2015
Editorial
Comit Editorial
Fernando Fukuda
Simone Markenson
Jeferson Ferreira Fagundes
Autora do Original
Valria Aparecida Ferreira
Probabilidade e Estatstica
Su
ri o
Ap
res
ent
Prezados(as) alunos(as)
Estatstica uma palavra de origem
latina, que significou por muito tempo cincia dos negcios do Estado. Ela pode ser vista
como uma Matemtica Aplicada, uma disciplina
da rea das cincias exatas que tem aplicao em praticamente todas as reas de estudo. Esse fato serve para
desmistificar o temor vivido pelos alunos com relao ao
ensino da matemtica em si (aquela que ns aprendemos at
o ensino mdio). As dificuldades enfrentadas e a falta de conexo 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 proporcionar 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 satisfatria da realidade que o cerca e das informaes que tm a sua
volta.
Estudaremos duas reas da Estatstica: Estatstica Descritiva e a Probabilidade. No Captulo 1 apresentaremos os
conceitos bsicos da Estatstica bem como descrio de
tcnicas para organizao e apresentao dos dados.
Introduo
Estatstica: Anlise
exploratria de dados
CCC
CC C
CCC
Neste primeiro captulo, apresentaremos alguns conceitos bsicos utilizados pela Estatstica,
alm de fornecer recursos de organizao, resumo e
apresentao de dados atravs de tabelas e grficos.
Quando realizamos uma coleta de dados, geralmente
estamos lidando com uma quantidade muito grande de informaes. 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 abordando num primeiro momento. Logicamente, h mais tcnicas que
podem ser aplicadas, mas elas sero vistas nos prximos captulos.
Aps o estudo dos conceitos e tcnicas apresentados neste captulo, esperamos 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?
Probabilidade e Estatstica
O interesse por levantamento de dados no algo que surgiu somente 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 auPara saber um pouco
sobre a evoluo histrica da
tores atribuem esta origem ao alemo
Estatstica, assista ao vdeo HisGottfried Achemmel (1719-1772), que
tria da Estatstica produzido pela
teria utilizado pela primeira vez o voFundao Universidade de Tocantins,
disponvel em: http://www.youtube.
cbulo Estatstica, em 1746.
com/watch?v=jCzMPL7Ub2k&featu
Na sua origem, a Estatstica esre=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 conhecimento, sempre que estiverem envolvidas coleta e anlise de dados.
3. Esta etapa envolve a escolha de um possvel modelo que explique 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 estatsticas, 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.
Probabilidade e Estatstica
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 assumir 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 expressas por um atributo. Podemos distinguir dois tipos de variveis qualitativas: 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.
11
Probabilidade e Estatstica
Frequncia relativa ou percentual (fr): o quociente da frequncia absoluta pelo nmero total de dados. Esta frequncia pode ser expressa 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
salrios mnimos)
Nmero de operrios
(f)
Frequncia relativa
(%) (fr)
0 | 2
43
39,09
2 | 4
39
35,45
4 | 6
16
14,55
6 | 8
7,27
8 | 10
3,64
Total
110
100
12
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.
Uma distribuio de frequncias apresenta, basicamente, as 3 colunas 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 acumulada utilizada na construo de um grfico denominado Ogiva. A
tabela 1.2 apresenta a frequncia acumulada e a frequncia relativa acumulada (%).
fr(%)
Frequncia
acumulada
(fa)
fra (%)
43
39,09
43
39,09
2 | 4
39
35,45
82
75,55
4 | 6
16
14,55
98
89,09
6 | 8
7,27
106
96,36
8 | 10
3,64
110
100,00
110
100
Faixa de renda
(em salrios
mnimos)
Nmero de
operrios (f)
0 | 2
Total
Nmero de operrios
(f)
6
11
13
7
5
Fr (%)
13,33
24,44
28,89
15,56
11,11
13
Probabilidade e Estatstica
Nmero de filhos
5
6
Total
Nmero de operrios
(f)
1
2
45
Fr (%)
2,22
4,44
100,00
Li + Ls
.
2
Amplitude (h): a diferena entre o Ls e o Li da classe, ou seja,
h = Ls Li.
classe, ou seja, Pm =
14
R 441
=
= 55,125 56 (maior inteiro depois de 55). Ou seja, deverk
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.
Probabilidade e Estatstica
Contar o nmero de observaes que pertencem a cada intervalo 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 frequncias com intervalos de classes a regra de Sturges.
Neste critrio, o nmero de classes a serem construdas obtido utilizando 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:
h=
amplitude total R
=
k
k
16
O objetivo da utilizao de grficos em anlise de dados o de facilitar a compreenso do fenmeno estatstico por meio do efeito visual
imediato que os grficos proporcionam.
Sempre que os dados estiverem distribudos 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 assinantes de telefones celulares, em milhes, de 1997 a 2007, do pas X. Construa um grfico para resumir os dados da tabela a seguir.
Ano
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
Probabilidade e Estatstica
30
25
21,5
18,6
20
15
10
5
0
1996
7,4
1,1
1,3
1998
1,5
1,9
2000
2,4
2,6
2002
Anos
3,1
2004
2006
2008
18
Causas
M administrao
Roubos de funcionrios
Fraudes nas vendas
Assaltos s lojas
Perda do estoque
Atendimento ruim
6
4
Atendimento ruim
Perda de estoque
Assaltos s lojas
Roubos de funcionrios
M administrao
Assalto s lojas
Causas
Perda do estoque
Roubos de funcionrios
M administrao
0
1
2
3
4
5
Valor perdido (milhes de reais)
Probabilidade e Estatstica
Atendimento ruim
M administrao
Roubos de
Funcionrios
21%
1.4.1.4 Histograma
20
Tabela 1.6 Distribuio de frequncias dos salrios dos funcionrios de uma empresa no
interior de Minas Gerais.
