Apostila Estatistica

UNIVERSIDADE ESTADUAL DE MARING
CENTRO DE CINCIAS EXATAS

DEPARTAMENTO DE ESTATSTICA
Disciplina: Estatstica
Ano: 2016
1
Prof. Ms. Ana Beatriz Tozzo Martins

Prof. Ms. Cldina Regina L. Acorsi
Prof. Ms. Darlei Landi
I - INTRODUO
1. OBJETIVOS DA DISCIPLINA: Capacitar o acadmico a:
- Coletar e organizar dados.
- Apresentar os dados por intermdio de tabelas e/ou grficos.
- Analisar dados aplicando os recursos estatsticos necessrios.
- Fazer inferncias e previses interpretando os resultados numricos fornecidos
atravs dos recursos estatsticos.
- Utilizar profissionalmente mtodos cientficos da teoria estatstica em seu campo de
trabalho.
- Entender a literatura cientfica da rea.
2. DEFINIO: Estatstica um conjunto de conceitos e mtodos cientficos para a coleta, a
organizao, a descrio, a anlise e a interpretao de dados experimentais, que permitem
concluses vlidas e tomadas de decises razoveis.
Para alguns estudiosos, a estatstica uma arte; para outros, a simples aplicao de bom
senso. Em qualquer caso, a estatstica ajuda a tomar decises com informaes incompletas. Nem
sempre possvel compreender o significado dos dados disponveis por simples inspeo de seus
valores numricos. Entretanto, o sucesso da deciso depender da habilidade em compreender as
informaes contidas nesses dados. Portanto, necessitamos de mtodos que permitam extrair dos
dados as informaes necessrias para compreender o que representam.
Exemplo 1: Suponha que voc tenha um tambor de 200 litros cheio com bolinhas de gude verdes e
brancas, todas do mesmo tamanho. Obtenha a quantidade de bolinhas de cor verde contidas no
tambor.
Soluo:
a) Para obter a quantidade exata de bolinhas verdes, o nico procedimento a ser usado :
separar e contar todas as bolinhas de cor verde do tambor.
b) Podemos, no entanto, obter uma quantidade aproximada de bolinhas verdes com o
seguinte procedimento:
- Retiramos uma parte (amostra) das bolinhas do tambor, tomando o cuidado de
conhecer o volume retirado do tambor, por exemplo, 5%.
- Contamos as bolinhas de cor verde contidas na parte (amostra) retirada.
- Estimamos a quantidade total de bolinhas verdes, multiplicando o resultado
encontrado anteriormente por um fator. Este fator calculado com base no volume
(5%) de bolinhas retiradas.
No procedimento apresentado para obter a quantidade aproximada de bolinhas verdes,
estamos considerando a seguinte premissa: a amostra retirada do tambor representativa do
tambor; ou seja, as cores das bolinhas na parte retirada (amostra) se distribuem da mesma forma
em todo o tambor.
Exemplo 2: Vamos supor que um investidor tem um capital disponvel para aplicar durante os
prximos 6 meses. Dentre as diversas alternativas possveis, foram selecionadas somente duas:
2
aplicaes em renda fixa prefixada ou em aes de empresas do segmento de papel e celulose.

Como devemos analisar esses dois tipos de aplicaes para escolher a melhor alternativa?
Soluo: O ponto de partida para tomar a deciso de investir estimar as rentabilidades das duas
alternativas para os prximos 6 meses. No caso da aplicao em renda fixa, a rentabilidade
praticamente determinada pela taxa de juros definida no ato da aplicao. Entretanto, no caso das
aes a nica coisa certa que seus preos podero subir, permanecer estveis ou baixar. Estes
resultados qualitativos no so suficientes para escolher entre os dois tipos de aplicaes;
necessitamos quantificar os trs resultados qualitativos. Onde obtemos os dados necessrios para
quantificar as rentabilidades das aes? Um dos procedimentos projetar os resultados futuros das
rentabilidades das aes a partir de seus resultados passados, aceitando que o futuro repetir o
passado.
No procedimento apresentado acima, est presente a metodologia de retirar uma parte
(amostra) dos dados passados (populao). Depois da anlise dos dados retirados, realizamos
inferncias na tentativa de compreender como o conjunto dos dados passado (populao) funciona;
isto , aplicamos as tcnicas estatsticas. Da podemos projetar os resultados futuros.
3. CLASSIFIO: Usualmente, a estatstica dividida em trs grandes reas que atuam em
conjunto: amostragem e planejamentos de experimentos, estatstica descritiva e estatstica
inferencial.
3.1 PLANEJAMENTO DE EXPERIMENTOS E AMOSTRAGEM: a parte que tem
por objetivo planejar a pesquisa e se preocupa com o mecanismo da coleta de dados.
3.2 - ESTATSTICA DESCRITIVA: a parte da Estatstica que tem por objetivo
organizar, apresentar e sintetizar dados observados de determinada populao, sem pretender
concluses de carter extensivo.
3.3 - ESTATSTICA INDUTIVA OU INFERENCIAL: a parte da Estatstica que,
baseando-se em estudos realizados sobre os dados de uma amostra, procura inferir, induzir ou
verificar leis de comportamento da populao da qual a amostra foi retirada. A estatstica
inferencial tem sua estrutura fundamentada na teoria matemtica das probabilidades. tambm
definida como um conjunto de mtodos para a tomada de decises.
Na estatstica indutiva ou inferencial destacamos:
a) Estimao de parmetros: Esta fase envolve a obteno da melhor estimativa possvel
de um parmetro da populao, a partir dos dados coletados. Ser necessrio estimar
valores desconhecidos quando eles so impossveis de serem conhecidos com exatido.
Por exemplo: as vendas dos produtos da empresa nos prximo ano, o vencedor na
prxima eleio, a rentabilidade das aes no prximo ms, etc. A qualidade da
estimao est estreitamente ligada qualidade dos dados coletados e, s vezes, pode
estar errada.
b) Testes de hipteses: o uso dos dados para verificar afirmaes sobre parmetros da
populao. Por exemplo: o aumento das taxas de juros no est estimulando os
investidores a investir no mercado de aes; o erro cometido nos demonstrativos
financeiros mensais menor que as despesas mensais com xerox, etc. Os testes de
hipteses so um meio de decidir qual das afirmaes correta, dentro de um erro
tolervel.
II - LEVANTAMENTO ESTATSTICO DE DADOS

Os dados so a matria prima da Estatstica. Definido o assunto de interesse, os dados so
obtidos da medio de determinada caracterstica ou propriedade desse objeto, pessoa ou coisa. O
levantamento dos dados deve ser feito com muito cuidado, pois dele depender o sucesso da anlise
estatstica.
1
- ETAPAS DE UM LEVANTAMENTO ESTATSTICO
1.1 - PLANEJAMENTO EXPERIMENTAL

Consiste no planejamento da pesquisa que ser realizada:
O Que? - Definir o problema. As etapas seguintes sero planejadas aps ter ficado
claro qual o problema a ser investigado.
Para que? - Definir claramente o(s) objetivo(s) da pesquisa.
Onde? Definir o espao fsico.
Em quem? - Definir as entidades que sero verificadas.
Em quantos? - O nmero de entidades a serem pesquisadas deve ser fixado segundo
a preciso desejada nos resultados que sero obtidos. As normas para a fixao deste nmero sero
dadas no decorrer desta disciplina.
1.2 - AVALIAO DE INFORMAES EXISTENTES
Inicialmente, deve-se realizar um levantamento bibliogrfico sobre o assunto para
obter subsdios que podem representar valiosa colaborao para o estudo e, tambm, serem
aproveitados nas discusses posteriores.
1.3 FORMULAO DE HIPTESES
Com exceo das pesquisas meramente descritivas, todas as pesquisas estatsticas
comportam a formulao de hipteses.
Com base nos dados observados, a hiptese ser rejeitada ou no.
1.4 - VERIFICAO DAS HIPTESES
A verificao das hipteses ser realizada no decorrer da pesquisa.
1.5 - DELINEAMENTO DA PESQUISA
Compreende o estudo (planejamento) detalhado da coleta de dados, da realizao do
trabalho e da anlise dos dados.
Os dados podem ser retirados diretamente da fonte ou aproveitados de bancos de
dados retirados por outros indivduos.
Para o caso de dados retirados diretamente da fonte, existem 3 procedimentos: a
observao, o questionrio ou interrogatrio e a entrevista.
Observao: a observao direta dos fenmenos em laboratrios ou na natureza.
Questionrio: uma seqncia de perguntas previamente preparadas e aplicado por
meio de entrevista ou remetido pelo correio. Os valores observados podem ser complementados por
observao.
1.6 EXECUO DA PESQUISA
Coleta dos dados.
Realizao da anlise estatstica.
1.7 ANLISE E APRESENTAO DOS RESULTADOS
Os dados coletados devem ser apresentados na forma de: grficos e/ou de tabelas.
A anlise dos dados deve ser realizada pelo pesquisador, com a ajuda de um
estatstico, aplicando os recursos estatsticos necessrios para refutar ou no as hipteses
previamente formuladas.
2 AMOSTRAGEM COLETA DE DADOS
A amostragem naturalmente usada na vida diria. Por exemplo, para verificar o tempero de
um alimento em preparao, pode-se provar (observar) uma pequena poro deste alimento. Desta
forma, est se fazendo uma amostragem, ou seja, extraindo do todo (populao) uma parte
(amostra), com o propsito de avaliar (inferir) a qualidade de tempero de todo o alimento.
Nas pesquisas cientficas em que se quer conhecer algumas caractersticas de uma
populao, tambm muito comum se observar apenas uma amostra de seus elementos e, a partir
dos resultados dessa amostra, obter valores aproximados, ou estimativas, para as caractersticas
populacionais de interesse. Este tipo de pesquisa usualmente chamado de levantamento por
amostragem.
Num levantamento por amostragem, a seleo dos elementos que sero observados, deve ser
feita sob uma metodologia adequada, de tal forma que os resultados da amostra sejam informativos
para avaliar caractersticas de toda a populao.
A populao pode ser formada por pessoas da famlia, indivduos de certa espcie,
estabelecimentos industriais, ou qualquer outro tipo de elementos, cujas variveis que se pretende
estudarem sejam passveis de serem mensuradas.
Os elementos de uma populao diferem entre si com respeito a fatores tais como: sexo,
idade, medidas fsicas, cor, susceptibilidade a doena, agressividade, etc. Desta forma o padro de
comportamento no qual o pesquisador esta interessado pode ser muito complicado pela grande
variabilidade existente. Por estas razes, muitos trabalhos tendem a ser de natureza comparativa,
procurando lidar com estas variaes inerentes. Alguns exemplos: pode-se estudar o nmero mdio
de ovos de certa espcie de pssaros sob uma condio ambiental particular, ou a proporo de
sujeitos protegidos por certa vacina imunolgica, etc.
2.1 DEFINIES
POPULAO: qualquer conjunto de elementos que descreve algum fenmeno do nosso
interesse. Pesquisas utilizando todos os elementos da populao denominam-se censo.
AMOSTRA: qualquer subconjunto da populao. Pesquisas utilizando amostras da
populao denominam-se pesquisa por amostragem.
PARMETROS: so certas caractersticas que especificam a populao.
INFERNCIA ESTATSTICA: refere-se ao uso apropriado dos dados da amostra, para se
ter conhecimento sobre os parmetros da populao.
ESTIMATIVA DOS PARMETROS OU ESTATSTICA: qualquer funo de uma
amostra.
ESTIMATIVA: so os valores calculados a partir dos dados da amostra, com o objetivo de
obter parmetros desconhecidos.
UNIDADE DE AMOSTRAGEM: a unidade a ser selecionada para se chegar aos
elementos da populao. Pode ser os prprios elementos da populao, ou outras unidades fceis de
serem selecionadas e que, de alguma forma, estejam associadas aos elementos da populao
5
VARIVEIS: so as caractersticas, propriedades ou atributos de uma unidade da

populao, cujo valor pode variar de uma unidade para outra. Portanto, as variveis apresentam
variabilidade dentro da populao. Podem ser qualitativas ou quantitativas.
VARIVEIS QUALITATIVAS: quando seus valores forem expressos por atributos (nonumricos). Podem ser:
- Nominal quando tem nome (sexo, estado civil, nacionalidade, ...)
- Ordinal quando tem ordem (primeiro, segundo,...).
VARIVEIS QUANTITATIVAS: quando seus valores podem ser descritos
numericamente. Podem ser:
- Discreta quando seus valores resultam de contagem (nmero de vendas
dirias, nmero de filhos, nmero de peas com defeito na produo mensal, ...).
- Contnua quando seus valores resultam de medies e podem assumir
qualquer valor em um intervalo da reta (valor das vendas dirias, consumo mensal de energia
eltrica, peso, altura, temperatura, ...).
Exemplo 1: Numa pesquisa sobre a infestao de vermes em uma floresta, a populao o
conjunto de todos os tipos de vermes que existem na regio em estudo, no momento da pesquisa. O
principal parmetro a ser avaliado deve ser a percentagem dos tipos de vermes que esto presentes
em cada rvore. A unidade de amostragem, neste caso, rvore e a varivel de interesse tipos de
vermes que uma varivel qualitativa.
Exemplo 2: Numa pesquisa eleitoral, a trs dias de uma eleio municipal, a populao pode ser
definida como todos os eleitores com domiclio eleitoral no municpio. O principal parmetro deve
ser as percentagens de votos de cada candidato prefeitura, no momento da pesquisa e a unidade de
amostragem o eleitor.
Exemplo 3: Para planejar polticas de recursos humanos numa indstria, com milhares de
funcionrios, pode-se realizar uma pesquisa para avaliar alguns parmetros da populao de
funcionrios desta indstria, tais como tempo mdio de servio dos funcionrios na indstria,
percentagem de funcionrios com nvel de instruo superior, percentagem de funcionrios por
sexo, percentagem de funcionrios com interesse em certo curso de treinamento, idade mdia, etc.
As unidades de amostragem so os prprios funcionrios e as variveis so as propriedades ou
atributos dos mesmos que variam entre si, por exemplo: Idade, Sexo, Escolaridade, Cargo, etc.
Exerccio: Dado o seguinte cadastro de funcionrios de uma empresa, identifique a unidade de
amostragem e as variveis quantitativas e qualitativas.
Nome
Jos
Raul
Estela
Ana
Valter
Sexo
M
M
F
F
M
Escolaridade
Colegial
Mestrado
Universitrio
Universitrio
Colegial
Peso (kg)
78
84
52
65
75
Antigidade
5 anos
7 anos
6 anos
9 anos
12 anos
Salrio (R$)
1200,00
2500,00
2300,00
1800,00
3100,00
Nos exemplos 2 e 3 acima, pode-se perceber a dificuldade em pesquisar toda a populao.

So situaes tpicas em que se recomenda utilizar amostragens. Veja a figura 1.
Processo de amostragem
Amostra : alguns elementos da
populao
Populao: conjunto dos

elementos com a caracterstica
de interesse.
Inferncia Estatstica
Estimativa de parmetros populacionais
Ex:
- tempo mdio .......
- percentagens.......
-etc
Figura 1 - Ilustrao de um levantamento por amostragem
2.2 - POR QUE AMOSTRAGEM?

