Estatística para Engenharia e Informática

Estatstica para os cursos de Engenharia
e Informtica
Eurpedes MACHADO Rodrigues
ESTATSTICA
1. INTRODUO:
A Estatstica, ramo da Matemtica Aplicada, teve sua origem na Antigidade, vrios povos
j registravam o nmero de nascimentos, de bitos, de habitantes, faziam estimativas de riqueza
individual e social, distribuam eqitativamente terras ao povo, cobravam impostos, etc., por
processos que, hoje, chamamos de Estatsticas.
Originalmente as Estatsticas tratavam dos negcios do Estado (especialmente com
objetivos tributrios ou militares) o que justifica a etimologia da palavra que surgiu do latim
STATUS (Estado).
A palavra Estatstica usada em dois sentidos:
1.1. ESTATSTICAS (no plural)
refere-se a dados numricos e so informaes sobre
determinado assunto, grupo de pessoas, fenmenos de interesse do Estado, etc., obtidas por
um pesquisador.
1.2. ESTATSTICA (no singular) significa o conjunto de processos usados na classificao,
organizao, descrio, anlise e interpretao de dados experimentais.
Comumente a Estatstica relacionada com dados e nmeros da Sade Pblica, Bolsa de
Valores, Crescimento de Populao, Testes Psicolgicos, Engenharia, Fsica, Matemtica,
Qumica, Economia, alm de setores do planejamento da produo, anlises comerciais e estudos
sociolgicos.
2. EVOLUO HISTRICA DA ESTATSTICA
Os vrios aspectos e acontecimentos da evoluo histrica da Estatstica agrupam-se em
trs perodos:
2.1. 1 PERODO - PREPARAO DOS FATOS
Abrange a Idade Antiga, Idade Mdia e parte da Idade Moderna, na Histria da Civilizao.
caracterizado por registros de interesse Estatal, sendo denominado de perodo da Estatstica
Administrativa. No livro sacro , Chouking, de Confcio, tem-se notcias da preparao dos
Estados da China, no ano 2238 a.C. O imperador Iao ordenou o levantamento sobre agricultura,
indstria e comrcio. Ainda na Idade Antiga, conta-nos a Bblia Sagrada o levantamento do povo
judaico para fins guerreiros e, na poca de Augusto, era feito o recenseamento da populao
(com o objetivo de verificar o quanto o povo pagava de impostos) e extenso territorial do Imprio
Romano. A Igreja Catlica, por ocasio do conselho de Trento, ordenou que se fizesse o registro
de nascimentos, casamentos e mortes.
Na Idade Mdia, destacam-se os rabes, no ano 721, com a coleta numrica das cidades
dominadas, contagem de suas populaes , fbricas e de cada espcie de seus produtos, para
controle das conquistas territoriais.
Carlos Magno, rei dos francos e imperador do Ocidente, de 771 a 814, tendo em vista fins
de carter financeiro e administrativo, estabeleceu o organismo de Estado.
Guilherme, o Conquistador, ordenou a elaborao de um cadastro da diviso do solo da
Inglaterra das vrias classes sociais existentes, para fins de arrecadao de impostos, o que deu
origem em 1086, obra Domesday Book, considerada como modelo marcante desse perodo.

e Informtica
2.2. 2 PERIDO PREPARAO DAS TEORIAS

Caracterizam-se pelas crticas e polmicas tendendo a instituir a Estatstica como
disciplina autnoma. Assim, Herman Coring no sculo XVII na Alemanha, emprega a Estatstica
j como disciplina autnoma e descreve o Estado considerando seu territrio, seu governo e suas
finanas.
Na Inglaterra, no sculo XVII, John Graunt (1620 1674) inicia investigaes sobre a
Estatstica Demogrfica e descobre em estudos analticos, certas propores entre nascimentos,
casamentos e bitos, chegando a uma estimativa aproximada da populao de Londres e de
outras cidades.
William Petty, autor do termo Aritmtica Poltica, baseado em informaes estatsticas,
tira concluses com aproximao sobre a regularidade dos fenmenos sociais .
Edmond Halley esboa a primeira tabela de mortalidade.
Adolphe Quetelet, no sculo XVIII, aplica, no estudo demogrfico e social, a lei dos
grandes nmeros e considerado o maior expoente da aplicao dessa lei.
Godofredo Achenwall, no sculo XVIII, batizou a nova cincia (ou mtodo) com o nome de
Estatstica, determinando o seu objetivo e suas relaes com as cincias
Blaise Pascal, na Frana, no sculo XVIII, e Pierre Fermat descobrem o clculo das
Probabilidades, desenvolvidas depois por Bernoulli, Gauss, Laplace e outros, e mais
recentemente, no sculo XIX e XX com Person, Galton, Gosset (que usava o pseudnimo de
Student), Fischer e outros, a Estatstica se estruturou como cincia, ganhando enorme
evidncia.
2.3. 3 PERODO APERFEIOAMENTO TCNICO E CIENTFICO
Inicia-se em 1853, com o primeiro Congresso de Estatstica e abrange parte da
Idade Moderna, estendendo-se pela Idade Contempornea. Neste perodo, destaca-se entre
outros, Francis Galton, com o emprego da Estatstica Metodolgica nos problemas da
hereditariedade, James Clerk Maxwell, empregando a Estatstica na teoria cintica dos gases.
Atualmente, a Estatstica desempenha papel de importncia crescente em quase todas as
fases de uma pesquisa, aplicando-se a toda cincia experimental.
3. DEFINIES DE ESTATSTICA:
Diversos autores apresentam definies que no so suficientemente claras para nos dar
uma idia definitiva do seu significado porm, destacamos dois aspectos: O Descritivo e o
Inferencial ou Indutivo. Eis algumas delas:
3.1. Conjunto dos processos que tm por objetivo a observao, a classificao formal e a anlise
dos fenmenos coletivos ou de massa e, por fim a induo das leis a que tais fenmenos
obedecem globalmente.
(Milton da Silva Rodrigues)
3.2. Estatstica o estudo de dados quantitativos marcados por uma multiplicidade de causas.
(Yule)
3.3. A Estatstica a parte da Matemtica Aplicada que se ocupa em obter concluses a partir de
dados observados.
(Ruy Aguiar da Silva Leme)
3.4. A Estatstica ocupa-se dos procedimentos para tomar decises em situaes caracterizadas
pela incerteza, praticamente sempre presentes na medida em que, quem decide no pode
estar certo de conhecer ou controlar os resultados de sua ao.
(Abraham Wald)
3.5. a observao metdica, e to universal quanto possvel dos fatos considerados em globo,
reduzidos a grupos homogneos e interpretados mediante a induo matemtica. (Ferraris)
3.6. A Estatstica constitui um corpo de processos usados no estudo de grandes massas e dados
numricos com o objetivo de extrair dos mesmos, fatos reduzidos e simples. (Albert Wanghi)
3.7. A Estatstica est interessada nos mtodos cientficos para coleta, organizao, resumo,
apresentao e anlise de dados, bem como na obteno de concluses vlidas e na tomada
de decises razoveis, baseadas em tais anlises.
(Murray R. Spiegel)
2

e Informtica
De modo geral, podemos resumir as definies vistas anteriormente em:

Estatstica a parte da Matemtica Aplicada que trata da coleta, organizao, anlise e
interpretao de dados coletados com a finalidade de auxiliar na tomada de decises.
4.
RELAO ENTRE A ESTATSTICA E A PSICOLOGIA
A Estatstica na psicologia se inicia com os estudos dos fisiologistas do sculo XIX (Fischer,
Watson, Wundt e outros). Embora divergindo de suas concepes filosficas, tinham em comum
nas suas pesquisas o pensamento de que possvel aplicar tcnicas experimentais e
procedimentos matemticos ao estudo dos problemas psicolgicos, ou seja, sentimentos,
emoes, percepes, alegrias, tristezas, ansiedades, stress, etc.
Essas caractersticas,
chamadas psicolgicas, quando ativadas, repercutem somaticamente, ou seja, so refletidas
atravs do corpo ( suores, tremores, rubores, etc...).
A medida dessa repercusso ser interpretada na Estatstica pelo psiclogo, atravs de
tabelas, grficos, medidas de tendncia central , medidas de disperses, etc.
Na psicologia, a Estatstica como ferramenta de trabalho contribui para o planejamento
experimental de dados coletados (populao em estudo), anlise de suas variveis, processo de
amostragem, chegando na realizao do experimento propriamente dito ou seja, um instrumento
avaliador em psicologia projetado com auxlio dos princpios estatsticos.
5.
CONCEITOS INTRODUTRIOS:
5.1. DADOS
So informaes obtidas a partir de medies de grandezas, resultados de pesquisas,
respostas a questionrios ou contagem de modo geral.
5.2. MTODO ESTATSTICO

O Mtodo Estatstico consiste em tcnicas utilizadas na pesquisa de fenmenos
coletivos. composto das seguintes fases:
A) Coleta de Dados
Quando os dados so obtidos diretamente em sua fonte de origem temos uma
coleta direta. Como exemplo, os salrios dos funcionrios de uma empresa que podem
ser consultados no seu departamento pessoal.
O principal instrumento de coleta o questionrio.
A coleta indireta quando os dados so retirados de revistas, jornais, livros,
Internet, etc., ou obtidos de instituies como IBGE. Neste caso, devemos mencionar a
fonte responsvel pelas informaes bem como a data e o local da publicao.
B) Crtica dos Dados
a fase em que os dados obtidos na coleta de dados devem ser analisados,
corrigindo possveis enganos, evitando que informaes errneas (ou destorcidas) possam
influenciar os resultados do estudo.
C) Apurao dos Dados
A apurao dos dados consiste na contagem ou tabulao dos dados coletados
aps a crtica, ordenando-os segundo critrios de classificao estabelecidos.
3

e Informtica
D) Apresentao dos Dados

Aps a apurao os dados so apresentados em tabelas ou grficos.
E) Anlise dos Resultados
Para auxiliar a interpretao dos dados so necessrias algumas medidas
estatsticas.
A anlise feita em funo dos objetivos estabelecidos na pesquisa, visando a
tomada de decises no sentido de melhorar certas tendncias observadas no fenmeno
estudado. Por exemplo, ao pesquisarmos os acidentes de uma rodovia podemos detectar
possveis causas e apresentar alternativas que possam minimizar o nmero de acidente.
5.3. POPULAO OU UNIVERSO.
um conjunto de elementos (indivduos ou objetos) que apresentam pelo menos uma
caracterstica em comum, ou ainda, o conjunto de elementos que o pesquisador deseja estudar.
Conforme vimos, a Estatstica tem por objeto o estudo dos fenmenos coletivos e das
relaes que existem entre eles. Entende-se como fenmeno coletivo quele que se refere
populao ou universo, que compreende um grande nmero de elementos, sejam pessoas ou
coisas. Portanto, para a Estatstica, somente interessam os fatos que englobem um grande
nmero de elementos, pois ela busca encontrar leis de comportamento para todo o conjunto e no
se preocupa com cada um dos elementos em particular.
Quanto ao nmero de elementos, a populao pode ser finita ou infinita. finita quando
apresenta um nmero limitado de indivduos. A populao infinita possui um nmero infinito de
elementos e geralmente est associada a processos. Porm, tal definio existe apenas no campo
terico, pois, na prtica, nunca encontramos populaes com infinitos elementos, mas, sim,
populaes com um grande nmero de componentes, como ocorre na Estatstica Matemtica, que
so tratadas como se fossem infinitas.
Exemplos de populaes finitas e infinitas:
1) A populao constituda por todos os automveis produzidos por uma montadora em um dia de
servio finita;
2) A populao constituda de todos os resultados possveis (cara ou coroa) em sucessivos lances
de uma moeda infinita.
5.4. AMOSTRA
Quando a populao muito grande, torna-se difcil a observao dos aspectos a serem
executados de cada um dos elementos, devido a impossibilidade ou inviabilidade econmica ou
temporal. Nessas circunstncias, fazemos a seleo de uma amostra suficientemente
representativa da populao e, atravs da observao dessa, estaremos aptos a analisar os
resultados, da mesma forma que se estudssemos toda a populao.
Amostra um subconjunto de uma populao, necessariamente finita, pois todos os seus
elementos sero examinados para efeito da realizao do estudo estatstico desejado e so
obtidas por tcnicas adequadas, chamadas amostragens.
5.5. AMOSTRAGEM
Amostragem uma tcnica especial para recolher amostras, cuja escolha feita ao acaso.
Dessa forma, cada elemento da populao passa a ter a mesma chance de ser escolhido, o
que garante amostra o carter de representatividade, assim, nossas concluses relativas a uma
populao estaro baseadas nos resultados obtidos nas amostras dessa populao.

e Informtica
As referncias quanto anlise e interpretao de dados dividem a estatstica em duas

partes: Estatstica Descritiva e Estatstica indutiva.
5.6. ESTATSTICA DESCRITIVA (ou Dedutiva)
aquela que tem por objeto a coleta, a organizao e a descrio dos dados experimentais,
ou seja, descreve e analisa determinada populao, sem pretender tirar concluses de modo
genrico. Seu principal objetivo a racionalizao dos dados, atravs de tabelas, grficos,
medidas de posio, de variabilidade e de correlao.
Resumindo:
Organizao dos Dados:
Tabelas;
Grficos;
Anlise Reduo dos Dados:
Medidas de Posio (Mdia, Mediana, Moda, etc.)
Medidas de Variabilidade ou de Disperso: Desvio Mdio, Desvio Padro, Varincia, etc.
Medidas de Correlao
Esquematicamente:
Coletas de
Crtica dos
Apresentao
Tabelas
Anlises
dados
5.7.
dados
dos dados
Grficos
ESTATSTICA INDUTIVA OU INFERNCIA ESTATSTICA
a parte da Estatstica que, baseando-se em resultados obtidos da anlise de

uma amostra da populao, procura concluir, sugerir ou estimar as leis de comportamento da
populao da qual a amostra foi retirada.
Os objetivos principais da Estatstica Indutiva so: tirar concluses sobre populaes
atravs de amostras extradas dessa populao, induzindo ou caracterizando uma populao
atravs de amostra e ainda dizer qual a probabilidade de erro, j que o processo de induo no
exato. Tambm atravs da Estatstica Indutiva podemos aceitar ou rejeitar hipteses que podem
surgir sobre as caractersticas da populao, a partir
tambm da anlise da amostra
representativa dessa populao.
Como observao: quanto maior for a amostra, mais precisas e confiveis devero ser as
indues realizadas na populao.
6.
MEDIDAS - So atribuies numricas a coisas, de acordo com regras especficas.
6.1. PROPRIEDADES DAS MEDIDAS:

IDENTIDADE
ORDENAO
ADITIVADADE
Essas propriedades sero vistas na classificao das variveis quanto ao seu nvel de
mensurao.
7. VARIVEIS
Convencionalmente, varivel o conjunto de resultados possveis de um fenmeno, pois, os
fenmenos analisados estatisticamente so passveis de variao, isto , podem assumir
diferentes valores. Praticamente a todos os fenmenos que ocorrem na natureza, por exemplo:
5

e Informtica
sexo (que tem dois resultados possveis: masculino ou feminino), nmero de filhos, estatura, peso,
inteligncia, beleza, profisso, etc, corresponde um certo nmero de resultados possveis.
Na prtica, no trabalhamos estatisticamente com os elementos existentes, mas sim, com
alguma de suas caractersticas que sejam fundamentais ao nosso estudo. Por exemplo: o
conjunto de elementos pode ser parafusos produzidos por uma mquina. No faremos nenhum
tratamento matemtico com os parafusos e sim, com alguma de suas caractersticas como, por
exemplo, comprimento, peso, dimetro, perfeito ou defeituoso, etc.
Como podemos notar, a caracterstica de interesse poder ser qualitativa ou quantitativa.
Temos, ento, variveis qualitativas e variveis quantitativas:
7.1.
VARIVEL QUALITATIVA
A varivel ser qualitativa quando resultar de uma classificao por tipo (categorias)
ou atributo (modalidades) , por exemplo:
a) Populao: parafusos produzidos por uma mquina
Varivel: qualidade (perfeito ou defeituoso);
b) Populao: nmero de registros de casamentos de um cartrio civil
Varivel: qualidade (com comunho de bens ou com separao de bens)
c) sexo atributo: masculino ou feminino
d) cor da pele atributo: branca, preta, amarela, vermelha, parda, etc.,
e) cor dos olhos atributo: azuis, verdes, castanhos, pretos, etc.
7.2.
VARIVEL QUANTITATIVA
A varivel ser quantitativa quando seus valores forem expressos em nmeros, ou seja,
refere-se exclusivamente a quantidades (idade dos alunos de uma Universidade, salrios dos
funcionrios de uma empresa, etc.), subdividindo-se em discretas e contnuas.
7.2.1. VARIVEL QUANTITATIVA DISCRETA (OU DESCONTNUA)
Uma varivel quantitativa discreta quando assume valores pertencentes a um conjunto
enumervel (um nmero finito de valores isolados dentro de um intervalo), os valores so
obtidos mediante alguma forma de contagem, razo pela qual seus valores so expressos
atravs de nmeros naturais {0; 1; 2; 3; ...}, por exemplo: a) nmero de filhos de um casal pode
ser 3 filhos, mas no pode ser 2,75 filhos;
b) nmero de livros em uma estante pode ser 300 livros, mas no pode ser 275,832 livros;
c) nmero de chamadas telefnicas pode ser 50 chamadas, mas no pode ser 37,682
chamadas;
d) Populao: aparelhos produzidos por uma linha de montagem. Varivel : nmero de defeitos
por unidade.
7.2.2. VARIVEL QUANTITATIVA CONTNUA
Uma varivel quantitativa contnua quando pode assumir qualquer valor num
certo
intervalo
de variao, assim, as observaes (ou valores) so obtidos atravs de
mensurao (medida) e a interpretao de que se trata de um valor aproximado, pois no
existem instrumentos capazes de oferecer preciso absoluta, por exemplo:
a) se uma pessoa tem altura de 1,78m, devemos considerar que o valor exato est entre
1,775m e 1,785m , por exemplo;
b) o comprimento de um terreno;
c) o dimetro externo de uma pea;
d) o peso de certa pessoa (50,5 kg ; 50,573kg ; 50,585kg ; ...).

e Informtica
De modo geral, podemos dizer que, as medies do origem a variveis contnuas e as

contagens ou enumeraes, a variveis discretas.
As variveis so designadas por letras latinas, geralmente, as ltimas: x , y , z , por
exemplo:
Sejam, 0, 1, 2 e 3 todos os resultados possveis de um dado fenmeno. Podemos indicar a
varivel relativa ao fenmeno considerado como sendo x {0, 1, 2, 3}
7.3. CLASSIFICAO DAS VARIVEIS QUANTO AO SEU NVEL DE MENSURAO
7.3.1. NOMINAIS
Quando os atributos so do tipo mutuamente exclusivos, no havendo, portanto,
hierarquia entre as diversas categorias, ou seja, os objetos contidos em uma dada classe so
equivalentes em relao a um dado atributo ou propriedade. As variveis Nominais possuem a
propriedade de identidade. Por exemplo, a varivel estado civil pode ser estudada dividindo-se
em categorias:
a) casado
b) solteiro
c) divorciado
d) vivo
e) outro
H outras maneiras de se fazer essa diviso, dependendo dos interesses de cada
pesquisador.
Outros exemplos: Cultura, personalidade, nacionalidade, religio, poltica, etc.
7.3.2. ORDINAIS
Os objetos ou atributos, alm de divididos em categorias,
so hierarquizados, por
exemplo, a varivel: classe social, que divide um grupo de pessoas em vrias classes sendo
que, de uma classe para outra exista uma relao mais que ou melhor que. Assim, uma
pessoa de uma classe superior a outra pessoa de outra classe. As variveis Ordinais possuem
as propriedades de identidade e ordenao.
Outros exemplos: Ansiedade, autoritarismo, agressividade, hierarquia militar, etc.
7.3.3. CARDINAIS
Os objetos ou atributos podem ser quantificados, por exemplo: a varivel peso de uma
pessoa estudada separando as pessoas de acordo com o seu peso, essa separao feita
levando-se em conta a quantificao do peso, ou seja, 80kg, 65kg, 120kg, , etc.
Como podemos notar, tendo-se definido uma unidade de medida (no caso kg), um nmero
associado ao objeto em estudo, fornecendo a este o nmero de unidades de medida equivalente
quantidade da propriedade possuda pelo objeto. As variveis cardinais possuem as propriedades
de identidade, ordenao e aditividade.
Outros exemplos: Estatura, tempo, velocidade, fora, aparelhos de medidas de modo geral,
etc.
NOTA: Das trs classificaes acima a mais completa a classificao cardinal por englobar as
demais.
Nas reas psicossociais as variveis que envolvem desempenho humano (Q.I., nota, idade
mental, etc.) so normalmente expressas por numerais, cuja finalidade traduzir quantidades e,
portanto, seriam classificadas como cardinais. No entanto, os numerais utilizados s significaro
quantidades se houver garantia do pesquisador para isso, por exemplo: uma pessoa com 10 anos
de idade ser um resultado quantitativo se esse n 10 significar o dobro de 5, 2 a mais que 8, etc.
Sem essa garantia , essas variveis seriam classificadas como ordinais.
8. PARMETRO
So caractersticas numricas da populao.
Exemplo: Q.I. mdio dos estudantes universitrios do Brasil.
7

e Informtica
9. ESTIMATIVAS
So caractersticas numricas de uma amostra.
Exemplo: Clculo da mdia ou clculo do desvio padro das notas de uma prova aplicada a
um conjunto de alunos.
Os elementos numricos caractersticos de uma amostra so estimativas dos elementos
correspondentes na populao, que so os parmetros.
POPULAO
AMOSTRA
AVALIAO
PARMETRO
ESTIMATIVA
10. REPRESENTAO DAS GRANDEZAS EM ESTATSTICA:

De acordo com a Resoluo 886/66 da Fundao IBGE, devemos :
A) usar os seguintes smbolos para designar as unidades de medidas:
metro ....................................................................... m
quilmetro ............................................................... km
centmetro ............................................................... cm
centmetro cbico ................................................... cm3
quilograma ............................................................. kg
grama ...................................................................... g
tonelada .................................................................. t
B) colocar nas casas ou clulas:
I. um trao horizontal (
) quando o valor zero, no s quanto natureza das
coisas, como quanto ao resultado do inqurito;
II. trs pontos (. . . ) quando no temos os dados;
III. um ponto de interrogao ( ? ) quando temos dvida quanto exatido de determinado
valor;
IV. zero ( 0 ) quando o valor muito pequeno para ser expresso pela unidade utilizada. Se
os valores so expressos em numerais decimais, precisamos acrescentar parte
decimal, um mesmo nmero de zeros ( 0,0 ; 0,00 ; 0,000 ; etc. )
11. ARREDONDAMENTO DE NMEROS
11.1. Para arredondarmos nmeros adotaremos os seguintes critrios estabelecidos pela
Portaria 36 de 06/07/1965 do INPM (Instituto Nacional de Pesos e Medidas):
I. Se o algarismo seguinte, aquele a ser arredondado, for menor do que cinco (5 ),
ser desprezado juntamente com os que o sucedem, obtendo-se um valor por falta .
Exemplo: Arredondar os nmeros com as aproximaes indicadas:
a) 15,6752 (aproximao 0,001)
15,675
b) 13,6715 (linear de percepo 0,01)
13,67
valor por falta
c) 163 para a dezena mais prxima
160
8

e Informtica
II. Se o algarismo seguinte, aquele a ser arredondado, for maior do que cinco ( 5 ),
ser desprezado juntamente com os que o sucedem, acrescentando-se uma unidade ao
algarismo no qual se faz o arredondamento, tendo-se um valor por excesso.
Exemplo: Arredondar os dados abaixo com as aproximaes indicadas:
a) 15,6766 (aproximao 0,01)
15,68
b) 23,45384 (aproximao 0,001)
23,454
valor por excesso
c) 10,7 para o inteiro mais prximo
11
III. Se o algarismo seguinte, aquele a ser arredondado, for igual a cinco ( 5 ) , usamos os
seguintes critrios:
1) Se o primeiro algarismo aps aquele que formos arredondar for 5, seguido apenas de
zeros, conservamos o algarismo se ele for PAR ou aumentamos uma unidade se ele
for MPAR, desprezando os algarismos seguintes.
EXEMPLO: Arredondar para a 1 casa decimal ( 0,1 ) os nmeros:
1) 34,6500
passa para 34,6
2) 36,75000 passa para 36,8
2) Se o 5 for seguido de outros algarismos dos quais, pelo menos um diferente de
zero, aumentamos uma unidade no algarismo e desprezamos os seguintes.
EXEMPLO: Arredondar para a 1 casa decimal (0,1) os nmeros:
1) 36,7502
passa para 36,8
2) 34,6503
passa para 34,7
NOTA: NO SE DEVEM FAZER ARREDONDAMENTOS SUCESSIVOS EM NENHUMA
HIPTESE.
EXERCCIO: Transformar o dado bruto 15,6715 em dado elaborado com linear de percepo
0,01 e dizer:
a) qual o algarismo duvidoso;
b) quais os algarismos exatos;
c) quais os algarismos certos
SOLUO:
15,67[15
15,67
despreza-se
a) o algarismo duvidoso o 7 por estar influenciado por uma aproximao.
Se o dado bruto fosse 15,6766, o arredondamento passaria para 15,68 . Neste
caso, o algarismo 7 no mais figura no nmero, sendo, portanto, duvidoso;
b) os algarismos exatos so : 1 , 5 e 6;
c) os algarismos certos so : 1 , 5 , 6 e 7.
11.2. COMPENSAO
Suponhamos os dados abaixo, aos quais aplicamos as regras do arredondamento:
15,32
37,85
11,44
30,17
94,78
passa para
+
15,3
37,8
11,4
30,2 +
94,7 (94,8)
9

e Informtica
Verifica-se que houve uma pequena discordncia : a soma exatamente 94,7 quando, pelo
critrio do arredondamento, deveria ser 94,8. Entretanto, para a apresentao dos resultados,
necessrio que desaparea essa diferena, a qual possvel pela prtica do que denominamos
compensao, conservando o mesmo nmero de casas decimais.
De um modo geral, fazemos a compensao descarregando a diferena na(s) parcela(s)
maior(es). Assim, no exemplo dado, teremos:
15,3
37,9
11,4
30,2
94,8
12. NOES DE SOMATRIO

Para indicarmos a soma dos x n valores de uma varivel x, isto x1 + x2 + x3 + . . . + x n ,
usamos o smbolo (letra grega, maiscula : sigma) , denominado, na Matemtica de somatrio.
n
Assim, a soma x1 + x2 + x3 + . . . + x n pode ser representada por xi (l-se: somatrio de
i=1
x ndice i com i variando de 1 at n ) , isto :
n
x1 + x2 + x3 + . . . + x n = xi
i=1
OBS.: As letras ou nmeros colocados abaixo ou acima do smbolo , chamam-se limites
do somatrio.
No havendo possibilidade de dvidas, podemos indicar o somatrio de modo
simplificado. Assim:
x1 + x2 + x3 + . . . + x n = xi
Exemplo1: Consideremos os escores obtidos em um teste de inteligncia por 5 estudantes:
x1
x2
x3
x4
x5
10
25
40
15
28
Represente os dados atravs de somatrio obtendo o resultado do mesmo.
5
xi
= x1 + x2 + x3 + x4 + x5 = 10 + 25 + 40 + 15 + 28 = 118
i=1
Exemplo 2: Desenvolver as somas :

6
a) xi = x1 + x2 + x3 + x4 + x5 + x6
i=1
4
b) ( yi 3 )2 = (y1 3 )2 + (y2 3 )2 + (y3 3 )2 + (y4 3 )2
i=1
5
c) xi . fi = x1 f1 + x2 f2 + x3 f3 + x4 f4 + x5 f5
i=1
4
d) fi . xi2 = f1 x12 + f2 x22 + f3 x32 + f4 x42
i=1
Exemplo 3 : Indicar, por meio de somatrio as expresses:
10

e Informtica
a) (x1 + 3)2 + (x2 + 3)2 + (x3 + 3)2 + . . . + (x20 + 3)2
20
=
( xi
+ 3 )2
i=1
b) (x3 + y3)3 + (x4 + y4)3 + (x5 + y5)3 + (x6 + y6)3 =
( xi
i=3
+ yi )3
12.1. PROPRIEDADES DOS SOMATRIOS:

I.
Sendo k uma constante real (diferente de zero), temos:

n
k = n . k
i=1
II.
Sendo k uma constante real (diferente de zero) e x uma varivel real, temos:
n
n
( k . xi ) = k . xi
i=1
i=1
III.
Sendo x e y duas variveis reais, temos:

n
n
n
( xi + yi ) = xi + yi
i=1
i=1
i=1
NOTAS: CUIDADO!
n
I.
( xi . yi )
i=1
xi
i=1
i=1
yi
II.
2
n
x
i
i=1
i=1
xi2
Exerccios:
1. Escreva na notao de somatrio as somas:
a) (x1 - x )2 + (x2 - x )2 + (x3 - x )2 + . . . + (x9 - x )2 =
b) f1 . (x1 - x )2 + f2 . (x2 - x )2 + f3 . (x3 - x )2 + . . . + f6 . (x6 - x )2 =

c) f1. | x1 - x | + f2 . | x2 - x | + f3 . | x3 - x | + . . . + f8 . | x8 - x | =
2. Escreva as parcelas da soma indicada:
6
3
4
a) xi =
b) | xi - 5 | =
c) (5xi + 2) =
i =2
i=1
i=1
2
3 3x
i
d)
- 4 =
2
i=1
3. Calcule para a tabela abaixo, o valor numrico das somas indicadas:

Ordem do valor i
1
2
3
4
a) i =
e)
i.xi=
xi
fi
2
2
4
5
5
3
6
2
b) x i =
f) x i2 . f i =
c) f i =
d) x i . f i =
g) (x i 10 ) 2 . f i =
11

e Informtica
x .f
h) i i =
i) | x i i | . f i =
i
13. DISTRIBUIO DE FREQNCIAS
j) (2 x i 10 ) 2 . f i =
O estudo de um determinado fenmeno, freqentemente requer a coleta de uma grande

massa de dados numricos (populao em estudo), difcil de ser tratada se esses dados no forem
sintetizados (organizados e condensados) na forma de tabelas e grficos que contenham, alm
dos valores das variveis, o nmero de elementos correspondentes a cada varivel.
Cabe a Estatstica Descritiva, encontrar as leis de comportamento dessa massa de dados,
retirando uma amostra desta populao para obter dados relativos a varivel desejada nesta
amostra.
13.1. DADOS BRUTOS
o conjunto dos dados numricos obtidos aps a crtica dos valores coletados, e que ainda
no foram organizados.
Exemplo: A partir de uma lista de freqncias, em ordem alfabtica, obteve-se o conjunto
das estaturas, em cm, de 20 alunos de uma classe:
163,
169,
168,
166,
160,
162,
164,
165,
168,
165,
160,
168,
164,
164,
166,
161,
169,
166,
168,
168
13.2. ROL
o arranjo ou organizao dos dados brutos em ordem de freqncia crescente ou

decrescente. Assim, no exemplo dado temos o seguinte ROL:
160, 160, 161, 162, 163, 164, 164, 164, 165, 165,
166, 166, 166, 168, 168, 168, 168, 168, 169, 169
13.3. FREQNCIA ABSOLUTA OU FREQNCIA SIMPLES ( f i )
o nmero de vezes que um dado elemento aparece na amostra, ou o nmero de elementos

pertencentes a uma classe. No exemplo dado, a freqncia do elemento 166 3, pois, aparece 3
vezes na amostra.
13.4. DISTRIBUIO DE FREQNCIAS PARA DADOS NO AGRUPADOS (VARIVEL
DISCRETA)
o arranjo dos valores da varivel e suas respectivas freqncias. No exemplo dado,

temos:
x1
x2
x3
x4
x5
x6
x7
x8
x9
x10
Estat. (cm) x i
160
161
162
163
164
165
166
167
168
169
fi
2
1
1
1
3
2
3
0
5
2
20
f1
f2
f3
f4
f5
f6
f7
f8
f9
f10
12

e Informtica
Observaes: 1. x i representa a varivel (x1 = valor da 1 varivel, x2 = valor da 2 varivel ,

etc.);
2. f i representa a freqncia (f1 = freqncia da 1 varivel, f2 = freqncia da 2
varivel, etc.);
3. f i = n (somatrio das freqncias);
4. n o tamanho da amostra;
5. O valor mnimo 160 e o mximo 169;
6. O valor mais freqente o 168;
7. O valor 167 tem freqncia zero.
Quando o nmero de valores representativo de uma amostra for muito grande, recomendase o agrupamento dos dados em classes, evitando com isso os inconvenientes:
I. Grande extenso de tabelas, dificultando a leitura dos dados brutos e a interpretao dos
resultados apurados;
II. Impossibilidade ou dificuldade de visualizao do comportamento do fenmeno como
um todo, bem como de sua variao;
III. Aparecimento de vrios valores da varivel com freqncia nula.
O uso dos valores observados em classes, e no individualmente, oferece as seguintes

vantagens: A tabela informa a tendncia de, a distribuio se concentrar em torno de um valor
central, e proporciona uma viso panormica do comportamento da varivel , porm, em uma
tabela de valores agrupados em classes, no mais figuram os valores exatos de cada dado em
particular, e tambm no ser mais possvel saber quais so os valores maiores (mais alto) e
menores (mais baixo) da distribuio.
13.5. DISTRIBUIO DE FREQNCIA PARA DADOS AGRUPADOS EM CLASSES
(VARIVEL CONTNUA)
A distribuio de freqncias dos dados de uma amostra distribudos em classes, idntica

a que feita com cada valor da varivel, adotando-se os seguintes elementos:
13.5.1. AMPLITUDE TOTAL(H) OU RANGE (R)
a diferena entre o maior e o menor valor observado na amostra, identificado mais

facilmente no rol.
Podemos escrever:
R = X mx. X mn.
No exemplo dado, temos:
Xmx. = 169 e Xmn. = 160
R = 169 160
R=9
13.5.2. NMERO DE CLASSES ( nc ou k)

CLASSE cada um dos grupos de valores em que se subdivide a amplitude total do
conjunto de dados observados da varivel.
importante que uma distribuio contenha um nmero adequado de classes, se esse
nmero for pouco denso, os dados originais ficaro to comprimidos, de modo que, pouca
informao se poder extrair da tabela. Se, por outro lado, se esse nmero for abundante (muitas
classes), aparecer freqncias nulas ou muito pequenas que far com que os dados originais
resultem em uma distribuio irregular e prejudicial interpretao do fenmeno como um todo.
Para determinar o nmero de classes h diversos mtodos (frmulas empricas), dentre eles
destacamos:
I.
, onde n o nmero total dos elementos da amostra.
No exemplo dado, temos : K 20

Adotaremos K = 4 (inteiro mais prximo)
K 4,472135955. . .
13

e Informtica
II.
Regra de Sturges:
k 1 + 3,22 . log n
, n o tamanho da amostra.
No nosso exemplo: K 1 + 3,22 . log 20

K 1 + 3,22 . 1,301029996. . .
K 1 + 4,189316586. . .
K 5,189316586. . .
Adotaremos K = 5 (inteiro mais prximo)
Como voc pode observar, houve uma pequena diferena no valor do nmero de classes de
acordo com a frmula usada, porm, quando trabalhamos com um nmero maior de observaes,
essa diferena tende a aumentar mais ainda. Este um dos inconvenientes resultantes da
aplicao da frmula de Sturges, que o de propor um nmero demasiado de classes para um
nmero pequeno de observaes, e relativamente poucas classes, quando o nmero de
observaes for grande. Veja o seguinte exemplo: Se o nmero de observaes for 600, teremos:
a) pela 1 frmula: k
600 24,49489... ou, arredondando, k = 24 ;
b) pela 2 frmula: k 1 + 3,22 . log 600 1 + 3,22 . 2,77815... 1 + 8,945647...
9,945647... ou, arredondando, k = 10
c) se n = 60 , ento : k 1 + 3,22 . log 60 1 + 5,725647... 6,725647... ou, arredondado,
k = 7
De acordo com este exemplo, conclumos que no h uma frmula exata para o clculo do
nmero de classes, no entanto, alguns autores fazem as seguintes observaes:
a) para n 25 toma-se k = 5 ;
b) para n > 25 toma-se k n
c) para Truman L. Kelley , em The Grouping Data for Graphic Portrayal, feito a
sugesto dos seguintes nmeros de classes, com base no nmero total de observaes,
para efeito de representao grfica:
observaes ( n )
5
10
25
50
100
200
500 1 000
n de classes ( k)
2
4
6
8
10
12
15
15
A escolha de um dos critrios para a determinao do nmero de classes, depender da
natureza dos dados e da unidade de medida em que eles forem expressos, e no simplesmente,
de regras arbitrrias e pouco flexveis, cabendo ao investigador (ou analista) tal escolha.
13.5.3 AMPLITUDE DE CLASSE ( h )
, aproximadamente, o quociente entre a amplitude total e o nmero de classes, ou seja:

h
R
k
ou
Xmx. - Xmn.
k
9
2,25
4
Podemos adotar h = 3. Esse valor corresponde a diferena entre o limite superior e o
inferior da classe.
No exemplo dado inicialmente (pgina 12) , temos: R = 9 e k = 4
h = Ls L i
Ls = limite superior de classe

Li = limite inferior de classe
13.5.4. PONTO MDIO (PM)
a mdia aritmtica simples entre o limite inferior e o limite superior de cada classe.
Quando Xi no dado, tomamos o PM para seu valor, ou seja, fazemos Xi = PM
PM =
Li + L s
2
Li = limite inferior da classe

Ls = limite superior da classe
14

e Informtica
OBS.: O valor do PM, tambm pode ser obtido fazendo
PM = Li +
h
2
14. TIPOS DE FREQNCIAS

14.1. FREQNCIA ABSOLUTA ( f i )
o nmero de repeties de um valor em um conjunto de dados qualquer, ou seja, o nmero

de vezes em que um elemento aparece na amostra (dados brutos);
14.2. FREQNCIA RELATIVA ( f r ou f r i )
o quociente entre cada freqncia absoluta (ou simples) e a freqncia total.

fr =
fi
fi
ou
fr =
fi
n
, onde n = f i
NOTA: A soma das freqncias relativas simples sempre igual a 1 (um), ou seja,
fr = 1
14.3. FREQNCIA RELATIVA PERCENTUAL ( f % ou f % i )
a representao da freqncia relativa em termos percentuais, ou seja,

f % = f r . 100
NOTA: A soma das freqncias relativas percentuais sempre igual a 100. Isto : f % = 100%
14.4. FREQNCIA ABSOLUTA ACUMULADA ( Fi ou f a i )
a soma da freqncia do valor da varivel com todas as freqncias anteriores.

14.5. FREQNCIA RELATIVA ACUMULADA ( Fr a ou f r a i )
a soma da freqncia relativa do valor da varivel com todas as freqncias relativas

anteriores.
14.6. FREQNCIA PERCENTUAL ACUMULADA ( F% a ou f % a i )
a representao da freqncia relativa acumulada em termos percentuais, ou seja:

F% a = f r a . 100
EXEMPLO: Fazer a distribuio das freqncias dos dados do exemplo da pgina 12,
considerando os seguintes casos:
a) dados isolados (no agrupados em classes);
b) dados agrupados em classes.
Resoluo :
a) Para dados no agrupados em classes:
15

e Informtica
Xi
160
161
162
163
164
165
166
167
168
169
fi
2
1
1
1
3
2
3
0
5
2
20
fr
0,10
0,05
0,05
0,05
0,15
0,10
0,15
0
0,25
0,10
1,00
f%
10 %
5%
5%
5%
15 %
10 %
15 %
0%
25 %
10 %
100 %
fa
2
3
4
5
8
10
13
13
18
20
f ra
0,10
0,15
0,20
0,25
0,40
0,50
0,65
0,65
0,90
1,00
f %a
10 %
15 %
20 %
25 %
40 %
50 %
65 %
65 %
90 %
100 %
b) Para dados agrupados em classes:

Classes
160 |--- 163
163 |--- 166
166 |--- 169
169 |--- 172
PM=Xi
161,5
164,5
167,5
170,5
fi
4
6
8
2
20
fr
0,20
0,30
0,40
0,10
1,00
f%
20 %
30 %
40 %
10 %
100 %
fa
4
10
18
20
fra
0,20
0,50
0,90
1,00
f %a
20 %
50 %
90 %
100 %
Clculos auxiliares:
I. PM1 =
PM3 =
II.
III.
L i1 + L s1
2
L i3 + L s3
2
160 + 163
= 161,5
2
PM2 =
166 + 169
= 167,5
2
PM4 =
fr =
1
f1
4
=
n
20
= 0,20
fr =
2
f2
6
=
n
20
= 0,30
fr =
3
f3
8
=
= 0,40
n
20
fr =
4
f4
2
=
= 0,10
n
20
L i2 + L s2
2
L i4 + L s 4
2
163 + 166
= 164,5
2
169 + 172
= 170,5
2
fa1 = 0 + 4 = 4
fa2 = 0 + 4 + 6 = 10
fa = 0 + 4 + 6 + 8 = 18
3
fa 4 = 0 + 4 + 6 + 8 + 2 = 20
OBS.: Como a varivel x =167 no aparece na amostra, poder ser omitida da tabela.
16

e Informtica
Distribuio de Freqncias
Exemplos:
Ex1:
Lista de alturas de 50 estudantes (em cm):

Tabela 1 - Dados Brutos
103
63
78
98
135
84
86
64
87
130
99
71
114
127
110
115
83
110
120
70
130
115
90
98
115
114
110
140
92
90
120
125
100
107
105
95
85
125
92
100
50
75
86
100
101
99
75
86
93
87
Lista de alturas de 50 estudantes ordenada em ordem crescente:

Tabela 2 - Rol
50
63
64
70
71
75
75
78
83
84
85
86
86
86
87
87
90
90
92
92
93
95
98
98
99
99
100
100
100
101
103
105
107
110
110
110
114
114
115
115
115
120
120
125
125
127
130
130
135
140
- Observa-se no rol de alturas que alguns valores se repetem. Pode-se fazer uma
condensao das medidas estabelecendo-se uma correspondncia entre o valor individual e o
respectivo nmero de vezes em que o mesmo foi observado.
17

e Informtica
Tabela 3 - Distribuio de Freqncias de Dados Tabulados No Agrupados em Classes

Nmero de Ordem
Altura (cm)
Repeties
i
(fi)
1
50
1
2
63
1
3
64
1
4
70
1
5
71
1
6
75
2
7
78
1
8
83
1
9
84
1
10
85
1
11
86
3
12
87
2
13
90
2
14
92
2
15
93
1
16
95
1
17
98
2
18
99
2
19
100
3
20
101
1
21
103
1
22
105
1
23
107
1
24
110
3
25
114
2
26
115
3
27
120
2
28
125
2
29
127
1
30
130
2
31
135
1
32
140
1
Total
50
32
fi
50
i =1
Obs: A soma das freqncias sempre igual ao nmero de valores observados:
= N , onde:
i =1
N : Nmero total de valores observados;

fi : Nmero de observaes do valor identificado pelo nmero de ordem i;
k : Total de valores diferentes observados. Extremo superior do intervalo de valores do ndice i.
18

e Informtica
- vantajoso resumir os dados individuais em uma distribuio de freqncias, onde os

valores observados, ao invs de aparecerem individualmente, so agrupados em classes. Por
qu?
A tabela informa a tendncia de a distribuio se concentrar em torno de um valor central.
Proporciona uma viso panormica do comportamento da varivel.
- Porm:
Em uma tabela de valores agrupados em classes, no figuram mais os valores exatos de cada
dado em particular.
Tambm no mais possvel saber quais so os valores mais alto e mais baixo da distribuio.
Notao:
Smbolo
|---
Exemplo
0 |--- 10
---|
0 ---| 10
--|---|
0 --- 10
0 |---| 10
Significado
Incluso na classe do valor situado a sua esquerda e excluso do valor
situado a sua direita.
Incluso na classe do valor situado a sua direita e excluso do valor
situado a sua esquerda.
Ambos os valores direita e esquerda esto excludos da classe.
Ambos os valores direita e esquerda esto includos na classe.
Ex2: Teste com 500 perguntas, cada qual valendo um ponto, aplicado a 1000 alunos.
Dados Agrupados
Tabela 4 - Resultado do teste - 10 classes
Classes - Notas
0 |-- 50
50 |-- 100
100 |-- 150
150 |-- 200
200 |-- 250
250 |-- 300
300 |-- 350
350 |-- 400
400 |-- 450
450 |-- 500
Total
10
fi
Freqncias (fi)
10
30
40
90
200
260
200
120
30
20
1000
= 1000
i =1
19

e Informtica

Classes - Notas
Freqncias
(fi)
0 |-- 250
370
250 |-- 300
630
Total
1000
2
f = 1000
i
i =1

Classes - Notas
0 |-- 5
5 |-- 10
10 |-- 15
15 |-- 20
20 |-- 25
25 |-- 30
30 |-- 35
35 |-- 40
40 |-- 45
45 |-- 50
.
.
.
Freqncias
(fi)
0
1
0
2
3
0
3
0
1
0
.
.
.
495 |-- 500

Total
1
1000
100
f = 1000
i
i =1
Qual o nmero ideal de classes que deve ter esta distribuio?