4400,00 | 4800,00
4000,00 | 4400,00
3600,00 | 4000,00
3200,00 | 3600,00
2800,00 | 3200,00
2400,00 | 2800,00
2000,00 | 2400,00
1600,00 | 2000,00
1200,00 | 1600,00
800,00 | 1200,00
40
35
30
25
20
15
10
5
0
400,00 | 800,00
Frequncia
Como os dados da tabela 1.6 esto apresentados em intervalos de classes podemos represent-los graficamente atravs de um histograma ou do
polgono de frequncias, como mostram as figuras 1.4 e 1.5, respectivamente.
Salrio (R$)
Figura 1.4 Histograma dos salrios dos funcionrios de uma empresa no interior de
Minas Gerais.
21
Probabilidade e Estatstica
38
35
30
Frequncia
25
20
18
15
12
10
8
22
0
200
600
1000
1400
1800
2200
2600
3000
3400
0
3800
4200
4600
0
5000
Figura 1.5 Polgono de frequncias dos salrios dos funcionrios de uma empresa no
interior de Minas Gerais.
1.4.1.6 Ogiva
Uma ogiva um grfico para uma distribuio de frequncias acumuladas. Utilizando o exemplo 1.5, a terceira coluna traz a frequncia
acumulada dos dados e a ogiva fica representada pela figura 1.6.
Para construir um grfico de ogiva, devemos usar o limite superior de cada intervalo no eixo horizontal e a frequncia acumulada no eixo vertical. A frequncia
acumulada relacionada com o limite inferior da primeira classe sempre zero.
100
90
Frequncia Acumulada
80
70
60
50
40
30
20
10
0
400 800 1200 1600 2000 2400 2800 3200 3600 4000 4400 4800
Salrio (R$)
Figura 1.6 Ogiva dos salrios dos funcionrios de uma empresa no interior de Minas
Gerais.
23
Probabilidade e Estatstica
Atividades
01. Classifique as variveis a seguir em quantitativas (discretas ou contnuas) 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 empresa. Fazer uma distribuio de frequncias, agrupando os dados em classes. OBS.: A tabela de distribuio de frequncias deve ser completa com
f, fr e fa.
Idades (dados brutos)
48
21
24
28
51
37
19
26
27
29
28
59
36
27
25
28
40
30
36
40
49
42
28
35
26
23
27
22
41
31
29
03. Uma agncia de turismo est interessada em saber o perfil dos seus
clientes com relao varivel estado civil. Para isso, o gerente desta agncia pediu ao funcionrio do setor de vendas para fazer um grfico que
resuma estas informaes. Construa o grfico e interprete-o.
Estado civil
Solteiro
Casado
Vivo
Separado
Outros
Total
Nmero de clientes
2600
900
345
1200
1020
6065
11,00
5,60
73,85
223,86
341,42
94,76
445,76
64,90
54,98
48,80
68,90
243,00
18,65
134,90
11,10
26,00
210,13
15,78
197,45
24,83
98,00
186,00
234,87
58,00
198,65
82,80
35,00
455,00
371,00
398,60
234,00
120,32
126,98
76,43
6,35
9,98
12,68
321,09
290,76
74,00
48,80
74,52
138,65
75,00
76,55
32,78
166,09
105,34
99,10
25
Probabilidade e Estatstica
45
17
1400| 1700
1700| 2100
2100| 2400
2400| 2700
1100| 1400
12
800| 1100
50
45
40
35
30
25
20
15
10
5
0
500| 800
Frequncia
Salrio (R$)
Reflexo
26
Leitura recomendada
Referncias
ANDERSON, David R.; SWEENEY, Denis J.; WILLIAMS, Thomas
A. Estatstica aplicada administrao e economia. So Paulo: Pioneira 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.
No prximo captulo
Se at agora vimos como organizar, resumir e apresentar os dados (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
Probabilidade e Estatstica
28
Medidas de posio
Cap
t u
lo
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.
Probabilidade e Estatstica
2.1 Mdia
A mdia aritmtica a mais comum e mais simples de ser calculada 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
x=
xi
i =1
(2.1)
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 produto dos n termos elevado ao inverso do nmero de termos, ou seja:
G=
x1 x 2 x 3 ... x n
ou
( x1 x 2 x 3... x n )
trica:
30
1
n
in=1
xi
1
n
n
em que i = 1 x i indica o produtrio de xi, para i variando de 1 a n.
Em algumas circunstncias no faz sentido calcular a mdia geom-
Md = x n +1
(2.2)
Se o nmero de elementos do conjunto de dados for par, ento a mediana ser exatamente a mdia dos dois valores do meio, isto :
x n + x n
Md =
+1
2
(2.3)
onde x n , x n + 1
indicam as posies onde os dados
e x n
+
1
2
2
2
se encontram.
31
Probabilidade e Estatstica
x=
32
xi
i =1
x=
x i fi
i =1
(2.4)
fi
i =1
cia).
Onde:
xi o valor da varivel (ou o ponto mdio de uma classe de frequnfi a frequncia referente a cada valor (ou classe).
k
i =1
33
Probabilidade e Estatstica
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
0
1
2
3
4
5
6
Total
f
31
20
8
2
0
1
1
63
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
=
=
0, 84
k
fi
63
63
i =1
ou seja, nesta empresa ocorreram, em mdia, 0,84 faltas por funcionrio, 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 distribuio de frequncias uma coluna com as frequncias acumuladas.
