Livro Proprietário-Probabilidade e Estatística PDF

Probabilidade e Estatstica
2015
Editorial
Comit Editorial
Fernando Fukuda
Simone Markenson
Jeferson Ferreira Fagundes
Autora do Original
Valria Aparecida Ferreira
UniSEB Editora Universidade Estcio de S

Todos os direitos desta edio reservados UniSEB e Editora Universidade Estcio de S.
Proibida a reproduo total ou parcial desta obra, de qualquer forma ou meio eletrnico, e mecnico, fotogrfico e gravao ou
qualquer outro, sem a permisso expressa do UniSEB e Editora Universidade Estcio de S. A violao dos direitos autorais
punvel como crime (Cdigo Penal art. 184 e ; Lei 6.895/80), com busca, apreenso e indenizaes diversas (Lei 9.610/98 Lei
dos Direitos Autorais arts. 122, 123, 124 e 126).
Captulo 1: Introduo Estatstica:
Anlise exploratria de dados.......................... 7
ri o Objetivos da sua aprendizagem.................................. 7

Voc se lembra?................................................................. 7
m
1.1 Breve histrico................................................................. 8
1.2 Definio de Estatstica......................................................... 8
1.3 Distribuio de frequncias...................................................... 11
Su
1.4 Mtodos grficos........................................................................... 16

Atividades................................................................................................. 24
Reflexo....................................................................................................... 26
Leitura recomendada....................................................................................... 27
Referncias......................................................................................................... 27
No prximo captulo............................................................................................. 27
Captulo 2: Medidas de posio............................................................................ 29
Objetivos de sua aprendizagem................................................................................. 29
Voc se lembra?........................................................................................................... 29
2.1 Mdia..................................................................................................................... 30
2.2 Mediana (Md)......................................................................................................... 31
2.3 Moda (Mo)............................................................................................................... 32
2.4 Medidas Separatrizes: Quartis, Decis e Percentis ................................................... 40
Atividades....................................................................................................................... 49
Reflexo.......................................................................................................................... 52
Leitura recomendada..................................................................................................... 52
Referncias................................................................................................................... 52
No prximo captulo................................................................................................... 53
Captulo 3: Medidas de disperso........................................................................ 55
Objetivos de sua aprendizagem............................................................................ 55
Voc se lembra?................................................................................................ 55
3.1 Exemplo Introdutrio............................................................................. 56
3.2 Amplitude Total (R)........................................................................... 57
3.3 Amplitude interquartil..................................................................... 57
3.4 Desvio-Padro (s)....................................................................... 57
3.5 Varincia (s2).......................................................................... 59
3.6 Coeficiente de Variao (cv).............................................. 59
3.7 Exemplo de aplicao das medidas de disperso para dados no tabulados............ 60
3.8 Desvio-padro para dados tabulados........................................................................ 63
3.9 Varincia para dados tabulados................................................................................. 63
3.10 Exemplo de aplicao das medidas de disperso para dados tabulados................. 64
Atividades........................................................................................................................ 69
Reflexo........................................................................................................................... 72
Leitura recomendada........................................................................................................ 72
Referncias....................................................................................................................... 72
No prximo captulo........................................................................................................ 73
Captulo 4: Noes de Probabilidade........................................................................... 75
Objetivos da sua aprendizagem....................................................................................... 75
Voc se lembra?............................................................................................................... 75
Introduo........................................................................................................................ 76
4.1 Princpio Fundamental da Contagem (PFC)............................................................. 76
4.2 Fatorial de um nmero natural.................................................................................. 78
4.3 Arranjo...................................................................................................................... 79
4.4 Permutao................................................................................................................ 80
4.5 Combinao.............................................................................................................. 82
4.6 Breve histrico.......................................................................................................... 83
4.7 Experimento Aleatrio, Espao Amostral, Evento................................................... 83
4.8 Operaes com Eventos............................................................................................ 84
4.9 Probabilidade............................................................................................................ 87
4.10 Regras Bsicas de Probabilidade............................................................................ 89
4.11 Probabilidade Condicional...................................................................................... 93
4.12 Independncia de eventos....................................................................................... 95
4.13 Teorema de Bayes................................................................................................... 97
Atividades...................................................................................................................... 100
Leitura recomendada...................................................................................................... 102
Referncias..................................................................................................................... 102
No prximo captulo ..................................................................................................... 103
Captulo 5: Variveis aleatrias.................................................................................. 105
Objetivos da sua aprendizagem..................................................................................... 105
Voc se lembra?............................................................................................................. 105
5.1 Varivel Aleatria.................................................................................................... 106
5.2 Funo discreta de probabilidade............................................................................ 106
5.3 Valor esperado e varincia de uma varivel aleatria discreta................................ 109
5.4 Modelos probabilsticos para variveis aleatrias Discretas.................................. 114
Atividades...................................................................................................................... 118
Reflexo......................................................................................................................... 120
Leitura Recomendada.................................................................................................... 121
Referncias..................................................................................................................... 121
Gabarito.......................................................................................................................... 122
o Prezados(as) alunos(as)
Estatstica uma palavra de origem
latina, que significou por muito tempo cin-
a cia dos negcios do Estado. Ela pode ser vista
ent
como uma Matemtica Aplicada, uma disciplina
da rea das cincias exatas que tem aplicao em pra-
ticamente todas as reas de estudo. Esse fato serve para
res
desmistificar o temor vivido pelos alunos com relao ao

ensino da matemtica em si (aquela que ns aprendemos at
Ap
o ensino mdio). As dificuldades enfrentadas e a falta de cone-

xo com a prtica so talvez os fatores que mais contribuem para
que este temor ocorra.
No entanto, o ensino da Estatstica, mesmo provocando sentimentos
semelhantes aos estudantes, proporciona a esses uma viso prtica
do contedo que est sendo abordado. Mais que isso, ele possibilita,
a quem o est aplicando, a obteno de importantes informaes do
fato que est sendo estudado. O conhecimento mnimo em Estatstica
se tornou pr-requisito para ler um jornal ou uma revista conceituada,
pois muitas informaes se encontram resumidas em tabelas ou grficos
que grande parte da populao no tem condies de interpretar e por isso
ignoram (ou no entendem) reportagens importantes para a formao de
uma pessoa esclarecida social, econmica e politicamente.
Procuramos, aqui, apresentar a Estatstica de forma clara e prtica. No
com o intuito de formar especialistas nessa rea, mas sim de proporcio-
nar a voc, futuro gestor, uma compreenso dos elementos bsicos que
compem essa cincia, visando a aplicao na sua rea de atuao.
No tivemos a inteno de esgotar o assunto, mas sim de apresentar
os elementos necessrios para que voc realize uma leitura satis-
fatria da realidade que o cerca e das informaes que tm a sua
volta.
Estudaremos duas reas da Estatstica: Estatstica Descriti-
va e a Probabilidade. No Captulo 1 apresentaremos os
conceitos bsicos da Estatstica bem como descrio de
tcnicas para organizao e apresentao dos dados.
Nos Captulos 2 e 3 aprenderemos a calcular e interpretar as medidas de
posio e disperso. E, introduziremos, nos Captulos 4 e 5, conceitos de
Probabilidade. Abordaremos o clculo de probabilidades atravs do m-
todo clssico e frequencial e estudaremos a distribuio de probabilidade
Binomial.
Muitos dos exemplos aqui apresentados so hipotticos. So exemplos de
situaes que ocorrem de forma semelhante na realidade, mas os dados
apresentados no so reais, foram criados apenas para ilustrar a aplicao
do contedo apresentado.
Introduo
Estatstica: Anlise
exploratria de dados
Neste primeiro captulo, apresentaremos al-
C guns conceitos bsicos utilizados pela Estatstica,
CCC
alm de fornecer recursos de organizao, resumo e
apresentao de dados atravs de tabelas e grficos.
CC C
Quando realizamos uma coleta de dados, geralmente

estamos lidando com uma quantidade muito grande de in-
CCC
formaes. Portanto, torna-se imprescindvel a utilizao de

certas tcnicas visando simplificar a leitura de tais informaes.
Para que se tenha uma viso do todo (sobre o fenmeno que est
sendo estudado) precisamos, por exemplo, dispor as informaes
em tabelas ou apresent-las em grficos. o que estaremos abor-
dando num primeiro momento. Logicamente, h mais tcnicas que
podem ser aplicadas, mas elas sero vistas nos prximos captulos.
Objetivos da sua aprendizagem

Aps o estudo dos conceitos e tcnicas apresentados neste captulo, es-
peramos que voc consiga identificar os diferentes tipos de variveis que
podem estar presentes em uma pesquisa, bem como, organizar, resumir
e apresentar, atravs de tabelas e grficos de frequncias, as informaes
contidas em grandes conjuntos de dados.
Voc se lembra?
Voc se lembra de j ter visto tabelas em jornais, livros ou revistas, em
que eram utilizados percentuais para indicar as frequncias de ocor-
rncias de respostas em uma pesquisa? Ou com os percentuais refe-
rentes avaliao de um governo? Neste captulo, veremos como
(e para qu) construir tabelas dessa natureza, alm de elaborar
grficos que representam os resultados dessas tabelas.
1.1 Breve histrico

O interesse por levantamento de dados no algo que surgiu somen-
te nos dias atuais. H indcios de que 3000 anos A.C. j se faziam censos
na Babilnia, China e Egito. Havia interesse dos governantes das grandes
civilizaes antigas por informaes sobre suas populaes e riquezas.
Usualmente estas informaes eram utilizadas para taxao de impostos e
alistamento militar.
A palavra Estatstica surgiu, pela Conexo:
primeira vez, no sc. XVIII. Alguns au- Para saber um pouco
tores atribuem esta origem ao alemo sobre a evoluo histrica da
Estatstica, assista ao vdeo His-
Gottfried Achemmel (1719-1772), que
tria da Estatstica produzido pela
teria utilizado pela primeira vez o vo- Fundao Universidade de Tocantins,
cbulo Estatstica, em 1746. disponvel em: http://www.youtube.
Na sua origem, a Estatstica es- com/watch?v=jCzMPL7Ub2k&featu
re=related
tava ligada ao Estado. Na atualidade, a
Estatstica no se limita apenas ao estudo
de dados demogrficos e econmicos. Ela
empregada em praticamente todas as reas do co-
nhecimento, sempre que estiverem envolvidas coleta e anlise de dados.
1.2 Definio de Estatstica

A Estatstica uma cincia que trata de mtodos cientficos para a
coleta, organizao, descrio, anlise e interpretao (concluso) de um
conjunto de dados, visando a tomada de decises.
Podemos dividir a aplicao da Estatstica basicamente em trs eta-
pas, que so descritas resumidamente a seguir:
1. Refere-se coleta de dados, na qual devemos utilizar tcnicas

estatsticas que garantiro uma amostra representativa da po-
pulao.
2. Depois dos dados coletados, devemos resumi-los em tabelas

de frequncias e/ou grficos e, posteriormente, encontrar as
Proibida a reproduo UniSEB
medidas de posio e variabilidade (quantidades). Esta etapa

tambm conhecida como Estatstica Descritiva ou Dedutiva.
8
Introduo Estatstica: Anlise exploratria de dados Captulo 1
3. Esta etapa envolve a escolha de um possvel modelo que ex-

plique o comportamento dos dados para posteriormente se
fazer a inferncia dos dados para a populao de interesse.
Esta etapa tambm chamada de Estatstica Inferencial ou
Indutiva. Nesta etapa, se faz necessrio um conhecimento mais
aprofundado, principalmente no que se refere aos tpicos de
probabilidades.
A probabilidade fornece mtodos para quantificar a incerteza
existente em determinada situao, usando ora um nmero ora
uma funo matemtica.
Podemos citar inmeros exemplos da Estatstica em vrias reas do

conhecimento, mas s para convenc-lo da importncia das tcnicas esta-
tsticas, vamos dar alguns exemplos:
1. Se estamos interessados em abrir um supermercado em um

determinado local precisamos saber se fatores como sexo,
grau de escolaridade, idade, estado civil, renda familiar, entre
outros, interferem na abertura deste supermercado e os tipos
de produtos que devem ser priorizados nesse estabelecimento,
alm de definir as estratgias de marketing mais eficientes.
2. Uma empresa, quando est interessada em lanar um novo

produto no mercado, precisa saber as preferncias dos con-
sumidores. Para isso, necessrio realizar uma pesquisa de
mercado.
3. O gestor precisa saber escolher uma amostra representativa de

uma populao de interesse para no perder muito tempo e,
EAD-15-Probabilidade e Estatstica Proibida a reproduo UniSEB
consequentemente, dinheiro da empresa em que trabalha.
4. Para se lanar um novo medicamento no mercado farmacuti-

co, necessrio a realizao de vrias experincias. O medica-
mento deve ser testado estatsticamente quanto sua eficincia
no tratamento a que se destina e quanto aos efeitos colaterais
que pode causar, antes de ser lanado no mercado.
9
5. Para uma empresa, muito importante fazer previses de

demanda de seus produtos. Para isto existem vrias tcnicas
estatsticas como regresso linear, regresso logstica, anlise
de sries temporais, etc.
6. Controles estatsticos de qualidade (ou controles estatsticos
do processo) so indispensveis em todos os tipos de empre-
sas. Eles so realizados atravs de um conjunto de tcnicas
estatsticas, geralmente aplicadas por engenheiros de produo
e administradores, para garantir o nvel de qualidade exigido
para a produo (ou servio) dentro de uma indstria.
So inmeras e diversificadas as aplicaes de tcnicas estatsticas

que o gestor pode utilizar. No conseguiremos falar sobre todas elas, mas
apresentaremos os principais conceitos e tcnicas que quando utilizados
podem auxiliar na tomada de decises.
Comearemos por apresentar alguns conceitos elementares bastante
utilizados no processo estatstico.
Populao: o conjunto total de elementos (objetos, itens, medi-
das, etc.) que tm determinada caracterstica que se deseja estudar.
Amostra: uma parte da populao de interesse que se tem acesso
para desenvolver o estudo estatstico. Se a amostra no for fornecida no
estudo, devemos retir-la da populao atravs de tcnicas de amostragem
adequadas, para que os resultados fornecidos sejam confiveis.
Estatstica Descritiva: a parte da estatstica que trata da organi-
zao e do resumo do conjunto de dados por meio de grficos, tabelas e
medidas descritivas (quantidades).
Estatstica Indutiva: a parte que se destina a encontrar mtodos
para tirar concluses (ou tomar decises) sobre a populao de interesse,
geralmente, baseado em informaes retiradas de uma amostra desta po-
pulao.
Varivel: a caracterstica de interesse no estudo. Vamos estudar
dois tipos de variveis: quantitativas e qualitativas.
Variveis quantitativas: so aquelas cujas respostas da varivel
so expressas por nmeros (quantidades). Podemos distinguir dois tipos
de variveis quantitativas: quantitativa contnua e discreta.

Variveis quantitativas contnuas: so aquelas que podem assu-
mir, teoricamente, infinitos valores entre dois limites (num intervalo), ou
10
seja, podem assumir valores no inteiros. Por exemplo: altura (em metros)
de alunos de uma determinada faixa etria, peso (em kg), salrio, etc.
Variveis quantitativas discretas: so aquelas que s podem assu-
mir valores inteiros. Por exemplo: nmero de filhos por casal, nmero de
livros em uma biblioteca, nmero de carros vendidos, etc.
Variveis qualitativas: so as variveis cujas respostas so expres-
sas por um atributo. Podemos distinguir dois tipos de variveis qualitati-
vas: nominal e ordinal.
Variveis qualitativas nominais: definem-se como aquelas em que
as respostas so expressas por um atributo (nome) e esse atributo no pode
ser ordenado. Por exemplo: tipo sanguneo, religio, estado civil, etc.
Variveis qualitativas ordinais: tm suas respostas expressas por
um atributo (nome) e esse atributo pode ser ordenado. Por exemplo: grau
de instruo, classe social, etc.
1.3 Distribuio de frequncias

Para entendermos a ideia de distribuio de frequncias, vamos
analisar a seguinte situao: quando um pesquisador termina de coletar
os dados para sua pesquisa, geralmente fica com muitos questionrios em
mos (respondidos pelas pessoas que foram sorteadas para pertencer a
sua amostra) ou com os dados digitados em alguma planilha eletrnica. O
fato que os dados brutos (sem tratamento) no trazem as informaes
de forma clara, por isso devemos tabular esses dados. Quando tabulamos
os dados estamos resumindo as informaes para melhor compreenso
da varivel em estudo. A esta tabulao damos o nome de distribuio de
frequncias (ou tabela de frequncias).
Distribuio de frequncias uma tabela em que se resumem grandes
quantidades de dados, determinando o nmero de vezes que cada dado ocorre
(frequncia) e a porcentagem com que aparece (frequncia relativa).

Para facilitar a contagem do nmero de vezes que cada dado ocorre,
podemos ordenar os dados. A uma sequncia ordenada (crescente ou de-
crescente) de dados brutos damos o nome de Rol.
Os tipos de frequncias com os quais iremos trabalhar so:
Frequncia absoluta ou simplesmente frequncia (f): o n de
vezes que cada dado aparece na pesquisa.
11
Frequncia relativa ou percentual (fr): o quociente da frequn-

cia absoluta pelo nmero total de dados. Esta frequncia pode ser expres-
sa em porcentagem. O valor de (fr x100) definido como fr (%).
Frequncia acumulada (fa): a soma de cada frequncia com as
que lhe so anteriores na distribuio.
Frequncia relativa acumulada (fra): o quociente da frequncia
acumulada pelo nmero total de dados. Esta frequncia tambm pode ser
expressa em porcentagem. O valor de (fra x100) definido como fra (%).
Exemplo 1.1: Dada a tabela abaixo, vamos definir qual a varivel

em estudo e qual o tipo de varivel. Depois, completaremos a tabela de
distribuio de frequncias encontrando a frequncia relativa (%).
Faixa de renda (em Nmero de operrios Frequncia relativa
salrios mnimos) (f) (%) (fr)
0 | 2 43 39,09
2 | 4 39 35,45
4 | 6 16 14,55
6 | 8 8 7,27
8 | 10 4 3,64
Total 110 100
Tabela 1.1 Distribuio de renda de operrios de uma determinada empresa.
Em todos os nossos exemplos, na distribuio de frequncias construda

com intervalos de classes, vamos considerar que o intervalo de classe fechado
esquerda e aberto direita. Por exemplo, no caso dessa tabela, considerando a
terceira classe de frequncia, podemos dizer que os 16 operrios que esto nesta
classe recebem de 4 a menos que 6 salrios mnimos por ms.
Resoluo
A varivel em estudo a renda dos operrios de uma determinada
empresa. Esta varivel classificada como quantitativa contnua, pois
pode assumir qualquer valor dentro de um intervalo numrico.
As frequncias absolutas (f) so fornecidas no problema. As

frequncias relativas (fr(%)) so encontradas dividindo cada frequncia
absoluta (de cada classe de frequncia) pelo total de operrios (110) e
multiplicando por 100.
12
Uma distribuio de frequncias apresenta, basicamente, as 3 colu-

nas apresentadas na tabela 1.1. Desta maneira, conseguimos organizar de
forma resumida um conjunto de dados.
Em alguns estudos podemos ter interesse em outras quantidades
relacionadas tabela, como, por exemplo, a frequncia acumulada ou a
frequncia acumulada (%). Veremos mais adiante que a frequncia acu-
mulada utilizada na construo de um grfico denominado Ogiva. A
tabela 1.2 apresenta a frequncia acumulada e a frequncia relativa acu-
mulada (%).
Faixa de renda Frequncia
Nmero de acumulada
(em salrios fr(%) fra (%)
operrios (f) (fa)
mnimos)
0 | 2 43 39,09 43 39,09
2 | 4 39 35,45 82 75,55
4 | 6 16 14,55 98 89,09
6 | 8 8 7,27 106 96,36
8 | 10 4 3,64 110 100,00
Total 110 100
Tabela 1.2 Distribuio das frequncias acumuladas da varivel faixa de renda.