So quatro as principais razes para o uso de amostragem em levantamento de grandes
populaes:
-ECONOMIA. Em geral, torna-se bem mais econmico o levantamento de somente uma
parte da populao.
-TEMPO. Em geral a pesquisa por amostragem bem mais rpida que o censo. Numa
pesquisa eleitoral, a trs dias de uma eleio presidencial no haveria tempo suficiente para
pesquisar a populao de eleitores do pas, mesmo que houvesse recursos financeiros em
abundncia.
-CONFIABILIDADE DOS DADOS. Quando se pesquisa um nmero reduzido de
elementos, pode-se dar mais ateno aos casos individuais, evitando erros nas respostas.
-OPERACIONALIDADE. mais fcil realizar operaes de pequena escala. Um dos
problemas tpicos nos grandes censos o controle dos entrevistados.
2.3 - SITUAES EM QUE O USO DA AMOSTRAGEM NO INTERESSANTE
POPULAO PEQUENA. Sob o enfoque de amostragem aleatria que ser estudado no
prximo item, se a populao for pequena (digamos de 50 elementos ou menos) para se ter uma
amostra capaz de gerar resultados precisos para os parmetros da populao, ser necessria uma
amostra relativamente grande (em torno de 80% da populao).
CARACTERSTICA DE FCIL MENSURAO. Mesmo que a populao no seja to
pequena, a varivel que se quer observar pode ser de to fcil mensurao, que no compensa
investir num plano de amostragem. Por exemplo, para verificar a porcentagem de funcionrios
favorveis mudana no horrio de um turno de trabalho, pode-se entrevistar toda a populao no
prprio local de trabalho.
NECESSIDADE DE ALTA PRECISO. A cada dez anos o IBGE realiza um censo

demogrfico para estudar diversas caractersticas da populao brasileira. Dentre estas
caractersticas tm-se o parmetro nmero de habitantes residentes no pas, que fundamental
para o planejamento do pas. Desta forma este parmetro precisa ser avaliado com grande preciso
e, por isto, se pesquisa toda a populao.
2.4 - PLANO DE AMOSTRAGEM
Para se fazer um plano de amostragem necessrio ter bem definidos os objetivos da
pesquisa, a populao a ser amostrada, bem como os parmetros que precisam ser estimados para
atingir os objetivos da pesquisa. Num plano de amostragem devem constar as variveis, a definio
da unidade de amostragem, a forma de seleo dos elementos da populao e o tamanho da
amostra.
2.5 - AMOSTRAS PROBABILSTICAS E NO PROBABILSTICAS
A seleo dos elementos que faro parte da amostra pode ser feita sob alguma forma de
sorteio ou por escolha deliberada. As amostras obtidas atravs de algum tipo de sorteio so
chamadas amostras probabilsticas ou aleatrias.
Exemplo 4: Suponha que queiramos estimar o nmero de palavras contidas nesta apostila. Para isso
podemos proceder de diversas formas:
a) O primeiro procedimento comea escolhendo-se uma pgina. Depois, selecionamos 3
linhas da pgina escolhida e contamos o nmero de palavras contidas em cada uma das 3
linhas. Na seqncia, calculamos a mdia de palavras por linha e, com esse valor, o
nmero de palavras por pgina. Finalmente, multiplicamos este ltimo valor pelo
nmero total de pginas.
b) O segundo procedimento comea pela escolha de uma pgina, segue com a contagem do
nmero de palavras contida nesta pgina e termina com a multiplicao deste valor pelo
c) O terceiro procedimento comea pela escolha de 5 pginas diferentes, segue com a
contagem do nmero de palavras contidas em cada uma das 5 pginas e posterior clculo
da mdia de palavras por pgina. Finalmente, multiplicamos este ltimo valor pelo
d) O ltimo procedimento seria obter o valor exato atravs do censo, contando todas as
palavras da apostila.
Pode-se observar que os resultados das trs primeiras estimaes devero ser diferentes,
verificando-se que o valor estimado pela amostragem de maior tamanho estar mais prximo do
verdadeiro valor.
Estendendo-se as concluses do exemplo 4, pode-se assegurar confiana na estimativa se os
elementos da amostra forem escolhidos de forma aleatria, ou seja, por sorteio. Isto assegura que
todas as amostras de tamanho n da populao tenham a mesma chance de serem escolhidas.
As premissas de uma amostra aleatria de tamanho n so:
1. Cada elemento da populao tem a mesma chance de ser escolhido, sendo cada elemento
escolhido de forma independente dos outros.
2. Todas as amostras de tamanho n possveis de serem formadas e extradas de uma
populao tm a mesma chance de serem selecionadas.
8
Estes tipos de amostragens so particularmente interessantes por permitirem a utilizao das

tcnicas clssicas de inferncia estatsticas, facilitando a anlise dos dados e fornecendo maior
segurana ao generalizar resultados da amostra para a populao.
As amostras no aleatrias ou no probabilsticas podem levar a resultados teis, no se
prestam, entretanto, utilizao de processos estatsticos infernciais.
Exemplos de casos de amostragens no probabilsticas:
- Amostragem sem critrio(escolha desordenada);
- Amostragem intencional (o pesquisador escolhe certos elementos para a amostra);
- Amostragem com desigualdade de acesso aos elementos da populao (h elementos com mais
facilidade de figurarem na amostra).
2.6 - ALGUNS TIPOS DE AMOSTRAGENS PROBABILSTICAS
2.6.1 - AMOSTRAGEM ALEATRIA SIMPLES.
Para a seleo de uma amostra aleatria simples necessrio ter uma lista completa dos
elementos da populao (ou de unidades de amostragens apropriadas). Este tipo de amostragem
consiste em selecionar a amostra atravs de um sorteio, sem restrio.
Seja uma nica populao com N elementos. Uma forma de extrair uma amostra aleatria
simples de tamanho n, sendo n < N, identificar os elementos da populao em pequenos pedaos
de papel e retirar, ao acaso, n pedaos. Ser considerado sorteio realizado sem reposio.
A amostragem aleatria simples tem a seguinte propriedade: qualquer subconjunto da
populao, com o mesmo nmero de elementos, tem a mesma chance de fazer parte da
amostra. Em particular tem-se que cada elemento da populao tem a mesma probabilidade de
pertencer amostra.
O USO DE TABELAS DE NMEROS ALEATRIOS
As tabelas de nmeros aleatrios facilitam o processo de seleo de uma amostra aleatria
simples. Tais tabelas so formadas por sucessivos sorteios de algarismos do conjunto {0, 1, 2, 3,...,
9}, com reposio.
Procedimento:
1) Numere todos os elementos da populao.
2) Sorteie uma linha ou coluna da tabela de nmeros aleatrios.
3) Leia os nmeros na tabela de nmeros aleatrios de modo que o nmero de algarismos em cada
um seja igual ao nmero de algarismos do ltimo da sua listagem. Assim, se o ltimo nmero 56,
devem ser lidos nmeros com dois algarismos.
4) Despreze quaisquer nmeros que no correspondam a nmeros da lista. No caso de amostragem
sem reposio, despreze tambm os nmeros que sejam repeties de nmeros lidos anteriormente.
Continue o processo at obter o nmero desejado de observaes.
5) Use os nmeros assim escolhidos para identificar os itens da lista a serem includos na amostra.
Exemplo 5: Uma cidade tem 32 hotis. Com o objetivo de conhecer o custo mdio da diria para
apartamento de casal, foi extrada uma amostra aleatria simples de tamanho cinco dos hotis. A
listagem dos hotis apresentada a seguir:
POPULAO: hotis da cidade X (numerados)
01-Bahia
02-Vila Rica
03-Aloysio
04-Trento
05-Brasilia
06-Cano
07-Cruzeiro
08-Minas
09-Metropolitano
10-Fazenda
11-Carioca
12-Luiz XV
13-Lancaster
14-Vermont
15-Promenade
16-Central
17-Holandes
18-Las Vegas
19-Condor
20-Praia Grande
21-Veleiro
22-Inga
23-Guapor
24-Real
25-Granada
26-Serrano
27-Eugenia
28-Atibaia
29-Sol
30-Do Vale
31-Colonia
32-Estrela
Para se utilizar uma tabela de nmeros aleatrios, preciso associar cada elemento da
populao a um nmero. Por simplicidade, ser considerado nmeros inteiros sucessivos, com a
mesma quantidade de algarismos iniciando-se por 01 (um).
Para se extrair uma amostra aleatria simples de tamanho n=5, basta tomar cinco nmeros
aleatrios do conjunto {01, 02,..., 32}. Os Hotis associados aos nmeros selecionados formaro a
amostra. Neste exemplo, suponha que foi sorteada a primeira linha. Desprezando os valores que
estiverem fora do conjunto {01, 02,..., 32} e os valores que se repetirem, tem-se:
Nmeros aleatrios extrados da tabela: 15 03 20 12 17
Amostra da populao de hotis: {Promenade, Aloysio, Praia Grande, Luiz XV, Holands}
Na prtica, interessa observar certas variveis associadas aos elementos da amostra. No
exemplo em questo, poderia se estar interessado na varivel preo da diria de apartamento de
casal. Esta varivel ser denominada de X. Para cada hotel da amostra, tem-se um valor para a
varivel X. O conjunto destes valores, observados na amostra de hotis, chamado de amostra
aleatria simples da varivel X.
Amostra aleatria simples dos hotis:
{Promenade, Aloysio, Praia Grande, Luiz XV, Holands}
Amostra aleatria simples de X: { X1,
X2,
X3,
X4,
X5}
, onde X1
representa o preo da diria do hotel Promenade, X2 representa o preo da diria do hotel Aloysio,
etc.
2.6.2 - AMOSTRAGEM SISTEMTICA
Muitas vezes possvel obter uma amostra de caractersticas parecidas com a amostra
aleatria simples, por um processo bem mais rpido. Por exemplo, tirar uma amostra de 1.000
fichas, dentre uma populao de 5.000 fichas, pode-se tirar, sistematicamente, uma ficha a cada
cinco (5.000/1.000 = 5). Para garantir que cada ficha da populao tenha a mesma probabilidade de
pertencer amostra, a primeira ficha deve ser sorteada, dentre as cinco primeiras.
Numa amostragem sistemtica a relao N/n chamada intervalo de seleo. No exemplo
das fichas o intervalo de seleo 5.000/1.000 = 5.
Exemplo 6 - Considere a populao dos N=32 hotis do Exemplo 5. Realize uma amostragem
sistemtica para obter uma amostra de tamanho n=5. Inicialmente, o intervalo de seleo deve ser
calculado: N/n = 32/5 6.
A seguir, um elemento deve ser sorteado dentre os seis primeiros. Suponha que o nmero
sorteado o 3, ou seja, o primeiro hotel da amostra o Aloysio. Os demais so obtidos pelo
intervalo de seleo 6 (ou seja, de 6 em 6), a partir do hotel Aloysio, resultando na seguinte
amostra:
(03)
(09)
(15)
{Aloysio, Metropolitano, Promenade,
(21)
Veleiro,
(27)
Eugenia}
2.6.3 - AMOSTRAGEM ESTRATIFICADA

A tcnica de amostragem estratificada consiste em dividir a populao em subgrupos, que
so denominados de estratos. Estes estratos devem ser internamente mais homogneos do que a
populao toda, com respeito s variveis em estudo. Por exemplo, para estudar alguns parmetros,
10
de um conjunto de hotis, pode-se estratificar esta populao por quantidade de estrelas, pelo tipo
de acomodaes (quarto, apartamento, chal etc), ou pela distncia at o cento da cidade. Deve-se
escolher um critrio de estratificao que fornea estratos bem homogneos, com respeito ao que se
est estudando. Neste contexto, um prvio conhecimento sobre a populao em estudo
fundamental.
Sobre os diversos estratos da populao, so realizadas selees aleatrias, de forma
independente. A amostra completa obtida atravs da agregao das amostras de cada estrato. Ver
figura 2:
Estrato 1
Estrato 2
...
Estrato K
Subgrupo 1 da amostra
selees
aleatrias
Subgrupo 2 da amostra
Amostra
Estratificada
Subgrupo K da amostra
Figura 2 - O processo de amostragem estratificada.

Amostragem estratificada proporcional: neste caso particular de amostragem
estratificada, a proporcionalidade do tamanho de cada estrato da populao mantida na amostra.
Por exemplo, se um estrato corresponde a 20% do tamanho da populao ele tambm deve
corresponder a 20% da amostra. Ver figura 3:
POPULAO: hotis da cidade X.
60%
20%
60%
20%
20%
20%
AMOSTRA: parte da comunidade de hotis
Figura 3 - Ilustrao de uma amostragem estratificada proporcional.

A amostragem estratificada proporcional garante que cada elemento da populao tem a mesma
probabilidade de pertencer amostra.
Exemplo 7 - Com o objetivo de estudar os hotis pelo nmero de estrelas, um levantamento
amostral foi realizado. Suponha que na populao existam 15 exemplares de duas estrelas, 10 de
trs estrelas e 7 de quatro estrelas, que sero identificados da seguinte maneira.
11
Duas Estrelas
Trs Estrelas
Quatro Estrelas
D1
D11
T1
Q1
D2
D12
T2
Q2
D3
D13
T3
Q3
POPULAO
D4
D5
D6
D14
D15
T4
T5
T6
Q4
Q5
Q6
D7
D8
D9
D10
T7
Q7
T8
T9
T10
Supondo que o preo da diria possa ser relativamente homogneo dentro de cada regio, foi
realizada uma amostragem estratificada, proporcional por categoria, para obter uma amostra global
de tamanho n=10. A tabela seguinte mostra as relaes de proporcionalidade.
Tabela 1. Clculo do tamanho da amostra em cada estrato
ESTRATO
Proporo na populao Tamanho do subgrupo na amostra
Duas Estrelas
15/32= 0,468 (ou 47%) n1 = (0,47).10 =5
Trs Estrelas
10/32= 0,312 (ou 31%) n2 = (0,31).10 = 3
Quatro Estrelas 7/32= 0,218 (ou 22%)
n3 = (0,22).10 = 3
Observao: Note que a soma dos tamanhos dos subgrupos na amostra deve ser igual ou maior ao
tamanho da amostra. Isto , n = n1+n2+n3.
Para selecionar aleatoriamente cinco exemplares de duas estrelas, preciso extrair nmeros
de dois algarismos. Usando a prpria numerao da populao e iniciando pela terceira linha da
tabela, tem-se: {D13, D15, D2, D12, D14}.
Para selecionar aleatoriamente trs exemplares de trs estrelas, foi utilizada a numerao j
existente na populao, substituindo o 10 por 0. Neste caso, pode-se usar a tabela de nmeros
aleatrios, tomando valores com um algarismo. Usando, por exemplo, a primeira linha da tabela de
nmeros aleatrios, os seguintes foram selecionados: {T3, T7, T6}, correspondentes aos dois
primeiros nmeros desta linha.
Para os de quatro estrelas, usando a segunda linha da tabela de nmeros aleatrios, com o
mesmo processo de numerao, tem-se: {Q1, Q3, Q5} (sem repetio).
A amostra { D13, D15, D2, D12, D14, T3, T7, T6, Q1, Q3, Q5, } uma amostra
estratificada proporcional da comunidade de hotis. Cada elemento desta amostra dever ser
pesquisado para se levantar a caracterstica de interesse, ou seja, o preo das dirias.
Desde que no problema em estudo, os estratos formam subgrupos mais homogneos do que
a populao como um todo, uma amostra estratificada proporcional tende a gerar resultados mais
precisos, quando comparada com uma amostra aleatria simples.
2.7 - FONTES DE ERROS NOS LEVANTAMENTOS POR AMOSTRAGEM
O erro amostral, definido como a diferena entre uma estatstica (calculada a partir de uma
amostra de n elementos) e o verdadeiro valor do parmetro (caracterstica de uma populao de N
elementos), parte do princpio de que as n observaes que compem a amostra so obtidas sem
erro. Na prtica, isso geralmente no acontece.
Havendo erros ou desvios nos dados da prpria amostra, a diferena entre a estatstica e o
parmetro pode ser maior que o limite tolervel, que ser usado para o clculo do tamanho da
amostra. Por isso, o planejamento e a execuo da pesquisa devem ser feitos com muita cautela,
para evitar ou reduzir, os erros nos prprios dados da amostra, conhecidos como erros no
amostrais.
Alguns dos erros no amostrais so:
- populao acessvel diferente da populao alvo; - falta de resposta; - erros de mensurao.
POPULAO
AMOSTRA
12
- todos os elementos da populao;

- os elementos da populao esto
divididos, por exemplo em favorveis
e desfavorveis;
- parmetro populacional de interesse:
p = proporo de favorveis;
- n elementos da amostra, selecionados

aleatoriamente;
- cada elemento da amostra classificada como
favorvel ou desfavorvel;
- estatstica:
= proporo de favorveis na amostra, isto
p
:
p
=
Numero de favoraveis na amostra

n
Qual o valor de p = ?
erro amostral
p= p
Processo de estimao
Tabela de Nmeros Aleatrios