1. Se o nmero de classes for muito pequeno, os dados originais ficaro to comprimidos que no
permitiro que se extraia muita informao da tabela;
2. Se forem utilizadas muitas classes, haver algumas com freqncia muito pequena, resultando
em uma distribuio por demais irregular.
Recapitulando:
Amplitude total (H) ou Range(R)
Amplitude total ou intervalo total a diferena entre o maior e o menor valor observado da
varivel em estudo.
Denotando:
XMAX = Maior valor observado
XMIN = Menor valor observado
Ento:
H = X MAX - XMIN
20

e Informtica
Ex: Para as medidas de altura listadas no rol da tabela 2, temos:

XMAX = 140 cm
XMIN = 50 cm
H = 140 cm 50 cm = 90 cm
Classe
Uma dada classe pode ser identificada por seus extremos ou pela ordem em que ela se
encontra na tabela.
Ex: Na tabela 4, com as classes de notas, temos:
Classe
0 |--- 50 ou 1a classe;
Classe 400 |--- 450 ou 9a classe
Nmero de classes (k)
H diversos mtodos (frmulas empricas) para se determinar um nmero de classes que
seja razovel.
Denotando por k o nmero de classes, vamos adotar o mtodo segundo o qual o nmero de
classes calculado atravs da frmula:
k N
onde: N =
, ou seja, N o nmero total de observaes da varivel em estudo.
Ex: No caso da tabela de alturas (Tabela 3), N = 50 e, portanto:

k = (50)1/2 7,07
k=7
Limites de classes
Os limites de classes so seus valores extremos.
Ex: Na primeira tabela de notas (Tabela 4), os limites da segunda classe so os valores 50 e 100:
50 chamado limite inferior (Li = 50);
100 chamado limite superior (Ls = 100)
Amplitude de classe (h)
A amplitude de classe definida como a diferena entre seus limites superior e inferior.
Assim, denotando:
LS = limite superior de classe
LI = limite inferior de classe
h = amplitude de classe
Temos:
h = LS - LI
Ex: Para a classe 50 |--- 100, h = 100 50 = 50

Calculando a amplitude de classe
Dada a amplitude total, H, e o nmero de classes, k, a amplitude de classe ser dada pela
relao:
H
R
h
ou h
k
k
Obs: Pequenas alteraes em torno do valor obtido no devero alterar muito o jeito da
tabela. Uma sugesto que o valor de h possa ser aproximado em at 10% para mais ou para
menos do valor obtido pela relao dada anteriormente. Isto , qualquer valor escolhido dentro do
21

e Informtica
intervalo [h 10%h; h + 10%h], igualmente razovel. Sempre que possvel, conveniente tomar
um valor inteiro para h.
Ex: Com relao tabela de alturas:
H = 90 cm
k=7
h = 90 cm / 7 12, 85
Sendo 10% de 12,85 = 1,285, temos:
12,85 1,28 = 11,57
12,85 + 1,28 = 14,13
Portanto, razovel usar um valor de h qualquer que esteja contido no intervalo [11,57; 14,13]
Vamos adotar o valor h = 13 cm para a tabela de alturas e a partir da determinar todas as
classes.
A partir de XMIN = 50, somaremos 13 at que tenhamos uma classe que contenha o XMAX = 140.
+13
|
50
+13
|
63
+13
|
76
+13
|
89
+13
|
102
+13
|
115
+13
|
128
|
141
Observando-se a tabela de dados brutos (Tabela 1), ou o rol (Tabela 2) ou ainda a tabela de
freqncias de dados no agrupados (Tabela 3), conta-se o nmero de ocorrncias dentro de cada
classe. Obtm-se, assim, a tabela abaixo:
Tabela 7 - Distribuio de Freqncias de Dados Agrupados em Classes (I)

Classes - Alturas (cm)
50 |--- 63
63 |--- 76
76 |--- 89
89 |--- 102
102 |--- 115
115 |--- 128
128 |--- 141
Total
fi
1
6
9
14
8
8
4
50
Ponto Mdio de classe (PM)

O ponto mdio ou valor mdio de classe o valor que a representa para efeito de clculo de
algumas medidas, tais como medidas de posio e de variabilidade.
O ponto mdio definido pela mdia aritmtica dos limites do intervalo:
L + Li
PM = s
2
Ex: Pontos mdios das classes relativas s medidas de altura, calculados na tabela seguinte.
22

e Informtica
Tabela 8 - Distribuio de Freqncias de Dados Agrupados em Classes (II)

Ponto Mdio de Classe
Classes - Alturas (cm)
50 |--- 62
62 |--- 74
74 |--- 86
86 |--- 98
98 |--- 110
110 |--- 122
122 |--- 134
134 |--- 146
Total
fi
1
4
6
11
11
10
5
2
50
PM
(50 + 62) / 2 =
56
(62 + 74) / 2 =
68
(74 + 86) / 2 =
80
(86 + 98) / 2 =
92
(98 + 110) / 2 = 104
(110 + 122) / 2 = 116
(122 + 134) / 2 = 128
(134 + 146) / 2 = 140
Obs: Poderamos tambm ter calculado o PM da primeira classe e obter os PM das classes
seguintes somando 12 (que a amplitude de classe) sucessivamente, como abaixo:
+12
|
56
+12
|
68
+12
|
80
+12
|
92
+12
|
104
+12
|
116
+12
|
128
|
140
Tipos de Freqncias
Uma tabela de freqncias pode representar um dos seguintes tipos de freqncias:
Freqncias simples:
Absoluta
Relativa (e Porcentual)
Abaixo de (crescente)
Freqncias acumuladas:
Acima de (decrescente)
Absoluta
Absoluta
Freqncia Simples Absoluta (f i)

Nmero de repeties de um valor individual ou de uma classe de valores da varivel.
Freqncia Simples Relativa (f ri)

Proporo de observaes de um valor individual ou de uma classe em relao ao nmero
total de observaes.
fri =
fi
fi
,
N
N = fi
j =1
23

e Informtica
Obs: A soma das freqncias simples relativas de uma tabela sempre igual a 1. Isto :
k
f ri
=1
i =1
Freqncia Simples Porcentual (f %i)

Desejando-se expressar o resultado (isto , a freqncia relativa) em termos porcentuais,
multiplica-se o quociente obtido por 100. Obtem-se, assim, a freqncia percentual:
f %i =
fi
100
N
ou
f%i = fri 100 %
Obs: A soma das freqncias percentuais de uma tabela sempre igual a 100. Isto :
k
%i
= 100%
i =1
Ex: Freqncias relativas e percentuais das classes de medidas de altura, calculadas na tabela
seguinte.
Tabela 9 - Distribuio de Freqncias de Dados Agrupados em Classes (III)
Freqncia Relativa e Freqncia Porcentual
Classes - Alturas
(cm)
50 |--- 62
62 |--- 74
74 |--- 86
86 |--- 98
98 |--- 110
110 |--- 122
122 |--- 134
134 |--- 146
Total
fi
PM
fr i
f% i
1
4
6
11
11
10
5
2
50
56
68
80
92
104
116
128
140
1/50 = 0,02
4/50 = 0,08
6/50 = 0,12
11/50 = 0,22
11/50 = 0,22
10/50 = 0,20
5/50 = 0,10
2/50 = 0,04
1,00
0,02 100 = 2%
0,08 100 = 8%
0,12 100 = 12%
0,22 100 = 22%
0,22 100 = 22%
0,20 100 = 20%
0,10 100 = 10%
0,04 100 = 4%
100%
Freqncia Absoluta Acumulada Abaixo de (fai)

A freqncia absoluta acumulada abaixo de uma classe (ou um valor individual) dada
pela soma da freqncia simples absoluta dessa classe (ou desse valor) com as freqncias
simples absolutas das classes (ou dos valores) anteriores a ela.
Toda vez que se deseja saber quantas observaes existem at uma determinada classe
(ou valor) recorre-se freqncia acumulada abaixo de.
Ex: Freqncias acumuladas abaixo de para as classes de medidas de altura, calculadas na
tabela seguinte.
24

e Informtica
Tabela 10 - Distribuio de Freqncias de Dados Agrupados em Classes (IV)

Freqncia Absoluta Acumulada Abaixo de
Classes - Alturas
PM
fi
fr i
f% i
fai
(cm)
50 |--- 62
1
56
0,02
2%
1
62 |--- 74
4
68
0,08
8%
1+4=5
74 |--- 86
6
80
0,12
12%
5 + 6 = 11
86 |--- 98
11
92
0,22
22%
11 + 11 = 22
98 |--- 110
11
104
0,22
22%
22 + 11 = 33
110 |--- 122
10
116
0,20
20%
33 + 10 = 43
122 |--- 134
5
128
0,10
10%
43 + 5 = 48
134 |--- 146
2
140
0,04
4%
48 + 2 = 50
Total
50
1,00
100%
Interpretao: fa3 = 11 significa que h 11 alunos com alturas inferiores a 86.
Freqncia Relativa Acumulada Abaixo de (fari)
A freqncia relativa acumulada abaixo de uma classe (ou de valor individual) igual
soma da freqncia simples relativa dessa classe com as freqncias simples relativas das
classes (ou valores) anteriores.
Freqncia Porcentual Acumulada Abaixo de (fa%i)
A freqncia acumulada porcentual abaixo de obtm-se multiplicando-se a freqncia
relativa acumulada abaixo de por 100. Isto :
fa%i = 100 fari
Ex: Freqncias acumuladas abaixo de relativas e percentuais para as classes de medidas de
altura, calculadas na tabela seguinte.
Tabela 11 - Distribuio de Freqncias de Dados Agrupados em Classes (V)
Freqncia Relativa e Percentual Acumulada Abaixo de
Classes - Alturas
fi
PM
fr i
f% i
fai
f ari
f a%i
(cm)
50 |--- 62
1
56
0,02
2%
1
1/50 = 0,02
0,02 100 = 2%
62 |--- 74
4
68
0,08
8%
5
5/50 = 0,1
0,10 100 = 10%
74 |--- 86
6
80
0,12 12%
11
11/50 = 0,22 0,22 100 = 22%
86 |--- 98
11
92
0,22 22%
22
22/50 = 0,44 0,44 100 = 44%
98 |--- 110
11 104 0,22 22%
33
33/50 = 0,66 0,66 100 = 66%
110 |--- 122
10 116 0,20 20%
43
43/50 = 0,86 0,86 100 = 86%
122 |--- 134
5
128 0,10 10%
48
48/50 = 0,96 0,96 100 = 96%
134 |--- 146
2
140 0,04
4%
50
50/50 =1,00
1 100 = 100%
Total
50
1,00 100%
Freqncia Absoluta Acumulada Acima de (fai)
A freqncia absoluta acumulada acima de uma classe (ou um valor individual) dada
pela soma da freqncia simples absoluta dessa classe (ou desse valor) com as freqncias
simples absolutas das classes (ou dos valores) posteriores a ela.
Ex: Freqncias acumuladas acima de para as classes de medidas de altura, calculadas na
tabela seguinte.
25

e Informtica
Tabela 12 - Distribuio de Freqncias de Dados Agrupados em Classes (VI)

Freqncia Absoluta Acima de
Classes - Alturas
fi
PM
fr i
f% i
fai
f ari
f a%i
fa
(cm)
50 |--- 62
1
56
0,02
2%
1
0,02
2%
49 + 1 = 50
62 |--- 74
4
68
0,08
8%
5
0,1
10%
45 + 4 = 49
74 |--- 86
6
80
0,12 12%
11
0,22
22%
39 + 6 = 45
86 |---98
11
92
0,22 22%
22
0,44
44%
28 + 11 = 39
98 |--- 110
11 104 0,22 22%
33
0,66
66%
17 + 11 = 28
110 |---122
10 116 0,20 20%
43
0,86
86%
7 + 10 = 17
122 |--- 134
5
128 0,10 10%
48
0,96
96%
2+5=7
134 |--- 146
2
140 0,04
4%
50
1
100% 2
Total
50
1,00 100%
Freqncia Relativa Acumulada Acima de (fari)
A freqncia relativa acumulada acima de uma classe (ou valor individual) igual soma
da freqncia simples relativa dessa classe com as freqncias simples relativas das classes (ou
valores) anteriores.
Freqncia Porcentual Acumulada Acima de (fa%i)
A freqncia acumulada porcentual acima de obtida multiplicando-se a freqncia
relativa acumulada acima de por 100. Isto :
fa%i = 100 fari
Ex: Freqncias acumuladas abaixo de relativas e porcentuais para as classes de medidas de
altura, calculadas na tabela seguinte.
Tabela 13 - Distribuio de Freqncias de Dados Agrupados em Classes (VII)
Freqncia Relativa e Porcentual Acumulada Acima de
Classes - Alturas
(cm)
50 |--- 62
62 |--- 74
74 |--- 86
86 |--- 98
98 |--- 110
110 |--- 122
122 |--- 134
134 |--- 146
Total
fi
PM
1
4
6
11
11
10
5
2
50
56
68
80
92
104
116
128
140
fr i
f%i
0,02 2%
0,08 8%
0,12 12%
0,22 22%
0,22 22%
0,20 20%
0,10 10%
0,04 4%
1,00 100%
f a i f ari
1
5
11
22
33
43
48
50
f a%i
0,02 2%
0,1 10%
0,22 22%
0,44 44%
0,66 66%
0,86 86%
0,96 96%
1 100%
fai
far i
fa%i
50
49
45
39
28
17
7
2
50/50 =1
49/50 = 0,98
45/50 = 0,90
39/50 = 0,78
28/50 = 0,56
17/50 = 0,34
7/50 = 0,14
2/50 = 0,04
1 100 = 100%
0,98 100 = 98%
0,90 100 = 90%
0,78 100 = 78%
0,56 100 = 56%
0,34 100 = 34%
0,14 100 = 14%
0,04 100 = 4%
Questes:
Com relao Tabela 13:
Qual a altura que representa a terceira classe?
Qual o nmero de alunos com altura entre 74 e 86 cm?
Qual o nmero de alunos com altura entre 62 e 98 cm?
Qual o nmero de alunos com altura abaixo de 110 cm?
26

e Informtica
Qual o nmero de alunos com altura acima de 110 cm?

Qual a porcentagem de alunos com altura entre 98 e 110 cm?
Qual a porcentagem de alunos com altura abaixo de 86 cm?
Qual a porcentagem de alunos com altura acima de 98 cm?
Qual o nmero de alunos com altura abaixo de 90 cm?
Qual a porcentagem de alunos com altura abaixo de 128 cm?
Qual a altura abaixo da qual h 43 pessoas?
Qual a altura abaixo da qual h 10% de pessoas?
Qual a altura abaixo da qual h 15 pessoas?
Exerccios:
1. Os dados brutos abaixo representam o QI de 60 alunos:
110
115
112
163
85
92
137
123
87
103
121
163
77
135
135
98
105
132
165
101
81
152
84
110
70
177
128
105
163
93
127
143
178
129
138
172
98
118
154
181
133
142
110
147
151
87
109
155
127
160
185
163
91
113
144
120
118
125
170
97
a. Construa uma distribuio de freqncias que contenha PM, fi, f%, f%a e f%a .
b. Com base na tabela construda no item anterior responda:
1. Qual o QI que representa a quinta classe?
2. Qual o nmero de alunos com QI na quarta classe?
3. Qual o nmero de alunos com QI abaixo de 115?
4. Qual o nmero de alunos com QI abaixo de 125?
5. Qual a porcentagem de alunos com QI na sexta classe?
6. Qual a porcentagem de alunos com QI abaixo de 160?
7. Qual o nmero de alunos com QI acima de 144?
8. Qual o QI abaixo do qual h 40 pessoas?
2. Um professor de educao fsica obteve as alturas em metros de 60 alunos escolhidos
aleatoriamente de um grupo de 600 alunos que fazem parte da escola. Os resultados so
dados na tabela abaixo:
1,55
1,65
1,68
1,69
1,70
1,76
1,56
1,65
1,68
1,69
1,70
1,77
1,58
1,65
1,68
1,70
1,72
1,78
1,60
1,65
1,68
1,70
1,72
1,79
1,60
1,65
1,68
1,70
1,72
1,80
1,60
1,65
1,68
1,70
1,72
1,81
1,60
1,65
1,68
1,70
1,73
1,82
1,62
1,66
1,68
1,70
1,75
1,83
1,63
1,67
1,68
1,70
1,75
1,85
1,65
1,68
1,69
1,70
1,75
1,89
a. Os nmeros listados na tabela acima se referem a uma populao ou a uma amostra?

Justifique.
b. Identifique e classifique a varivel do problema.
c. Com os dados de altura construa uma distribuio de freqncias contendo os valores de fi,
fa e f%
d. Com base na tabela construda responda:
1. Quantos alunos tm altura na quinta classe?
2. Quantos alunos tm altura abaixo de 1,67 m?
3. Quantos alunos tm altura acima de 1,75 m?
4. Qual a porcentagem de alunos com altura abaixo de 1,68 m?
5. Qual a altura abaixo da qual h 30 pessoas?
27

e Informtica
3. Os dados abaixo se referem aos salrios em R$ por hora de todos os 40 empregados de

uma pequena indstria.
850
1820
750
1520 1200
5200 2200 3500 4200 4800
750
780
1100 1200 1100
4500 4650 4900 3900 2000
1200 1200 1050
920
1020
3200 1800 1750 2300
850
990
1050
890
850
920
720
780
750
820
950
a. Os nmeros listados na tabela acima se referem a uma populao ou a uma amostra?
Justifique.
b. Identifique e classifique a varivel do problema.
c. Com os dados de salrio construa uma distribuio de freqncias contendo os valores de
fi, fa e f%
4. Preencher as seguintes tabelas:
Classes
0 |--- 10
10 |--- 20
20 |--- 30
30 |--- 40
40 |--- 50
50 |--- 60
60 |--- 70
70 |--- 80
80 |--- 90
90 |--- 100
fi
1
3
6
8
10
16
14
12
8
2
80
Classes
1000 |--- 2000
2000 |--- 3000
3000 |--- 4000
4000 |--- 5000
5000 |--- 6000
6000 |--- 7000
f%
PM
1500
2500
3500
4500
5500
6500
Quadro I:
f%a
Quadro II:
fa
fa
f%a
fi
fr
2
5
12
13
5
3
40
Supondo que o Quadro I represente notas, responda:
I-a. Quantos alunos tm nota abaixo de 33?
I-b. Qual a porcentagem de alunos com nota acima de 78?
I-c. Qual a nota abaixo da qual tem 10 pessoas?
I-d. Qual a nota abaixo da qual tem 12 pessoas?
I-e. Quantas pessoas tm nota acima de 47 e abaixo de 85?
Supondo que o Quadro II represente salrio em R$, responda:
II-a. Quantas pessoas ganham menos de 4700?
II-b. Qual a porcentagem de pessoas que ganham acima de 2250?
II-c. Qual o salrio abaixo do qual tem 25 pessoas?
f%
fra
5. Construa uma tabela de freqncias para os dados abaixo sem agrup-los em classes:
5, 5, 6, 7, 7, 7, 8, 8, 9, 10, 15, 15, 15, 15, 15.
28

e Informtica
Representaes Grficas
Alm da apresentao tabular, uma outra maneira de se sumarizar e apresentar dados
estatsticos por meio de grficos.
A principal vantagem do uso de grficos sobre o uso de tabelas que os grficos permitem
uma visualizao imediata dos valores observados, na sua totalidade. Soma-se a isso o carter
esttico: trata-se de uma representao mais atraente, tendendo a chamar mais ateno sobre os
dados.
Os princpios que norteiam a construo de grficos foram introduzidos pelo matemtico
francs Ren Descartes em 1637, ao desenvolver a geometria analtica.
Representaes grficas em coordenadas cartesianas so feitas em um plano chamado
plano cartesiano (em homenagem a Descartes). Este plano representado por duas retas
perpendiculares entre si, que o dividem em quatro quadrantes (ver Fig. 1). A reta horizontal,
orientada para a direita, chamada de eixo das abscissas e a vertical, orientada para cima, eixo
das ordenadas. A orientao destas retas indica a direo em que os valores das abscissas e das
ordenadas aumentam. Os valores das abscissas e das ordenadas so marcados a intervalos
regulares em cada um dos eixos. O ponto de cruzamento entre os eixos , em geral, tomado como
sendo a origem de ambos os eixos. A qualquer par ordenado (x, y) associa-se um nico ponto no
plano cartesiano, com valor de abscissa x e valor de ordenada y.
y
(-1, +3)
+3
10 quadrante
2 quadrante
+2
+1
-2
(-2, -1)
30 quadrante
-1
(+2,+1)
+1
+2
+3
-1
40 quadrante
-2
(+2, -2)
Fig. 1 - Plano Cartesiano

A representao grfica das sries estatsticas tem por finalidade representar os
resultados obtidos, permitindo chegar-se a concluses sobre a evoluo do fenmeno ou sobre
como se relacionam os valores da srie. No h uma nica maneira de representar graficamente
uma srie estatstica. A escolha do grfico mais apropriado ficar a critrio do analista. Contudo,
os elementos: simplicidade, clareza e veracidade devem ser considerados quando da elaborao
de um grfico.
Costuma-se representar no eixo das abscissas (varivel x) a grandeza tempo e os valores
observados no eixo das ordenadas (y).
Grfico para Distribuio com varivel Discreta

Considerando o nmero de acidentes automotivos dirios ocorridos em dezembro.
N de acidentes
freqncias (fi)
0
12
1
8
2
6
3
7
4
3
5
2
29

e Informtica
Temos a seguinte representao grfica:

fi
12 86421N de acidentes
0
1
2
3
4
5
No grfico, cada haste possui uma extremidade na categoria e outra na respectiva
freqncia.
Grfico para Distribuio com Varivel Contnua (grficos analticos)

Grficos Analticos so usados tipicamente para representao de distribuies de
freqncias simples e acumuladas. So eles:
Histogramas: Utilizados para representao de freqncias simples;
Polgono de freqncias: Tambm utilizados para representao de freqncias simples;
Polgono de freqncias acumuladas ou Ogivas de Galton: Utilizados para representao
de freqncias acumuladas.
I. Histograma
a representao grfica de uma distribuio de freqncia por meio de retngulos
sucessivos e justapostos onde a base colocada no eixo das abscissas corresponde aos intervalos
de classe e a altura proporcional freqncia absoluta das classes.
Ex:
Tabela 3
Classes de notas
0 |--- 10
10 |--- 20
20 |--- 30
30 |--- 40
40 |--- 50
50 |--- 60
60 |--- 70
70 |--- 80
80 |--- 90
90 |--- 100
TOTAL
PM
5
15
25
35
45
55
65
75
85
95
fi
1
4
6
10
15
20
8
5
2
1
72
30

e Informtica
Fig. 14 - Histograma referente tabela de classe de notas (Tabela 3)