A coluna frequncia acumulada (fa) de cada classe obtida somando
a frequncia da respectiva classe com as que lhe so anteriores e a fra (%)
obtida dividindo a fa pelo nmero total de dados e multiplicando por
100.
Exemplo 1.2: Uma determinada empresa resolveu traar o perfil
socioeconmico de seus empregados. Uma das variveis estudadas foi o
nmero de filhos, com idade inferior a 18 anos, de cada um dos empre-
gados. A tabela 1.3 fornece a frequncia e a frequncia relativa (%) para
cada valor obtido.
Nmero de operrios
Nmero de filhos Fr (%)
(f)
0 6 13,33
1 11 24,44
2 13 28,89
3 7 15,56
4 5 11,11
13
Nmero de operrios
Nmero de filhos Fr (%)
(f)
5 1 2,22
6 2 4,44
Total 45 100,00
Tabela 1.3 Distribuio de frequncias dos empregrados, segundo o nmero de filhos.
Para encontrarmos a fa e a fra (%) seguimos o mesmo procedimento

que foi utilizado na Tabela 1.2.
1.3.1 Agrupamento em classes

Como vimos no exemplo 1.1, para representar a varivel contnua
renda, organizamos os dados em classes. Portanto, podemos dizer que a
varivel renda foi dividida em 5 classes de frequncias.
Quando agrupamos em classes de frequncias perdemos informaes,
pois no sabemos exatamente quais so os valores que esto contidos em cada
uma das classes (a no ser que seja possvel pesquisar esta informao no
conjunto de dados brutos). Na anlise das tabelas de frequncias com interva-
los de classes podemos identificar os seguintes valores:
Limite inferior (Li): o menor valor que a varivel pode assumir

em uma classe de frequncia.
Limite superior (Ls): serve de limite para estabelecer qual o maior

valor que a varivel pode assumir em uma classe de frequncia, mas, ge-
ralmente, os valores iguais ao limite superior no so computados naquela
classe e sim na seguinte.
Ponto mdio (Pm): a mdia aritmtica entre o Li e o Ls da mesma

Li + Ls
classe, ou seja, Pm = .
2
Amplitude (h): a diferena entre o Ls e o Li da classe, ou seja,
h = Ls Li.
Amplitude total (ht): a diferena entre o LS da ltima classe de

frequncia e o Li da primeira classe, ou seja: ht = Ls Li.
14
Na construo de uma distribuio de frequncias com intervalos

de classes devemos determinar o nmero de classes que uma tabela deve
ter e qual o tamanho (ou a amplitude) destas classes. Podemos usar o bom
senso e escolher arbitrariamente quantas classes e qual a amplitude que
estas classes devem ter. Em algumas situaes, iremos tabular dados para
comparar os resultados com informaes de outras tabelas. Nesse caso,
melhor considerar as mesmas classes das tabelas que iremos comparar.
Quando no tivermos nenhuma referncia sobre qual deve ser o n-
mero de classes a se trabalhar, podemos utilizar o critrio que sugerido
por vrios autores. Chama-se regra da raiz e ser apresentado a seguir
Considere:
R
k n e h
k
onde k o nmero de classes que vamos construir na tabela de fre-
quncias; n o tamanho da amostra que estamos trabalhando; h a ampli-
tude de cada uma das classes e R a amplitude total dos dados.
Os valores de k e h devem ser arredondados sempre para o maior valor. Por

exemplo, para uma amostra de tamanho n = 50 cujo menor valor 4 e o maior
valor 445 temos que R = 441 (maior valor menor valor). O nmero de clas-
ses seria dado por k n = 50 = 7, 07106 8 (maior inteiro depois
de 7) e a amplitude (tamanho) de cada uma das 8 classes acima dever ser
R 441
h = = 55,125 56 (maior inteiro depois de 55). Ou seja, dever-
k 8
amos, para este exemplo, montar uma tabela com 8 classes e de amplitude 56. A
tabela pode ser iniciada pelo menor valor do conjunto de dados.
Resumindo, para montar uma tabela de frequncias com intervalos

de classes devemos:
Achar o mnimo e o mximo dos dados.
Determinar as classes de frequncias, o que na verdade nada
mais do que escolher intervalos de mesmo comprimento que
cubra a amplitude entre o mnimo e o mximo. Para determinar
o nmero de classes, usaremos k n e para determinar o
R
tamanho das classes usaremos h .
K
15
Contar o nmero de observaes que pertencem a cada interva-

lo de classe. Esses nmeros so as frequncias observadas da
classe.
Calcular as frequncias relativas e acumuladas de cada classe.
De modo geral, a quantidade de classes no deve ser inferior a
5 e nem superior a 25.
Um outro critrio utilizado para construir distribuio de frequn-

cias com intervalos de classes a regra de Sturges.
Neste critrio, o nmero de classes a serem construdas obtido uti-
lizando a seguinte frmula:
k 1 + 3, 3 log n
onde:
k:nmero de classes
n:total da amostra
log n: logaritmo na base 10 de n
A amplitude de cada intervalo de classe obtida por:
amplitude total R
h= =
k k
Devemos arredondar o valor de k para o nmero inteiro mais prximo, pois o

nmero de classes deve ser sempre inteiro. O arredondamento de h deve ser
sempre efetuado para cima usando o mesmo nmero de casas decimais dos ele-
mentos da amostra para que nenhum elemento fique fora da tabela.
1.4 Mtodos grficos

O objetivo da utilizao de grficos em anlise de dados o de fa-
cilitar a compreenso do fenmeno estatstico por meio do efeito visual

imediato que os grficos proporcionam.
16
1.4.1 Tipos de grficos

Existem vrios tipos de grficos. Os mais usados so: grfico em linhas,
diagramas de rea (como por exemplo: grfico em colunas, grfico em barras
e grfico em setores) e grficos para representar as distri-
buies de frequncias construdas com intervalos
de classes (como por exemplo: polgono de fre- Conexo:
Vamos refletir um pouco
quncias, histograma e ogiva). sobre a necessidade de
Vamos saber um pouco quando usar abordagens pedaggicas para o
e como construir cada um destes grficos. ensino e a aprendizagem de gr-
ficos acessando o endereo http://
www.ufrrj.br/emanped/paginas/
1.4.1.1 Grfico em linhas conteudo_producoes/docs_22/
carlos.pdf.
Sempre que os dados estiverem distribu-

dos segundo uma varivel no tempo (meses, anos,
etc.), assim como sucede com os dados do exemplo 1.3 figura 1.1, os
dados podem, tambm, ser descritos atravs de um grfico em linhas.
Esse tipo de grfico retrata as mudanas nas quantidades com respeito ao
tempo atravs de uma srie de segmentos de reta. muito eficiente para
mostrar possveis tendncias no conjunto de dados.
Exemplo 1.3: A tabela 1.4 fornece uma lista do nmero de assinan-

tes de telefones celulares, em milhes, de 1997 a 2007, do pas X. Cons-
trua um grfico para resumir os dados da tabela a seguir.
Ano Assinantes (em milhes)

1997 1,1
1998 1,3
1999 1,5
2000 1,9
2001 2,4
2002 2,6
2003 3,1
2004 7,4
2005 18,6
2006 21,5
2007 29
Tabela 1.4 Assinantes de telefones celulares, em milhes, de 1997 a 2007.

17
O grfico que melhor representa este conjunto de dados o grfico

em linhas, j que os dados se reportam a uma srie no tempo (srie tempo-
ral). O grfico est ilustrado na figura 1.1.
35
30 29
Assistentes (em milhes)
25 21,5
20 18,6
15
10 7,4
5 2,4 2,6 3,1

1,1 1,3 1,5 1,9
0
1996 1998 2000 2002 2004 2006 2008
Anos
Figura 1.1 Grfico em linha para os dados de assinantes de telefones celulares.
1.4.1.2 Grfico (ou Diagrama) em Barras (ou Colunas)
Os diagramas em barras (ou colunas) so bastante utilizados quando

trabalhamos com variveis qualitativas (dados categricos). No eixo hori-
zontal especificamos os nomes das categorias e no eixo vertical construmos
uma escala com a frequncia ou a frequncia relativa. As barras tero bases
de mesma largura e alturas iguais frequncia ou
frequncia relativa. O grfico em barras,
quando as barras esto dispostas no sen-
Quando construmos o
tido vertical, tambm chamado de
grfico de barras para variveis
grfico em colunas. qualitativas e as barras so arranjadas
Exemplo 1.4: Uma grande em ordem descendente de altura, a partir
indstria de materiais de construda esquerda para a direita, com o atributo
que ocorre com maior frequncia apare-
o, com diversas lojas espalhadas cendo em primeiro lugar, denominamos
pelo pas, fez um levantamento das este grfico de barras de Diagrama de
principais causas de perda de ativos Pareto.
durante o ano de 2007 e as informaes

esto dispostas na tabela seguinte.
18
Causas Valor perdido (milhes de reais)

M administrao 5,2
Roubos de funcionrios 3,9
Fraudes nas vendas 5,5
Assaltos s lojas 1,8
Perda do estoque 1,6
Atendimento ruim 0,8
Tabela 1.5 Causas de perda de ativos durante o ano de 2007.
Graficamente, podemos representar este conjunto de dados de trs

formas diferentes: grfico em colunas, grfico em barras e o grfico em
setores (ou pizza ou circular), que ser apresentado no prximo item.
Valor Perdido (milhes de reais)
0
Roubos de funcionrios
Fraudes nas vendas
Assaltos s lojas
Perda de estoque
Atendimento ruim
M administrao
Figura 1.2a Grfico em colunas para a varivel Causas de perdas de ativos.
Atendimento ruim
Perda do estoque
Assalto s lojas
Causas
Fraudes nas vendas
Roubos de funcionrios
M administrao
0 1 2 3 4 5 6
Valor perdido (milhes de reais)
Figura 1.2b Grfico em barras para a varivel Causas de perdas de ativos.
19
1.4.1.3 Grfico (ou Diagrama) em Setores
O diagrama em setores, tambm conhecido como grfico de pizza,

um dos grficos mais utilizados para representar variveis qualitativas (ou
categricas) e bastante apropriado quando se deseja visualizar a propor-
o que cada categoria representa do total.
Vamos utilizar os dados do Exemplo 1.4 para mostrar um grfico em
setores.
Valor Perdido (milhes de reais)
Perda de estoque Atendimento ruim

8%
Assaltos s lojas M administrao

10%
Roubos de
Fraudes nas vendas Funcionrios
29% 21%
Figura 1.3 Grfico em setores para a varivel Causas de perdas de ativos.
Os grficos que sero apresentados a seguir so grficos construdos

segundo uma distribuio de frequncias com intervalos de classes. So
eles: o histograma, o polgono de frequncias e a ogiva.
1.4.1.4 Histograma
Um histograma semelhante ao diagrama de barras, porm

refere-se a uma distribuio de frequncias para dados quantitativos
contnuos. Por isso, apresenta uma diferena: no h espaos entre as
barras. Os intervalos de classes so colocados no eixo horizontal en-
quanto as frequncias so colocadas no eixo vertical. As frequncias

podem ser absolutas ou relativas.
20
Exemplo 1.5: A tabela a seguir apresenta o salrio de funcionrios

de uma empresa no interior de Minas Gerais.
Salrio (R$) Freq. Absoluta (f) Freq. Acumulada (fa)

400,00 | 800,00 38 38
800,00 | 1.200,00 18 56
1.200,00 | 1.600,00 12 68
1.600,00 | 2.000,00 8 76
2.000,00 | 2400,00 8 84
2.400,00 | 2.800,00 5 89
2.800,00 | 3.200,00 3 92
3.200,00 | 3.600,00 0 92
3.600,00 | 4.000,00 2 94
4.000,00 | 4.400,00 0 94
4.400,00 | 4.800,00 1 95
Total 95
Tabela 1.6 Distribuio de frequncias dos salrios dos funcionrios de uma empresa no
interior de Minas Gerais.
Como os dados da tabela 1.6 esto apresentados em intervalos de clas-

ses podemos represent-los graficamente atravs de um histograma ou do
polgono de frequncias, como mostram as figuras 1.4 e 1.5, respectivamente.
40
35
30
Frequncia
25
20
15
10
5
0
1200,00 | 1600,00
1600,00 | 2000,00
2000,00 | 2400,00
2400,00 | 2800,00
2800,00 | 3200,00
3200,00 | 3600,00
3600,00 | 4000,00
4000,00 | 4400,00
4400,00 | 4800,00
800,00 | 1200,00
400,00 | 800,00
Salrio (R$)
Figura 1.4 Histograma dos salrios dos funcionrios de uma empresa no interior de
Minas Gerais.
21
1.4.1.5 Polgono de Frequncias
Podemos dizer que o polgono de frequncias um grfico de li-

nha de uma distribuio de frequncias. No eixo
horizontal so colocados os pontos mdios de
cada intervalo de classe e no eixo vertical Conexo:
Para se ter uma ideia da
so colocadas as frequncias absolutas importncia da organizao dos
ou relativas (como no histograma). Para dados em tabelas de frequncias e
da construo do histograma, leia A
se obter as interseces do polgono Estatstica na Prtica em: ANDERSON,
com o eixo das abscissas, devemos David R.; SWEENEY, Denis J.; WILLIA-
encontrar o ponto mdio da classe ante- MS, Thomas A. Estatstica aplicada
administrao e economia. So Pau-
rior primeira e o ponto mdio da classe lo: Pioneira Thomson Learning,
posterior ltima. 2003, pp. 37 e 38.
O histograma e o polgono de fre-

quncias so grficos alternativos e contm a
mesma informao. Fica a critrio de quem est conduzindo o estudo a
escolha de qual deles utilizar.
Considerando os dados do exemplo 1.5, temos o polgono de fre-
quncias representado pela figura 1.5.
40
38
35
30
25
Frequncia
20
18
15
12
10
8 8
5 5
3
2
1
0 0 0 0
200 600 1000 1400 1800 2200 2600 3000 3400 3800 4200 4600 5000
Ponto mdio das faixas salariais (R$)

Figura 1.5 Polgono de frequncias dos salrios dos funcionrios de uma empresa no
interior de Minas Gerais.
22
Para finalizarmos o estudo de grficos, vamos apresentar um grfico

denominado ogiva.
1.4.1.6 Ogiva
Uma ogiva um grfico para uma distribuio de frequncias acu-

muladas. Utilizando o exemplo 1.5, a terceira coluna traz a frequncia
acumulada dos dados e a ogiva fica representada pela figura 1.6.
Para construir um grfico de ogiva, devemos usar o limite superior de cada in-
tervalo no eixo horizontal e a frequncia acumulada no eixo vertical. A frequncia
acumulada relacionada com o limite inferior da primeira classe sempre zero.
100
90
80
70
Frequncia Acumulada
60
50
40
30
20
10
0
400 800 1200 1600 2000 2400 2800 3200 3600 4000 4400 4800
Salrio (R$)
Figura 1.6 Ogiva dos salrios dos funcionrios de uma empresa no interior de Minas
Gerais.
23
Atividades
01. Classifique as variveis a seguir em quantitativas (discretas ou cont-
nuas) ou qualitativas (nominal ou ordinal).
a) Cor dos olhos.
b) Nmero de peas produzidas por hora.
c) Dimetro externo.
d) Nmero de pontos em uma partida de futebol.
e) Produo de algodo.
f) Salrios dos executivos de uma empresa.
g) Nmero de aes negociadas na bolsa de valores.
h) Sexo dos filhos.
i) Tamanho de pregos produzidos por uma mquina.
j) Quantidade de gua consumida por uma famlia em um ms.
k) Grau de escolaridade.
l) Nvel social.
m) Tipo sanguneo.
n) Estado civil.
02. A seguir temos as idades dos funcionrios de uma determinada em-

presa. Fazer uma distribuio de frequncias, agrupando os dados em clas-
ses. OBS.: A tabela de distribuio de frequncias deve ser completa com
f, fr e fa.
Idades (dados brutos)

48 28 37 26 29 59 27 28 30 40 42 35 23 22 31
21 51 19 27 28 36 25 40 36 49 28 26 27 41 29
Baseado na tabela de frequncias construda, responda:

a) Quantos so os funcionrios com idade inferior a 33 anos?
b) Que porcentagem de funcionrios tem idade igual ou superior a 47 anos?
c) Quantos so os funcionrios com idade maior ou igual a 26 anos e no
tenham mais que 40 anos?
d) Qual a porcentagem de funcionrios com idade abaixo de 40 anos?

e) Qual a porcentagem de funcionrios que tm no mnimo 40 anos?
24
03. Uma agncia de turismo est interessada em saber o perfil dos seus
clientes com relao varivel estado civil. Para isso, o gerente desta agn-
cia pediu ao funcionrio do setor de vendas para fazer um grfico que
resuma estas informaes. Construa o grfico e interprete-o.
Estado civil Nmero de clientes

Solteiro 2600
Casado 900
Vivo 345
Separado 1200
Outros 1020
Total 6065
04. Um consultor estava interessado em saber quanto, geralmente, cada

pessoa gastava em um determinado supermercado no primeiro sbado
aps receberem seus pagamentos (salrios). Para isso ele entrevistou 50
clientes que passaram pelos caixas entre 13h e 18h, e anotou os valores
gastos por cada um deles. Estes valores esto listados a seguir:
4,89 11,00 5,60 73,85 24,83 98,00 186,00 234,87 58,00 198,65
223,86 341,42 94,76 445,76 82,80 35,00 455,00 371,00 398,60 234,00
64,90 54,98 48,80 68,90 120,32 126,98 76,43 6,35 9,98 12,68
243,00 18,65 134,90 11,10 321,09 290,76 74,00 48,80 74,52 138,65
26,00 210,13 15,78 197,45 75,00 76,55 32,78 166,09 105,34 99,10
Analisando o conjunto de dados, responda os seguintes itens:

a) Qual a varivel em estudo? Classifique-a.
b) Construa uma tabela de frequncias a partir do conjunto de dados
brutos.
c) Construa um histograma e um polgono de frequncias para a tabela

construda no item b).
25
05. Analise o grfico a seguir e responda:
50 45
45
40
35
Frequncia
30
25
20 17
15 12
10 4 3 3 2
5
0
500| 800
800| 1100
1100| 1400
1400| 1700
1700| 2100
2100| 2400
2400| 2700
Salrio (R$)
a) Qual a varivel em estudo? Classifique-a.

b) Quantos funcionrios ganham entre R$ 800,00 (inclusive) e
R$ 1.100,00 (exclusive)?
c) Qual o nmero de funcionrios total desta empresa?
d) Qual a porcentagem de funcionrios que ganham R$ 1.700,00 ou mais?
e) Qual a porcentagem de funcionrios que ganham entre R$ 500,00
(inclusive) e no mais que R$ 1.100,00?
f) A partir do histograma, monte uma tabela de distribuio de frequncias.
Reflexo
Estamos encerrando nosso primeiro captulo. Vimos, aqui, alguns
conceitos que sero fundamentais na compreenso do restante do conte-
do de Estatstica. J deve ter dado para perceber que, mesmo estando no
incio da disciplina, as aplicaes prticas que voc poder fazer na sua
rea de atuao sero muitas. A compreenso e interpretao das mais
variadas informaes, com as quais nos deparamos em nosso cotidiano,
dependem, em parte, do conhecimento de certos elementos estatsticos.
Estamos apenas no comeo. Muitas tcnicas (muito interessantes!)
ainda sero abordadas. E lembre-se que o conhecimento e o domnio da Es-
tatstica certamente levaro voc, futuro gestor, s decises mais acertadas.
26
Leitura recomendada
Recomendamos a leitura do texto Como analisar de forma simples
um grande nmero de dados?, disponvel no endereo http://www.klick.
com.br/materia/20/display/0,5912,POR-20-91-931-,00.html que aborda
de maneira clara alguns procedimentos que podem ser utilizados quando
nos deparamos com situaes em que precisamos resumir as informaes
de grandes conjuntos de dados.
Referncias
ANDERSON, David R.; SWEENEY, Denis J.; WILLIAMS, Thomas
A. Estatstica aplicada administrao e economia. So Paulo: Pio-
neira Thomson Learning, 2003.
COSTA NETO, Pedro Luiz de Oliveira. Estatstica, So Paulo: Edgard

Blucher, 2002.
DOWNING, Douglas; CLARK, Jeffrey. Estatstica aplicada. So

Paulo: Saraiva, 2002.
FARIAS, Alfredo Alves de; SOARES, Jos Francisco; CSAR, Cibele

Comini. Introduo estatstica. Rio de Janeiro: LTC, 2003.
MEMRIA, Jos M. P. Breve Histria da Estatstica. Disponvel em:

<http://www.im.ufrj.br/~lpbraga/prob1/historia_estatistica.pdf>. Aces-
so em: 25 setembro 2014.
TRIOLA, Mario F.. Introduo estatstica. Rio de Janeiro: LTC,

1999.
VIEIRA, Sonia. Elementos de estatstica. So Paulo: Atlas, 2003.
No prximo captulo
Se at agora vimos como organizar, resumir e apresentar os da-
dos (informaes) em tabelas e grficos, no prximo captulo iremos
incrementar esse processo atravs da insero das medidas de posio e
disperso. So medidas que iro, de certa forma, representar o conjunto
27
como um todo. Um exemplo bem conhecido de medida de posio (ou de

tendncia central) a mdia e com relao medida de disperso pode-
mos citar o desvio-padro. No so raras as situaes em que a mdia
utilizada para representar a tendncia central dos dados e o desvio-padro
para representar a variabilidade do conjunto de dados.
Alm destas, veremos outras tambm importantes e com larga apli-
cao no estudo dos dados.
28
Medidas de posio
Nesse captulo, aprenderemos como
caracterizar um conjunto de dados atra-
vs de medidas numricas que sejam repre-
2 sentativas de todo o conjunto.
lo
As medidas de posio, tambm chamadas de
medidas de tendncia central, tm o objetivo de repre-
t u
sentar o ponto central de um conjunto de dados. As mais

conhecidas so a mdia, a mediana e a moda. Alm dessas
Cap
medidas, podemos citar outras medidas de posio importan-

tes, que no necessariamente so centrais. So ela os quartis, os
decis e os percentis. Vamos estudar cada uma dessas medidas de
posio (estatsticas).
Primeiramente, vamos fazer um estudo para os dados no tabulados,
ou seja, quando os dados no estiverem na forma de distribuio de
frequncia. Em seguida, as mesmas medidas sero calculadas com
base em dados tabulados.
Objetivos de sua aprendizagem

Por meio do estudo deste captulo, esperamos que voc seja capaz de
calcular e de interpretar as medidas de posio aplicadas a conjuntos de
dados.
Voc se lembra?
Voc se lembra das situaes para as quais j calculou uma mdia? Que
tipo de informao essa medida fornece? Para que serve? Para aplicar e
interpretar medidas como ela, necessrio conhec-las bem. Vamos,
ento, realizar um estudo detalhado da mdia e de outras medidas
de mesma natureza.
2.1 Mdia
A mdia aritmtica a mais comum e mais simples de ser calcula-
da dentre todas as medidas de posio mencionadas.
Para calcul-la, basta fazer a diviso da soma de todos os valores
(x1, x2, ..., xn ) da varivel pelo nmero deles (n):
n
xi
x= i =1
(2.1)
n
em que:
x = a mdia aritmtica;
xi = os valores da varivel;
n = o nmero de valores.
Outro tipo de mdia que podemos encontrar a mdia geomtrica. Ela

muito utilizada no clculo da taxa mdia de retorno de investimentos.
A mdia geomtrica entre nmeros reais x1 x2,,xn definida como
sendo a raiz n-sima do produto dos n termos (ou, alternativamente) o pro-
duto dos n termos elevado ao inverso do nmero de termos, ou seja:
G= n x1 x 2 x 3 ... x n
ou
1
( )
1
( x1 x 2 x 3... x n ) n = in=1 xi n
em que i = 1 x i indica o produtrio de xi, para i variando de 1 a n.

n
Em algumas circunstncias no faz sentido calcular a mdia geom-

trica:
Quando um dos valores do conjunto de dados for zero. Neste
caso, o produto dos valores ser zero e, consequentemente, G = 0.
Quando o produto dos valores for negativo e o nmero total de
observaes for par. Neste caso, teramos que calcular uma raiz
de ndice de par de um nmero negativo, o que impossvel no

conjunto dos nmeros reais.
A mdia geomtrica ser sempre menor ou igual a mdia aritmtica.