3761
1358
3046
7881
4560
7597
3568
1336
7802
1367
5378
7270
3254
7887
8954
6798
1541
1353
9275
7499
8615
3419
4771
7898
3318
9303
5807
4656
9064
7650
4489
7685
2115
3612
3514
9243
8850
8463
9864
2797
2000
3347
4688
2515
8964
8475
0296
6778
9822
7000
1217
0190
1731
6783
7832
5066
0949
2144
6815
2006
9422
0917
1939
2792
2962
6350
4455
3487
8042
5542
1984
3076
1980
1126
8505
2783
9885
1246
2931
9755
0504
2674
0919
8598
6208
1217
7129
9046
0394
4944
0211
0525
2114
0886
8321
6775
5033
6828
7241
1478
3732
6971
6254
5897
0755
7025
9722
7151
9979
8057
7437
2959
6104
4844
3851
5534
8387
4944
7052
5257
9248
0329
5702
2170
0727
3467
5334
9657
2085
4568
7508
6031
0439
3552
1093
2059
8724
9622
2025
1367
2035
0822
6492
6077
9717
4727
4450
2872
3025
1076
2333
5539
6059
1443
9226
6830
3824
2981
4832
8005
4731
0472
4418
7518
3348
5753
1070
8179
6816
3065
9859
9729
4362
7253
8040
4702
7155
7711
6389
9023
3232
3284
0450
6059
6812
1415
8703
6876
8911
5772
8109
4462
3869
6548
9975
1856
5671
9441
6664
4415
5130
6097
8455
2302
1847
4493
9548
8960
3914
7677
3084
6945
9966
9627
0189
1644
7599
2309
4051
9621
8218
3282
0166
9509
6712
0273
4457
8482
0484
2467
3703
3269
4710
5517
6984
3202
7510
7059
3518
5969
9501
8771
1696
6694
6186
0236
5073
3076
8886
8680
8889
5423
7825
9289
5778
6871
7458
0866
5263
9560
0264
5108
6535
4103
9345
0098
6573
4011
0624
1530
9478
2546
0251
2571
8557
0019
3989
230
3820
8569
1213
9280
6308
7183
0012
9797
7907
5592
9722
6380
6906
348
1875
9759
5229
3209
5817
6828
0653
2048
3845
9122
1786
8895
6025
4647
3464
8686
2853
7057
8861
6255
9974
7826
5325
0800
3801
9919
1711
4437
7999
7526
1762
8914
0934
7169
1509
8168
2700
0136
8137
4450
6603
9595
2360
9655
5206
1364
5709
6381
3392
1589
8540
4503
9848
7766
5922
4755
4523
3091
5009
5904
6369
4463
3297
9377
4117
2415
1686
0015
1414
7345
9391
3873
9986
9535
2468
9285
1777
0824
1899
7056
7156
9000
1117
6682
1429
9795
7722
8433
7805
0627
9544
3113
1654
8670
8296
9432
5325
9695
5290
1651
4787
4640
4286
4220
0136
2072
8932
0747
3672
3889
2051
0990
3446
0793
7454
9225
9633
1802
3362
9946
2783
3240
0497
7761
1957
5076
9406
4123
13
14
3 - ESTATSTICA DESCRITIVA
Coletados os dados, surgem ento questes do tipo: Como comunicar os dados obtidos?
Como descrever e caracterizar o conjunto de dados como um todo?
Pode-se tentar l-los e adquirir uma idia subjetiva da informao nele contida. Porm em
muitas situaes isto no vivel devido ao grande nmero de dados. Alm disso, uma impresso
subjetiva no s difcil de ser transmitida como tambm pouco convincente. Assim, chegamos
concluso de que so necessrias tcnicas estatsticas que reduzam e descrevam uma grande
quantidade de informao.
Para condensar e comunicar os dados so usados dois esquemas: as tabelas e as
representaes grficas. Estas estratgias se direcionam de forma diferente quando se trata de dados
qualitativos ou quantitativos, conforme veremos em seguida. Alm disso, os dados podem ser
organizados para uma nica varivel de cada vez, ou envolvendo duas ou mais variveis.
Para caracterizar o conjunto de dados como um todo, faz-se a anlise descritiva dos mesmos
atravs das medidas descritivas.
3.1 - RESUMO E APRESENTAO DE DADOS QUALITATIVOS
3.1.1 - TABELAS:
Ao se resumir os dados coletados, em uma tabela, algumas normas devem ser seguidas:
a) Toda tabela deve conter Ttulo e Fonte.
Ttulo: a indicao que precede a tabela e que contm a designao do fato observado, o
local e a poca em que foi registrado.
Fonte: a indicao da entidade responsvel pelo fornecimento dos dados ou pela sua
elaborao.
b) Outros dois elementos primordiais na tabela so: o cabealho e a coluna indicadora. O
primeiro evidencia o contedo das colunas e fica na parte superior da tabela, o segundo mostra o
contedo das linhas.
c) Cada cruzamento entre linha e coluna denominado clula ou casa.
d) Nenhuma clula (casa) deve ficar em branco.
e) Hfen (-), indica que o valor numrico nulo.
f) Reticncia (...) , indica que no se dispe do dado.
g) Interrogao (?) , indica dvida quanto a exatido do valor numrico.
h) Zeros (0; 0,0; 0,00), indica valor muito pequeno em relao a unidade utilizada.
i) A tabela no fechada lateralmente por traos verticais.
j) No h obrigatoriedade de linha vertical entre as colunas, mas deve ser usada quando a
tabela apresenta muita informao (muitas colunas e/ou muitas linhas).
15
3.1.2 -TABELA SIMPLES: a representao dos valores de uma nica varivel.

TABELA 1
Coluna
VENDAS DE IMVEIS REALIZADAS PELAS MAIORES
indicadora
IMOBILIRIAS DA CIDADE DE SO PAULO EM 1999
Ttulo
Cabealho
IMOBILIRIA
UNIDADES VENDIDAS
AItaplan
Lopes
Nosso Teto
Procasa
TOTAL
5186
4273
4992
3426
17877
Corpo da tabela
Fonte: Setor Imobilirio de So Paulo
Total
3.1.3 - TABELAS DE DUPLA ENTRADA OU DE CONTINGNCIA: a
representao, em uma nica tabela, de valores de mais de uma varivel, isto , a conjugao de
duas tabelas simples.
TABELA 2
MIGRAO RURAL, EM MILHES POR DCADA,
EM ALGUNS ESTADOS BRASILEIROS
NOS ANOS 70 E 80
ANOS
ESTADOS
70
80
BA
0,7
1,0
RS
1,4
1,1
PR
2,4
1,5
MG
2,4
1,6
Fonte: revista ISTO , julho/98.
3.2. - SRIES ESTATSTICAS. Sries estatsticas, num sentido mais amplo, um conjunto de
dados estatsticos em funo da poca, do local ou da espcie, que podem ser apresentados em
forma de tabelas.
3.2.1. TIPOS DE SRIES ESTATSTICAS:
TEMPORAL - tambm conhecida como CRONOLGICA, EVOLUTIVA ou
HISTRICA. a srie em que os dados so observados segundo a poca de ocorrncia. Nesta
srie o fator varivel tempo e os fixos so: local e espcie.
16
TABELA 3
POSTOS DE TRABALHO, NOS BANCOS
BRASIL 1992/1997
ANO
NMERO DE POSTOS
(em milhares)
1992
677
1993
664
1994
643
1995
590
1996
524
1997
481
GEOGRFICA - tambm denominada TERRITORIAL ou ESPACIAL. a srie

em que os dados so observados segundo a localidade de ocorrncia. Nesta srie o fator varivel
local e os fixos so: tempo e espcie.
TABELA 4
BALANO COMERCIAL DA REGIO SUL
DO BRASIL EM 1995
REGIO
VALOR (em US$ milho)
Paran
1200
Rio Grande do Sul
3200
Santa Catarina
1600
TOTAL
6000
Fonte: Almanaque Abril 96
ESPECFICA - tambm conhecida por CATEGRICA. a srie em que os dados

so agrupados segundo a modalidade de ocorrncia.(os dados variam em funo do gnero
especfico em estudo). Nesta srie o fator varivel espcie e os fixos so: tempo e local.
TABELA 5
PREOS MDIOS, EM REAIS, PAGOS PELAS
COOPERATIVAS/CEREALISTAS AOS PRODUTORES
SO PAULO 24/02/99
PRODUTO
PREO MDIO
Algodo
Milho
Soja
Trigo
6,90***
8,18**
16,09**
11,08*
Fonte: jornal Folha de So Paulo, 24/02/99.

Nota: *** Preo por arroba em caroo, para o tipo 6.
** Preo por saca de 60 kg.
* Preo por saca de 60 kg, Ph 78, por regio.
17
DISTRIBUIO DE FREQUNCIA - a srie em que os dados so agrupados

segundo suas respectivas freqncias absolutas (a variao dos dados fica definida conforme as
classes em que foram divididos ou os valores assumidos).
Nesta srie os trs valores tempo, local e espcie so fixos.
TABELA 6
DISTRIBUIO DOS SALRIOS DOS
FUNCIONRIOS DA EMPRESA S.S
LTDA (em R$) - FEV./97
SALRIOS
N DE FUNCIONRIOS
000 |---- 307
11
307 |---- 614
8
614 |---- 921
6
921 |---- 1228
2
1228 |---- 1535
1
1535 |----1842
1
1842 |---- 2149
3
TOTAL
32
Fonte: Departamento Pessoal
4. GRFICOS
Os grficos so de grande utilidade na apresentao de dados estatsticos. Os nmeros so
considerados frios e de difcil interpretao, mas ganham vida quando so substitudos por figuras
que mostram, com uma simples olhadela, o significado global de um conjunto de dados. Os grficos
mais usados para dados qualitativos so: Barras ou Colunas, Setor e Linha.
Assim como as tabelas, os grficos tambm devem ter ttulo e fonte.
EXEMPLOS:
Usando as tabelas 3, 4, 3 e 2, temos os grficos abaixo:
4.1 - GRFICO EM BARRAS (OU EM COLUNAS): So empregados para representar
informaes de qualquer tipo de varivel, inclusive o tempo (no caso em que o nmero de datas no
muito grande).
POSTOS DE TRABALHO NOS BANCOS
BRASIL - 1992/1997
N DE POSTOS
700
650
600
550
500
450
400
1992
1993
1994
1995
1996
1997
ANO
18
4.2. GRFICO EM SETORES: Aplicvel quando as categorias bsicas so quantificveis.

Toma-se um crculo (360 graus), que dividido em setores com reas proporcionais s freqncias
das diversas categorias.
BALANO COMERCIAL DA REGIO SUL DO
BRASIL - 1995
20%
27%
Paran
Rio Grande do Sul
Santa Catarina
53%
Fonte: Almanaque. Abril 1996.
4.3. GRFICO EM LINHA: um dos mais importantes grficos; representa observaes

feitas ao longo do tempo, em intervalos iguais ou no. Tais conjuntos de dados constituem as
chamadas sries histricas, ou sries temporais. Traduzem o comportamento de um fenmeno em
certo intervalo de tempo.
POSTOS DE TRABALHO NOS BANCOS

BRASIL - 1992/1997
N DE POSTOS (Mil)
700
650
600
550
500
450
400
1992
1993
1994
1995
1996
1997
ANO
19
4.4. GRFICO COMPARATIVO: um grfico utilizado quando se deseja comparar

variveis.
MIGRAO RURAL, EM MILHES POR

DCADA, EM ALGUNS ESTADOS
BRASILEIROS NOS ANOS 70 E 80
QUANTIDADE
3
2.5
2
ANOS 70
1.5
1
ANOS 80
0.5
0
BA
RS
PR
MG
ESTADOS
5 RESUMO E APRESENTAO DE DADOS QUANTITATIVOS

Quando nos proposta a anlise de um conjunto de dados sem caractersticas de sries
cronolgicas, geogrficas ou especficas, o tratamento descritivo desses dados estatsticos deve
iniciar-se por um processo de sintetizao. A sintetizao dos dados poder ser feita, adotando-se
algum critrio de classificao (subconjuntos), que permita apresentar os dados em tabelas, de
forma resumida. Tais tabelas so chamadas DISTRIBUIO DE FREQNCIAS.
5.1. CONSTRUO DE UMA DISTRIBUIO DE FREQNCIA DISCRETA
Para o desenvolvimento desse item, utilizaremos um exemplo.
EXEMPLO 1. Tempo, em segundos, entre carros que passam por um cruzamento de Maring em
02/97, viajando na mesma direo:
6
3
5
6
4
3
4
2
3
2
5
4
Os dados foram obtidos pelo Departamento de Trnsito de Maring.
5
3
4
4
DADOS BRUTOS (Xi): o conjunto de dados numricos obtidos aps a crtica dos valores
coletados, como acima.
Representao: - x1,...,xn ( se amostrais );
- x1,...,xN (se populacionais ).
20
ROL: o arranjo dos dados brutos em ordem crescente ou decrescente. O rol em geral, por ser
trabalhoso em sua elaborao, pode ser dispensado.
Organizando os dados brutos do exemplo 1 em ROL CRESCENTE obtemos:
ROL: 2, 2, 3, 3, 3, 3, 4, 4, 4, 4, 4, 5, 5, 5, 6, 6.
FREQNCIA ABSOLUTA (Fi): o nmero de vezes que um valor Xi aparece no conjunto de
dados.
FREQNCIAS ABSOLUTAS ACUMULADAS (Fai): Consiste em acumular o nmero vezes
que um dado Xi aparece no conjunto de dados acrescido da frequncia absoluta dos Xi's anteriores.
No exemplo 1, a distribuio de frequncia ser:
TEMPO, EM SEGUNDOS, ENTRE CARROS QUE PASSAM
POR UM CRUZAMENTO DE MARING - 02/97
TEMPO (Segundos)
Fi
Fai
2
2
2
3
4
6
4
5
11
5
3
14
6
2
16
TOTAL
16
Fonte: Departamento de Trnsito.
OBS: Na tabela acima, a coluna dos Fai's uma coluna complementar da distribuio de frequncia.
Veremos no exemplo a seguir uma distribuio de frequncia completa.
GRFICO EM BARRAS (ou em Colunas): Utilizado quando os dados consistem
em contagens e no de mensuraes em escala contnua. Os valores distintos Xi's so locados no
eixo horizontal, e em cada um deles traa-se um segmento vertical de altura proporcional
respectiva frequncia.
TEMPO, EM SEGUNDOS, ENTRE CARROS QUE PASSAM
POR UM CRUZAMENTO DE MARING - 23/12/97
6
N DE CARROS
TEMPO
Fonte: Departamento de Trnsito.
21
5.2 - AGRUPAMENTO DOS DADOS DISTRIBUIO DE FREQNCIAS

Um grande conjunto de dados quantitativos necessita de um mtodo eficiente de
agrupamento ou de sumarizao, de forma que seu manuseio, visualizao e compreenso sejam
simplificados. Para isto, os dados devem ser agrupados em classes.
EXEMPLO 2: Considere uma amostra de 25 empresas, da varivel nmero de funcionrios de
empresas do setor Txtil da regio de Maring em 31/01/2000. Suponha os dados fictcios.
46
48
46
47
43
49
51
48
51
47
46
48
43
42
50
47
49
43
46
44
45
51
46
49
44
Os dados, como apresentados acima, so chamados brutos, pois no foram ainda submetidos
a nenhum tipo de tratamento.
42
46
49
Inicialmente, os dados devem ser colocados em ordem crescente:

43
43
43
44
44
45
46
47
47
47
48
48
50
51
51
51
46
48
46
49
46
49
Pode-se observar agora que das 25 observaes o menor valor 42 e o maior 51.
Amplitude (AT): a diferena entre o maior e o menor valor do conjunto de dados
observados.
Para os dados acima: AT = 51-42 = 9.
Observe que esse exemplo contm um nmero pequeno de observaes (n=25), quando h
um grande nmero de dados observados o processo de ordenao trabalhoso e a listagem final
pouco representar. Nesses casos, pode-se simplificar o processo agrupando os dados em certo
nmero de classes, cujos limites sero denominados limite inferior e limite superior.
A quantidade de classes e a amplitude destas devem ser obtidas observando as seguintes
normas:
i)as classes devem cobrir a amplitude total;
ii)o extremo superior de uma classe o extremo inferior da classe seguinte;
iii)cada valor observado deve enquadrar-se em apenas uma classe;
iv)o nmero total de classes no deve ser inferior a 5 e nem superior a 25;
O nmero de classes (k), pode ser obtido de uma das frmulas seguintes:
i) k = n ;
ii) k = 1 + 3,22 log n
(frmula de Sturges).
Para o conjunto de dados do exemplo: k =
25
= 5 ou
k = 1 +3,22log(25) = 5,61.
No obrigatrio o uso de qualquer dessas frmulas. O nmero de classes pode ser

estabelecido pelo bom senso de quem vai construir a tabela.
Dividindo a amplitude total (AT) por 5 chega-se ao tamanho ou amplitude de cada uma das
classes:
h=
AT
9
1,8 2.
k
5
22
Observao: quando os valores observados so nmeros inteiros, os limites das classes

tambm devem ser nmeros inteiros. Para isso, aconselha-se escolher o nmero mais prximo de
AT que resulte h =
AT
em um nmero inteiro.
k
Agora, utilizando esse valor pode-se obter os limites inferiores e superiores das classes:
i)o limite inferior da primeira classe o menor valor da srie;
ii)os demais limites sero obtidos somando aos limites inferiores o valor de h. Isto ,
42 |----- 42+h = 42 + 2=44
44 |----- 44+h = 46
46 |----- 46+h = 48
48 |----- 48+h = 50
50 |----- 50+h = 52.
Observe que a notao (|-----) significa que se est incluindo os valores iguais ao limite
inferior e excluindo os valores iguais ou superiores ao limite superior.
A partir da listagem ordenada das classes, pode-se construir os chamados quadros (ou
tabelas) de freqncia ou distribuies de freqncia, que permitem uma melhor visualizao dos
dados.
Freqncia: o nmero de valores que aparecem no domnio de uma classe.
5.2.1 CONSTRUO DE DISTRIBUIO DE FREQNCIA CONTNUA
Utilizando os limites de classes obtidos acima para o exemplo, tem-se o quadro abaixo:
Tabela 1 Nmero de funcionrios de empresas txteis - Maring/PR - 31/01/00
Classes
Freqncia (Fi)
42 |----- 44
44 |----- 46
46 |----- 48
48 |----- 50
50 |----- 52
TOTAL
4
3
8
6
4
25
Fonte: Dados hipotticos.
Um quadro de frequncias completo deve conter as seguintes informaes:

i)
ii)
iii)
iv)
v)
vi)
vii)
xi o ponto mdio da i-sima classe; representa a mdia dos pontos limites da

classe;
n o tamanho da amostra;
ni o nmero de observaes, ou a freqncia, da i-sima classe;
Fi a freqncia absoluta da i-sima classe;
F
fi a freqncia relativa da i-sima classe, fi = i ;
n
Fac a freqncia acumulada;
F
fac a freqncia relativa acumulada, fac = ac .
n
23
Tabela 2 Nmero de funcionrios de empresas txteis - Maring/PR- 31/01/00

