


valores observados em torno da mdia aritmtica. Servem para medir a
representatividade da mdia e proporcionam conhecer o nvel de homogeneidade ou
heterogeneidade dentro de cada grupo analisado.

Considere a seguinte situao:

Um empresrio deseja comparar a performance de dois empregados, com


base na produo diria de determinada pea, durante cinco dias:

Empregado A: 70, 71, 69, 70, 70 x = 70.


Empregado B: 60, 80, 70, 62, 83 x = 71.

A performance mdia do empregado A de 70 peas produzidas diariamente,


enquanto que a do empregado B de 71 peas. Com base na mdia aritmtica,
verifica-se que a performance de B melhor do que a de A. Porm, observando bem
os dados, percebe-se que a produo de A varia apenas de 69 a 71 peas, ao passo
que a de B varia de 60 a 83 peas, o que revela que a performance de A bem mais
uniforme do que de B.

Qual o melhor empregado?

12.1. Tipos de medidas de disperso

12.1.1. Medidas de disperso absoluta

o Amplitude total (AT): a diferena entre o maior e o menor valor observado.

AT = xmax xmin Empregado A = 71 69 = 2


Empregado B = 83 60 = 23

o Desvio mdio (DM)

Analisa todos os desvios ou distncias em relao mdia aritmtica.

O clculo dos desvios feito por:


di = (xi x) onde, di = desvio ou distncia A soma de todos os desvios em relao mdia
xi = valores observados aritmtica igual a zero:
x = mdia aritmtica di = (xi x) = 0

Clculo dos di: Para eliminar a soma zero, coloca-se os desvios em mdulo:
Empregado A Empregado B Empregado A Empregado B
d1 = 70 70 = 0 d1 = 60 71 = 11 d1 = 0 = 0 d1 = 11 = 11
d2 = 71 70 = +1 d2 = 80 71 = +9 d2 = +1 = 1 d2 = +9 = 9
d3 = 69 70 = 1 d3 = 70 71 = 1 d3 = 1 = 1 d3 = 1 = 1
d4 = 70 70 = 0 d4 = 62 71 = 9 d4 = 0 = 0 d4 = 9 = 9
d5 = 70 70 = 0 d5 = 83 71 = +12 d5 = 0 = 0 d5 = +12 = 12
di = 0 di = 0 di = 2 di = 42

Dessa forma, possvel calcular a mdia dos desvios por:


44
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

di xi x Empregado A Empregado B
DM = ----------- = ---------------- di 2 di 42
n n DM = ----------- = ----- = 0,4 DM = ----------- = ----- = 8,4
n 5 n 5

Varincia amostral (s2)

usada quando o estudo feito por amostragem.

(xi x)2
2
s = ----------------
n1

Varincia para dados agrupados sem e com classes

Varincia populacional:

(xi x)2 . fi
2
= ---------------------
N
Varincia amostral:

(xi x)2 . fi
2
s = ---------------------
n1

OBS: quando os dados forem uma amostra, usa-se o denominador n 1 na frmula da


varincia, pois se obtm uma estimativa melhor do parmetro da populao. Quando a
amostra for grande (n > 30) no h diferena entre usar n 1 ou n.

o Desvio-padro

a raiz quadrada da varincia.


Na frmula original para o clculo da varincia, observa-se que uma
soma de quadrados. Por exemplo, se a unidade original for metro (m) o resultado ser
metro ao quadrado (m2). Para retornar a unidade de medida original, extrai-se a raiz
quadrada da varincia, passando a chamar-se de desvio-padro.

Desvio-padro populacional Desvio-padro amostral

= 2
s = s2

45
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

12.1.2. Medida de disperso relativa

o Coeficiente de variao (CV)

uma medida relativa de disperso til para a comparao em termos


relativos do grau de concentrao em torno da mdia de sries distintas.

Populao Amostra
ou s
CV = ------ x 100 CV = ------ x 100
x X

O coeficiente de variao expresso em porcentagem.


Duas maneiras de analisar o CV:

Pequena disperso: CV 10% Baixa disperso: CV 15%


Mdia disperso: 10% CV 20% Mdia disperso: 15% CV 30%
Grande disperso: CV 20% Grande disperso: CV 30%

46
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

PRINCPIO FUNDAMENTAL DA
CONTAGEM
Uma pessoa mora em Nova Iguau e trabalha em Copacabana. Ela vai trabalhar
todos os dias usando apenas transporte coletivo. Esta pessoa vai Nova Iguau ao Centro do
Rio tomando nibus, van ou trem. Do Centro do Rio, pode ir a Copacabana de nibus, van
ou metr. Levando em conta apenas estas possibilidades, de quantas maneiras ela poder ir
de casa ao trabalho?

Neste caso podemos contar facilmente todas as 9 possibilidades:

{(V,V), (V,O), (V,M), (O,V), (O,O), (O,M), (T,V), (T,O), (T,M)},

onde usamos uma notao em que, por exemplo, (T, M) indica que ela toma o
primeiro percurso e, em seguida, o metr.

Em geral a soluo de problemas deste tipo se baseia no princpio multiplicativo,


tambm chamado de princpio fundamental da contagem.

Suponha que existam N1 maneiras de se realizar uma tarefa T1 e N2 maneiras de se


realizar uma tarefa T2. Ento h N1 x N2 maneiras de se realizar a tarefa T1 seguida da
tarefa T2.

Exemplo 1

Na discusso acima, T1 a tarefa de ir de Nova Iguau ao Centro do Rio e N1 = 3


(h 3 possibilidades de se fazer isto). Da mesma forma, T2 a tarefa de ir do Centro do
Rio a Copacabana, e h N2 = 3 possibilidades de se realizar esta tarefa. No total, h:

N1 x N2 = 3 x 3 = 9 possibilidades

Exemplo 2

47
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

Um aluno se prepara para ingressar no ensino superior. Ele pode escolher entre 10
universidades. Se cada uma delas tiver 15 cursos, quantas possibilidades de cursos h para
este aluno?

