Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
n
c
i
a
12
7
3
Manaus Outro municpio do Amazonas Outro estado
Grfico 2 Representao dos alunos do curso de engenharia do IFAM-CENTRO matriculados na
disciplina probabilidade e estatstica segundo a procedncia, 2 semestre/2012.
Fonte: Dirio de classe - 2012
2) Para variveis quantitativas:
A representao grfica da distribuio de frequncias de uma varivel contnua feita
atravs de um grfico chamado histograma. O histograma um grfico de barras verticais contguas
devido ao carter contnuo dos valores da varivel. As bases so proporcionais aos intervalos das
classes e a rea de cada retngulo proporcional respectiva frequncia que pode ser tanto a absoluta
simples como a percentual.
Grfico 3 Representao dos alunos do curso de engenharia do IFAM-CENTRO matriculados na
disciplina probabilidade e estatstica segundo a altura (cm), 2 semestre/2012.
Fonte: Dirio de classe - 2012
Um polgono de frequncia um grfico que se realiza atravs da unio dos pontos mais altos
das colunas num histograma de frequncia.
Os polgonos de frequncia para dados agrupados, por sua vez, constroem-se a partir da marca
de classe que coincide com o ponto mdio de cada coluna do histograma.
O ponto mdio calculado para cada intervalo pela mdia aritmtica entre os dois extremos:
8
19,5 24,5 29,5 34,5 39,5
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Idade
F
r
e
q
u
n
c
i
a
n
PM X
X
k
i
i i
=
1
) (
2
LI LS
PM
i
+
= , onde LS = limite superior do intervalo e LI = limite inferior do intervalo.
Grfico 4 Representao dos alunos do curso de engenharia do IFAM-CENTRO matriculados na
disciplina probabilidade e estatstica segundo a idade, 2 semestre/2012.
Fonte: Dirio de classe - 2012
4. MEDIDAS DE POSIO OU TENDNCIA CENTRAL
A tendncia central da distribuio de frequncias de uma varivel em um conjunto de dados
caracterizada pelo valor tpico dessa varivel. Essa uma maneira de resumir a informao contida nos
dados, pois escolheremos um valor para representar todos os outros.
Veremos trs medidas que podem ser utilizadas para descrever a tendncia central de um
conjunto de dados: a mdia, a mediana e a moda. Apresentaremos essas trs medidas e discutiremos
suas vantagens e desvantagens.
4.1 MDIA ARITMTICA SIMPLES
A mdia aritmtica simples (que chamaremos apenas de mdia) a medida de tendncia central
mais conhecida e usada para o resumo de dados. Essa popularidade pode ser devida facilidade de
clculo e ideia simples que ela nos sugere. No caso de dados no agrupados em uma distribuio de
frequncias, a mdia aritmtica definida por:
a) Para dados amostrais:
n
X
X
n
i
i
=
=
1
, onde, n = tamanho da amostra.
b) Para dados populacionais:
N
X
N
i
i
=
=
1
, onde N = tamanho da populao.
No caso dos dados estarem agrupados em uma tabela com intervalos de classe, o clculo da
mdia amostral definido pela expresso:
Onde PM
i
definido como ponto mdio de cada intervalo e K o nmero de
Intervalos, e definido por:
2
LI LS
PM
i
+
= , onde LS = limite superior do
intervalo e LI = limite inferior do intervalo.
PROPRIEDADES DA MDIA ARITMTICA:
a) A soma dos desvios de cada um dos valores de um conjunto em relao mdia sempre zero:
=
=
n
i
i
X X
1
0 ) (
9
b) Somando ou subtraindo um valor constante a cada um dos elementos de um conjunto de dados,
a mdia aritmtica desse conjunto fica somada ou subtrada por essa constante.
c) Multiplicando ou dividindo, por um valor constante, cada um dos elementos de um conjunto de
dados, a mdia aritmtica desse conjunto fica multiplicada ou dividida por essa constante.