30
Medidas de posio Captulo 2
2.2 Mediana (Md)

A mediana outra medida de posio, dita mais robusta que a m-
dia, pois, da forma como ela determinada, no
permite que alguns valores muito altos
ou muito baixos interfiram de maneira
significativa em seu valor. Desta
forma, se o conjunto de dados A mediana a medida de posio mais
apresentar alguns poucos valores frequentemente usada quando a varivel
em estudo for renda (R$), pois algumas
discrepantes em relao maioria
rendas extremamente elevadas podem infla-
dos valores do conjunto de dados, cionar a mdia. Neste caso, a mediana uma
em geral, aconselhvel usar a melhor medida de posio central.
mediana em vez da mdia.
A mediana encontrada or-
denando os dados do menor para o
maior valor e em seguida identificando o
valor central destes dados ordenados. uma
medida que divide o conjunto de dados ao meio, deixando a mesma quan-
tidade de valores abaixo dela e acima.
A determinao da mediana difere no caso do tamanho (n) do con-
junto de dados ser par ou mpar. Vejamos a seguir.
Se o nmero de elementos do conjunto de dados for mpar, ento a
mediana ser exatamente o valor do meio, ou seja:
Md = x n +1 (2.2)

2
Se o nmero de elementos do conjunto de dados for par, ento a me-

diana ser exatamente a mdia dos dois valores do meio, isto :
x n + x n
+1
Md =
2 2 (2.3)
2
onde x n , x n + 1 indicam as posies onde os dados

e x n
+1
2 2 2
se encontram.
31
2.3 Moda (Mo)

A moda de um conjunto de dados o valor (ou valores) que ocorre
com maior frequncia. A moda, diferentemente das outras medidas de
posio, tambm pode ser encontrada quando a varivel em estudo for
qualitativa. Existem conjuntos de dados em que nenhum valor aparece
mais vezes que os outros. Neste caso, dizemos que o conjunto de dados
no apresenta moda.
Em outros casos, podem aparecer dois ou mais valores de maior
frequncia no conjunto de dados. Nestes casos, dizemos que o conjunto de
dados bimodal e multimodal, respectivamente.
Por conta das definies diferentes, a mdia, a mediana e a moda
fornecem, muitas vezes, informaes diferentes sobre o centro de um con-
junto de dados, embora sejam todas medidas de tendncia central.
No exemplo 2.1 apresentaremos os clculos das medidas de posio
para dados no tabelados (dados brutos).
Exemplo 2.1: Um gerente de banco quis estudar a movimentao
de pessoas em sua agncia na segunda semana de determinado ms. Ele
constatou que no primeiro dia entraram 1.348 pessoas, no segundo dia,
1.260 pessoas, no terceiro, 1.095, no quarto, 832 e no ltimo dia do levan-
tamento, 850 pessoas. Encontre a mdia aritmtica, a mediana e a moda
para este conjunto de dados e interprete os resultados.
Resoluo
A mdia aritmtica dada por:
n
xi 1.348 + 1.260 + 1.095 + 832 + 850 5.385
i =1
x= = = = 1.077
n 5 5
O nmero mdio de pessoas que entraram na agncia bancria na
segunda semana do ms foi 1.077 pessoas. Isto quer dizer que, alguns dias
entraram menos que 1.077 e outros dias entraram mais, ou seja, 1.077
um valor em torno do qual o nmero de pessoas que entraram na agncia,
durante a segunda semana de cada ms, se concentra.
Para encontrar a mediana, devemos, primeiramente, ordenar os da-
dos em ordem crescente (pode ser decrescente tambm):
832, 850, 1095, 1260, 1348
32
Como a quantidade de dados (n) um nmero mpar, a mediana

exatamente o valor que se encontra no meio do conjunto de dados. Nesse
caso, a mediana Md = 1095 pessoas. Isto significa que temos o mesmo
nmero de observaes menores ou iguais ao valor da mediana e o mesmo
nmero de observaes maiores ou iguais ao valor da mediana.
Este conjunto de dados no possui moda, pois no existe nenhum
valor que aparece com mais frequncia que os outros.
Agora, vamos fazer um estudo para os dados tabulados, ou seja,
quando os dados estiverem na forma de uma distribuio de frequncias.
Quando os dados estiverem tabulados, ou seja, na forma de distri-
buio de frequncias, a maneira de se calcular a mdia aritmtica muda
um pouco. Como as frequncias so nmeros que indicam quantas vezes
aparece determinado valor ou quantos valores tm em cada classe de fre-
quncia, elas funcionaro como fatores de ponderao. Estas situaes
sero apresentadas nos exemplos 2.2 e 2.3, respectivamente.
Mdia Aritmtica
No caso de dados tabulados, o clculo da mdia aritmtica dada por:
k
x i fi
x= i =1 (2.4)
k
fi
i =1
Onde:
xi o valor da varivel (ou o ponto mdio de uma classe de frequn-
cia).
fi a frequncia referente a cada valor (ou classe).
k
a soma dos valores das frequncias.
i =1
A expresso (2.4) apresentada anteriormente tambm conhecida

como frmula da mdia ponderada.
No caso de distribuies de frequncias que no apresentam inter-
valos de classes, a mediana e a moda so encontradas da maneira descrita
nos itens 2.2 e 2.3, respectivamente.
33
Exemplo 2.2
Em um determinado ms, foi computado o nmero x de faltas ao
trabalho, por motivos de sade, que cada funcionrio de uma determinada
empresa teve. Os dados esto apresentados na tabela abaixo:
Nmero de Faltas f
0 31
1 20
2 8
3 2
4 0
5 1
6 1
Total 63
Tabela 2.1: Nmero de faltas ao trabalho, por motivos de sade.

Resoluo
Mdia Aritmtica
k
x i fi (0 31) + (1 20) + ( 2 8) + (3 2) + ( 4 0) + (5 1) + (6 1) 53
x = i =1 k
= = 0, 84
63 63
fi
i =1
ou seja, nesta empresa ocorreram, em mdia, 0,84 faltas por funcio-

nrio, por motivo de sade.
Mediana
Como os dados esto tabelados, eles j se encontram ordenados.
Para ficar mais fcil encontrar o valor da mediana, vamos incluir na distri-
buio de frequncias uma coluna com as frequncias acumuladas.
Nmero de Faltas f fa
0 31 31
1 20 51
2 8 59
3 2 61
4 0 61
5 1 62
6 1 63
Total 63
34
Agora, identificaremos a frequncia acumulada imediatamente su-

perior metade do somatrio das frequncias simples:
k
fi 63
i =1
= = 3,15
2 2
A frequncia acumulada imediatamente superior a 31,5 fa = 51.

Portanto, o valor da mediana o valor da varivel associado fa = 51, ou
seja,
Md = 1 falta
Ento, pelo menos 50% das observaes so maiores ou iguais a 1

falta.
k
fi
No caso do valor i = 1 ser exatamente igual a uma das frequncias
2
acumuladas fa, o clculo da mediana ser a mdia aritmtica entre dois valores da
varivel: xi e x(i+1). k
fi
O valor da varivel xi ser aquele cujo i = 1 = fa e o valor da varivel xi+1 ser
2
aquele que est imediatamente aps xi na distribuio de frequncia.
Moda
O valor que tem a maior frequncia para este

conjunto de dados de x = 0, ou seja, mais
frequente encontrar funcionrios que no As medidas re-
sumo calculadas quando
faltam. os dados estiverem agrupados
No caso do Exemplo 2.3 veremos em intervalos de classes so
que os dados esto agrupados em interva- apenas aproximaes dos verda-
deiros valores, pois substitumos
los de classes. Quando o conjunto de da- os valores das observaes pelo
dos for apresentado sob a forma agrupada ponto do mdio do intervalo
perdemos a informao dos valores das de classe.
35
observaes. Neste caso, vamos supor que todos os valores dentro de uma
classe tenham seus valores iguais ao ponto mdio desta classe.
Os clculos da mdia, da moda e da mediana para tabelas de frequ-
ncias agrupadas em classes esto apresentados a seguir.
Vale ressaltar que, sempre que possvel, as medidas de posio e
disperso devem ser calculadas antes dos dados serem agrupados.
Exemplo 2.3
A tabela abaixo apresenta a distribuio de frequncias do tempo
de vida de 60 componentes eletrnicos (medido em dias) submetidos
experimentao num laboratrio especializado. Calcular as medidas de
posio.
Tempo de vida (dias) f Ponto Mdio (xi)
318 3 10,5
1833 4 25,5
3348 4 40,5
4863 8 55,5
6378 10 70,5
7893 28 85,5
93108 2 100,5
108123 1 115,5
Total 60
Tabela 2.2: Tempo de vida de componentes eletrnicos.
Resoluo
Neste tipo de tabela, como temos classes de frequncias, devemos
encontrar um valor que represente cada classe, para que possamos efetuar
os clculos. Por exemplo, considerando a primeira classe de frequncia,
318 3 10,5
sabemos que 3 componentes eletrnicos tiveram tempo de vida entre 3 e

18 dias, porm, no sabemos exatamente qual foi o tempo de vida de cada
um. Se considerarmos o limite inferior da classe (3) para efetuarmos os
clculos, estaremos subestimando as estimativas. Por outro lado, se con-
36
siderarmos o limite superior da classe (18) estaremos superestimando as

estimativas. Portanto, vamos utilizar o ponto mdio de cada classe para
podermos fazer os clculos sem grandes prejuzos. A terceira coluna da
tabela apresentada contm os pontos mdios calculados para cada inter-
valo de classe. O valor do ponto mdio passa a ser o nosso valor xi a ser
utilizado nos clculos. Vamos aprender como se faz:
Mdia Aritmtica
k
x i fi
i =1
x= k
=
fi
i =1
=
(10, 5 3) + ( 25, 5 4) + ( 40, 5 4) + (55, 5 8) + (70, 5 10) + (85, 5 28) + (100, 5 2) + (115, 5 1)
60
4155
= = 69, 25
60
Podemos dizer, atravs da mdia aritmtica, que os componentes

eletrnicos tm uma durao mdia de 69 dias e 6 horas (69,25 dias).
Mediana
Como os dados esto tabelados em classes de frequncias, o clculo
da mediana fica um pouquinho mais complicado. Agora, teremos que en-
contrar a mediana atravs da seguinte frmula:
A md fi
Md = linf md + Fmd 1 (2.5)
Fmd 2
onde:
linfmd o limite inferior da classe que contm a mediana;
fi o nmero total de observaes da distribuio de frequn-

cias;
Fmd1 a frequncia acumulada da classe anterior classe que

contm a mediana;
fmd o nmero de observaes da classe que contm a mediana;
Amd a amplitude do intervalo de classe que contm a mediana.
No clculo da mediana para os dados da tabela 2.2 temos que pri-

meiramente encontrar a classe que contm a mediana. Esta classe corres-
37
ponde classe associada frequncia acumulada imediatamente superior
fi .
2
Como fi = 60 = 30 , temos que a classe que contm a mediana

2 2
de 7893 (pois fa = 57).
Tempo PM
f x1 fa
de vida
N de observaes
3|18 3 10,5 3 da classe que
18|33 4 21,5 7 contm a mediana
Classe que 33|48 4 40,5 11 fa da classe

contm a 48|63 8 55,5 19 anterior classe
mediana que contm a
63|78 10 70,5 29 Md
78|93 28 85,5 57
93|108 2 10,5 59
108|123 3 115,5 60
Total 60
fi
Alm disso, temos:
fi = nmero total de observaes da distribuio de frequn-

cias. Portanto, fi = 60 .
Fmd1 = frequncia acumulada da classe anterior classe que con-
tm a mediana. Portanto, Fmd1 = 29.
fmd = nmero de observaes da classe que contm a mediana.
Portanto, fmd = 28.
Amd = amplitude do intervalo da classe que contm a mediana.
Portanto, Amd = 93 78=15.
38
Agora, basta substituirmos todos os valores encontrados na frmula

2.5 para encontrarmos o valor da mediana:
15 60 15
Md = 78 + 29 = 78 + ( 30 29 ) = 78 + 0, 54 78, 5
28 2 28
Atravs da mediana podemos dizer que pelo menos 50% dos com-
ponentes eletrnicos avaliados tm durao igual ou inferior a 78 dias e
12 horas.
Moda
No clculo da moda para dados agrupados devemos primeira-
mente identificar a classe modal, ou seja, a classe que apresenta a
maior frequncia.
Aps a identificao da classe modal, utilizaremos a seguinte fr-
mula para calcular a moda bruta:
l+L
Mo = (2.6)
2
onde:
l:limite inferior da classe modal
L:limite superior da classe modal
Conexo:
Sugerimos os vdeos: Novo Telecurso E. Fundamental Matemtica
Aula 34 (parte 1) e Novo Telecurso E. Fundamental Matemtica Aula
34 (parte 2) disponveis, respectivamente em http://www.youtube.com/
watch?v=SyWbYOtAIYc&NR=1 e http://www.youtube.com/watch?v=ejMyWfuSO5k
que apresenta de modo bem prtico a utilizao das medidas de posio.
Agora, vamos comentar sobre outras medidas de posio, menos

utilizadas, porm importantes em algumas situaes. So elas: quartis,
decis e percentis.
39
2.4 Medidas Separatrizes: Quartis, Decis e Percentis

Os quartis, decis e percentis so muito similares mediana, uma vez
que tambm subdividem a distribuio de dados de acordo com a propor-
o das frequncias observadas.
J vimos que a mediana divide a
distribuio em duas partes iguais,
ento, os quartis (Q1, Q2 e Q3),
como o prprio nome sugere, di- Perceba que o 2 quartil, o 5 decil e o
50 percentil representam a prpria media-
vide a distribuio dos dados or- na, ou seja, todas estas medidas separatrizes
denados em quatro partes, sendo, (Q2, D5, e P50), dividem a distribuio dos da-
Q1 o quartil que separa os 25% dos ao meio, deixando 50% dos dados abaixo
delas e 50% acima.
valores inferiores dos 75% supe-
riores, Q2 o que divide o conjunto
ao meio ( igual mediana) e Q3 o
que separa os 75% valores inferiores
dos 25% superiores. No h um consenso
universal sobre um procedimento nico para o
clculo dos quartis, e diferentes programas de computador muitas vezes
produzem resultados diferentes.
Os decis, por sua vez, dividem a distribuio dos dados em 10 par-
tes (Di, i = 1, 2, ..., 9) e os percentis dividem a distribuio em 100 partes
(Pi, i = 1, 2, ..., 99)
As medidas separatrizes, geralmente, s so calculadas para grandes
quantidades de dados.
No Excel, por exemplo, temos a opo Conexo:
de pedir o clculo de tais medidas. Para se entender quais so
Com os clculos dos quartis, jun- os procedimentos utilizados na
construo de um boxplot, bem como
tamente com os valores mnimo e m- sua interpretao, leia o texto: Diagra-
ximo do conjunto de dados, podemos ma de Caixa (Boxplots) em: TRIOLA,
Mario F.. Introduo estatstica. 10.ed.Rio
construir um grfico chamado desenho de Janeiro: LTC, 2008, pp.98 a 102
esquemtico ou boxplot. A anlise deste
grfico bastante til no sentido de infor-
mar, entre outras coisas, a variabilidade e a
simetria dos dados.
40
2.4.1 Clculo dos quartis e dos percentis para dados

no agrupados em classes
Como os quartis so medidas separatrizes precisamos, primeira-

mente, ordenar o conjunto de dados.
O primeiro quartil (Q1) ser o valor da varivel que ocupar a po-
n
sio . O segundo quartil (Q2) ser o valor da varivel que ocupar a
4
posio 2n e o terceiro quartil (Q3) ser o valor da varivel que ocupar
4
3n
a posio . Quando fazemos estas divises para encontrar as posies
4
dos quartis, pode acontecer do resultado ser um nmero inteiro ou um n-
mero fracionrio. Ento, adotaremos a seguinte conveno:
Se a diviso resultar num nmero fracionrio, arredonde-o para

cima e o valor do quartil ser a resposta da varivel encontrada
nesta posio.
Se a diviso for um nmero inteiro, o quartil ser a mdia arit-
mtica da resposta da varivel que ocupar a posio encontrada
com a resposta da varivel que ocupar a posio seguinte.
Exemplo 2.4
Um escritrio que presta consultoria em administrao levantou
os tempos de espera de pacientes que chegam a uma clnica de ortopedia
para atendimento de emergncia. Foram coletados os seguintes tempos,
em minutos, durante uma semana. Encontre os quartis.
2 5 10 11 3 14 8 8 7 12 3 4 7 3 4 2 6 7
Resoluo:
Para encontrarmos os quartis, precisamos ordenar o conjunto de
dados. Ento:
2 2 3 3 3 4 4 5 6 7 7 7 8 8 10 11 12 14
41
n 18
Posio do primeiro quartil (Q1): = = 4, 5
4 4
Como a diviso resultou em um valor fracionrio, vamos arredondar
para 5. Portanto, o primeiro quartil o valor que est na quinta posio.
Q1 = 3
Ento, pelo menos 25% das observaes so menores ou iguais a 3

minutos.
2 x n 2 x 18
Posio do segundo quartil (Q2 ): = =9
4 4
Como a diviso resultou em um valor inteiro, o segundo quartil ser
o resultado da mdia aritmtica entre o valor que est na nona posio e o
valor que est na dcima posio.
6+7
Q2 = = 6, 5
2
Temos que pelo menos 50% das observaes so maiores ou iguais

a 6,5 minutos.
Posio do terceiro quartil (Q3 ): 3 x n = 3 x 18 =13, 5

4 4
para 14. Portanto, o terceiro quartil o valor que est na dcima quarta
posio.
Q3 = 8
Neste conjunto de dados, pelo menos 25% das observaes so

maiores ou iguais a 8 minutos.
Agora que j aprendemos a calcular e interpretar os quartis para da-

dos no agrupados, vamos passar para o conceito de percentis.
42
Da mesma forma que nos quartis, o conjunto de dados deve estar

ordenado.
Quando dividimos o conjunto de dados em 100 partes, obtemos 99
percentis.
O percentil pk ser a resposta da varivel que ocupar a posio
(k x n)
100
Adotaremos a seguinte conveno:
Se a diviso resultar num nmero fracionrio, arredonde-o para
cima e o valor do percentil ser a resposta da varivel encontra-
da nesta posio.
Se a diviso for um nmero inteiro, o percentil ser a mdia
aritmtica da resposta da varivel que ocupar a posio encon-
trada com a resposta da varivel que ocupar a posio seguinte.
Exemplo 2.5
Vamos encontrar o trigsimo quinto percentil do conjunto de dados
do exemplo 2.4.
2 2 3 3 3 4 4 5 6 7 7 7 8 8 10 11 12 14
Resoluo
O percentil p35 ser a resposta da varivel que ocupar a posio
( 35 x 18) = 6, 3 .
100
para 7. Portanto, o trigsimo quinto percentil o valor que est na stima
posio.
P35 = 4
Ento, aproximadamente 35% das observaes so menores ou

iguais a 4 minutos.
43
2.4.2 Clculo dos quartis e dos percentis para dados

agrupados em classes
Para calcular os quartis quando os dados esto organizados em in-
tervalos de classes, utilizaremos o mesmo procedimento descrito para o
clculo da mediana (Q2) para dados agrupados em classes.
Para o clculo do Q1 utilizamos a seguinte frmula:
A q1 fi
Q1 = linf q1 + Fq11 (2.7)
f q1 4
onde:
linf o limite inferior da classe que contm o primeiro quartil;
q1
fi o nmero total de observaes da distribuio de fre-

quncias;
Fq11 a frequncia acumulada da classe anterior classe que
contm o primeiro quartil;
fq1 o nmero de observaes da classe que contm o primeiro
quartil;
Aq1 a amplitude do intervalo de classe que contm o primeiro
quartil.
De maneira semelhante, o clculo do Q3 ser feito utilizando a se-

guinte frmula:
A q3 3 x fi
Q3 = linf q3 + Fq3 1 (2.8)
f q3 4
onde:
linfq3 o limite inferior da classe que contm o terceiro quartil;
fi o nmero total de observaes da distribuio de fre-

quncias;
Fq31 a frequncia acumulada da classe anterior classe que
contm o terceiro quartil;
fq3 o nmero de observaes da classe que contm o terceiro quartil;

Aq3 a amplitude do intervalo de classe que contm o terceiro quartil.
44
Exemplo 2.6
Vamos utilizar os dados do exemplo 2.3 para encontrar o primeiro e
o terceiro quartil.
Tempo PM
f fa
de vida xi
318 3 10,5 3
1833 4 25,5 7
3348 4 40,5 11
4863 8 55,5 19
6378 10 70,5 29
7893 28 85,5 57
93108 2 100,5 59
108123 1 115,5 60
Total 60
Resoluo
Primeiramente, temos que encontrar a classe que contm o primeiro
quartil. Esta classe corresponde classe associada frequncia acumula-
da imediatamente superior .
fi
4
Como = 60 , temos que a classe que contm o primeiro quartil
fi
4 4
de 4863 (pois fa = 19).
Alm disso, temos:
cias. Portanto, fi =60.
Fq1 = frequncia acumulada da classe anterior classe que con-

tm o primeiro quartil. Portanto, fq1 = 11.
fq1 = nmero de observaes da classe que contm o primeiro
quartil. Portanto, fq1 = 8.
Aq1 = amplitude do intervalo da classe que contm o primeiro
quartil. Portanto, Aq1 = 63 48 = 15.
45

2.7 e encontrar o valor do primeiro quartil:
15 60 15
Q1 = 48 + 11 = 48 + (15 11) = 18 + 7, 5 = 55, 5
8 4 8
De acordo com o resultado obtido podemos esperar que aproxima-

damente 25% dos dados so menores ou iguais a 55,5, ou seja, aproxima-
damente 25% dos componentes eletrnicos tm durao inferior a 55 dias
e 12 horas.
Agora, vamos encontrar a classe que contm o terceiro quartil. Esta
classe corresponde classe associada frequncia acumulada imediata-

3 x fi
mente superior .
4
Como 3 x fi = 3 x 60 , temos que a classe que contm o tercei-
4 4
ro quartil de 7893 (pois f_a=57).
Alm disso, temos:

cias. Portanto, fi = 60.
Fq3= frequncia acumulada da classe anterior classe que con-

tm o terceiro quartil. Portanto, Fq3 = 29.
fq3= nmero de observaes da classe que contm o terceiro
quartil. Portanto, fq3 = 28.
Aq3 = amplitude do intervalo da classe que contm o terceiro
quartil. Portanto, Aq3 = 93 78 = 15.