10 x 15 = 150 cursos diferentes

O princpio acima pode ser estendido para a situao em que temos vrias tarefas, o
que chamado Princpio da Multiplicao Generalizado.

Se uma tarefa T1 pode ser feita de N1 maneiras, uma tarefa T2 de N2 maneiras, ... ,
uma tarefa Tk de Nk maneiras, ento o nmero de maneiras de realizar T1, T2, ... , Tk, em
seqncia, N1
6 x N2 X ... X Nk.

Exemplo 3

Em um jogo de "cara ou coroa", uma moeda lanada 3 vezes. Qual o nmero de


resultados possveis?

Cada lanamento tem dois resultados possveis: cara ou coroa, que representaremos
por C e Cr, respectivamente.

Como foi lanada 3 vezes, h 2 x 2 x 2 = 8 resultados possveis. Podemos ver os


resultados possveis no diagrama:

No diagrama anterior foi utilizada uma notao por termos ordenados em que, por
exemplo, (C, Cr, C) indica que os resultados dos 3 lanamentos foram, nesta ordem, cara,
coroa e cara.

Quantos resultados tm exatamente 2 caras?


48
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

Inspecionando os 8 resultados possveis, vemos que h 3 resultados com exatamente


2 caras.

Mas, e no caso de um nmero maior de lanamentos? No poderemos, em


geral, responder a pergunta inspecionando todas os resultados possveis.

Em qualquer caso, o Princpio Multiplicativo permite dizer quantos resultados


possveis h no total. Se uma moeda for lanada N vezes, temos:

2 x 2 x 2 x ... 2 = 2N resultados possveis.

13. Permutaes

Para entender o que permutao, vamos comear com um exemplo. Um pai quer
tirar uma fotografia de seus 3 filhos, mas no consegue colocar os 3 garotos em ordem:
todos querem ficar no meio e ningum quer car nos lados.

O pai poderia obrig-los fora, mas como paciente e educador moderno ele
decide tirar uma foto de cada ordenao possvel dos 3 meninos. Quantas fotos o paciente
pai dever tirar?

Os garotos se chamam Andr (A), Joo (J) e Pedro (P). fcil lista". todas as
ordenaes possveis. Elas so as seguintes:

So, portanto, 6 ordenaes possveis.

AJP, APJ, JAP, JPA, PAJ e PJA

Dado um conjunto de objetos distintos, uma permutao do conjunto uma


ordenao dos elementos deste conjunto.

No exemplo acima, o conjunto

{A, J, P}

possui 6 permutaes, que so as listadas acima.

Uma maneira de calcular quantas so as permutaes de um conjunto sem ter que


list-las usar o princpio multiplicativo.

Voltando ao nosso exemplo do pai com pacincia de J, so 3 posies na foto, as


quais representamos com 3 traos:

____ ____ ____

De quantas maneiras podemos preencher a primeira posio? De 3 maneiras, pois


so 3 crianas. Uma vez escolhido quem fica na primeira posio, temos 2 escolhas
49
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

possveis para a segunda posio, pois restaram 2. crianas. Depois disto, resta somente
uma criana, o que d apenas 1 escolha para a terceira posio.

Usando o princpio multiplicativo (e a pacincia do pai), o nmero de ordenaes


possveis :

3 x 2 x 1 = 6

E se fossem 6 crianas, quantas fotos teriam que ser tiradas para que houvesse uma
foto de cada ordenao possvel das crianas? Em outras palavras, quantas permutaes
existem para um conjuntos de 6 crianas?

Vamos novamente representar as 6 posies possveis na foto por 6 espaos vazios:

____ ____ ____ ____ ____ ____

Para preencher a primeira posio temos 6 possibilidades. Uma vez escolhida a


criana que vai ficar na primeira posio, restam 5 crianas. Para a segunda posio temos
5 possibilidades. Escolhida a criana da segunda posio, ficam 4 crianas para escolher a
prxima posio, e assim por diante...

O nmero de permutaes do conjunto de 6 crianas :

6 x 5 x 4 x 3 x 2 x 1 = 720

Com este mesmo raciocnio, podemos deduzir o nmero de permutaes de um


conjunto de n elementos. Cada permutao uma ordenao deste conjunto. Temos n
espaos vazios e queremos saber de quantas maneiras podemos preench-los com os n
elementos do conjunto.

So n possibilidades para o primeiro espao vazio, n - 1 possibilidades para o


segundo, n - 2 para o terceiro, e assim por diante at que, para o ltimo espao vazio, resta
apenas uma possibilidade.

Pelo princpio multiplicativo temos que o nmero total de permutaes um conjunto


de n elementos :

n(n-1)(n-2)...3.2.1 .

interessante apresentar uma notao para o produto acima.

Para qualquer inteiro positivo n, definimos n!, que se l "n fatorial", como o produto

n! = n(n-1)(n-2)...3.2.1

Definimos tambm:

0! = 1

50
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

O valor que escolhemos para 0! pode parecer um pouco arbitrrio, mas simplifica
algumas frmulas que veremos adiante.

Exemplo 1

0! = 1
1! = 1
2! = 2.1 = 2
3! = 3.2.1 = 6
4! = 4.3.2.1 = 24
5! = 5.4.3.2.1 = 120

Note que:

n! = n.(n-1)! = n.(n-1).(n-2)! = ... = n(n-1).(n-2) ...(n-r)!,

para qualquer inteiro r com 1 <= r <= n.