Classes
xi
Fi
fi
Fac
42 |----- 44
43
4
0,16
4
44 |----- 46
45
3
0,12
7
46 |----- 48
47
8
0,32
15
48 |----- 50
49
6
0,24
21
50 |----- 52
51
4
0,16
25
Total
--25
1
---
fac
0,16
0,28
0,60
0,84
1
---
Fonte: Dados hipotticos.
5.3. GRFICOS
Os principais grficos utilizados na representao de distribuio de freqncias so:
i)
Histograma e polgono de freqncia;
ii)
Ogiva ou polgono de freqncia acumulada.
5.3.1. HISTOGRAMAS: um conjunto de retngulos com bases sobre um eixo dividido de acordo
com os tamanhos de classe, centros nos pontos mdios das classes e reas proporcionais s freqncias.
10
N DE FUNCIONRIOS DE EMPRESAS
TXTEIS - MARING/PR - 31/01/00
N de empresas
8
6
4
2
0
42
44
46
48
N de funcionrios
50
52
Fonte: Dados hipotticos
5.3.2. POLGONOS DE FREQNCIAS: um grfico que se obtm unindo por uma poligonal os
pontos correspondentes s freqncias das diversas classes, centradas nos respectivos pontos mdios (x i).
Para obter as intersees do polgono com o eixo, cria-se em cada extremo do histograma uma classe com
freqncia nula.
NMERO DE FUNCIONRIOS DE EMPRES AS

9
8
7
6
5
4
3
2
1
0
39
41
43
45
47
49
N de funcionrios
51
53
55
24
OBS: Suavizando a linha poligonal que define o polgono obtm-se uma curva que visualiza
a tendncia de variao dos dados.
5.3.4. POLGONOS DE FREQNCIA ACUMULADA OU OGIVAS: o grfico
representativo de uma distribuio acumulada de freqncias. uma poligonal ascendente. No eixo
horizontal colocam-se as extremidades de classe e no eixo vertical as freqncias acumuladas.
Note que a freqncia acumulada relacionada com o limite inferior da primeira classe
sempre zero.
Ao contrrio do polgono de freqncia, a ogiva de freqncias acumuladas utiliza os pontos
extremos dos intervalos de classe, e no os pontos mdios.
NMERO DE FUNCIONRIOS DE EMPRESAS

30
25
20
15
10
5
0
40
42
44
46
Nde funcionrios
48
50
52
6 - MEDIDAS DESCRITIVAS
EXEMPLO 3: Em uma amostra de 5 supermercados de Maring foi pesquisado o preo de
macarro (pacote com 500 grs.), que um dos produtos da cesta bsica. Os dados foram obtidos de
O Jornal do povo de 06/02/00 e se referem ao produto com o menor preo, independente de marca
ou qualidade.
0,95 0,78 0,75 0,65 0,80
6.1 - MEDIDAS DE TENDNCIA CENTRAL OU DE POSIO: So medidas que
objetivam representar o ponto central de equilbrio de uma distribuio de dados. Essas medidas
representam quantitativamente os dados, sendo as mais utilizadas em anlise:
6.1.1 - Mdia: Representa o ponto de equilbrio de um conjunto de dados. Seja ( x 1,...,xn )
um conjunto de dados. A mdia dada por:
(dados populacionais), para dados no-agrupados
x
n
(dados amostrais)
x i Fi
, para dados agrupados em tabelas de freqncias.
Fi
Quando os dados so agrupados em intervalos de classes, x i corresponde ao ponto mdio do

intervalo.
25
Propriedades da mdia:
1 - A soma algbrica dos desvios tomados em relao mdia nula. Isto ,
k
di = 0
i1
onde di = xi - x , i = 1, 2, ..., n e
a mdia do conjunto de dados.
2 - Somando-se ou subtraindo-se uma constante, k, a todos os valores de uma varivel, a mdia do

conjunto fica aumentada ou diminuda dessa constante.
yi = xi k y = x k
3 - Multiplicando-se ou dividindo-se todos os valores de uma varivel por uma constante, k, a
mdia do conjunto fica multiplicada ou dividida por essa constante.
yi = xi . k
= x.k
yi
xi
x
y .
k
k
Vantagens e desvantagens da mdia:

1 - uma medida que, pr uniformizar os dados, no representa bem os conjuntos que revelam
tendncias extremas, uma vez que a mesma ser grandemente influenciada pr valores discrepantes.
Suponha por exemplo, que durante um ano letivo, um aluno as seguintes notas em uma
disciplina: 30, 35, 25, 30, 25, 35, 35, 95, 90, 100.
Um clculo rpido nos mostra que sua mdia final foi 50. Como a mdia final deve traduzir
o aproveitamento do aluno durante o ano e a mdia 50 s foi conseguida custa das trs ltimas
notas, conclumos que 50 um valor falho para medir o aproveitamento do aluno.
1- A mdia nem sempre tem existncia real, isto , ela nem sempre faz parte do conjunto de dados.
2- a medida de posio mais conhecida e de maior emprego.
3- facilmente calculada.
4- Serve para compararmos conjuntos semelhantes.
5- Depende de todos os valores do conjunto de dados.
6- Em geral no ocupa a posio central do conjunto (ocupa a posio do centro de equilbrio).
No exemplo 1 : x = 3,94 seg., ou seja, a mdia de tempo entre os carros que passam por um
cruzamento de ruas de Maring de 3,94 segundos.
No exemplo 2 : x = 47,24 funcionrios.
Comentrio: A mdia de funcionrios das empresas txteis de 47,24 funcionrios.
No exemplo 3(dados no agrupados): x = 0,786 reais.
Comentrio: A mdia de preo do macarro foi de 0,786 reais.
Exerccio1: a)Calcule a mdia do conjunto de dados: 27, 45, 86, 54, 26, 100, 54, 48, 39
6.1.2 - Moda (Mo): o valor que ocorre com maior freqncia em uma srie de dados.
Existem sries de dados em que nenhum valor aparece mais vezes que outros. Neste caso
no apresenta moda. So sries amodais.
Em outros casos, pode aparecer dois ou mais valores de concentrao. Diz-se, ento, que a
srie tem duas ou mais modas (bimodal, trimodal).
Quando os dados se apresentam agrupados em tabelas de freqncias necessrio
utilizar a expresso de Czuber, dada abaixo, para calcular o valor que representa a moda:
26
h.( Fi Fi 1 )
(onde i a ordem da classe de maior
( Fi Fi 1 ) ( Fi Fi 1 )
freqncia).
Pode-se tambm, neste caso, tomar o ponto mdio da classe modal como sendo a moda
Mo li
No exemplo 1: Mo= 4 segundos.

Comentrio: O tempo mais freqente entre os carros que passam por um cruzamento
de ruas de Maring de 4 segundos.
No exemplo 2: Mo= 47,42 funcionrios.
Comentrio: O nmero de funcionrios mais freqente entre as empresas de 47,42
funcionrios.
No exemplo 3: O conjunto de dados amodal, pois no ocorreu preos repetidos.
6.1.3 - Mediana (Md): A mediana de um conjunto de valores ordenados segundo uma
ordem de grandeza, o valor situado de tal forma no conjunto que o separa em dois subconjuntos
de mesmo nmero de elementos.
Quando o conjunto de observaes tem um nmero mpar de valores, no-agrupados em
classes, ento a mediana dada pela expresso:
Md = xp onde
n 1
2
Quando o conjunto de observaes tem um nmero par de valores, no-agrupados em

classes, ento a mediana ser, a mdia aritmtica dos dois nmeros que ocuparem o meio da srie:
Md
x p x p 1
2
onde
n
.
2
Quando o conjunto de observaes se apresenta agrupados em classes em uma tabela de

freqncias, ento a mediana dada pela expresso:
h.( p Fa i 1 )
n
Md li
onde p
Fi
2
Vantagens e desvantagens da mediana:
1- No depende de todos os valores da srie, podendo mesmo no se alterar com a modificao de
alguns deles.
2- No influenciada por valores discrepantes.
No exemplo1: Md= 4 segundos.
Comentrio: 50% dos tempos entre os carros que passam por um cruzamento de ruas
de Maring esto abaixo de 4 segundos.
No exemplo2: Md= 47,38 funcionrios.
Comentrio: 50% do nmero de funcionrios das empresas esto abaixo de 47,38
funcionrios.
No exemplo3: Md= 0,78 reais.
Comentrio: 50% dos preos estiveram abaixo de 0,78 reais.
6.1.4 - Medidas De Posio: (Separatrizes)
Quartis (Qi): Denominamos quartis os valores de uma srie que a divide em quatro partes
iguais. Indicamos por: Q1,... Q3.
Decis (Di): Denominamos decis os nove valores e uma srie que a divide em dez partes
iguais. Indicamos por: D1,... D9.
27
Percentis (Pi): Denominamos percentis os noventa e nove valores de uma srie que a divide
em cem partes iguais. Indicamos por: P1,... P99.
OBS: A mediana tambm considerada uma media de posio.
Para valores NO-AGRUPADOS:
Quando a srie tem um nmero par de valores, as posies dos quartis devero ser
n2
4
2n 2
p
4
3n 2
p
4
calculadas por :
10. Quartil
20. Quartil
30. Quartil
Quando a srie tem um nmero mpar de valores, as posies dos quartis devero ser
n 1
4
2n 2
p
4
3n 3
p
4
calculadas por :
10. Quartil
20. Quartil
30. Quartil
Quando p for inteiro, ento o elemento quartlico ser Q = xp. Caso p no seja inteiro o
elemento quartlico ser a mdia dos valores mais prximos.
Para valores AGRUPADOS:
As medidas de posio para dados agrupados so calculadas atravs da expresso
h.( p Fa i 1 )
S li
onde:
Fi
S = a separatriz desejada (Md, Q, D, P);
K = a ordem da separatriz: K = 1 para a mediana
K = 1, 2, 3 para os quartis
K = 1, ... , 9 para os decis
K = 1, ... , 99 para os percentis
p = a posio da observao (dado) que a separatriz desejada e calculada
pela expresso:
k
n... ou.... N
K
2... ou...4... ou...10... ou...100
OBS: Os decis e os percentis, geralmente, so calculados para dados agrupados.

No exemplo1: Clculo de Q3:
P
16
x 3 12
4
Q3=5 segundos.
Comentrio: 75% dos tempos esto abaixo de 5 segundos.

No exemplo2: Clculo de Q1:
25
x 1 6,25 classe que contm o 1 quartil= 2
4
2(6,25 4)
45,5 funcionrios.
Q1= 44
3
P
Comentrio: 25% do nmero de funcionrios esto abaixo de 45,5 funcionrios.

No exemplo 3: Clculo de Q3:
28
Como n=5 impar, p=4,5 e, portanto Q3 ser:

Q3= [(0,80+0,95)/2]= 0,87 reais.
Comentrio: 75% dos preos de macarro (550 grs) apresentaram abaixo de R$ 0,87 reais.
6.2 - MEDIDAS DE DISPERSO: So medidas estatsticas que indicam o grau de
disperso, ou variabilidade do conjunto de observaes pesquisados, em relao a uma medida de
tendncia central. Elas descrevem os dados qualitativamente
Uma nica medida no suficiente para descrever de modo satisfatrio um conjunto de
observaes. Por exemplo, dois conjuntos de dados podem ter a mesma mdia aritmtica e, no
entanto, a disperso de um pode ser muito maior que a disperso do outro.
As principais medidas de disperso so: amplitude total, varincia, desvio-padro e
coeficiente de variao.
6.2.1 - Amplitude total (AT): a diferena entre o maior e o menor valor observado
AT = x (mximo) - x (mnimo), para valores no agrupados,
AT = L(max) - l(min) para valores agrupados em classes em uma tabela de
freqncias, onde
L o limite superior da ltima classe da tabela de freqncias
l o limite inferior da primeira classe da tabela de freqncias.
6.2.2 - Varincia: a medida que fornece o grau de disperso, ou variabilidade dos valores
do conjunto de observaes em torno da mdia. Ela calculada tomando-se a mdia dos quadrados
dos desvios em relao mdia:
para valores populacionais no agrupados,
n1
para valores amostrais no agrupados,
Fi
2
para valores populacionais agrupados em classes em

uma tabela de freqncias,
s
2
x Fi
n1
para dados amostrais agrupados em classes em uma

tabela de freqncias.
No exemplo1: s2=1,54.
6.2.3 - Desvio-padro. Como a varincia calculada a partir do quadrado dos desvios, sua
unidade quadrada em relao varivel estudada, o que, sob o ponto de vista prtico um
inconveniente. Por isso mesmo, imaginou-se uma nova medida que tem utilidade e interpretao
prtica, denominada desvio padro, definido como a raiz quadrada da varincia e representada por:
2 .
s s2
29
No exemplo1: s = 1,24.
6.2.4 - Coeficiente de variao. uma medida relativa da disperso ou variabilidade dos
dados:
cv
100
ou
cv
s
100
x
J foi visto que o desvio-padro tem a mesma unidade de medida que os dados, de modo que o
coeficiente de variao adimensional.
Critrios para interpretao. Quanto menor for o coeficiente de variao, mais representativa dos
dados ser mdia. Coeficiente de variao acima de 50%, a mdia no representativa.
Se 0% cv%<30%, conclui-se pela baixa variabilidade dos dados e a mdia

uma tima medida para representar os dados
Se 30% cv%<50% , conclui-se pela mdia variabilidade dos dados e a
mdia uma boa medida para representar os dados
Se cv%50% , conclui-se pela alta variabilidade dos dados e a mdia no
uma medida apropriada para representar os dados. Neste caso, deve-se pensar
na mediana ou moda.
No exemplo1: cv% = 31,47%.

Comentrio: A mdia do tempo uma boa medida para representar todos os tempos entre
carros que passam por um cruzamento de Maring.
Comentrio: A mdia de funcionrios uma tima medida para representar todos os
nmeros de funcionrios das empresas.
Comentrio: A mdia de preo do macarro uma tima medida para representar o
conjunto de todos os preos de macarro.
6.3 - MEDIDAS DE SIMETRIA. Tem por objetivo bsico medir o quanto a distribuio de
freqncias do conjunto de valores observados se afasta da condio de simetria.
Distribuio Simtrica. Quando a mdia, moda e mediana so iguais.
Distribuio Assimtrica negativa. Quando a mdia menor que a mediana que menor que a
moda.
Distribuio Assimtrica positiva. Quando a mdia maior que a mediana que maior que a
moda.
30
Uma medida para quantificar a assimetria de uma distribuio

coeficiente de assimetria de Pearson ( As ).
As
Mo
ou
As
dada pelo primeiro
x Mo
s
OBS: Essa expresso possibilita a seguinte interpretao:

As = 0 (distribuio simtrica)
As > 0 (assimtrica positiva)
As < 0 (assimtrica negativa)
6.4 - MEDIDAS DE CURTOSE: A curtose ou achatamento mede a concentrao ou
disperso dos valores de um conjunto de valores em relao s medidas de tendncia central em
uma distribuio de freqncias.
Distribuio Leptocrtica. Quando a distribuio apresenta uma curva de freqncia mais fechada
que a da distribuio normal.
Distribuio Platicrtica. Quando a distribuio apresenta uma curva de freqncia mais aberta
que a da distribuio normal.
Distribuio Mesocrtica. Quando a distribuio apresenta uma curva de freqncia idntica a da
distribuio normal.
As medidas de curtose podem ser calculadas atravs da expresso:
Q3 Q1
(coeficiente de curtose)
2 P90 P10
Relativamente curva da distribuio normal, temos:
K > 0,263 (platicrtica)
K = 0,263 (mesocrtica)
K < 0,263 (leptocrtica)
K
31
Lista de Exerccios
Estatstica Descritiva
1.
Durante um certo ms de vero, os dez vendedores de uma firma de aquecimento e ar-condicionado venderam os
seguintes nmeros de unidades de ar-condicionado: 8, 11, 5, 14, 8, 11, 16, 5, 11, 14. Calcular as medidas de posio
e disperso. Interprete os resultados.
2. O nmero de acidentes ocorridos durante um dado ms em uma amostra de 13 departamentos de manufaturas em

um estabelecimento industrial foi: 2, 0, 0, 3, 3, 12, 1, 0, 8, 1, 0, 5, 1. Calcular as medidas de posio e disperso.
Interprete os resultados.
3. Os dados abaixo referem-se ao nmero de horas extras de trabalho de uma amostra de 93 funcionrios da
empresa XGRAN, Maring - Pr. , em dezembro/11.
Nmero de
horas extras
10
11
12
13
14
15
16
17
18
19
20
TOTAL
a)
b)
4.
Nmero de
Funcionrios
2
3
6
8
10
16
20
14
8
4
2
93
Obtenha as colunas complementares e faa a formatao da tabela.