2.8 e encontrar o valor do terceiro quartil:
15 3 x 60 15
Q3 = 78 + 29 = 78 + ( 45 29 ) = 78 + 8, 57 86, 57
28 4 28
46

damente 75% dos dados so menores ou iguais a 86,57, ou seja, aproxi-
madamente 75% dos componentes eletrnicos tm durao inferior a 86
dias e 14 horas.
Agora, vamos passar para o clculo dos percentis.

No caso dos dados estarem organizados em intervalos de classes, os
percentis so calculados utilizando a seguinte frmula:
A pk k x fi
Pk = linf pk + Fpk 1
f pk 100 (2.9)
em que k = 1,2,,99.
O procedimento para encontrar as quantidades que devem ser substitu-

das na frmula 2.9 so os mesmos que utilizamos para encontrar os quartis.
Exemplo 2.7
Vamos utilizar os dados do exemplo 2.3 para encontrar o dcimo
quinto percentil.
Tempo PM
f fa
de vida xi
318 3 10,5 3
1833 4 25,5 7
3348 4 40,5 11
4863 8 55,5 19
6378 10 70,5 29
7893 28 85,5 57
93108 2 100,5 59
108123 1 115,5 60
Total 60
47
Primeiramente, temos que encontrar a classe que contm o dcimo

quinto percentil. Esta classe corresponde classe associada frequncia
acumulada imediatamente superior 15 x fi .

100
Como 15 x fi = 15 x 60 = 9 , temos que a classe que contm o

100 100
dcimo quinto percentil de 3348 (pois fa = 11).
Alm disso, temos:
cias. Portanto, fi = 60.

Fp15 = frequncia acumulada da classe anterior classe que con-
tm o dcimo quinto percentil. Portanto, Fp15 = 7.
fp15 = nmero de observaes da classe que contm o dcimo
quinto percentil. Portanto,fp15 = 4.
Ap15= amplitude do intervalo da classe que contm o dcimo
quinto percentil. Portanto, Ap15 = 48 33=15.

2.9 e encontrar o valor do dcimo quinto percentil:
15 15 x 60 15
P15 = 33 + 7 = 33 + ( 9 7 ) = 33 + 7, 5 = 40, 5
4 100 4

damente 15% dos dados so menores ou iguais a 40,5, ou seja, aproxima-
damente 15% dos componentes eletrnicos tm durao inferior a 40 dias
e 12 horas.
Conexo:
Agora que j abordamos como se calcula os quartis e percentis, faa uma leitu-
ra do texto: Decis (Dk) em TIBONI, Conceio G.R. Estatstica bsica - para

os cursos de Administrao, Cincias Contbeis, Tecnolgicos e de Gesto.
So Paulo: Atlas, 2010.
48
Atividades
01. Os dados abaixo referem-se ao nmero de horas extras de trabalho de
uma amostra de 64 funcionrios de uma determinada empresa localizada
na capital paulista.
10 10 12 14 14 14 15 16
18 18 18 18 18 19 20 20
20 20 20 21 22 22 22 22
22 22 22 22 22 22 22 22
23 23 24 24 24 24 24 24
24 25 25 25 25 26 26 26
26 26 26 27 27 27 28 28
29 30 30 32 35 36 40 41
Pede-se:
a) Calcule e interprete as seguintes medidas descritivas calculadas para
os dados brutos (dados no tabulados): mdia aritmtica; mediana; moda.
b) Construir uma distribuio de frequncias completa (com freq. abso-
luta, freq. relativa, freq. acumulada e ponto mdio).
c) Com a tabela construda no item b), encontre as seguintes medidas:
mdia aritmtica; mediana; moda; 1 quartil; 7 decil; 99 percentil. Inter-
prete os resultados.
d) Construa o histograma para este conjunto de dados.
49
02. Os dados abaixo representam as vendas mensais (em milhes de re-

ais) de vendedores de gnero alimentcios de uma determinada empresa.
Vendas mensais (em milhes de reais) Nmero de vendedores
01 6
12 12
23 20
34 48
45 14
56 10
Total 110
a) Qual a varivel em estudo? Que tipo de varivel esta?

b) Encontre a mdia, a mediana e a moda e interprete os resultados.
c) Encontre as medidas separatrizes Q3, D1, e P80 e interprete os resul-
tados.
d) Qual a porcentagem de vendedores com vendas mensais inferiores a
2 milhes de reais?
e) Qual a porcentagem de vendedores com vendas mensais superiores a
4 milhes de reais?
f) Qual a porcentagem de vendedores com vendas mensais entre 3 (in-
clusive) e 5 (exclusive) milhes de reais?
g) Qual a porcentagem de vendedores que vendem, pelo menos, 3 mi-
lhes de reais mensais?
03. Numa pesquisa realizada com 91 famlias, levantaram-se as seguintes

informaes com relao ao nmero de filhos por famlia:
nmero de filhos 0 1 2 3 4 5
frequncia de famlias 19 22 28 16 2 4
Calcule e interprete os resultados da:

a) mdia aritmtica
b) mediana
c) moda
50
04. O histograma abaixo representa a distribuio das idades dos fun-

cionrios de uma agncia bancria. Com base no histograma abaixo,
responda:
16 Histograma
15
14
13
12
11
10
9
Frequncia
8
7
6
5
4
3
2
1
0
20 | 25 25 | 30 30 | 35 35 | 40 40 | 45 45| 50
Idade
a) Qual a varivel em estudo?

b) Quantos funcionrios trabalham nesta agncia bancria?
c) Quais so a mdia, a mediana e a moda para a idade dos funcionrios
desta agncia? Interprete os resultados.
d) Qual o valor do primeiro quartil? Interprete o resultado.
e) Quantos funcionrios tm menos que 30 anos?
f) Qual a porcentagem de funcionrios com mais de 45 anos?
g) Qual a porcentagem de funcionrios com no mnimo 30 anos?
05. Define-se a mdia aritmtica de n nmeros dados como o resultado

da diviso por n da soma dos n nmeros dados. Sabe-se que 4,2 a mdia
aritmtica de 2.7; 3.6; 6.2; e x. Determine o valor de x.
51
Reflexo
Que a mdia a medida de posio mais utilizada em nosso dia a
dia talvez nem seria necessrio dizer. Mas preciso tomar certo cuidado
quando utilizamos a mdia como parmetro de um conjunto de dados.
Voc sabe que, se a mdia de sua turma em Estatstica for igual a 7,0 (por
exemplo), no quer dizer que toda ela, ou a maioria, teve bom desempe-
nho nem que metade da turma teve desempenho igual ou superior a 7,0.
Outras medidas, como vimos, podem complementar as informaes dadas
pela mdia.
Leitura recomendada
Como a mdia uma medida descritiva muito utilizada no dia a dia,
sugerimos que voc oua o udio Mdias que interessam, da Srie: Pro-
blemas e Solues. H dois mdulos cujos contedos alertam par ao cui-
dado que se deve ter na interpretao da mdia, mostram uma aplicao
da mdia ponderada e fazem uma anlise crtica da utilizao da mdia
como uma informao nica. O endereo para acesso : http://m3.ime.
unicamp.br/recursos/1315.
Referncias
BUSSAB, Wilton de O.; MORETTIN, Pedro A. Estatstica bsica.

So Paulo: Saraiva, 2003.
COSTA NETO, Pedro Luiz de Oliveira. Estatstica. So Paulo: Edgard

Blucher, 2002.


52
TIBONI, Conceio G. Rebelo. Estatstica Bsica - para os cursos de

Administrao, Cincias Contbeis, Tecnolgicos e de Gesto. So
Paulo: Atlas, 2010.
No prximo captulo
At agora estudamos estatsticas importantes de um conjunto de
dados, tais como mdia, moda, mediana e medidas separatrizes. Estas
medidas nos do noo de posio central ou divisria do conjunto. No
entanto, para que tenhamos informao mais completa do conjunto,
necessrio estudar a sua variabilidade. As estatsticas que tm essa funo
so denominadas medidas de variabilidade ou de disperso e sero abor-
dadas no prximo captulo.
53
Minhas anotaes:
54
Medidas de disperso
Estas medidas servem para indicar
o quanto os dados se apresentam disper-
sos em torno da regio central. Fornecem,
3 portanto, o grau de variao existente no con-
lo
junto de dados. Dois ou mais conjuntos de dados
podem, por exemplo, ter a mesma mdia, porm os
t u
valores podero estar muito mais dispersos num con-

junto do que no outro. Ou seja, podem ter maior ou menor
Cap
grau de homogeneidade.
Objetivos de sua aprendizagem

Por meio do estudo deste captulo, esperamos que voc seja capaz
de calcular e interpretar as medidas de disperso aplicadas a conjun-
tos de dados, com o objetivo de avaliar o grau de homogeneidade.
Voc se lembra?
Voc se lembra de alguma vez em que saiu de casa tendo quase certeza
de que ficaria preso em um engarrafamento no trnsito? No preciso
ser muito observador para perceber que, em determinadas horas do dia,
dependendo do dia da semana, o trnsito (nas grandes e nas mdias ci-
dades) estar congestionado. Talvez o melhor seria deixar para sair outra
hora (se isto for possvel). O fluxo de veculos, nesses momentos, apre-
senta certa homogeneidade, ou seja, quase sempre est intenso. Dificil-
mente, num dia como esses, voc ter um fluxo acentuadamente menor
(ou maior) do que o que voc verifica todos os dias. Vamos estudar
situaes como essas, em que a informao sobre o grau de homoge-
neidade (ou heterogeneidade) nos ajudar a tomar a deciso mais
adequada.
3.1 Exemplo Introdutrio

Vamos analisar um exemplo bem simples que nos d a ideia da im-
portncia de se conhecer as medidas de disperso para a tomada de algu-
mas decises.
Exemplo 3.1: Imagine que estamos interessados em fazer uma via-

gem para Honolulu (Hava) ou Houston (Texas) e para arrumar as malas
necessitamos saber se a localidade a ser
visitada faz calor, faz frio ou ambos.
Se tivssemos apenas a informao
de que a temperatura mdia di-
As medidas de disperso indicam o grau
ria (medida durante um ano) das
de variabilidade das observaes. Estas
duas localizaes fosse igual a medidas possibilitam que faamos distino
25 C, poderamos colocar na entre conjuntos de observaes quanto sua
mala apenas roupas de vero? A homogeneidade. Quanto menor as medidas
de disperso, mais homogneo o conjunto
resposta no. Por exemplo, se de dados.
estivssemos interessados em viajar
para o Hava (em Honolulu), podera-
mos levar apenas roupas de vero, pois a
temperatura mnima observada durante um
ano foi de 21 C e a mxima foi de 29 C. Porm,
se resolvermos ir ao Texas (Houston), devemos tomar cuidado com a poca,
pois as temperaturas, durante um ano, variaram de 4 C (mnima) a 38 C
(mxima). Com estas informaes, conclumos que as temperaturas em Ho-
nolulu variam pouco em torno da mdia diria, ou seja, podemos levar uma
mala apenas com roupas leves. Porm, em Houston, as temperaturas variam
muito, com perodos de muito frio ou muito calor. Portanto, para ir Houston
sem perigo de sofrer com a temperatura, devemos analisar o perodo do ano
para saber se a temperatura estar alta ou baixa.
Percebemos, atravs desse exemplo bem simples, que uma simples
medida de disperso (a amplitude, por exemplo) j ajudaria muito a tomar
certos cuidados com a arrumao das bagagens.
Veremos, nos prximos itens, como calcular e interpretar as se-
guintes medidas de disperso: amplitude, amplitude interquartil, desvio-
padro, varincia e coeficiente de variao.

Primeiramente, vamos apresentar os clculos das medidas de dis-
perso para dados no-tabulados, ou seja, quando os dados no estiverem
na forma de distribuio de frequncias.
56
Medidas de disperso Captulo 3
3.2 Amplitude Total (R)

A amplitude total a diferena entre o maior e o menor valor obser-
vado no conjunto de dados, ou seja:
R = x ( mximo) x ( mnimo) (3.1)
A amplitude no uma medida muito utilizada, pois s leva em

conta dois valores de todo o conjunto de dados e muito influenciada por
valores extremos. No prximo item estudaremos uma medida de disper-
so mais resistente a valores extremos.
3.3 Amplitude interquartil

A amplitude interquartil, ou distncia interquartil, uma medida de
variabilidade que no facilmente influenciada por valores discrepantes
no conjunto de dados. Ela engloba 50% das observaes centrais do con-
junto de dados e seu clculo definido como:

Amplitude interquartil = Q3 Q1 (3.2)

Agora, vamos estudar uma medida de disperso muito utilizada e
que leva em conta todos os valores do conjunto de dados: o desvio-padro.
3.4 Desvio-Padro (s)

Primeiramente, vamos entender qual a definio da palavra desvio
em estatstica. Desvio nada mais do que a distncia entre qualquer valor
do conjunto de dados em relao mdia
aritmtica deste mesmo conjunto de
dados.
Existem vrias medidas de
disperso que envolvem os des- O valor do desvio-padro nunca negati-

vo. zero apenas quando todos os valores
vios. So elas: o desvio-padro do conjunto de dados so os mesmos. A
(mais utilizada), a varincia e o unidade do desvio-padro a mesma unidade
coeficiente de variao. dos dados originais.
O desvio-padro a medida
mais utilizada na comparao de
diferenas entre grupos, por ser mais
precisa e estar na mesma medida do
conjunto de dados. Matematicamente, sua
57
frmula dada pela raiz quadrada da mdia aritmtica aproximada dos

quadrados dos desvios, ou seja:
n
( x i x )2 ( x1 x ) 2 + ( x 2 x ) 2 + + ( x n x ) 2
s= i =1
= (3.3)
n 1 n 1
onde xi cada uma das observaes do conjunto de dados, x a mdia
do conjunto de dados e n o nmero total de observaes do conjunto de
dados.
Desenvolvendo a frmula (3.3) chegamos a frmula (3.4) que, para
alguns casos, tornam os clculos mais simples e rpidos.
( x )
2
x i2
i

s= n (3.4)
n 1
onde:
x i2 a soma de cada valor da varivel ao quadrado;

( x ) o quadrado da soma de todos os valores da varivel;
2
i
n o nmero total de valores do conjunto de dados.
Como o desvio-padro uma medida de disperso e mede a variabi-

lidade entre os valores, temos que valores muito prximos resultaro em
desvios-padres pequenos, enquanto que valores mais espalhados resulta-
ro em desvios-padres maiores.
3.4.1 Uma regra prtica para interpretar o desvio-padro

Depois que calculamos o desvio-padro, surge
uma pergunta: como interpret-lo?
Para conjuntos de dados que tenham dis- Conexo:
tribuio em forma de sino, valem as seguin- Para se entender um
pouco mais sobre o conceito
tes consideraes: de variabilidade, acesse o ende-
Cerca de 68% das observaes reo http://www.gaussconsulting.

com.br/si/site/05072.
do conjunto de dados ficam a 1
desvio-padro da mdia, ou seja,
( x s) e ( x + s).
58
Cerca de 95% das observaes do conjunto de dados ficam a 2

desvios-padres da mdia, ou seja, ( x 2s) e ( x + 2s) .
Cerca de 99,7% das observaes do conjunto de dados ficam a
3 desvios-padres da mdia, ou seja, ( x 3s) e ( x + 3s) .
3.5 Varincia (s2)

A varincia de um conjunto de dados nada mais do que o valor do
desvio-padro elevado ao quadrado, ou seja,
n
(x i x )2
i =1
s2 = (3.5)
n 1
ou
( x )
2

i
x i2
s2 = n (3.6)
n 1
A varincia no uma medida muito utilizada para mostrar a disper-

so de um conjunto de dados, pois, expressa o seu resultado numa medida
ao quadrado, no sendo possvel interpretar o seu valor. Portanto, na an-
lise descritiva dos dados, no vamos trabalhar com esta medida constante-
mente. Se um determinado problema fornecer a varincia do conjunto de
dados, basta calcularmos a raiz quadrada deste valor (varincia) e obtere-
mos o desvio-padro, que facilmente interpretado por estar na mesma
medida do conjunto de dados.
3.6 Coeficiente de Variao (cv)

O coeficiente de variao (cv) definido como o quociente entre o
desvio-padro e a mdia, e frequentemente expresso em porcentagem.
Ele mede o grau de variabilidade do conjunto de dados. Quando calcula-
mos o desvio-padro, obtemos um valor que pode ser grande ou pequeno,
dependendo da varivel em estudo. O fato de ele ser um valor considerado
59
alto relativo, pois dependendo da varivel que est sendo estudada e da

mdia, esta variao dos dados pode ser relativamente pequena. Ento, o
coeficiente de variao serve para calcular o grau de variao dos dados
em relao mdia aritmtica. E obtido atravs do seguinte clculo:
s (3.7)
cv = 100
x
onde s o desvio-padro e x a mdia aritmtica.
Alguns autores consideram a seguinte regra emprica para a inter-

pretao do coeficiente de variao:
Baixa disperso: C.V 15%

Mdia: C.V . 15% 30%
Alta: C.V 30%
Em geral, o coeficiente de variao uma estatstica til para

comparar a variao para valores originados de diferentes variveis (por
exemplo: peso, em Kg e altura, em cm), pois ele adimensional.
3.7 Exemplo de aplicao das medidas de disperso

para dados no tabulados
Vamos exemplificar o clculo da amplitude, da amplitude interquar-
til, do desvio-padro, da varincia e do coeficiente de variao utilizando
o exemplo 2.1, que apresenta o conjunto de dados brutos.
Exemplo 3.2: Um gerente de banco quis estudar a movimentao

de pessoas em sua agncia na segunda semana de determinado ms. Ele
constatou que no primeiro dia entraram 1.348 pessoas, no segundo dia,
1.260 pessoas, no terceiro, 1.095, no quarto, 832 e no ltimo dia do levan-
tamento, 850 pessoas. Encontre a amplitude, o desvio-padro, a varincia
e o coeficiente de variao para este conjunto de dados e interprete os
resultados.
Resoluo
A amplitude dada por:
R = x ( mximo) x (mnimo) = 1.348 832 = 516 pessoas.
60
A diferena, no nmero de pessoas que entram na agncia, entre o

dia de maior movimento e o dia de menor movimento de 516 pessoas.
Para encontrarmos a amplitude interquartil, precisamos calcular o
primeiro e o terceiro quartil. Para isto, vamos seguir os procedimentos
descritos no item 2.4.1.
n 5
Posio do primeiro quartil (Q1): 4 = 4 = 1, 25

para 2. Portanto, o primeiro quartil o valor que est na segunda posio
do conjunto de dados ordenados.
Q1 = 850
3xn 3x5
Posio do terceiro quartil (Q3 ): = = 3, 75 .
4 4
para 4. Portanto, o terceiro quartil o valor que est na quarta posio.
Q3 = 1260
Ento:
Amplitude interquartil = Q3 Q1
=1260 850
=410 pessoas
Ento, a amplitude do intervalo que contm 50% das observaes

centrais 410 pessoas.
O desvio-padro obtido atravs das frmulas (3.3) ou (3.4). Como

a mdia aritmtica um nmero inteiro e existem poucos dados, a frmu-
la (3.3) mais rpida de ser calculada. Porm, fica a critrio de cada um a
utilizao de uma ou de outra. Lembrando que a mdia aritmtica encon-
trada anteriormente igual a 1.077 e utilizando a frmula (3.3), temos:
61
n
( x i x )2
i =1
s= =
n 1
=
(1.348 1.077)2 + (1.260 1.077)2 + (1.095 1.0777)2 + (832 1.077)2 + (850 1.077)2 =
5 1
=
( 271)2 + (183)2 + (18)2 + ( 245)2 + ( 227)2 =
4
=
(73.441) + (33.489) + (324) + (60.025) + (51.529) =
4
218.808
= = 54.702 233 , 88 pessoas
4
Neste exemplo, entram na agncia, em mdia, 1.077 pessoas por
dia. O nmero de pessoas que entra na agncia varia, mas, tipicamete, a
diferena em relao mdia foi de aproximadamente 234 pessoas.
A varincia, como vimos, obtida atravs das frmulas (3.5) ou
(3.6), ou simplestemente, como j temos o desvio-padro, basta elevar-
mos o valor encontrado ao quadrado. Para o nosso exemplo, temos:
s2= (233,88 pessoas)2 = 54699,85 pessoas2
Nesse caso, no h como interpretar a expresso pessoas2. Por esse

motivo, utilizamos o desvio-padro no lugar da varincia.
O coeficiente de variao, dado pela frmula (3.7), muito fcil de
ser obtido desde que j conheamos os valores da mdia aritmtica e do
desvio-padro. Pela frmula podemos observar que basta fazermos uma
simples diviso. Para este exemplo, temos que:
s 233, 88
cv = = 0, 2172 ou 21, 72%
x 1.077
Utilizando a regra emprica, podemos dizer que o conjunto de dados

apresenta uma mdia disperso.
Agora, vamos aprender a calcular as medidas de disperso atravs
de dados tabulados.
Quando os dados estiverem na forma tabulada, haver uma pequena
diferena no clculo das mdias de disperso, pois agora ser necessrio

considerar as frequncias, que funcionaro como fatores de ponderao,
referentes a cada valor da varivel.
62
3.8 Desvio-padro para dados tabulados