Quando temos fatoriais no numerador e no denominador de uma frao, podemos


simplificar a expresso sem ter que calcular todos os fatoriais, da seguinte forma:

n! n(n 1)...( n r 1)( n r )!


n(n 1)( n 2)...( n r 1).
(n r )! (n r )!

Exemplo 2

15! = 15.14!
14! 14.13.12!
= = 14.13
12! 12!
7! 7.6.5.4! 7.6.5 7.6.6
7.5 35
4!3! 4!3! 3! 6

Vamos a mais uma notao. Chamaremos de P(n) ao nmero de permutaes de um


conjunto de n elementos.

O nmero de permutaes de um conjunto de n elementos : P(n) = n!

51
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

14. Arranjos

Em alguns problemas devemos determinar o nmero de maneiras de selecionar r


objetos, em certa ordem, dentro de um conjunto de n objetos distintos, onde n r.

Estes so chamados problemas de arranjo de n elementos, tomados r a r. Portanto, o


nmero de arranjos de n elementos, tomados r a r, o nmero de maneiras de selecionar,
em ordem, r elementos de um conjunto de n elementos.

Devemos ressaltar que um problema de arranjo se a ordem em que os r elementos


so selecionados importante.

Portanto:

n!
A(n,r) =
(n r )!

15. Combinao

Em outros problemas devemos determinar o nmero de maneiras de selecionar r


objetos, independentemente da ordem, dentro de um conjunto de n objetos distintos, onde n
r.

Estes so chamados problemas de combinao de n elementos, tomados r a r.


Portanto, o nmero de combinaes de n elementos, tomados r a r, o nmero de maneiras
de selecionar r elementos de um conjunto de n elementos.

Devemos ressaltar que um problema de combinao quando a ordem em que os r


elementos so selecionados no influencia o resultado.

Portanto:

n!
C(n,r) =
r!(n r )!

16. Permutaes com elementos repetidos

As permutaes que estudamos at aqui envolviam conjuntos de objetos distintos.


Porm, alguns problemas de contagem envolvem permutaes com objetos repetidos.

Vamos comear calculando quantas so as permutaes das letras da palavra


ARARA.

Se passarmos um tempo tentando todas as reordenaes possveis das letras da


palavra ARARA, encontraremos as 10 palavras abaixo:

52
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

ARARA ARAAR ARRAA AAARR AARAR AARRA RARAA RAARA RAAAR


RRAAA.

Mas como poderamos determinar que so 10 permutaes, sem ter de list-las?

Iniciaremos com uma palavra de 5 letras distintas, como em:

A1R1A2R2A3

onde A1, A2 e A3 simbolizam letras distintas nas posies dos A's e R1, R2 letras
distintas nas posies dos R's da palavra ARARA.

Como so 5 objetos distintos, temos 5! = 120 permutaes. Vamos agora contar


estas 120 permutaes de outra maneira. Seja x o nmero de permutaes de ARARA.
Para cada posio dos A's e R's, temos 3! = 6 maneiras de distribuir os Ai's e 2! = 2
maneiras de distribuir R1 e R2 . Por exemplo, seja a permutao de ARARA dada por
RARAA. Ento h 3! = 6 maneiras de colocar os Ai 's, que so:

RA1RA2A3 RA2RA1A3 RA3RA1A2


RA1RA3A2 RA2RA3A1 RA3RA2A1

Uma vez que escolho a posio dos Ai 's, por exemplo RA1RA2A3, tenho 2! = 2
maneiras de colocar R1 e R2, que so:

R1A1R2A2A3
R2A1R1A2A3

So x permutaes da palavra ARARA, para cada uma delas 3! maneiras de colocar


os Ai's e 2! maneiras de colocar os Ri's. Pelo princpio multiplicativo, o nmero total de
permutaes de A1R1A2R2A3 :

x . 3! . 2!

Por outro lado, este nmero simplesmente o nmero de permutaes de 5 objetos


distintos, que 5! = 120. Portanto,

x . 3! . 2! = 120

120 120
x= 10
3!2! 6.2
Vale, em geral, o seguinte:

Dados N objetos, de modo que

N1 so de certo tipo,
N2 so de um tipo diferente dos anteriores,
...
53
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

Nr so de um tipo diferente dos anteriores e


N = N1 + N2 + ... Nr,
Ento, o nmero de permutaes destes n objetos dado pela frmula:

N!
N1! N 2!...Nr!

INTRODUO PROBABILIDADE
17. Experimentos probabilsticos

Considere o seguinte experimento: uma moeda lanada de uma determinada


altura e o tempo necessrio para que ela toque o cho medido. Antes mesmo de realizar a
experincia, temos condies de conhecer a reposta, porque existe uma equao da Fsica
que fornece o tempo necessrio para que um corpo, em queda livre, percorrer certa
distncia.

Um fenmeno desse tipo chamado de determinstico. Um experimento


determinstico quando a sua realizao tem resultado garantido, determinado por leis
fsicas ou matemticas, ou pelas prprias condies nas quais o experimento executado.
Mais rigorosamente, trata-se de um fenmeno que pode ser descrito por um modelo
determinstico. Se o experimento repetido, sob as mesmas condies, produz o mesmo
resultado.