Tambm se pode construir histogramas para representar freqncias percentuais.
Ao invs de marcar no eixo das abscissas os limites de classes, pode-se igualmente marcar
os pontos mdios (PMs) de cada classe, conforme ilustrado na figura seguinte, para os mesmos
dados da Tabela 3.
Fig. 15 - Histograma referente tabela de classe de notas (Tabela 3) com PMs marcados no eixo
das abscissas
II. POLGONO DE FREQNCIAS obtido unindo-se os pontos mdios das bases
superiores dos retngulos do histograma.
Ex: Considerando-se ainda os dados da Tabela 3, na figura seguinte exibido o polgono de
freqncias juntamente com o histograma j apresentado na figura 14.
Fig. 16 - Histograma e polgono de freqncias referentes tabela de classe de notas (Tabela 3)

Uma vez que histogramas e polgonos de freqncias fornecem as mesmas informaes a
respeito de uma distribuio de freqncias, surge a questo de quando mais conveniente usar
um tipo de grfico ou outro. Em geral, quando se deseja representar apenas uma distribuio em
um grfico, o histograma a representao mais usada. Contudo, caso se queira comparar duas
ou mais distribuies graficamente, isto deve ser feito graficando-se os polgonos de freqncia de
cada distribuio, j que vrios histogramas em um mesmo grfico tornaria a leitura do mesmo por
demais confusa.
31

e Informtica
Ex: Comparar a distribuio de notas de trs turmas de CC em uma prova de Estatstica. Estas
distribuies encontram-se tabeladas abaixo, em termos de freqncias percentuais.
Tabela 4: Turma 1
Classes de PM
f%i
Notas
0 |--- 1
0,5
2%
1 |--- 2
1,5
5%
2 |--- 3
2,5
11%
3 |--- 4
3,5
15%
4 |--- 5
4,5
18%
5 |--- 6
5,5
23%
6 |--- 7
6,5
16%
7 |--- 8
7,5
5%
8 |--- 9
8,5
3%
9 |--- 10
9,5
2%
TOTAL
100%
Tabela 5: Turma 2
Classes de
PM
f%i
Notas
0 |--- 1
0,5
0%
1 |--- 2
1,5
2%
2 |--- 3
2,5
9%
3 |--- 4
3,5
13%
4 |--- 5
4,5
17%
5 |--- 6
5,5
20%
6 |--- 7
6,5
23%
7 |--- 8
7,5
10%
8 |--- 9
8,5
4%
9 |--- 10
9,5
2%
TOTAL
100%
Tabela 6: Turma 3
Classes
PM
de Notas
0 |--- 1
0,5
1 |--- 2
1,5
2 |--- 3
2,5
3 |--- 4
3,5
4 |--- 5
4,5
5 |--- 6
5,5
6 |--- 7
6,5
7 |--- 8
7,5
8 |--- 9
8,5
9 |--- 10
9,5
TOTAL
f%i
3%
7%
12%
18%
22%
16%
13%
6%
3%
0%
100%
Fig. 17 - Polgonos de freqncias referentes s distribuies de notas das turmas 1, 2 e 3,

correspondentes s tabelas 4, 5 e 6, respectivamente.
III. POLGONOS DE FREQNCIAS ACUMULADAS ou OGIVAS DE GALTON
Tm por finalidade representar graficamente as freqncias acumuladas de uma
distribuio. A Ogiva de Galton crescente aquela que representa as freqncias acumuladas
abaixo de e a decrescente, a que representa as freqncias acumuladas acima de. As ogivas
podem ser usadas para representar freqncias acumuladas absolutas, relativas ou percentuais.
Ex: Tomando os dados da Tabela 3 e calculando as freqncias acumuladas abaixo de e acima
de para estes dados, pode-se ento construir as ogivas correspondentes.
32

e Informtica
Tabela 7
Classes de notas
0 |--- 10
10 |--- 20
20 |--- 30
30 |--- 40
40 |--- 50
50 |--- 60
60 |--- 70
70 |--- 80
80 |--- 90
90 |--- 100
TOTAL
PM
5
15
25
35
45
55
65
75
85
95
fi
1
4
6
10
15
20
8
5
2
1
72
fai
1
5
11
21
36
56
64
69
71
72
fai
72
71
67
61
51
36
16
8
3
1
Ogiva de Galton Crescente

80
F
r
e
q
n
c
i
a
s
70
60
50
40
30
20
10
0
10
20
30
40
50
60
70
80
90
100
Notas
Fig. 18 - Ogiva de Galton Crescente relativa aos dados da Tabela 7
Ogiva de Galton Decrescente

80
70
Freqncia
60
50
40
30
20
10
90
80
70
100
Notas
60
50
40
30
20
10
Fig. 19 - Ogiva de Galton Decrescente relativa aos dados da Tabela 7

Se graficarmos as duas ogivas juntas, o valor lido no eixo das abscissas do ponto onde as
duas curvas se cruzam chamado mediana da distribuio. Trata-se do valor tal que abaixo dele
esto 50% das observaes.
33

e Informtica
Ogivas de Galton Crescente e Decrescente

80
70
Freqncia
60
50
40
30
20
10
Notas
100
90
80
70
60
50
40
30
20
10
Md: Mediana
Fig. 20 - Ogiva de Galton Crescente e Decrescente relativas aos dados da Tabela 7 Determinao grfica da mediana da distribuio
Princpios para a construo de grficos

Alm de saber analisar e extrair informaes de um grfico, se faz necessrio, muitas
vezes, que se saiba construir um grfico a partir, por exemplo, de dados tabulados.
Algumas princpios que devem ser seguidos na construo de grficos so:
Esttica - Uma vez que o aspecto marcante de um grfico, como um meio de
apresentao de dados, o visual, deve-se faz-lo com capricho, isto : sem rasuras,
sem elementos desnecessrios, com curvas diferenciadas, centralizado, etc.
Ttulo - Todo grfico deve ter um ttulo, informando sobre o que diz respeito os dados ali
representados. Junto ao ttulo, caso seja esta uma informao importante, deve ser
mencionada a data em que os dados foram colhidos.
Eixos - Os nomes das variveis (juntamente com as respectivas unidades), cujos valores
sero lidos nos eixos do grfico, devem ser colocados junto aos mesmos: Sob o eixo das
abscissas, o nome e unidade de medida da varivel independente e, ao lado do eixo das
ordenadas, o nome e unidade da varivel dependente.
Legenda - Quando, em um mesmo grfico, estiverem sendo representadas duas ou mais
distribuies ou grandezas diferentes, deve haver uma legenda que possibilite distinglas.
Escalas - A elaborao da escala horizontal e vertical deve seguir as seguintes regras:
Todos os valores assumidos pelas variveis devem estar contidos no intervalo que
vai do menor ao maior valor marcados na escala.
As marcaes devem ser feitas de maneira uniforme, isto , os valores marcados
nos eixos devem estar uniformemente espaados.
Quando se tratar de variveis cardinais, as marcaes devem representar
intervalos uniformes destas variveis.
No necessrio indicar na escala os valores das variveis de uma em uma
unidade. Pelo contrrio, o excesso de informao pode dificultar a leitura do
grfico. Conforme for o caso (e aqui deve-se seguir o bom senso), marca-se a
escala a intervalos equiespaados de 3 em 3 unidades, 5 em 5, 10 em 10, 100 em
100, etc.
Indicao de cortes - Quando o tamanho do papel no possibilitar que se represente
todos os valores, desde a origem ao maior valor a ser marcado na escala, deve-se
indicar isto colocando-se no eixo, entre a origem e o prximo valor o seguinte smbolo:
34

e Informtica
Exerccios
1. Construa um grfico em setores para os dados da tabela abaixo:
Grupo
A
B
C
D
E
TOTAL
% Acertos
10
15
25
40
10
100
2. Construa um grfico de barras ou colunas para os dados da tabela:

Disciplina
A
B
C
D
E
Nmero de alunos
cursando por perodo
Manh
Tarde
Noite
5
8
10
8
8
20
13
30
20
20
35
40
10
43
8
3. Construa um grfico de linhas para os dados da tabela abaixo:

Tempo (minutos)
1
2
3
4
5
6
7
8
9
10
11
12
13
Nmero de pessoas que levaram um certo tempo

em minutos para responder Questo A e
Questo B
Questo A
Questo B
2
5
3
6
3
6
4
6
5
3
6
3
7
2
7
8
7
8
5
9
3
11
2
5
5
2
4. Dado o grfico abaixo, que representa a temperatura de uma srie de pessoas, responda:
a) Qual o nmero de pessoas cuja temperatura se encontra representada no grfico?
b) Quantas pessoas possuem temperatura maior que 380C?
c) Qual a percentagem de pessoas normais, considerando como normais aquelas com
temperaturas entre 360C e 370C?
35

e Informtica
Figura relativa ao exerccio (4)

5. Com base no grfico seguinte, responda aproximadamente:
a) Quantas pessoas tm idade inferior a 40?
b) Quantas pessoas tm idade inferior a 34?
c) Quantas pessoas tm idade superior a 66?
d) Qual a percentagem de pessoas com idade inferior a 52?
e) Qual a idade abaixo da qual se situam 17 pessoas?
fa
32
28
24
20
16
12
8
4
0
10
20
30
40
50
60
70
80
idade
em
anos

6. Para a tabela abaixo construa o histograma e o respectivo polgono:
Classes
0 |--- 10
10 |--- 20
20 |--- 30
30 |--- 40
40 |--- 50
Total
fi
20
40
60
50
30
200
7. Para a tabela abaixo, construa as duas ogivas (use fa e fa) e marque no grfico
construdo o valor da mediana.
Classes
140 |--- 145
145 |--- 150
150 |--- 155
155 |--- 160
160 |--- 165
165 |--- 170
170 |--- 175
175 |--- 180
180 |--- 185
185 |--- 190
190 |--- 195
195 |--- 200
Total
fi
3
3
2
4
4
6
10
8
5
4
2
1
52
36

e Informtica
8. Para a tabela seguinte construa:

a) Um histograma e o respectivo polgono (use f%).
b) As duas ogivas, usando fa% e fa%.
Classes
100 |--- 150
150 |--- 200
200 |--- 250
250 |--- 300
300 |--- 350
350 |--- 400
Total
fi
7
11
9
7
5
1
40
9. Com base no grfico abaixo, responda aproximadamente:

a) Quantos alunos tm nota inferior a 60, em percentagem?
b) Quantos alunos tm nota inferior a 63, em percentagem?
c) Quantos tm nota superior a 38, em percentagem?
d) Qual a nota abaixo da qual h apenas 25% de alunos?
f%a
100
80
60
40
20
20
30
40
50
60
70
80
90
100
Notas
Medidas de Posio
Alm da organizao e apresentao de dados estatsticos, a Estatstica Descritiva tambm
compreende a tarefa de sumarizao, ou reduo, dos dados.
H diversas medidas que possibilitam a condensao da informao contida dentro de um
conjunto de observaes. Os dois tipos de medidas mais importantes so as medidas de posio
e as medidas de disperso. H ainda as medidas de assimetria e de curtose.
Dentre as medidas de posio, as principais so as chamadas medidas de tendncia
central, sendo as trs mais utilizadas: a mdia aritmtica, a mediana e a moda. So assim
denominadas devido ao fato de haver uma tendncia dos dados de se concentrarem em torno
destes valores.
Soma-se s medidas de tendncia central ainda outras medidas de posio, denominadas
genericamente de separatrizes ou quantis, que so os quartis, decis e percentis.
O clculo de medidas de tendncia central tem por finalidade a representao de um
conjunto de dados atravs de um nico valor numrico. Alm disso, estas medidas calculadas para
uma amostra podem ser usadas como estimativa das mesmas quantidades para a populao a
partir da qual a amostra foi colhida.
Mdia Aritmtica
A mdia aritmtica a principal e mais utilizada medida de tendncia central.
Esta medida denotada por:
*
x : Caso se trate da mdia de uma amostra.
*
: Caso estejamos nos referindo a uma populao.
Clculo da mdia para dados no agrupados.
37

e Informtica
Vamos chegar definio da mdia atravs de um exemplo.

Ex1: Suponhamos que um aluno A fez quatro provas de Estatstica durante o perodo letivo,
tendo obtido as seguintes notas:
Nota na 1a prova = 3,0 Representaremos por x1 = 3,0
Obter a mdia destas notas.
Resposta:
A mdia deste aluno ser calculada da seguinte maneira:
x +x +x +x
3,0 + 7,0 + 8,0 + 10,0
x = 1 24 3 4 =
= 7,0
4
ou ainda, usando-se a notao de somatrio, este clculo pode ser expresso como:
4
x
x=
i=1
= 7,0
Generalizando, temos que a mdia de um conjunto de N observaes: x1, x2, x3, ..., xN
definida como:
x1 + x 2 + x3 +K+ x N
N
o que pode ser escrito de uma forma mais compacta, usando-se o smbolo de somatrio:
x=
x
x=
i=1
Clculo da mdia quando vrias medidas ocorrem com freqncias superiores a 1

Ex2: Suponhamos que um aluno cursou 8 disciplinas durante o perodo letivo, tendo feito 4
provas em cada disciplina e deseja-se saber o desempenho dele de uma forma geral,
considerando-se todas as disciplinas cursadas. O desempenho dele dever ser medido em termos
da mdia de suas notas. Chamando a varivel nota de X, listamos os valores que ele obteve
abaixo.
X = {1, 2, 2, 2, 3, 3, 4, 4, 4, 4, 5, 5, 5, 6, 6, 6, 8, 8, 8, 8, 8, 9, 9, 9, 9, 9, 10, 10, 10, 10, 10, 10}
Resposta:
Calculando a mdia destas 32 (= 4 provas 8 disciplinas) notas:
x=
1 + 2 + 2 + 2 + 3 + 3 + 4 + 4 + 4 + 4 + 5 + 5 + 5 + 6 + 6 + 6 + 8 + 8 + 8 + 8 + 8 + 9 + 9 + 9 + 9 + 9 + 10 + 10 + 10 + 10 + 10 + 10
32
Este mesmo clculo poderia ser feito da seguinte maneira:

x=
1+ 3 2 + 2 3 + 4 4 + 3 5 + 3 6 + 5 8 + 5 9 + 6 10
6,5
32
ou ainda, usando uma tabela onde anotamos cada valor de nota e a freqncia com a qual este se
repete como dispositivo prtico:
38
6,5

e Informtica
Nota (xi)
1
2
3
4
5
6
8
9
10
Total
fixi
11 = 1
32 = 6
23 = 6
44 = 16
35 = 15
36 = 18
58 = 40
59 = 45
610 = 60
207
fi
1
3
2
4
3
3
5
5
6
32
temos:
207
x=
6,5
32
Este clculo pode ser expresso, na notao de somatrio como:

9
xi
=
i=1
x=
207
6,5
32
i=1
onde o limite superior do somatrio, igual a 9, o nmero de notas diferentes.

Generalizando, quando temos M observaes com valores diferentes: x1, x2, x3, ..., xM, onde
x1 tenha ocorrido um nmero de vezes dado por f1, x2 tenha ocorrido um nmero de vezes dado
M
por f2, e assim por diante, tal que o nmero total de observaes dado por N = f i , a mdia
i =1
pode ser expressa como:

M
f
x=
xi
i=1
fi xi
ou simplesmente: x =
i=1
i=1
Clculo da mdia para dados agrupados em classes

No caso em que s dispomos da distribuio de freqncia de grupo dos dados, ou seja,
no mais os temos na sua forma original, mas apenas agrupados em classes, partimos do
pressuposto de que as observaes esto uniformemente distribudas dentro dos intervalos de
classe e consideramos o ponto mdio de cada classe como sendo seu representante para efeito
do clculo da mdia.
Ex: Deseja-se determinar a mdia de idade de um grupo de 200 crianas, com idades entre
0 e 10 anos, mas s se dispe de informaes sobre a distribuio de freqncias das idades
agrupadas em classes, conforme ilustrado na tabela a seguir:
Classes: Idade
PM = xi
fi
fi PM ou fi . xi
0 |--- 2
1
8
8
2 |--- 4
3
27
81
4 |--- 6
5
45
225
6 |--- 8
7
95
665
8 |--- 10
9
25
225
Total
200
1204
39

e Informtica
Resposta: A mdia , assim, dada por:

1204
6 ,0
200
Este clculo pode ser expresso, na notao de somatrio como:
x=
fi PMi
x=
i=1
fi
1204
6,0
200
i =1
onde o limite superior do somatrio, igual a 5, agora dado pelo nmero de classes.
Generalizando, quando temos M classes cada qual com um valor de ponto mdio: PM1,
PM2, PM3, ..., PMM, onde a freqncia de valores na primeira classe seja f1, a freqncia de
valores na segunda classe seja f2, e assim por diante, tal que o nmero total de observaes
M
dado por N = f i , a mdia pode ser expressa como:

i =1
fi PMi
fi PMi
x=
i=1
ou x =
i=1
fi
i=1
Mediana
A mediana, denotada por Md, definida como o ponto na escala de medidas abaixo do qual
se encontra exatamente metade das observaes (e, portanto, acima do qual se encontra a outra
metade).
Obteno da mediana para dados no agrupados
Para se obter a mediana de um conjunto de observaes, conhecendo-se o valor individual
de cada observao, inicialmente coloca-se os valores observados em ordem (crescente ou
decrescente). Tem-se ento duas possibilidades:
O total de valores medidos mpar: A mediana o valor central do rol de observaes;
O total de valores medidos par: A mediana dada pela mdia aritmtica dos dois valores
centrais do rol de medidas.
Ex1: Considerando o seguinte conjunto de valores de medidas de alturas, em metros:
1,56; 1,77; 1,65; 1,48; 1,81; 1,92; 1,72
Obter a mediana destes valores.
Resposta:
Inicialmente, colocamos estes valores em ordem crescente. Obtemos, ento, um rol de medidas:
1,48; 1,56; 1,65; 1,72 ; 1,77; 1,81; 1,92
O nmero total de observaes de altura N = 7. Tem-se, portanto, um nmero mpar de medidas.
Portanto, a mediana ser o quarto valor do rol:
Md = 1,72m
Ex2: Considerando o seguinte conjunto de valores de medidas de peso, em Kg:
67; 56; 82; 47; 71; 94; 101; 63
Resposta:
Inicialmente, colocamos estes valores em ordem crescente. Obtemos, ento, um rol de medidas:
47; 56; 63; 67; 71; 82; 94; 101
40

e Informtica
Tem-se um total de N = 8 medidas de peso. Trata-se de um nmero par de medidas. Portanto, a

mediana ser dada pela mdia do quarto e quinto valores: Md = (67 + 71)/2.
Md = 69 Kg
Clculo da mediana para dados agrupados

Vamos ver como se calcula a mediana para dados agrupados atravs de um exemplo.
Ex: Consideremos a tabela a seguir, obtida a partir da medida da altura de 50 alunos, com os
dados observados tendo sido agrupados em classes:
Classe
mediana
Classes de
Altura (cm)
80 |--- 90
90 |--- 100
100 |--- 110
110 |--- 120
120 |--- 130
130 |--- 140
140 |--- 150
Total
fi
fa
2
3
5
12
10
15
3
50
2
5
10
22
32
47
50
- ' fa
2
. h
Md = Li +
fi
N / 2 = 50 / 2 = 25
Md = 120 +
Md = 120 + 3
25 22
. 10
10
Md = 123
Resposta:
Para determinar o valor da mediana, observa-se a coluna de freqncias acumuladas
percentuais abaixo de (quarta coluna). Estes valores de freqncias nos informam que 64% dos
valores medidos se encontram abaixo do valor de altura 130 cm e que 44% se encontram abaixo
de 120 cm. Deve haver, portanto, um valor de altura, que se situa entre 120 cm e 130 cm, tal que
abaixo dele esto 50% das medidas.
Partindo do pressuposto que as medidas de altura se distribuem uniformemente pelos
intervalos de classe, podemos assumir que existe uma proporcionalidade entre intervalos de altura
e intervalos de freqncia. Isto permite-nos montar a seguinte regra de trs:
130
64%
(130 120) --------- (64 44)
(x 120) --------- (50 44)
x
120
10 ------------ 20
(x 120) ------------ 6
50%
44%
20 (x120) = 10 6
x = 60 / 20 + 120
x = 123
Assim, a mediana Md = 123 cm. Isto , 50% dos alunos tm altura abaixo de 123 cm e,
portanto, os outros 50% tm altura acima de 123 cm.
Moda
A moda, que ser denotada por Mo, a medida de tendncia central mais fcil de se obter.
definida como o ponto na escala de medidas com maior freqncia dentro da distribuio.
Obteno da moda para dados no agrupados

Na prtica, a obteno da moda segue algumas convenes que sero ilustradas atravs de
exemplos.
Ex1: Um aluno A obteve as seguintes notas em uma srie de provas s quais foi submetido: 2, 6,
6, 8, 9, 9, 9, 10. Obter a moda deste conjunto de dados.
41

e Informtica
Resposta:
O valor que se apresenta com freqncia mais alta 9, portanto este o valor da moda, ou seja,
Mo = 9.
Ex2: Um aluno B obteve as seguintes notas em uma srie de provas s quais foi submetido: 6, 6,
6, 8, 9, 9, 9, 10.
Obter a moda deste conjunto de dados.
Resposta:
Os valores de nota 6 e 9 aparecem ambos com freqncia igual a 3 e no h nenhum valor que
aparea com freqncia superior a esta. Como estes valores no so adjacentes, dizemos que
esta distribuio possui duas modas: Mo1 = 6 e Mo2 = 9. Trata-se, portanto de uma distribuio
bimodal.
Ex3: Um aluno C obteve as seguintes notas em uma srie de provas s quais foi submetido: 6, 8,
8, 8, 9, 9, 9, 10.
Resposta:
Os valores de nota 8 e 9 aparecem ambos com freqncia igual a 3 e no h nenhum valor que
aparea com freqncia superior a esta. Como estes valores so adjacentes, a moda tomada
como a mdia aritmtica entre eles, isto , Mo = (8 + 9)/2 = 8,5. Trata-se de uma distribuio
unimodal.
Ex4: Um aluno C obteve as seguintes notas em uma srie de provas s quais foi submetido: 6, 6,
8, 8, 9, 9, 10, 10.
Resposta:
Todos os valores de notas possuem a mesma freqncia, j que todos ocorreram duas vezes.
Neste caso, como no h nenhum valor que tenha maior freqncia que os demais, esta
distribuio no possui moda. Diz-se, neste caso, que se trata de uma distribuio amodal.
Obs1: Distribuies com trs modas so chamadas trimodais e distribuies com 4 ou mais
modas, so ditas polimodais.
Ex5: Um conjunto de 90 alunos foi submetido a uma prova com 10 testes, cada qual valendo 1
ponto. A distribuio de notas destes alunos mostrada no histograma a seguir (Fig. 1).
Distribuio de notas de um conjunto de
alunos
Freqncia
20
15
10
5
0
1
5
6
Nota
10
Fig. 1 - Distribuio de notas de 90 alunos em um teste com 10 questes

Qual a moda (ou modas) desta distribuio?
Resposta:
Para distribuies com um conjunto grande de medidas, se o polgono de freqncias
correspondente apresenta um formato semelhante a uma costa de camelo, isto , com dois
42

e Informtica
picos, diz-se que a distribuio bimodal, ainda que o tamanho dos picos no seja
essencialmente igual. Neste caso, as modas da distribuio acima so Mo1= 2 e Mo2=9.
Ex6: Um conjunto de 60 alunos foi submetido a uma prova com 12 testes, cada qual valendo 1
ponto. A distribuio de notas destes alunos mostrada no histograma a seguir (Fig. 2).