Calcule as medidas de posio e disperso. Interprete os resultados.
Uma empresa contou durante uma hora o nmero de chamadas telefnicas que recebe por minuto e obteve os
seguintes dados:
1
2
3
1
2
2
2
3
2
3
0
3
0
1
0
2
2
2
2
2
4
2
0
2
1
2
2
4
3
0
a) Construa a distribuio de freqncia adequada;
b) Faa sua representao grfica;
c) Calcular as medidas de posio e disperso.
d) Interprete os resultados.
5.
1
3
3
3
3
2
1
0
5
2
0
2
3
1
0
1
2
1
2
3
1
3
1
3
2
3
4
3
1
1
O proprietrio de um automvel, a fim de avaliar o rendimento do seu carro, anota a cada 3 dias o consumo mdio
de combustvel, em km/l. Os dados obtidos durante o perodo de 3 meses, foram:
10.9
13.2
10.7
10.9
13.2
10.7
12.5
6.1
10.4
12.5
6.1
10.4
8.1
10.4
11.1
8.1
10.4
11.1
11.2
11.7
12.3
11.2
11.7
12.3
11.8
11.3
8.5
11.8
11.3
8.5
10.3
11.0
10.0
10.3
11.0
10.0
10.5
10.2
11.4
10.5
10.2
11.4
9.3
10.8
10.5
9.3
10.8
10.5
12.7
10.1
10.1
12.7
10.1
10.1
7.3
9.5
9.2
7.3
9.5
9.2
Construa uma tabela de distribuio de freqncia com 8 classes. Faa as colunas complementares. Interprete os
principais resultados.
32
6. Realizou-se uma prova de estatstica para duas turmas. Os resultados foram os seguintes:
Turma A: x 5 e 2,5
Turma B: x 4 e 2
Com esses resultados, podemos afirmar:
( ) A turma B apresentou maior disperso absoluta.
( ) A disperso relativa igual disperso absoluta.
( ) Tanto a disperso absoluta quanto a relativa so maiores para a turma B
( ) A disperso absoluta de A maior do que a de B, mas em termos relativos as duas turmas no diferem quanto ao
grau de disperso das notas
7. Uma pesquisa sobre o preo do bacalhau (em reais), realizada em maro/2011, atravs de uma amostra em
supermercados do Paran, obteve-se os seguintes dados:
45,50
45,49
47,49
45,49
45,50
45,49
47,49
45,49
47,49
47,70
47,70
49,50
45,50
47,50
45,50
49,50
45,50
47,50
45,50
47,50
48,50
48,50
49,50
46,40
47,99
46,40
49,50
46,40
47,99
46,40
47,99
48,49
48,49
46,50
47,30
48,90
47,30
46,50
47,30
48,90
47,30
48,90
49,90
49,90
46,99
48,49
48,50
48,49
46,99
48,49
48,50
48,49
48,50
49,90
49,90
46,90
48,99
48,50
48,99
46,90
48,99
48,50
48,99
48,50
49,70
49,70
50,00
48,99
47,50
48,99
50,00
48,99
47,50
48,99
47,50
48,90
48,90
50,00
49,99
47,49
49,99
50,00
49,99
47,49
49,99
47,49
48,99
48,99
46,50
47,50
47,80
47,50
46,50
47,50
47,80
47,50
47,80
48,80
48,80
Construa uma tabela de distribuio de freqncia que melhor apresente estes dados. Faa as colunas complementares.
Interprete os principais resultados.
8.
O controle de qualidade de uma empresa retira amostra de hora em hora. Cada amostra contm 50 peas e verificase a qualidade de peas defeituosas em cada amostra. Durante 7 dias, foram coletadas 35 amostras e foram obtidos
os seguintes resultados (nmero de peas defeituosas por amostra):
0
0
2
1
1
0
3
2
1
0
3
1
1
0
0
1
1
1
1
0
4
0
2
3
2
5
0
0
0
2
0
0
0
0
3
Monte a tabela de freqncia adequada, construa o grfico para freqncia absoluta, calcule a mdia, a moda, a
mediana, a varincia, o desvio padro e o coeficiente de variao. Podemos concluir que a mdia de peas defeituosas
uma medida bem representativa para os dados?
9. A CIPA da UEM no ano de 2011 registrou o seguinte nmero de acidentes de trabalho (dados fictcios).
1
Calcular as medidas de posio e disperso. Interprete os resultados.
10. - Durante o ms de setembro de 2011, o nmero de acidentes por dia, no km 287 da rodovia Castelo Branco no
estado de So Paulo, apresentou a seguinte estatstica fornecida pela polcia rodoviria daquele estado (dados
fictcios):
2
2
0
0
1
1
2
4
3
2
1
3
6
0
1
1
0
0
0
2
1
1
2
2
2
4
1
1
1
1
Calcular as medidas de posio e disperso. Interprete os resultados.
33
II PARTE - TEORIA
1. Assinale a segunda coluna de acordo com a primeira:
(a) Amostra
( ) Coleta de dados de todos os elementos da populao.
(b) Estatstica
( ) Informaes obtidas com base nos elementos da
(c) Censo
populao ou elementos da amostra.
(d) Populao
( ) Medidas populacionais.
(e) Dados
( ) Referem-se aos dados coletados e podem ser
(f) Estatsticas
qualitativas ou quantitativas.
(g) Parmetro
( ) Medidas amostrais.
(h) Variveis
( ) Parte da populao selecionada de acordo com
certas regras.
( ) Mtodo utilizado no manuseio de dados numricos.
( ) Todo conjunto de indivduos ou objetos que possuam
ao menos uma caracterstica comum.
2. Em cada um dos casos indique se a varivel qualitativa (QL), quantitativa discreta (QTD) ou
quantitativa contnua (QTC).
( ) Sexo
( ) Local de nascimento
( ) Nmero de pulsaes por minuto
( ) Aumento de peso em cobaias
( ) Nmero de atendimentos dirio em um Pronto Socorro
( ) Altura
( ) Cor dos olhos
( ) Renda familiar
( ) Temperatura
( ) Profisso
Assinale a resposta correta de cada uma das questes abaixo:
3. O agrupamento dos valores de uma varivel com suas respectivas freqncias denomina-se:
( ) planilha dos dados
( ) tabela de srie especfica
( ) distribuio de freqncias
( ) freqncias absolutas
4. Denomina-se amplitude do intervalo de classe:
( ) a distncia entre os limites da classe
( ) o nmero de valores agrupados na classe
( ) o nmero de classes estabelecidas
( ) o valor representativo da classe
5. A primeira classe de uma distribuio de freqncias deve:
( ) ser representada pelo menor valor do conjunto de dados
( ) iniciar-se com o menor valor do conjunto de dados
( ) incluir o menor valor do conjunto de dados
( )terminar com o menor valor do conjunto de dados
6. Todos os valores includos em uma classe podem ser representados:
( ) pela amplitude da classe
( ) pelo limite inferior da classe
34
( ) pelo limite superior da classe

( ) pelo ponto mdio da classe
7. O centro de equilbrio de uma srie de dados dado pela
( ) mdia aritmtica
( ) posio mediana
( ) mediana
( ) moda
8. Na srie 100, 80, 90, 70, 60, 5, 0, os valores 5 e zero influem no clculo da:
( ) mediana
( ) mdia
( ) posio mediana
( ) moda
9. Para se encontrar a posio mediana verifica-se onde se localiza:
( ) o valor mais freqente
( ) o centro de equilbrio da srie
( ) o valor mais alto
( ) o centro da srie
10. O dado mais freqente de uma srie :
( ) a mdia
( ) a posio mediana
( ) a moda
( ) a mediana
11. A medida que tem o mesmo nmero de valores abaixo e acima dela :
( ) mediana
( ) mdia
( ) posio mediana
( ) moda
12. O desvio padro mede:
( )a amplitude dos dados
( )a variabilidade dos dados
( )a frequncia dos dados
( )a distncia entre os dados
35
GABARITO ESTATSTICA DESCRITIVA

Lista de Exerccios
Os exerccios que no esto nesta lista sero resolvidos em sala de aula.
6. Realizou-se uma prova de estatstica para duas turmas. Os resultados foram os seguintes:
Turma A: x 5 e 2,5 absoluto
2,5 7,5
CVA: 50% relativa
Turma B: x 4 e 2
26
CVB: 50%
Alternativa correta:
(X) A disperso absoluta de A maior do que a de B, mas em termos relativos as duas turmas no
diferem quanto ao grau de disperso das notas
II PARTE - TEORIA
13. Assinale a segunda coluna de acordo com a primeira:
(a) Amostra
(c) Coleta de dados de todos os elementos da populao.
(b) Estatstica
(e) Informaes obtidas com base nos elementos da
(c) Censo
populao ou elementos da amostra.
(d) Populao
(g) Medidas populacionais.
(e) Dados
(h) Referem-se aos dados coletados e podem ser
(f) Estatsticas
qualitativas ou quantitativas.
(g) Parmetro
(f) Medidas amostrais.
(h) Variveis
(a) Parte da populao selecionada de acordo com
certas regras.
(b) Mtodo utilizado no manuseio de dados numricos.
(d) Todo conjunto de indivduos ou objetos que possuam
ao menos uma caracterstica comum.
14. Em cada um dos casos indique se a varivel : qualitativa nominal (QLN), qualitativa ordinal
(QLO), quantitativa discreta (QTD) ou quantitativa contnua (QTC).
(QL ) Sexo
(QL ) Local de nascimento
(QTD) Nmero de pulsaes por minuto
(QTC) Aumento de peso em cobaias
(QD ) Nmero de atendimentos dirio em um Pronto Socorro
(QTC) Altura
(QL ) Cor dos olhos
(QTC) Renda familiar
(QTC) Temperatura
(QL ) Profisso
Assinale a resposta correta de cada uma das questes abaixo:

15. O agrupamento dos valores de uma varivel com suas respectivas frequncias denomina-se:
( ) planilha dos dados
( ) tabela de srie especfica
(X) distribuio de frequncias
( ) frequncias absolutas
16. Denomina-se amplitude do intervalo de classe:
(X) a distncia entre os limites da classe
( ) o nmero de valores agrupados na classe
( ) o nmero de classes estabelecidas
( ) o valor representativo da classe
36
17. A primeira classe de uma distribuio de frequncias deve:

( ) ser representada pelo menor valor do conjunto de dados
(X) iniciar-se com o menor valor do conjunto de dados
( ) incluir o menor valor do conjunto de dados
( )terminar com o menor valor do conjunto de dados
18. Todos os valores includos em uma classe podem ser representados:
( ) pela amplitude da classe
( ) pelo limite inferior da classe
( ) pelo limite superior da classe
(X) pelo ponto mdio da classe
19. O centro de equilbrio de uma srie de dados dado pela
(X) mdia aritmtica
( ) posio mediana
( ) mediana
( ) moda
20. Na srie 100, 80, 90, 70, 60, 5, 0, os valores 5 e zero influem no clculo da:
( ) mediana
(X) mdia
( ) posio mediana
( ) moda
21. Para se encontrar a posio mediana verifica-se onde se localiza:
( ) o valor mais frequente
( ) o centro de equilbrio da srie
( ) o valor mais alto
(X) o centro da srie
22. O dado mais frequente de uma srie :
( ) a mdia
( ) a posio mediana
(X) a moda
( ) a mediana
23. A medida que tem o mesmo nmero de valores abaixo e acima dela :
( ) mediana
( ) mdia
(X) posio mediana
( ) moda
24. O desvio padro mede:
( )a amplitude dos dados
( )a variabilidade dos dados
( )a frequncia dos dados
(X)a distncia entre os dados
37
INTRODUO A PROBABILIDADE
A Estatstica teve por funo, nas suas origens, principalmente a organizao e apresentao
de dados coletados empiricamente.
O desenvolvimento da teoria das probabilidades permitiu, entretanto, a criao de
tcnicas mais adequadas de amostragem e formas de relacionar as amostras e as populaes de onde
provieram essas amostras.
O estudo das probabilidades teve origens no sculo XVII, bem posterior Estatstica, por meio do
estudo dos jogos de azar propostos pelo Cavalheiro de Mre aos matemticos franceses Fermat e
Pascal. No entanto, somente no sculo XX que se desenvolveu uma teoria matemtica rigorosa
baseada em axiomas, definies e teoremas. Com o advento da teoria das probabilidades, foi
possvel estabelecer as distribuies de probabilidade, consideradas como a espinha dorsal da
teoria estatstica, pois todos os processos inferenciais so aplicaes de distribuies de
probabilidade.
Assim, o conhecimento dos conceitos advindos da teoria das probabilidades de grande
importncia para uma correta utilizao da tcnica estatstica.
CONCEITOS FUNDAMENTAIS
Experimento Aleatrio:
o processo de coleta de dados relativos a um fenmeno que acusa variabilidade em seus
resultados, ou seja, podemos dizer que so os experimentos cujos resultados podem no ser os
mesmos, ainda que sejam repetidos sob condies idnticas. Por exemplo:
Ex.1: Jogar um dado e observar o nmero mostrado na face superior.
Ex.2: Lanar uma moeda e um dado e observar a sua face superior.
Ex.3: observar o sexo de um recm-nascido.
Espao amostral:
o conjunto de todos os resultados possveis de um experimento. Representaremos espao amostral
por S.
S1: { 1, 2, 3, 4, 5, 6 }
S2: { c1, c2, c3, c4, c5, c6, k1, k2, k3, k4, k5, k6}, onde c representa o nmero de
cara e k o n de coroa.
S3: { M, F}, onde M representa o sexo masculino e F representa o feminino.
Quando um espao amostral consiste em um nmero finito ou infinito numervel de ventos,
chamado de espao amostral discreto; consiste-se em todos os nmeros reais de determinado
intervalo, um espao amostral contnuo.
Evento:
um subconjunto de um espao amostral, assim, o prprio S um evento, chamado evento certo e
o conjunto vazio tambm um evento, chamado evento impossvel.
As mesmas operaes realizadas com conjuntos so vlidas tambm para os eventos.
38
UNIO: A B e i S / e i A ou e i B
INTERSECO: A B e i S / e i A e e i B
COMPLEMENTAR: S A A e i S / e i A
Temos tambm que:
( A B) A B
(A B) A B
Eventos mutuamente exclusivos:

Dois eventos A e B so chamados de eventos mutuamente exclusivos se, e somente se, a
ocorrncia de um evento impede a ocorrncia de outro evento, ou seja, A .
Probabilidade:
A cada evento A associado a um espao amostral S, associamos um nmero real P(A)
denominado probabilidade de A, tal que:
0P(A)1
P(S)=1
Esta definio no nos diz como calcular P(A). Apenas nos d algumas propriedades gerais
que P(A) deve ter. Antes de aprendermos como calcular P(A) vamos enunciar mais algumas
propriedades decorrentes destas propriedades mais gerais:
Propriedades relacionadas s probabilidades
a) P()=0
b) P(A) 1 - P(A)
c) P(A B) = P(A) + P(B) - P(A B).
Se A e B forem mutuamente excludentes ento P(AB) = P(A)+P(B)
d) Se S for finito, ento a soma das probabilidades de todos os resultados possveis igual a 1.
e) P( A B ) P( A B) 1 P( A B)
P( A B ) P( A B) 1 P( A B)
1.2.1 Resultados igualmente provveis (equiprovveis)

A hiptese mais comumente feita para espaos amostrais finitos a de que todos os
resultados sejam igualmente provveis. Tais espaos so chamados equiprovveis.
1.2.2 Definio clssica de Probabilidade
Consideremos ento um espao equiprovvel S e seja AS um evento qualquer. Ento a
probabilidade de A ocorrer ser dada por:
P( A )
n( A )
n(S)
39
onde n(A), o nmero de elementos de A e n(S) o nmero de elementos de S. muito importante

compreender que a expresso acima apenas uma conseqncia da suposio de que todos os
resultados sejam igualmente provveis e ela somente aplicvel quando essa suposio for
atendida.
Ex.1: Uma faculdade possui 180 alunos matriculados no curso de Cincias Contbeis e 220 no
curso de Administrao de Empresas. Nesta faculdade existe um programa que prev a escolha
aleatria de um aluno para represent-la num congresso local. Qual a probabilidade do aluno
escolhido ser do curso Cincias Contbeis? Qual a probabilidade que o sorteado seja aluno de
Administrao?
Soluo:
a) A= {o aluno sorteado do curso de Cincias Contbeis}
P( A)
180
9
0,45 ou seja, a probabilidade de que o aluno escolhido seja do curso de

400 20
Cincias Contbeis de 0,45 (ou 45%).

b) B= {o aluno sorteado do curso de Administrao de Empresas}
P(B)
220 11
0,55 ou seja, a probabilidade de que o aluno escolhido seja do curso de

400 20
Administrao de Empresas de 0,55 (ou 55%).