34
Nmero de Faltas
0
1
2
3
4
5
6
Total
f
31
20
8
2
0
1
1
63
fa
31
51
59
61
61
62
63
Agora, identificaremos a frequncia acumulada imediatamente superior metade do somatrio das frequncias simples:
k
fi
i =1
63
= 3,15
2
falta.
fi
No caso do valor i = 1
2
acumuladas fa, o clculo da mediana ser a mdia aritmtica entre dois valores da
varivel: xi e x(i+1).
fi
Moda
O valor que tem a maior frequncia para este
conjunto de dados de x = 0, ou seja, mais
As medidas refrequente encontrar funcionrios que no
sumo calculadas quando
faltam.
os dados estiverem agrupados
No caso do Exemplo 2.3 veremos
em intervalos de classes so
apenas aproximaes dos verdaque os dados esto agrupados em intervadeiros valores, pois substitumos
los de classes. Quando o conjunto de daos valores das observaes pelo
dos for apresentado sob a forma agrupada
ponto do mdio do intervalo
de classe.
perdemos a informao dos valores das
35
Probabilidade e Estatstica
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 frequncias 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)
318
1833
Tempo de vida (dias)
3348
4863
6378
7893
93108
108123
Total
f
3
4
f
4
8
10
28
2
1
60
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,
36
f
3
x=
x i fi
i =1
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
Md = linf md +
A md
Fmd
fi
Fmd 1 (2.5)
onde:
linfmd o limite inferior da classe que contm a mediana;
fi
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 primeiramente encontrar a classe que contm a mediana. Esta classe corres-
37
Probabilidade e Estatstica
fi .
2
Como
2
2
de 7893 (pois fa = 57).
Classe que
contm a
mediana
Tempo
de vida
PM
x1
fa
3|18
10,5
18|33
21,5
33|48
40,5
11
48|63
55,5
19
63|78
10
70,5
29
78|93
28
85,5
57
93|108
10,5
59
108|123
115,5
60
Total
60
N de observaes
da classe que
contm a mediana
fa da classe
anterior classe
que contm a
Md
fi
Alm disso, temos:
38
cias. Portanto, fi = 60 .
Fmd1 = frequncia acumulada da classe anterior classe que contm 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.
15
15 60
29 = 78 + ( 30 29 ) = 78 + 0, 54 78, 5
28 2
28
Atravs da mediana podemos dizer que pelo menos 50% dos componentes eletrnicos avaliados tm durao igual ou inferior a 78 dias e
12 horas.
Moda
No clculo da moda para dados agrupados devemos primeiramente identificar a classe modal, ou seja, a classe que apresenta a
maior frequncia.
Aps a identificao da classe modal, utilizaremos a seguinte frmula para calcular a moda bruta:
Mo =
l+L
(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.
39
Probabilidade e Estatstica
40
dos quartis, pode acontecer do resultado ser um nmero inteiro ou um nmero fracionrio. Ento, adotaremos a seguinte conveno:
Probabilidade e Estatstica
n 18
= = 4, 5
4 4
2 x n 2 x 18
=
=9
4
4
6+7
= 6, 5
2
42
(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 encontrada nesta posio.
Se a diviso for um nmero inteiro, o percentil ser a mdia
aritmtica da resposta da varivel que ocupar a posio encontrada 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
43
Probabilidade e Estatstica
Para calcular os quartis quando os dados esto organizados em intervalos 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:
Q1 = linf q1 +
A q1 fi
Fq11 (2.7)
f q1 4
onde:
linf o limite inferior da classe que contm o primeiro quartil;
q1
fi
A q3 3 x fi
Fq3 1 (2.8)
f q3
4
onde:
linfq3 o limite inferior da classe que contm o terceiro quartil;
fi
44
Exemplo 2.6
Vamos utilizar os dados do exemplo 2.3 para encontrar o primeiro e
o terceiro quartil.
Tempo
de vida
318
1833
3348
4863
6378
7893
93108
108123
Total
3
4
4
8
10
28
2
1
60
PM
xi
10,5
25,5
40,5
55,5
70,5
85,5
100,5
115,5
fa
3
7
11
19
29
57
59
60
Resoluo
Primeiramente, temos que encontrar a classe que contm o primeiro
45
Probabilidade e Estatstica
15
15 60
De acordo com o resultado obtido podemos esperar que aproximadamente 25% dos dados so menores ou iguais a 55,5, ou seja, aproximadamente 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 imediatamente superior
3 x fi
.
4
Como 3 x fi = 3 x 60 , temos que a classe que contm o tercei4
4
ro quartil de 7893 (pois f_a=57).
Alm disso, temos:
fi = nmero total de observaes da distribuio de frequncias. Portanto,
fi
= 60.
Fq3= frequncia acumulada da classe anterior classe que contm 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.
46
Q3 = 78 +
15 3 x 60
15
29 = 78 + ( 45 29 ) = 78 + 8, 57 86, 57
28 4
28
De acordo com o resultado obtido podemos esperar que aproximadamente 75% dos dados so menores ou iguais a 86,57, ou seja, aproximadamente 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:
Pk = linf pk +
A pk k x fi
Fpk 1
f pk 100
(2.9)
em que k = 1,2,,99.