Qual a moda (ou modas) desta distribuio?
Resposta:
Para distribuies com um conjunto grande de medidas, se o polgono de freqncias
correspondente apresenta mais de dois picos, costuma-se fazer uma distino entre modas
maiores e modas menores. Assim, a moda maior a medida que satisfaz a definio estrita de
moda, isto , aquela que apresenta a maior freqncia dentre todas as outras. Podem existir,
contudo, vrias modas menores, que correspondem essencialmente a picos locais na distribuio
de freqncias. Neste exemplo temos que a moda maior Mo1 = 6 e, distingue-se ainda trs
modas menores: Mo2 = 3,5 , Mo3 = 8 e Mo4 = 10.
Clculo da MODA para valores agrupados em Classes (Mtodo ou Processo de KING)
Mo = L i
F'
h
' F + F'
Mo a Moda
Li o limite inferior da classe modal
F a freqncia simples da classe posterior classe modal
F a freqncia simples da classe anterior classe modal
h a amplitude da classe modal (h = Ls Li)
Classe modal a classe que apresenta a maior freqncia simples
Nota: MODA BRUTA o ponto mdio da classe modal
Exemplo: Determine a moda para os dados da distribuio abaixo:
Notas de
N de alunos
Matemtica
fi
0 |--- 2
15
2 |--- 4
23
4 |--- 6
46
Classe Modal (fi mx. = 46)
6 |--- 8
37
8 |--- 10
9
130
Da tabela, temos: 4 |--- 6 a classe modal , logo: Li = 4 , F = 37 , F = 23 e h = 6 4 = 2

43

e Informtica
37
2
M0 = 4 + 1,233...
M0 5,23
23 + 37
A moda bruta da distribuio MB = (4 + 6) / 2
MB = 5
Clculo da MODA para valores agrupados em Classes (Mtodo ou Processo de CZUBER)
1
. h
Mo = Li +
1 + 2
Li = limite inferior da classe modal
1 = diferena entre a freqncia simples da classe modal e a imediatamente anterior a ela
2 = diferena entre a freqncia simples da classe modal e a imediatamente posterior a ela
h = amplitude de classe
Mo = 4 +
Ex. Calcular a moda por CZUBER para os dados da tabela anterior (notas de matemtica)
Temos: a classe modal 4 |--- 6 (3 classe, pois apresenta maior fi)
Li = 4 ; 1 = 46 23 = 23 ; 2 = 46 37 = 9 e h = 6 4 = 2
Logo: Mo = 4 +
23
.2 = 4 + 1,4375
23 + 9
Mo 5,44
Comparao entre as principais medidas de tendncia central:

Mdia, Mediana e Moda
Dada uma distribuio de dados estatsticos, qual deve ser a medida de tendncia central a
ser escolhida para represent-la? Para responder a esta questo, vamos enumerar algumas
observaes importantes com relao s medidas que foram vistas:
1. Quando o conjunto de dados composto de poucas observaes, a moda uma medida de
tendncia central muito instvel. Ex: Considerando o seguinte grupo de medidas: 1, 1, 1, 3, 5, 7,
7, 8, temos que a moda, neste caso, 1. Contudo, basta que um 1 seja trocado por um 7 e a
moda passa ento a ser 7.
2. A mediana no afetada pela intensidade das medidas maiores e menores. Isto , se em uma
distribuio a maior medida for triplicada, a mediana no ser alterada.
3. A mdia influenciada pela intensidade de todas as medidas de uma distribuio.
4. Algumas distribuies simplesmente no tendem centralmente. Ex: Tendo-se aplicado uma
prova com 8 testes, valendo um ponto cada, a um grupo de 52 estudantes, obteve-se a
distribuio exibida na Fig. 3.
5.
Freqncia
D i stri b u i o d e n o ta s d e u m c o n j u n to d e
a lu n o s
16
14
12
10
8
6
4
2
0
0
4
No t a s

Muito embora se possa calcular a mdia e a mediana desta distribuio, que so,
aproximadamente, 3,8 e 2,0, respectivamente, nenhuma das duas medidas descreve este grupo
de notas muito bem, devido ao fato de que as mesmas no se encontram distribudas em torno
destes valores. Uma melhor maneira de sumarizar esta distribuio seria dizer que o histograma
bimodal, em formato de U, com uma moda em 0 e a outra em 8.
44

e Informtica
5. Em distribuies unimodais em que ocorrem medidas extremas muito destoantes da maior parte
das outras medidas, a mediana , provavelmente, a melhor medida de tendncia central. Ex:
Em uma distribuio de salrios em que muitos ganham pouco e poucos ganham muito, como
no caso deste conjunto de valores, para os funcionrios de uma pequena empresa: 300, 400,
400, 500, 600, 800, 10000, o clculo da mdia resulta em aproximadamente 1857. Observa-se
que este valor no representa bem os dados, pois embora seja este um bom salrio mdio, ele
s to alto devido ao fato de um funcionrio ganhar muito mais do que todos os outros, os
quais, por sua vez, ganham at bem pouco. Neste caso, a mediana, que 500, uma medida
de tendncia central que representa melhor o conjunto de salrios.
6. Em grupos de medidas unimodais e simtricos (onde a metade do histograma abaixo da moda
uma reflexo especular da metade acima da moda), obtm-se valores iguais para a mdia,
mediana e moda.
7. Quando um grupo de medidas sabe-se ser uma amostra de um grupo simtrico maior (que a
populao a partir da qual esta amostra foi colhida), a mdia da amostra est provavelmente
mais prxima do centro da distribuio maior de dados do que a mediana ou a moda.
CLCULO DA MODA PELA FRMULA DE PEARSON

M o 3 . Md 2. x
Segundo PEARSON, a moda aproximadamente igual diferena entre o triplo da mediana e
o dobro da mdia. Esta frmula d uma boa aproximao quando a distribuio apresenta
razovel simetria em relao mdia.
Exemplo: Seja a distribuio:
Classes
02 |---- 04
04 |---- 06
06 |---- 08
08 |---- 10
10 |---- 12
PM
3
5
7
9
11
fi
3
5
10
6
2
26
fa
3
8
18
24
26
PM . fi
9
25
70
54
22
180
Classe Mediana e Classe Modal
Determine a Moda pela frmula de CZUBER e pela frmula de PEARSON.

I) Clculo da mdia : x =
PM . fi
n
180
6,92
26
x = 6,92
II) Clculo da mediana:

a) posio da mediana : P = n/2 = 26/2
que corresponde 3 classe;
b) Li = 6 , fa = 8
fi = 10
P = 13 posio obtida na coluna fa
h=86=2
n
( - ' fa )
(13 - 8)
.h = 6 +
.2 = 6 +1
c) Md = Li + 2
fi
10
Md = 7
45

e Informtica
III) Clculo da moda pela frmula de CZUBER:

a) Classe modal = Classe de freqncia mxima = 3 classe (6 |--- 8)
b) Li = 6 , 1 = 10 5 = 5
c) Mo = Li +
1
.h
1 + 2
2 = 10 6 = 4
6 +
5
.2
5+4
, h=86=2
= 6 + 1,11... 7,11
Mo 7,11
IV) Clculo da moda pela frmula de PEARSON:
M o 3.Md 2. x
M o = 3 . 7 2 . 6,92 = 21 13,84 = 7,16
Mo 7,16
Medidas de Disperso
As medidas de tendncia central no so suficientes para, sozinhas, caracterizarem um
conjunto de dados estatsticos. Vamos procurar entender o por que disto atravs de um exemplo.
Ex: Para cada uma das tabelas que se seguem: Tabela 1, Tabela 2 e Tabela 3, vamos calcular o
valor da mdia, da mediana e da moda, bem como levantar os respectivos histogramas.
Tabela 1
QI
fi
85 |--- 90
4
90 |--- 95
10
95 |--- 100
16
100 |--- 105
20
105 |--- 110
20
110 |--- 115
16
115 |--- 120
10
120 |--- 125
4
Total
100
fi PM
350
925
1560
2050
2150
1800
1175
490
10500
PM
87,5
92,5
97,5
102,5
107,5
12,5
117,5
122,5
Mdia = 10500 / 100 = 105

Mediana = 105
Moda = 105
Distrib u i o d e Q Is d e 100 p e sso a s
Freqncia
20
15
10
5
122,5
117,5
12,5
107,5
102,5
97,5
92,5
87,5
QI
Fig.1 - Histograma referente Tabela 1

Tabela 2
QI
fi
95 |--- 100
15
100 |--- 105
35
105 |--- 110
35
110 |--- 115
15
100
PM
97,5
102,5
107,5
12,5
fi PM
1462,5
3587,5
3762,5
1687,5
10500
Mdia = 10500 / 100 = 105

Mediana = 105
Moda = 105
46

e Informtica
Freqncia
Distribuio de QIs de 100

pessoas
40
20
0
97,5
102,5
107,5
12,5
QI

Tabela 3
QI
fi
105
100
Mdia = 105
Mediana = 105
Moda = 105

Conforme se verifica pelas tabelas e respectivos histogramas, os valores da mdia, mediana
e moda que se obtm para os trs conjuntos de dados so idnticos. Contudo, as distribuies so
bastante diferentes entre si. Depreende-se da que, se quisermos sumariar os dados,
representando-os atravs de uns poucos valores numricos, necessrio algo mais, alm das
medidas de tendncia central.
No caso deste exemplo, o que torna uma distribuio diferente da outra? Basta observar os
histogramas para notar que na primeira distribuio h uma maior heterogeneidade dos dados do
que na segunda e terceira. Na terceira, inclusive, os dados so totalmente homogneos, visto que
as 100 pessoas tiveram medidas de QI igual 105. Para distinguir uma distribuio da outra
necessrio, ento, que se defina uma medida que indique quo diferentes entre si so os dados.
Esta a funo das chamadas medidas de disperso. Elas nos indicam o quanto os valores
medidos esto aglutinados em torno da medida de posio adotada.
Dentre as medidas de disperso, as principais so: a amplitude total, a amplitude semiinterquartlica, o desvio mdio, o desvio padro, a varincia e o ndice de disperso.
Amplitude Total (H)

A amplitude total, denotada por H, a medida de disperso mais facilmente obtida. Ela
dada simplesmente pela diferena entre o maior e o menor valor observado:
H = XMX. XMIN.
Vamos tomar como exemplo as distribuies vistas anteriormente (Tabelas 1, 2 e 3) e
calcular a amplitude total para cada uma delas.
Ex1:
47

e Informtica
H1 = 125 85 = 40
H2 = 115 95 = 20
H3 = 105 105 = 0
Estes resultados nos indicam que a primeira distribuio apresenta uma disperso maior do
que a segunda, a qual , por sua vez, maior do que a terceira.
Vejamos ainda um segundo exemplo.
Ex2: Tendo-se dois grupos, cada qual com 10 crianas, foi aplicado a cada uma delas um teste de
QI e o conjunto de valores que se obteve para cada grupo est listado a seguir. Calcular, para
cada grupo, o valor da mdia, bem como a amplitude total.
1o Grupo: 85, 105, 105, 105, 105, 105, 105, 105, 105, 125
Mdia1 = 105
H1 = 125 85 = 40
2o Grupo: 85, 90, 95, 100, 105, 105, 110, 115, 120, 125
Mdia2 = 105
H2 = 125 85 = 40
Observa-se que, se a mdia e a amplitude total fossem tomadas como medidas de
tendncia central e de disperso, respectivamente, representativas de cada uma das distribuies,
chegar-se-ia concluso de que as duas distribuies so aproximadamente iguais no que diz
respeito tanto ao valor em torno do qual as medidas se aglutinam, como quanto a heterogeneidade
das mesmas. Contudo, fica evidente, ao se perscrutar os dados, que uma das distribuies mais
heterognea que a outra. Qual?
Desta forma, o fato de a amplitude total ser uma medida que leva em conta, no seu
cmputo, apenas os valores extremos da distribuio, faz com que ela seja uma medida de
disperso pouco precisa, devendo ser usada apenas para efeito de inspeo preliminar do
conjunto de observaes.
Medidas de Desvio - Desvio Mdio, Desvio Padro e Varincia.

A amplitude se baseia em apenas dois valores da distribuio para fornecer uma medida da
disperso da mesma. Ou seja, da mesma forma como a moda e a mediana, no caso das medidas
de tendncia central, no so considerados, no cmputo destas quantidades, todos os dados
observados.
Uma medida de disperso mais precisa deveria levar em conta, de alguma forma, todo o
conjunto de observaes feitas. A fim de definir uma tal medida, deve-se notar que quanto mais
dispersos os valores medidos, mais afastados estaro da mdia da distribuio. Assim, as
medidas de disperso que se baseiam no clculo da distncia entre cada um dos valores medidos
e a mdia (isto , em ( x i x = Di)) so chamadas, genericamente, de medidas de desvio.
As principais medidas de desvio so o desvio mdio e o desvio padro, sendo que o desvio
padro definido a partir da varincia. Para introduzir estas medidas, vamos apresentar um
exemplo.
Ex: O conjunto de notas, obtidas durante o perodo letivo, por dois alunos B e C, encontram-se
listadas a seguir:
Aluno B: 4, 5, 6, 6, 5, 4
Aluno C: 0, 2, 4, 6, 8, 10
Calcular a mdia destes dois alunos e, para cada uma das notas, de cada aluno, obter a diferena
entre a nota e a mdia.
As mdias que se obtm so:
xB = 5 e xC = 5
Para obter a diferena entre as notas e a mdia, vamos colocar estes dados na forma
tabular:
48

e Informtica
Tabelas 4: Aluno B
Xi
Xi
4
5
6
6
5
4
Total
Aluno C
Xi X
0
-5
2
-3
4
-1
6
+1
8
+3
10
+5
Total
0
Xi
-1
0
+1
+1
0
-1
0
Para levarmos em conta as medidas de desvio de todas as notas, poderamos somar a

quantidade ( X i X ) sobre todas elas. Contudo, observa-se que, para ambos os alunos, esta soma
resulta em zero. Isto ocorrer sempre (no s para este exemplo em particular), pois os valores
esquerda da mdia, que resultam em X i X < 0 contrabalanceiam aqueles direita da mdia, para
os quais X i
X >0. Assim, para qualquer distribuio, ao efetuarmos esta soma, obteremos zero.
A soluo seria, portanto, transformar, de alguma maneira, as diferenas ( X i X ) que

resultam negativas em valores positivos. Uma possibilidade, para tanto, seria considerarmos o
mdulo da quantidade X i X . Uma outra seria quadrarmos esta quantidade. Nas tabelas a seguir
exibe-se o clculo de | X i
Tabelas 5:
Xi
4
5
6
6
5
4
Total
X |, bem como de ( X i
Aluno B
Xi X | Xi X | ( Xi
-1
+1
0
0
+1
+1
+1
+1
0
0
-1
+1
0
4
X )2, para cada uma das notas de cada aluno.
Xi
X)
1
0
1
1
0
1
4
0
2
4
6
8
10
Total
Aluno C
X i X | X i X | ( X i X )2
-5
+5
25
-3
+3
9
-1
+1
1
+1
+1
1
+3
+3
9
+5
+5
25
0
18
70
Na ltima linha da terceira coluna de cada uma das duas tabelas, exibe-se o resultado da
soma:
N
X i X ou | Di | onde N = 6 o nmero total de notas.

i =1
i=1
Tambm, na ltima linha da quarta coluna de cada tabela, exibe-se o resultado da soma:
N
( Xi X)
i=1
( )2 .
ou Di
i =1
Com base nos clculos feitos neste exemplo podemos agora definir as seguintes medidas
de disperso:
Desvio Mdio
O desvio mdio, que ser denotado por DM, definido por:
N
Xi X
DM= i=1
| Di |
ou DM= i =1
, onde N o total de observaes feitas.
N
N
Das tabelas acima, obtemos para cada um dos alunos:
DMB = 4/6 = 0,666.... 0,7 e DMC = 18/6 = 3
49

e Informtica
Varincia
A varincia ser denotada por:
s2 , caso se trate de uma amostra;
2, caso se trate de uma populao.
e definida como:
N
( Xi X)
2
s = i=1
N -1
2 =
( X i X)
ou s 2 =
N-1
N
( )2
Di
i =1
, para amostra e
( )2
Di
i =1
ou 2 =
, para populao
N
N
onde, em ambos os casos, N o nmero total de observaes.
i=1
Das tabelas acima, obtemos para cada um dos alunos (considerando o conjunto de notas
de cada um como uma populao):
2B = 4/6 = 0,666.... 0,7
2C = 70/6 = 11,666... 11,7
Desvio Padro
O desvio padro ser denotado por:
s , caso se trate de uma amostra;
, caso se trate de uma populao.
e definido como a raiz quadrada da varincia:
N
s=
Xi X
i =1
)2
=
N-1
N
( X i X)
( )2
Di
i =1
N-1
N
ou
s=
s 2 , para amostra e
( )2
Di
i =1
=
ou = 2 , para populao
N
N
onde, em ambos os casos, N o nmero total de observaes.
i=1
Das tabelas do exemplo anterior, obtemos para cada um dos alunos:

B = (4/6)1/2 0,8
C = (70/6)1/2 3,4
Clculo da varincia e desvio padro para tabelas de freqncias de dados no

agrupados
Ex: Um estudante obteve o seguinte conjunto de notas durante o perodo letivo,
considerando-se todas as matrias que cursou:
X = {5, 5, 5, 6, 6, 6, 6, 6, 8, 8, 8, 8, 8, 8, 8, 8, 10, 10}, onde estamos chamando a varivel
nota de X.
Calcular a varincia e o desvio padro desta varivel.
Para o clculo da varincia, precisamos antes calcular a mdia das notas. O cmputo da
mdia resulta em:
50

e Informtica
18
Xi
129
= 7 ,1666... 7 ,2
18
18
Vamos ento calcular a varincia deste conjunto de notas (considerando-o como uma
populao), atravs da definio desta quantidade, dada anteriormente:
X=
=
( 8 7 ,2 )
i =1
( 5 7 , 2 ) + ( 5 7 ,2 ) + ( 5 7 , 2 ) + ( 6 7 ,2 ) + ( 6 7 ,2 ) + ( 6 7 ,2 ) + ( 6 7 ,2 ) + ( 6 7 ,2 )
+ ( 8 7 ,2 )
18
2
+ ( 8 7 ,2 )
+ ( 8 7 ,2 )
+ ( 8 7 ,2 )
+ ( 8 7 ,2 )
+ (8 7 ,2 )
+ ( 8 7 ,2 )
+ (10 7 , 2 )
+ (10 7 , 2 )
18
2
42,52
= 2,36222... 2,4
18
Notando-se a repetio de algumas parcelas nesta soma, poderamos ter efetuado a
mesma da seguinte maneira:
2
3 (5 7 ,2 ) + 5 ( 6 7 ,2 ) + 8 (8 7 ,2 ) + 2 (10 7 ,2 )
18
ou ainda, dispondo os valores das notas em uma tabela, com suas respectivas freqncias,
podemos usar a tabela como dispositivo prtico para o clculo da varincia:
Tabela 6:
xi
fi
fi xi
fi ( X i X )2 = fi . (Di)2
5
3
15
3 (5 - 7,2)2 = 14,52
6
5
30
5 (6 - 7,2)2 = 7,20
8
8
64
8 (8 - 7,2)2 = 5,12
10
2
20
2 (10 - 7,2)2 = 15,68
Total
18
129
42,52
Desta forma, na ltima linha da quarta coluna tem-se o somatrio da quantidade fi ( X i X )2
sobre todos os valores individuais das notas. Para se obter a varincia, basta dividir este valor pelo
nmero de notas. O desvio padro ento obtido tirando-se a raiz quadrada do valor assim
calculado.
Com base no caminho que seguimos para o clculo da varincia e do desvio padro para o
caso de dados tabulados no agrupados, podemos particularizar a definio destas quantidades
da seguinte maneira:
Varincia:
M
s2 =
fi Xi X
i =1
)2
ou s 2 =
( )2
fi D i
i =1
fi - 1
N-1
, para amostra e
i =1
M
2
fi ( X i X)
i=1
fi
ou 2 =
( )2
fi D i
i =1
N
, para populao
i=1
51

e Informtica
onde, neste caso, chamamos de M o nmero de observaes diferentes entre si, cada qual tendo
um valor de freqncia fi a si associada. importante no confundir M com o nmero total de
observaes que :
M
N = fi
i=1
Desvio Padro:
Por definio, o desvio padro sempre dado pela raiz quadrada da varincia. Portanto,
temos:
M
s=
fi Xi X
i =1
)2
=
( )2
fi D i
i =1
N-1
fi - 1
ou s =
s 2 , para amostra e
ou =
2 , para populao.
i =1
M
fi Xi X
i =1
)2
( )2
fi D i
i =1
N
fi
i =1
Clculo da varincia e desvio padro para tabelas de freqncias de dados agrupados

em classes
Ex: Obter a varincia e o desvio padro para a distribuio de idades listada na tabela
seguinte:
Tabela 7:
Classes de
fi ( PM i X )2 = fi . (Di)2
fi
PMi = Xi
fi PM
Idades
18 |--- 20
19
1
19
1 (19 - 23,6)2 = 21,16
20 |--- 22
21
5
105
5 (21 - 23,6)2 = 33,80
22 |--- 24
23
10
230
10 (23 - 23,6)2 = 3,60
24 |--- 26
25
12
300
12 (25 - 23,6)2 = 23,52
26 |--- 28
27
2
54
2 (27 - 23,6)2 = 23,12
Total
30
708
105,20
Com base no resultado da soma da quarta coluna, exibida na ltima linha, possvel
calcular a mdia desta distribuio:
5
PM i fi
x = i =1 5
fi
708
30
= 23,6 24 , onde 5 o nmero de classes.
i=1
De posse da mdia, calculamos, na quinta coluna, para cada classe, o valor de