Ex.: 2: Considere a seguinte tabela:
A=
B=
C=
D=
CURSO
Eng. Civil
Psicologia
Farm. Bioqumica
Medicina
TOTAL
Sejam os eventos:
SEXO
Masculino (M) Feminino (F)
70
40
10
40
20
20
20
10
120
110
TOTAL
110
50
40
30
230
A={aluno de Eng. Civil}

B={aluno de Psicologia}
C={aluno de Farm. Bioqumica}
D={aluno de Medicina}
M={aluno do sexo masculino}
F={aluno do sexo feminino}
Considerando agora o sorteio de um destes alunos e usando a freqncia relativa como

aproximao da probabilidade, teremos:
P(A)=110/230 ;
P(B)=50/230;
P(C)=40/230;
P(D)=30/230;
P(CD)=P(C)+P(D)=70/230, uma vez que C e D so mutuamente excludentes;
P(CM)=20/230;
P(AF)=40/230;
...
P(BM)=P(B)+P(M)-P(BM)=50/230+120/230-10/230=160/230, uma vez que B e M no

so mutuamente excludentes.
40
Probabilidade Condicional
Dois eventos, A e B, so ditos de probabilidades condicionais se, dado que um tenha ocorrido, isto
afeta a probabilidade do outro evento ocorrer. Temos ento que, Se P(B) diferente de zero, a
probabilidade condicional de A relativa B, isto , a probabilidade de A ocorrer dado que B tenha
ocorrido (ou A dado B), :
P A / B
P( A B )
P( B )
ou
P B / A
P ( A B)
P ( A)
Probabilidade independente
Dois eventos, A e B, so ditos independentes se a probabilidade do evento A ocorrer
no afetada pela ocorrncia ou no de B, ou seja:
P A / B P ( A)
Regra da multiplicao
- Se A e B so eventos so condicionais, ento:
P ( A B ) P ( A) P ( B / A)
ou P( A B) P( B ) P( A / B)
- Se A e B so dois eventos independentes, temos:
P( A B) P( A ) P(B)
Ex-3:
Sejam os eventos tais que P(A) = 0,2 ,

considerando A e B:
i) Mutuamente exclusivos;
ii) Independentes;
P(B) = m,
P(AUB) = 0,6. Calcular m
Resp. i) m=0,4;
ii) m=0,5;
Ex-4: A probabilidade de que um homem esteja vivo daqui a 30 anos 2/5, a de sua mulher 2/3.
Calcular a probabilidade de que daqui a 30 anos:
a) Ambos estejam vivos (R. 4/15)
b) Somente o homem esteja vivo (R. 2/15)
c) Somente a mulher esteja viva (R. 2/5)
d) Nenhum esteja vivo (R. 1/5)
e) Pelo menos um esteja vivo (R. 4/5)
41
Resumo das Principais Frmulas das Probabilidades

1. Avaliao da probabilidade de um evento:
P( A )
n( A)
n(S)
2. Avaliao da probabilidade do evento certo (S) e do evento impossvel:

P ( S ) 1 ; P( ) = 0
3. Regras bsicas para clculo de probabilidade:

- 0 P(A ) 1, qualquer que seja A
- Se A e B so eventos excludentes, ou seja A B , ento : P(A B) 0
4. Regra da soma:
Se A e B so mutuamente exclusivos, temos:
P( A B) P( A) P(B)
Se A e B no so mutuamente exclusivos, temos:

P( A B) P( A) P( B) P( A B)
5. Eventos Complementares:
P( A ) 1 P(A)
P ( A B) P ( A ) P ( A B)
P ( A B) P( A B) 1 P ( A B)
P ( A B) P( A B) 1 P ( A B) A
6. Avaliao da Probabilidade Condicional:

P( A / B)
n( A B )
n(B)
7. Regra do Produto:
Se A e B so eventos condicionais:
P (A B) P ( A) P (B / A )
ou
P(A B) P( B) P (A / B)
Se A e B so eventos independentes:
P(A B) P(A) P(B)
42
VARIVEIS ALEATRIAS
Introduo
Quando realizamos um experimento, no temos obrigatoriamente, que obtermos um valor
numrico. Por exemplo, ao descrevermos uma pea manufaturada, podemos associar duas
categorias: defeituosas e no defeituosas- varivel qualitativa. Por um outro lado, ao
estudarmos a descrio dos dados, vimos que os recursos disponveis para anlise das variveis
quantitativas so mais ricos do que para as variveis qualitativas, portanto, buscaremos uma
maneira de trabalharmos esta situao de uma maneira mais prtica e facilitada associando sempre
um nmero real a qualquer evento de um espao amostral, possibilitando assim, a construo de
modelos probabilsticos para tais variveis.
DEFINIO 1.1 - Varivel Aleatria: Seja E um experimento e S um espao amostral associado a
esse experimento. Uma funo X que associe a cada elemento s S um nmero
real X(s), denomina-se Varivel Aleatria (v.a.).
S
R
S.
X
. X(s)
Exemplo: Seja o experimento E: lanar duas moedas. O espao amostral associado a este
experimento ser:
S= {CC, CK, KC, KK}
Podemos definir uma v.a. como sendo, X: nmero de caras obtidas nas duas moedas.
Para o evento s1 = {CC}, temos X(s1) = 2

Para o evento s2 = {CK}, temos X(s2) = 1
Para o evento s3 = {KC}, temos X(s3) = 1
Para o evento s4 = {KK}, temos X(s4) = 0
Portanto, os valores assumidos pela v.a. X so os elementos do conjunto {0, 1, 2}.

Observaes:
1) Embora usemos o termo varivel, X uma funo cujo domnio S e contradomnio e R.
2) Para simplificar a notao, em geral, escrevemos X e no X(s).
3) Podem-se definir inmeras v.a. para um mesmo espao amostral S.
4) Se S numrico, ento X(s) = s.
5) As variveis aleatrias podem ser discretas ou contnuas.
43
Varivel aleatria discreta:

DEFINIO 2.1 Varivel Aleatria Discreta: Seja X uma v.a. Se o nmero de valores possveis
de X for finito ou infinito enumervel, denominaremos X de varivel aleatria
discreta.
Ao trabalharmos com uma varivel aleatria discreta, a funo que descreve as probabilidades da
varivel aleatria X assumir valores particulares ser denominada Funo de Probabilidade.
DEFINIO 2.2 - Funo de Probabilidade. Seja X uma varivel aleatria discreta. A cada
possvel resultado xi associaremos um nmero p(xi) = P(X = xi) denominado
probabilidade de xi. os nmeros p(xi) e i= 1,2,3,...,n devem satisfazer:
p( x ) 0, i 1, 2, ... , n
i
p( x ) 1
i 1
Ento esta funo chamada de Funo de Probabilidade no ponto da varivel

aleatria X.
Os pares ordenados [xi , p(xi)], onde i= 1, 2, ..., n denominado de distribuio de probabilidade de
Exemplo: Seja o experimento E: lanar 2 dados; e a varivel aleatria Y: soma dos pontos obtidos
na face de cada dado. O espao amostral associado a este experimento ser:
(1,1) (1,2) (1,3) (1,4) (1,5) (1,6)

(2,1) (2,2) (2,3) (2,4) (2,5) (2,6)
(3,1) (3,2) (3,3) (3,4) (3,5) (3,6)

(4,1) (4,2) (4,3) (4,4) (4,5) (4,6)
(5,1) (5,2) (5,3) (5,4) (5,5) (5,6)
(6,1) (6,2) (6,3) (6,4) (6,5) (6,6)

De onde obtemos a seguinte distribuio de probabilidade:
Y
2
3
4
5
6
7
8
P(Y=yi) 1/36 2/36 3/36 4/36 5/36 6/36 5/36
9
4/36
10
3/36
11
2/36
12
1/36
VARIVEL ALEATRIA CONTNUA:

DEFINIO 3.1 Varivel Aleatria Contnua: Seja X uma varivel aleatria. Suponha que R x, o
contra-domnio de X, um intervalo ou um conjunto de intervalos. Ento
diremos que X uma varivel aleatria contnua.
44
Lembremos que no caso da v.a. discreta definiu-se P(X=xi) como funo de probabilidade, no caso
v.a. contnua, este conceito no poder ser aplicado, pois X assume valores no enumerveis. Para
melhor entendimento, tomemos como exemplo um relgio eltrico, onde os ponteiros dos segundos
movem-se continuamente. Neste caso, o conjunto de possveis valores de X no um conjunto
enumervel de valores, como no caso de um relgio mecnico, pois X pode assumir qualquer valor
do intervalo [0,360] = {x / 0 x 360}. Assumindo que no existe uma regio de preferncia
para o ponteiro parar, e como existem infinitos pontos nos quais o ponteiro pode parar, cada um
com igual probabilidade, cada ponto teria probabilidade de ocorrer igual a zero. Assim, no tem
muito sentido falar na probabilidade de o ngulo X ser igual a um certo valor, pois esta
probabilidade sempre ser igual a zero. Entretanto, podemos determinar a probabilidade de o ngulo
X estar compreendido entre dois valores quaisquer, como por exemplo: P(0 < X < 90) = . Por
menor que seja o intervalo, sempre poderemos achar a probabilidade da v.a. ocorrer. Como j vimos
na construo de histogramas, a rea correspondente ao intervalo [a, b] indica a probabilidade da
v.a. estar entre a e b. Matematicamente, isso expresso atravs da integrao da funo entre a e b.
b
P(a X b) f ( x )dx
a
Pois a integral de uma funo entre dois pontos determina a rea sob a curva compreendida entre
esses dois pontos. A funo que nos permitir calcular a probabilidade para uma v.a. ser definida
como funo densidade de probabilidade.
DEFINIO 3.2 Funo Densidade de Probabilidade: Seja X uma varivel aleatria contnua.
A Funo Densidade de Probabilidade f (f.d.p) uma funo que satisfaz as
seguintes condies:
a ) f(x i ) 0, x i x
b)
f(x)dx 1
OBS: 1) A definio acima mostra que a probabilidade de qualquer valor especificado de X, por
xo
exemplo xo, tem P(X = xo) = 0, pois P(X x o ) f ( x )dx 0

xo
Sendo assim, as probabilidades abaixo sero todas iguais, se X for varivel aleatria
contnua:
P ( a X b ) P (a X b ) P (a X b ) P (a X b )
2) Note-se que f(x), no probabilidade. Somente quando a funo for integrada entre dois
limites ela produzir uma probabilidade, que ser a rea sob a curva da funo entre x o=a e
x1=b; b>a.
DEFINIO 3.3 Funo de Distribuio Acumulada. Seja X uma varivel aleatria discreta ou
contnua. Define-se a funo F como Funo de Distribuio Acumulada da v.a.
(fd) como:
F( x ) P(X x i )
n
OBS.: 1) Se X for uma v.a.d., F( x ) p( x j ),

j1
xj x
c
2) Se X for uma v.a.c. com f.d.p. f, F( x )
f ( x )dx
45
Caracterizao de uma varivel aleatria discreta

Tal como para conjuntos de dados de amostras e populaes, freqentemente til descrever uma
distribuio de probabilidade em termos de sua mdia e de sua varincia. A mdia ser chamada de
valor esperado (esperana matemtica ou expectncia).
Valor esperado, esperana matemtica ou expectncia - E(X)
DEFINIO 4.1 Seja X uma v.a.d. com possveis valores x 1, x2 , ..., xn. Seja p(xi)=P(X=xi), com
i=1, 2, ..., n. Ento o valor esperado de X (ou esperana de X), denotado por
E(X) ou X, definido como:
n
E ( X ) x i p( x i )
i 1
Exemplo: E = lanamento de um dado.

X= ponto obtido (pode ser 1, 2, 3, 4, 5 ou 6)
P (X=xi) = 1/6, 1/6, 1/6, 1/6, 1/6, 1/6
E(X) 1
1
1
1
1
1
1
2 3 4 5 6 3,5
6
6
6
6
6
6
Propriedades da esperana:
1) O valor esperado de uma constante a prpria constante.
E (K ) Kp( x i ) K p( x i ) K
i
2) Multiplicando-se uma varivel aleatria X por uma constante, sua mdia fica multiplicada por
essa mesma constante.
E (KX) Kx i p( x i ) K x i p( x i ) KE( X )
i
3) O valor esperado da soma ou diferena de duas variveis a soma ou a diferena das

esperanas.
E[X Y]
( x
i
E[X Y]
x p( x
i
E[X Y]
y j )p( x i , y j )
IJ
x p( x
x p( x
IJ
, y j ) y j p( x i , y j )
, y j ) y j p( x i , y j )
i
IJ
) y j p( y j )
E[X Y] E[X] E[Y]
4) Somando-se ou subtraindo-se uma constante a uma varivel aleatria, a sua esperana fica
somada ou subtrada da mesma constante.
E[XK] = E[X]E[K] = E[X] K
5) O valor esperado de uma varivel aleatria centrada zero. Diz-se que a v.a. est centrada
quando se calculam todos os desvios (xi - x). Assim:
E[X - x] = E[X] E[x] = x - x = 0
46
6) O valor esperado do produto de duas v.a. independentes o produto dos valores esperados.
E[ XY ]
x
i
E[ XY ]
x
i
E[XY]
y j p( x i , y j )
y j p( x i ) p( y j ), pois X e Y so variveis independentes
x p( x ) y p( y
i
E[ XY ] E[ X ] E[ Y ]
Exerccio: Se X e Y so v.a. independentes e E[X]=2 e E[Y]=3, determine:

a) E[2X 2]
b) E[2X+3Y-5]
Resposta: a) 2;
b) 3;
VARINCIA DE UMA VARIVEL ALEATRIA
Embora o valor da esperana de v.a. nos d boas informaes sobre o seu comportamento, ainda
no nos diz tudo. Suponha que X represente o salrio dos funcionrios de uma determinada empresa
e que E[X]=700,00. Isto poderia significar que a maioria dos salrios deveria estar entre R$ 600,00
e R$ 800,00; poderia tambm significar que cerca de metade dos salrios mais altos estejam
prximos de R$ 1200,00, enquanto a outra metade dos funcionrios teriam um salrio prximo a R$
200,00. bvio que precisamos definir uma medida que nos d o grau de disperso de
probabilidade em torno da mdia; essa medida chamada de varincia.
DEFINIO 4.2 Seja S uma varivel aleatria. Definamos a varincia de X denotada por V(X),
ou 2X , da seguinte forma:
V[ X ] E[ X E( X )] 2
Desenvolvendo a frmula anterior:

V [ X ] E[ X
2 XE ( X ) E ( X ) 2 ]
V [ X ] E ( X 2 ) E[2 XE ( X )] E[ E ( X ) 2 ], mas E(X) uma constante
V[X] E(X 2 ) 2 E ( X ) E ( X ) E ( X ) 2
V [ X ] E ( X 2 ) 2E ( X ) 2 E ( X ) 2
V [ X ] E( X 2 ) E( X ) 2
PROPRIEDADES DA VARINCIA:
1) A varincia de uma constante zero:
2k E[K k ]2 E[K K ] 2 0
2) Multiplicando-se uma v.a. por uma constante, sua varincia fica multiplicada pelo quadrado da
constante.
47
(2kx ) E[KX E (KX)]2 E[KX KE (X )] 2

(2kx ) E{K[X E (X)]}2
(2kx ) K 2 E[X E (X )] 2
(2kx ) K 2 2x
3) Somando-se ou substituindo-se uma constante a uma v.a. sua varincia no se altera.

2 [ X K ] E[(X K ) E ( X K )] 2
2 [ X K ] E[ X K E ( X ) E ( K )] 2
2 [ X K ] E[ X K E ( X ) K ] 2
2 [ X K ] E[ X E ( X )] 2
2 [ X K ] 2X
4) A varincia da soma ou diferena de duas variveis aleatria independentes a soma das

respectivas varincias.
2 (X Y) 2x 2y
Apresentaremos a seguir, alguns modelos de distribuio de probabilidades.
Distribuio binomial
Consideremos um experimento aleatrio ao qual associa-se a varivel aleatria X. A distribuio
discreta de probabilidade de X ser definida como Distribuio Binomial se atender s seguintes
condies:
i) Em cada tentativa existem dois resultados possveis mutuamente exclusivos. Eles so
chamados de sucesso (se ocorrer o evento em que estamos interessados) e fracasso
(se tal evento no ocorre).
ii) As sries de tentativas (ou observaes) do experimento so constitudas de n
eventos independentes.
iii)A probabilidade de sucesso p e a do fracasso q = 1-p.
Ento, para n repeties independentes, a probabilidade de ocorrer exatamente k sucessos da
varivel aleatria X dado por:
n
.p k .q n - k
k
P(X k)
Notao: X~B(np; npq), significa que a varivel aleatria X tem uma distribuio binomial
com parmetros E(x) = np (mdia) e VAR(x) = npq (varincia).
Exemplo: Uma moeda lanada trs vezes. Qual a probabilidade de se obter duas caras?
E: lanar uma moeda
X: n de caras que ocorrem (sucesso)
n=3
p = (probabilidade de sucesso em um lanamento)
q = 1-p = 1- =
48
Ento, a probabilidade de obter k=2 caras :

3
.(1 / 2) 2 .(1 / 2) 3 2 3.(1 / 4).(1 / 2) 3 / 8
2

P(X 2)
Portanto a probabilidade de ocorrer duas caras em e trs lanamentos de uma moeda 3/8 ou
37,5%
Ex: Uma companhia de seguros vendeu aplices a cinco pessoas, todas da mesma idade e de
apresentando boa sade. De acordo com as tbuas aturias, a probabilidade de que uma pessoa da
idade desses assegurados esteja viva da a 30 anos 2/3. Calcular a probabilidade de que passados
30 anos;
a) Todas as cinco pessoas estejam vivas; (32/243 ou 0,13)
b) Duas pessoas estarem vivas
(40/243 ou 0,16)
c) Duas pessoas no estarem vivas
(80/243 ou 0,33)
d) Pelo menos trs pessoas estejam vivas; (64/81 ou 0,79)
Distribuio de Poisson
um caso particular da distribuio binomial quando o nmero de provas n, tende para
o infinito e a probabilidade p de cada evento p do evento, em uma nica prova, tende a zero,
entretanto E[X] = n permanece finita e no nula.
DEFINIO 4.3 Diz-se que a varivel aleatria X tem distribuio de Poisson com parmetro
=np, se sua funo de probabilidade dada pela frmula:
P[X k ] e
k
k!
Com representando o nmero mdio dos eventos ocorridos no intervalo

considerado. A distribuio ser denotada por X~P() onde:
E[X] = V[X] = = np
A Distribuio de Poisson tambm chamada de distribuio de eventos raros, tais como:
a) Nmero de falhas de um computador em um dia de operao.
b) Nmero de chamadas recebidas por um PBX durante um intervalo pequeno de
tempo.
c) Nmero de relatrios de acidentes enviados a uma companhia de seguros em uma
semana.
Exemplo: Numa estrada h 4 acidentes para cada 200 km. Qual a probabilidade de que em:
a) 200 km ocorram nenhum acidente.
(0,0183)
b) 300 km ocorram pelo menos 3 acidentes? (0,9380)
c) 100 km ocorram no mximo 1 acidente? (0,4060)
Distribuio Normal
DEFINIO 4.4. Seja uma varivel aleatria contnua e independente X que apresenta a seguinte
funo densidade:
49
f (x)
1
2
e[ ( x )
/ 2 2 ]
Onde os parmetros e 2 so respectivamente a mdia e a varincia

populacional que satisfaz as condies:
a) - < <
b) 2 > 0
c) - < x <
a
b
c
d
Ento a famlia de densidade definida como a funo anterior chamada de