O procedimento para encontrar as quantidades que devem ser substitudas 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
de vida
318
1833
3348
4863
6378
7893
93108
108123
Total
3
4
4
8
10
28
2
1
60
PM
xi
10,5
25,5
40,5
55,5
70,5
85,5
100,5
115,5
fa
3
7
11
19
29
57
59
60
47
Probabilidade e Estatstica
fi
15 15 x 60
15
7 = 33 + ( 9 7 ) = 33 + 7, 5 = 40, 5
4 100
4
De acordo com o resultado obtido podemos esperar que aproximadamente 15% dos dados so menores ou iguais a 40,5, ou seja, aproximadamente 15% dos componentes eletrnicos tm durao inferior a 40 dias
e 12 horas.
48
Conexo:
Agora que j abordamos como se calcula os quartis e percentis, faa uma leitura 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.
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. absoluta, 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. Interprete os resultados.
d) Construa o histograma para este conjunto de dados.
49
Probabilidade e Estatstica
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
01
12
12
23
20
34
48
45
14
56
10
Total
110
50
nmero de filhos
frequncia de famlias
19
22
28
16
Frequncia
04. O histograma abaixo representa a distribuio das idades dos funcionrios de uma agncia bancria. Com base no histograma abaixo,
responda:
Histograma
16
15
14
13
12
11
10
9
8
7
6
5
4
3
2
1
0
20 | 25
25 | 30
30 | 35
35 | 40
40 | 45
45| 50
Idade
51
Probabilidade e Estatstica
Reflexo
Leitura recomendada
Referncias
ANDERSON, David R.; SWEENEY, Denis J.; WILLIAMS, Thomas
A. Estatstica aplicada administrao e economia. So Paulo: Pioneira Thomson Learning, 2003.
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
No prximo captulo
53
Probabilidade e Estatstica
Minhas anotaes:
54
Medidas de disperso
Cap
t u
lo
Por meio do estudo deste captulo, esperamos que voc seja capaz
de calcular e interpretar as medidas de disperso aplicadas a conjuntos 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 cidades) estar congestionado. Talvez o melhor seria deixar para sair outra
hora (se isto for possvel). O fluxo de veculos, nesses momentos, apresenta certa homogeneidade, ou seja, quase sempre est intenso. Dificilmente, 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 homogeneidade (ou heterogeneidade) nos ajudar a tomar a deciso mais
adequada.
Probabilidade e Estatstica
Vamos analisar um exemplo bem simples que nos d a ideia da importncia de se conhecer as medidas de disperso para a tomada de algumas decises.
56
Exemplo 3.1: Imagine que estamos interessados em fazer uma viagem 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 diAs 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
entre conjuntos de observaes quanto sua
25 C, poderamos colocar na
homogeneidade. Quanto menor as medidas
mala apenas roupas de vero? A
de disperso, mais homogneo o conjunto
resposta no. Por exemplo, se
de dados.
estivssemos interessados em viajar
para o Hava (em Honolulu), poderamos 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 Honolulu 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 seguintes medidas de disperso: amplitude, amplitude interquartil, desviopadro, varincia e coeficiente de variao.
Primeiramente, vamos apresentar os clculos das medidas de disperso para dados no-tabulados, ou seja, quando os dados no estiverem
na forma de distribuio de frequncias.
A amplitude total a diferena entre o maior e o menor valor observado 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 disperso mais resistente a valores extremos.
Probabilidade e Estatstica
( x i x )2
i =1
s=
n 1
( x1 x ) 2 + ( x 2 x ) 2 + + ( x n x ) 2
n 1
(3.3)
s=
x i2
( x )
n 1
(3.4)
onde:
Como o desvio-padro uma medida de disperso e mede a variabilidade entre os valores, temos que valores muito prximos resultaro em
desvios-padres pequenos, enquanto que valores mais espalhados resultaro em desvios-padres maiores.
58
s2 =
(x i x )2
i =1
(3.5)
n 1
ou
s2 =
x i2
( x )
n 1
(3.6)
A varincia no uma medida muito utilizada para mostrar a disperso de um conjunto de dados, pois, expressa o seu resultado numa medida
ao quadrado, no sendo possvel interpretar o seu valor. Portanto, na anlise descritiva dos dados, no vamos trabalhar com esta medida constantemente. Se um determinado problema fornecer a varincia do conjunto de
dados, basta calcularmos a raiz quadrada deste valor (varincia) e obteremos o desvio-padro, que facilmente interpretado por estar na mesma
medida do conjunto de dados.
Probabilidade e Estatstica
s
100
x
(3.7)
Vamos exemplificar o clculo da amplitude, da amplitude interquartil, do desvio-padro, da varincia e do coeficiente de variao utilizando
o exemplo 2.1, que apresenta o conjunto de dados brutos.
60
3xn 3x5
=
= 3, 75 .