Por outro lado, ao abandonarmos a moeda de uma certa altura e deix-la cair sobre
uma superfcie, no podemos afirmar qual face ficar voltada para cima quando ela parar:
se cara ou coroa. Sabemos que h somente essas duas possibilidades (descartamos a
possibilidade de a moeda cair em p!), mas no temos como garantir qual delas ocorrer.
Experimentos desse tipo so chamados probabilsticos ou aleatrios. Eles so o objeto de
estudo da rea da Matemtica chamada Teoria das Probabilidades. So fenmenos que
podem ser descritos por modelos probabilsticos. Os experimentos aleatrios no
produzem sempre o mesmo resultado, mas tem um comportamento estatisticamente
regular, no sentido de que, considerando um nmero grande de realizaes, cada resultado
possvel ocorre numa freqncia que pode ser avaliada. Assim, se lanarmos uma moeda
equilibrada, repetidamente, um grande nmero de vezes, nossa intuio e nossa experincia
nos levam a esperar que a quantidade de vezes de dar cara na face de cima ser,
aproximadamente, igual de dar coroa.

Esses aspectos de regularidade dos experimentos aleatrios, investigados e


analisados, permitem a construo de um modelo matemtico e a atribuio, a cada
resultado possvel, de um nmero que reflita a chance de ocorrncia desse resultado. Por
exemplo, comum ouvirmos uma frase como h uma chance de 65% de chover amanh.
Mas o que isso quer dizer?

Quando nos referimos a algum experimento, devemos explicitar dois componentes:


a ao a ser executada e o resultado a ser observado. Explicando melhor: um experimento
54
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

uma ao que pode ser repetida e um certo resultado que queremos observar. Por exemplo,
o experimento de jogar um dado (ao) e observar a face que cai voltada para cima
(resultado).

Observe que dois experimentos diferentes podem consistir da mesma ao, mas
com resultados observveis diferentes. Por exemplo:

- experimento A: lanamos dois dados e observamos a maior das faces que caem
para cima;

- experimento B: lanamos dois dados e observamos a soma das faces que caem
para cima.

Os experimentos A e B so diferentes, embora a ao tenha sido a mesma (jogar


dois dados).

18. Espao Amostral

O espao amostral representa, na Teoria das Probabilidades, o mesmo papel que o


conjunto universo representa na Teoria dos Conjuntos. Portanto, o espao amostral o
conjunto de todos os resultados possveis de um experimento aleatrio. representado pela
letra S e seu nmero de elementos por n(S).

Ex.:

No lanamento de uma moeda:

S = {cara, coroa}, n(S) = 2

No lanamento de um dado:

S = {1, 2, 3, 4, 5, 6}, n(S) = 6

Quando considerarmos um experimento composto de mais de uma ao, por


exemplo,

lanar um dado duas vezes e anotar o par resultante;


lanar um dado seguido de uma moeda e anotar o par obtido;
retirar duas cartas de um baralho de 52 cartas e observar os naipes etc.,

o princpio multiplicativo ser muito til no clculo do nmero de elementos do


espao amostral.

Ex.:

Quantos so os resultados possveis na loteria esportiva?

55
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

A loteria esportiva composta de 13 jogos. Para cada jogo, claro, so possveis


trs resultados. Logo,

S = 3 x ...x 3 = 313

O lanamento de 3 dados possui 6 x 6 x 6 = 216 resultados possveis.

19. Retirada com e sem reposio

Quando realizamos um experimento em que retiramos algo mais de uma vez,


devemos sempre observar se o objeto retirado ou no reposto antes da prxima retirada.
Uma retirada com reposio um experimento diferente de uma retirada sem reposio.

20. Evento

Evento de um experimento aleatrio qualquer subconjunto do espao amostral


desse experimento.

21. Evento impossvel

um evento que nunca ocorre. E = { }.

22. Evento Elementar

todo subconjunto unitrio do espao amostral de um experimento.

23. Evento certo

um evento que sempre ocorre. E = S.

24. Combinao de Eventos

A partir de eventos podemos obter novos eventos, usando as operaes de unio,


interseo e diferena de conjuntos. Relembrando: sendo A e B dois eventos de um espao
amostral S (isto , A e B subconjuntos de S), temos:

AUB o evento que ocorre se, e somente se, A ocorrer ou B ocorrer.


AB o evento que ocorre se, e somente se, A ocorrer e B ocorrer.
A B o evento que ocorre se, e somente se, A ocorrer e B no ocorrer.
AC ou A indica o evento complementar de A, ou seja, o evento que ocorre se, e
somente se, A no ocorrer.

Ex.:

Lanamos um dado e observamos o nmero que aparece em cima. O espao


amostral desse experimento S = {1, 2, 3, 4, 5, 6}. Consideremos os eventos:

56
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

A: um nmero par ocorrer A = {2, 4, 6}.


B: um nmero mpar ocorrer B = {1, 3, 5}.
C: um nmero primo ocorrer C = {2, 3, 5}.

Ento:

AUC = {2, 3, 4, 5, 6} o evento um nmero par ou um nmero primo ocorrerem.


BC = {3, 5} o evento um nmero mpar e primo ocorrerem.
Cc = {1, 4, 6} o evento um nmero primo no ocorrerem.

Ex.:

Lancemos uma moeda trs vezes e observamos a seqncia de caras (K) e coroas
(C) que aparecem. O espao amostral S consiste de oito elementos: S={KKK, KKC, KCK,
KCC, CKK, CKC, CCK, CCC}. Consideremos os eventos:

A: duas ou mais coroas aparecem consecutivamente A = {CCC, KCC, CCK}.


B: todos os lanamentos apresentam resultados iguais B = {KKK, CCC}.

Ento:

AB = {CCC} o evento elementar em que somente coroas aparecem.

25. Probabilidade de um Evento Elementar

Considere um experimento aleatrio cujo espao amostral S = {e1, e2, e3,..., en}.
A probabilidade de ocorrncia de cada evento elementar {ek}, 1 k n, desse
experimento um nmero real Pk que satisfaz as condies:

1) Pk 0 , para todo k pertencente a {1, 2,...,n};


k n
Pk 1
2) k 1 , isto , P1 + P2 + P3 + ... + Pn = 1 (a soma das probabilidades de
todos os eventos elementares igual a 1).