Distribuio Normal, denotadas por:
e X ~ N( , 2)
f
Ou seja, X tem distribuio Normal com mdia e varincia 2, cuja
funo de distribuio :
P (a x b)
2
Graficamente apresentar as seguintes caractersticas:
( x ) 2
2 2 dx
Como podemos observar o grfico da funo densidade de uma varivel normal tem a forma de um
sino e simtrica em relao mdia . Fixando-se a mdia, verificamos que o achatamento est
diretamente ligado ao valor de ; um valor maior da varincia significa maior disperso da curva.
Distribuio Normal padro
i
DEFINIO 4.5 Se X ~ N( , 2) , a varivel aleatria Z definida como Z

distribuio normal com mdia 0 e varincia 1, ou seja, Z ~N(0, 1).
X
tem
j
Demonstrao:
1
1
0
X
E(X) 0
E[ Z] E
1
1
1
X
2
2 V( X) V() 2 V( X) 2 1
V Z V
Logo, Z ~(0, 1)
Teorema da combinao linear:
A combinao linear de variveis com distribuies normais independentes tambm varivel com
distribuio normal.
50
Por exemplo: W = aX bY + c ter distribuio normal com:

w a. x b. y c
2w a 2 . 2x b 2 . 2y
Exemplo-1: Seja Z~N(0,1), Calcular:

a)
b)
c)
d)
e)
f)
g)
h)
i)
j)
k)
l)
m)
n)
o)
p)
q)
r)
s)
t)
P(Z < 1,00)

P(Z < 0,00)
P(Z < -1,88)
P(Z < 6,88)
P(Z < -5,67)
P(Z < 1,96)
P(Z > 1,00)
P(Z > 1,645)
P(Z > -2,05)
P(Z > -8,0 )
P(Z > 6,6 )
P(-1,0 < Z < 1,0)
P(-2,08 < Z < 1,0)
P(0 < Z < 1,645)
P(-1,96 < Z < 0)
P(-1,96 < Z < 1,96)
P(-1,65 < Z < 1,65)
P(-5,8 < Z < 6,9)
P(0 < Z < 7,0)
P(-7,0 < Z < 0)
Respostas:
a)0,8413
b)0,5000
c)0,0301
d)1
e)0
f)0,9750
g)0,1587
h)0,0495
i)0,9798
j)1
k)0
l)0,6826
m)0,8225
n)0,4495
o)0,4750
p)0,9500
q)0,9010
r)1
s)0,5000
t)0,5000
Exemplo-2: Suponha que voc gerente de um banco onde os montantes dirios de depsitos e de
retiradas so dados por variveis aleatrias independentes com distribuies normais. Para os
depsitos, a mdia de R$ 12.000,00 e o desvio padro R$ 4.000,00; para as retiradas, a mdia
de R$ 10.000,00 e o desvio padro R$ 5.000. Calcule a probabilidade de cada um dos eventos
abaixo em um determinado dia:
a) Depsitos inferiores a R$ 11.000,00.
(0,4013)
b) Depsitos superiores a R$ 13.000,00.
(0,4013)
c) Retiradas superiores a R$ 13.000,00.
(0,2743)
d) Retiradas superiores aos depsitos.
(0,3774)
e) Os depsitos excederem as retiradas em no mximo R$ 5.000,00. (0,6803)
51
DISTRIBUIO NORMAL PADRONIZADA
P ( Z -z )
z<0
-3
-2,9
-2,8
-2,7
-2,6
-2,5
-2,4
-2,3
-2,2
-2,1
-2,0
-1,9
-1,8
-1,7
-1,6
-1,5
-1,4
-1,3
-1,2
-1,1
-1,0
-0,9
-0,8
-0,7
-0,6
-0,5
-0,4
-0,3
-0,2
-0,1
-0,0
z<0
0
0,0013
0,0019
0,0026
0,0035
0,0047
0,0062
0,0082
0,0107
0,0139
0,0179
0,0228
0,0287
0,0359
0,0446
0,0548
0,0668
0,0808
0,0968
0,1151
0,1357
0,1587
0,1841
0,2119
0,2420
0,2743
0,3085
0,3446
0,3821
0,4207
0,4602
0,5000
0
1
0,0010
0,0018
0,0025
0,0034
0,0045
0,0060
0,0080
0,0104
0,0136
0,0174
0,0222
0,0281
0,0351
0,0436
0,0537
0,0655
0,0793
0,0951
0,1131
0,1335
0,1562
0,1814
0,2090
0,2389
0,2709
0,3050
0,3409
0,3783
0,4168
0,4562
0,4960
1
2
0,0007
0,0018
0,0024
0,0033
0,0044
0,0059
0,0078
0,0102
0,0132
0,0170
0,0217
0,0274
0,0344
0,0427
0,0526
0,0643
0,0778
0,0934
0,1112
0,1314
0,1539
0,1788
0,2061
0,2358
0,2676
0,3015
0,3372
0,3745
0,4129
0,4522
0,4920
2
3
0,0005
0,0017
0,0023
0,0032
0,0043
0,0057
0,0075
0,0099
0,0129
0,0166
0,0212
0,0268
0,0336
0,0418
0,0516
0,0630
0,0764
0,0918
0,1093
0,1292
0,1515
0,1762
0,2033
0,2327
0,2643
0,2981
0,3336
0,3707
0,4090
0,4483
0,4880
3
4
0,0003
0,0016
0,0023
0,0031
0,0041
0,0055
0,0073
0,0096
0,0125
0,0162
0,0207
0,0262
0,0329
0,0409
0,0505
0,0618
0,0749
0,0901
0,1075
0,1271
0,1492
0,1736
0,2005
0,2296
0,2611
0,2946
0,3300
0,3669
0,4052
0,4443
0,4840
4
5
0,0002
0,0016
0,0022
0,0030
0,0040
0,0054
0,0071
0,0094
0,0122
0,0158
0,0202
0,0256
0,0322
0,0401
0,0495
0,0606
0,0735
0,0885
0,1056
0,1251
0,1469
0,1711
0,1977
0,2266
0,2578
0,2912
0,3264
0,3632
0,4013
0,4404
0,4801
5
6
0,0002
0,0015
0,0021
0,0029
0,0039
0,0052
0,0069
0,0091
0,0119
0,0154
0,0197
0,0250
0,0314
0,0392
0,0485
0,0594
0,0721
0,0869
0,1038
0,1230
0,1446
0,1685
0,1949
0,2236
0,2546
0,2877
0,3228
0,3594
0,3974
0,4364
0,4761
6
7
0,0001
0,0015
0,0021
0,0028
0,0038
0,0051
0,0068
0,0089
0,0116
0,0150
0,0192
0,0244
0,0307
0,0384
0,0475
0,0582
0,0708
0,0853
0,1020
0,1210
0,1423
0,1660
0,1922
0,2206
0,2514
0,2843
0,3192
0,3557
0,3936
0,4325
0,4721
7
8
0,0001
0,0014
0,0020
0,0027
0,0037
0,0049
0,0066
0,0087
0,0113
0,0146
0,0188
0,0239
0,0301
0,0375
0,0465
0,0571
0,0694
0,0838
0,1003
0,1190
0,1401
0,1635
0,1894
0,2177
0,2483
0,2810
0,3156
0,3520
0,3897
0,4286
0,4681
8
9
0,0000
0,0014
0,0019
0,0026
0,0036
0,0048
0,0064
0,0084
0,0110
0,0143
0,0183
0,0233
0,0294
0,0367
0,0455
0,0559
0,0681
0,0823
0,0985
0,1170
0,1379
0,1611
0,1867
0,2148
0,2451
0,2776
0,3121
0,3483
0,3859
0,4247
0,4641
9
1
0,5040
0,5438
0,5832
0,6217
0,6591
0,6950
0,7291
0,7611
0,7910
0,8186
0,8438
0,8665
0,8869
0,9049
0,9207
0,9345
0,9463
0,9564
0,9649
0,9719
0,9778
0,9826
0,9864
0,9896
0,9920
0,9940
0,9955
0,9966
0,9975
0,9982
0,9990
2
0,5080
0,5478
0,5871
0,6255
0,6628
0,6985
0,7324
0,7642
0,7939
0,8212
0,8461
0,8686
0,8888
0,9066
0,9222
0,9357
0,9474
0,9573
0,9656
0,9726
0,9783
0,9830
0,9868
0,9898
0,9922
0,9941
0,9956
0,9967
0,9976
0,9982
0,9993
3
0,5120
0,5517
0,5910
0,6293
0,6664
0,7019
0,7357
0,7673
0,7967
0,8238
0,8485
0,8708
0,8907
0,9082
0,9236
0,9370
0,9484
0,9582
0,9664
0,9732
0,9788
0,9834
0,9871
0,9901
0,9925
0,9943
0,9957
0,9968
0,9977
0,9983
0,9995
4
0,5160
0,5557
0,5948
0,6331
0,6700
0,7054
0,7389
0,7704
0,7995
0,8264
0,8508
0,8729
0,8925
0,9099
0,9251
0,9382
0,9495
0,9591
0,9671
0,9738
0,9793
0,9838
0,9875
0,9904
0,9927
0,9945
0,9959
0,9969
0,9977
0,9984
0,9997
5
0,5199
0,5596
0,5987
0,6368
0,6736
0,7088
0,7422
0,7734
0,8023
0,8289
0,8531
0,8749
0,8944
0,9115
0,9265
0,9394
0,9505
0,9599
0,9678
0,9744
0,9798
0,9842
0,9878
0,9906
0,9929
0,9946
0,9960
0,9970
0,9978
0,9984
0,9998
6
0,5239
0,5636
0,6026
0,6406
0,6772
0,7123
0,7454
0,7764
0,8051
0,8315
0,8554
0,8770
0,8962
0,9131
0,9279
0,9406
0,9515
0,9608
0,9686
0,9750
0,9803
0,9846
0,9881
0,9909
0,9931
0,9948
0,9961
0,9971
0,9979
0,9985
0,9998
7
0,5279
0,5675
0,6064
0,6443
0,6808
0,7157
0,7486
0,7794
0,8078
0,8340
0,8577
0,8790
0,8980
0,9147
0,9292
0,9418
0,9525
0,9616
0,9693
0,9756
0,9808
0,9850
0,9884
0,9911
0,9932
0,9949
0,9962
0,9972
0,9979
0,9985
0,9999
8
0,5319
0,5714
0,6103
0,6480
0,6844
0,7190
0,7517
0,7823
0,8106
0,8365
0,8599
0,8810
0,8997
0,9162
0,9306
0,9429
0,9535
0,9625
0,9699
0,9761
0,9812
0,9854
0,9887
0,9913
0,9934
0,9951
0,9963
0,9973
0,9980
0,9986
0,9999
9
0,5359
0,5753
0,6141
0,6517
0,6879
0,7224
0,7549
0,7852
0,8133
0,8389
0,8621
0,8830
0,9015
0,9177
0,9319
0,9441
0,9545
0,9633
0,9706
0,9767
0,9817
0,9857
0,9890
0,9916
0,9936
0,9952
0,9964
0,9974
0,9981
0,9986
1,0000
P( Z z)
z>0
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3
z>0
0
0,5000
0,5398
0,5793
0,6179
0,6554
0,6915
0,7257
0,7580
0,7881
0,8159
0,8413
0,8643
0,8849
0,9032
0,9192
0,9332
0,9452
0,9554
0,9641
0,9713
0,9772
0,9821
0,9861
0,9893
0,9918
0,9938
0,9953
0,9965
0,9974
0,9981
0,9987
0
Prof. Darlei Landi

DES/UEM
47
LISTA DE EXERCCIOS
PROBABILIDADE
1) Um nmero inteiro escolhido aleatoriamente
dentre os nmeros 1 a 50. Qual a probabilidade de:
a) O nmero ser divisvel pr 5? (0,20=20%)
b) Terminar em trs?
(0,10)
c) Ser primo?
(0,30)
d) Ser divisvel por 6 ou 8?
(0,24)
2) Dois dados so lanados simultaneamente. Qual a
probabilidade de:
a) A soma ser menor que 5?
(0,16)
b) A soma ser nove?
(0,11)
c) O 1o resultado ser maior que o 2o? (0,41)
d) Sabendo se que no primeiro dado ocorreu um
n par, qual a probabilidade de que no segundo
ocorra um n impar?
(0,50)
3) Se P(A) = ; P(B) = 1/3 e P(AB ) = .
Calcule:
a) P(AB)
b) P(A/B)
c) P(B/A)
d) P(A B) e) P(A B) f) P(A B)
g) P( A / B) h) P( A / B)
OBS.: P(A B) = P(A) P(A B)
R: a)0,58; b) 0,75; c)0,50; d) 0,75; e) 0,41; f) 0,25;
g) 0,62; h) 0,25;
4) Se P(AB) = 7/8 ; P(AB ) = e P(A) = 5/8 ,
calcule:
a) P(B)
b) P(A B) c) P(A B)
d) P( A B) e) P(A B) f) P(A B)
g) PA/B)
h) P(B/A)
R: a) 0,75; b) 0,12; c) 0,75; d) 0,12; e) 0,50; f) 0,50;
g) 0,33; h) 0,67;
5) Suponha que a tabela represente o nmero de alunos
matriculados nos cursos de Economia, Administrao e
Cincias Contbeis, na UEM em 1996.
CURSO
Economia
Administrao
Contbeis
TOTAL
MASC
350
300
120
770
FEM
250
480
100
830
TOTAL
600
780
220
1600
Se um estudante escolhido aleatoriamente, calcule:

a) A probabilidade de ser estudante do curso de
Economia ou Contbeis; (0,5125)
b) A probabilidade de ser do sexo masculino;
(0,4813)
c) A probabilidade de ser do sexo feminino;
(0,5187)
d) A probabilidade de ser mulher do curso de
Administrao; (0,6154)
e) Se uma mulher foi escolhida, qual a
probabilidade de ser do curso de
administrao? (0,5783)
f) Se o escolhido foi do curso de Contbeis, qual
a probabilidade de ser homem? (0,5455)
6) A probabilidade de uma mulher estar viva daqui a 30

anos e de seu marido 3/5. Calcular a probabilidade
que daqui a 30 anos:
a) Apenas o homem estar vivo;
(0,15)
b) Somente a mulher estar viva;
(0,30)
c) Pelo menos um estar vivo;
(0,90)
d) Ambos estarem vivo.
(0,45)
VARIVEIS ALEATRIAS
1) As chamadas dirias do Corpo de Bombeiros
apresentam a seguinte distribuio:
N de chamadas
por dia (X)
Probabilidade de
chamadas p(xi)
0,10 0,15 0,30 0,25 0,15 0,05
a) Calcular o nmero mdio dirio de chamadas,