4
4
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 frmula (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 encontrada anteriormente igual a 1.077 e utilizando a frmula (3.3), temos:
61
Probabilidade e Estatstica
s=
=
=
( x i x )2
i =1
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
218.808
= 54.702 233 , 88 pessoas
4
cv =
62
s 233, 88
=
0, 2172 ou 21, 72%
1.077
x
s=
( x i x )2 fi
i =1
(3.8)
n 1
Desenvolvendo a frmula (3.8) chegamos frmula (3.9) que tambm utilizada para o clculo do desvio-padro:
s=
x i2
( x f )
f
i
(3.9)
n 1
onde, para ambas as frmulas (3.8) e (3.9), xi representa cada uma das observaes 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.
s2 =
( x i x )2 fi
i =1
ou
EAD-15-Probabilidade e Estatstica Proibida a reproduo UniSEB
(3.10)
n 1
( x f )
f
s2 =
x i2
n 1
(3.11)
Probabilidade e Estatstica
31
20
Total
63
64
A maior diferena entre os nmeros de faltas ao trabalho, por motivo de sade, que funcionrios de uma determinada empresa tiveram no
perodo de um ms, 6 faltas.
xi2 fi
fi
xi x fi
31
20
20
20
16
32
18
25
36
Total ()
63
53
131
( x f )
f
s=
x i2
n -1
131
(53)2
63 =
63 1
2809
63 131 44, 59
62
62
131
EAD-15-Probabilidade e Estatstica Proibida a reproduo UniSEB
65
Probabilidade e Estatstica
s 1,18
=
1, 4048 ou 140,48%
x 0, 84
O coeficiente de variao nos diz que este conjunto de dados apresenta 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 frequncias do tempo de vida de 60 componentes eletrnicos (medido em dias)
submetidos experimentao num laboratrio especializado.
66
318
1833
25,5
3348
40,5
4863
55,5
6378
10
70,5
7893
28
85,5
93108
100,5
108123
115,5
Total
60
10,5
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 componentes eletrnicos foi de 120 dias, ou seja, o componente com maior sobrevivncia 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
Pm (xi)
xi fi
xi2 fi
318
10,5
31,5
330,75
1833
25,5
102
2601
3348
40,5
162
6561
4863
55,5
444
24642
6378
10
70,5
705
49702,5
7893
28
85,5
2394
204687
93108
100,5
201
20200,5
108123
115,5
115,5
13340,25
Total
60
4155
322065
67
Probabilidade e Estatstica
s=
x i2
( x f )
f
i
n 1
322065
( 4155)2
60
60 1
17264025
60
59
322065
322065 287733, 75
581, 89 24,12 dias
59
s 24,12
=
0, 3483 ou 34,83%
x 69, 25
68
Atividades
01. Vamos utilizar, entre outros exerccios, os mesmos da captulo 2, porm 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
69
Probabilidade e Estatstica
Nmero de vendedores
0 | 1
1 | 2
12
2 | 3
20
3 | 4
48
4 | 5
14
5 | 6
10
Total
110
70
nmero de filhos
frequncia de famlias
19
22
28
16
05. O histograma abaixo representa a distribuio das idades dos funcionrios de uma agncia bancria. Com base no histograma abaixo, responda:
Frequncia
Histograma
16
15
14
13
12
11
10
9
8
7
6
5
4
3
2
1
0
20 | 25
25 | 30
30 | 35
35 | 40
40 | 45
45| 50
Idade
06. Um fabricante de caixas de cartolina fabrica trs tipos de caixa. Testase 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
15
20
30
Probabilidade e Estatstica
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 comparvel 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
Referncias
ANDERSON, David R.; SWEENEY, Denis J.; WILLIAMS, Thomas
A. Estatstica aplicada administrao e economia. So Paulo: Pioneira Thomson Learning, 2003.
BUSSAB, Wilton de O.; MORETTIN, Pedro A. Estatstica bsica.
So Paulo: Saraiva, 2003.
72
No prximo captulo
73
Probabilidade e Estatstica
Minhas anotaes:
74
Noes de
Probabilidade
Cap
t u
lo
Voc se lembra?
Probabilidade e Estatstica
Introduo
76
Temos:
1 Etapa (escolha do
sanduche)
2 Etapa (escolha do
suco)
Resultado combinado
laranja
(F,L)
uva
(F,U)
laranja
(A,L)
uva
(A,U)
laranja
(Q,L)
uva
(Q,U)
Frango
Atum
Queijo branco
77
Probabilidade e Estatstica
Exemplo 4.2
Quantos nmeros de trs algarismos podemos formar com os algarismos 0,1,2,3,4,5 e 6?
Resoluo:
O primeiro algarismo pode ser escolhido de seis maneiras distintas, pois o nmero que ser formado no pode comear por
zero. Observe que 021 = 21;
O segundo algarismo pode ser escolhido de sete maneiras distintas, pois pode haver repetio de algarismo;
O terceiro algarismo tambm pode ser escolhido de sete maneiras 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 conceito uma ferramenta de clculo importante em Anlise Combinatria.
n! = n (n 1) (n 2) ... 321,para n 2
78
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
Vamos encontrar o valor de
12 !
.
8!
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, obtendo como resultado 1. Ento, o resultado final ser a multiplicao de
12 11 10 9.
Agora, vamos estudar mtodos de contagem de determinados agrupamentos, 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 elementos distintos escolhidos entre os n existentes.
Expressamos a definio acima da seguinte maneira:
A n ,k =
n!
,nk
( n k )!
Exemplo 4.4
Dado o conjunto A={1,2,3,4,5,6}, quantos arranjos desses seis elementos 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
Probabilidade e Estatstica
6!
6! 6 5 4!
= =
= 30
4!
( 6 2 )! 4!
Na resoluo do exemplo, listamos todos os possveis arranjos somente 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
escolha do 1 elemento do par
n de opes para a
escolha do 2 elemento do par
4.4 Permutao
Pn = n!
80
Pn = A n,n =
n!
n!
= = n!
(n n!) 0 !
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
n!
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 elementos repetidos.
O nmero de anagramas que podemos formar :
P102,2,2 =
10 9 8 7 6 5 4 3 2! 1814400
=
= 453600
2!2!2!
4
81
Probabilidade e Estatstica
4.5 Combinao
n!