Se os dados estiverem tabulados, o desvio-padro pode ser encon-
trado da seguinte forma:
k
( x i x )2 fi
i =1
s= (3.8)
n 1
Desenvolvendo a frmula (3.8) chegamos frmula (3.9) que tam-
bm utilizada para o clculo do desvio-padro:
( x f )
2
x i2
i i
f
i
s= n (3.9)
n 1
onde, para ambas as frmulas (3.8) e (3.9), xi representa cada uma das ob-
servaes do conjunto de dados ou, se os dados estiverem agrupados em
classes de frequncias, xi representa o ponto mdio da classe, x a mdia
do conjunto de dados, fi a frequncia associada a cada observao (ou
classe de observaes) do conjunto de dados e n o nmero de total de
observaes no conjunto de dados.
3.9 Varincia para dados tabulados

A varincia de um conjunto de dados agrupados dada por:
k
( x i x )2 fi
i =1
s2 = (3.10)
n 1
ou
( x f )
2

i i
f
x i2 i
s2 = n
n 1 (3.11)
A amplitude, a amplitude interquartil e o coeficiente de variao

no sofrem modificaes significativas. A amplitude continua sendo a di-
ferena entre o maior e o menor valor (se os dados estiverem em classes
de frequncias, R ser a diferena entre o limite superior da ltima classe
e o limite inferior da primeira classe). A amplitude interquartil continua
sendo a diferena entre o terceiro e o primeiro quartil e o clculo do coe-
63
ficiente de variao feito utilizando a frmula (3.7), porm, se os dados

estiverem em classes de frequncias, o desvio-padro e a mdia aritmtica
so obtidos utilizando xi como o ponto mdio da classe.
3.10 Exemplo de aplicao das medidas de

disperso para dados tabulados
Para demonstrao dos clculos para dados tabelados, vamos continu-
ar utilizando os exemplos desenvolvidos no item 2.3 (Exemplos 2.2 e 2.3).
Exemplo 3.3: Em um determinado ms, foi computado o nmero x
de faltas ao trabalho, por motivos de sade, que cada funcionrio de uma
determinada empresa teve. Os dados esto apresentados na tabela a seguir:
Nmero de Faltas f
0 31
1 20
2 8
3 2
4 0
5 1
6 1
Total 63
Tabela 3.1 Nmero de faltas ao trabalho, por motivos de sade.
Encontre a amplitude, o desvio-padro, a varincia e o coeficiente

de variao para este conjunto de dados e interprete os resultados.
Resoluo
A amplitude para este conjunto de dados dada por:
R = x(mximo) X(mnimo) = 6 0 = 6 faltas
A maior diferena entre os nmeros de faltas ao trabalho, por mo-

tivo de sade, que funcionrios de uma determinada empresa tiveram no

perodo de um ms, 6 faltas.
64
A amplitude interquartil dada por:
Amplitude interquartil = Q3 Q1 = 1 0 = 1 falta
O desvio-padro obtido atravs das frmulas (3.8) ou (3.9). Para

exemplificar, vamos trabalhar com a frmula (3.9). Para facilitar, vamos
montar um quadro com os resultados que nos interessa para aplicar tal
expresso.
Nmero de faltas xi2 fi
fi xi x fi
x1
0 31 0 0
1 20 20 20
2 8 16 32
3 2 6 18
4 0 0 0
5 1 5 25
6 1 6 36
Total () 63 53 131
Substituindo os valores encontrados no quadro acima na frmula

3.9, obtemos:
( x f )
2
(53)2

i i
x i2 f
i 131
s= n = 63 =
n -1 63 1
2809
131
= 63 131 44, 59
62 62
1, 3938 1,18 faltas
Podemos dizer que, em mdia, ocorre aproximadamente 1 falta por

funcionrio, por ms. Na verdade, sabemos que esse nmero de faltas por
funcionrio varia em torno da mdia, mas, tipicamente, a diferena em
relao mdia de, aproximadamente, 1 falta.
65
A varincia obtida atravs das frmulas (3.10) ou (3.11), porm,

como j temos o desvio-padro, basta elevarmos o valor encontrado ao
quadrado. Portanto, temos:
s2 = (1,18 faltas)2 = 1,3924 faltas2
Como 1,3924 faltas2 no tem interpretao, utilizamos o desvio-

padro em vez da varincia para interpretar o comportamento dos dados.
O coeficiente de variao para este exemplo dado por:
s 1,18
cv = = 1, 4048 ou 140,48%
x 0, 84
O coeficiente de variao nos diz que este conjunto de dados apre-
senta uma alta disperso.
Para finalizarmos, vamos fazer os clculos para os dados agrupados
em classes de frequncias. Para isto, vamos utilizar o exemplo 2.3 que se
encontra no item 2.3.
Exemplo 3.4: A tabela a seguir apresenta a distribuio de frequn-

cias do tempo de vida de 60 componentes eletrnicos (medido em dias)
submetidos experimentao num laboratrio especializado.
318 3 10,5
1833 4 25,5
3348 4 40,5
4863 8 55,5
6378 10 70,5
7893 28 85,5
93108 2 100,5
108123 1 115,5
Total 60
Tabela 3.2 Tempo de vida de componentes eletrnicos.
Calcule a amplitude, o desvio-padro, a varincia e o coeficiente de

variao para este conjunto de dados e interprete os resultados.
66
Resoluo
A amplitude para este conjunto de dados dada por:
R = x(mximo) X(mnimo) = 123 3 = 120 dias.
A maior diferena entre os tempos de vida (em dias) dos componen-

tes eletrnicos foi de 120 dias, ou seja, o componente com maior sobre-
vivncia durou 120 dias a mais do que o componente que durou menos
tempo.
Para o clculo da amplitude interquartil vamos utilizar os resultados
obtidos no exemplo 2.6. Portanto:
Amplitude interquartil = Q3 Q1 = 86,57 55,5 = 31,07 dias
De acordo como valor obtido, conclumos que 50% das observaes

centrais do conjunto de dados esto contidas em um intervalo cuja ampli-
tude 31,07 dias.
Para o clculo do desvio-padro, podemos utilizar as frmulas (3.8)
ou (3.9), onde o termo xi o ponto mdio de cada classe de frequncia.
Como a mdia aritmtica envolve valores decimais, mais simples efetu-
ar os clculos atravs da frmula (3.9). Como no exemplo anterior, vamos
construir um quadro acrescentando as colunas que fornecero os valores
que precisamos para substituir na frmula 3.9.
Classes de-
frequncias f Pm (xi) xi fi xi2 fi
318 3 10,5 31,5 330,75
1833 4 25,5 102 2601
3348 4 40,5 162 6561
4863 8 55,5 444 24642
6378 10 70,5 705 49702,5
7893 28 85,5 2394 204687

93108 2 100,5 201 20200,5
108123 1 115,5 115,5 13340,25
Total 60 4155 322065
67
Com os valores obtidos, temos:
( x f )
2
( 4155)2 17264025

i i
x i2 f
i 322065 322065
s= n = 60 = 60
n 1 60 1 59
322065 287733, 75
581, 89 24,12 dias
59
Em mdia, os componentes eletrnicos tm durao de 69 dias e
6 horas com uma variao de, aproximadamente, 24 dias e 3 horas para
mais ou para menos com relao mdia.
A varincia, como j sabemos, o desvio-padro ao quadrado. As-
sim, temos:
s2 = (24,12 dias)2 = 581,77 dias2
Como 581,77 dias2 no tem interpretao, utilizamos o desvio-

padro para interpretar o comportamento dos dados.
O coeficiente de variao para este exemplo :
s 24,12
cv = = 0, 3483 ou 34,83%
x 69, 25
o que indica uma variabilidade alta no conjunto de dados.
68
Atividades
01. Vamos utilizar, entre outros exerccios, os mesmos da captulo 2, po-
rm encontrando as medidas de disperso.
Os dados abaixo referem-se ao nmero de horas extras de trabalho de
uma amostra de 64 funcionrios de uma determinada empresa localizada
na capital paulista.
10 10 12 14 14 14 15 16
18 18 18 18 18 19 20 20
20 20 20 21 22 22 22 22
22 22 22 22 22 22 22 22
23 23 24 24 24 24 24 24
24 25 25 25 25 26 26 26
26 26 26 27 27 27 28 28
29 30 30 32 35 36 40 41
a) Calcule e interprete as seguintes medidas de disperso, calculadas

para os dados brutos (dados no tabulados): amplitude, desvio-padro, va-
rincia e coeficiente de variao e interprete os resultados.
b) Por meio da distribuio de frequncias (dados tabulados) construda
para este conjunto de dados (no captulo anterior), encontre a amplitude,
o desvio-padro, a varincia e o coeficiente de variao e interprete os
resultados.
69
02. Os dados abaixo representam as vendas mensais (em milhes de reais)

de vendedores de gnero alimentcios de uma determinada empresa.
Vendas mensais (em milhes de reais) Nmero de vendedores
0 | 1 6
1 | 2 12
2 | 3 20
3 | 4 48
4 | 5 14
5 | 6 10
Total 110
Encontre a amplitude, o desvio-padro, a varincia e o coeficiente

de variao e interprete os resultados
03. Os dados a seguir representam as notas de 5 disciplinas de um deter-

minado candidato em um concurso pblico. So elas:
2, 5, 8, 8, 9
Calcule a amplitude, o desvio-padro, a varincia e o coeficiente de
variao. Interprete os resultados.
04. Numa pesquisa realizada com 91 famlias, levantaram-se as seguintes

informaes com relao ao nmero de filhos por famlia:
nmero de filhos 0 1 2 3 4 5
frequncia de famlias 19 22 28 16 2 4
Calcule e interprete os resultados:

a) da amplitude;
b) do desvio-padro;
c) do coeficiente de variao.
70
05. O histograma abaixo representa a distribuio das idades dos funcio-

nrios de uma agncia bancria. Com base no histograma abaixo, responda:
Histograma
16
15
14
13
12
11
10
Frequncia
9
8
7
6
5
4
3
2
1
0
20 | 25 25 | 30 30 | 35 35 | 40 40 | 45 45| 50
Idade
Quais so a amplitude, o desvio-padro, a varincia e o coeficiente

de variao para as idades dos funcionrios? Interprete os resultados.
06. Um fabricante de caixas de cartolina fabrica trs tipos de caixa. Testa-

se a resistncia de cada caixa, tomando-se uma amostra de 100 caixas e
determinando-se a presso necessria para romper cada caixa. Seguem os
resultados dos testes:
Tipos de caixas A B C
Presso mdia de ruptura (bria) 15 20 30
Desvio-padro das presses (bria) 4 5 6
a) Que tipo de caixa apresenta a menor variao absoluta na presso de

ruptura?
b) Que tipo de caixa apresenta a maior variao relativa na presso de
ruptura?
71
Reflexo
Vimos, neste captulo, que to importante quanto conhecer a mdia
de um conjunto de dados determinar o seu grau de variabilidade (ou
disperso).
Por exemplo, num bairro nobre da capital paulista est uma das
maiores favelas de So Paulo. Se analisarmos somente o valor da renda
mdia do bairro certamente vamos concluir que o valor obtido com-
parvel s melhores economias do mundo. Porm, devemos levar em
conta que a discrepncia entre os diversos valores da renda deve ser muito
grande. Ento, para quantificar a variabilidade dos valores da varivel em
estudo fundamental calcular as medidas de disperso, particularmente o
desvio-padro.
Leitura recomendada
Aqui, sugerimos a leitura do artigo E se todos fossem ao mesmo
cinema ao mesmo tempo? do professor Luiz Barco, disponvel em http://
super.abril.com.br/ciencia/lei-regularidade-estatistica-se-todos-fossem-
ao-mesmo-cinema-ao-mesmo-tempo-439499.shtml. Ele retrata, de forma
bem interessante, a questo da regularidade dos fenmenos relacionados
ao comportamento social.
Referncias
BUSSAB, Wilton de O.; MORETTIN, Pedro A. Estatstica bsica.

COSTA NETO, Pedro Luiz de Oliveira. Estatstica. So Paulo: Edgard

Blucher, 2002.

72

No prximo captulo
Nos captulos j vistos, estudamos formas de organizar e resumir
dados por meio de distribuies de frequncias e de medidas descritivas.
So processos que, geralmente, nos passam informaes sobre algo que j
ocorreu. Tais informaes tambm so de fundamental importncia para
que possamos prever o que ir acontecer no futuro. Para isso, no prximo
captulo, estudaremos a teoria de probabilidades, que, entre outras coisas,
auxilia-nos na determinao de ocorrncia de eventos futuros, tais como:
vai chover amanh, qual ser minha receita no prximo ms, qual o nvel
de demanda de meu produto no prximo ano, entre muitos outros.
73
Minhas anotaes:
74
Noes de
Probabilidade
Nos captulos anteriores vimos como
organizar e descrever conjuntos de dados
4 atravs de grficos, tabelas e medidas resumo,
lo
tais como: medidas de posio e disperso. Ob-
servamos que os resultados obtidos nos auxiliam na
t u
anlise e interpretao dos dados.

Neste captulo estudaremos conceitos bsicos de probabi-
Cap
lidade.

Com o estudo dos conceitos abordados neste captulo, voc ser
capaz de identificar experimentos aleatrios e calcular as probabili-
dades de ocorrncia de determinados eventos, atravs da definio de
probabilidade e de suas propriedades.
Voc se lembra?
Voc se lembra do significado da palavra probabilidade? Sabe qual o
seu real sentido? E qual a sua importncia em nosso dia a dia? Certamen-
te voc j deve ter feito perguntas cujas respostas dependiam do clculo
de probabilidades. Por exemplo:
Qual a probabilidade de chover no prximo final de semana prolon-
gado?
Qual a probabilidade de se ganhar na Mega - Sena jogando um volan-
te com seis nmeros?
Qual a probabilidade das vendas de determinado produto decrescer
se aumentarmos o preo do produto?
O clculo destas e outras probabilidades nos auxiliam na tomada
de decises.
Introduo
O clculo efetivo de uma probabilidade depende frequentemente
do uso dos resultados da anlise combinatria. A anlise combinatria
a parte da Matemtica que desenvolve tcnicas e mtodos de contagem.
Apresentaremos, nos itens a seguir, um resumo dos principais resul-
tados dessa rea da Matemtica elementar.
4.1 Princpio Fundamental da Contagem (PFC)

Para entendermos este conceito, vamos analisar o exemplo a seguir.
Exemplo 4.1
Um quiosque de praia no Rio de Janeiro lanou a seguinte promo-
o durante uma temporada de vero:
Combinado de sanduche natural e suco a R$ 10,00
O cliente pode escolher trs opes de sanduche (frango, atum e

queijo branco) e duas opes de suco (laranja e uva).
Considerando estas opes, de quantas formas distintas o cliente
pode escolher seu combinado?
O cliente poder optar por trs sabores do lanche: frango (F),
atum (A) e queijo branco (Q).
Para cada uma das possibilidades anteriores, a escolha do suco
pode ser feita de duas maneiras: laranja (L) e uva (U).
A representao dessas possibilidades pode ser feita por meio de um

diagrama conhecido como diagrama de rvore.
76
Noes de probabilidade Captulo 4
Temos:
1 Etapa (escolha do 2 Etapa (escolha do Resultado combinado

sanduche) suco)
laranja (F,L)
Frango
uva (F,U)
laranja (A,L)
Atum
uva (A,U)
laranja (Q,L)
Queijo branco
uva (Q,U)
Podemos observar que o nmero de combinados possveis 32=6.

Este exemplo nos ajuda a entender a definio a seguir.
Suponha que uma sequncia ordenada seja formada por k elementos
(a1,a2,,ak ), em que:
a1 pode ser escolhido de n1 maneiras distintas;
a2 pode ser escolhido de n2 maneiras distintas, a partir de cada
uma das possibilidades anteriores;

ak pode ser escolhido de nk maneiras distintas, a partir das esco-
lhas anteriores;
Ento, o nmero de possibilidades para se construir a sequncia

(a1, a2,,ak ) :
n1 n2 ... nk
Esse resultado conhecido como Princpio Fundamental da Con-

tagem (PFC) e serve de base para a resoluo de problemas de contagem.
77
Exemplo 4.2
Quantos nmeros de trs algarismos podemos formar com os alga-
rismos 0,1,2,3,4,5 e 6?
Resoluo:
O primeiro algarismo pode ser escolhido de seis maneiras dis-
tintas, pois o nmero que ser formado no pode comear por
zero. Observe que 021 = 21;
O segundo algarismo pode ser escolhido de sete maneiras dis-
tintas, pois pode haver repetio de algarismo;
O terceiro algarismo tambm pode ser escolhido de sete manei-
ras distintas.
Ento, pelo PFC, a quantidade de nmeros que podemos formar :
6 7 7 = 294
Agora, passaremos ao conceito de fatorial de um nmero. Tal con-

ceito uma ferramenta de clculo importante em Anlise Combinatria.
4.2 Fatorial de um nmero natural

Definimos fatorial de um nmero natural n, n 2, e indicamos
por n! (lemos fatorial de n ou n fatorial), o produto obtido pela mul-
tiplicao de n por todos os seus antecessores naturais positivos, ou seja:
n! = n (n 1) (n 2) ... 321,para n 2
Observao: Consideremos 0! = 1
Assim, temos, por exemplo:
3! = 3 2 1 = 6
6! = 6 5 4 3 2 1 = 720
7 ! = 7 6 5 4 3 2 1 = 7 6!

6!
Exemplo 4.3
12 !
Vamos encontrar o valor de .
8!
78
Resoluo
Para encontrar o valor de 12!/8!, podemos desenvolver o fatorial do
nmero maior (12) at chegarmos ao fatorial do nmero menor (8).
Ento:
12! 12 11 10 9 8!
= = 11880
8! 8!
Podemos dividir o 8! do numerador com o 8! do denominador, ob-

tendo como resultado 1. Ento, o resultado final ser a multiplicao de
12 11 10 9.
Agora, vamos estudar mtodos de contagem de determinados agru-
pamentos, baseados no PFC, que simplificaro a resoluo de muitos
problemas.
4.3 Arranjo
Dado um conjunto com n elementos distintos, chamamos arranjo
dos n elementos, tomados k a k, a qualquer sequncia ordenada de k ele-
mentos distintos escolhidos entre os n existentes.
Expressamos a definio acima da seguinte maneira:
n!
A n ,k = ,nk
( n k )!
Exemplo 4.4
Dado o conjunto A={1,2,3,4,5,6}, quantos arranjos desses seis ele-
mentos tomados dois a dois podemos formar?
Resoluo
Vamos escrever todas as sequncias ordenadas de dois elementos
distintos escolhidos entre os seis elementos do conjunto A:
(1,2) (1,3) (1,4) (1,5) (1,6) (2,1) (2,3) (2,4) (2,5) (2,6)
(3,1) (3,2) (3,4) (3,5) (3,6) (4,1) (4,2) (4,3) (4,5) (4,6)
(5,1) (5,2) (5,3) (5,4) (5,6) (6,1) (6,2) (6,3) (6,4) (6,5)
79
Da sequncia descrita acima, observamos que cada arranjo difere

dos demais:
pela natureza dos elementos escolhidos:
(1,3) (3,5)
pela ordem dos elementos escolhidos:
(1,3) (3,1)
J sabemos que a quantidade de arranjos que pode ser formada 30.