4.2 MEDIANA
A mediana de um conjunto ordenado de dados definida como sendo o valor do meio desse
conjunto de dados, dispostos em ordem crescente, deixando metade dos valores acima dela e metade
dos valores abaixo dela.
a) Se n mpar ento existe apenas um valor do meio, que a mediana.
Seja o conjunto de dados (2,0 ; 3,3 ; 2,5 ; 5,6 ; 5,0 ; 4,3 ; 3,2 ).
Ordenando os valores (2,0 ; 2,5 ; 3,2 ; 3,3 ; 4,3 ; 5,0 ; 5,6). O valor do meio 3,3. A mediana o
valor 3,3.
b) Se n par ento existem dois valores do meio. A mediana mdia aritmtica simples deles.
Seja o conjunto de dados (3,0 ; 4,5 ; 5,5 ; 2,5 ; 1,3 ; 6,0 ).
Ordenando os valores (1,3 ; 2,5 ; 3,0 ; 4,5 ; 5,5 ; 6,0). Os valores do meio so 3,0 e 4,5.
A mediana (3,0 + 4,5)/2 = 3,75.
4.3. MODA
Uma maneira alternativa de representar o que tpico atravs do valor mais frequente da
varivel, chamado de moda.
Exemplos:
a) No conjunto de dados (1; 2; 3; 3; 4; 5; 5; 5; 5; 5) h apenas um valor de moda, o valor 5. O
conjunto de dados chamado de UNIMODAL.
b) No conjunto de dados (1; 2; 2; 2; 2; 3; 4; 5; 6; 6; 6; 6; 7; 9) existem duas modas, os valores 2
e 6. O conjunto de dados chamado de BIMODAL.
c) No conjunto de dados (1; 2; 3; 4; 5; 6; 7; 8; 9) no existe um valor mais frequente que os
demais. Portanto o conjunto chamado de AMODAL.
A moda tambm a nica das medidas de tendncia central que faz sentido no caso de variveis
qualitativas. Assim, a categoria dessas variveis que aparecer com maior frequncia chamada de
categoria modal.
MODA, MEDIANA OU MDIA: COMO ESCOLHER?
Devemos sempre apresentar os valores de todas as medidas de tendncia central. Na sequncia
faremos uma comparao entre elas em situaes onde a diferena entre seus valores poder levar a
concluses diversas sobre os dados.
MEDIANA VERSUS MDIA
A mdia uma medida-resumo muito mais usada na prtica do que a mediana. Existem vrias
razes para essa popularidade da mdia, entre elas, a facilidade de tratamento estatstico e algumas
propriedades interessantes que a mdia apresenta.
No entanto, a mdia uma medida muito influenciada pela presena de valores extremos em um
conjunto de dados (valores muito grandes ou muito pequenos em relao aos demais).
Como a mdia usa os valores de cada observao em seu clculo, esses valores extremos
puxam o valor da mdia em direo a si, deslocando tambm a representao do centro, que j no
ser to central como deveria ser.
A mediana, por sua vez, no to influenciada por valores extremos, pois o que utilizamos para
calcul-la a ordem dos elementos e no diretamente seus valores. Assim, se um elemento do conjunto
10
de dados tem o seu valor alterado (um erro, por exemplo), mas sua ordem continua a mesma, a
mediana no sofre influncia nenhuma.
De modo geral, o uso da mediana indicado quando:
Os valores para a varivel em estudo tm distribuio de frequncias assimtrica (verificada
atravs das ferramentas grficas);
O conjunto de dados possui algumas poucas observaes extremas (valores muito mais altos
ou muito mais baixos que os outros);
MODA VERSUS MDIA E MEDIANA
A moda no uma medida de tendncia central muito utilizada, mas tem suas vantagens em
relao mdia e mediana, especialmente quando estamos lidando com variveis que possuem
distribuio de frequncias bimodais ou multimodais.