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 distintas 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 combinao de quatro sabores tomados dois a dois.
O nmero de formas distintas de Maria escolher os sabores :
C 4, 2 =
4!
4 3 2!
=
=6
2 !( 4 2 )!
2!2
82
Quando estudamos a histria da probabilidade, o nome de Gerolamo 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 surgiu 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 desenvolvimento da Teoria de Probabilidades as Leis do Acaso.
Com o desenvolvimento das teorias de probabilidades, houve uma evoluo 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 probabilidade, baseada na Teoria dos Conjuntos, reduzindo a Teoria das Probabilidades 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.
Probabilidade e Estatstica
letra grega mega . Cada elemento do espao amostral denominado ponto amostral.
Evento: um subconjunto do espao amostral (indicado por
letras maisculas do nosso alfabeto). O evento que possui somente 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 experimento 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 denominado 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 evento 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 .
84
4.8.1 Unio
4.8.2 Interseco
A interseco de dois eventos A e B, denotado por A B, o evento que contm os pontos amostrais que pertencem simultaneamente aos
eventos A e B.
85
Probabilidade e Estatstica
Observao
Quando estamos interessados na interseco de dois eventos utilizamos 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 evento 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 evento A, ou seja, Ac = W A
AC
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}
86
Resoluo
A B = {1,2,3,4,6}
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 ocorrncia de um evento. O clculo da probabilidade pode ser efetuado de trs
maneiras: atravs da definio clssica de probabilidade, atravs da definio frequencial de probabilidade e atravs do mtodo subjetivo.
Vamos concentrar nossos estudos na definio clssica e frequencial. No mtodo subjetivo, a probabilidade estimada com base no conhecimento 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.
(4.1)
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
Probabilidade e Estatstica
4
52
Podemos expressar os resultados das probabilidades em forma de fraes, decimais ou percentuais. Nesse caso, podemos indicar o resultado por
P (A) =
4
, 0, 0769 , ou, ainda, 7,69%.
52
Vimos que a definio clssica de probabilidade s pode ser aplicada 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 probabilidade P(A) obtida atravs da definio frequencial dada por:
P(A) =
(4.2)
88
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 probabilidade de que um consumidor que compre uma televiso dessa marca
no precise utilizar a garantia?
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:
P(A) =
1.600 4
= = 0, 8
2.000 5
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 formado por 52 pontos amostrais, ou seja, W = {Ao,...,Ko, AE,... KE, AP,...
KP,AC,...,Kc}. Vale relembrar que todos os pontos amostrais so equiprovveis, 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
Probabilidade e Estatstica
4
52
Assim,
P ( A B) = P ( A ) + P ( B) P ( A B)
4 13 1
+
52 52 52
16
P ( A B) =
52
P ( A B) =
Exemplo 4.13
Uma urna contm 30 bolas vermelhas, 12 bolas azuis e 7 bolas pretas. 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
90
7
49
Exemplos 4.14
Em um congresso cientfico existem 25 administradores e 17 matemticos. Qual a probabilidade de ser formar uma comisso com 8 membros, na qual figurem 5 administradores e 3 matemticos?
Resoluo
Vamos definir o evento A como: a comisso formada por 5 administradores e 3 matemticos.
O nmero total de comisses que conseguimos formar com 8 membros :
42
= 118.030.185
8
Agora, o nmero de comisses que conseguimos formar com 5 administradores e 3 matemticos :
25 17
= 36.128.400
5 3
Portanto:
P (A) =
36.128.400
= 0, 3061 x 100 = 30, 61%
118.030.185
Probabilidade e Estatstica
P1
P2
12
120 42
74
Ento:
a) Definindo o evento A: o aluno no acertou nenhum problema,
temos:
P (A) =
92
74
= 29, 84%
248
42
= 16, 94%
248
P ( A B)
,
P ( B)
com P ( B) > 0
(4.3)
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
superior
No possui curso
superior
Total
Com experincia
anterior
35
45
80
Sem experincia
anterior
15
20
Total
50
50
100
93
Probabilidade e Estatstica
35 / 100 35
=
= 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.
94
(4.5)
(4.6)
Exemplo 4.17
Numa caixa com 20 lmpadas, 4 so defeituosas. Extraindo-se aleatoriamente 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, encontre 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 perfeitas. Vamos indicar por P1 primeira lmpada ser perfeita e por P2 segunda
lmpada ser perfeita. Como queremos encontrar a probabilidade da primeira ser perfeita e da segunda ser perfeita tambm devemos utilizar o
conceito da regra da multiplicao,
95
Probabilidade e Estatstica
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 segunda 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
16 16
= 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 probabilidade de ele responder corretamente a todas as cinco perguntas?
96
Resoluo
Definindo os eventos:
P1: acertar a pergunta 1
P2 :acertar a pergunta 2
P3: acertar a pergunta 3
P4: acertar a pergunta 4
P5: acertar a pergunta 5
Como o sistema escolhe as alternativas aleatoriamente, a probabilidade de ele acertar a pergunta 1 (pois de 4 alternativas, somente 1
4
correta).