Utilizando a frmula, obtemos:
6! 6! 6 5 4!
A 6, 2 = = = = 30
( 6 2 )! 4! 4!
Na resoluo do exemplo, listamos todos os possveis arranjos so-

mente para facilitar a compreenso do conceito.
A quantidade de arranjos que pode ser formada tambm pode ser obtida atravs
do PFC:
6 5 = 30
n de opes para a n de opes para a

escolha do 1 elemento do par escolha do 2 elemento do par
4.4 Permutao
H situaes em que devemos escolher n elementos distintos, entre
os n disponveis, para formar uma sequncia ordenada (arranjo). Nestas
situaes, o nome dado a estes arranjos permutao.
Assim, o nmero de permutaes de n elementos distintos dado por:
Pn = n!
Podemos observar que a permutao um caso particular do arranjo, pois:

n! n!
Pn = A n,n = = = n!
(n n!) 0 !
80
Exemplo 4.5
Quantos so os anagramas (diferentes disposies das letras de uma
palavra) da palavra PAZ?
Resoluo
Vamos listar todos os anagramas:
PAZ PZA APZ AZP ZPA ZAP
O nmero de anagramas que pode ser formado :
P3 = 3! = 3 2 1 = 6
4.4.1 Permutao com elementos repetidos

Em uma permutao com elementos repetidos, a troca de posio
desses elementos repetidos no altera o resultado do anagrama.
Ento, se temos n elementos, dos quais n1 so iguais a a1 (a1 repre-
senta, por exemplo, uma letra), n2 so iguais a a2 (a2 representa outra le-
tra), ..., nr so iguais a ar, o nmero de permutaes possveis dado por:
n!
P nn1,n 2 ,...,n r =
n1 !n 2 !...n r !
Para ficar mais claro este conceito, vamos analisar o exemplo a seguir.
Exemplo 4.6
Vamos determinar o nmero de anagramas formados com a palavra
ARITMTICA.
Resoluo
A palavra ARITMTICA possui 10 letras, sendo 2 letras iguais a A,
2 iguais a I e 2 letras T. Ento, temos um caso de permutao com ele-
mentos repetidos.
O nmero de anagramas que podemos formar :
10 9 8 7 6 5 4 3 2! 1814400
P102,2,2 = = = 453600
2!2!2! 4
81
4.5 Combinao
Na definio de arranjo vimos que, quando tomamos k elementos
distintos de n existentes, formamos uma sequncia ordenada.
H casos em que s interessam os elementos que compem a
sequncia, no importando a ordem em que ali figuram. Nestes casos, te-
mos, ento, o que se chama de combinao de n elementos tomado k a k:
n!
Cn ,k =
k !( n k )!
Exemplo 4.7
Maria quer escolher dois sabores de torta doce para servir em sua
festa de final de ano. A doceria oferece os seguintes sabores: limo (L),
chocolate (C), morango (M) e floresta negra (F). De quantas formas dis-
tintas Maria poder fazer essa escolha?
Resoluo
Neste exemplo conseguimos perceber que no importa a ordem em
que os sabores so escolhidos. Escolher, por exemplo, torta de chocolate
e morango {C,M} o mesmo que escolher torta de morango e chocolate
{M,C}. Cada possvel escolha de Maria representa, portanto, uma combi-
nao de quatro sabores tomados dois a dois.
O nmero de formas distintas de Maria escolher os sabores :
4! 4 3 2!
C 4, 2 = = =6
2 !( 4 2 )! 2!2
Vamos listar as possveis formas para melhor entendimento do con-

ceito de combinao:
{L,C} {L,M} {L,F} {C,M} {C,F} {M,F}
Agora que j relembramos conceitos da anlise combinatria que

so uteis no clculo de probabilidades, vamos estudar como se calcula
probabilidades em diversas situaes. Antes disto, vamos conhecer bre-
vemente um pouco da histria da probabilidade.
82
4.6 Breve histrico

Quando estudamos a histria da probabilidade, o nome de Gero-
lamo Cardano sempre citado. Ele foi o primeiro homem na histria a
sistematizar dados e a entender a lgica de alguns processos que at ento
eram tidos como aleatrios para grande parte da humanidade.
A probabilidade que conhecemos e estudamos nos dias atuais sur-
giu em meados do sculo XVII, a partir dos estudos de De Mre, Blaise
Pascal e Pierre de Fermat. Segundo BRUNI (2010), os estudos feitos por
Pascal e Fermat sobre vrias situaes de jogos deram origem ao desen-
volvimento da Teoria de Probabilidades as Leis do Acaso.
Com o desenvolvimento das teorias de probabilidades, houve uma evo-
luo da cincia atuarial e das aplicaes no mercado de seguros. Bernoulli,
em 1730, pesquisou, com base em estudos com recm-nascidos, um novo
modo de se calcular o nmero esperado de sobreviventes aps n anos.
A etapa moderna da Teoria das Probabilidades teve incio em 1933,
com Andrei Kolmogorov. Ele lanou as bases axiomticas da probabili-
dade, baseada na Teoria dos Conjuntos, reduzindo a Teoria das Probabili-
dades Teoria da Integrao.
Conexo:
Para voc conhecer um pouco mais sobre a histria da probabilidade sugerimos
ouvir o udio Histria da Probabilidade, disponvel em http://m3.ime.unicamp.br/
recursos/1253.
4.7 Experimento Aleatrio, Espao Amostral, Evento

Antes de passarmos definio de probabilidade vamos apresentar
alguns conceitos bsicos necessrios para efetuar seu clculo.
Experimento Aleatrio: uma situao ou acontecimento

cujo resultado no pode ser previsto com certeza. Cada experi-
mento poder ser repetido inmeras vezes sob condies essen-
cialmente inalteradas. Embora no possamos afirmar qual ser
o resultado de um particular experimento, podemos descrever o
conjunto dos possveis resultados.
Espao Amostral: o conjunto formado por todos os resul-
tados do experimento aleatrio. Indicamos este conjunto pela
83
letra grega mega . Cada elemento do espao amostral de-

nominado ponto amostral.
Evento: um subconjunto do espao amostral (indicado por
letras maisculas do nosso alfabeto). O evento que possui so-
mente um elemento denominado evento simples.
Exemplo 4.8
Considere o experimento aleatrio que consiste no lanamento
de um dado. Neste experimento, o espao amostral definido como
{1,2,3,4,5,6}. Alguns dos eventos que podem ser definidos neste experi-
mento so:
A: sada de face par

A = {2,4,6}
B: sada de face mpar
B = {1,3,5}
C: sada de face maior que 6
C = . Neste caso indica o conjunto vazio. Este evento deno-
minado evento impossvel.
D: sada de face menor que 2
D = {1}, que denominado evento simples.
E: sada de face menor ou igual a 6
E = {1,2,3,4,5,6}, que o prprio espao amostral . Este even-
to denominado evento certo.
Podemos observar, pelos eventos definidos anteriormente, que um

evento pode no conter elementos (conjunto vazio), conter somente um
elemento (evento simples), conter mais de um elemento e, finalmente,
pode ser constitudo por todos os elementos do espao amostral, ou seja, o
evento o prprio .
4.8 Operaes com Eventos

4.8.1 Unio
Dados dois eventos A e B, temos que a unio destes dois eventos o

evento que contm os pontos amostrais pertencentes a A, ou a B ou a am-
bos. Denotamos a unio por A B. O diagrama de Venn, na figura 4.1,
descreve a unio dos eventos A e B.
84
A B
Figura 4.1 Unio de dois eventos
4.8.2 Interseco
A interseco de dois eventos A e B, denotado por A B, o even-
to que contm os pontos amostrais que pertencem simultaneamente aos
eventos A e B.
A B
Figura 4.2 Interseco de dois eventos
Se A B = temos que A e B so eventos mutuamente exclusivos,

ou seja, quando um ocorre o outro no pode ocorrer.

A B
Figura 4.3 Eventos mutuamente exclusivos
85
Observao
Quando estamos interessados na interseco de dois eventos uti-
lizamos a conjuno e, ou seja, queremos encontrar os elementos que
pertencem ao evento A e ao evento B. No caso da unio de dois eventos
utilizamos a conjuno ou, ou seja, so elementos que pertencem ao even-
to A, ou ao B ou a ambos.
4.8.3 Complementao
O complemento do evento A, denotado por Ac , definido como o
evento que contm todos os pontos amostrais que no pertencem ao even-
to A, ou seja, Ac = W A

AC
Figura 4.4 Complementar do evento A
Exemplo 4.9
Considerando o experimento aleatrio do exemplo 4.8 temos que W
={1,2,3,4,5,6}.
Definindo os eventos A e B como:
A: sada de face par
A = {2,4,6}
B: sada de face menor ou igual a 4
B = {1,2,3,4}
Determinar A B, A B, Ac ,Bc , Ac Bc, Ac Bc , Ac B , Bc

Resoluo
A B = {1,2,3,4,6}
86
A B = {2,4}
Ac = {1,3,5}
Bc = {5,6}
Ac Bc = {1,3,5,6}
Ac Bc = {5}
Ac B = {1,3}
Bc A = {6}
4.9 Probabilidade
A probabilidade um nmero que mede a possibilidade de ocorrn-
cia de um evento. O clculo da probabilidade pode ser efetuado de trs
maneiras: atravs da definio clssica de probabilidade, atravs da defi-
nio frequencial de probabilidade e atravs do mtodo subjetivo.
Vamos concentrar nossos estudos na definio clssica e frequen-
cial. No mtodo subjetivo, a probabilidade estimada com base no co-
nhecimento de circunstncias relevantes. Por exemplo, dado o estado de
sade do paciente e a extenso dos ferimentos, um mdico pode sentir que
esse paciente tem uma chance de 95% de se recuperar completamente.
4.9.1 Definio Clssica

Aplicamos esta definio quando os pontos amostrais do espao
amostral so equiprovveis, ou seja, tm a mesma probabilidade de ocor-
rer. Por exemplo, quando jogamos um dado equilibrado todas as faces tm
a mesma probabilidade de ocorrer, ou seja, 1/6.
Dado um evento A, a probabilidade de A, representada por P(A),
obtida atravs da definio clssica por:
nmero de resultados favorveis ao evento A

P (A) = (4.1)
nmero total de resultados possveis

Exemplo 4.10
Retira-se uma carta de um baralho completo de 52 cartas. Qual a
probabilidade de sair um rei?
Resoluo
O espao amostral deste experimento :
= {A O ,..., K O , A E ,..., K E , A P ,..., K P , A C ,..., K C }
87
ou seja, temos 52 pontos amostrais igualmente provveis de ocorrer. O

evento A: sair um rei o subconjunto A = {ko, KE, Kp, Kc}. Utilizando a
definio clssica de probabilidade temos:
4
P (A) =
52
Podemos expressar os resultados das probabilidades em forma de fra-

es, decimais ou percentuais. Nesse caso, podemos indicar o resultado por
4
P (A) = , 0, 0769 , ou, ainda, 7,69%.
52
4.9.2 Definio Frequencial

Vimos que a definio clssica de probabilidade s pode ser aplica-
da quando os pontos amostrais so igualmente provveis de ocorrer. Em
situaes em que isto no ocorre podemos determinar a probabilidade
atravs da definio frequencial. Esta definio baseia-se em observaes
repetidas do experimento aleatrio. Seja A o evento de interesse. A proba-
bilidade P(A) obtida atravs da definio frequencial dada por:
nmero vezes que o evento A ocorreu (4.2)

P(A) =
nmero de repeties do exp erimento aleatrio
em que o nmero de repeties deve ser grande.
A ideia utilizada nesta definio a mesma da frequncia relativa

definida no primeiro captulo.
Exemplo 4.11
Uma loja de varejo tem registrado em seus arquivos que dos
2.000 televisores, de determinada marca, vendidas em certo perodo,
400 precisaram de reparos dentro da garantia de um ano. Qual a proba-
bilidade de que um consumidor que compre uma televiso dessa marca

no precise utilizar a garantia?
88
Resoluo
Pelas informaes, temos que 1.600 televisores no precisaram de
reparos durante a garantia. Sendo o evento A: a televiso no precisa de
reparo durante a garantia e utilizando a teoria frequencial, temos:
1.600 4
P(A) = = = 0, 8
2.000 5
Ou seja, o consumidor tem uma probabilidade 0,8 de no precisar
usar a garantia.
Utilizamos aqui o conhecimento histrico para fazer uma previso, ou seja, utili-
zamos a frequncia relativa do evento, obtida de dados coletados, para estimar a
probabilidade.
4.10 Regras Bsicas de Probabilidade

Sejam A e B dois eventos do espao amostral W. Ento:
a) 0 P(A) 1
b) P(W) = 1
c) P (A B) = P(A) + P(B) P(A B)
d) Se A e B forem mutuamente exclusivos, ento P (A B) = P(A)
+ P(B)
e) P(Ac) = 1 P(A)
Exemplo 4.12
Retira-se uma carta de um baralho completo de 52 cartas. Qual a
probabilidade de sair um nove ou uma carta de paus?
Resoluo
Neste experimento aleatrio, temos que o espao amostral for-
mado por 52 pontos amostrais, ou seja, W = {Ao,...,Ko, AE,... KE, AP,...
KP,AC,...,Kc}. Vale relembrar que todos os pontos amostrais so equipro-
vveis, com isso podemos utilizar a definio clssica de probabilidade.
Devemos observar tambm que o enunciado nos pede para encontrar
a probabilidade do evento sair nove ou do evento sair carta de paus,
89
o que caracteriza a unio de dois eventos. Portanto devemos utilizar

P(A B) = P(A) + P(B) P(A B).
Os eventos definidos pelo exerccio so:

A: sada de uma carta nove
A: {9O , 9E , 9C , 9P } , por tan to , P ( A ) =

4
52
B: sada de uma carta de paus
13
B:{A P , 2P ,..., K P } , por tan to, P ( B) =
52
1
A B = {9P } , por tan to, P ( A B) =
52
Assim,
P ( A B) = P ( A ) + P ( B) P ( A B)
4 13 1
P ( A B) = +
52 52 52
16
P ( A B) =
52
Exemplo 4.13
Uma urna contm 30 bolas vermelhas, 12 bolas azuis e 7 bolas pre-
tas. Extraindo-se aleatoriamente uma bola, qual a probabilidade de ser:
a) vermelha
30
P (V) =
49
b) azul
12
P (A) =
49
c) azul ou preta
12 7 19
P (A P) = P (A) + P (P) = + =
49 49 49
Aqui no utilizamos P ( A P ) = P ( A ) + P ( P ) P ( A P ) , pois no

h a interseco A P (uma bola no pode ser azul e preta), ou seja, A e

B so eventos mutuamente exclusivos.
90
d) nem azul nem vermelha
7
P (P) =
49
Exemplos 4.14
Em um congresso cientfico existem 25 administradores e 17 mate-
mticos. Qual a probabilidade de ser formar uma comisso com 8 mem-
bros, na qual figurem 5 administradores e 3 matemticos?
Resoluo
Vamos definir o evento A como: a comisso formada por 5 admi-
nistradores e 3 matemticos.
O nmero total de comisses que conseguimos formar com 8 mem-
bros :
42
= 118.030.185
8
Agora, o nmero de comisses que conseguimos formar com 5 ad-

ministradores e 3 matemticos :
25 17
= 36.128.400
5 3
Portanto:
36.128.400
P (A) = = 0, 3061 x 100 = 30, 61%
118.030.185
O clculo das combinaes foi feito utilizando uma calculadora

cientfica.
Exemplo 4.15
Em uma prova caram dois problemas. Sabe-se que 132 alunos
acertaram o primeiro, 86 erraram o segundo, 120 acertaram os dois e 54
acertaram apenas um problema. Qual a probabilidade de que um aluno,
escolhido ao acaso:
91
a) no tenha acertado nenhum problema?

b) tenha acertado apenas o segundo problema?
Resoluo
Este exemplo um exerccio tpico de clculo de probabilidades
envolvendo teoria dos conjuntos.
Do enunciado, temos:
120 acertaram os dois problemas;
Se 120 acertaram os dois, 132 120 = 12 acertaram somente o
primeiro;
Se 54 acertaram apenas um e 12 acertaram somente o primeiro,
54 12 = 42 acertaram somente o segundo;
A informao de que 86 erraram o segundo significa que esta
quantidade acertou somente o primeiro ou no acertou nenhum
deles. Se temos 12 que s acertaram o primeiro, 86 12 = 74
erraram os dois;
Com esta anlise conseguimos encontrar o nmero total de alu-
nos que fizeram a prova: 120 + 12 + 42 + 74 = 248.
Podemos colocar estas informaes no diagrama de Venn:
P1 P2
12 120 42
74
Ento:
a) Definindo o evento A: o aluno no acertou nenhum problema,
temos:
74
P (A) = = 29, 84%
248
92
b) Definindo o evento B: o aluno acertou apenas o segundo proble-

ma, temos:
42
P (A) = = 16, 94%
248
4.11 Probabilidade Condicional

Em muitas situaes, podemos ter interesse em encontrar a probabi-
lidade de ocorrncia de um evento levando em conta que outro evento j
ocorreu. Esta probabilidade recebe o nome de Probabilidade Condicional
e definida a seguir.
4.11.1 Definio de Probabilidade Condicional

Dados dois eventos A e B, a probabilidade condicional de A, dado
que B ocorreu, representada por P(A|B) e calculada por:
P ( A B)
P ( A / B) = , com P ( B) > 0 (4.3)
P ( B)
Lemos a notao P(A|B) como a probabilidade de A ocorrer saben-
do que B ocorreu.
Da definio apresentada obtemos a regra da multiplicao, de gran-
de aplicao no clculo de probabilidades, dada por:
P ( A B) = P ( B) .P ( A | B) (4.4)
Exemplo 4.16
H 100 candidatos para uma vaga numa empresa multinacional.
Alguns tm curso superior, outros no. Alguns tm experincia no ramo,

outros no. Os dados so:
Possui curso No possui curso Total
superior superior
Com experincia 35 45 80
anterior
Sem experincia 15 5 20
anterior
Total 50 50 100
93
Considerando que o candidato escolhido para a vaga possui curso

superior, qual a probabilidade de ele ter experincia anterior no ramo?
Resoluo
Este exemplo se refere a um caso de probabilidade condicional, pois
j sabemos que o candidato escolhido possui curso superior. Definindo os
eventos e analisando o quadro temos:
A: ter experincia no ramo (definimos desta maneira, pois a per-

gunta do exerccio).
B: possui curso superior (definimos desta maneira, pois o evento
que sabemos que ocorreu).
50
P(B) =
100
e
35
P ( A B) =
100
Por tan to:
35 / 100 35
P ( A | B) = = = 0,, 7
50 / 100 50
Note que o valor que aparece no denominador o total de casos do evento que
sabemos que ocorreu. Neste exemplo sabamos que o candidato escolhido tinha
curso superior e o total de candidatos com este perfil 50, justamente o valor que
aparece no denominador do clculo da probabilidade condicional.
Conforme TRIOLA (2008, pp. 138),
[...] acreditar incorretamente que P(B|A) e P(A|B) sejam iguais ou

usar um valor no lugar do outro , s vezes, chamado confuso

do inverso. Estudos mostram que mdicos fornecem informaes
bastante enganosas quando eles confundem os inversos. Com base
em estudos reais, eles tenderam a confundir P(cncer|teste positivo)
94
com P(teste positivo|cncer). Cerca de 95% dos mdicos estimaram

P(cncer|teste positivo) como cerca de 10 vezes mais alta, com a
consequncia de que os pacientes receberam diagnsticos enganosos
e ficaram desnecessariamente angustiados pela informao incorreta.
4.12 Independncia de eventos

Sejam A e B dois eventos do espao amostral W, com P(B) > 0. O
evento A dito independente do evento B se
P ( A | B) = P ( A ) (4.5)
ou seja, o evento A independente do evento B se a probabilidade de A

no afetada pela ocorrncia ou no de B.
Se A e B so independentes temos que:
P ( A B) = P ( A ) .P ( B) (4.6)
Exemplo 4.17
Numa caixa com 20 lmpadas, 4 so defeituosas. Extraindo-se ale-
atoriamente duas lmpadas, sem reposio, qual a probabilidade de:
a) nenhuma ser defeituosa;
b) ambas serem defeituosas.
c) considerando a extrao das duas lmpadas, com reposio, en-
contre a probabilidade de nenhuma delas ser defeituosa.
Resoluo
Neste exemplo os eventos so dependentes, pois no h reposio
das lmpadas na caixa, ou seja, o resultado obtido na extrao da segunda
lmpada afetado pelo resultado obtido na primeira extrao.
a) Nenhuma lmpada ser defeituosa significa que as duas so perfei-

tas. Vamos indicar por P1 primeira lmpada ser perfeita e por P2 segunda
lmpada ser perfeita. Como queremos encontrar a probabilidade da pri-
meira ser perfeita e da segunda ser perfeita tambm devemos utilizar o
conceito da regra da multiplicao,
95
P ( P1 P2 ) = P ( P1 ) .P ( P2 | P1 )
P ( P1 P2 ) =
16 15 240
. = = 0, 6316
20 19 380
b) Indicando por D1 primeira lmpada ser defeituosa e por D2 se-

gunda lmpada ser defeituosa temos:
P ( D1 D 2 ) = P ( D1 ) .P ( D 2 | D1 )
P ( D1 D 2 ) =
4 3 12
. = = 0, 0316
20 19 380
c) Vamos indicar por primeira lmpada ser perfeita e por segunda

lmpada ser perfeita. Neste caso, as duas extraes so independentes,
pois o resultado da segunda extrao no afetado pelo primeiro resulta-
do. Ento:
P ( P1 P2 ) = P ( P1 ) ( P2 )
16 16
P ( P1 P2 ) = = 64%
20 20
Exemplo 4.18:
Para testar se um sistema especialista responde satisfatoriamente a um
usurio, foram feitas cinco perguntas, cada uma com quatro alternativas de
resposta. Se o sistema escolhe as alternativas aleatoriamente, qual a proba-
bilidade de ele responder corretamente a todas as cinco perguntas?
Resoluo
Definindo os eventos:
P1: acertar a pergunta 1
P2 :acertar a pergunta 2

96
Como o sistema escolhe as alternativas aleatoriamente, a probabi-
lidade de ele acertar a pergunta 1 (pois de 4 alternativas, somente 1

correta). 4
O fato do sistema ter escolhido uma alternativa (correta ou errada)
em determinada pergunta no afeta as probabilidades de escolhas das ou-
tras perguntas. Portanto, os eventos so independentes. Ento:
1 1 1 1 1
P ( P1 P2 P3 P4 P5 ) = P ( P1 ) P ( P2 ) P ( P3 ) P ( P4 ) P ( P5 ) =
4 4 4 4 4
1
= = 0, 0977%
1024
Estudaremos, no prximo item, uma das relaes mais importantes

envolvendo probabilidades condicionais. A ideia central atualizarmos
valores prvios de probabilidades calculando as probabilidades adicio-
nais, denominadas probabilidades posteriores.
4.13 Teorema de Bayes

Antes de apresentarmos a frmula do teorema de Bayes, vamos ana-
lisar o exemplo a seguir.
Exemplo 4.19
Um certo programa pode ser usado com uma entre duas sub-rotinas
A e B, dependendo do problema. A experincia tem mostrado que a sub-
rotina A usada 40% das vezes e B usada 60% das vezes. Se A usada,
existe 75% de chance de que o programa chegue a um resultado dentro do
limite de tempo. Se B usada, a chance de 50%. Se o programa foi rea-
lizado dentro do limite de tempo, qual a probabilidade de que a sub-rotina
A tenha sido a escolhida?
Resoluo
A probabilidade que temos que encontrar uma probabilidade con-
dicional, pois j sabemos que o programa foi realizado dentro do limite de
tempo.
Ento, de acordo com o que estudamos no item 4.11.1, podemos
definir os seguintes eventos:
A: sub-rotina A foi a escolhida.
R: o programa foi realizado dentro do limite de tempo.
97
Pela frmula da probabilidade condicional, queremos encontrar:

P (A R )
P (A | R ) =
P (R )
Agora, a interpretao da probabilidade que est no denominador

fundamental para o entendimento deste teorema.
A probabilidade do evento R ocorrer est associada utilizao de

duas sub-rotinas.
Sabemos que o programa foi realizado dentro do limite de tempo,
mas no sabemos qual sub-rotina foi utilizada. Com isto, precisamos con-
siderar estas duas situaes:
R A foi realizado dentro do limite de tempo e utilizada a rotina A;
R B foi realizado dentro do limite de tempo e utilizada a rotina B.
Ento, o clculo de P(R) dado por:
P(R) = P(R A) + P(R B)
ou seja, a probabilidade do evento R ocorrer a soma das duas situ-

aes possveis.
As probabilidades informadas no enunciado so:
P(A) = 0,40 probabilidade obtida atravs da definio frequencial;
P(B) = 0,60 probabilidade obtida atravs da definio frequencial;
P(R|A)=0,75probabilidade do programa ser realizado dentro do
tempo,se (sabendo que) A usada;
P(R|B) = 0,50 probabilidade do programa ser realizado dentro do
tempo,se (sabendo que) B usada.
Como vamos encontrar P(R A) e P(R B)? Utilizaremos a regra

da multiplicao, abordada no item 4.11.1.
Esta regra nos diz que a probabilidade da interseco dos dois even-
tos pode ser obtida da seguinte maneira:
P(R A) = P(R|A) P(A)

e
98
P(R B) =P (R|B) P(B)
As probabilidades que esto do lado direito da igualdade so forne-

cidas no enunciado. Ento:
P(R A) = P(RA) P(A) = 0,75 0,40 = 0,30

e
P(R B) = P(RB) P(B) = 0,50 0,60 = 0,30
Finalmente, conseguiremos calcular a probabilidade procurada:
P (A R ) P (A R ) P (R | A) P (A)
P (A | R ) = = =
P (R ) P ( R A ) + P ( R B) P ( R | A ) P ( A ) + P ( R | B) P ( B)
0, 30 0, 30
P (A | R ) = = = 0, 5 = 50%
0, 30 + 0, 30 0, 60
No Teorema de Bayes, a quantidade do numerador sempre ser um dos termos

que est no denominador. Vale ressaltar tambm que P(A B) = P(B A).
Agora, vamos formalizar o Teorema de Bayes.
Seja C1,C2,,Cn uma partio do espao amostral , isto ,
Ci Cj= , sempre que i j,

C1 C2 Cn = .
Considere um evento qualquer A em . Supomos conhecidas as

probabilidades P(Ci) e P(ACi ),i = 1,2,,n. A probabilidade de ocorrn-
cia do evento Ci, supondo-se a ocorrncia do evento A, dada por:
P ( Ci ) P ( A | Ci )
P ( Ci | A ) =
j = 1 P (C j ) P ( A | C j )
n
para todo i = 1,2,,n.