5. MEDIDAS DE VARIABILIDADE (DISPERSO).
As medidas de tendncia central (mdia, mediana, moda) conseguem resumir em um nico
nmero, o valor que tpico no conjunto de dados. Mas, somente com essas medidas, conseguimos
descrever adequadamente o que ocorre em um conjunto de dados?
Tomemos como exemplo os dois conjuntos de observaes abaixo:
A: 25 28 31 34 37 B: 17 23 30 39 46
Ambos tm a mesma mdia, 31. No entanto, percebe-se intuitivamente que o conjunto B acusa
disperso muito maior do que o conjunto A. Torna-se ento necessrio estabelecer medidas que
indiquem o grau de disperso, ou variabilidade, em relao ao valor central.
As medidas de disperso so medidas que mostram o grau de disperso ou de concentrao em
torno da mdia. As principais medidas de disperso so: varincia, desvio padro e coeficiente de
variao.
5.1. VARINCIA.
Esta medida leva em conta todas as observaes da amostra e mede a disperso desses valores
em torno da mdia. dada pela soma dos quadrados dos desvios (SQD) em relao a media aritmtica,
dividida pelo nmero de graus de liberdade (G.L)*. Por definio a mdia dos quadrados dos desvios
a) Para dados amostrais:
1
) (
1
2
2
=
n
X Xi
s
n
i
onde, n = tamanho da amostra.
b) Para dados populacionais:
N
X
N
i
i
=
=
1
2
2
) (
+
. A interpretao do valor a mesma.
b) CURTOSE: identifica se a curva que representa uma distribuio de frequncias apresenta
um formato achatado ou alongado em relao curva padro normal (gaussiana). De modo geral, as
distribuies se classificam quanto curtose, conforme mostrado na figura 2. calculada com base
na concentrao ou disperso dos valores de um conjunto de dados em relao medidas de tendncia
central de uma distribuio.
Figura 2 Tipos de distribuio quanto curtose.
Logo, uma curva (conjunto) poder ser quanto sua Curtose:
Mesocrtica: ou de curtose mdia. Fica no meio termo. Nem muito achatada e nem muito
afilada.
Platicrtica: a curva mais achatada.
Leptocrtica: a curva mais afilada.
a) b) c)
14
Para verificar o tipo de curva (da distribuio) e o grau de Curtose utiliza-se a medida
estatstica adimensional denominada de Coeficiente de Curtose definido como:
) ( 2
) (
10 90
1 3
P P
Q Q
C
=
onde: Q
3
e Q
1
= Terceiro e primeiro quartis.
P
10
e P
90
=Dcimo e nonagsimo percentis.
A interpretao para o Coeficiente de Curtose :
Se C = 0,263 curva mesocrtica
C < 0,263 curva leptocrtica
C > 0,263 curva platicrtica
15
6. CONCEITOS BSICOS DE PROBABILIDADE
Segundo Magalhes e Lima (2002, p.37) a teoria das probabilidades tem por objetivo o estudo
de fenmenos aleatrios.
Para Morettin (2006, p.1) na natureza encontramos dois tipos de fenmenos: os determinsticos
e os aleatrios. Segundo o mesmo autor, os fenmenos determinsticos so aqueles em que os
resultados so sempre os mesmos, qualquer que seja o nmero de repeties dele. Por exemplo, se
deixarmos um bloco de gelo a temperatura ambiente sabemos que haver a passagem para o estado
lquido. J o fenmeno chamado de aleatrio se quando observado repetidamente sob as mesmas
condies ele produz resultados diferentes a cada repetio. Mesmo que a chance da ocorrncia seja
alta, os resultados no so conhecidos antes de ocorrer, mas mantm certa regularidade, o que permite
determinar a chance de ocorrncia, qual seja, a Probabilidade.
So exemplos:
Condies climticas do prximo domingo;
Jogar uma moeda repetidamente e observar o resultado da face de cima;
Jogar um dado e observar o nmero mostrado na face superior;
Quando a possibilidade de repetir o fenmeno est na mo do experimentador, este fenmeno
aleatrio chamado de experimento aleatrio.