O fato do sistema ter escolhido uma alternativa (correta ou errada)
em determinada pergunta no afeta as probabilidades de escolhas das outras 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
Probabilidade e Estatstica
P (A R )
P (R )
98
Esta regra nos diz que a probabilidade da interseco dos dois eventos pode ser obtida da seguinte maneira:
P (A R )
P (A R )
P (R | A) P (A)
=
=
P (R )
P ( R A ) + P ( R B) P ( R | A ) P ( A ) + P ( R | B) P ( B)
P (A | R ) =
0, 30
0, 30
=
= 0, 5 = 50%
0, 30 + 0, 30 0, 60
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 ocorrncia do evento Ci, supondo-se a ocorrncia do evento A, dada por:
P ( Ci | A ) =
P ( Ci ) P ( A | Ci )
j = 1 P (C j ) P ( A | C j )
n
Probabilidade e Estatstica
Atividades
01. Uma biblioteca acaba de receber, por doao, 40 novos livros, inclusive 15 romances histricos. Se 3 desses livros so escolhidos aleatoriamente, 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 eventos 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 estado civil de 150 clientes.
Estado Civil
100
Idade
Solteiro
Casado
30
70
20
mais de 30
30
30
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 perfeitamente 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 apresentar 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 cliente E, sabendo-se que apresentou erro?
101
Probabilidade e Estatstica
Reflexo
O estudo de probabilidades, que iniciamos neste captulo, tem muitas 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: determinar 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 apresentados 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
ANDERSON, David R.; SWEENEY, Denis J.; WILLIAMS, Thomas
A. Estatstica aplicada administrao e economia. So Paulo: Pioneira Thomson Learning, 2003.
BARBETTA, Pedro A.; REIS, Marcelo M.; BORNIA, Antonio C. Estatstica: para os cursos de engenharia e informtica. So Paulo: Atlas,
2004.
102
No prximo captulo
103
Probabilidade e Estatstica
Minhas anotaes:
104
Variveis aleatrias
Cap
t u
lo
Voc se lembra?
Probabilidade e Estatstica
Funo Discreta de Probabilidade a funo que atribui a cada valor 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)
x3
p(x3)
x2
p(x2)
.
.
.
.
.
.
xn
p(xn)
106
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 condies:
0 p(xi) 1,
i = 1,2,...,n
n
p( x i ) = 1
i =1
Exemplo 5.1: Vamos considerar o experimento aleatrio que consiste 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.
c,c,c
c,c,r
c,r,c
c,r,r
r,c,c
r,c,r
r,r,c
r,r,r
107
Probabilidade e Estatstica
p(x)
1/8
3/8
3/8
1/8
p (x i ) = 1 , para i = 1, 2, 3, 4.
i =1
Nmero de dias
15
17
12
18
10
108
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:
Nmero de dias
Probabilidade
15
0,1667
17
0,1889
12
0,1333
18
0,2000
0,0889
10
0,1111
0,1000
0,0111
Probabilidade
0,1667
0,1889
0,1333
0,2000
0,0889
0,1111
0,1000
0,0111
Total
109
Probabilidade e Estatstica
A mdia de uma v.a. X tambm chamada de valor esperado ou esperana matemtica representada por E(X) e definida como:
n
E (X) = xi p ( xi )
(5.2)
i =1
Var ( X ) = E X E ( X ) =
x
( i ) xi p ( xi ) (5.3)
i =1
i =1
J vimos anteriormente que o desvio-padro (s) a raiz quadrada da
varincia, portanto:
( )
2
x i2 p
( x ) = Var ( x )
110
(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.
p(x)
x p(x)
x2 p(x)
1/8
3/8
3/8
3/8
3/8
6/8
12/8
1/8
3/8
9/8
Total
12/8
24/8
Resoluo
Substituindo os valores do quadro apresentado nas respectivas frmulas temos:
n
E (X) = xi p ( xi ) =
i =1
( ) E (X)
Var ( X ) = E X
12
= 1, 5
8
x i2 p
i =1
( x i ) x i p ( x i )
i =1
= 3 (1, 5)
= 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 seguinte funo de probabilidade:
T
P(T)
0,1
0,1
0,2
0,2
0,2
0,1
0,1
O candidato recebe 4 pontos se faz em 9 minutos, 5 se faz em 8 minutos e assim por diante. Determine a mdia e a varincia do nmero de
pontos obtidos no teste.
111
Probabilidade e Estatstica
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
0,1
0,2
0,2
0,2
0,1
0,1
Definida a funo distribuio de probabilidade da varivel P, encontramos a mdia e a varincia acrescentando duas colunas no quadro
acima:
112
P(P)
PP(P)
P2 P(P)
10
0,1
10
0,1
0,9
8,1
0,2
1,6
12,8
0,2
1,4
9,8
0,2
1,2
7,2
0,1
0,5
2,5
0,1
0,4
1,6
Total
52
E ( P ) = pi p ( pi ) = 7
i =1
Var ( P ) = E P E ( P ) = pi p ( pi ) pi p ( pi )
i =1
i =1
( )
= 52 ( 7 ) = 3
2
X: lucro
Para entendermos melhor as informaes contidas no enunciado,
vamos montar um quadro:
X
Custo
Venda
50
90
40
0,9
50+25
90
15
0,06
50+25
20
-55
0,04
peas defeituosas
(lucro)
P(X)
113
Probabilidade e Estatstica
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
34,70
114
(5.5)
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.
Probabilidade e Estatstica
O valor esperado e a varincia de uma v.a. binomial, com parmetros n e p so, respectivamente, dados por:
E(X) = n . p
Var (X) = n . p . q
(5.6)
Exemplo 5.6: Uma pesquisa mostrou que 60% das famlias residentes na grande So Paulo tm pelo menos dois carros. Determine a probabilidade 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 binomial, pois:
o experimento est sendo realizado 15 vezes, ou seja, 15 famlias 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 famlias com pelo menos dois carros, a v.a. definida como:
X: nmero de famlias com pelo menos dois carros.