Ex.:

Atravs de estudos genticos uma gestante descobriu que a probabilidade de seu


filho nascer com olhos escuros o triplo da probabilidade dele nascer com olhos claros,
independente do sexo. Qual a probabilidade da gestante ter uma criana de olhos escuros?

O espao amostral composto de apenas dois eventos elementares:

S = {olhos escuros, olhos claros}.

Os eventos so:

E1 = {olhos escuros}
57
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

E2 = {olhos claros}

Como a probabilidade de ocorrer E1 o triplo da probabilidade de ocorrer E2, tem-


se:

P(E2) = x P(E1) = 3x
P(E1) + P(E2) = 1
3x + x = 1 x =

Como P(E1) = 3x P(E1) =

A probabilidade de a criana ter os olhos escuros de ou 75%.

PROBABILIDADE
26. Conceito

a chance de um evento ocorrer quando o espao amostral tem resultado


igualmente provvel (lanamento de moeda, lanamento de dados, extrao de cartas de
um baralho etc.).
1 1
P (cada resultado)
n de resultados possveis N

necessrio identificar primeiro o nmero de resultados favorveis e em seguida


dividi-lo pelo total de casos possveis no espao amostral. Em outras palavras, a
probabilidade de um evento A ocorrer :

n de resultados favorveis ao evento A n ( A)


P( A) = , 0 P(A) 1
n de resultados possveis n( S )

Ex.:

Se cada carta de um baralho de 52 cartas tem a mesma chance de ser


escolhida, ento a probabilidade de se extrair cada uma delas de 1/52: P(A)
= 1 carta / 52 cartas = 1/52

O lanamento de uma moeda tem dois resultados possveis: cara ou coroa.


Se os dois resultados so igualmente provveis, ento a probabilidade de sair
cara P(cara) = e a probabilidade de sair coroa P(coroa) = .

Determinar a probabilidade de extrair uma das quatro damas de um baralho


de 52 cartas ou a de obter um nmero menor que 4 num lance de dado. A
4 damas 4 1
probabilidade da extrao de uma dama P(dama) = = =
52 cartas 52 13

Um dado no viciado lanado. Qual a probabilidade de ocorrer:


58
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

a) Um nmero primo (evento A)?

A = {2,3,5}
Logo: P(A) = P(2) + P(3) + P(5) = 1/6 + 1/6 + 1/6 = 3/6 = 1/2

b) Um quadrado perfeito (evento B)?

B = {1,4}
Logo: P(B) = P(1) + P(4) = 1/6 +1/6 = 2/6 = 1/3

Uma moeda lanada duas vezes seguidas. Qual a probabilidade de se obter


cara em pelo menos um desses lanamentos?

S = {(K, K),(K, C),(C, K),(C, C)} n(S) = 4


A = {(K, K),(K, C),(C, K)} n(A) = 3
n( A) 3
Portanto, P(A) =
n( S ) 4

Uma caixa contm 5 bolas vermelhas, 3 bolas brancas e 4 bolas pretas.


Sorteando-se uma das bolas ao acaso, qual a probabilidade dela ser:

a) branca (evento A)?


b) preta (evento B)?

O experimento tem 12 resultados possveis, ou seja, n(S) = 12.

Como h 3 bolas brancas na caixa, h 3 casos favorveis ocorrncia do


3 1
evento A, isto , n(A) = 3. Portanto, P(A) = .
12 4

Como h 4 casos favorveis ocorrncia de B, ou seja, n(B) = 4, temos:


4 1
P(B) = .
12 3

27. Probabilidade da Unio de Eventos (regra da adio)

Sejam A e B eventos associados ao espao amostral S de um experimento


aleatrio. Como eventos so conjuntos, temos que:

n(AUB) = n(A) + n(B) - n(AB) (1)

Dividindo (1) por n(S), temos:

n( A B ) n( A) n( B ) n( A B )
n( S ) n( S ) n( S ) n( S )
59
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

Logo:
P( A B) P( A) P( B) P( A B)

Ex.:

Uma urna contm 20 bolas numeradas de 1 a 20. Sorteando-se uma das bolas, qual
a probabilidade de sair um nmero par ou um mltiplo de 3?

S = {1,2,3,...,18,19,20}. Portanto, n(S) = 20.

Se A o evento sair um nmero par, ento A = {2, 4, 6, 8, 10, 12, 14, 16, 18, 20}
e n(A) = 10.

Se B o evento: sair um mltiplo de 3, ento B = {3, 6, 9, 12, 15, 18} e n(B) = 6.

Ocorrer o evento A ou o evento B significa ocorrer qualquer um dos elementos que


figuram em qualquer um dos conjuntos A e B, ou seja, ocorrer o evento AUB.

De (1) temos n(AUB) = n(A) + n(B) - n(AB) = 10 + 6 - 3 = 13.

n( A B ) 13
Como n(S) = 20, conclumos que P( A B) .
n( S ) 20

28. Probabilidade de No Ocorrer um Evento

Seja A um evento associado ao espao amostral S de um experimento aleatrio. O


evento complementar de A indicado Ac, e indica a no ocorrncia de A.