bem como o desvio padro. 2,35; 1,31.
b) Num ano de 365 dias, qual o nmero esperado
do total de chamadas? 858
c) Calcular a probabilidade de haver no mximo
duas chamadas por dia. 0,55
2) Um vendedor determinou as probabilidades de
fazer determinados nmeros de vendas por dia,
visitando 10 possveis compradores:
N de vendas
1
2
3
4
5
6
7
8
(X)
Probab. p(xi) 0,04 0,15 0,20 0,25 0,19 0,10 0,05 0,02
a) Calcular o nmero esperado de vendas por dia
e a varincia das vendas. 4,00; 2,52.
b) Suponha que o vendedor ganhe uma comisso
de R$ 15,00 por venda. Determine o seu ganho
esperado em comisses. 60,00
3) Descobriu-se que a chegada de clientes a uma loja
de materiais fotogrficos, durante intervalos aleatrios
escolhidos de 10 minutos, segue a distribuio:
N de chegadas (X)
0
1
2
3
4
5
Probabilidade p(xi) 0,15 0,25 0,25 0,20 0,10 0,05
Calcular o nmero esperado de chegadas por intervalos
de 10 minutos bem como sua varincia. 2,0; 1,9.
4) Um processo de fabricao produz peas com peso
mdio de 30 g e desvio padro de 0,7 g. Essas peas
so acondicionadas em pacotes de uma dezena cada. A
embalagem pesa em mdia 40 g, com varincia 2,25 g2.
Qual a mdia e o desvio padro do peso total do
pacote? 340; 7,16.
5) O lucro unitrio (L) de um produto dado por L=
1,2V 0,8C 3,5. Sabendo-se que o preo unitrio de
venda (V) tem mdia R$ 60,00 e desvio padro de R$
5,00 e que o preo do custo unitrio (C) tem uma
distribuio de mdia R$ 50,00 e o desvio padro para
R$ 2,00, qual a mdia e o desvio padro do lucro
unitrio? 28,5; 6,21.
48
DISTRIBUIO BINOMIAL
1) Um time X tem 2/3 de probabilidade de vitria
sempre que joga. Se jogar cinco partidas, calcule a
probabilidade de:
a) X vencer exatamente 3 partidas; 80/243
b) X vencer ao menos uma partida; 242/243.
c) X vencer mais da metade das partidas. 64/81
2) 20% dos refrigeradores produzidos por uma empresa
so defeituosos. Os aparelhos so vendidos em lotes
com 50 unidades. Um comprador adotou o seguinte
procedimento: de cada lote ele testa 20 aparelhos e se
houver pelo menos 2 defeituosos, o lote rejeitado.
Admitindo-se que o comprador tenha aceitado o lote,
qual a probabilidade de ter observado exatamente um
aparelho defeituoso? (83,33%)
3) Cogita-se transferir um distrito de um certo
municpio para um municpio vizinho. O distrito possui
5300 habitantes, dos quais 40 % so favorveis
transferncia. Em uma amostra de 15 habitantes, qual a
probabilidade de que ao menos cinco serem favorveis
transferncia. 0,78
4) Uma cooperativa agrcola afirma que 95% das
melancias por ela fornecidas esto maduras e prontas
para consumo. Determinar a probabilidade de que, em
um lote de 7 melancias:
a) Todas sejam maduras;
b) Ao menos 4 estejam maduras; (c) no mximo 1
esteja verde; 0,6983 ; 0,9998 ; 0,9556
5) Ao testar certo tipo de caminho em terreno
acidentado, constatou-se que 20% dos caminhes no
conseguem terminar o teste sem ao menos um pneu
furado. Qual a probabilidade de que, dentre os
prximos 10 caminhes a serem testados, de 5 a 8
tenham um pneu furado? (3,3%)
6) A probabilidade de um paciente sobreviver a uma
delicada interveno cirrgica de 0,75.
a) Qual a probabilidade de sobreviverem
exatamente cinco dentre os prximos 10 pacientes
a serem submetidos a tal operao?
b) Qual a probabilidade de que 4 ou mais
sobrevivam? 0,0584; 0,9965.
7) A probabilidade de um atirador acertar o alvo 1/3.
Se ele atirar 6 vezes, qual a probabilidade de:
a) Acertar exatamente 2 tiros?
b) No acerta nenhum tiro? 80/243; 64/729.
8) Se 5% das peas produzidas por uma mquina so
defeituosas, qual a probabilidade de que, em cinco
peas escolhidas aleatoriamente:
a) Haja 0 defeituosas;
b) Menos de trs defeituosas;
c) Calcule a mdia e o desvio padro para o
nmero de defeituosas em um lote de 500 peas.
(77,4%; 99,9%; 25 e 4,9)
9) Em uma certa cidade, 20 % de todos os

consumidores usam um certo tipo de sabonete marca
D. Qual a probabilidade de que num elevador com 8
pessoas, nenhuma tenha usando o sabonete? Qual a
probabilidade de que todos tenham usando o sabonete?
0,1678; 0,8322.
10) Uma empresa compra matrizes para grfica em
pacotes contendo 5 matrizes. Sabe-se que 20 % das
matrizes compradas tm defeitos de fabricao que
implicam na sua inutilizao. Calcular a probabilidade
de:
a) Um pacote conter mais da metade das
matrizes inutilizadas. 5,79 %
b) No mximo 2 pacotes, de um grupo de 6
pacotes, conterem nenhuma matriz inutilizada por
pacote. 68,8%
11) Um determinado artigo vendido em caixa a preo
de R$ 20,00 cada um. caracterstica de produo que
20% destes artigos sejam defeituosos. Um comprador
fez a seguinte proposta: de cada caixa escolhe 25
artigos, ao acaso, e paga por caixa:
R$ 25,00 se nenhum artigo for defeituoso dos
selecionados;
R$ 17,00 se um ou dois artigos forem defeituosos;
R$ 10,00 se trs ou mais forem defeituosos.
O que melhor para o fabricante: manter o seu
preo de R$ 20,00 por caixa ou aceitar a proposta do
consumidor?
DISTRIBUIO DE POISSON
1) Uma firma recebe 720 mensagens em seu fax em 8
horas de funcionamento. Qual a probabilidade de que:
a) Em 6 minutos receba pelo menos 4
mensagens?
b) Em 4 minutos no receba nenhuma
mensagem? (97,88% ; 0,25%).
2) O nmero de reclamaes que uma lavanderia
recebe por dia uma v.a. de Poisson com mdia 3,5.
Qual a probabilidade de a lavanderia receber apenas
uma reclamao em um determinado dia? 0,1057
3) Foi estabelecido que um certo tipo de mquina
apresenta em mdia 0,3 falhas mecnicas por hora de
trabalho. Admitindo poder ser empregada a distribuio
de Poisson, calcular a probabilidade:
a) De uma mquina apresentar no mnimo 2
falhas em 6 horas de trabalho; 53,72%
b) De uma mquina apresentar de 2 a 4 falhas
em 8 h de trabalho; 59,57 %
c) De uma mquina apresentar no mximo 3
falhas em 10 h de trabalho. 64,68 %
4) A probabilidade de uma pessoa sofrer intoxicao
alimentar na lanchonete de um parque de diverses
de 0,001. Com o auxlio da Poisson, determine a
probabilidade de que, em 1500 pessoas que passam o
dia no parque, no mximo duas tenham intoxicao.
(80,9%)
49
5) Os defeitos em rolos de filme colorido ocorrem

razo de 0,1 defeito/rolo, e a distribuio dos defeitos
a de Poisson. Determine a probabilidade de um rolo em
particular conter um ou mais defeitos.
Da populao de um estado, 0,005% morrem em
conseqncia de certo tipo de acidente cada ano. Uma
companhia de seguros tem 10.000 segurados contra tal
tipo de acidente. Qual a probabilidade de a companhia
ter que pagar em determinado ano mais de trs
sinistros? (0,18%)
NORMAL
1) Faa Z uma varivel com distribuio normal
padronizada e encontre:
a) P(0 < Z < 1,44)
b) P(-0,85 < Z < 0)
c) P(-1,48 < Z < 2,05) d) P(0,72 < Z < 1,89)
e) P(Z > 1,08)
f) P(Z > -0,66)
g) P(| Z|< 0,5)
Resposta
a) 0,4251 b) 0,3023 c) 0,9104 d) 0,2064
e) 0,1401 f) 0,7454 g) 0,3830
2) Uma fbrica de pneumticos fez um teste para
medir o desgaste de seus pneus e verificou-se que ele
obedece a uma distribuio normal, de mdia 48000
km e desvio padro 2000 km. Calcular a probabilidade
de um pneu escolhido ao acaso:
a) Durar mais que 46000 km
0,8413
b) Durar entre 45000 e 50000 0,7745
3) A durao de um certo componente eletrnico tem
mdia 850 dias e desvio padro 45 dias. Calcular a
probabilidade desse componente durar:
a) Entre 700 e 1000 dias
1
b) Mais que 800 dias
0,8665
c) Menos que 750 dias
0,0132
d) Exatamente 1000 dias
0
e) Qual deve ser o nmero de dias necessrios
para que tenhamos que repor no mximo 5% dos
componentes? 776 dias
4) As aturas de 10.000 alunos de um colgio tm
distribuio aproximadamente normal, com mdia 170
cm e desvio - padro 5 cm.
a) Qual o nmero esperado de alunos com altura
superior a 165 cm?
b) Qual o nmero esperado de alunos com altura
inferior a 173 cm?
c) Qual o nmero esperado de alunos com altura
entre 168 cm e 175 cm?
d) Qual o intervalo simtrico em torno da mdia,
que conter 75% das alturas dos alunos?
5) A precipitao pluviomtrica em uma certa cidade,

no ms de dezembro, de 8,9 cm. Admitindo-se a
distribuio normal com desvio padro de 2,5 cm,
determinar a probabilidade de que, no ms de
dezembro prximo, a precipitao seja:
a) Inferior a 1,6 cm;
b) Superior a 5 cm mas no superior a 7,5 cm;
c) Superior a 12 cm.
0,0017; 0,2283; 0,1075.
6) A vida mdia de um certo utenslio de 1,5 ano,
com d.p. de 0,3 ano. Se os defeitos se distribuem
normalmente, que porcentagem dos aparelhos vendidos
necessitar de reparo antes de expirar a garantia de um,
ano?
4,75%
7) O dimetro de certo tipo de anel industrial uma
varivel aleatria com distribuio normal de mdia
0,10cm e d.p. 0,02 cm. Se o dimetro de um anel for
menor que 0,07 cm ou maior 0,13 cm, ele vendido
por R$ 5,00; caso contrrio, vendido por R$ 10,00.
Qual o preo mdio de venda de cada anel?
R$
9,33
8) Determinar a mdia e o d.p. de um exame em que
as notas 75 e 88 correspondem aos valores
padronizados 0,4 e 1,3, respectivamente. (8,05; 7,65).
9) Em um grande complexo industrial, o
departamento de manuteno tem instrues para
substituir as lmpadas antes que se queimem (i.. no
esperar que queimem para serem substitudas). Os
registros indicam que a durao das lmpadas tem
distribuio N(900; 752) (horas). Quando devem ser
substitudas as lmpadas de modo que no mximo 10%
delas queimem antes de serem trocadas? (entro de 804
horas)
10) Um fabricante de baterias sabe, por experincia
passada, que as baterias de sua fabricao tm vida
mdia de 600 dias e desvio-padro de 100 dias, sendo
que a durao tem distribuio normal. Oferece uma
garantia de um ano (365 dias), isto , troca as baterias
que apresentarem falhas nesse perodo. Fabrica 10.000
baterias mensalmente. Quantas dever trocar pelo uso
da garantia, mensalmente?
50
11) Um fabricante de produtos alimentcios vende um

de seus produtos em latas de 900 gramas de contedo
lquido. Para embalar o produto adquiriu uma mquina
que permite obter o peso desejado, com distribuio
Normal e d.p. de 10 g. o I.P.M. (Instituto de Pesos e
Medidas) exige que no mximo 5% das latas
contenham menos do que a exigncia do que o peso
lquido normal. Se a mquina for regulada para 910 g,
poder satisfazer esta exigncia. Qual dever ser a
regulagem da mquina para que a exigncia do I.P.M.
seja observada? Feita esta nova regulagem, as latas so
remetidas ao comrcio. O I.P.M. examina ento uma
amostra de 20 latas, num supermercado. Qual a
probabilidade de encontrar pelo menos 3 com o peso
inferior ao especificado na embalagem? ((15,87% ;
916,4g); 7,55%).
12) Certo produto tem peso mdio de 10 g e desvio
padro de 0,5 g. embalado em caixas de 120
unidades que pesam em mdia 150 g e desvio padro
de 8g.
a) Qual a probabilidade de uma caixa cheia pesar
mais que 1370 g?
b) Sabe-se que 5% das caixas cheias pesam mais
que um certo valor. Qual esse valor?
1,97%; 1366 g.
13) Uma indstria produz peas cujo peso unitrio tem
mdia 50 g e d.p. 3 g. Tais peas so acondicionadas
em caixas que comportam 24 unidades. Sabendo que o
peso da caixa vazia em mdia 140 g com desvio
padro de 2 g.
a) Calcule a probabilidade de que uma caixa
cheia pese mais que 1360 g;
b) Dentro de que desvios de ambos os lados da
mdia cairo 90% dos pesos das caixas
cheias?
8,85%.
1315,53 e 1364,47
16) Uma indstria produz peas cujo peso unitrio (X)

tem uma distribuio normal de mdia 50 g e desvio
padro 3 g. Tais peas so embaladas em caixas que
comportam 3 unidades. Sabendo-se que o peso da caixa
vazia (Y) tem uma distribuio normal com mdia 40 g
e desvio padro 2 g, calcular a probabilidade do peso
total (T) da caixa ser superior a 200 g. 0,035
17) Numa distribuio normal, 31% dos elementos so
menores que 45 e 8% so maiores que 64. Calcular os
parmetros que definem a distribuio. (mdia e desvio
padro). 50 e 10
18) Suponha que as notas de uma prova sejam
normalmente distribudas com mdia 73 e desvio
padro 15. 15% dos alunos mais adiantados recebem
nota A e 12% dos alunos mais atrasados recebem a nota
F. Encontre o mnimo para receber A e o mnimo para
passar, no receber F.
R: 88,5 e 55.
19) Suponha que o dimetro mdio dos parafusos
produzidos pr uma fbrica de 0,25 polegadas, e o
desvio padro 0,02 polegadas. Um parafuso
considerado defeituoso se seu dimetro maior que
0,28 polegadas ou menor que 0,20 polegadas.
a) Encontre a porcentagem de parafusos
defeituosos. 7,3%
b) Qual deve ser os dimetros mnimo e mximo
para que tenhamos no mximo 12% de
parafusos defeituosos? 0,2266
14) Um teste de aptido para o exerccio de certa

profisso exige uma seqncia de operaes a serem
executadas rapidamente uma aps outra. Para passar no
teste, o candidato deve complet-lo em 80 minutos no
mximo. Admita que o tempo para completar o teste
seja uma v.a. N(90; 202) minutos.
a) Que porcentagem dos candidatos tem chances
de ser aprovados?
b) Os 5% melhores recebero um certificado
especial. Qual o tempo mximo para fazer jus
a tal certificado?
30,85%; 57,1.
15) Os pesos de 600 estudantes so normalmente
distribudos com mdia 65,3 e desvio padro 5,5 kg.
Encontre o nmero de alunos que pesam:
a) Entre 60 e 70 kg 380
b) Mais que 63,2 kg 389
51

Apostila Estatistica

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Apostila Estatistica

Загружено:

Авторское право:

Доступные форматы

UNIVERSIDADE ESTADUAL DE MARING

CENTRO DE CINCIAS EXATAS

Prof. Ms. Ana Beatriz Tozzo Martins

aplicaes em renda fixa prefixada ou em aes de empresas do segmento de papel e celulose.

II - LEVANTAMENTO ESTATSTICO DE DADOS

- ETAPAS DE UM LEVANTAMENTO ESTATSTICO

1.1 - PLANEJAMENTO EXPERIMENTAL

VARIVEIS: so as caractersticas, propriedades ou atributos de uma unidade da

Nos exemplos 2 e 3 acima, pode-se perceber a dificuldade em pesquisar toda a populao.

Populao: conjunto dos

Figura 1 - Ilustrao de um levantamento por amostragem

2.2 - POR QUE AMOSTRAGEM?

NECESSIDADE DE ALTA PRECISO. A cada dez anos o IBGE realiza um censo

Estes tipos de amostragens so particularmente interessantes por permitirem a utilizao das

2.6.3 - AMOSTRAGEM ESTRATIFICADA

Figura 2 - O processo de amostragem estratificada.

AMOSTRA: parte da comunidade de hotis

Figura 3 - Ilustrao de uma amostragem estratificada proporcional.

- todos os elementos da populao;

- n elementos da amostra, selecionados

Numero de favoraveis na amostra

Tabela de Nmeros Aleatrios

3.1.2 -TABELA SIMPLES: a representao dos valores de uma nica varivel.

Fonte: Setor Imobilirio de So Paulo

GEOGRFICA - tambm denominada TERRITORIAL ou ESPACIAL. a srie

ESPECFICA - tambm conhecida por CATEGRICA. a srie em que os dados

Fonte: jornal Folha de So Paulo, 24/02/99.

DISTRIBUIO DE FREQUNCIA - a srie em que os dados so agrupados

Fonte: revista ISTO , julho/98.

4.2. GRFICO EM SETORES: Aplicvel quando as categorias bsicas so quantificveis.

4.3. GRFICO EM LINHA: um dos mais importantes grficos; representa observaes

POSTOS DE TRABALHO NOS BANCOS

4.4. GRFICO COMPARATIVO: um grfico utilizado quando se deseja comparar

MIGRAO RURAL, EM MILHES POR

5 RESUMO E APRESENTAO DE DADOS QUANTITATIVOS

Fonte: Departamento de Trnsito.

5.2 - AGRUPAMENTO DOS DADOS DISTRIBUIO DE FREQNCIAS

Inicialmente, os dados devem ser colocados em ordem crescente:

No obrigatrio o uso de qualquer dessas frmulas. O nmero de classes pode ser

Observao: quando os valores observados so nmeros inteiros, os limites das classes

Fonte: Dados hipotticos.

Um quadro de frequncias completo deve conter as seguintes informaes:

xi o ponto mdio da i-sima classe; representa a mdia dos pontos limites da

Tabela 2 Nmero de funcionrios de empresas txteis - Maring/PR- 31/01/00

Fonte: Dados hipotticos.

Fonte: Dados hipotticos

NMERO DE FUNCIONRIOS DE EMPRES AS

Fonte: Dados hipotticos

NMERO DE FUNCIONRIOS DE EMPRESAS

Fonte: Dados hipotticos

(dados populacionais), para dados no-agrupados

Quando os dados so agrupados em intervalos de classes, x i corresponde ao ponto mdio do

a mdia do conjunto de dados.

2 - Somando-se ou subtraindo-se uma constante, k, a todos os valores de uma varivel, a mdia do

Vantagens e desvantagens da mdia:

No exemplo 1: Mo= 4 segundos.

Quando o conjunto de observaes tem um nmero par de valores, no-agrupados em

Quando o conjunto de observaes se apresenta agrupados em classes em uma tabela de

OBS: Os decis e os percentis, geralmente, so calculados para dados agrupados.

Comentrio: 75% dos tempos esto abaixo de 5 segundos.

Comentrio: 25% do nmero de funcionrios esto abaixo de 45,5 funcionrios.

Como n=5 impar, p=4,5 e, portanto Q3 ser:

para valores populacionais no agrupados,