116
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
Probabilidade e Estatstica
10
0
10
a) P ( X = 0) = ( 0, 07 ) ( 0, 93) = 0, 4840
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 complementar do evento, isto ,
P ( X 3) = 1 P ( X < 3) = 1 P ( X = 0) + P ( X = 1) + P ( X = 2)
10
0
10 10
1
9 10
2
8
= 1 ( 0, 07 ) (0, 93) + (0, 07 ) (0, 93) + (0, 07 ) ( 0, 93)
1
2
0
= 1 [ 0, 483982307 + 0, 364287758 + 0,123387789]
= 1 [ 0, 971657854]
= 0, 0283
10
5
5
c) P ( X = 5) = ( 0, 07 ) ( 0, 93) = 0, 0003
5
d) P ( 2 X 4) = P ( X = 2) + P ( X = 3) + P ( X = 4)
10
10
2
8 10
3
7
4
6
= ( 0, 07 ) ( 0, 93) + ( 0, 07 ) ( 0, 93) + ( 0, 07 ) ( 0, 93)
2
4
3
= 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 utilizada, 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
118
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).
0,20
0,35
0,15
0,10
0,15
p(t)
0,1
0,1
0,3
0,2
0,2
0,1
119
Probabilidade e Estatstica
06. Um lote com mquinas digital recebida por uma empresa. 30 aparelhos so inspecionados. O lote rejeitado se pelo menos 3 mquinas apresentarem 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 consideram 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
120
varivel aleatria pode assumir. Os pesos so as probabilidades. Estudamos, 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 distribuio binomial, encontramos facilmente, com o auxlio de uma calculadora cientfica, as probabilidades de interesse.
Leitura Recomendada
Referncias
ANDERSON, David R.; SWEENEY, Denis J.; WILLIAMS, Thomas
A. Estatstica aplicada administrao e economia. So Paulo: Pioneira Thomson Learning, 2003.
BUSSAB, Wilton de O.; MORETTIN, Pedro A.. Estatstica bsica.
So Paulo: Saraiva, 2003.
FARIAS, Alfredo Alves de; SOARES, Jos Francisco; CSAR, Cibele
Comini. Introduo estatstica. Rio de Janeiro,: LTC, 2003.
Probabilidade e Estatstica
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
5
fr
0,1667
fa
19| 26
26| 33
13
0,4333
18
33| 40
0,1333
22
40| 47
0,1333
26
47| 54
0,1000
29
54| 61
0,0333
30
Total
30
a) 18
Proibida a reproduo UniSEB
b) 13,33%
122
c) 17
d) 73,33%
e) 26,67%
3.
Outros
16,82%
Solteiro
42,87%
Separado
19,79%
Vivo
5,69
Casado
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 provavelmente devem ter outro tipo de perfil.
4.
a) Valores gastos com supermercado. Varivel quantitativa contnua.
fr
fa
4,89| 61,89
17
0,34
17
61,89| 118,89
13
0,26
30
118,89| 175,89
0,10
35
175,89| 232,69
0,10
40
232,89| 289,89
0,06
43
289,89| 346,89
0,06
46
346,89| 403,89
0,04
48
403,89| 460,89
0,04
50
Total
50
123
Probabilidade e Estatstica
c)
403,89 | 460,89
346,89 | 403,89
289,89 | 346,89
232,89 | 289,89
118,89 | 175,89
61,89 | 118,89
4,98 | 61,89
175,89 | 232,89
Histograma
18
16
14
12
10
8
6
4
2
0
Gastos (R$)
18
17
16
Frequncia
14
Polgono de Frequncias
13
12
10
8
6
2
2
5
3
0
0
5.
a) Salrio de funcionrios de uma empresa. Esta varivel classificada como quantitatiProibida a reproduo UniSEB
va contnua.
124
b) 45 funcionrios
c) 86 funcionrios
d) 9,30%
e) 72,09%
f)
Salrio (R$)
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
4,65
78
1.700,00| 2.100,00
3,49
81
2.100,00| 2.400,00
3,49
84
2.400,00| 2.700,00
2,33
86
Total
86
100,00
Captulo 2
Antes das respostas, gostaramos de deixar claro que as interpretaes das questes ficam a cargo do estudante. Se ocorrerem dvidas, entrar em contato com o tutor.
1.
a) x 23,1, Md = 22,5 e Mo = 22
b)
Classes
fr
fa
Pm
10 14
0,0469
12
14 18
0,0781
16
18 22
12
0,1875
20
20
22 26
25
0,3906
45
24
26 30
12
0,1875
57
28
30 34
0,0469
60
32
34 38
0,0313
62
36
38 42
0,0313
64
40
Total
64
1,0000
125
Probabilidade e Estatstica
d)
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
f) 4,17%
126
g) 47,9%
5. 4,3
42
38
|
|
34
30
38
34
30
|
26
22
22
18
18
|
14
|
10
26
24
22
20
18
16
14
12
10
8
6
4
2
0
14
Frequncia
Histograma
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
s2
cv 0,2358
ou
23,58%
s 5,8
33,6
ou
45%
4. R = 5 s 1,29 cv 0,7588
75,88%
5. R = 30
ou
38,75%
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
EAD-15-Probabilidade e Estatstica Proibida a reproduo UniSEB
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
Probabilidade e Estatstica
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
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
9.
Proibida a reproduo UniSEB
a) 0,0881
128
10.
a) 0,324135
b) 0,420175
c) 0,9222