99
Atividades
01. Uma biblioteca acaba de receber, por doao, 40 novos livros, inclusi-
ve 15 romances histricos. Se 3 desses livros so escolhidos aleatoriamen-
te, sem reposio, qual a probabilidade de:
a) nenhum ser um romance histrico;
b) todos serem romances histricos;
c) pelo menos um ser romance histrico.
02. Como parte de uma campanha de promoo em So Paulo e no Rio

de Janeiro, uma indstria de produtos de limpeza oferecer um prmio de
R$ 50.000,00 a quem enviar seu nome em um formulrio, com a opo
de incluir um rtulo de um dos produtos da indstria. A distribuio dos
200.000 formulrios recebidos est a seguir:
Com rtulo Sem rtulo
So Paulo 100.000 40.000
Rio de Janeiro 45.000 15.000
Escolhendo aleatoriamente um dos formulrios e definindo os even-

tos A: o formulrio escolhido de So Paulo e B: o formulrio escolhido
tem um rtulo do produto, determine as seguintes probabilidades:
a) P(A)
b) P(B)
c) P(A | B)
d) P(Ac | Bc)
e) P(Ac | Bc)
f) P(B | Ac)
03. Uma loja de cosmticos tem os seguintes dados sobre a idade e o es-
tado civil de 150 clientes.
Estado Civil
Solteiro Casado
Idade
30 70 20
mais de 30 30 30
100
Selecionando aleatoriamente a ficha de um cliente, determinar:

a) probabilidade deste cliente ser solteiro;
b) probabilidade deste cliente ter mais de 30 anos;
c) se na ficha consta que o cliente solteiro, qual a probabilidade de ele
ter mais de 30 anos;
d) probabilidade deste cliente ser casado sabendo que ele tem menos de
30 anos.
04. Uma agncia de locao de carros fez um levantamento sobre o perfil

dos seus clientes e obteve os seguintes resultados: 45% haviam alugado
um carro no ltimo ano por razes de negcios, 50% haviam alugado um
carro no ltimo ano por razes pessoais e 20% haviam alugado um carro
no ltimo ano tanto por razes de negcios como por razes pessoais.
a) Qual a probabilidade de que um cliente tenha alugado um carro du-
rante o ltimo ano por razes pessoais ou por razes de negcios?
b) Qual a probabilidade de que um cliente no tenha alugado um carro
durante o ltimo ano nem por razes pessoais nem por razes de negcios?
05. Um satlite em rbita tem trs painis solares, e todos eles devem
permanecer ativos a fim de garantir o bom desempenho do aparelho. Os
painis funcionam independentemente uns dos outros. A chance de falha
de cada um 0,01. Qual a probabilidade de o satlite funcionar perfeita-
mente durante a misso? (Essa probabilidade a chamada confiabilidade
do sistema Farias, Soares e Csar, pg. 65)
06. Uma rede local de computadores composta por um servidor e cinco

clientes (A, B, C, D e E). Registros anteriores indicam que dos pedidos de
determinado tipo de processamento, realizados atravs de uma consulta,
cerca de 10% vm do cliente A, 15% do B, 15% do C, 40% do D e 20% do
E. Se o pedido no for feito de forma adequada, o processamento apre-

sentar erro. Usualmente, ocorrem os seguintes percentuais de pedidos
inadequados: 1% do cliente A, 2% do cliente B, 0,5% do cliente C, 2% do
cliente D e 8% do cliente E.
a) Qual a probabilidade de o sistema apresentar erro?
b) Qual a probabilidade de que o processo tenha sido pedido pelo clien-
te E, sabendo-se que apresentou erro?
101
Reflexo
O estudo de probabilidades, que iniciamos neste captulo, tem mui-
tas aplicaes no dia a dia do gestor. At o momento, nos preocupamos
em apresentar a teoria referente ao assunto. No entanto, as aplicaes que
podemos fazer do clculo de probabilidades so muito diversificadas: de-
terminar a margem de erro e o grau de confiana de uma pesquisa, fazer
previses (com certo grau de confiana) de eventos futuros, auxiliar na
tomada de decises, calcular riscos de certos investimentos, etc.
Procure assimilar bem todos os procedimentos e conceitos apresen-
tados neste captulo para que possa acompanhar o desenvolvimento dos
mtodos que sero apresentados mais adiante.
Leitura recomendada
Recomendamos a leitura do texto possvel quantificar o acaso?,
disponvel no endereo http://www.klick.com.br/materia/20/display/0,
5912,POR-20-89-957-,00.html, que apresenta uma interessante situao
sobre o estudo de probabilidades.
Referncias
BARBETTA, Pedro A.; REIS, Marcelo M.; BORNIA, Antonio C. Es-

tatstica: para os cursos de engenharia e informtica. So Paulo: Atlas,
2004.
BUSSAB, Wilton de O.; MORETTIN, Pedro A.. Estatstica bsica.


Comini. Introduo estatstica. Rio de Janeiro,: LTC, 2003.
FARBER, Larson. Estatstica aplicada. So Paulo: Pearson Prentice

Hall, 2004.
102
IEZZI, Gelson; DOLCE, Osvaldo; DEGENSZAJN David; PRIGO,

Roberto. Matemtica: volume nico. So Paulo: Atual, 2007.
MORETTIN, Luiz G. Estatstica Bsica Volume I Probabilidade.

7.ed. So Paulo: Makron Books, 1999.
TOMAZ, Priscilla S.S. Anais do IX Seminrio Nacional de Histria

da Matemtica. Disponvel em: <http://www.each.usp.br/ixsnhm/
Anaisixsnhm/Comunicacoes/1_Tomaz_P_S_S_Gerolamo_Cardano.
pdf>. Acesso em: 30 set. 2014.
No prximo captulo
No prximo captulo apresentaremos as variveis aleatrias, que so
uma forma de associar valores aos resultados do experimento aleatrio.
Isso ir nos permitir ampliar a capacidade de aplicao da teoria de pro-
babilidades.
103
Minhas anotaes:
104
Variveis aleatrias
O espao amostral, em muitos ex-
perimentos, no consiste s em nmeros
como, por exemplo, o espao amostral re-
5 ferente ao lanamento de uma moeda, que tem
lo
como pontos amostrais cara ou coroa. Em Estats-
tica, muitas vezes, estamos interessados em resultados
t u
numricos. Para transformar os resultados do espao

amostral em nmeros utilizamos o conceito de varivel
Cap
aleatria.

Que voc seja capaz calcular o valor esperado e o desvio padro de
uma varivel aleatria discreta e que consiga identificar as situaes
nas quais podemos aplicar o modelo de probabilidade binomial, bem
como calcular as probabilidades associadas a tal modelo.
Voc se lembra?
Voc se lembra dos conceitos de mdia e desvio-padro apresentados nos
captulos 2 e 3? E dos conceitos de probabilidade abordados no captulo
4? Neste captulo, combinaremos aqueles conceitos ao desenvolvermos
as distribuies de probabilidade, que descrevem o que provavelmente
acontecer, ao invs do que realmente aconteceu.
5.1 Varivel Aleatria

Uma varivel aleatria (v.a.) uma varivel que associa um valor
numrico a cada ponto do espao amostral. Ela denominada discreta
quando pode assumir apenas um nmero finito ou infinito enumervel
de valores e dita contnua quando assume valores num intervalo da reta
real.
comum utilizarmos letras latinas para representarmos variveis
aleatrias.
5.2 Funo discreta de probabilidade

Funo Discreta de Probabilidade a funo que atribui a cada va-
lor da v.a. sua probabilidade, ou seja,
P(X = xi) = p(xi), i = 1, 2, ...., n (5.1)
Vamos considerar aqui que a v.a. discreta tem um nmero finito de
valores possveis.
A distribuio de probabilidade de uma v.a. discreta X uma tabela
que associa a cada valor de X sua probabilidade.
x p(x)
x1 p(x1)
x2 p(x2)
x3 p(x3)
. .
. .
. .
xn p(xn)
Tabela 5.1 Distribuio de probabilidade da v.a. X
Na tabela 5.1, os valores x1, x2, x3,..., xn so aqueles que a v.a. pode
assumir e p(x1) , p(x2), p(x3),..., p(xn) suas respectivas probabilidades.
Uma distribuio de probabilidade deve satisfazer as seguintes con-
dies:
0 p(xi) 1, i = 1,2,...,n
n
p( x i ) = 1
i =1
106
Variveis aleatrias Captulo 5
Exemplo 5.1: Vamos considerar o experimento aleatrio que con-

siste no lanamento de trs moedas. O espao amostral deste experimento
:
W = {(c, c, c), (c, c, r), (c, r, c), (c, r, r), (r, c, c), (r, c, r), (r, r, c), (r, r,r)}
onde c = cara e r = coroa.
Podemos definir a varivel aleatria de interesse como sendo o

nmero de coroas obtidas no lanamento das trs moedas, ou seja, X:
nmero de coroas. De acordo com a definio da varivel aleatria po-
demos associar a cada ponto amostral um nmero, como mostra o quadro
seguinte:
Resultados X
c,c,c 0
c,c,r 1
c,r,c 1
c,r,r 2
r,c,c 1
r,c,r 2
r,r,c 2
r,r,r 3
Vemos que a cada resultado do experimento est associado um valor

da v.a. X, a saber, 0, 1, 2 e 3. Temos que:
X = 0, com probabilidade 1/8 se, e somente se, ocorre o resul-
tado c,c,c;
X = 1, com probabilidade 1/8 + 1/8 +1/8 = 3/8 se, e somente se,
ocorrem os resultados c,c,r ou c,r,c ou r,c,c, que so mutuamen-
te exclusivos;
X = 2 com probabilidade 1/8 + 1/8 + 1/8 = 3/8 se, e somente se,

ocorrem os resultados c,r,r ou r,c,r ou r,r,c, que so mutuamente
exclusivos;
X = 3 com probabilidade 1/8 se, e somente se, ocorre o resul-
tado r,r,r.
107
Na tabela 5.2 apresentamos a distribuio de probabilidade da v.a. X.

x p(x)
0 1/8
1 3/8
2 3/8
3 1/8
Tabela 5.2 Distribuio de probabilidade da v. a. X = nmero de coroas
A distribuio de probabilidade satisfaz as condies 0 p(xi) 1 e

4
p (x i ) = 1 , para i = 1, 2, 3, 4.
i =1
Exemplo 5.2: Uma companhia analisa diariamente o nmero de

vendas de seus novos funcionrios durante um perodo de experincia
de 90 dias. Os resultados para um novo funcionrio so apresentados a
seguir.
Vendas por dia Nmero de dias
0 15
1 17
2 12
3 18
4 8
5 10
6 9
7 1
Tabela 5.3: Distribuio do nmero de vendas do novo funcionrio
a) Obtenha a probabilidade de cada resultado

b) Organize os dados em uma distribuio de probabilidade.
Resoluo
a) Para encontrarmos a probabilidade de cada resultado, vamos usar
a definio frequencial de probabilidade, ou seja, as probabilidades nada

mais so que as frequncias relativas de cada resultado:
108
Vendas por dia Nmero de dias Probabilidade

0 15 0,1667
1 17 0,1889
2 12 0,1333
3 18 0,2000
4 8 0,0889
5 10 0,1111
6 9 0,1000
7 1 0,0111
A primeira probabilidade foi encontrada fazendo 15 , a segunda

90
probabilidade 17 e assim por diante.
90
b) Uma distribuio de frequncia uma tabela que contm os resulta-
dos da varivel aleatria com suas respectivas probabilidades, ou seja:
Vendas por dia Probabilidade
0 0,1667
1 0,1889
2 0,1333
3 0,2000
4 0,0889
5 0,1111
6 0,1000
7 0,0111
Total 1
Tabela 5.4: Distribuio de probabilidade do nmero de vendas por dia.
5.3 Valor esperado e varincia de uma varivel

aleatria discreta
Para as distribuies de probabilidade podemos definir as mesmas
medidas de tendncia central e de disperso estudadas nas distribuies de
frequncias.
109
A mdia de uma v.a. X tambm chamada de valor esperado ou espe-

rana matemtica representada por E(X) e definida como:
n
E (X) = xi p ( xi ) (5.2)
i =1
Observamos, pela definio de E(X), que para se calcular a mdia
de uma v.a. precisamos multiplicar cada valor da v.a. por sua correspon-
dente probabilidade e somar os produtos resultantes.
Podemos interpretar o valor esperado de uma v.a. como uma mdia
ponderada dos xi, onde os pesos so as probabilidades associadas.
Propriedades da mdia
Sejam a e b constantes e X uma varivel aleatria. Ento:
i) E(a) = a
ii) E(bX) = bE(X)
iii) E(X + a) = E(X) + a
iv) E(a + bX) = a + bE(X)
A varincia de uma v.a. X definida como:
2
n
( )
n
Var ( X ) = E X E ( X ) =
2 2
( i ) xi p ( xi ) (5.3)
x i2 p
x
i =1 i =1
J vimos anteriormente que o desvio-padro (s) a raiz quadrada da
varincia, portanto:
( x ) = Var ( x ) (5.4)
Propriedades da varincia
Sejam a e b constantes e X uma varivel aleatria. Ento:
i) Var(a) = 0
ii) Var(bX) = b2Var(X)
iii) Var(X + a) = Var(X)
iv) Var(a + bX) = b2Var(X)
Observao: Indicaremos a mdia e a varincia de uma v.a. X por:
E(X) = m
Var(X) = s2
Exemplo 5.3: Utilizando os dados do exemplo 5.1, vamos calcular

a mdia e a varincia da v.a. X: nmero de coroas.
110
x p(x) x p(x) x2 p(x)

0 1/8 0 0
1 3/8 3/8 3/8
2 3/8 6/8 12/8
3 1/8 3/8 9/8
Total 1 12/8 24/8
Resoluo
Substituindo os valores do quadro apresentado nas respectivas fr-
mulas temos:
n
E (X) = xi p ( xi ) =
12
= 1, 5
i =1
8
2
n
( ) E (X)
n
Var ( X ) = E X 2 2
= x i2 p ( x i ) x i p ( x i )
i =1 i =1
= 3 (1, 5)
2
= 0, 75
Portanto, temos que o valor esperado do nmero de coroas, obtido
no lanamento de 3 moedas, 1,5 e o desvio-padro 0,866 0, 75 . ( )
Exemplo 5.4
Num teste de digitao, o tempo em minutos (T) que os candidatos
levam para digitar um texto modelado, de forma aproximada, pela se-
guinte funo de probabilidade:
T P(T)
3 0,1
4 0,1
5 0,2
6 0,2
7 0,2
8 0,1
9 0,1
O candidato recebe 4 pontos se faz em 9 minutos, 5 se faz em 8 mi-

nutos e assim por diante. Determine a mdia e a varincia do nmero de
pontos obtidos no teste.
111
Resoluo
Como o exerccio est pedindo a mdia e a varincia do nmero de
pontos obtidos, precisamos definir uma nova varivel aleatria:
P: nmero de pontos obtidos no teste
O nmero de pontos obtidos depende do tempo que o candidato leva

para digitar o texto. De acordo com o texto, se o candidato digitar o texto em
3 minutos, ele recebe 10 pontos. E, a probabilidade dele receber 10 pontos a
mesma probabilidade dele digitar em 3 minutos, ou seja, 0,1. Portanto:
T P(T)
10 0,1
9 0,1
8 0,2
7 0,2
6 0,2
5 0,1
4 0,1
Definida a funo distribuio de probabilidade da varivel P, en-

contramos a mdia e a varincia acrescentando duas colunas no quadro
acima:
P P(P) PP(P) P2 P(P)
10 0,1 1 10
9 0,1 0,9 8,1
8 0,2 1,6 12,8
7 0,2 1,4 9,8
6 0,2 1,2 7,2
5 0,1 0,5 2,5
4 0,1 0,4 1,6
Total 1 7 52
Agora, basta substituirmos os valores encontrados nas respectivas

frmulas:
112
n
E ( P ) = pi p ( pi ) = 7
i =1
2
n
( )
n
Var ( P ) = E P E ( P ) = pi p ( pi ) pi p ( pi )
2 2
i =1 i =1
= 52 ( 7 ) = 3
2
Ento, o nmero mdio de pontos obtidos no teste 7 e a varincia

3 pontos2. Para encontrarmos o desvio padro, basta extrairmos a raiz
quadrada da varincia.
Exemplo 5.5
Na produo de uma pea so empregadas duas mquinas. A pri-
meira utilizada para efetivamente produzir as peas, e o custo de pro-
duo de R$ 50,00 por unidade. Das peas produzidas nessa mquina,
90% so perfeitas. As peas defeituosas (produzidas na primeira mqui-
na) so colocadas na segunda mquina para a tentativa de recuperao
(torn-las perfeitas). Nessa segunda mquina o custo por pea de R$
25,00, mas apenas 60% das peas so de fato recuperadas. Sabendo que
cada pea perfeita vendida por R$ 90,00, e que cada pea defeituosa
vendida por R$ 20,00, calcule o lucro por pea esperado pelo fabricante.
Resoluo
Neste exemplo, a varivel aleatria de interesse :
X: lucro
Para entendermos melhor as informaes contidas no enunciado,

vamos montar um quadro:

X
Custo Venda P(X)
(lucro)
50 90 40 0,9 peas perfeitas na 1 mquina
50+25 90 15 0,06 peas perfeitas na 2 mquina
50+25 20 -55 0,04 peas defeituosas
113
As informaes contidas na primeira linha nos indicam que o lucro

ser de R$ 40,00, pois Lucro = Venda Custo. Noventa por cento das pe-
as produzidas na primeira mquina so perfeitas. Ento, a probabilidade
do lucro assumir o valor R$ 40,00 de 0,9.
Na segunda linha esto as informaes das peas que precisaram ir para
a segunda mquina e que tornaram-se perfeitas. O custo, nesta situao, ser
de R$ 75,00, pois o custo por pea na segunda mquina de R$ 25,00, adicio-
nados aos R$ 50,00 de custo da primeira mquina. Agora, vamos entender o
porqu do valor da probabilidade ser 0,06. Se 90% das peas produzidas pela
primeira mquina so perfeitas, 10% so defeituosas.
Destas 10% de peas defeituosas, apenas 60% so recuperadas pela
segunda mquina. Portanto, 0,10*0,6 = 0,06. Ento, a probabilidade do
lucro assumir o valor R$ 15,00 de 0,06.
E, na terceira linha, temos a informao das peas defeituosas.
Neste caso, a empresa ter prejuzo, pois o custo continuar sendo de R$
75,00, e a pea ser vendida por R$ 20,00. A probabilidade do lucro (que
ser um prejuzo) assumir o valor de R$ 55,00 0,04, pois das peas
defeituosas, 40% no so recuperadas pela segunda mquina. Portanto,
0,10*0,4 = 0,04.
Agora, com os valores obtidos no quadro, conseguimos encontrar o
lucro por pea esperado pelo fabricante.
Custo Venda X P(x)
40 0,9 40 0,9 = 36,00
15 0,06 15 0,06 = 0,90
-55 0,04 55 0,04= 2,20
Total 1 34,70
O lucro esperado, por pea, R$ 34,70.
5.4 Modelos probabilsticos para variveis

aleatrias Discretas
Algumas variveis aleatrias aparecem com frequncia em muitas
situaes prticas do nosso dia a dia. Um estudo detalhado dessas vari-

veis muito importante para a construo de modelos probabilsticos com
o objetivo de estimar seus parmetros e calcular probabilidades. Uma das
114
distribuies discretas de probabilidade mais importante a distribuio

binomial que ser descrita a seguir.
5.4.1 Distribuio Binomial

Uma v.a. tem distribuio binomial se o experimento aleatrio con-
siste em:
n tentativas sob condies idnticas;
cada tentativa independente de todas as outras;
h somente dois resultados possveis em cada tentativa desig-
nados por sucesso(S) e fracasso(F);
a probabilidade de sucesso a mesma em cada tentativa.
Na distribuio binomial a v.a. X corresponde ao nmero de suces-
sos em n tentativas do experimento aleatrio.
A funo de probabilidade definida como:
n
P(X = k ) = p k q n k (5.5)
x
onde:
n o nmero de tentativas do experimento aleatrio;
p = P(S) a probabilidade de sucesso em uma nica tentativa;
q = P(F) a probabilidade de fracasso em uma nica tentativa;
p + q = 1.
n
denominado nmero binomial e dado pela frmula
k
n n!
k = ( n k )!k ! . Os termos n! e k! so denominados n fatorial e k fatorial e so
dados pela multiplicao de todos os valores inteiros positivos entre entre 1 e n e entre 1 e k.
Por exemplo, 5! = 5 4 3 2 1 = 120.
Quando a v.a. X tiver distribuio binomial, com parmetros n e p,

indicaremos por X ~ b(n,p).
115
O valor esperado e a varincia de uma v.a. binomial, com parme-

tros n e p so, respectivamente, dados por:
E(X) = n . p
(5.6)
Var (X) = n . p . q
Exemplo 5.6: Uma pesquisa mostrou que 60% das famlias residen-
tes na grande So Paulo tm pelo menos dois carros. Determine a probabi-
lidade de que dentre 15 famlias selecionadas aleatoriamente nesta regio:
a) exatamente 5 tenham pelo menos dois carros;
b) de 8 a 10 tenham pelo menos dois carros.
Neste exemplo vamos definir a v.a. como tendo distribuio bino-

mial, pois:
o experimento est sendo realizado 15 vezes, ou seja, 15 fam-
lias foram selecionadas para o estudo;
h somente dois resultados possveis: sucesso, se a famlia tem
pelo menos dois carros e fracasso, se a famlia no tem pelo
menos dois carros;
as respostas so independentes umas das outras, ou seja, uma
famlia ter pelo menos dois carros no afeta a probabilidade das
outras famlias terem ou no pelo menos dois carros.
O primeiro passo para iniciar a resoluo de problemas deste tipo

definir a v.a.. Neste caso, como estamos interessados no nmero de fam-
lias com pelo menos dois carros, a v.a. definida como:
X: nmero de famlias com pelo menos dois carros.
A v.a. X pode assumir os valores 0,1,2,...,15, pois, das 15 famlias

selecionadas, pode acontecer de nenhuma ter pelo menos dois carros, 1
pode ter pelo menos dois carros, 2 podem ter pelo menos dois carros , as-
sim por diante, at as 15 famlias com pelo menos dois carros.
a) Este item pede a probabilidade de que exatamente 5 tenham

pelo menos dois carros, ou seja,

15
P(X = 5) = ( 0, 60) ( 0, 40)
5 10
5
116
e o nmero de tentativas n = 15 famlias selecionadas. com

P(sucesso) = 0,60, pois o enunciado nos informa que 60% das famlias
tm pelo menos dois carros, P(fracasso) = 0,40
Fazendo os clculos chegamos que
15
P(X = 5) = ( 0, 60) ( 0, 40)
5 10
5
= 0, 0245
b) A probabilidade pedida neste item pode ser escrita como:
P (8 X 10) = P ( X = 8) + P ( X = 9) + P ( X = 10)
15 7 15 6 15
= ( 0, 60) ( 0, 40) + ( 0, 60) ( 0, 40) + ( 0, 60) ( 0, 40)
8 9 10 5
8 9 10
= 0,177083662 + 0, 206597605 + 0,185937845
= 0, 5696
Observao: Estes clculos so facilmente efetuados com o auxlio
de uma calculadora cientfica.
Exemplo 5.7
Se 7% das peas produzidas por uma mquina so defeituosas, qual
a probabilidade de que em dez peas escolhidas aleatoriamente:
a) no haja peas defeituosas;
b) pelo menos 3 peas sejam defeituosas;
c) exatamente 5 peas sejam defeituosas;
d) entre 2 e 4 peas sejam defeituosas.
Resoluo
Temos aqui um experimento binomial com:
X: nmero de peas defeituosas

X = 0,1,2,3,...,10.
n = 10 peas
P(Sucesso) = p = 0,07
P(Fracasso) = q = 0,93
Note que a probabilidade de sucesso que a pea seja defeituosa, pois

a varivel aleatria est definida como o nmero de peas defeituosas.
117
10
a) P ( X = 0) = ( 0, 07 ) ( 0, 93) = 0, 4840
0 10
0
b) P ( X 3) = P ( X = 3) + P ( X = 4) + P ( X = 5) + ... + P ( X = 10)
Neste caso podemos simplificar os clculos utilizando o comple-

mentar do evento, isto ,
P ( X 3) = 1 P ( X < 3) = 1 P ( X = 0) + P ( X = 1) + P ( X = 2)
10 10 10 9 10 8
= 1 ( 0, 07 ) (0, 93) + (0, 07 ) (0, 93) + (0, 07 ) ( 0, 93)
0 1 2
0 1 2
= 1 [ 0, 483982307 + 0, 364287758 + 0,123387789]
= 1 [ 0, 971657854]
= 0, 0283
10
c) P ( X = 5) = ( 0, 07 ) ( 0, 93) = 0, 0003
5 5
5
d) P ( 2 X 4) = P ( X = 2) + P ( X = 3) + P ( X = 4)
10 8 10 10
= ( 0, 07 ) ( 0, 93) + ( 0, 07 ) ( 0, 93) + ( 0, 07 ) ( 0, 93)
2 3 7 4 6
2 3 4
= 0,123387789 + 0, 024766008 + 0, 003262189
= 0,1514
Conexo:
O clculo de probabilidades para variveis aleatrias cuja distribuio binomial
tambm pode ser feita no Excel. Para compreender a funo que deve ser utili-
zada, leia Utilizando o Microsoft Excel para Obter Probabilidades Binomiais, que
se encontra no livro Estatstica: Teoria e Aplicaes Usando Microsoft Excel em
Portugus, pp. 196.
Atividades
01. Uma urna contm 3 bolas brancas e 7 bolas verdes. Trs bolas so
retiradas com reposio. Seja X: nmero de bolas verdes. Calcule E(X) e
Var(X).
118
02. Uma companhia area tem as probabilidades
0,05 0,20 0,35 0,15 0,10 0,15
de receber 0, 1, 2, 3, 4 ou 5 reclamaes sobre desvio de bagagem por

dia. Quantas reclamaes a companhia espera (valor esperado ou mdia)
receber por dia?
03. Um comerciante tem a oportunidade de adquirir um embarque de

seda pura por R$ 30.000,00. A probabilidade de ele vender essa seda por
R$ 26.000,00 de 0,40 e a probabilidade de ele vend-la por R$ 35.000,00
de 0,60. Qual o lucro bruto esperado do comerciante?
04. O tempo T, em minutos, necessrio para um operrio processar certa

pea uma v.a. com a seguinte distribuio de probabilidade:
T 2 3 4 5 6 7
p(t) 0,1 0,1 0,3 0,2 0,2 0,1
Fonte: Bussab e Morettin, pag. 140.
a) Calcule o tempo mdio de processamento.
Para cada pea processada, o operrio ganha um fixo de R$ 2,00, mas,

se ele processa a pea em menos de seis minutos, ganha R$ 0,50 em cada
minuto poupado. Por exemplo, se ele processa a pea em quatro minutos,
recebe a quantia adicional de R$ 1,00.
b) Encontre a distribuio, a mdia e a varincia da v.a. G: quantia em

R$ ganha por pea.
05. Um curso de treinamento aumenta a produtividade dos funcionrios

da rea de atendimento ao consumidor em 80% dos casos. Se quinze fun-
cionrios participam desse curso, qual a probabilidade de:
a) exatamente quatro funcionrios aumentarem a produtividade;
b) de 5 a 7 funcionrios aumentarem a produtividade;
c) pelo menos dois funcionrios no aumentarem a produtividade.
119
06. Um lote com mquinas digital recebida por uma empresa. 30 apare-
lhos so inspecionados. O lote rejeitado se pelo menos 3 mquinas apre-
sentarem defeito. Sabendo-se que 1% das mquinas defeituosa, calcule a
probabilidade da empresa rejeitar todo o lote.
07. Um vendedor de seguros vende aplices a 5 homens, todos da mesma

idade e de boa sade. De acordo com as tabelas atuariais, a probabilidade
de um homem, dessa idade particular, estar vivo daqui a 30 anos de 2/3.
Determinar a probabilidade de estarem ainda vivos daqui a 30 anos:
a) todos os 5 homens;
b) pelo menos 3;
c) apenas 2;
d) pelo menos 1 homem.
08. A probabilidade de um estudante, que ingressa em uma universidade,

graduar-se, de 0,4. Determinar a probabilidade de, entre 5 estudantes:
a) nenhum graduar-se;
b) um graduar-se;
c) pelo menos um graduar-se.
09. Um aluno marca ao acaso as respostas em um teste mltipla escolha

com 10 questes e cinco alternativas por questo. Qual a probabilidade
dele acertar exatamente 4 questes?
10. Uma pesquisa concluiu que 30% das mulheres brasileiras conside-
ram a leitura sua atividade favorita de lazer. Voc seleciona ao acaso seis
mulheres e pergunta a elas se a leitura sua atividade favorita de lazer.
Obtenha a probabilidade de que:
a) exatamente duas delas respondam sim.
b) menos do que duas respondam sim.
Reflexo
Neste captulo vimos que a varivel aleatria fornece uma descrio
numrica de um experimento aleatrio. Com os resultados que uma va-
rivel aleatria pode assumir juntamente com suas respectivas probabili-

dade obtemos a distribuio de probabilidade e podemos calcular o valor
esperado (mdia) e o desvio padro para a varivel aleatria. Podemos
interpretar o valor esperado como uma mdia ponderada dos valores que a
120
varivel aleatria pode assumir. Os pesos so as probabilidades. Estuda-

mos, tambm, uma distribuio discreta de probabilidade que tem muitas
aplicaes: distribuio binomial. Desde que o experimento em estudo
satisfaa os requisitos necessrios para que a varivel aleatria tenha dis-
tribuio binomial, encontramos facilmente, com o auxlio de uma calcu-
ladora cientfica, as probabilidades de interesse.
Leitura Recomendada
Sugerimos que voc assista ao vdeo Revendo a Moratria, da
srie: Matemtica na Escola. Ele apresenta uma aplicao do conceito
de valor esperado. O endereo para acesso http://m3.ime.unicamp.br/
recursos/1170. Vale a pena conferir!
Referncias
BUSSAB, Wilton de O.; MORETTIN, Pedro A.. Estatstica bsica.


Comini. Introduo estatstica. Rio de Janeiro,: LTC, 2003.
FARBER, Larson. Estatstica aplicada. So Paulo: Pearson Prentice

Hall, 2004.
LEVINE, David M.; BERENSON, Mark L.; STEPHAN, David. Esta-

tstica: Teoria e Aplicaes Usando Microsoft Excel em Portugus.

Rio de Janeiro: LTC, 2000.
MAGALHES, Marcos Nascimento; LIMA, Antnio Carlos Pedroso

de. Noes de probabilidade e estatstica. So Paulo: Editora da Uni-
versidade de So Paulo, 2004.
SPIEGEL Murray R. Estatstica. 3.ed. So Paulo: Makron Books,

1993.
121
Gabarito
Captulo 1
1.
a) qualitativa nominal
b) quantitativa discreta
c) quantitativa contnua
d) quantitativa discreta
e) quantitativa contnua
f) quantitativa contnua
g) quantitativa discreta
h) qualitativa nominal
i) quantitativa contnua
j) quantitativa contnua
k) qualitativa ordinal
l) qualitativa ordinal
m) qualitativa nominal
n qualitativa nominal
2.
K 6 classes e amplitude da classe h 7
Tabela 1 Distribuio de frequncias das idades dos funcionrios.
Idades f fr fa
19| 26 5 0,1667 5
26| 33 13 0,4333 18
33| 40 4 0,1333 22
40| 47 4 0,1333 26
47| 54 3 0,1000 29
54| 61 1 0,0333 30
Total 30 1
a) 18
b) 13,33%
c) 17
d) 73,33%
e) 26,67%
122
3.
Outros
16,82%
Solteiro
42,87%
Separado
19,79%
Vivo
Casado
5,69
14,84%
Atravs do grfico, podemos dizer que aproximadamente 43% dos clientes desta agncia
de turismo so solteiros, 20% so separados, 17% tm outro tipo de estado civil, 15% so
casados e apenas 5% so vivos. Esta informao importante na hora de lanar pacotes
de viagens. A agncia deve se lembrar que grande parte de seus clientes so solteiros.
Tambm pode criar estratgias para trazer mais clientes casados ou vivos, que provavel-
mente devem ter outro tipo de perfil.
4.
a) Valores gastos com supermercado. Varivel quantitativa contnua.
b) Tabela 1: Distribuio de frequncias para a varivel Valores gastos com supermercado.
Classes (Gastos em R$) f fr fa

4,89| 61,89 17 0,34 17
61,89| 118,89 13 0,26 30
118,89| 175,89 5 0,10 35
175,89| 232,69 5 0,10 40
232,89| 289,89 3 0,06 43
289,89| 346,89 3 0,06 46
346,89| 403,89 2 0,04 48

403,89| 460,89 2 0,04 50
Total 50 1
123
c)
Histograma
18
16
14
12
10
8
6
4
2
0
4,98 | 61,89
61,89 | 118,89
118,89 | 175,89
175,89 | 232,89
232,89 | 289,89
289,89 | 346,89
346,89 | 403,89
403,89 | 460,89
Gastos (R$)
18 Polgono de Frequncias
17
16
14
13
12
Frequncia
10
8
6
5
4 5
3
2 3 2 2
2 0 0
0 33,39 90,38 147,39 204,39 261,39 318,39 375,39 432,39 489,39
Ponto mdio das classes Gastos (R$)
5.
a) Salrio de funcionrios de uma empresa. Esta varivel classificada como quantitati-
va contnua.
b) 45 funcionrios
c) 86 funcionrios
d) 9,30%
e) 72,09%
124
f)
Salrio (R$) f fr fa
500,00| 800,00 17 19,77 17
800,00| 1.100,00 45 52,33 62
1.100,00| 1.400,00 12 13,95 74
1.400,00| 1.700,00 4 4,65 78
1.700,00| 2.100,00 3 3,49 81
2.100,00| 2.400,00 3 3,49 84
2.400,00| 2.700,00 2 2,33 86
Total 86 100,00
Tabela 1 Distribuio de frequncias dos salrios dos funcionrios de uma empresa.
Captulo 2
Antes das respostas, gostaramos de deixar claro que as interpretaes das questes fi-
cam a cargo do estudante. Se ocorrerem dvidas, entrar em contato com o tutor.
1.
a) x 23,1, Md = 22,5 e Mo = 22
Classes f fr fa Pm
b)
10 14 3 0,0469 3 12
14 18 5 0,0781 8 16
18 22 12 0,1875 20 20
22 26 25 0,3906 45 24
26 30 12 0,1875 57 28
30 34 3 0,0469 60 32
34 38 2 0,0313 62 36
38 42 2 0,0313 64 40
Total 64 1,0000
c) x 24,6 Md 23,9 Md = 24 Q1 = 20,7 D1 26 P99 = 40,7
125
d)
Histograma
24
22
20
18
16
Frequncia
14
12
10
8
6
4
2
0
14
18
22
26
30
34
38
42
|
|
10
14
18
22
26
30
34
38
N de horas
2.
a) Vendas mensais. Varivel quantitativa contnua.
b) x 3,2 Md = 3,4 Mo = 3,5
c) Q3 20,7 D1 1,4 P80 = 4,1
d) 16,36%
e) 21,82%
f) 56,36%
g) 65,45%
3.
a) x 17,1
b) Md = 2
c) Mo = 2
4.
a) Idade dos funcionrios
b) 48
c) x 30,9 Md 29,7 Mo 27,8
d) Q1 25,7
e) 25
f) 4,17%
g) 47,9%
5. 4,3
126
Captulo 3
As interpretaes das questes ficam a cargo do estudante. Se ocorrerem dvidas, entrar
em contato com o tutor.
1.
a) R = 31s 6,1 s2 37,2 cv 0,2633 ou 26,33%
b) R = 32 s 5,8 s2 33,6 cv 0,2358 ou 23,58%
2. R = 6 s 1,24 s2 1,54 cv 0,3875 ou 38,75%
3. R = 7 s 2,88 s2 8,29 cv0,45 ou 45%
4. R = 5 s 1,29 cv 0,7588 ou 75,88%
5. R = 30 s 6,9 s2 47,6 cv 0,2233 ou 22,33%
6.
a) Caixa A (menor variao absoluta (s))
b) Caixa A (maior variao relativa (cv))
Captulo 4
1.
a) 0,2328
b) 0,0461
c) 0,7672
2.
a) 0,7
b) 0,725
c) 0,6897
d) 0,7143
e) 0,2727
f) 0,75
3.
a) 0,6667
b) 0,4
c) 0,3
d) 0,2222
127
4.
a) 0,75 b) 0,25
5. 0,9703
6.
a) 0,02875 b) 0,5565
Captulo 5
1. E(X) = 2,1 Var(X) = 0,63
2. 2,5
3. R$ 1.400,00
4.
a) 4,6 b) E(G) = 2,75 Var(G) = 0,4125
5.
a) 0,000011 b) 0,0042 c) 0,8329
6. 0,0033
7.
a) 0,1317 c) 0,1646
b) 0,7901 d) 0,9959
8.
a) 0,0778 b) 0,2592 c) 0,9222
9.
a) 0,0881
10.
a) 0,324135 b) 0,420175
128

Livro Proprietário-Probabilidade e Estatística PDF

Caricato da

Informazioni sul documento

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

Livro Proprietário-Probabilidade e Estatística PDF

Caricato da

Copyright:

Formati disponibili

Probabilidade e Estatstica

UniSEB Editora Universidade Estcio de S

ri o Objetivos da sua aprendizagem.................................. 7

1.4 Mtodos grficos........................................................................... 16

desmistificar o temor vivido pelos alunos com relao ao

o ensino mdio). As dificuldades enfrentadas e a falta de cone-

Quando realizamos uma coleta de dados, geralmente

formaes. Portanto, torna-se imprescindvel a utilizao de

Objetivos da sua aprendizagem

1.1 Breve histrico

1.2 Definio de Estatstica

1. Refere-se coleta de dados, na qual devemos utilizar tcnicas

2. Depois dos dados coletados, devemos resumi-los em tabelas

medidas de posio e variabilidade (quantidades). Esta etapa

3. Esta etapa envolve a escolha de um possvel modelo que ex-

Podemos citar inmeros exemplos da Estatstica em vrias reas do

1. Se estamos interessados em abrir um supermercado em um

2. Uma empresa, quando est interessada em lanar um novo

3. O gestor precisa saber escolher uma amostra representativa de

consequentemente, dinheiro da empresa em que trabalha.

4. Para se lanar um novo medicamento no mercado farmacuti-

5. Para uma empresa, muito importante fazer previses de

So inmeras e diversificadas as aplicaes de tcnicas estatsticas

de variveis quantitativas: quantitativa contnua e discreta.

1.3 Distribuio de frequncias

(frequncia) e a porcentagem com que aparece (frequncia relativa).

Frequncia relativa ou percentual (fr): o quociente da frequn-

Exemplo 1.1: Dada a tabela abaixo, vamos definir qual a varivel

Tabela 1.1 Distribuio de renda de operrios de uma determinada empresa.

Em todos os nossos exemplos, na distribuio de frequncias construda

As frequncias absolutas (f) so fornecidas no problema. As

Uma distribuio de frequncias apresenta, basicamente, as 3 colu-

Tabela 1.2 Distribuio das frequncias acumuladas da varivel faixa de renda.

Tabela 1.3 Distribuio de frequncias dos empregrados, segundo o nmero de filhos.

Para encontrarmos a fa e a fra (%) seguimos o mesmo procedimento

1.3.1 Agrupamento em classes

Limite inferior (Li): o menor valor que a varivel pode assumir

Limite superior (Ls): serve de limite para estabelecer qual o maior

Ponto mdio (Pm): a mdia aritmtica entre o Li e o Ls da mesma

Amplitude total (ht): a diferena entre o LS da ltima classe de

Na construo de uma distribuio de frequncias com intervalos

Os valores de k e h devem ser arredondados sempre para o maior valor. Por

Resumindo, para montar uma tabela de frequncias com intervalos

Contar o nmero de observaes que pertencem a cada interva-

Um outro critrio utilizado para construir distribuio de frequn-

A amplitude de cada intervalo de classe obtida por:

Devemos arredondar o valor de k para o nmero inteiro mais prximo, pois o

1.4 Mtodos grficos

cilitar a compreenso do fenmeno estatstico por meio do efeito visual

1.4.1 Tipos de grficos

Sempre que os dados estiverem distribu-

Exemplo 1.3: A tabela 1.4 fornece uma lista do nmero de assinan-

Ano Assinantes (em milhes)

Tabela 1.4 Assinantes de telefones celulares, em milhes, de 1997 a 2007.

O grfico que melhor representa este conjunto de dados o grfico

5 2,4 2,6 3,1

Figura 1.1 Grfico em linha para os dados de assinantes de telefones celulares.

1.4.1.2 Grfico (ou Diagrama) em Barras (ou Colunas)

Os diagramas em barras (ou colunas) so bastante utilizados quando

durante o ano de 2007 e as informaes

Causas Valor perdido (milhes de reais)

Tabela 1.5 Causas de perda de ativos durante o ano de 2007.

Graficamente, podemos representar este conjunto de dados de trs