6.1. ESPAO AMOSTRAL ( - mega) E EVENTO
O espao amostral () o conjunto formado por todos os resultados possveis de um
experimento aleatrio. Este conjunto ser nico para cada experimento aleatrio. Os elementos que
compem o espao amostral so chamados de pontos amostrais.
Um evento qualquer subconjunto do conjunto definido como espao amostral.
So exemplos de experimentos aleatrios e seu espao amostral:
a) Lanar uma moeda honesta e observar a face voltada para cima.
Os resultados possveis so: = {Cara, Coroa}.
c) Lanar um dado honesto e observar o resultado do lanamento.
Os resultados possveis so: = {1; 2; 3; 4; 5; 6 }.
d) Lanamento simultneo de duas moedas honestas.
Os resultados possveis so: = {(cara, cara), (cara, coroa), (coroa, cara), (coroa, coroa)}.
6.2. OPERAES COM EVENTOS ALEATRIOS
Para verificarmos as operaes possveis com eventos aleatrios utilizaremos alguns conceitos
da teoria dos conjuntos.
Consideremos o espao amostral finito = {e
1
, e
2
, ... e
n
} e dois eventos A e B associados a ele.
a) UNIO:
DEFINIO: A U B = {e
i
| e
i
A ou e
i
B} para i = 1, 2, ..., n.
Ou seja, o evento unio formado por todos os pontos amostrais que pertencem a pelo menos
um dos eventos.
Figura 3 Evento Unio
16
b) INTERSECO:
DEFINIO: A I B = {e
i
| e
i
A e e
i
B} para i = 1, 2, ..., n.
Ou seja, o evento interseco formado por todos os pontos amostrais que pertencem
simultaneamente aos eventos A e B.
Figura 4 Evento Interseco
Quando a interseco entre dois ou mais eventos vazia ( ), dizemos que os eventos so
mutuamente excludentes ou mutuamente exclusivos ou disjuntos.
Figura 5 Eventos mutuamente exclusivos
c) COMPLEMENTAO:
DEFINIO: - A = A
c
= {e
i
| e
i
A} para i = 1, 2, ..., n.
Ou seja, o complementar de um evento formado por todos os pontos amostrais que
pertencem ao espao amostral, mas no pertencem ao evento.
Figura 6 Complementar de um evento
Exemplo: Seja o experimento aleatrio lanamento um dado honesto e observao dos
resultados. O espao amostral formado por: = {1, 2, 3, 4, 5, 6}. Considere os seguintes eventos:
1. Sada de uma face par A = {2, 4, 6};
2. Sada de uma face mpar B = {1, 3, 5};
3. Sada de uma face menor ou igual a 3 C = {1, 2, 3}
Determinar os eventos:
a) A U C =
b) B U C =
c) A
c
=
d) (B U C)
c
=
e) A
c
I B =
f) A
c
I B
c
=
g) C
c
=
h) A
I B =
17
6.3. ALGUMAS PROPRIEDADES RELATIVAS A CONJUNTOS
a) X Y = Y X (Lei comutativa da Unio)
b) X Y =Y X (Lei comutativa da interseco)
c) X (Y Z) = (X Y) Z = X Y Z (Lei associativa da unio)
d) X (Y Z) = (X Y) Z = X Y Z (Lei associativa da interseco)
e) X (Y Z) = (X Y) (X Z) (Primeira Lei Distributiva)
f) X (Y Z) = (X Y) (X Z) (Segunda Lei Distributiva)
g) X = X e X =
h) X U = U e X U = X
i) (X Y)
c
= X
c
Y
c
(Primeira Lei de Morgan)
j) (X Y)
c
= X
c
Y
c
(Segunda Lei de Morgan)
k) X = (X Y) (X Y)
c
(para quaisquer conjuntos X e Y)
Exerccios:
1. As atividades fsicas tm sido recomendadas como forma de se obter uma boa qualidade de vida.
Uma pesquisa realizada com mdicos que residem na regio ocenica de uma determinada cidade, na
faixa etria entre 30 e 40 anos, sobre a prtica de duas modalidades de atividades fsicas
caminhada na orla martima e exerccios em academia de ginstica, 130 apenas caminham na orla,
280 praticam somente uma das duas modalidades e 30 praticam as duas modalidades. A quantidade
de mdicos que frequentam academia de ginstica corresponde a:
a) 150 b) 160 c) 180 d) 210 e) 280
2. Uma pesquisa referente a dois telejornais, A e B, envolvendo 100 pessoas, revelou que:
82 gostam de A;
76 gostam de B;
4 no gostam nem de A, nem de B.
O nmero de pessoas que gosta de ambos os telejornais :
a) 56 b) 58 c) 60 d) 62 e) 64
3. Uma pesquisa realizada com um grupo de 78 pessoas acerca de suas preferncias individuais de
lazer nos finais de semana, entre as opes caminhar no parque, fotografar e ir ao cinema, revelou
que:
26 preferem caminhar no parque;
19 preferem ir ao cinema;
12 preferem caminhar no parque e ir ao cinema;
8 preferem fotografar e caminhar no parque;
5 preferem fotografar e ir ao cinema;
2 preferem as 3 opes;
20 no preferem nenhuma dessas trs opes.
Nessa situao, a quantidade desses indivduos que preferem fotografar, mas no gosta de ir ao cinema
e nem de caminhar no parque nos finais de semana igual a:
a) 10; b) 12; c) 15; d) 25; e) 29.
6.4. PARTIO DE UM ESPAO AMOSTRAL
Figura 7 Partio de um espao amostral
18
DEFINIO: Dizemos que os eventos A
1
, A
2
, ..., A
n
formam uma partio do espao amostral se:
a) A
i
, i = 1, 2, ..., n.
b) A
i
I A
j
= , para i j.
c)
U
n
i 1 =
A
i
= .
6.5. PROBABILIDADE
1. FUNO DE PROBABILIDADE:
DEFINIO: a funo P que atribui aos eventos do espao amostral um nmero real
pertencente ao intervalo [0,1], satisfazendo aos seguintes axiomas:
i. P() = 1.
ii. P(A U B) = P(A) + P(B) se A e B forem mutuamente exclusivos.
iii. P(
U
n
i 1 =
A
i
) =
=
n
i 1
P(A
i
), se A
1
, A
2
, ..., A
n
forem, dois a dois, eventos mutuamente
exclusivos.
Pela definio, observamos que 0 P(A) 1 para todo evento A .
2. TEOREMAS:
T1 Se os eventos A
1
, A
2
, ..., A
n
formam uma partio do espao amostral , ento:
=
n
i 1
P(A
i
) = 1.
T2 Se o evento impossvel, ento P( ) = 0.
T3 Para todo evento A , P(A) + P(A
c
) = 1.
T4 Sejam A e B . Ento P(A U B) = P(A) + P(B) P (A
I B) chamado de Teorema
da Soma.
3. EVENTOS EQUIPROVVEIS:
Consideremos o espao amostral = {e
1
, e
2
, ..., e
n
} associado a um experimento aleatrio.
Chamemos P(e
i
) = p
i
, i = 1, 2, ..., n.
Temos
=
n
i 1
P(e
i
) =
=
n
i 1
p
i
= 1 a
DEFINIO: Os eventos e
1
, e
2
, ..., e
n
so equiprovveis quando P(e
1
) = P(e
2
) = ... = P(e
n
) = p, isto ,
quando todos tm a mesma probabilidade de ocorrer.
Ento a fica:
=
n
i 1
p
i
= 1 np = 1 p =
n
1
Logo, se os n pontos amostrais (eventos) so equiprovveis, a probabilidade de cada um dos pontos
amostrais
n
1
. Suponha um evento A tal que ele tenha k pontos amostrais A = {e
1
, e
2
, ..., e
k
}
1 k n. P(A) =
=
k
i 1
P(e
i
) =
=
k
i 1
p = K p = K
n
1
P(A) =
n
K
Podemos resumir P(A) =
possveis casos de total
A evento ao favorveis casos de n
.