Ex.:

Um dado lanado. Considerando o evento A = obter um quadrado perfeito,


ento A = {1,4} e n(A) = 2. Portanto A c 2, 3, 5, 6 e n( A c ) 4 .
Nota-se que A e Ac so mutuamente exclusivos, ou seja, se um evento ocorre o
outro no ocorre. Portanto, A Ac S . De fato A Ac {1,2,3,4,5,6}.
Alm disso, P( A A c ) P( S ) 1 , isto , P( A) P( A c ) P( A A c ) 1 . Mas
como P ( A A c ) 0 , j que A e Ac so mutuamente exclusivos, conclumos que
P( A) P( A c ) 1 P( A c ) 1 P( A) .
2 1 4 2
Como n(S) = 6, n(A) = 2 e n(B) = 4, temos P( A) , P( A c ) . Logo,
6 3 6 3
1 2
P( A) P( Ac ) 1
3 3

60
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

29. Produto de Probabilidades (regra da multiplicao)

Duas cartas sero retiradas de um baralho comum uma aps a outra sem reposio
da primeira. Qual a probabilidade de se obterem duas cartas de paus?

1) Indiquemos estes dois eventos: A: a 1a carta de paus e B: a 2a carta de paus.

2) Obter duas cartas de paus significa ocorrer A e ocorrer B, isto , calcular a


probabilidade de ocorrer AB. Para tanto, vamos aplicar a relao P(AB) = P(A) x
P(B/A).

3) 1a retirada: P(A) = 13/52.

4) Vamos calcular P(B/A), a probabilidade de que a 2a carta seja de paus supondo


que a 1a carta de paus. Ora, se por suposio a 1a carta de paus, como no h reposio
da mesma, restaram 51 cartas no baralho, das quais 12 so de paus. Assim: P(B/A) =
12/51.

Portanto, P(AB) = P(A) x P(B/A) = 1/17.

30. Varivel Aleatria

Os resultados de um experimento aleatrio podem ser numricos ou no.


Experimentos como:

anotar os tempos em uma maratona,


medir a taxa de precipitao pluviomtrica durante um perodo,
lanar uma moeda trs vezes e anotar a quantidade de coroas que ocorrem,

tm seus espaos amostrais constitudos de nmeros. Muitos experimentos, porm,


possuem resultados qualitativos (e no quantitativos). Por exemplo:

entrevistar um eleitor, antes de uma eleio, para conhecer sua preferncia,


inspecionar uma lmpada para verificar se ou no defeituosa,
lanar uma moeda e observar se d cara ou coroa.

Podemos, ento, classificar os resultados de um experimento como quantitativos ou


qualitativos. Os estatsticos trabalham com os dois tipos, embora os quantitativos sejam
mais comuns.

Em certos casos, possvel converter dados qualitativos em quantitativos,


associando um valor numrico a cada resultado.

Suponhamos um espao amostral S e que a cada ponto amostral seja atribudo um


nmero. Fica, ento, definida uma funo chamada varivel aleatria.

Muitas vezes no estamos interessados propriamente no resultado de um


experimento aleatrio, mas em alguma caracterstica numrica a ele associada.
61
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

Assim, se o espao amostral relativo ao "lanamento simultneo de duas moedas"


S = {(ca, ca), (ca, co), (co, ca), (co, co)} e se x representa o "nmero de caras" que
aparecem, a cada ponto amostral podemos associar um nmero para x, de acordo com a
tabela abaixo (x a varivel aleatria associada ao nmero de caras observado):

Ponto Amostral x
(ca, ca) 2
(ca, co) 1
(co, ca) 1
(co, co) 0

Da mesma maneira podemos associar o experimento retirada de uma lmpada de


um lote e observar se (sim) ou no (no) defeituosa. Espao amostral S = {sim, no}e o
resultado numrico que podemos definir contar o nmero de lmpadas defeituosas, isto :

Ponto amostral x
sim 1
no 0

Temos, ento, a seguinte definio:

Varivel aleatria uma funo numrica definida em um espao amostral.

31. Valor esperado de uma varivel aleatria

Suponha que lancemos um dado equilibrado 300 vezes e anotemos o resultado da


face de cima. Queremos determinar a mdia dos valores observados.

Como os resultados possveis so equiprovveis, de se esperar que cada um ocorra


uma quantidade de vezes prximo de 50 (j que so 300 lanamentos e 6 resultados
possveis). A mdia dos valores deve ser ento, um valor prximo de:

1x50 2 x50 3x50 4 x50 5 x50 6 x50


Mdia = 3,5
300

Note que:

Mdia = (1x1/6)+(2x1/6)+(3x1/6)+(4x1/6)+(5x1/6)+(6x1/6)

62
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

A somatria dos produtos de cada resultado (numrico) do experimento pela sua


probabilidade de ocorrncia fornece um valor mdio da varivel aleatria. Esse valor
chamado valor esperado ou esperana matemtica ou ainda mdia da varivel aleatria.

Seja x uma varivel aleatria que assume os valores x1, ...xn, com probabilidades pi
= P (X = xi), i = 1, ..., n. O valor esperado da varivel aleatria X, representado por E(X),
dado por:

E(X) = x1.p1 + ... + xn.pn

32. Distribuio de probabilidade

Dado certo experimento aleatrio, podemos interpretar os valores assumidos por


uma varivel aleatria como eventos numricos associados quele experimento. Vamos
deixar isso mais claro, observando o exemplo abaixo.

Exemplo prtico de uma distribuio de probabilidade:

Consideremos a distribuio de freqncias relativa ao nmero de acidentes dirios


na Rodovia do Sol durante o ms de nov/97:

Nmero de Acidentes Frequncia


0 22
1 5
2 2
3 1

Podemos ento escrever a tabela de distribuio de probabilidade:

Nmero de Acidentes (x) Probabilidade (x)


0 0,73
1 0,17
2 0,07
3 0,03
Total 1,00

Construmos acima uma tabela onde aparecem os valores de uma varivel aleatria
x e as probabilidades de x ocorrer que a tabela de distribuio de probabilidades.

Ao definir a distribuio de probabilidade, estabelecemos uma correspondncia


unvoca entre os valores da varivel aleatria x e os valores da varivel P (probabilidade).

63
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

Esta correspondncia define uma funo onde os valores xi formam o domnio da funo e
os valores pi o seu conjunto imagem.

Assim, ao lanarmos um dado, a varivel aleatria x, definida por "pontos de um


dado", pode tomar os valores 1, 2, 3, 4, 5 e 6. Ento resulta a seguinte distribuio de
probabilidade:

x P (x)
1 1/6
2 1/6
3 1/6
4 1/6
5 1/6
6 1/6
T o t a l 6/6 = 1

Da mesma maneira, quando lanamos duas moedas e estamos interessados em


contar o nmero de caras, podemos, ento, definir a varivel aleatria:

S x
(C, C) 0
(C, K) 1
(K, C) 1
(K, K) 2

Para cada valor de x, identificamos os resultados do experimento que lhe so


associados:

Eventos
Evento numrico
associados
X=0 {(C, C)}
X=1 {(C, K), (K, C)}
X=2 {(K, K)}

Sendo S = {(K, K), (K, C), (C, K), (C, C)} equiprovvel, cada resultado tem
probabilidade de . Podemos determinar a probabilidade de ocorrncia de cada evento
numrico, a partir das probabilidades dos eventos experimento:

P(X = 0) = P{(C, C)} =


P(X = 1) = P{(C, K), (K, C)} =
P(X = 2) = P{(K, K)} =
64
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

e construir a tabela:

x P
0
1 2/4
2 1/4

Note que essa tabela, na qual anotamos x e suas respectivas probabilidades,


caracteriza uma funo que a cada valor de x associa um nmero real do intervalo [0, 1].
Esta funo denominada distribuio de probabilidade da varivel aleatria x.

33. Resumo das principais frmulas das probabilidades.

1. Avaliao da probabilidade de um evento.

N .C.F .eventoX
P( X )
N .T .C.

2. Avaliao da probabilidade do evento certo (S) e do evento impossvel.

P(S ) 1 ; P( ) 0

3. Regra da Soma.

Se A e B so mutuamente exclusivos, temos:

P( A B) P( A) P( B)

Se A e B no so mutuamente exclusivos, temos:

P ( A B) P( A) P( B) P( A B)

4. Eventos complementares.

P( A) 1 P( A) , onde A o complemento de A.

5. Avaliao da probabilidade condicional.

N .C.FeventoA B
P( A / B)
N .C.FeventoB

6. Regra do Produto.

Se A e B no so independentes, temos:
65
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

P( A B) P( A).P( B / A) ou P( A B) P( B).P( A / B)

Se A e B so independentes, temos:

P( A B) P( A).P( B)

DISTRIBUIES DISCRETAS
34. Distribuio Binomial

Vamos imaginar fenmenos cujos resultados s podem ser de dois tipos, um dos
quais considerado como sucesso e o outro insucesso. Este fenmeno pode ser repetido
tantas vezes quanto se queira (n vezes), nas mesmas condies. As provas repetidas devem
ser independentes, isto , o resultado de uma no deve afetar os resultados das sucessivas.
No decorrer do experimento, a probabilidade p do sucesso e a probabilidade de q (q = 1 -
p) do insucesso manter-se-o constantes. Nessas condies X uma varivel aleatria
discreta que segue uma distribuio binomial.

34.1. Clculo das probabilidades

P(x) = Cn, x . p x .q n x

Onde:

P(x) = a probabilidade de que o evento se realize x vezes em n provas.


p = a probabilidade de que o evento se realize em uma s prova = sucesso.
q = a probabilidade de que o evento no se realize no decurso dessa prova =
insucesso.
n = nmero de tentativas.
x = nmero de sucessos

OBS: O nome binomial devido frmula, pois representa o termo geral do


desenvolvimento do binmio de Newton.

34.2. Esperana matemtica

E(x) = n.p

34.3. Varincia

S 2 n. p.q

66
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

34.4. Desvio padro

S= n. p.q

35. Distribuio de Bernoulli

um caso particular da distribuio binomial. Com ela possvel calcular as


probabilidades associadas a uma nica tentativa do experimento. Neste caso, s h duas
possibilidades: ou fracasso (a se atribui 0 varivel aleatria) ou sucesso (quando se
atribui 1 varivel aleatria).

35.1. Clculo das probabilidades

A frmula adequada a este tipo de distribuio :

P(x) = p x (1 p )1 x

35.2. Esperana matemtica

E(x) = p

35.3. Varincia

S2 p.q

35.4. Desvio padro

S= p.q

36. Distribuio de Poisson

Descreve as probabilidades de certo nmero de ocorrncias num dado


intervalo, espao ou campo contnuo (tempo, comprimento, rea, volume, peso
etc.). Determina, por exemplo, a probabilidade da ocorrncia de certo nmero de
chamadas telefnicas por minuto, de clientes por hora, de acidentes por dia, de
2
defeitos por m de tecido, de ps de caf por alqueire e lactobacilos por ml de
leite.

A distribuio de Poisson lida com a varivel discreta inserida num espao


contnuo (no confundir com varivel contnua).

A distribuio de Poisson est baseada nas seguintes hipteses:

67
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

o experimento constitudo de eventos independentes;


s h um resultado possvel: ocorrncia do eventos;
a probabilidade de ocorrncia do evento constante em todo o
intervalo;
a probabilidade de mais de uma ocorrncia num mesmo ponto
zero.

Nos experimentos tpicos da distribuio de Poisson no possvel aplicar a


definio de probabilidade pela simples razo de que no possvel contar as no-
ocorrncias dos eventos. Neles, s as ocorrncias so passveis de medidas.

Para determinar a probabilidade de ocorrncia de qualquer resultado num


experimento ao qual se aplique a distribuio de Poisson basta conhecer a sua
mdia que por si s caracteriza a distribuio.