fi ( PM i X )2 . Somando-se sobre todas as linhas desta coluna, estamos a meio passo de obter a
varincia desta distribuio. A idia aqui que cada classe representada pelo seu ponto mdio.
Isto , uma vez calculados os pontos mdios, procedemos da mesma forma como no caso de
dados no agrupados, com os valores dos PMi no lugar dos valores de dados individuais.
Assim, podemos particularizar a frmula da varincia e do desvio padro para o caso de
dados agrupados em classes da seguinte maneira:
52

e Informtica
Varincia:
M
f i ( PM i X )
2
s = i=1
, para amostra e
fi - 1
i=1
M
f i ( PM i X )
i=1
, para populao
fi
i=1
onde aqui M o nmero de classes, cada qual tendo um valor de freqncia fi a si associada.
M
Novamente importante no confundir M com o nmero total de observaes que : N = f i

i=1
Desvio Padro:
Por definio, o desvio padro sempre dado pela raiz quadrada da varincia. Portanto,
temos:
M
f i ( PM i X )
s=
i=1
f i ( PM i X )
, para amostra e =
fi - 1
i=1
, para populao.
fi
i=1
i=1
Assim, para o exemplo da tabela 7, obtm-se, considerando a distribuio como uma

amostra:
2
s =
s=
105,20
3,6
29
105,20
2
29
Interpretao do desvio padro
Considerando-se um conjunto de dados que seja descrito por uma distribuio normal
(tambm chamada Gaussiana) pode-se afirmar que:
No intervalo [ - , + ] se concentram 68,27% da populao;
No intervalo [ - 2, + 2] se concentram 95,45% da populao;
No intervalo [ - 3, + 3] se concentram 99,73% da populao.
Quando usar cada um dos coeficientes de variabilidade (medidas de disperso)
e as relaes existentes entre os vrios coeficientes
53

e Informtica
Escolha da medida de disperso a ser usada
Vrias consideraes devem ser feitas na deciso de qual medida de variabilidade adotar
em uma determinada situao. Uma delas diz respeito estabilidade amostral da medida, isto , a
sua relativa constncia em repetidas amostragens. Com relao a este aspecto, quando a
amostragem aleatria, pode-se estabelecer uma ordem entre as medidas de disperso, indo da
mais precisa para a menos precisa: desvio padro, desvio mdio, amplitude semi-interquartlica e
amplitude total. No que diz respeito rapidez e facilidade de cmputo, a ordem inversa, isto , a
amplitude total a mais fcil e rpida de ser calculada e o desvio padro se encontra no extremo
oposto. Se clculos estatsticos posteriores (alm de medidas de posio e disperso) devem ser
feitos, tais como coeficientes de correlao, equaes de regresso, etc, ento o desvio padro
definitivamente a escolha mais acertada.
Comparando-se o desvio padro e o desvio mdio, uma vez que o primeiro definido em
termos de desvios quadrticos, trata-se de uma medida que associa um peso relativamente maior
para os maiores desvios com relao mdia. Se uma distribuio possui um nmero no usual
de casos extremos de desvio em uma ou ambas as direes, em relao mdia, alguns
investigadores preferem o desvio mdio ao desvio padro, como medida de disperso
A amplitude interquartlica atribui importncia ainda menor aos desvios extremos do que o
desvio mdio, e por esta razo, pode ser prefervel em algumas situaes, em detrimento do uso
do desvio mdio e do desvio padro. Esta uma medida que d maior importncia massa
central de medidas. Assim, quando a mediana a medida de valor central adotada, Q (amplitude
semi-interquartlica) deve ser a medida de variabilidade a ser usada conjuntamente, j que ambas
as medidas baseiam-se nos mesmos princpios.
Recapitulando:
Usar a amplitude total quando:
A.
Precisa-se do ndice de disperso mais rpido de ser calculado;
B.
Deseja-se informao relacionada com medidas extremas.
II.
Usar a amplitude semi-interquartlica quando:
A.
A mediana a nica medida de valor central de que se dispe;
B.
A distribuio se encontra truncada ou incompleta em alguma das extremidades;
C.
Existem algumas poucas medidas muito extremas, isto , muito mais desviadas da
medida de valor central que as restantes.
III.
Usar o desvio mdio quando:
A.
Existem desvios extremos os quais, quando quadrados, iriam aumentar em demasia a
estimativa do desvio padro;
B.
Um ndice de disperso bastante preciso desejado, sem que seja necessrio o trabalho
extra envolvido no clculo do desvio padro;
C.
A distribuio aproximadamente normal (gaussiana), e pretende-se estimar o desvio
padro a partir do desvio mdio.
IV.
Usar o desvio padro quando:
A.
Clculos que dependero do conhecimento desta medida devero ser feitos
posteriormente;
B.
So desejadas interpretaes relacionadas curva de distribuio normal.
I.
54

e Informtica
Exerccios:
1. Para os dados seguintes (I, II, III, IV, V, VI e VII), calcular:
a) Amplitude total;
b) Mdia aritmtica;
c) Varincia;
d) Desvio padro.
(I) 5, 6, 7, 8, 9, 10, 11
(II)
xi
fi
(III)
5
1
6
2
7
2
8
3
10
4
11
5
(IV)
Classes
151 |---- 158
158 |---- 165
165 |---- 172
172 |---- 179
179 |---- 186
Total
(V)
fi
5
18
42
27
8
100
Classes
5000 |--- 6000
6000 |----7000
7000 |----8000
8000 |----9000
9000 |----10000
10000 |----11000
11000 |----12000
Total
fi
8
10
16
14
10
5
2
65
13, 15, 18, 18, 20, 25, 30
(VI)
xi
200
230
280
290
315
500
(VII)
fi
3
8
11
12
15
16
Tempo (s)
17 |--- 22
22 |--- 27
27 |--- 32
32 |--- 37
37 |--- 42
fi
1
5
10
7
2
2. Calcule a mdia, desvio padro, varincia e desvio mdio para a distribuio da tabela
abaixo:
Classes
151 |--- 158
158 |--- 165
165 |--- 172
172 |--- 179
179 |--- 186
Total
fi
5
18
42
27
8
100
55

e Informtica
O clculo das probabilidades ir determinar o quanto estamos errando e qual o risco disso
acontecer no processo da induo, j que o mesmo no pode ser exato por partir de uma amostra
para concluir sobre a populao.
Estudaremos o clculo das probabilidades, a Estatstica descritiva e a Amostragem para em
seguida fazer o estudo da Estatstica indutiva.
CLCULO DAS PROBABILIDADES
HISTRICO
Em 1654, Blaise Pascal recebeu de seu amigo Chevalier de Mr a seguinte questo:
Em 8 lances de um dado, um jogador deve obter 1, mas aps 3 tentativas sem sucesso o jogo
interrompido. Como se deveria indenizar esse jogador ?.
Pascal, ento, iniciou, com Pierre de Fermat, uma correspondncia sobre problemas desse
tipo, que passou a ser considerado o ponto de partida da teoria das probabilidades (teoria dos
jogos de azar). Embora eles no divulgassem seus resultados, Huygens, em 1657, publicou um
pequeno folheto (sobre o raciocnio em jogos de dados), estimulado pela correspondncia entre
Pascal e Feremat.
Jaques Bernoulli (1654 1705), em seu tratado Ars conjectandi (A arte de conjecturar),
publicado em 1713, oito anos aps sua morte, dedicou os dois ltimos captulos a problemas que
ilustram a teoria das probabilidades.
Abraham De Moivre (1667 1754) nasceu na Frana mas, por motivo de perseguio
religiosa, acabou exilando-se na Inglaterra, onde dava grande quantidade de aulas de Matemtica
para se sustentar. Tomou contato com Newton e Halley e em 1697 foi eleito para o Royal Society
e mais tarde para as Academias de Paris e Berlim. Pretendia ser professor em uma academia mas
mesmo com a proteo de Leibniz no consegui e isso se deve em parte a sua descendncia
inglesa.
Moivre foi o mais importante devoto da Teoria das probabilidades, interessando-se em
desenvolve processos gerais e notaes que considerava como uma nova lgebra.
Sua obra mais clebre foi a Doutrina das Probabilidades, em 1718, onde apresenta
mais de 50 problemas e questes, entre outros, a questo sobre dados, a probabilidade de tirar
bolas de cores diferentes de uma urna e outros jogos.
atribudo a Moivre o princpio segundo o qual a probabilidade de um evento composto
o produto das probabilidades das componentes, embora essa idia j tivesse aparecido em
trabalhos anteriores. Este princpio aparece no Doutrina que ainda contm os primeiros
vestgios da lei dos erros ou curvas de distribuio interpretada por Moivre.
Moivre manteve cordial e extensa correspondncia com Jean Bernoulli entre 1704 e 1714,
tais eram os interesses comuns sobre sries infinitas e probabilidades. Nesta poca, seus
56

e Informtica
resultados adquiriram tamanha importncia que Newton ao ser procurado dizia Procure M.
Moivre; ele sabe essas coisas melhor do que eu.
Moivre morreu aos 88 anos, e a partir da, a pesquisa matemtica permaneceu por muito
tempo estagnada na Inglaterra.
Por volta de 1750, um sculo aps o contato entre Pascal e Fermat, Euler faz referncias
sobre expectativas de vida, loterias e outros aspectos. Mas foi Pierre Simon de Laplace quem
deu o maior avano teoria das probabilidades. Comeou a escrever artigos sobre probabilidades
em 1774 e os reuniu na sua obra Teoria analtica das probabilidades (1812). Laplace, em sua
obra Ensaios filosficos sobre probabilidades (1814), escreveu que a teoria das
probabilidades apenas o senso comum expresso em nmeros.
E outros nomes surgiram, tais como Karl Pearson (1857 1936) e Francis Galton (1822
1911), ligando a probabilidade definitivamente Estatstica. Na Rssia, Kolmogorov (1903)
resolveu, definitivamente, o problema de dar uma definio de probabilidade precisa e
completamente aceitvel, que foi o que se tentou fazer durante trs sculos e por volta de 1906,
inicia-se o estudo das cadeias ligadas de eventos, chamadas cadeias de Markov (Andrei
Andreyevitch Markov, 1856 1922). Ao longo da histria, percebe-se que o desenvolvimento da
teoria das probabilidades foi estimulado pela variedade de suas aplicaes, dentre as quais, a
Psicologia, a Gentica, a Economia, a Engenharia e a Estatstica.
No sculo XX, a Probabilidade e a Estatstica esto intimamente ligadas Matemtica
pura, bem como crescente a sua dependncia com relao aos computadores.
INTRODUO
Todas as vezes que se estudam fenmenos de observao, cumpre-se distinguir o prprio
fenmeno e o modelo matemtico (determinstico ou probabilstico) que melhor o explique.
Os fenmenos estudados pela Estatstica so fenmenos cujo resultado, mesmo em
condies normais de experimentao variam de uma observao para outra, dificultando dessa
maneira a previso de um resultado futuro.
Para a explicao desses fenmenos, fenmenos aleatrios, adota-se um modelo
matemtico probabilstico. Neste caso, o modelo utilizado ser o Clculo das probabilidades.
Na teoria das probabilidades, estudaremos os experimentos aleatrios eqiprovveis,
isto , experimentos onde qualquer resultado pode ocorrer com a mesma chance, por exemplo, no
lanamento de uma moeda, a probabilidade de ocorrer cara ou coroa a mesma, ou seja,
ambas tm a mesma chance de ocorrncia.
57

e Informtica
CONCEITOS INTRODUTRIOS
1. Experimento Aleatrio
todo experimento que mesmo repetido em condies idnticas apresentam resultados
imprevisveis.
No lanamento de uma moeda (no viciada) podem ocorrer dois resultados possveis: cara
ou coroa, mas no podemos prever a face que ocorrer aps cada lanamento da moeda, mesmo
que faamos o experimento por vrias vezes.
2. Espao Amostral
o conjunto de todos os resultados possveis de um experimento aleatrio.
Representaremos o espao amostral por S e o nmero de seus elementos por n(S).
Exemplos:
a) No lanamento de uma moeda, temos os seguintes resultados possveis:
S = {cara, coroa} e n(S) = 2
b) No lanamento de um dado (no viciado) temos os seguintes resultados possveis:
S = {1; 2; 3; 4; 5; 6} e n(S) = 6
3. Evento
todo (ou qualquer) subconjunto de um espao amostral.
Exemplo: No lanamento de um dado (no viciado) o espao amostral S = {1; 2; 3; 4; 5; 6}.
A partir desse espao amostral, podemos obter eventos do tipo:
a) Ocorrer um nmero mpar: A = {1; 3; 5}
b) Ocorrer um nmero primo: B = {2; 3; 5}
c) Ocorrer um nmero menor que 7: C = {1; 2; 3; 4; 5; 6} = S
d) Ocorrer um nmero maior que 6: D = { } ou D =
4. Evento certo
o prprio espao amostral e sempre vai ocorrer.
No exemplo anterior, o item (c) representa um evento certo.
No lanamento de uma moeda sempre vai ocorrer a uma cara ou uma coroa, portanto, o
evento ocorrer uma cara ou uma coroa um evento certo.
5. Evento impossvel
o evento que nunca vai ocorrer, ou seja, um conjunto vazio.
No exemplo do tpico (3), item (d) temos um caso de evento impossvel.
No lanamento de um dado (no viciado) o evento sair o nmero zero um evento
impossvel, ou seja, E = .
6. Evento simples
o evento constitudo por um nico elemento do espao amostral.
Exemplo:
No lanamento de um dado (no viciado), o evento sair o nmero 6 um evento simples.
7. Evento composto
o evento constitudo por mais de um elemento do espao amostral.
Exemplo:
No lanamento de um dado (honesto), o evento sair um nmero impar um evento
composto.
8. Evento Interseco
o evento formado pelos elementos que pertencem simultaneamente a todos os eventos
dados.
58

e Informtica
AB = {x / xA e xB}
A
o evento interseco
B
= AB
(A e B so dois eventos dados)
S (espao amostral)
Exemplo: Dados:
S = {1; 2; 3; 4; 5; 6} (espao amostral)
A = {1; 2; 3;4} (eventos de S)
B = {3; 4; 5}
Temos que: AB = {3; 4} o evento interseco.
1
2
B
3
4
5
6
9. Evento Unio
o evento formado pelos elementos que pertencem a pelo menos um dos eventos dados.
A U B = {x / xA ou xB}
S
No exemplo anterior, temos que A U B = {1; 2; 3; 4; 5} o evento unio.

10. Evento Complementar.
Dados um espao amostral S e um evento A de S, dizemos que o evento complementar de
S o evento formado pelos elementos que esto em S mas no esto em A, ou seja, esto em S
A e representamos por A (resultados que no esto em A mas esto em S)
A
A = {x / xS e xA} = S A
S
Exemplo: Dado o espao amostral: S = {1; 2; 3; 4; 5; 6} e o evento A formado por um nmero

impar de S, ou seja, A = {1; 3; 5}. O espao complementar de A em relao a S ser: A = S A =
{2; 4; 6}.
Veja que o evento complementar corresponde a negao do evento dado, ou seja, se A um
nmero impar, ento A um nmero par (no ser impar).
11. Eventos mutuamente exclusivos
Dois eventos so mutuamente exclusivos quando a interseco entre eles vazia, ou seja,
A e B so mutuamente exclusivos se AB =
AB =
S
Exemplo: Dados: S = {1; 2; 3; 4; 5; 6} , A = {2; 4; 6} e B = {1; 3; 5}, temos:
AB = { } =
(Veja que A e B so eventos do espao amostral S e a interseco vazia pelo fato
de nenhum nmero par ser impar e vice-versa).
59

e Informtica
12. Eventos mutuamente exclusivos e exaustivos

Se a unio de n eventos mutuamente exclusivos constitui o prprio espao amostral S,
dizemos que esses eventos so mutuamente exclusivos e exaustivos ou que formam uma partio
do espao amostral S.
A2
A1
A1UA2UA3UA4UA5U ... UAn = S

A3
An
Exerccio:
No lanamento de um dado (no viciado) so considerados os seguintes eventos:
A: sair um nmero par.
A = {2; 4; 6}
B: sair um nmero menor ou igual a quatro.
B = {1; 2; 3; 4}
C: sair o nmero cinco.
C = {5}
Pede-se:
a) AB=
b) AC =
c) BC=
d) AUB=
e) AUC =
f) BUC =
g) A =
h) B =
i) C =
j) A B =
l) A C =
m) B C =
n) A UB =
o) A U C =
p) B U C =
r) A U C =
s) B U C =
q) A U B =
t) A I B =
u) A I C =
v) B I C =
13. Definio axiomtica de probabilidade.
Probabilidade um nmero real, associado a um evento, obedecendo aos seguintes

axiomas:
a) 0 P(E) 1
b) P(S) = 1
(probabilidade do evento certo)
c) P() = 0
(probabilidade do evento impossvel)
d) P(E ) = 1 P(E)
e) P(E1UE2UE3U ... EUn) = P(E1) U P(E2) U P(E3) U ... U P(En)
f) P(A U B) = P(A) + P(B) P(AB)
14. Definio de probabilidade.
Seja uma experincia em que pode ocorrer qualquer um dos n resultados possveis. Cada
um dos n resultados possveis chamado ponto amostral e o conjunto S de todos os pontos
amostrais chamado espao amostral; qualquer subconjunto A do espao amostral S
chamado de evento.
Chama-se probabilidade de ocorrer um evento A de um espao amostral S ao nmero:
P(A) =
n (A)
n (S)
onde:
n(A) = nmero de elementos de A ;

n(S) = nmero de elementos de S.
60

e Informtica
Seja S um espao qualquer, A um evento de S e A , o complementar de A em relao a S,

valem as seguintes propriedades:
P() = 0
(probabilidade do evento impossvel)
P(S) = 1
(probabilidade do evento certo)
0 P(A) 1
P(A) + P( A ) = 1
P( A ) = 1 P(A)
Exemplo 1:
Lanando-se um dado comum e honesto, determinar a probabilidade de que o nmero da
face voltada para cima seja maior que 2.
Temos:
a) O espao amostral : S= {1 ; 2 ; 3 ; 4 ; 5 ; 6}
n(S) = 6
b) O evento: nmero maior que 2 : A = {3 ; 4 ; 5 ; 6}

Portanto: P(A) =
n(A)
4
2
=
=
n(S)
6
3
P (A) =
2 1
=
6 3
n(A) = 4
ou P( A ) = 1 P(A) = 1
2
1
=
3
3
2
S
Exemplo 2 :
Uma urna contm quatro (4) bolas brancas, numeradas de 1 a 4 e trs(3) bolas pretas,
numeradas de 1 a 3, indistinguveis pelo tato ou pela cor. Determinar a probabilidade de obter:
a) Uma bola branca;
b) Um nmero par;
c) Uma bola branca e nmero par.
Temos: Espao amostral : S = {b1 ; b2 ; b3 ; b4 ; p1 ; p2 ; p3}
n(S) = 7
a) Evento bola branca : A = {b1 ; b2 ; b3 ; b4 }
P(A) =
n(A) 4
=
n(S) 7
P( A ) = 1 -
3
4
=
7
7
b) Evento nmero par : B = {b2 ; b4 ; p2}

P(B) =
n(B) 3
=
n(S) 7
n(A) = 4
P( B) = 1
n(B) = 3
3
4
=
7
7
c) Evento bola branca e nmero par : C = {b2 ; b4 }

P(C) =
n(C) = 2
n(C)
2
=
n(S)
7
61

e Informtica
EXERCCIOS
01. Joga-se um dado honesto de seis faces e l-se o nmero da face voltada para cima. Calcular
a probabilidade de se obter:
a) O nmero 1;
b) Um nmero par;
c) Um nmero maior que 4;
d) Um nmero menor que 7;
e) Um nmero maior que 6.
02. Numa eleio para prefeito de uma certa cidade, concorreram somente os candidatos A e B.
Em uma seo eleitoral votaram 250 eleitores. Do nmero total de votos da urna dessa seo,
42% foram para o candidato A, 34% para o candidato B, 18% foram anulados e os restantes
estavam em branco. Tirando-se, ao acaso, um voto dessa urna, determinar a probabilidade de
que seja um voto em branco.
03. Retirando-se, ao acaso, uma carta de um baralho comum, de 52 cartas, qual a probabilidade
de se obter uma carta de copas ?
04. Os 240 cartes de um conjunto so numerados consecutivamente de 1 a 240. Retirando-se ao
acaso um carto desse conjunto, determinar a probabilidade do mesmo ser numerado com um
mltiplo de 13.
05. Uma urna contm trs bolas pretas e cinco bolas brancas. Quantas bolas azuis devem ser
colocadas nessa urna de modo que, retirando-se uma bola ao acaso, a probabilidade de ela
ser azul seja igual a 2/3 ?
06. Num grupo de 10 pessoas esto A e B. Escolhidas ao acaso 5 pessoas do grupo, qual a
probabilidade de A e B serem escolhidas ?
07. Uma pesquisa sobre os grupos sangneos ABO, na qual foram testadas 6000 pessoas
de um mesma raa, revelou que 2527 tm o antgeno A, 2234 o antgeno B e 1846 no tm
nenhum antgeno. Nestas condies qual a probabilidade de uma dessas pessoas,
escolhida aleatoriamente, ter os dois antgenos ?
08. A tabela a seguir d o nmero de mquinas de calcular existentes em um escritrio, segundo
suas caractersticas. Todas as mquinas esto embaladas em estojos iguais. Escolhendo um
estojo ao acaso, determine a probabilidade de:
a)
b)
c)
d)
conter uma mquina nova;

conter uma mquina manual;
no conter uma mquina eltrica nova;
no conter uma mquina manual usada.
NOVAS
USADAS
ELTRICAS MANUAIS
45
30
15
10
62

e Informtica
15. PROBABILIDADE DA UNIO DE DOIS EVENTOS
I. Sejam A e B dois eventos de um espao amostral S. A probabilidade de ocorrer A ou B

dada por :
P(A U B) = P(A) + P(B) P(A B)
(Teorema da soma)
S
Para trs eventos temos:
P(AUBUC) = P(A) + P(B) + P(C) P(AB) P(AC) P(BC) + P(ABC)
II. Se (A B) = , A e B so chamados eventos mutuamente exclusivos (no podem ocorrer
simultaneamente). Neste caso, temos:
A
P(A U B) = P(A) + P(B)
S
III. Se (A B) = e (A U B) = S, A e B so chamados eventos exaustivos e
P(A U B) = P(A) + P(B) = P(S) = 1
B
S
IV. Generalizando: Sejam n eventos A1 , A2 , A3 , ... , An de um espao amostral S tais que:

A1 U A2 U A3 U ... U An = S
A1
P(A1 U A2 U A3 U ... U An ) = P(S) = 1
A2
An
Alm disso, se A1 , A2 , A3 , ... , An so dois a dois mutuamente exclusivos, ento eles so

eventos exaustivos.
A1
A2
An
Assim, P(A1 U A2 U ... U An) = P(A1) + P(A2) + ... + P(An)

63

e Informtica
Exemplo 1:
Numa urna existem 10 bolas numeradas de 1 a 10. Retirando uma bola ao acaso, qual a
probabilidade de ocorrer mltiplo de 2 ou mltiplo de 3?
* Espao amostral: S = {1 ; 2 ; 3 ; ... ; 10}
n(S) = 10
* Evento mltiplo de 2 : A = {2 ; 4 ; 6 ; 8 ; 10}
n(A) = 5
* Evento mltiplo de 3 : B = {3 ; 6 ; 9}
n(B) = 3
A B = {6}
n(A B) = 1
Portanto:
7
5
3
1
P(A U B) = P(A) + P(B) P(A B) =
+
=
= 70%
10 10 10 10
Exemplo 2:
Numa urna existem 10 bolas numeradas de 1 a 10. Retirando uma bola ao acaso, qual a
probabilidade de ocorrer nmero mpar e mltiplo de 6 ?
* Espao amostral : S = {1 ; 2 ; 3 ; ... ; 10}
n(S) = 10
* Evento nmero mpar : A = {1 ; 3 ; 5 ; 7 ;9}
n(A) = 5
* Evento mltiplo de 6 : B = {6}
n(B) = 1
Como A e B so mutuamente exclusivos, pois A B = , temos:
5
1
6
P(A U B) = P(A) + P(B) =
+
=
= 60%
10
10
10
16. PROBABILIDADE CONDICIONADA
Dados dois eventos A e B de um espao amostral S , chama-se probabilidade de A

condicionada a B, a probabilidade de ocorrer A, sabendo-se que j ocorreu o evento B.
Indica-se por :
P(A / B) =
ou simplesmente P(A / B) =
P (A B)
P(B)
n( A I B)
P(B)
B
S
Obs.: De modo anlogo, podemos escrever:

P(B / A) =
P (A B)
P(A)
ou P(B / A) =
n( A I B)
P( A )
Exemplo 1:
Numa urna existem quatro bolas brancas, numeradas de 1 a 4, e seis bolas pretas,
numeradas de 1 a 6. Retirando-se uma bola ao acaso, observa-se que a mesma preta. Qual a
probabilidade de seu nmero ser par ?
Sejam: * Evento nmero par : A = {b2 ; b4 ; p2 ; p4 ; p6}
* Evento bola preta : B = {p1 ; p2 ; p3 ; p4 ; p5 ; p6}
Temos:
(A B) = {p2 ; p4 ; p6}
n(A) = 3
n(B) =6
n(A B) = 3
64

e Informtica
3
P(A I B)
3
1
P(A / B) =
= 10 =
=
= 50% ou
6
P(B)
6
2
10
P(A / B) =
n( A I B)
3 1
=
= = 50%
P(B)
6 2
Observao: Para este problema bastaria considerar como espao amostral o conjunto dos
nmeros das bolas pretas, isto , {1; 2; 3; 4; 5; 6} e a probabilidade de o resultado ser par, ou
seja:
P(E) =
n(E)
3
1
=
=
= 50%
n(S)
6
2
Exemplo 2 :
Jogando-se um dado honesto e sabendo que ocorreu um nmero maior que 3, qual a
probabilidade de ser um nmero mpar ?
2
1
A = evento nmero mpar

B = evento nmero maior que 3
A={1; 3; 5}; B={4; 5; 6}
5
3
n(B) = 3
B
S
P(A / B) =
n(A I B)
1
=
n(B)
3
AB={5}
P(A / B) =
n(A B) = 1
1
3
17. PROBABILIDADE DA INTERSECO DE DOIS EVENTOS (TEOREMA DO PRODUTO)

A partir da probabilidade condicionada, resulta a regra do produto:
P(AB) = P(A) . P(B / A) = P(B) . P(A / B)
Para trs eventos teremos:

P(ABC) = P(A) . P(B / A) . P(C / A B)
* EVENTOS INDEPENDENTES (INDEPENDNCIA ESTATSTICA):

Os eventos A e B de um espao amostral S so estatisticamente independentes se
P(A / B) = P(A)
P(B / A) = P(B)
(O fato de um deles ocorrer ou no, no altera a probabilidade do outro).

* PROPRIEDADES:
I. Se A e B so dependentes, ento :
P(A B) P(A) . P(B)
II. Se A e B so independentes, ento :
P(A B) = P(A) . P(B)

65

e Informtica
Exemplo:
Numa urna existem quatro bolas brancas, numeradas de 1 a 4, e seis bolas pretas, numeradas
de 1 a 6. Considere os eventos A , B e C, respectivamente: nmero par , bola preta e nmero
primo.
A = { b2 ; b4 ; p2 ; p4 ; p6 }
n(A) = 5
B = { p1 ; p2 ; p3 ; p4 ; p5 ; p6 }
n(B) = 6
C = { b2 ; b 3 ; p 2 ; p 3 ; p 5 }
n(C) = 5
A B = { p2 ; p 4 ; p 6 }
n(A B) = 3
A C = { b2 ; p 2 }
n(A C) = 2
S = { b1 ; b2 ; b3 ; b4 ; p1 ; p2 ; p3 ; p4 ; p5 ; p6 }
n(S) = 10
A e B so independentes, pois:
3
P(A B)
3
1
P(A / B) =
= 10 =
=
6
P(B)
6
2
10
5 1
=
10 2
P(A) =
P(A / B) = P(A)
A e C no so independentes, pois:
2
P(A C) 10
2
P(A / C) =
=
=
5
P(C)
5
10
Assim, P(A B) = P(A) . P(B) =
P(A) =
1 3
3
.
=
2 5
10
1
2
P(A / C) P(A)
P(A C) P(A) . P(C)
Note que :
P(A C) =
1
5
; P(A) . P(C) =
1 1
1
.
=
2 2
4
P(A / B) =
P(A B)
n(A B)
=
P(B)
n(B)
18. TEOREMA DA PROBABILIDADE TOTAL

Sejam A1, A2, A3 , ... , An eventos mutuamente exclusivos e exaustivos e seja B um evento
qualquer do espao amostral S. A probabilidade de ocorrer o evento B dado por :
n
P(B) =
i =1
P( A i I B) = P( A i ). P(B / A i ) dita probabilidade total.

i =1
A2
A1
A3
A4
An
P(B) = P(A1B) + P(A2B) + P(A3B) + P(A4B) + .... + P(AnB)
66

e Informtica
OBS.: Aplicao quando o experimento se desenvolve em duas etapas e pretende-se

calcular a probabilidade do evento ocorrer na segunda etapa (B).
Exemplo:
Uma urna I tem 2 bolas vermelhas e 3 brancas; outra urna II tem 3 bolas vermelhas e uma
branca e a urna III tem 4 bolas vermelhas e 2 brancas. Uma urna selecionada ao acaso e dela
extrada uma bola. Qual a probabilidade da bola ser vermelha?
Urnas
Cores
VERMELHAS
BRANCAS
total
U1
U2
U3
total
2
3
5
3
1
4
4
2
6
9
6
15
Os eventos UI (sair urna I), UII (sair urna II) e UIII (sair urna III) determinam uma
probabilidade total de S. Seja V o evento sair bola vermelha. Ento pelo teorema da probabilidade
total P(V) = P(UIV) + P(UIIV) + P(UIIIV)
Temos: P(UI) = 1/3 , P(UII) = 1/3 , P(UIII) = 1/3
P(V na urna I) = 2/5, P(V na urna II) = 3/4 e P(V na urna III) = 4/6
Pelo teorema da multiplicao, vem:
1 2
2
1 3
1
1 4
2
=
, P(UIIV) = .
=
e P(UIIIV) = .
=
P(UIV) = P(UI) . P(V / UI) = .
3 5
15
3 4
4
3 6
9
2
1
2
109
Ento; P(V) =
+
+
=
Obs.: P(UIV) = P(UI) . P(V / UI) (vide p.72)
15
4
9
180
19. TEOREMA DE BAYES

Seja A1, A2, A3, ... , A n, n eventos mutuamente exclusivos tais que A1 U A2 U A3 U...U A n =
S. Sejam P(A i) as probabilidades conhecidas dos vrios eventos, e B um evento qualquer de S tal
que so conhecidas todas as probabilidades condicionais P(B / A i).
Ento, para cada i , tem-se:
P(A i / B) =
P(A i ) . P(B / A i )
P(A1) . P(B / A 1 ) + P(A 2 ) . P(B / A 2 ) + ... + P(A n ) . P(B / A n )
A aplicao do Teorema de Bayes importante na relao de probabilidades a priori P(A i)

com probabilidades a posteriori P(A i / B), probabilidade de A i depois de ocorrer B, ou seja,
quando o experimento se desenvolve em duas etapas e, sabendo que ocorreu o evento B na
segunda etapa, pretende-se calcular a probabilidade de que na primeira etapa tenha ocorrido um
particular evento Ai.
Exemplo:
Considere a seguinte configurao:

Urnas
Cores
BRANCAS
VERMELHAS
PRETAS
total
u1
u2
u3
1
5
3
9
3
2
4
9
3
3
2
8
total
7
10
9
26
67

e Informtica
Escolheu-se uma urna ao acaso e dela extraiu-se uma bola ao acaso, verificando-se que a
bola branca. Qual a probabilidade da bola ter vindo da urna 2 ? e da urna 3 ?
Temos: P(u1) = 1/3 ; P(u2) = 1/3 ; P(u3) 1/3
1
3 1
3
P(br/u1) =
; P(br/u2) =
=
; P(br/u3) =
9
9 3
8
Queremos: P(u2 / br) e P(u3 / br)
Aplicando o Teorema de Bayes, temos:
P(u2 / br) =
P(u2 ) . P(br / u2 )
P(u1) . P(br/u1 ) + P(u2 ) . P(br/u 2 ) + P(u3 ) . P(br/u3 )
1 1
.
24
3 3
P(u2 / br) =
=
1 1
1 1
1 3
59
. + . + .
3 9
3 3
3 8
Como podemos observar, a probabilidade a priori de u2 era 1/3. Dada a informao que saiu
24
.
uma bola branca, a probabilidade a posteriori de u2 ser
59
Analogamente, a probabilidade de a bola ter vindo da urna 3 ser:
P(u3 / br) =
P(u 3 ) . P(br / u 3 )
P(u1 ) . P(br/u1 ) + P(u 2 ) . P(br/u 2 ) + P(u3 ) . P(br/u3 )
1 3
.
27
3
8
P(u3 / br) =
=
1 1
1 1
1 3
59
. + . + .
3 9
3 3
3 8
Para obter a probabilidade da bola Ter vindo da urna 1 e utilizando os valores encontrados
pelo teorema de Bayes, basta recordar que:
P(u1 / br) + P(u2 / br) + P(u3 / br) = 1
Assim,
P(u1 / br) = 1 [ P(u2 / br) + P(u3 / br)]

27
8
24
P(u1 / br) = 1
+
=
59
59
59
68

e Informtica
EXERCCIOS
01. Dois dados honestos, com faces numeradas de 1 a 6, so lanados simultaneamente.
Construir o espao amostral desse experimento e determinar a probabilidade de se obter dois
nmeros cuja soma 7.
1
2
3
4
5
6
02. Dois dados no viciados so lanados simultaneamente. Calcule a probabilidade de que suas
faces superiores exibam:
a) soma igual a 5 ou soma igual a 8;
b) soma igual a 7 ou produto igual a 6.
03. Uma urna contm exatamente doze bolas sendo trs azuis, quatro brancas e cinco vermelhas.
Quatro bolas so retiradas uma a uma, ao acaso e sem reposio. Sabendo que as trs
primeiras so de cores diferentes obtenha as probabilidade de a quarta ser :
a) azul
b) branca
c) vermelha
04. Uma urna contm apenas seis bolas azuis numeradas de 1 a 6 e seis bolas brancas
numeradas de 5 a 10. Uma bola retirada ao acaso dessa urna. Calcular a probabilidade de
se ter na bola retirada :
a) o nmero 5;
b) o nmero 5, sabendo que a bola branca;
c) o nmero 5, sabendo que o nmero da bola mpar.
69

e Informtica
05. Uma urna contm somente 10 bolas sendo 6 brancas e 4 pretas. Duas bolas so retiradas
sucessivamente e ao acaso dessa urna, sem reposio da primeira antes da retirada da
segunda. Calcular a probabilidade de se obter:
a) duas bolas brancas;
b) a primeira branca e a segunda preta;
c) a primeira preta e a segunda branca;
06. A probabilidade de um casal ter um filho do sexo masculino

probabilidade de o casal ter dois filhos de sexos diferentes.
0,25.
Determinar
07. Ao se tentar abrir uma porta com um chaveiro contendo vrias chaves parecidas, das quais
apenas uma destranca a referida porta, muitas pessoas acreditam que mnima a chance de
se encontrar a chave certa na 1 tentativa, e chegam mesmo a dizer que essa chave s vai
aparecer na ltima tentativa. Para esclarecer essa questo, calcule, no caso de um chaveiro
contendo 5 chaves:
a) a probabilidade de se acertar na 1 tentativa;
b) a probabilidade de se encontrar a chave certa depois da 1 tentativa
c) a probabilidade de se acertar somente na ltima tentativa.
70

e Informtica
RESUMO DE PROBABILIDADES
1. CONCEITO
Numa experincia com vrios resultados possveis, todos com a mesma chance de
ocorrer, dizemos que:
a) ESPAO AMOSTRAL (representado por S) o conjunto de todos os resultados
possveis dessa experincia (ou experimento);
b) EVENTO (representado por E) qualquer subconjunto do espao amostral;
c) n(S) o nmero de elementos de S e n(E) o nmero de elementos de E.
A probabilidade de ocorrer o evento E, de um espao amostral S , dada
por:
n de casos favorveis (o que se quer).
n(E)
P(E) =
n(S)
n de casos possveis.
2. PROPRIEDADES:
a) P() = 0 (evento impossvel)
b) P(S) = 1 ou 100% (evento certo)
c) 0 P(E) 1
E
d) P(E) + P( E ) = 1
E
EX.1 Joga-se, ao acaso, um dado honesto de seis faces numeradas de 1 a 6 e lse o nmero da faca voltada para cima. Calcular a probabilidade de obter:
a) o nmero 1
b) um nmero par
c) um nmero maior que 4
d) um nmero menor que 7
e) um nmero maior que 6
Soluo:
O espao amostral S = {1; 2; 3; 4; 5; 6} e n(S) = 6
n( A )
1
a) A = { 1 }
n(A) = 1 e P(A) =
=
P(A) 0,1667 16,67%
n(S)
6
n(B)
3
b) B = {2; 4; 6 }
n(B) = 3 e P(B) =
=
P(B) = 0,50 = 50%
n(S)
6
n(C) 2 1
c) C = {5; 6}
n(C) = 2 e P(C) =
= =
P(C) 0,3334 33,34%
n(S) 6 3
n(D) 6
d) D = {1;2;3;4;5;6}
n(D) = 6 e P(D) =
=
P(D)=P(S) =1=100%
n(S) 6
n(E)
0
e) E = { } ou E =
n(E) = 0 e P(E) =
=
P(E)=P() = 0 = 0%
n(S)
6
EX.2 Numa urna existem 4 bolas numeradas de 1 a 4 que diferem apenas pela
numerao. Retiram-se duas bolas, ao acaso e simultaneamente. Qual a probabilidade
de obter bolas com nmeros que tm soma par?
Soluo:
O espao amostral S = {(1;2),(1;3),(1;4),(2;3),(2;4),(3;4)}
n(S) = 6
2
n(E)
1
=
=
33,34%
E = {(1;3),(2;4)}
n(E) = 2
P(E) =
n(S)
3
6
71

e Informtica
EX.3 Lanam-se dois dados honestos com faces numeradas de 1a 6. Pede-se:

a) o espao amostral desta experincia;
b) a probabilidade de que a soma obtida seja 10;
c) a probabilidade de obter dois nmeros iguais.
Soluo:
a)
1
2
3
4
5
6
1 (1;1) (1;2) (1;3) (1;4) (1;5) (1;6)
2 (2;1) (2;2) (2;3) (2;4) (2;5) (2;6)
3 (3;1) (3;2) (3;3) (3;4) (3;5) (3;6)
n(S) = 36
4 (4;1) (4;2) (4;3) (4;4) (4;5) (4;6)
5 (5;1) (5;2) (5;3) (5;4) (5;5) (5;6)
6 (6;1) (6;2) (6;3) (6;4) (6;5) (6;6)
n(B)
3
1
b) B = {(4;6),(5;5),(6;4)}
n(B) = 3 e P(B) =
=
=
8,34%
n(S)
36
12
c) C = {(1;1),(2;2),(3;3),(4;4),(5;5),(6;6)}
n(C) = 6
n(C)
6
1
P(C) =
=
=
16,67%
n(S)
36
6
3. PROBABILIDADE DA UNIO DE EVENTOS (Regra da Soma)
Dados dois eventos A e B de um espao amostral S , a probabilidade de ocorrer
A ou B dada por:
P(A U B) = P(A) + P(B) P(A B)
Obs.: ou = U
Obs.1) Se AB = , ento A e B so chamados eventos mutuamente exclusivos e

neste caso,
P(AUB) = P(A) + P(B), pois P(AB) =
Obs.2) Se AB = e AUB = S, ento A e B so chamados eventos exaustivos e
neste caso,
P(AUB) = P(A) + P(B) = P(S) = 1
EX.1 Retirando ao acaso uma carta de um baralho comum de 52 cartas, qual a
probabilidade de obter:
a) uma dama
b) um rei
c) uma carta de copas
d) um rei ou uma dama
e) um rei ou uma carta de copas.
Soluo:
O espao amostral formado por 52 cartas, ou seja, n(S) = 52
n(D)
4
1
a) D = {Do , Dp , Dc , De}
n(D) = 4
P(D) =
=
=
7,69%
n(S) 52
13
n(R )
4
1
b) R = {Ro , Rp , Rc , Re}
n(R) = 4
P(R) =
=
=
7,69%
n(S) 52
13
n(C)
13
1
c) C = {Ac; 2c; 3c; ... ; Rc}
n(C) = 13
P(C) =
=
=
= 25%
n(S)
52
4
72

e Informtica
4
4
8
2
+
=
=
15,38%
52
52
52
13
P(RUC) = P(R) + P(C) P(RC)
e) Rei ou Copas
RC = {Rc}
n(RC) =1
16
n(R )
n(C)
n(R I C)
4 13 1
4
P(RUC) =
+
=
+
=
=
30,77%
n(S)
n(S)
n(S)
52 52 52
13
52
Ex.2 No lanamento de dois dados honestos com faces numeradas de 1 a 6,
determinar a probabilidade de que os nmeros obtidos tenham soma 8 ou produto
impar.
Soluo:
U
O espao amostral formado por: n(S) = 6 . 6 = 36 pares
A = {soma 8} = {(2;6),(3;5),(4;4),(5;3),(6;2)}
n(A) = 5
B = {produto impar} = {(1;1),(1;3),(1;5),(3;1),(3;3),(3;5),(5;1),(5;3),(5;5)} n(B) = 9
AB = {(3;5),(5;3)}
n(AB) = 2
Portanto:
n(A )
n(B)
n( A I B)
P(A U B) = P(A) + P(B) P(A B) =
+
n(S)
n(S)
n(S)
5
9
2
12
1
P(A U B) =
+
=
=
33,34%
36
36
36
36
3
d) Rei ou Dama
P(RUD) = P(R) + P(D) =
EXERCCIOS
01. Sejam A e B dois eventos tais que P(A) = 0,3 e P(A U B) = 0,7. Seja P(B) = x.
Para que valor de x, A e B so mutuamente exclusivos?
02. Lanando-se um dado honesto de seis faces numeradas de 1 a 6, qual a
probabilidade de ocorrer na face superior:
a) o nmero 5;
b) um nmero impar;
c) um nmero menor que 3.
03. Uma urna contm 10 bolas brancas, 8 vermelhas e 6 pretas, todas idnticas.
Retirando-se uma bola ao acaso, qual a probabilidade de:
a) sair branca;
b) sair vermelha;
c) no sair preta;
d) no sair vermelha;
e) sair branca ou preta.
04. Uma caixa contm 20 peas de um mesmo tipo, das quais 4 so defeituosas.
Determine a probabilidade de retirarmos uma pea boa desta caixa.
05. Lana-se uma moeda 2 vezes.
a) Obtenha o espao amostral S;
b) Determine a probabilidade de ocorrer cara nos dois lances;
c) Determine a probabilidade de ocorrerem resultados iguais
73

e Informtica
06. Uma urna contm 20 bolas idnticas numeradas de 1 a 20. Extraindo-se uma bola
ao acaso dessa urna, qual a probabilidade do nmero da bola sorteada ser:
a) mltiplo de 2 ou de 3;
b) mltiplo de 5 ou de 7.
4. PROBABILIDADE DA INTERSECO DE EVENTOS (Regra do Produto)
Consideremos dois eventos A e B contidos num mesmo espao amostral S ,
sendo A e B independentes, isto , a ocorrncia de um deles no influencia na
ocorrncia do outro. A probabilidade de ocorrer A e B (A B) dada por:
P(A B) = P(A) . P(B)
Obs.: e =
Ex.1 Uma caixa contm 20 lmpadas das quais 6 so defeituosas. Retirando-se, ao

acaso, sucessivamente duas lmpadas, qual a probabilidade de ambas serem boas
quando:
a) h reposio da primeira antes da retirada da segunda;
b) no h reposio da primeira antes da retirada da segunda.
Soluo:
O espao amostral formado pelas 20 lmpadas, ou seja: n(S) = 20. Seja:
A o evento: a primeira lmpada boa;
B o evento: a segunda lmpada boa.
A e B so eventos independentes, pois o fato de sair lmpada boa na primeira
retirada no influi em sair lmpada boa na segunda retirada.
Assim, temos:
14
7
n( A )
a) n(A) = 20 6 = 14
P(A) =
=
=
n(S)
20
10
n(B)
14
7
n(B) = 20 6 = 14
P(B) =
=
=
n(S)
20
10
A probabilidade de a primeira ser boa e a segunda tambm ser boa :
7
7
49
.
=
= 49%
10 10
100
n( A )
14
7
b) n(A) = 20 6 = 14
P(A) =
=
=
n(S)
20
10
n(B) = 14 1 = 13 e n(S) = 20 1 = 19, pois no h reposio da
n(B)
13
primeira bola retirada na caixa, ento P(B) =
=
. Assim,
n(S)
19
7
13
91
P(A B) = P(A) . P(B) =
.
=
0,4789 47,89%
10 19
190
Ex.2 Uma urna tem apenas 10 bolas, sendo 7 pretas e 3 brancas. Retirando duas
bolas, ao acaso e com reposio da primeira antes de retirar a segunda, qual a
probabilidade de obter duas bolas brancas.
Soluo:
3
3
9
P(Branca) =
.
=
= 9%
(e = = vezes)
10
10
100
P(A B) = P(A) . P(B) =
branca na 1 e
branca na 2
74