19
Exemplo - Seja o Experimento Aleatrio lanamento de um dado no viciado e observao da face
voltada para cima. O seu espao amostral ser = {1, 2, 3, 4, 5, 6}. Definindo trs eventos: A = face 1 =
{1}, B = face par = {2, 4, 6} e C = face
n
i
i i
j j
A B P A P
A B P A P
1
) | ( ) (
) | ( ) (
, j = 1, 2, ..., n
EXERCCIOS:
1. A probabilidade de um homem estar vivo daqui a 20 anos de 0,4 e de sua mulher de 0,6. Qual a
probabilidade de que:
a) ambos estejam vivos no perodo?
20
b) somente o homem estar vivo?
c) ao menos a mulher estar viva?
d) somente a mulher estar viva?
2. Um casal pretende ter filhos. Sabe-se que a cada ms a probabilidade da mulher engravidar de
20%. Qual a probabilidade dela vir a engravidar somente no quarto ms de tentativas?
3. Em uma escola de idiomas com 2000 alunos, 500 alunos fazem o curso de ingls, 300 fazem o curso
de espanhol e 200 cursam ambos os cursos. Selecionando-se um estudante do curso de ingls, qual a
probabilidade dele tambm estar cursando o curso de espanhol?
4. Considere uma prova de Matemtica constituda de quatro questes de mltipla escolha, com
quatro alternativas cada uma, das quais apenas uma correta. Um candidato decide fazer essa
prova escolhendo, aleatoriamente, uma alternativa em cada questo. Qual a probabilidade de esse
candidato acertar, nessa prova, exatamente uma questo?
5. As mquinas A e B produzem o mesmo tipo de embalagem para teste de laboratrio. A porcentagem
de embalagens defeituosas produzidas, respectivamente, pelas mquinas A e B de 15% e de 5%.
Foram misturadas, numa caixa 100 embalagens produzidas por A e 100 produzidas por B. Se
tirarmos uma embalagem ao acaso e ela for defeituosa, a probabilidade de que tenha sido
produzida pela mquina A?
6. Um novo teste foi desenvolvido para determinar se um estudante est estressado com o estudo de
Teoria das Probabilidades. O teste 95% acurado (d o resultado correto) se o estudante NO
est estressado, mas acerta somente 85% se ela ou ela esta de fato estressado. Sabe-se que
99,5% de todos os estudantes esto estressados. Sabendo-se que o resultado de um teste indicou
que certo aluno no esta estressado, qual a probabilidade de que o teste tenha indicado o resultado
correto?
BIBLIOGRAFIA BSICA:
Calegari, J.S.M., Bioestatstica: princpios e aplicaes. 1 ed., Artmed, 2004.
Fontelles, M.J., Bioestatstica: aplicada pesquisa experimental. 1 ed, Livraria da Fsica, 2012
Montgomery,D.C.; Runger,G.C. Estatstica Aplicada e Probabilidade para Engenheiros, 5 ed, LTC, 2012.
Morettin, L.G. Estatstica Bsica. Makron Books, 2009.
Meyer, P. Probabilidade: aplicaes estatstica. LTC,
Vieira, S. Introduo Bioestatstica, 2 ed, Campus, 1991
BIBLIOGRAFIA COMPLEMENTAR:
Arango, H.G., Bioestatstica terica e computacional, 1 ed, Guanabara Koogan, 2001
Barbetta, P.A.; Reis, M.M.; Bornia, A.C. Estatstica para cursos de engenharia e informtica, Atlas, 3
ed, 2010.
Magalhes, M.N.; Lima, A.C.P. Noes de probabilidade e estatstica, Edusp, 2002.
Walpole, R.E; Myers, R.H.; Myers, S.L.; Ye, K. Probabilidade e estatstica para cincias exatas. Pearson
Prentice Hall, 2009