36.1. Clculo das probabilidades

A frmula que calcula as probabilidades numa distribuio de Poisson :

t
e ( t) x
P( x)
x!

Onde:

X = nmero de ocorrncias
E = 2,71828; base dos logaritmos neperianos
= taxa mdia de ocorrncias dos eventos por unidade de medida
T = espao de medida ou nmero de intervalos ou unidades

36.2. Esperana matemtica

E(x) =

36.3. Varincia

S2

36.4. Desvio padro

S=

37. Distribuio Hipergeomtrica

Distribuio aplicvel quando os eventos so dependentes entre si, mas o espao


amostral varia de um experimento para o outro.
68
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

37.1. Clculo das probabilidades

A frmula adequada a este tipo de distribuio :

C( N r ),( n x ) .C r , x
P( x)
C N ,n

Onde:

N = tamanho da populao
n = tamanho da amostra
r nmero de sucessos na populao
x nmero de sucessos na amostra

37.2. Esperana matemtica

E(x) = np

37.3. Varincia

S 2 npq( N n) /( N 1)

37.4. Desvio padro

S= npq( N n) /( N 1)

Obs.: em ambos os casos p = r/N e q = 1-p

38. Aproximao da Binomial por Poisson

A distribuio de Poisson pode ser utilizada para estimar probabilidades binomiais.


Para tanto, deve-se:

Determinar a mdia da distribuio binomial; = np


Considerar a mdia binomial como mdia de Poisson;
Aplicar a frmula de Poisson.

DISTRIBUIO CONTNUA
39. Distribuio Normal

Entre as distribuies tericas de varivel aleatria contnua, uma das mais


empregadas a distribuio Normal.
69
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

Muitas das variveis analisadas na pesquisa scio-econmica correspondem


distribuio normal ou dela se aproximam.

Propriedades da distribuio normal:

A varivel aleatria X pode assumir todo e qualquer valor real.


A representao grfica da distribuio normal uma curva em forma de
sino, simtrica em torno da mdia, que recebe o nome de curva normal ou de
Gauss.
A rea total limitada pela curva e pelo eixo das abscissas igual a 1, j que
essa rea corresponde probabilidade de a varivel aleatria X assumir
qualquer valor real.
A curva normal assinttica em relao ao eixo das abscissas, isto ,
aproxima-se indefinidamente do eixo das abscissas sem, contudo, alcan-
lo.
Como a curva simtrica em torno da mdia, a probabilidade de ocorrer
valor maior que a mdia igual probabilidade de ocorrer valor menor do
que a mdia, isto , ambas as probabilidades so iguais a 0,5 ou 50%. Cada
metade da curva representa 50% de probabilidade.

Quando temos em mos uma varivel aleatria com distribuio normal, nosso
principal interesse obter a probabilidade de essa varivel aleatria assumir um valor em
um determinado intervalo. Vejamos com proceder, por meio de um exemplo concreto.

Exemplo:

Seja X a varivel aleatria que representa os dimetros dos parafusos produzidos


por certa mquina. Vamos supor que essa varivel tenha distribuio normal com mdia =
2 cm e desvio padro = 0,04 cm. Qual a probabilidade de um parafuso ter o dimetro com
valor entre 2 e 2,05 cm?

P ( 2 < X < 2,05) = ?

Com o auxlio de uma distribuio normal reduzida (padronizada), isto , uma


distribuio normal de mdia = 0 e desvio padro = 1. Resolveremos o problema atravs da
(x )
varivel z, onde z .
S
Utilizaremos tambm uma tabela normal reduzida, que nos d a probabilidade de z
tomar qualquer valor entre a mdia 0 e um dado valor z, isto : P ( 0 < Z < z).

Temos, ento, que se X uma varivel aleatria com distribuio normal de mdia
e desvio padro S, podemos escrever: P( X x ) P (0 Z z ) .

No nosso problema queremos calcular P(2 < X < 2,05). Para obter essa
probabilidade, precisamos, em primeiro lugar, calcular o valor de z que corresponde a x =
2,05.
z = (2,05 - 2) / 0,04 = 1,25

70
Universidade Estcio de S
Disciplina: Probabilidade e Estatstica
Marcelo Abraho de Mattos

Utilizao da Tabela Z

Procuremos, agora, na tabela Z o valor de z = 1,25.

Na primeira coluna encontramos o valor at uma casa decimal = 1,2. Em seguida,


encontramos, na primeira linha, o valor 5, que corresponde ao ltimo algarismo do nmero
1,25. Na interseco da linha e coluna correspondentes encontramos o valor 0,3944, o que
nos permite escrever:

P (0 < Z < 1,25) = 0,3944 ou 39,44 %.

Assim, a probabilidade de um certo parafuso apresentar um dimetro entre a mdia


= 2cm e x = 2,05 cm de 39,44 %.

40. Aproximao da Binomial pela Normal

A distribuio Binomial tambm pode ser aproximada pela normal. Neste caso, a
preciso da aproximao vai melhorando quando a mdia e a varincia da distribuio
forem superiores a 5, atingindo um nvel timo quando a probabilidade de ocorrncia do
evento est prxima de 50%. Na aproximao, em razo do fato de a distribuio efetiva
ser discreta e a utilizada na estimativa das probabilidades ser contnua, deve-se aplicar a
chamada correo de continuidade, que consiste em calcular a probabilidade dentro de
certo intervalo e no em um ponto.

O procedimento para a aproximao da Binomial pela Normal :

Calcular a mdia e o desvio-padro da distribuio;


Transformar os valores efetivos em relativos (escala z);
Compor as probabilidades segundo os dados fornecidos;
Ler os valores nas tabelas e efetuar as somas ou diferenas exigidas.

71