e Informtica
EXERCCIOS
01. Sejam A e B dois eventos tais que P(A) = 0,2 e P(A U B) = 0,8. Seja P(B) = x.
Para que valor de x, A e B so independentes?
02. Uma urna contm 12 bolas brancas e 18 bolas verdes.
sucessivamente, sem reposio, duas bolas, qual a probabilidade de:
a) ambas serem brancas;
b) ambas serem verdes;
c) a 1 branca e a 2 verde;
d) de cores diferentes.
Retirando-se
03. Um atirador tem 25% de chance de acertar um tiro no alvo. Dando trs tiros, qual
a probabilidade de acertar:
a) uma nica vez o alvo;
b) duas vezes o alvo.
04. Um lote possu 20 peas onde 6 possuem qualidade tipo A. Retirando-se duas
peas desse lote, qual a probabilidade de ambas no possurem esta qualidade
quando:
a) h reposio da 1 pea no lote;
b) no h reposio da 1 pea no lote.
Distribuies discretas de probabilidade
1. Distribuio Binomial
Uma varivel aleatria tem distribuio Binomial quando um experimento fundamentado
nas seguintes hipteses:
A) so realizadas n provas independentes:
B) cada prova uma prova de Bernoulli, ou seja, s pode levar a sucesso ou fracasso;
C) a probabilidade p de sucesso em cada prova constante. Em conseqncia, a
probabilidade de fracasso q = 1 p tambm o .
Uma varivel aleatria X, com distribuio de Bernoulli, igual ao nmero de sucessos nessas
n provas. Assim, X poder assumir os valores 0, 1, 2, 3, ... ,n.
Se nessas n provas ocorrer sucessos nas k primeiras provas e fracassos nas (n k)
provas restantes, temos:
1, 1, 1, ... , 1 e 0, 0, 0, ... , 0 ou p, p, p, ... , p e q, q, q, ... ,q
pk e qn k
k
nk
nk
Como as provas so independentes, a probabilidade de ocorrncia desse evento pk . qn k . No

n
entanto, o evento k sucessos em n provas pode ocorrer em ordens distintas, todas com a
k
mesma probabilidade. Assim, temos a seguinte frmula:
n
P(X = k) = . pk . qn k
k
n
n!
onde : =
, nk
k k! (n k )!
EX.1 Uma moeda lanada 5 vezes seguidas e independentes. Calcule a

probabilidade de serem obtidas 3 caras nessas 5 provas.
75

e Informtica
Soluo: Temos: n = 5, k = 3,
3
5 1 1
Ento: P(X = 3) = . .
3 2 2
p=
53
1
1
1
eq=1p=1
=
2
2
2
3
5!
1 1
=
. .
3! (5 3)! 2 2
5.4.3! 1
1
20
1
10
5
.
.
=
.
=
=
= 0,3125 = 31,25%
3!. 2!
8
4
2.1 32
32
16
Ex. 2 Num teste do tipo certo-errado, com 10 perguntas, qual a probabilidade de um
aluno, respondendo as questes ao acaso, acertar 70% das perguntas?
Soluo:
1
1
Temos: n = 10, k = 70% . 10 = 7, p =
e q=1p=
2
2
P(X = 3) =
10
10 1 1
10 1
10.9.8
1
120
P(x = 7) = . . = . =
=
0,1172 11,72%
.
3.2.1 1024
1024
7 2 2
3 2
Ex. 3 A probabilidade de um atirador acertar o alvo 1/3. Se ele atirar 6 vezes, qual a
probabilidade de:
a) acertar exatamente 2 tiros?
b) no acertar nenhum tiro?
Soluo:
1
1
2
=
e k = n de tiros
Temos: n = 6, p = , q = 1 p = 1
3
3
3
2
6
a) P(x = 2) = .
2
6.5 1 16
240
1 2
.
.
=
0,3292 32,92%
. =
2.1 9 81
729
3 3
6
b) P(x = 0) = .
0
64
1 2
0,0878 8,78%
. =1.1.
729
3 3
Ex. 4 Sabe-se que 80% dos animais submetidos a um certo tratamento sobrevivem. Se esse
tratamento foi aplicado a 10 animais, qual a probabilidade de que exatamente 5 sobrevivam?
Soluo:
Temos: n = 10, k = 5, p = 80% = 0,8 e q = 1 p = 1 0,8 = 0,2 (20%)
10
10.9.8.7.6
Ento: P(X = 5) = . 0,8 5 . 0,210 5 =
. 0,32768 . 0,2 5
5
5
.
4
.
3
.
2
.
1

P(X = 5) = 252 . 0,32768 . 0,00032 0,02642 2,64%
Distribuio Normal Ou de GAUSS

a mais importante distribuio de probabilidades, sendo aplicada em inmeros
fenmenos e utilizada para o desenvolvimento terico da Estatstica. tambm
conhecida como distribuio de Gauss, Laplace, Laplace-Gauss ou curva em sino (por
lembrar o formato de um sino).
Os primeiros estudos ligados distribuio Normal foram feitos por De Moivre e,
cem anos depois, por Laplace, que consolidou as descobertas feitas at ento. Embora
Gauss tenha nascido 23 anos depois da morte de De Moivre, a distribuio e a curva
normais acabaram recebendo o seu nome.
A distribuio Normal foi originalmente desenvolvida como resultado de estudos
relacionados com erros ocorridos em vrios experimentos. Hoje em dia, sabemos que
76

e Informtica
muitas ocorrncias reais e naturais, assim como muitas medidas fsicas tm

distribuio de freqncia que so aproximadamente normais. Nveis de colesterol no
sangue, alturas de mulheres adultas, peso de crianas recm nascidas, dimetro de
laranjas produzidas em um pomar so todos exemplos de colees de valores cujos
histogramas de freqncia se aproximam fortemente da distribuio normal de
probabilidade, cuja forma lembra um sino.
Uma varivel aleatria X tem distribuio normal se:
f(x) =
x 2
1 .
2
e
,
.
. 2
onde: = mdia de distribuio
= desvio-padro
= 3,1416
e = 2,7182
< x < +
O grfico da distribuio normal a curva em forma de sino:

f(x)
50%
50%
Mo Md
Principais caractersticas dessa funo:

a) a varivel aleatria pode assumir qualquer valor real;
b) o grfico da distribuio normal uma curva em forma de sino, simtrica em
torno da mdia , que tambm a moda e a mediana, como mostra a figura acima;
c) a rea total sob a curva vale 1 (100%), porque essa rea corresponde probabilidade
de a varivel aleatria assumir qualquer valor real;
d) como a curva simtrica em torno da mdia, os valores maiores do que a mdia e os
valores menores do que a mdia ocorrem com igual probabilidade;
e) decrescente assintoticamente a zero nos extremos;
f) e + so pontos de inflexo.
Distribuio Normal Padronizada
A determinao da probabilidade de se obter um valor em um dado intervalo poderia ser feita
pela integral definida nesse intervalo, no entanto, o uso de tabelas facilita esse clculo. Usaremos
a tabela 1 de Faixa central, em anexop.10, que utiliza valores padronizados de uma varivel z,
x
em funo de x, obtida pela transformao linear z =
. Essa varivel chamada normal
reduzida ou normal padronizada tambm normalmente distribuda com (z) = 0 e (z) = 1. A

varivel z representa a distncia algbrica entre o ponto x desejado e a mdia , medida em
desvios padres. Assim, obtido um valor zo correspondente a um valor xo considerado, teremos:
P( x xo) = P(0 Z zo)
77

e Informtica
A tabela de faixa central d a rea sob a curva normal padro entre Z = 0 e qualquer valor
positivo de Z, mas, sendo a curva simtrica em relao mdia, em torno de z = 0, os valores
fornecidos so vlidos tambm para valores negativos de z. O sinal da varivel Z serve apenas
para indicar se o valor est acima ou abaixo da mdia.
Portanto, P(0 Z zo) = P(zo Z 0)
rea = probabilidade da varivel aleatria z
estar entre z = 0 e z = zo
0
zo
Se uma varivel tem distribuio normal:

68,27% de seus valores cairo no intervalo de um desvio padro, ou seja, 1 < z < 1 ;
95,45% de seus valores cairo no intervalo de dois desvios padres, ou seja, 2 < z < 2 ;
99,73% de seus valores cairo no intervalo de trs desvios padres, ou seja, 3 < z < 3.
3 2 1
68,27%
95,45%
99,73%
78

e Informtica
Tabela 1. reas de uma distribuio normal padro.

Cada casa na tabela d a proporo sob a curva
inteira entre z = 0 e um valor positivo de z. As
reas para os valores de z negativos so obtidas
P(0 Z zo)
por simetria.
zo
zo
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.0
0.1
0.2
0.3
0.4
0.0000
0.0398
0.0793
0.1179
0.1554
0.0040
0.0438
0.0832
0.1217
0.1591
0.0080
0.0478
0.0871
0.1255
0.1628
0.0120
0.0517
0.0910
0.1293
0.1664
0.0160
0.0557
0.0948
0.1331
0.1700
0.0199
0.0596
0.0987
0.1368
0.1736
0.0239
0.0636
0.1026
0.1406
0.1772
0.0279
0.0675
0.1064
0.1443
0.1808
0.0319
0.0714
0.1103
0.1480
0.1844
0.0359
0.0753
0.1141
0.1517
0.1879
0.5
0.6
0.7
0.8
0.9
0.1915
0.2257
0.2580
0.2881
0.3159
0.1950
0.2291
0.2612
0.2910
0.3186
0.1985
0.2324
0.2642
0.2939
0.3212
0.2019
0.2357
0.2673
0.2967
0.3238
0.2054
0.2389
0.2704
0.2995
0.3264
0.2088
0.2422
0.2734
0.3023
0.3289
0.2123
0.2454
0.2764
0.3051
0.3315
0.2157
0.2486
0.2794
0.3078
0.3340
0.2190
0.2518
0.2823
0.3106
0.3365
0.2224
0.2549
0.2852
0.3133
0.3389
1.0
1.1
1.2
1.3
1.4
0.3413
0.3643
0.3849
0.4032
0.4192
0.3438
0.3665
0.3869
0.4049
0.4207
0.3461
0.3686
0.3888
0.4066
0.4222
0.3485
0.3708
0.3907
0.4082
0.4236
0.3508
0.3729
0.3925
0.4099
0.4251
0.3531
0.3749
0.3944
0.4115
0.4265
0.3554
0.3770
0.3962
0.4131
0.4279
0.3577
0.3790
0.3980
0.4147
0.4292
0.3599
0.3810
0.3997
0.4162
0.4306
0.3621
0.3830
0.4015
0.4177
0.4319
1.5
1.6
1.7
1.8
1.9
0.4332
0.4452
0.4554
0.4641
0.4713
0.4345
0.4463
0.4564
0.4649
0.4719
0.4357
0.4474
0.4573
0.4656
0.4726
0.4370
0.4484
0.4582
0.4664
0.4732
0.4382
0.4495
0.4591
0.4671
0.4738
0.4394
0.4505
0.4599
0.4678
0.4744
0.4406
0.4515
0.4608
0.4686
0.4750
0.4418
0.4525
0.4616
0.4693
0.4756
0.4429
0.4535
0.4625
0.4699
0.4761
0.4441
0.4545
0.4633
0.4706
0.4767
2.0
2.1
2.2
2.3
2.4
0.4772
0.4821
0.4861
0.4893
0.4918
0.4778
0.4826
0.4864
0.4896
0.4920
0.4783
0.4830
0.4868
0.4898
0.4922
0.4788
0.4834
0.4871
0.4901
0.4925
0.4793
0.4838
0.4875
0.4904
0.4927
0.4798
0.4842
0.4878
0.4906
0.4929
0.4803
0.4846
0.4881
0.4909
0.4931
0.4880
0.4850
0.4884
0.4911
0.4932
0.4812
0.4854
0.4887
0.4913
0.4934
0.4817
0.4857
0.4890
0.4916
0.4936
2.5
2.6
2.7
2.8
2.9
0.4938
0.4953
0.4965
0.4974
0.4981
0.4940
0.4955
0.4966
0.4975
0.4982
04941
0.4956
0.4967
0.4976
0.4982
0.4943
0.4957
0.4968
0.4977
0.4983
0.4945
0.4959
0.4969
0.4977
0.4984
0.4946
0.4960
0.4970
0.4978
0.4984
0.4948
0.4961
0.4971
0.4979
0.4985
0.4949
0.4962
0.4972
0.4979
0.4985
0.4951
0.4963
0.4973
0.4980
0.4986
0.4952
0.4964
0.4974
0.4981
0.4986
3.0
3.1
3.2
3.3
3.4
0.4986
0.4990
0.4993
0.4995
0.4997
0.4987
0.4991
0.4993
0.4995
0.4997
0.4987
0.4991
0.4994
0.4995
0.4997
0.4988
0.4991
0.4994
0.4996
0.4997
0.4988
0.4992
0.4994
0.4996
0.4997
0.4989
0.4992
0.4994
0.4996
0.4997
0.4989
0.4992
0.4994
0.4996
0.4997
0.4989
0.4992
0.4995
0.4996
0.4997
0.4990
0.4993
0.4995
0.4996
0.4998
0.4990
0.4993
0.4995
0.4997
0.4998
3.5
3.6
3.7
3.8
3.9
0.4998
0.4998
0.4999
0.4999
0.5000
0.4998
0.4998
0.4999
0.4999
0.5000
0.4998
0.4999
0.4999
0.4999
0.5000
0.4998
0.4999
0.4999
0.4999
0.5000
0.4998
0.4999
0.4999
0.4999
0.5000
0.4998
0.4999
0.4999
0.4999
0.5000
0.4998
0.4999
0.4999
0.4999
0.5000
0.4998
0.4999
0.4999
0.5000
0.5000
0.4998
0.4999
0.4999
0.5000
0.5000
0.4998
0.4999
0.4999
0.5000
0.5000
79

e Informtica
Para consultar a tabela, preciso decompor o Zo em duas parcelas:

Parte inteira + 1 casa decimal e 0,0 + 2 casa decimal
1 PARCELA
2 PARCELA
1 parcela = 1,3 (vertical margem esquerda)

Se Zo = 1,39
2 parcela = 0,09 (horizontal margem superior)
Zo
0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
1,3
0,4177
No cruzamento das duas parcelas encontra-se a probabilidade correspondente rea da

curva entre zero e zo calculado (tambm chamado crtico).
A probabilidade que a tabela fornece (0,4177)
corresponde rea hachurada.
0
1,39
Exemplo 1:
O tempo necessrio para executar uma tarefa uma varivel normal de mdia 60 minutos e
desvio padro 5 minutos. Qual a proporo de vezes que o tempo necessrio ser:
a) maior que 70 minutos?
b) menor que 65 minutos?
50%
c) exatamente 40 minutos?
d) maior que 53 e menor que 62 minutos?
Soluo:
Temos: = 60 e = 5
x 60
x
Pela transformao linear z =
=
60 70
X
5
70 60
0,4772
a) x = 70
zo =
= 2,00
5
Da tabela obtemos: 0,4772
Z
P(X > 70) = 0,5 0,4772 = 0,0228 = 2,28%
zo=2,00
50%
50%
65 60
= 1,00
5
b) x = 65
zo =
P(X < 65) = 0,5 + 0,3413 = 0,8413 = 84,13%
60
65
X
0,3413
50%
Z
0 zo=1,00
80

e Informtica
c) Como em qualquer tipo de varivel aleatria contnua, a probabilidade da varivel tomar

exatamente um determinado valor zero, conclumos que: P(X = 40) = 0
53 60
= 1,40
5
62 60
x = 62
zo =
= 0,40
5
d) x = 53
z=
53 60 62
0,4192
X
0,1554
P(53<X<62) = 0,4192 + 0,1554 = 0,5746 = 57,46%

Z
1,40 0 0,40
Exemplo 2:
As alturas dos alunos de determinada escola so normalmente distribudas com mdia
1,60 m desvio-padro 0,30 m. Encontre a probabilidade de um aluno medir:
a) Entre 1,50 e 1,80 m?
b) Mais de 1,75 m?
c) Menos de 1,48 m?
d) Qual deve ser a medida mnima para escolhermos 10% dos mais altos?
Temos: = 1,60 e = 0,30
z=
x
x 1,60
=
0,30
1,50 1,60
z1 = 0,33
0,30
1,80 1,60
x2 = 1,80
z2=
z2 = 0,67
0,30
P(1,50 < x < 1,80) = P(0,33 < Z < 0,67)
a) x1 = 1,50
z1 =
Tab. : 0,1293
Tab.: 0,2486
OBS.: Por simetria, obtemos da tabela z = 0,33 = 0,33

0,1293
1,50 1,60 1,80
0,33
0,2486
0,67
Portanto: P(0,33 < Z < 0,67) = 0,1293 + 0,2486 = 0,3779 = 37,79%

Logo: P(1,50 < x < 1,80) = 37,79%
1,75 1,60
0,30
P(x > 1,75) = P(z > 0,5)
b) x = 1,75
z1 =
z1 = 0,5
Tab. : 0,1915
0,5
50%
0,1915
1,60 1,75
0,5
81

e Informtica
P(x > 1,75) = P(z > 0,5) = 0,5000 0,1915 = 0,3085 = 30,85%
1,48 1,60
0,30
P(x < 1,48) = P(z < 0,4)
c) x = 1,48
z1 =
z1 = 0,4
50%
Tab. : 0,1554
0,5
0,1554
1,48 1,60
0,4
P(x < 1,48) = P(z < 0,4) = 0,5000 0,1554 = 0,3446 = 34,46%
d) A operao inversa aos itens (a), (b) e (c), ou seja, dada a probabilidade, determine
a medida.
0,4 = 40%
Na tabela com
P(z) = 0,4000,
encontramos
Z0 = 1,28
0,1 = 10%
z=
Zo
1,60 x
1,28 =
x 1,60
0,30
x = 1,98 m
82

e Informtica
UNIP UNIDADE UNIVERSITRIA DE SOROCABA

ENGENHARIA-2ANO
ESTATSTICA DESCRITIVA
(ANOTAES DE AULA)
ALUNO(A):______________________________ RA.:_________
PROF. MACHADO
1 SEMESTRE DE 2013
83

Estatística para Engenharia e Informática

Caricato da

Informazioni sul documento

Descrizione originale:

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Estatística para Engenharia e Informática

Caricato da

Copyright:

Formati disponibili

Estatstica para os cursos de Engenharia

Eurpedes MACHADO Rodrigues

Estatstica para os cursos de Engenharia

Eurpedes MACHADO Rodrigues

2.2. 2 PERIDO PREPARAO DAS TEORIAS

Estatstica para os cursos de Engenharia

Eurpedes MACHADO Rodrigues

De modo geral, podemos resumir as definies vistas anteriormente em:

RELAO ENTRE A ESTATSTICA E A PSICOLOGIA

5.2. MTODO ESTATSTICO

Estatstica para os cursos de Engenharia

Eurpedes MACHADO Rodrigues

D) Apresentao dos Dados

Estatstica para os cursos de Engenharia

Eurpedes MACHADO Rodrigues

As referncias quanto anlise e interpretao de dados dividem a estatstica em duas

ESTATSTICA INDUTIVA OU INFERNCIA ESTATSTICA

a parte da Estatstica que, baseando-se em resultados obtidos da anlise de

MEDIDAS - So atribuies numricas a coisas, de acordo com regras especficas.

6.1. PROPRIEDADES DAS MEDIDAS:

Estatstica para os cursos de Engenharia

Eurpedes MACHADO Rodrigues

Estatstica para os cursos de Engenharia

Eurpedes MACHADO Rodrigues

De modo geral, podemos dizer que, as medies do origem a variveis contnuas e as

Estatstica para os cursos de Engenharia

Eurpedes MACHADO Rodrigues

10. REPRESENTAO DAS GRANDEZAS EM ESTATSTICA:

Estatstica para os cursos de Engenharia

Eurpedes MACHADO Rodrigues

Estatstica para os cursos de Engenharia

Eurpedes MACHADO Rodrigues

12. NOES DE SOMATRIO

Exemplo 2: Desenvolver as somas :

Estatstica para os cursos de Engenharia

Eurpedes MACHADO Rodrigues

a) (x1 + 3)2 + (x2 + 3)2 + (x3 + 3)2 + . . . + (x20 + 3)2

12.1. PROPRIEDADES DOS SOMATRIOS:

Sendo k uma constante real (diferente de zero), temos:

Sendo x e y duas variveis reais, temos:

b) f1 . (x1 - x )2 + f2 . (x2 - x )2 + f3 . (x3 - x )2 + . . . + f6 . (x6 - x )2 =

3. Calcule para a tabela abaixo, o valor numrico das somas indicadas:

Estatstica para os cursos de Engenharia

Eurpedes MACHADO Rodrigues

O estudo de um determinado fenmeno, freqentemente requer a coleta de uma grande

o arranjo ou organizao dos dados brutos em ordem de freqncia crescente ou

o nmero de vezes que um dado elemento aparece na amostra, ou o nmero de elementos

o arranjo dos valores da varivel e suas respectivas freqncias. No exemplo dado,

Estatstica para os cursos de Engenharia

Eurpedes MACHADO Rodrigues

Observaes: 1. x i representa a varivel (x1 = valor da 1 varivel, x2 = valor da 2 varivel ,

O uso dos valores observados em classes, e no individualmente, oferece as seguintes

A distribuio de freqncias dos dados de uma amostra distribudos em classes, idntica

a diferena entre o maior e o menor valor observado na amostra, identificado mais

Xmx. = 169 e Xmn. = 160

13.5.2. NMERO DE CLASSES ( nc ou k)

, onde n o nmero total dos elementos da amostra.

No exemplo dado, temos : K 20

Estatstica para os cursos de Engenharia

Eurpedes MACHADO Rodrigues

No nosso exemplo: K 1 + 3,22 . log 20

, aproximadamente, o quociente entre a amplitude total e o nmero de classes, ou seja: