52

Unidade II
R
e
v
i
s

o
:

A
n
d
r

i
a

G
o
m
e
s

-

D
i
a
g
r
a
m
a

o
:

L

o

-

0
1
/
0
8
/
2
0
1
2
Unidade II
5 DISTRIBUIO DE FREQUNCIAS
Ao longo de nosso estudo, observamos que, para extrair dos dados estatsticos de que dispomos a
correta anlise e interpretao, o primeiro passo dever ser a correta organizao e sumarizao desses
dados; caso contrrio, esses nmeros no faro qualquer sentido.
Alm disso, dependendo do tamanho do nosso conjunto de dados, podemos organiz-los em um
rol de dados simples, ou seja, por ordem de grandeza (crescente ou decrescente), ou em rol (novamente
ordenando o conjunto de dados) e, posteriormente, tabelando sua distribuio de frequncias.
A distribuio de frequncias o modo de tratamento de dados utilizado quando grande a
quantidade de dados brutos, e passamos a agrupar os dados estatsticos em subconjuntos com
caractersticas semelhantes as classes ou categorias.
A distribuio de frequncia a organizao de dados em classes ou intervalos, para determinar o nmero
de observaes ou a percentagem de observaes de cada classe, chamada de frequncia de classes.
Para apresentar esses dados, podemos utilizar grcos e tabelas, bem como as medidas de posio
e variabilidade para interpret-los, mas no sem organiz-los previamente em uma distribuio, sem a
qual caria impossvel o clculo de algumas das medidas necessrias, como mdia, varincia etc.
Tabela 6
Tabela 4.1
Idade de 100 estudantes formandos do curso de
Gesto de uma Universidade em dez/2006
Idade Nmero de estudantes (f
i
)
20 a 22 8
22 a 24 10
24 a 26 12
26 a 28 20
28 a 30 17
30 a 32 15
32 a 34 9
34 a 36 5
36 a 38 3
38 a 40 1
Total = 100
53
R
e
v
i
s

o
:

A
n
d
r

i
a

G
o
m
e
s

-

D
i
a
g
r
a
m
a

o
:

L

o

-

0
1
/
0
8
/
2
0
1
2
ESTATSTICA APLICADA
A tabela anterior uma distribuio de frequncias das idades dos estudantes que esto se formando
no curso de Gesto de determinada universidade ctcia. A primeira classe corresponderia ao grupo de
formandos em Gesto no ano de 2006 e que tm entre 20 e 22 anos, e indicada pelo smbolo 20 | 22.
A frequncia dessa classe corresponde a 8, porque existem 8 estudantes cuja idade faz parte dessa classe.
Representao dos intervalos reais:
Intervalo fechado nas duas extremidades
a b
Que ser [a,b], ou ainda {x | a x b}.
Intervalo aberto nas duas extremidades
a b
Que ser ]a,b[, ou ainda {x | a < x < b}.
Intervalo fechado esquerda e aberto direita
a b
Que ser [a,b[, ou ainda [a,b) = {x | a x < b}.
Intervalo aberto esquerda e fechado direita
a b
Que ser (a,b], ou ainda ]a,b] = {x | a < x b}.
Saiba mais
Para mais informaes a respeito da Teoria dos Conjuntos, ler o material
Elementos de Lgica Matemtica e Teoria dos Conjuntos. Disponvel em:
<http://www.ciul.ul.pt/~amfern/am1/documents/logTeoConj.pdf>. Acesso em:
24 jul. 2012.
5.1 A construo de uma distribuio de frequncias para dados contnuos
Para se construir determinada distribuio de frequncias, preciso, em primeiro lugar, denir o tipo
de varivel em questo, para depois denir os passos que devem ser seguidos para a construo dessa
54
Unidade II
R
e
v
i
s

o
:

A
n
d
r

i
a

G
o
m
e
s

-

D
i
a
g
r
a
m
a

o
:

L

o

-

0
1
/
0
8
/
2
0
1
2
distribuio. Vamos supor o conjunto de dados a seguir, referente s idades de uma amostra de 100
alunos formandos em Gesto de uma universidade:
Tabela 7
Tabela 4.2
Dados das idades dos estudantes formandos de Gesto da Universidade
20 20,4 20,5 21 21 22 22 22 22,1 22,2
22,3 22,5 22,6 22,7 22,8 22,9 23 24 24,1 24,2
24,3 24,4 24,5 25 25 25,3 25,5 25,7 26 26
26,2 26,3 26,4 26,5 26,6 26,7 26,8 26,9 27 27
27,1 27,2 27,3 27,4 28 28 28 28 28 28
28,2 28,3 28,5 29 29 29 29 29,1 29,1 29,2
29,3 29,4 29,5 29,5 30 30 30 31 31 31
31 31,1 31,2 31,3 31,4 31,5 31,6 31,6 32 32
32 32 32,3 33 33 33 34 34 34 34
34 34,5 35 35 36 36 37 37,5 38 40
Como podemos observar, os dados j esto dispostos em ordem crescente de grandeza, em um rol,
muito embora se trate de um conjunto de nmeros superior a trinta observaes. Essa amostra diz
respeito s idades dos alunos de determinada universidade ctcia que esto se formando no curso de
Gesto. Estamos considerando, portanto, uma varivel quantitativa contnua.
Uma varivel quantitativa contnua aquela que pode assumir qualquer valor num intervalo
contnuo, ou seja, um valor numrico que pertence ao conjunto dos nmeros reais ().
Como vimos, tratar um conjunto de dados sob a forma de uma distribuio de frequncias signica
organiz-los em intervalos de classes. Precisamos, ento, denir o nmero de classes, o tamanho dessas
classes, para ento enquadrar os dados nas classes pela simples contagem desses dados amostrais.
A primeira coisa que devemos fazer ao nos depararmos com um conjunto de dados como esse
apresentado na tabela 7 procurar calcular a amplitude total (ou intervalo). Nesse caso, ser muito mais
fcil, j que os nmeros esto dispostos em um rol. Conforme vimos, a amplitude total (ou intervalo)
poder ser calculada da seguinte forma:
Atotal = Vmximo Vmnimo
Atotal = 40 - 20 = 20
No caso do nosso exemplo, a amplitude total ser igual a 20. O valor da amplitude total ser
importante porque, juntamente com o nmero de classes, denir a chamada amplitude de classes.
Mas como, ento, estabelecer o nmero de classes? A teoria estatstica tem se desenvolvido ao
longo dos anos e chegou ao consenso de que aconselhvel estabelecer o nmero de classes entre um
55
R
e
v
i
s

o
:

A
n
d
r

i
a

G
o
m
e
s

-

D
i
a
g
r
a
m
a

o
:

L

o

-

0
1
/
0
8
/
2
0
1
2
ESTATSTICA APLICADA
mnimo de cinco e um mximo de vinte classes. Uma distribuio de frequncias que possua mais de
vinte classes torna a apresentao dos dados muito confusa e de difcil avaliao. Se estabelecermos um
nmero de classes inferior a cinco, podemos correr o risco de ocultar informaes importantes sobre os
dados disponveis.
Quando se quer determinar o nmero de classes em funo do conjunto de dados disponveis, basta
tirarmos a raiz quadrada de n, em que n corresponderia ao total de observaes (seja da populao ou
da amostra). Sendo assim, temos:
Nmero
classes
= n
No caso do exemplo apresentado anteriormente, temos um total de observaes n = 100; portanto,
o nmero de classes ser igual a 10. Vejamos:
N n
N
classe
classe
=
= = 100 10
Observao
Regra da raiz: dar prioridade ao seu uso quando os dados no superam
os 60 elementos.
Nmero
classe
= n
Regra de Sturges
Nmero
classe
= 1 + 3,3.logn
Uma vez estabelecido o nmero de classes, preciso pensar qual ser o tamanho de cada classe, ou,
dito de outra forma, faz-se necessrio determinar a amplitude de classe dessa distribuio de frequncias.
Para isso, calculamos a amplitude total dessa distribuio, a qual corresponde a uma medida absoluta
de variabilidade.
A amplitude de classes ser calculada, ento, tomando-se o valor da amplitude total e dividindo-se
pelo nmero de classes.
Assim, temos:
Amplitude
total
Amplitude
classes
= -------------------------------
Nmero
classes
56
Unidade II
R
e
v
i
s

o
:

A
n
d
r

i
a

G
o
m
e
s

-

D
i
a
g
r
a
m
a

o
:

L

o

-

0
1
/
0
8
/
2
0
1
2
Seguindo o exemplo em que estamos trabalhando, j zemos o clculo da amplitude total e do
nmero de classes; podemos, ento, passar para o clculo da amplitude de classes do exemplo. Temos:
A
A
N
A
classes
total
classes
classes
=
= =
20
10
2
A amplitude das classes da distribuio de frequncias que estamos procurando construir em nosso
exemplo ser igual a dois. Isso representa o intervalo ou o tamanho de cada classe no qual iremos
dispor nossos dados. importante ressaltar que uma distribuio de frequncia no obrigatoriamente
apresenta uma nica amplitude de classes, posto que mantenha a composio estrutural da distribuio.
Temos agora o nmero de classes, a amplitude de classes, e podemos ento calcular o intervalo de
classes. O intervalo de classes composto por um limite inferior (nmero menor) e por um limite
superior (nmero maior). Os limites inferiores e superiores podem ou no estar includos no intervalo
de classes, existindo uma simbologia prpria dentro da estatstica para se expressar isso. Ento, vejamos
exemplos a partir da tabela 6:
A) 20 || 22: diz-se que um intervalo fechado esquerda e direita, pois tanto o 20 quanto o 22
participam do intervalo;
B) 22 | 24: diz-se que esse um intervalo aberto esquerda e fechado direita, j que o limite
inferior, 22, no participa do intervalo, ao passo que o limite superior participa;
C) 20 | 22: caso o exemplo se apresentasse assim, teramos um intervalo de classe fechado
esquerda e aberto direita, j que o limite inferior participa do intervalo, mas o limite superior
no;
D) 20 22: aqui, teramos um intervalo de classe aberto esquerda e direita, em que nem o limite
inferior nem o limite superior participam do intervalo.
Aps o clculo do nmero e da amplitude de classes, devemos denir o limite inferior e o limite
superior de cada classe, comeando com o menor valor. Em nosso exemplo, podemos calcular as classes
da seguinte forma:
Para a primeira classe:
limite inferior: 20;
limite superior: 20 + amplitude de classe = 20 + 2 = 22.
Para a segunda classe:
limite inferior: limite superior da classe anterior = 22;
limite superior: limite inferior da segunda classe + amplitude de classes = 22 + 2 = 24.
57
R
e
v
i
s

o
:

A
n
d
r

i
a

G
o
m
e
s

-

D
i
a
g
r
a
m
a

o
:

L

o

-

0
1
/
0
8
/
2
0
1
2
ESTATSTICA APLICADA
E assim sucessivamente at a classe de nmero 10, em nosso exemplo, que ter como limite inferior
38 e como limite superior 40. importante frisar que determinado valor no pode pertencer a mais de
uma classe, mas, por outro lado, para cada valor deve haver uma classe, no permitindo a existncia de
lacunas na xao dessas mesmas classes.
Uma vez denido o nmero e a amplitude total de classes, a partir delas podemos estabelecer
a amplitude de classes e tambm denir os limites superior e inferior de cada classe. Resta agora
confrontar nossas classes com as observaes de que dispomos na tabela 7.
Mediante contagem, devemos construir nossa distribuio de frequncia xando cada observao
numa classe determinada. Quando indicamos o nmero de observaes existentes em dado intervalo,
temos a chamada frequncia absoluta simples ().
A frequncia absoluta o nmero de vezes que o dado aparece naquele determinado conjunto de
nmeros, ou seja, em uma amostra ou populao da pesquisa a ser estudada.
importante destacar que nenhuma classe poder apresentar frequncia absoluta igual a zero.
Assim, uma primeira construo que podemos fazer para nos levar tabela 6 estabelecer os intervalos
de frequncia em cada classe, s que agora colocando a notao estatstica em cada intervalo de classe.
Ento, temos:
Tabela 8
Tabela 4.3
Distribuio de frequncia das idades
Classes Frequncia absoluta simples
20 |- 22 5
22 |- 24 12
24 |- 26 11
26 |- 28 16
28 |- 30 20
30 |- 32 14
32 |- 34 8
34 |- 36 8
36 |- 38 4
38 |- 40 2
100
importante ressaltar que, na construo da distribuio de frequncias anterior, devemos respeitar
os valores estabelecidos para cada intervalo de classe, ou seja, para o primeiro intervalo de classe, h
o valor do limite inferior e do limite superior, que sero indicados pelo intervalo fechado esquerda e
pelo intervalo aberto direita, ou seja, tem que colocar a quantidade de frequncia compreendida entre
20 (limite inferior) e menor que 22 (limite superior); existem cinco valores compreendidos no primeiro
intervalo de classe.
58
Unidade II
R
e
v
i
s

o
:

A
n
d
r

i
a

G
o
m
e
s

-

D
i
a
g
r
a
m
a

o
:

L

o

-

0
1
/
0
8
/
2
0
1
2
No segundo intervalo de classe, que tem 22 como limite inferior e 24 como limite superior, ser
colocada a quantidade de frequncia compreendida entre 22 e menor que 24; existem doze valores,
e assim se vai determinando a quantidade de frequncia para cada classe, at chegar ltima classe,
conforme a tabela 8.
A seguir, devemos calcular as frequncias absolutas simples acumuladas (, A).
Frequncia absoluta simples acumulada indica o nmero de observaes acumuladas at o limite
superior de uma classe. Por exemplo, na terceira classe, teramos trinta alunos com idade entre 20 e
26 anos formando-se em Gesto. Vejamos como caria a nova tabela, incluindo a nova notao da
frequncia acumulada:
Tabela 9
Classes
Frequncia absoluta
simples (f
i
)
Frequncia absoluta
simples acumulada (f
i
, A)
20 |- 22 5 5
22 |- 24 12 17
24 |- 26 11 28
26 |- 28 16 44
28 |- 30 20 64
30 |- 32 14 78
32 |- 34 8 86
34 |- 36 8 94
36 |- 38 4 98
38 |- 40 2 100
100
Outro dado importante que podemos extrair da construo de uma distribuio de frequncias a
frequncia relativa simples (f
i
, R), que nos mostra a participao relativa do nmero de observaes em
uma dada classe, e dever ser calculada da seguinte forma:
f R
f
i
i
i
, =

, geralmente expresso em percentual.

A soma das frequncias relativas de todas as classes ser igual a 1, se expressa em forma fracionria,
ou a 100%, se expressa em percentual. No caso da distribuio de frequncias que estamos construindo,
temos agora a seguinte tabela:
59
R
e
v
i
s

o
:

A
n
d
r

i
a

G
o
m
e
s

-

D
i
a
g
r
a
m
a

o
:

L

o

-

0
1
/
0
8
/
2
0
1
2
ESTATSTICA APLICADA
Tabela 10
Classes f
i
f
i
, A f
i
, R
20 |- 22 5 5 0,05
22 |- 24 12 17 0,12
24 |- 26 11 28 0,11
26 |- 28 16 44 0,16
28 |- 30 20 64 0,20
30 |- 32 14 78 0,14
32 |- 34 8 86 0,08
34 |- 36 8 94 0,08
36 |- 38 4 98 0,04
38 |- 40 2 100 0,02
100 1
O clculo da frequncia relativa de cada intervalo de classe
da tabela acima que ser expressa na unidade de percentagem
ser:
f
f
f
f
R
i
i
R
=
= =

5
100
0 05 ,
Para expressar esse valor na unidade de porcentagem,
basta multiplic-lo por 100%:
f
R
= 0,5 x 100%
f
R
= 5%
5.2 A construo de uma distribuio de frequncias para dados discretos
Na construo de frequncia para dados discretos, basta criar uma coluna representando a posio
de cada frequncia e na frente estabelecer a quantidade de vezes em que a frequncia aparece dentro
da amostra ou da populao de uma srie de estudo ordenadamente. Por exemplo:
X: {0, 2, 0, 1, 1, 0, 0, 0, 3, 2, 1, 0, 1, 2, 0, 1, 3, 2, 2, 0}
Fazendo o rol da pesquisa, temos:
X: {0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 3, 3}
60
Unidade II
R
e
v
i
s

o
:

A
n
d
r

i
a

G
o
m
e
s

-

D
i
a
g
r
a
m
a

o
:

L

o

-

0
1
/
0
8
/
2
0
1
2
Tabela 11
x
i
f
i
0 8
1 5
2 5
3 2
Pode-se dizer, ento, que distribuio de frequncias uma maneira de representar uma coleo
de dados classicando-os de modo a mostrar o quanto cada dado se repete. importante considerar,
na distribuio de frequncia, a possibilidade de apresentar as chamadas distribuies especiais.
Como exemplo, pode-se citar a distribuio de frequncias de probabilidades e de frequncias de
amostragens.
5.3 Representaes grcas de dados agrupados
Como mencionado anteriormente, a confeco de grcos permite melhor visualizao dos dados,
mostrando mais claramente as diferenas existentes. Os grcos mais comuns so o grco de setor,
de coluna ou de barra e o grco de curva. O tipo de grco a ser utilizado depende do que se deseja
enfatizar.
Assim, o grfico de coluna ou de barra mostra diferenas entre os valores absolutos; o grfico
de curva utilizado quando se deseja mostrar variaes ao longo do tempo, e o grfico de setor,
tambm conhecido como grfico de pizza, utilizado quando se deseja ressaltar diferenas entre
propores. Esses grcos podem ser facilmente feitos em planilhas eletrnicas, por exemplo, no
Excel.
No caso de dados agrupados, ou de distribuies de frequncia, a representao grca utilizada
o histograma ou, ainda, o polgono de frequncia.
Lembrete
Histograma: a representao grca de uma distribuio de
frequncia por meio de retngulos justapostos, em que a base colocada no
eixo horizontal corresponde amplitude dos intervalos de classe e a altura
proporcional frequncia das classes.
Polgono de frequncias: a representao grca de uma distribuio
de frequncia por meio de um polgono. Cada vrtice do polgono tem como
abscissa o ponto mdio de classe e ordenada proporcional frequncia
dessa classe.
61
R
e
v
i
s

o
:

A
n
d
r

i
a

G
o
m
e
s

-

D
i
a
g
r
a
m
a

o
:

L

o

-

0
1
/
0
8
/
2
0
1
2
ESTATSTICA APLICADA
Exemplo: salrios de funcionrios de determinada empresa:
Tabela 12
Intervalos Salrios f
i
(f
i
Ac.)
15750 |-- 29000 29000 238 238
29000 |-- 42250 42250 144 382
42250 |-- 55500 55500 35 417
55500 |-- 68750 68750 29 446
68750 |-- 82000 82000 16 462
82000 |-- 95250 95250 6 468
92250 |-- 10850 108500 4 472
108500 |-- 121750 121750 1 473
121750 |-- 135000 135000 0 473
A) Histograma
15.750 29.000 42.250 55.500 68.750 82.000 95.250 108.500 121.750 135.000
250
225
200
175
150
125
100
75
50
25
0
238
144
35
29
16
6
4
1 1
Figura 19
Observao
A rea de um histograma proporcional soma das frequncias.
62
Unidade II
R
e
v
i
s

o
:

A
n
d
r

i
a

G
o
m
e
s

-

D
i
a
g
r
a
m
a

o
:

L

o

-

0
1
/
0
8
/
2
0
1
2
B) Polgono de frequncia
15.750 29.000 42.250 55.500 68.750 82.000 95.250 108.500 121.750 135.000
250
225
200
175
150
125
100
75
50
25
0
238
144
35
29
16
6
4
1 1
Figura 20
Lembrete
Estatstica descritiva o nome dado ao conjunto de tcnicas analticas
utilizadas para resumir o conjunto de todos os dados coletados numa dada
investigao a relativamente poucos nmeros e grcos.
A estatstica descritiva envolve basicamente:
Distribuio de frequncia: o conjunto das frequncias relativas observadas para um dado
fenmeno estudado, sendo sua representao grca o histograma (diagrama em que o eixo horizontal
representa faixas de valores da varivel aleatria e o eixo vertical representa a frequncia relativa).
Por uma consequncia da Lei dos Grandes Nmeros, quanto maior o tamanho da amostra, mais a
distribuio de frequncia tende para a distribuio de probabilidade.
F
r
e
q
u

n
c
i
a

r
e
l
a
t
i
v
a

(
%
)
Faixas da varivel aleatria
A B C E F
50
40
30
20
10
0
Figura 21 Histograma
Medidas da tendncia central: so indicadores que permitem que se tenha uma primeira ideia, um
resumo de como se distribuem os dados de um experimento, informando o valor (ou faixa de valores) da
varivel aleatria que ocorre mais tipicamente. Ao todo, so trs os parmetros:
63
R
e
v
i
s

o
:

A
n
d
r

i
a

G
o
m
e
s

-

D
i
a
g
r
a
m
a

o
:

L

o

-

0
1
/
0
8
/
2
0
1
2
ESTATSTICA APLICADA
mdia: a soma de todos os resultados dividida pelo nmero total de casos, podendo ser
considerada como um resumo da distribuio como um todo;
moda: o evento ou a categoria de eventos que ocorreu com maior frequncia, indicando o valor
ou a categoria mais provvel;
mediana: o valor da varivel aleatria a partir do qual metade dos casos se encontra acima dele
e metade, abaixo.
F
r
e
q
u

n
c
i
a

r
e
l
a
t
i
v
a

(
%
)
Faixas da varivel aleatria
A B C E F
50
40
30
20
10
0
Tendncia
central
Figura 22 Histograma
Medidas de disperso: so medidas da variao de um conjunto de dados em torno da mdia, ou
seja, da maior ou menor variabilidade dos resultados obtidos. Elas permitem identicar at que ponto os
resultados se concentram ou no ao redor da tendncia central de um conjunto de observaes. Incluem
a amplitude, o desvio mdio, a varincia, o desvio padro, o erro padro e o coeciente de variao, cada
um expressando diferentes formas de quanticar a tendncia que os resultados de um experimento
aleatrio tm de se concentrarem ou no em determinados valores (quanto maior a disperso, menor a
concentrao e vice-versa).
F
r
e
q
u

n
c
i
a

r
e
l
a
t
i
v
a

(
%
)
Faixas da varivel aleatria
A B C E F
50
40
30
20
10
0
Disperso
Figura 23 Histograma
A ideia bsica a de se estabelecer uma descrio dos dados relativos a cada uma das variveis,
dados esses levantados por meio de uma amostra.
Faamos alguns exemplos para tornar as denies e suas aplicaes tcnicas mais claras:
Exemplo 1
A empresa JCC fez levantamento entre 30 funcionrios para descobrir o nmero de lhos dos seus
funcionrios. Foram encontrados os seguintes valores:
64
Unidade II
R
e
v
i
s

o
:

A
n
d
r

i
a

G
o
m
e
s

-

D
i
a
g
r
a
m
a

o
:

L

o

-

0
1
/
0
8
/
2
0
1
2
1 4 2 5 3 2 0 3 2 1
5 4 2 5 0 3 2 4 2 3
2 3 2 1 4 2 1 3 4 2
Responda s questes a seguir, para x = 2 e x = 4.
Obs.: X o nmero de funcionrios, ento vamos responder:
A) Quantos empregados tm dois lhos?
B) Quantos empregados tm menos de dois lhos?
C) Quantos empregados tm mais de dois lhos?
D) Quantos empregados tm quatro lhos?
E) Quantos empregados tm menos de quatro lhos?
F) Quantos empregados tm mais de quatro lhos?
Soluo
Rol (dados em ordem crescente):
0 0 1 1 1 1 2 2 2 2
2 2 2 2 2 2 3 3 3 3
3 3 4 4 4 4 4 5 5 5
Tabela 13 Distribuio de frequncias
X F f
r
f % F F F% F%
0 2 0,067 6,7 2 30 6,7 100
1 4 0,133 13,3 6 28 20 93,3
2 10 0,333 33,3 16 24 53,3 80
3 6 0,2 20 22 14 73,3 46,7
4 5 0,167 16,7 27 8 90 26,7
5 3 0,1 10 30 3 100 10
Total 30 1 100 - - - -
Como analisar a situao:
A questo A quantos empregados tm dois lhos pode ser observada pela frequncia absoluta
simples F. Observe a segunda coluna, 10 funcionrios apontaram ter 2 lhos.
A questo B quantos empregados tm menos de dois lhos pode ser observada na coluna F
(frequncia absoluta acumulada abaixo de, a qual aponta que 6 funcionrios tm menos de dois lhos
(2 tm zero lho e 4 tm um lho).
65
R
e
v
i
s

o
:

A
n
d
r

i
a

G
o
m
e
s

-

D
i
a
g
r
a
m
a

o
:

L

o

-

0
1
/
0
8
/
2
0
1
2
ESTATSTICA APLICADA
Obs. Se a pergunta fosse quantos funcionrios tm de 2 lhos para baixo, a resposta seria 16.
A questo C quantos empregados tm mais de dois lhos pode ser observada na coluna de F
(frequncia absoluta acumulada acima de). Ou seja, funcionrios com 3, 4 ou 5 lhos so 14 no total.
Se a pergunta fosse de dois para cima, a resposta seria 24, pois incluiria os funcionrios com 2 lhos.
Seguindo o mesmo processo, o aluno agora pode responder, para quatro lhos, s questes D, E e F.
____________________________________________________________________________
____________________________________________________________________________
____________________________________________________________________________
____________________________________________________________________________
_____________________________________________________________________________
Resposta:
D = 5
E = 22
F = 3
Exemplo 2
Determinado laboratrio realizou exames de urina em um grupo de pacientes com o objetivo de
encontrar a quantidade de creatina (em miligramas por 100 mililitros) em pacientes com apresentao
de problemas renais. Os dados encontrados foram:
1,51 1,65 1,58 1,54 1,65 1,40 1,61 1,08 1,81 1,38 1,56 1,83
1,69 1,22 1,22 1,68 1,47 1,68 1,49 1,80 1,33 1,83 1,50 1,46
1,67 1,60 1,23 1,54 1,73 1,43 2,18 1,46 1,53 1,60 1,59 1,49
1,46 1,72 1,56 1,43 1,69 1,15 1,89 1,47 2,00 1,58 1,37 1,40
1,76 1,62 1,96 1,66 1,51 1,31 2,29 1,58 2,34 1,66 1,71 1,44
1,66 1,36 1,43 1,26 1,47 1,52 1,57 1,33 1,86 1,75 1,57 1,83
1,52 1,66 1,90 1,59 1,47 1,86 1,73 1,55 1,52 1,40 1,86 2,02
Soluo
Rol (dados em ordem crescente)
1,08 1,15 1,22 1,22 1,23 1,26 1,31 1,33 1,33 1,36 1,37 1,38
1,40 1,40 1,40 1,43 1,43 1,43 1,44 1,46 1,46 1,46 1,47 1,47
1,47 1,47 1,49 1,49 1,50 1,51 1,51 1,52 1,52 1,52 1,53 1,54
1,54 1,55 1,56 1,56 1,57 1,57 1,58 1,58 1,58 1,59 1,59 1,60
1,60 1,61 1,62 1,65 1,65 1,66 1,66 1,66 1,66 1,67 1,68 1,68
1,69 1,69 1,71 1,72 1,73 1,73 1,75 1,76 1,80 1,81 1,86 1,86
1,86 1,86 1,86 1,86 1,89 1,90 1,96 2,00 2,02 2,18 2,29 2,34
66
Unidade II
R
e
v
i
s

o
:

A
n
d
r

i
a

G
o
m
e
s

-

D
i
a
g
r
a
m
a

o
:

L

o

-

0
1
/
0
8
/
2
0
1
2
Amplitude total (d uma ideia do campo de variao dos dados)
A = LS - LI = (2,34) - (1,08) = 1,26
Fazendo uma anlise dos resultados da quantidade de creatinina encontrada na urina dos 84
pacientes, vericou-se que ocorreu uma variao de 1,26 no seu campo (de 1,08 a 2,34).
Estabelecer o nmero de classes (c):
c = 1+3,3.log n
c = 1+3,3.log(84)
c 7,414
c = 7
Estabelecer o intervalo de classe (i): i = A/c = (1,26)/7 = 0,14
Construo da tabela:
Tabela 14
Classes f
i
P
m
f
r
f % F% F% F F
1,08 | 1,26 5 1,17 0,059 5,9 5,9 100 5 84
1,26 | 1,44 13 1,35 0,155 15,5 21,4 94,1 18 79
1,44 | 1,62 32 1,53 0,381 38,1 59,5 78,6 50 66
1,62 | 1,80 18 1,71 0,214 21,4 80,9 40,5 68 34
1,80 | 1,98 11 1,89 0,131 13,1 94,0 19,1 79 16
1,98 | 2,16 2 2,07 0,024 2,4 96,4 6,0 81 5
2,16 | 2,34 3 2,25 0,036 3,6 100 3,6 84 3
Total 84 - 1 100 - - - -
Observaes:
1. A representao de cada classe deve ser feita pelo ponto mdio (Pm), o qual se obtm pela frmula:
P
m
= (L
t
+L
s
) / 2
Obs. Como teste, solicita-se ao aluno que calcule cada um dos Pm na tabela, faa uma espcie de
conferncia.
2. : representa o nmero de elementos de cada classe. Ou, em outras palavras, a quantidade de
vezes que cada classe apareceu na anlise;
67
R
e
v
i
s

o
:

A
n
d
r

i
a

G
o
m
e
s

-

D
i
a
g
r
a
m
a

o
:

L

o

-

0
1
/
0
8
/
2
0
1
2
ESTATSTICA APLICADA
fr: mede a representatividade relativa de cada valor encontrado em , ou o quanto cada valor
signica em relao unidade;
f%: representa o peso percentual de cada item em relao ao todo.
3. 1,08 | 1,26 na leitura de intervalo, signica que um intervalo fechado esquerda (pertencem
classe valores iguais ao extremo inferior ou seja, inclui 1,08 no intervalo) e aberto direita (no
pertencem classe valores iguais ao extremo superior o limite superior no faz parte do intervalo,
abaixo dele).
4. No necessariamente o ltimo nmero ser o limite superior da ltima classe, mas obrigatoriamente
as classes devem conter todos os elementos.
Algumas consideraes ou concluses
a) Considerando os valores anteriores, quantos pacientes apontaram resultados no intervalo entre
[1,44; 1,62[?
R.: (Frequncia absoluta simples) 32 pacientes.
b) Para ampliar a anlise, aponte a quantidade de pacientes com creatinina inferior ao intervalo
[1,80; 1,98[
Observe a tabela: (Frequncia absoluta acumulada)
Tabela 15
Classes f
i
P
m
f
r
f % F% F% F F
1,08 | 1,26 5 1,17 0,059 5,9 5,9 100 5 84
1,26 | 1,44 13 1,35 0,155 15,5 21,4 94,1 18 79
1,44 | 1,62 32 1,53 0,381 38,1 59,5 78,6 50 66
1,62 | 1,80 18 1,71 0,214 21,4 80,9 40,5 68 34
1,80 | 1,98 11 1,89 0,131 13,1 94,0 19,1 79 16
1,98 | 2,16 2 2,07 0,024 2,4 96,4 6,0 81 5
2,16 | 2,34 3 2,25 0,036 3,6 100 3,6 84 3
Total 84 - 1 100 - - - -
R.: 68 pacientes.
Ateno: para dados agrupados ou distribuio de frequncias.
Elementos principais:
a) Classe: cada um dos intervalos em que os dados so agrupados.
68
Unidade II
R
e
v
i
s

o
:

A
n
d
r

i
a

G
o
m
e
s

-

D
i
a
g
r
a
m
a

o
:

L

o

-

0
1
/
0
8
/
2
0
1
2
b) Limites de classes: so os valores extremos de cada classe.
li = limite inferior de uma classe;
Li = limite superior de uma classe.
c) Amplitude: a diferena entre o maior valor e o menor valor de certo conjunto de dados. Pode
ser referida ao total de dados ou a uma das classes em particular.
Amplitude total (A
t
): calculada pela seguinte expresso:
A
t
= Max. (rol) Min. (rol).
Amplitude das classes (h): a relao entre a amplitude total e o nmero de classes, conforme
mostra a expresso a seguir:
Max (rol)-Min(rol)
h = --------------------------------------------------------------------------------------
n
em que n o nmero de intervalos de classe.
d) Ponto mdio de classe (xi): calculado pela seguinte expresso:
L
i
+ l
i
x
i
= ---------------------------------
2
e) Frequncia absoluta (): frequncia absoluta de uma classe de ordem i o nmero de dados
que pertencem a essa classe.
f) Frequncia relativa (fri): frequncia relativa de uma classe de ordem i o quociente da frequncia
absoluta dessa classe () pelo total, ou seja,
f
i
fr
i
= ------------------------------
Total
Observao
A soma de todas as frequncias absolutas igual ao total.
g) Frequncia acumulada (f
i
): frequncia acumulada de uma classe de ordem i a soma das
frequncias at a classe de ordem i.
h) Frequncia relativa acumulada (fr
i
): frequncia relativa acumulada de uma classe de ordem i
a soma das frequncias relativas at a classe de ordem i.
69
R
e
v
i
s

o
:

A
n
d
r

i
a

G
o
m
e
s

-

D
i
a
g
r
a
m
a

o
:

L

o

-

0
1
/
0
8
/
2
0
1
2
ESTATSTICA APLICADA
6 AS MEDIDAS DE POSIO E VARIABILIDADE NUMA DISTRIBUIO DE
FREQUNCIA
Vamos agora usar os conhecimentos obtidos no item 4 para aprender a calcular as medidas de posio
e variabilidade em uma distribuio de frequncia. Para isso, continuaremos utilizando o exemplo que
trabalhamos no item 4 da distribuio de frequncia das idades dos alunos formandos em Gesto de
uma universidade ctcia.
Tabela 16
Idade de 100 estudantes formandos do curso de
Gesto de uma Universidade em dez/2006
Idade Nmero de estudantes
20 a 22 8
22 a 24 10
24 a 26 12
26 a 28 20
28 a 30 17
30 a 32 15
32 a 34 9
34 a 36 5
36 a 38 3
38 a 40 1
Total = 100
Podemos, tambm, aproveitar uma srie de informaes que construmos a partir dos dados brutos
que tnhamos no item 4, tal como disposto na tabela a seguir, e, partindo dessas informaes, construir
as medidas de posio e variabilidade para uma distribuio de frequncia.
Tabela 17
Classes f
i
f
i
, A f
i
, RA
20 |- 22 5 5 0,05
22 |- 24 12 17 0,12
24 |- 26 11 28 0,11
26 |- 28 16 44 0,16
28 |- 30 20 64 0,20
30 |- 32 14 78 0,14
32 |- 34 8 86 0,08
34 |- 36 8 94 0,08
36 |- 38 4 98 0,04
38 |- 40 2 100 0,02
100 1
70
Unidade II
R
e
v
i
s

o
:

A
n
d
r

i
a

G
o
m
e
s

-

D
i
a
g
r
a
m
a

o
:

L

o

-

0
1
/
0
8
/
2
0
1
2
6.1 As medidas de posio
6.1.1 A mdia
No item 2, como trabalhvamos com um conjunto de dados pequeno para calcular a mdia desse
grupo de nmeros, era necessrio organiz-los em um rol, identicar os valores de x
i
, fazer o somatrio
e ento calcular a mdia a partir da frmula apresentada.
No entanto, quando se tem uma distribuio de frequncias, nem sempre dispomos dos valores de
todas as observaes ou a amostra por vezes to grande que no vivel fazer o clculo da mesma
maneira que fazemos quando os dados esto dispostos em um rol. Geralmente, quando estamos diante
de uma distribuio de frequncia, o que dispomos do nmero de observaes em cada classe, mas no
dos valores em si de x
i
. Portanto, as observaes em dada distribuio de frequncia sero representadas
pelo ponto mdio de cada classe. A frmula para o clculo do ponto mdio ser:
P
mdio
=
X
Limite Limite
i
erior erior
=
+
inf sup
2
Para o clculo da mdia aritmtica, usa-se uma frmula que deriva da frmula de clculo da mdia
ponderada para determinar a mdia de uma distribuio de frequncia; substituem-se os pesos pelas
frequncias de classes e x
i
pelo ponto mdio, representado por x
i
.
Assim, temos que a mdia numa distribuio de frequncias :
x
f X
n
i i
=

, onde
x : Mdia aritmtica da distribuio de
frequncia;
f
i
: Frequncia absoluta simples;
x
i
: Ponto mdio de cada classe;
n : Nmero de observaes.
Em nosso exemplo de distribuio de frequncia das idades, podemos calcular a mdia a partir da
construo de uma nova tabela.
Tabela 18
Classes f
i

f
i
, A f
i
, A X
i
f
i
, X
i
20 |- 22 5 5 0,05 21 105
22 |- 24 12 17 0,12 23 276
24 |- 26 11 28 0,11 25 275
26 |- 28 16 44 0,16 27 432
28 |- 30 20 64 0,20 29 580
30 |- 32 14 78 0,14 31 434
32 |- 34 8 86 0,08 33 264
34 |- 36 8 94 0,08 35 280
36 |- 38 4 98 0,04 37 148
38 |- 40 2 100 0,02 39 78
100 1 2872
71
R
e
v
i
s

o
:

A
n
d
r

i
a

G
o
m
e
s

-

D
i
a
g
r
a
m
a

o
:

L

o

-

0
1
/
0
8
/
2
0
1
2
ESTATSTICA APLICADA
Calculando a mdia aritmtica para o exemplo, em que n = 100, temos, ento:
x
f X
n
x
i i
=
=
+ + + + + +

( . ) ( . ) ( . ) ( . ) ( . ) ( . ) ( 5 21 12 23 11 25 16 27 20 29 14 31 88 33 8 35 4 37 2 39
100
105 276 275 432 580 434 26
. ) ( . ) ( . ) . + + + ( )
=
+ + + + + +
x
44 280 148 78
100
2872
100
28 72
+ + +
=
= x ,
A idade mdia dos estudantes de Gesto da universidade AB que se formaram no ano de 2006 seria
de 28,72 anos, de acordo com a distribuio de frequncia aqui construda.
6.1.2 A mediana
Como vimos tambm no item 2, a mediana o elemento que ocupa a posio central num
determinado conjunto de dados ordenados.
Em uma distribuio de frequncias de uma varivel contnua, devem-se seguir alguns passos para
calcular a mediana. Da mesma forma que, nos dados organizados em um rol, precisamos primeiro
identicar a posio da mediana.
O primeiro passo calcular a ordem
n
2
, e parte-se para a frequncia acumulada para
identificar a classe que contm a mediana. Feito isso, utiliza-se a seguinte frmula para o clculo
da mediana:
x
n
f h
F
MD
MD
~
( ).
= +

2
, onde

MD : Limite inferior da classe da mediana;

n : tamanho da amostra;
: Soma das frequncias acumuladas anteriores da
mediana;
h : Amplitude da classe da mediana;
F
MD
: Frequncia da classe da mediana.
Para a distribuio de frequncia, temos de seguir os passos citados anteriormente para calcular
a mediana. Pelo exemplo anterior, primeiro, calculamos
n
2
100
2
50 = =
, conforme indicado na tabela
a seguir:
72
Unidade II
R
e
v
i
s

o
:

A
n
d
r

i
a

G
o
m
e
s

-

D
i
a
g
r
a
m
a

o
:

L

o

-

0
1
/
0
8
/
2
0
1
2
Tabela 19
Classes f
i
f
i
, A f
i
, R X
i
f
i
, X
i
20 |- 22 5 5 0,05 21 105
22 |- 24 12 17 0,12 23 276
24 |- 26 11 28 0,11 25 275
26 |- 28 16 44 0,16 27 432
28 |- 30 20 64 0,20 29 580
30 |- 32 14 78 0,14 31 434
32 |- 34 8 86 0,08 33 264
34 |- 36 8 94 0,08 35 280
36 |- 38 4 98 0,04 37 148
38 |- 40 2 100 0,02 39 78
100 1 2872
a) Identicar a classe da mediana a partir da frequncia acumulada, procurando descobrir onde a
observao de nmero 50 est alocada. Em nosso exemplo, ela estar na quinta classe, que possui
limite inferior de 28 e limite superior de 30.
b) Calcular a mediana por meio de:
x
n
f h
F
MD
MD
~
( ).
= +

2
, onde

MD
= 28
; n = 100; f

= 44; F
MD
= 20; h = 2
x
x
x
~
~
~
,
,
= +
( )
= +
=
28
50 44 2
20
28 0 6
28 6
A mediana de nossa distribuio de frequncia ser 28,6 anos, ou seja, 50% dos alunos que se
formaram em Gesto nessa universidade tm, no mximo, 28,6 anos.
6.1.3 A moda
Para calcular a moda, preciso identicar o intervalo de classes de maior frequncia, pois nele que
ela se encontra.
Depois disso, aplica-se a chamada frmula de Czuber, descrita a seguir, para o clculo da moda, que
nos dir qual a observao mais frequente daquela distribuio. O clculo da moda ser:
73
R
e
v
i
s

o
:

A
n
d
r

i
a

G
o
m
e
s

-

D
i
a
g
r
a
m
a

o
:

L

o

-

0
1
/
0
8
/
2
0
1
2
ESTATSTICA APLICADA
M L
D
D D
h
od
= +
+
1
1
1 2
( ).
, onde
M
od
: Valor da moda;
L
1
: Limite inferior da classe modal;
D
1
:Diferena entre a frequncia
da classe modal e a frequncia da
classe anterior;
D
2
:Diferena entre a frequncia
da classe modal e a frequncia da
classe posterior;
h: Amplitude de classe.
Calculemos, ento, a moda para a nossa distribuio de frequncia das idades dos alunos de Gesto
da universidade AB que se formaram em 2006. A classe modal ser a quarta classe, pois aquela que
apresenta a maior frequncia. Temos, ento:
M
M
od
od
+
( )
( ) + ( )
,

,
]
]
]
+
+
j
(
,
\
,
(

28
20 16
20 16 20 14
2
28
4
4 6
2 2
.
. 88
4
5
28 8 + ,
A moda seria, portanto, de 28,8 anos, o que signica que a maior quantidade de alunos formando-se
no curso de Gesto dessa universidade ctcia teria 28,8 anos.
6.2 As medidas de disperso numa distribuio de frequncia
6.2.1 O desvio mdio
Recapitulando o item 3, o desvio mdio indica a diferena entre cada observao e a mdia aritmtica
de determinado conjunto de dados.
No caso de uma distribuio de frequncia, essa diferena ser calculada da seguinte forma:
D
mdio
=
X x f
n
i i

.
, onde
D
mdio
: Desvio mdio absoluto;
X
i
: Ponto mdio de cada classe;
x : Mdia da distribuio de
frequncia;
f
i
: Frequncia absoluta;
n: Total de observaes.
Em nosso exemplo, temos, ento:
74
Unidade II
R
e
v
i
s

o
:

A
n
d
r

i
a

G
o
m
e
s

-

D
i
a
g
r
a
m
a

o
:

L

o

-

0
1
/
0
8
/
2
0
1
2
Tabela 20
Classes f
i
f
i
, A f
i
, R X
i
f
i
, X
i
X
i
- x |X
i
- x|.f
i
20 |- 22 5 5 0,05 21 105 -7,72 38,6
22 |- 24 12 17 0,12 23 276 -5,72 68,64
24 |- 26 11 28 0,11 25 275 -3,72 40,92
26 |- 28 16 44 0,16 27 432 -1,72 27,52
28 |- 30 20 64 0,20 29 580 0,28 5,6
30 |- 32 14 78 0,14 31 434 2,28 31,92
32 |- 34 8 86 0,08 33 264 4,28 34,24
34 |- 36 8 94 0,08 35 280 6,28 50,24
36 |- 38 4 98 0,04 37 148 8,28 33,12
38 |- 40 2 100 0,02 39 78 10,28 20,56
100 1 2872 12,8 351,36
D
mdio
=
X x f
n
i i

.
D
mdio
=
35136
100
3 5136
,
, =
D
mdio
= 3,51
Logo, o desvio mdio de nossa distribuio de frequncia ser de 3,51. A mdia, a diferena da idade
de cada formando em relao mdia aritmtica da distribuio das idades, ser de 3,51.
6.2.2 Varincia
Como vimos no item 3, a varincia tambm uma medida de disperso que tem a mdia como
ponto de referncia.
A varincia nos indica o grau de variabilidade de determinada distribuio de frequncia com relao
sua mdia aritmtica.
Quando se trata de uma distribuio de frequncia de dados populacionais, temos:

2
2
=

( ) X f
n
i i
, onde

2
: Varincia populacional;
X
i
: Ponto mdio de cada classe;
: Mdia populacional;
f
i
: Frequncia absoluta simples;
n: Tamanho da populao.
75
R
e
v
i
s

o
:

A
n
d
r

i
a

G
o
m
e
s

-

D
i
a
g
r
a
m
a

o
:

L

o

-

0
1
/
0
8
/
2
0
1
2
ESTATSTICA APLICADA
Para o caso da varincia de valores amostrais, devemos usar:
s
X x f
n
i i 2
2
1
=

( )
, onde
s
2
: Varincia amostral;
X
i
: Ponto mdio de cada classe;
x : Mdia aritmtica amostral;
f
i
: Frequncia absoluta simples;
n: Total de observaes da amostra.
No caso da distribuio de frequncia das idades, preciso acrescentar mais duas colunas tabela
para calcular, em nosso exemplo, a varincia amostral:
s
X x f
n
i i 2
2
1
=

( )
Tabela 21
Classes f
i
f
i
, A f
i
, R X
i
f
i
, X
i
X
i
- x |X
i
- x|.f
i
(X
i
- x)
2
(X
i
- x)
2
f
i
20 |- 22 5 5 0,05 21 105 -7,18 -7,72 59,5984 297,992
22 |- 24 12 17 0,12 23 276 -5,18 -5,72 32,7184 392,6208
24 |- 26 11 28 0,11 25 275 -3,18 -3,72 13,8384 152,2224
26 |- 28 16 44 0,16 27 432 -1,18 -1,72 2,9584 47,3344
28 |- 30 20 64 0,20 29 580 0,82 0,28 0,0784 1,568
30 |- 32 14 78 0,14 31 434 2,82 2,28 5,1984 72,7776
32 |- 34 8 86 0,08 33 264 4,82 4,28 18,3184 146,5472
34 |- 36 8 94 0,08 35 280 6,82 6,28 39,4384 315,5072
36 |- 38 4 98 0,04 37 148 8,82 8,28 68,5584 274,2336
38 |- 40 2 100 0,02 39 78 10,82 10,28 105,6784 211,3568
100 1 2872 12,8 1912,16
Assim, temos:
s
2
1912 16
100 1
19 315 =

=
,
,
Logo, a varincia amostral de nosso exemplo 19,315.
6.2.3 Desvio padro
Para calcular o desvio padro, basta extrair a raiz quadrada do valor da varincia, seja ela populacional
ou amostral.
=
2
76
Unidade II
R
e
v
i
s

o
:

A
n
d
r

i
a

G
o
m
e
s

-

D
i
a
g
r
a
m
a

o
:

L

o

-

0
1
/
0
8
/
2
0
1
2
J o desvio padro amostral ser dado como segue:
s s =
2
No exemplo acima, o nosso desvio padro seria ento:
s = = 19 315 4 395 , ,
Lembrando que: em estatstica, um histograma uma representao grca da distribuio de
frequncias de um conjunto de medies, normalmente um grco de barras verticais.
O histograma um grco composto por retngulos justapostos em que a base de cada um deles
corresponde ao intervalo de classe, e a sua altura, respectiva frequncia. Quando o nmero de dados
aumenta indenidamente e o intervalo de classe tende a zero, a distribuio de frequncia passa para
uma distribuio de densidade de probabilidades.
A construo de histogramas tem carter preliminar em qualquer estudo e um importante indicador
da distribuio de dados. Tanto podem indicar se uma distribuio aproxima-se de uma funo normal
como de uma mistura de populaes, quando se apresentam bimodais.
Informaes tcnicas sobre como elaborar um histograma, bem como sua interpretao, so
encontradas em literaturas clssicas de estatstica.
Exemplo 1
Uma anlise em 34 famlias que tenham quatro lhos, considerando a varivel a quantidade de
lhos do sexo masculino, temos a seguinte distribuio:
Tabela 22
N de meninos (x
i
) f
i
(x
i
-x) (x
i
-x)
2
f
i
(x
i
-x)
2
0 2 (0 - 2,3) = - 2,3 (- 2,3)
2
= 5,29 2(5,29) = 10,58
1 6 (1 - 2,3) = - 1,3 (- 1,3)
2
= 1,69 6(1,69) = 10,14
2 10 (2 - 2,3) = - 0,3 (- 0,3)
2
= 0,09 10(0,09) = 0,9
3 12 (3 - 2,3) = 0,7 (0,7)
2
= 0,49 12(0,49) = 5,88
4 4 (4 - 2,3) = 1,7 (1,7)
2
= 2,89 4(2,89) = 11,56
f
i
= 34
f x x
i i
=
( )
=
2
39 06 ,
Para reexo:
Pede-se para calcular a amplitude, o desvio padro (S), a varincia (S
2
) e o coeciente de variao
(cv).
77
R
e
v
i
s

o
:

A
n
d
r

i
a

G
o
m
e
s

-

D
i
a
g
r
a
m
a

o
:

L

o

-

0
1
/
0
8
/
2
0
1
2
ESTATSTICA APLICADA
Soluo
Amplitude:
R= 4 0 = 4 meninos
Ou seja, podemos dizer que a maior variao encontrada nesse conjunto de dados seria de quatro meninos.
Obs. Sabemos que a mdia para esse conjunto de dados x = 2,3 lhos. Mas como chegamos a essa mdia?
Quantos lhos homens esto presentes na distribuio?
1 x 6 + 2 x 10 + 3 x 12 + 4 x 4
---------------------------------------------------------------------------------------------------------------------------------- = 2,3
34
Desvio padro:
s
f x x
n
f x x f x x f x x
n
i i
i
n
n n
=

( )

=

( )
+
( )
+ +
( )

=
=

2
1
1 1
2
2 2
2 2
1 1
...
2 0 2 3 6 1 2 3 10 2 2 3 12 3 2 3 4 4 2 3
34 1
2 2 2 2 2
( ) + ( ) + ( ) + ( ) + ( ) +

=
, , , , ,
2 2 3 6 13 10 0 3 12 0 7 4 17
33
2 2 2 2 2
( ) + ( ) + ( ) + ( ) + ( ) +
=
, , , , ,
2 5 29 6 169 10 0 09 12 0 49 4 2 89
33
, , , , , ( ) + ( ) + ( ) + ( ) + ( )
=
10 58 10 14 0 9 5 88 1156
33
39 06
33
, , , , , , + + + +
= =
= 11836 1088 1 , , filho
Como interpretar essa situao?
Podemos dizer que o nmero mdio de lhos homens por famlia de quatro lhos de 2,3, com uma
margem de erro de aproximadamente um lho. Signicando que a maior parte das famlias com quatro
lhos apresentam:
78
Unidade II
R
e
v
i
s

o
:

A
n
d
r

i
a

G
o
m
e
s

-

D
i
a
g
r
a
m
a

o
:

L

o

-

0
1
/
0
8
/
2
0
1
2
2,3 oscilando 1 para mais ou 1 para menos.
Ou seja:
pode ir de 1,3 a 3,3,
que pode ser traduzido da seguinte maneira:
As famlias com quatro lhos apresentam aproximadamente entre 1 e 3 lhos homens.
Varincia:
S
2
= (S)
2
= (1,088)
2
1,1837 (lhos homens)
2
Coeciente de variao:
cv
S
x
= =
1088
2 3
0 4730
,
,
,
O que isso signica?
Signica que existe uma variabilidade nos dados de 47,30% em relao mdia, podendo ser
considerada uma alta variabilidade.
Exemplo 2
A JCC fbrica de peas e rolamentos apresenta a seguinte distribuio de frequncia referente
aos salrios dos seus funcionrios:
Tabela 23
Custos R$
Classes de fr.
Pm (X
i
) f
i
(x
i
- x) (x
i
- x)
2
f
i
(x
i
- x)
2
450 | 550 500 8 (500-754,68) = - 254,68 (-254,68)
2
= 64861,90 8(64861,90) = 518895,2
550 | 650 600 10 (600-754,68) = - 154,68 (-154,68)
2
= 23925,90 10(23925,90) = 239259,0
650 | 750 700 11 (700-754,68) = - 54,68 (-54,68)
2
= 2989,90 11(2989,90) = 32888,9
750 | 850 800 16 (800-754,68) = 45,32 (45,32)
2
= 2053,90 16(2053,90) = 32862,4
850 | 950 900 13 (900-754,68) = 145,32 (145,32)
2
= 21117,90 13(21117,90) = 274532,7
950 | 1050 1000 5 (1000-754,68) = 245,32 (245,32)
2
= 60181,90 5(60181,90) = 300909,5
1050 | 1150 1100 1 (1100-754,68) = 345,32 (345,32)
2
= 119245,90 1(119245,90) = 119245,9
Total 64
f x x
i i

( )

2
=1518593,6
79
R
e
v
i
s

o
:

A
n
d
r

i
a

G
o
m
e
s

-

D
i
a
g
r
a
m
a

o
:

L

o

-

0
1
/
0
8
/
2
0
1
2
ESTATSTICA APLICADA
Para reexo:
calcule a amplitude;
o desvio padro (S);
a varincia (S
2
);
e o coeciente de variao (cv).
Soluo
Amplitude:
R= 1150 450 = 700
Como analisar:
Observe que a maior diferena existente entre os salrios dos operrios dessa fbrica de R$ 700,00,
conforme calculamos.
Observao: como se chegou mdia x = 754,69
500 * 8 + 600 * 10 + 700 * 11 + 800 * 16 + 900*13 + 1.000*5 + 1100 * 1/64
4.00 + 6.000 + 7.700 + 12.800 + 11.700 + 5.000 + 1100/64
48.330/64 = 754,68.
Desvio padro:
s
f x x
n
f x x f x x f x x
n
i i
i
n
n n
=

( )

=

( )
+
( )
+ +
( )

=
=

2
1
1 1
2
2 2
2 2
1 1
...
=
( ) + ( ) + ( ) + 8 500 754 68 10 600 754 68 11 700 754 68 16 800 754
2 2 2
, , , ,668 13 900 754 68 5 1000 754 68 1 1100 754 68
64 1
2 2 2 2
( ) + ( ) + ( ) + ( )

, , ,
==
=
( ) + ( ) + ( ) + ( ) + ( 8 254 68 10 154 68 11 54 68 16 45 32 13 145 32
2 2 2 2
, , , , , )) + ( ) + ( )
=
2 2 2
5 245 32 1 345 32
63
, ,
=
( ) + ( ) + ( ) + ( ) + 8 6486190 10 23925 90 11 2989 90 16 2053 90 13 21227 , , , , ,990 5 6018190 1 119245 90
63
( ) + ( ) + ( )
=
, ,
80
Unidade II
R
e
v
i
s

o
:

A
n
d
r

i
a

G
o
m
e
s

-

D
i
a
g
r
a
m
a

o
:

L

o

-

0
1
/
0
8
/
2
0
1
2
=
+ + + + + + 518895 2 239259 0 32888 90 32862 40 274532 70 300909 5 11 , , , , , , 99245 90
63
1518593 60
63
24104 66 155 26
, ,
, , ( ) reais
Como analisar?
A mdia de salrios da fbrica R$ 754,68, podendo variar aproximadamente R$ 155,26, ou seja, a
maior parte dos operrios recebe entre R$ 599,42 e R$ 909,94.
(754,68 155,26 = 599,42)
(754,68 + 155,26 = 909,94)
Varincia:
S
2
= (S)
2
= (155,26)
2
24104,66 (reais)
2
Coeciente de variao:
cv
S
x
= =
155 26
754 68
0 2057
,
,
,
Isso signica que h uma variabilidade de 20,57% dos salrios em relao mdia.
Saiba mais
Os artigos Caracterizao de perdas comerciais uma ferramenta
de gesto de recuperao de receitas e Gerenciando incertezas no
planejamento logstico: o papel do estoque de segurana fazem uma
abordagem detalhada da aplicao das medidas de disperso. Eles esto
disponveis, no formato PDF, nos endereos: <ftp://labattmot.ele.ita.br/ele/
jrsantos/Leitura/Fraude_Energia_Eletrica/CITENEL2005_72.pdf> e <http://
tfscomunicacao.com.br/imgs/sala_estudo/273_arquivo.pdf>.
7 INTRODUO PROBABILIDADE
Quando estudamos algum fenmeno pelo mtodo estatstico, na maioria das vezes preciso
estabelecer uma distino entre o modelo matemtico que construmos para tentar explicar tal
fenmeno e o fenmeno em si.
A maioria dos fatos estudados pela estatstica apresenta resultados de difcil previsibilidade, dados
que variam de uma observao para outra, mesmo em condies normais de experimentao. Para
analisar, interpretar e explicar tais fenmenos preciso utilizar a probabilidade.
81
R
e
v
i
s

o
:

A
n
d
r

i
a

G
o
m
e
s

-

D
i
a
g
r
a
m
a

o
:

L

o

-

0
1
/
0
8
/
2
0
1
2
ESTATSTICA APLICADA
A palavra probabilidade deriva do latim probare (provar ou testar). Informalmente, provvel
uma das muitas palavras utilizadas para eventos incertos ou conhecidos, sendo tambm substituda por
algumas palavras como sorte, risco, azar, incerteza, duvidoso, dependendo do contexto.
Tal como ocorre com a teoria da mecnica, que atribui denies precisas a termos de uso dirio,
como trabalho e fora, tambm a teoria das probabilidades tenta quanticar a noo de provvel.
A probabilidade uma tcnica estatstica utilizada para expressar a chance de ocorrncia de
determinado evento. O evento o resultado que se espera de determinado experimento. Ele pode ser
cara (no caso do lanamento de uma moeda), um nmero compreendido de 1 a 6 (no caso do lanamento
de um dado), chuva (no caso da observao do tempo) etc.
A probabilidade de ocorrer determinado evento ser sempre um nmero entre 0 e 1, indicando
aproximadamente a chance de ocorrncia desse mesmo evento. Quanto mais prxima de 1, maior a
probabilidade de ocorrer esse evento; quanto mais prxima de zero, menor a chance de o evento ocorrer.
Quando a probabilidade de determinado evento zero, diz-se que esse um evento impossvel. Sendo
assim, temos:
0 P (A) 1
7.1 Teorias dos conjuntos, espao amostral e eventos
Um conjunto denido como um grupo de objetos ou itens que apresentam caractersticas comuns.
So exemplos de conjuntos os habitantes de So Paulo, os estudantes de Gesto da UNIP, o nmero de
consoantes do alfabeto, o nmero de vogais do alfabeto etc.
Saiba mais
A teoria de conjuntos pode ser estudada em detalhes em livros
bsicos de matemtica, como em MENEZES, P. B. Matemtica discreta
para computao e informtica. Porto Alegre: Instituto de Informtica da
UFRGS: Sagra Luzzato, 2004. (Srie Livros Didticos n 16).
Podemos descrever os elementos de um conjunto de trs formas: enumerando cada um deles entre
chaves, indicando suas caractersticas comuns, tambm entre chaves.
Conjunto A = {a, e, i, o, u} ou
Conjunto A = {conjunto das vogais do alfabeto};
Conjunto B = {todos os nmeros inteiros maiores que 23}.
82
Unidade II
R
e
v
i
s

o
:

A
n
d
r

i
a

G
o
m
e
s

-

D
i
a
g
r
a
m
a

o
:

L

o

-

0
1
/
0
8
/
2
0
1
2
Em um conjunto nito, podemos identicar todos os seus subconjuntos. O nmero de subconjuntos
de um conjunto nito ser obtido por meio da seguinte frmula:
N
subconjuntos
= 2
n
, em que n = nmero de elementos do conjunto.
Por exemplo, num conjunto como o dado a seguir, calcule a quantidade de subconjuntos e faa a
sua apresentao:
A = {2, 4, 6, 8}
A quantidade de subconjuntos de A ser:
N
subconjuntos
= 2
n
= 2
4
= 16
Os subconjuntos do conjunto A sero, portanto:
A = {{2}, {4}, {6}, {8}, {2,4}, {2,6}, {2,8}, {4,6}, {4,8}, {6,8}, {2,4,6}, {2,6,8}, {2,4,8}, {4,6,8}, {2,4,6,8}}
Ora, se trazemos esses conceitos para a probabilidade, podemos denir ento o que seria espao
amostral e evento. Na teoria das probabilidades, temos o chamado experimento, uma experincia que
poder ser repetida sob as mesmas condies indenidamente.
Para cada experimento, existe um conjunto S formado por todos os possveis resultados desse
experimento. Esse conjunto denominado de espao amostral.
Por exemplo, ao lanar um dado e observar o nmero da face que ca para cima, teramos o seguinte
conjunto de resultados possveis desse experimento e, portanto, o seguinte espao amostral:
S = = {1, 2, 3, 4, 5, 6}, em que o espao amostral.
O espao amostral poder ser representado pela letra mega. Sendo o espao amostral o conjunto
de todos os resultados possveis de uma dada experincia, a probabilidade do espao amostral dever
ser igual a 1 ou 100%, pois ao menos um dos resultados deve ocorrer.
P (evento qualquer espao amostral ) = 1,00
Os eventos so os resultados de um experimento. No caso do exemplo, de lanar um dado, seriam
exemplos de eventos:
A: ocorrer face igual a 6;
B: ocorrer face igual a 5.
83
R
e
v
i
s

o
:

A
n
d
r

i
a

G
o
m
e
s

-

D
i
a
g
r
a
m
a

o
:

L

o

-

0
1
/
0
8
/
2
0
1
2
ESTATSTICA APLICADA
O evento geralmente simbolizado por meio de uma letra maiscula.
Poderamos simbolizar gracamente o espao amostral e o evento por meio do diagrama de Venn,
para que possamos visualizar melhor a diferena entre esses dois importantes conceitos da Teoria das
Probabilidades.
Evento
Espao amostral
Figura 24
O que signica, ento, a gura anterior? Para entendermos melhor, vamos relembrar algumas
relaes que se estabelecem entre dois ou mais conjuntos e que tipo de classicao didtica isso gera,
para entender as implicaes que podem ocorrer para a teoria das probabilidades.
Dois ou mais conjuntos que no possuam elementos em comum so chamados conjuntos disjuntos.
Por exemplo, sejam os conjuntos a seguir:
A = {3, 5, 7} e B = {9, 11} so dois conjuntos que claramente no apresentam nenhum elemento
em comum e podem ser representados pelo diagrama de Venn, como segue:
A
3
7
5
9
11
B
Figura 25
Como A e B no possuem elementos em comum, o resultado da unio desses conjuntos ir gerar um
novo conjunto cujo nmero de elementos ser dado pela soma dos elementos de A e dos elementos de
B. Temos, ento:
n(A B) = n(A) + n(B)
n(A B) = 5
Se dois ou mais conjuntos apresentam elementos em comum, teremos o caso de conjuntos no
disjuntos. Nesse caso, o nmero de elementos da unio dos dois conjuntos ser dado pela soma dos
elementos de cada conjunto, subtraindo-se os elementos que estes possuem em comum.
A = {2, 4, 6, 8, 10} e B = {8, 10, 12}
n(A B) = n(A) + n(B) - n(A B);
n(A B) = 5 + 3 2 = 6
Podemos vericar esse resultado comparando-o ao diagrama de Venn, que ir apresentar claramente
os elementos da unio dos dois conjuntos A e B.
84
Unidade II
R
e
v
i
s

o
:

A
n
d
r

i
a

G
o
m
e
s

-

D
i
a
g
r
a
m
a

o
:

L

o

-

0
1
/
0
8
/
2
0
1
2
A
2
4
6
8
10
B
12
Figura 26
Esses conceitos de conjuntos so importantes porque nos permitem, por exemplo, denir novos
eventos utilizando essas operaes de unio e interseo. Assim:
a) (A B) quando A ocorre, ou B ocorre, ou ambos ocorrem, temos este evento;
b) (A B) evento s ocorre se A e B ocorrerem simultaneamente.
A evento quando A no ocorre.
A partir disso, podemos denir os eventos como complementares, mutuamente exclusivos, no
mutuamente exclusivos e coletivamente exaustivos.
Diz-se que dois eventos so complementares quando completam determinado espao amostral.
importante ressaltar que os eventos complementares no devem apresentar elementos em comum.
A soma das probabilidades de eventos complementares sempre igual a 1. Podemos representar dois
eventos complementares com o diagrama que segue:
A
A
Figura 27
Por exemplo: podemos considerar como eventos complementares ocorrer cara ou coroa no
lanamento de uma moeda; atender ou no porta. O espao amostral dos dois experimentos,
respectivamente, ser:
= {cara, coroa}
Em que:
A: ocorrer cara;
B: ocorrer coroa.

2
= {atender, no atender}
85
R
e
v
i
s

o
:

A
n
d
r

i
a

G
o
m
e
s

-

D
i
a
g
r
a
m
a

o
:

L

o

-

0
1
/
0
8
/
2
0
1
2
ESTATSTICA APLICADA
Em que:
C: atender porta;
D: no atender porta.
Em ambos os experimentos, podemos observar que a soma das probabilidades ser igual a 1, porque
os eventos completam o espao amostral. Assim, no caso dos dois exemplos anteriores, teremos:
P A ( ) =
1
2
P B P A P B ( ) ( ) ( ) = + =
1
2
1
P C ( ) =
1
2
P D P C P D ( ) ( ) ( ) = + =
1
2
1
Dois ou mais eventos que no possuem elementos comuns, ou que no podem ocorrer simultaneamente,
so ditos eventos mutuamente excludentes. Diferentemente dos eventos complementares, eles no
necessariamente completam o espao amostral. Sendo assim, podemos dizer que todos os eventos
complementares so mutuamente exclusivos, mas nem todos os eventos mutuamente exclusivos so
complementares. Tambm importante ressaltar que, na teoria dos conjuntos, os eventos mutuamente
exclusivos so os chamados conjuntos disjuntos.
Isso signica que:
(A B) =
Para ilustrar gracamente dois eventos mutuamente exclusivos, podemos mais uma vez nos valer
de um diagrama de Venn.
: Espao amostral
A
B
Figura 28
Por exemplo: no lanamento de um dado, ocorrer as faces 1, 2, 3, 4, 5, 6. So seis eventos mutuamente
excludentes, j que dois no podem ocorrer simultaneamente, ento a ocorrncia de um exclui a
ocorrncia do outro. Se restringirmos esse experimento a apenas duas faces, teremos:
86
Unidade II
R
e
v
i
s

o
:

A
n
d
r

i
a

G
o
m
e
s

-

D
i
a
g
r
a
m
a

o
:

L

o

-

0
1
/
0
8
/
2
0
1
2
Experimento: lanamento de um dado
= {1, 2, 3, 4, 5, 6}; (espao amostral)
A: ocorrer a face 2;
B: ocorrer a face 4.
Temos aqui dois eventos mutuamente exclusivos e que no so complementares.
Quando dois eventos apresentam elementos em comum ou podem ocorrer simultaneamente, diz-se
que eles so eventos no mutuamente excludentes. Esses eventos podem ser representados por meio de
um diagrama de Venn, como segue:
: Espao amostral
A B
Figura 29
Podemos nos valer da distribuio de frequncias do item 4 para dar exemplo de dois eventos que
sejam no mutuamente excludentes. Vejamos, ento, a distribuio de frequncia das idades dos alunos
formandos do curso de Gesto de uma Universidade AB:
Tabela 24 Distribuio de frequncia das idades
Classes Frequncia absoluta simples
20 |- 22 5
22 |- 24 12
24 |- 26 11
26 |- 28 16
28 |- 30 20
30 |- 32 14
32 |- 34 8
34 |- 36 8
36 |- 38 4
38 |- 40 2
100
Tomando-se a distribuio de frequncia acima, podemos dar exemplo de dois eventos no
mutuamente exclusivos:
87
R
e
v
i
s

o
:

A
n
d
r

i
a

G
o
m
e
s

-

D
i
a
g
r
a
m
a

o
:

L

o

-

0
1
/
0
8
/
2
0
1
2
ESTATSTICA APLICADA
A: apresentar idade entre 20 e 26 anos no momento da formatura;
B: apresentar idade entre 22 e 30 anos no momento da formatura.
Como entre esses dois eventos existem elementos em comum, ou seja, os intervalos de 22 a 26
anos, eles no so mutuamente excludentes. importante ressaltar que os eventos no mutuamente
exclusivos, na teoria dos conjuntos, so os conjuntos no disjuntos.
Os eventos podem ser ainda coletivamente exaustivos. Isso ocorre quando os eventos em questo
ocuparem todo o espao amostral, tornando impossvel qualquer outro resultado alm daqueles eventos
dados. So considerados eventos coletivamente exaustivos os eventos complementares, mas nem sempre
os eventos coletivamente exaustivos sero complementares. Alm disso, os eventos coletivamente
exaustivos sero, em alguns casos, mutuamente excludentes.
Podemos, ento, representar gracamente eventos coletivamente exaustivos com o diagrama a seguir:
: Espao amostral
A B C
Assim, so exemplos de eventos coletivamente exaustivos, no caso de um experimento de lanar
uma moeda:
A: ocorrer cara;
B: ocorrer coroa.
Outro exemplo seria ao se fazer a experincia de retirar cartas de um baralho, denir como eventos:
A: carta de copas;
B: carta de paus;
C: carta de ouros;
D: carta de espadas.
Temos anteriormente dois exemplos de eventos coletivamente exaustivos.
Mayer (2000) diz que, em teoria das probabilidades, o espao amostral ou espao amostral universal,
geralmente denotado S, ou U (de universo), de um experimento ou teste aleatrio o conjunto
de todos os resultados possveis. Por exemplo, se o experimento lanar uma moeda e vericar a face
voltada para cima, o espao amostral o conjunto {cara, coroa}. Para o lanamento de um dado de seis
faces, o espao amostral {1, 2, 3, 4, 5, 6}. Qualquer subconjunto de um espao amostral comumente
chamado um evento, enquanto o subconjunto de um espao amostral contendo apenas um nico
elemento chamado eventos elementares.
88
Unidade II
R
e
v
i
s

o
:

A
n
d
r

i
a

G
o
m
e
s

-

D
i
a
g
r
a
m
a

o
:

L

o

-

0
1
/
0
8
/
2
0
1
2
Para alguns tipos de experimentos, podem existir dois ou mais espaos amostrais possveis plausveis.
Por exemplo, quando retirada uma carta de um baralho de 52 cartas, uma possibilidade poderia ser o
valor dela (s at o Rei), enquanto outra poderia ser o naipe (copa, ouro, espada ou paus). Uma descrio
completa dos resultados, entretanto, especica ambas: denominao e naipe, e um espao amostral
descrevendo cada carta individualmente pode ser construdo por meio do produto cartesiano dos dois
espaos amostrais citados.
Espaos amostrais aparecem naturalmente em uma introduo elementar probabilidade, mas so
tambm importantes em espaos de probabilidade. Um espao de probabilidade (, F, P) incorpora um
espao amostral de resultados, , mas dene um conjunto de eventos de interesse, o - lgebra F, para o
qual a medida de probabilidade P denida.
Vamos a alguns exemplos:
Exemplo 1
Vamos imaginar um grupo de 100 pessoas. Dessas, 70 apresentam sangue RH positivo e 45,
tipo O. Escolhendo-se, ao acaso, uma pessoa desse grupo, qual a probabilidade de o sangue dessa
pessoa escolhida ser de tipo diferente de O?
Soluo
Total do grupo: 100 pessoas
RH positivo: 70 pessoas
Tipo O = 45 pessoas
Vamos considerar x o nmero de pessoas que tm sangue RH positivo e tambm sangue tipo O.
Representando os conjuntos por meios de diagramas de Euler-Venn, temos:
70 - x + x + 45 - x = 100.
RH+
70 - x 45 - x
x
0
Figura 30
Assim, temos:
70 + 45 - x = 100.
Ento, x = 115 - 100 = 15.
89
R
e
v
i
s

o
:

A
n
d
r

i
a

G
o
m
e
s

-

D
i
a
g
r
a
m
a

o
:

L

o

-

0
1
/
0
8
/
2
0
1
2
ESTATSTICA APLICADA
Ento, o nmero de pessoas que tm sangue do tipo diferente de O ser:
70 - 15 = 55.
Podemos dizer que, num total de 100 pessoas, temos 55 possibilidades (chances) de escolha.
Ento, podemos dizer que a probabilidade de o sangue dessa pessoa ser de tipo diferente de O
55/100 = 55%.
De outra maneira, mais rpida: como 45 tm sangue tipo O; ento, o nmero de pessoas que tm
sangue do tipo diferente de O :
100 - 45 = 55.
Exemplo 2
Maria vai sair com suas amigas e, para escolher a roupa que usar, separou duas saias e quatro
blusas. De quantas maneiras ela pode se arrumar?
Soluo
O chamado Princpio Fundamental da Contagem (PFC) diz: se alguma escolha pode ser feita de M
diferentes maneiras e alguma escolha subsequente pode ser feita de N diferentes maneiras, h MxN
diferentes maneiras pelas quais essas escolhas podem ser feitas sucessivamente. Observe a tabela a
seguir:
Tabela 25
Blusa 1 Blusa 2 Blusa 3 Blusa 4
Saia 1 Saia 1 e blusa 1 Saia 1 e blusa 2 Saia 1 e blusa 3 Saia 1 e blusa 4
Saia 2 Saia 2 e blusa 1 Saia 2 e blusa 2 Saia 2 e blusa 3 Saia 2 e blusa 4
Contando as possibilidades, vemos que Maria pode se arrumar de oito maneiras distintas. De fato,
a ao constituda de duas etapas sucessivas. A primeira (vestir a saia) pode ser realizada de duas
maneiras distintas. Para cada uma dessas possibilidades, a segunda (vestir a blusa) pode ser realizada de
quatro maneiras distintas. Assim, pelo Princpio Fundamental da Contagem, o nmero de efetuar a ao
completa 2 4 = 8.
Exemplo 3
H quatro estradas ligando as cidades A e B, e trs estradas ligando as cidades B e C. De quantas
formas distintas pode-se ir de A a C, passando por B?
90
Unidade II
R
e
v
i
s

o
:

A
n
d
r

i
a

G
o
m
e
s

-

D
i
a
g
r
a
m
a

o
:

L

o

-

0
1
/
0
8
/
2
0
1
2
Soluo
A ao realizada em duas etapas sucessivas. A primeira (ir de A at B) pode ser realizada de trs
maneiras. Para cada uma dessas possibilidades, a segunda (ir de B at C) pode ser realizada de quatro
maneiras. Ento, pelo PFC, o nmero de maneiras de ir de A at C : 3 4 = 12.
Exemplo 4
Uma prova de Estatstica tem dez questes do tipo C ou E. Caso todas as questes sejam respondidas
ao acaso, qual o nmero de formas de preencher o carto de resposta?
Soluo
O PFC tambm conhecido como princpio multiplicativo e pode ser generalizado para aes
constitudas de mais de duas etapas sucessivas.
Observao
Para determinar o n total de elementos do espao amostral, usamos o
raciocnio:
K x K x K x K x K x KK; portanto, podemos resumir assim:
R vezes _______________________ n(S) = k
n
K nmero de possibilidades de ocorrncia do experimento.
R nmero de vezes que se repete o experimento.
Como as probabilidades de ocorrncia do experimento so duas, certo ou errado, basta elevarmos
ao nmero de vezes que o experimento se repete. Assim, o resultado procurado : 2 2 2 2 2
2 2 2 2 2 = 2
10
= 1024.
Exemplo 5
De quantas maneiras podemos arrumar cinco pessoas em la indiana?
Soluo
Ao selecionarmos uma das pessoas para ocupar a primeira posio na la, temos cinco possibilidades;
para o segundo lugar, temos quatro escolhas; para o terceiro lugar, sobram trs pessoas a serem
selecionadas; para o quarto lugar, duas; e, para o ltimo lugar na la, sobra apenas uma pessoa ainda
no escolhida.
91
R
e
v
i
s

o
:

A
n
d
r

i
a

G
o
m
e
s

-

D
i
a
g
r
a
m
a

o
:

L

o

-

0
1
/
0
8
/
2
0
1
2
ESTATSTICA APLICADA
Ento, pelo Princpio Fundamental da Contagem, temos: 5 4 3 2 1 = 120. Assim, obtemos o
nmero de formas de ordenar (embaralhar) cinco elementos distintos. Ou, ainda, podemos calcular o
nmero de permutaes simples de cinco elementos, ou seja, P
5
= 120.
Exemplo 6
Ao lanarmos dois dados, a probabilidade de obtermos resultados cuja soma sete :
Tabela 26
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
Soluo
Para cada dado lanado ao acaso, temos seis possibilidades de resultado. Ento, pelo PFC, o nmero
de elementos do meu espao amostral 6 6 = 36. Como pode ser observado na tabela 25, o n de casos
favorveis o n de elementos dos conjuntos de pares ordenados {(1,6), (2,5), (3,4), (4,3), (5,2), (6,1)}, ou
seja, seis. Assim, a probabilidade P = 6/36 = 1/6.
8 PROBABILIDADE: ORIGEM, MTODOS E PRINCIPAIS TEOREMAS
Como vimos, a probabilidade uma tcnica estatstica utilizada para expressar a chance de ocorrncia
de determinado evento.
A forma clssica de calcular a probabilidade por meio da relao entre o nmero de casos favorveis
e o nmero de casos possveis. Os casos favorveis so aqueles resultados que se espera que aconteam;
j os casos possveis so todos os elementos que compem o espao amostral.
Logo, em determinado espao amostral , a probabilidade de um dado evento A, P(A), ser uma
funo denida em , em que cada evento estar associado a um nmero real, e assim ir satisfazer
aos axiomas a seguir.
Observao
I) 0 P 1 A probabilidade est sempre no intervalo fechado 0 e 1
ou 0% ou 100%.
92
Unidade II
R
e
v
i
s

o
:

A
n
d
r

i
a

G
o
m
e
s

-

D
i
a
g
r
a
m
a

o
:

L

o

-

0
1
/
0
8
/
2
0
1
2
II) P() = 1 Para todo evento certo, temos P() = 1 ou 100%.
III) Se A e B forem eventos mutuamente exclusivos, (A B) = , ento
P(A B) = P(A) + P(B).
8.1 Origens da probabilidade
Na realidade, existem trs modos diferentes de calcular ou estimar as probabilidades. So eles os
mtodos clssico, emprico e subjetivo, sendo que os mtodos clssicos e empricos so considerados
mtodos objetivos.
8.1.1 Mtodos objetivos
Mtodo clssico
Quando estamos diante de experimentos que tm resultados igualmente provveis, aplica-se o
chamado mtodo clssico. Nesse caso, a probabilidade de ocorrer cada evento (resultado) uma funo
do nmero de resultados possveis.
1
P
evento
= ------------------------------------------------------------------
Nmero de resultados possveis
Por exemplo, no experimento em que lanamos um dado ocorrer qualquer das faces nesse lanamento
igualmente provvel. Ento, qual seria a probabilidade de ocorrer qualquer dessas faces?
1
P
qualquer face
= -------------------------------------
Nmero de faces
1
P
qualquer face
= ----
6
Aplicando-se o mtodo clssico a experimentos que envolvam dois ou mais resultados associados,
com igual probabilidade de ocorrncia desses resultados, tero a denio clssica de probabilidade que
demos no incio deste item, em que a probabilidade ser:
Resultados favorveis
P = -----------------------------------------------
Resultados possveis
Verique e compreenda: favorveis/possveis!
Por exemplo, a probabilidade de obter quatro ases num baralho de 52 cartas. Nesse caso, temos de
identicar o nmero de resultados favorveis, ou seja, aqueles resultados esperados. No caso, so quatro
resultados favorveis, dentro de quatro resultados possveis; ento, temos:
93
R
e
v
i
s

o
:

A
n
d
r

i
a

G
o
m
e
s

-

D
i
a
g
r
a
m
a

o
:

L

o

-

0
1
/
0
8
/
2
0
1
2
ESTATSTICA APLICADA
4
P = -------- = 0,0769 = 7,6%
52
Isso signica que, se houver uma repetio signicativa desse experimento, ou seja, de se retirar
quatro ases de um baralho de 52 cartas, um evento como esse tem probabilidade de ocorrer 7,6% das
vezes.
Chance
Existe uma maneira diferente de se exprimirem as probabilidades: em vez de se comparar o nmero
de casos favorveis ao nmero de casos possveis, compara-se o nmero de resultados favorveis ao
nmero de casos desfavorveis. Isso pode ser expresso das duas formas a seguir:
Nmero de resultados favorveis
Chance = ------------------------------------------------------------------------- ou
Nmero de resultados desfavorveis
Chance = nmero de resultados favorveis est para nmero de resultados desfavorveis.
Por exemplo, numa sala de aula, temos um total de 50 alunos, 22 homens e 28 mulheres. Quais
seriam, ento, a probabilidade e a chance a favor de se selecionar, aleatoriamente, dessa sala uma
mulher?
Probabilidade:
: Retirar pessoas de uma sala de aula
: 22 homens e 28 mulheres
Evento A: selecionar uma mulher
P A P A ( ) =
+
= ( ) = =
28
22 28
28
50
0 56 56 , %
A probabilidade de se retirar uma mulher , portanto, de 56%.
Chance
Evento A: selecionar uma mulher
N de casos favorveis 28 14
Chance = ------------------------------------------------- = -------------- = -------------- ou 40/11
Casos desfavorveis 22 11
As chances de retirar uma mulher da sala so, portanto, de 14 para 11.
94
Unidade II
R
e
v
i
s

o
:

A
n
d
r

i
a

G
o
m
e
s

-

D
i
a
g
r
a
m
a

o
:

L

o

-

0
1
/
0
8
/
2
0
1
2
Mtodo emprico ou frequencial
Quando tratamos de situaes em que os resultados no so igualmente provveis, podemos tentar
estimar as probabilidades, obtendo alguns dados empricos. Uma estimativa das probabilidades baseada
justamente nesses dados empricos que ser obtida por meio de experimentos aleatrios ou por meio
de dados histricos. importante ressaltar que, neste caso, a probabilidade ser uma estimativa do
verdadeiro valor.
Por exemplo, se tivermos um experimento em que lanamos um dado 100 vezes, se dessas 100
vezes obtivermos a face quatro 40 vezes, num prximo lanamento do dado seria razovel supor que a
probabilidade estimada futura da face quatro como sendo
P 4
40
100
40 ( ) = = %
, se esse experimento se
der a condies idnticas.
Da mesma maneira, quando testada uma vacina em um grupo de 1000 pessoas, por exemplo, e
esta apresenta sucesso em 700 delas, se o teste repetido, devemos esperar uma probabilidade estimada
de sucesso futuro da vacina
P s ( ) = = =
700
1000
7
10
70%
, sob condies idnticas para a ocorrncia desse
resultado. Sendo assim, podemos calcular a estimativa da probabilidade de um evento futuro baseado
no mtodo emprico por meio da seguinte frmula:
Nmero de ocorrncias de A
P(A) = ------------------------------------------------------------
Nmero total de observaes
Se, por outro lado, em vez da possibilidade de obter os dados amostrais por meio da realizao de um
experimento, dispusermos de dados histricos em uma distribuio de frequncia, ou na forma de dados
publicados, ou como resultado de testes prvios, ou como informaes que foram acumuladas em algum
arquivo importante, podemos tambm calcular a probabilidade estimada pelo mtodo frequencial. Mas,
para isso, preciso que partamos da premissa de que o passado representativo do futuro.
Por exemplo, suponhamos que uma distribuidora de chocolates acompanha suas vendas durante
noventa dias. O objetivo dessa distribuidora seria projetar as vendas para o futuro, a m de planejar seus
estoques. Desse acompanhamento, resultou a distribuio de frequncia a seguir:
Tabela 27
Nmero de chocolates vendidos, em Kg.
Perodo de 90 dias
Quilos vendidos Nmero de dias
20 10
30 20
40 20
50 30
60 10
Total 90
95
R
e
v
i
s

o
:

A
n
d
r

i
a

G
o
m
e
s

-

D
i
a
g
r
a
m
a

o
:

L

o

-

0
1
/
0
8
/
2
0
1
2
ESTATSTICA APLICADA
Nesse caso, tambm podemos adotar o mtodo emprico, procurando determinar qual o percentual
de vezes em que ocorreu tal evento. Por exemplo, em vinte dias, o distribuidor de chocolates vendeu 40
quilos de chocolate, dos 90 dias totais de nossa observao. Ento, a estimativa de probabilidade dessa
ocorrncia P 40
20
90
2
9
( ) = = .
A probabilidade , portanto, a partir do mtodo emprico, uma proporo da ocorrncia de
um evento ou a frequncia relativa do evento. Assim, para as demais classes, as probabilidades
sero dadas como na tabela a seguir, da distribuio de frequncias, utilizando agora a seguinte
frmula:
P A
f
f
A
A
( ) =

, onde
P (A): Probabilidade de ocorrer o evento A;
f
A
: Frequncia absoluta do evento A;
f
A
: Total de observaes.
Tabela 28
Quilos vendidos
Nmero de dias
(
A
)
Probabilidade
f
f
A
A
20 10
1
9
30 20
2
9
40 20
2
9
50 30
1
3
50 10
1
9
Total 90
importante ressaltarmos algumas observaes quando utilizamos o mtodo emprico para calcular
a probabilidade.
I. Quando se calcula a probabilidade a partir do mtodo emprico, obtemos apenas uma
estimativa do verdadeiro valor da probabilidade. No temos dados suficientes para determinar seu
valor exato.
II. O tamanho da amostra fundamental para determinar a estimativa da probabilidade. Quanto
maior o nmero de observaes e, portanto, a amostra, melhor a estimativa da probabilidade.
III. A probabilidade s vlida para um conjunto de condies idnticas quelas geradoras dos dados
amostrais.
96
Unidade II
R
e
v
i
s

o
:

A
n
d
r

i
a

G
o
m
e
s

-

D
i
a
g
r
a
m
a

o
:

L

o

-

0
1
/
0
8
/
2
0
1
2
8.1.2 Mtodo subjetivo
Nos itens anteriores, propusemo-nos a calcular probabilidades que se originavam de fatos, fosse
por meio do mtodo clssico ou do emprico. No entanto, ao longo do estudo da estatstica, surgiram
diversas situaes em que os eventos no eram nem passveis de um estudo objetivo e muito menos
igualmente provveis. Nesse caso, ento, faz-se necessrio atribuir-se subjetivamente uma probabilidade.
Por exemplo:
Voc encontrar o amor da sua vida amanh?
Quando os operrios do metr faro nova greve?
Uma mulher com cncer de mama se recuperar completamente?
Nesses casos, mesmo que no seja possvel efetuar o experimento, pode-se imaginar um grande
nmero de situaes idnticas e questionar-se qual ser o percentual dessas situaes que produzir o
evento desejado.
O mtodo subjetivo semelhante ao mtodo emprico, a nica diferena que, em geral, os dados
no podem ser coletados. A probabilidade subjetiva serve como um esforo no apenas para quanticar,
mas para conrmar nossa crena a respeito de algo.
Probabilidade subjetiva uma avaliao pessoal do grau de viabilidade de um evento. Existem,
obviamente, algumas desvantagens importantes que esse mtodo apresenta:
I. as estimativas subjetivas so, em geral, difceis de defender quando postas em dvida;
II. as estimativas subjetivas podem ser tendenciosas.
8.2 Principais teoremas de probabilidade
I. Digamos que temos um evento A qualquer, e um conjunto que representa o conjunto vazio.
Suponhamos ainda que A e sejam disjuntos; ento, temos:
A
P A B P A P
P A P A P A A
Por to P
=
( ) = ( ) + ( )
( ) = ( ) + ( ) =
( ) =

tan 0
Sendo assim, temos que o primeiro teorema importante de probabilidade o seguinte:
Se o conjunto vazio, ento P() = 0
II. Sejam dois eventos A e A, em que A complemento de A, em que o espao amostral pode ser
escrito da seguinte forma: = A A. Alm disso, A e A so mutuamente exclusivos.
97
R
e
v
i
s

o
:

A
n
d
r

i
a

G
o
m
e
s

-

D
i
a
g
r
a
m
a

o
:

L

o

-

0
1
/
0
8
/
2
0
1
2
ESTATSTICA APLICADA
Sendo assim, temos:
A A m exclusivos = ..
P A A P A P A
P P A P A P
P A P A
P A P A

( )
= ( ) +
( )
( ) = ( ) +
( )
( ) =
= ( ) +
( )
( )
= (
1
1
1 ))
Se A complemento de A, ento P(A) = 1 - P(A)
III. Se, por outro lado, temos o seguinte conjunto B = A (A B), em que A e A B so mutuamente
exclusivos, ento:
P B P A P A B
P A B P B P A
P B P A
P B P A
( ) = ( ) +
( )

( )
= ( ) ( )
( ) ( )
( ) ( )
0
IV. Teorema da soma: se A e B so dois eventos quaisquer, ento:
P(A B) = P(A) + P(B) - P(A B)
Verique, matematicamente, essas propriedades utilizando a teoria dos conjuntos!
Quando h mais de um resultado possvel, ento:
n de elementos do evento A
P(evento A) = -------------------------------------------------------------
n de resultados possveis
Vamos ver alguns exemplos:
Exemplo 1
Qual a probabilidade de se extrair um dos quatro reis de um baralho de 52 cartas?
4
P(dama) = ------ (Reis)
52
98
Unidade II
R
e
v
i
s

o
:

A
n
d
r

i
a

G
o
m
e
s

-

D
i
a
g
r
a
m
a

o
:

L

o

-

0
1
/
0
8
/
2
0
1
2
Exemplo 2
Trs esportistas A, B e C esto em uma competio de natao. A e B tm as mesmas chances de
ganhar a competio, e cada um tem duas vezes mais chances de ganhar do que C. Pede-se calcular as
probabilidades de A ou C ser o vencedor.
Soluo
Sejam p(A), p(B) e p(C) as probabilidades individuais de A, B e C vencerem.
De acordo com os dados da questo, temos:
p(A) = p(B) = 2.p(C).
Seja
p(A) = k.
Ento,
p(B) = k
e
p(C) = k/2.
Temos: p(A) + p(B) + p(C) = 1, de acordo com o teorema do evento certo.
Logo, temos:
k + k + k/2 = 1\k = 2/5.
Assim, p(A) = k = 2/5, p(B) = 2/5 e p(C) = 2/10 = 1/5.
A probabilidade de A ou C vencer ser a soma dessas probabilidades, ou seja, 2/5 + 1/5 = 3/5.
Exemplo 3
Um dado viciado, de modo que cada nmero par tem duas vezes mais chances de aparecer num
lanamento que qualquer nmero mpar. Determine a probabilidade de em um lanamento aparecer
um nmero primo.
99
R
e
v
i
s

o
:

A
n
d
r

i
a

G
o
m
e
s

-

D
i
a
g
r
a
m
a

o
:

L

o

-

0
1
/
0
8
/
2
0
1
2
ESTATSTICA APLICADA
Soluo
De acordo com a questo, temos:
p(2) = p(4) = p(6) = 2.p(1) = 2.p(3) = 2.p(5).
Seja p(2) = k. Poderemos escrever:
p(2) + p(4) + p(6) + p(1) + p(3) + p(5) = 1, ou seja: a soma das probabilidades dos eventos elementares
igual a 1.
Ento, substituindo, vem:
k + k + k + k/2 + k/2 + k/2 = 1\k = 2/9.
Assim, temos:
p(2) = p(4) = p(6) = 2/9
p(1) = p(3) = p(5) = 2/18 = 1/9.
O evento sair nmero primo corresponde a sair o 2, ou o 3 ou o 5.
Assim, p(2) + p(3) + p(5) = 2/9 + 1/9 + 1/9 = 4/9.
Exemplo 3
(ITA/1993) Possuo trs jarros idnticos e desejo ornament-los com dezoito rosas, sendo dez
vermelhas e oito amarelas. Desejo que um dos jarros tenha sete rosas e os outros dois, no mnimo, cinco
rosas. Cada um dever ter, pelo menos, duas rosas vermelhas e uma amarela. Quantos arranjos orais
poderei fazer usando as dezoito rosas?
Soluo
Sejam os jarros J
1
, J
2
e J
3
.
Pelos dados do enunciado, temos:
a) Um dos jarros dever ter 7 rosas; seja J1 este jarro. Poderemos ter as seguintes combinaes,
lembrando que existe outra condio dada no enunciado, de que cada jarro tenha no mnimo duas rosas
vermelhas e uma amarela:
5 A + 2 V (cinco rosas amarelas e duas vermelhas).
100
Unidade II
R
e
v
i
s

o
:

A
n
d
r

i
a

G
o
m
e
s

-

D
i
a
g
r
a
m
a

o
:

L

o

-

0
1
/
0
8
/
2
0
1
2
4 A + 3 V (quatro rosas amarelas e trs vermelhas).
3 A + 4 V (trs rosas amarelas e quatro vermelhas).
2 A + 5 V (duas rosas amarelas e cinco vermelhas).
1 A + 6 V (uma rosa amarela e seis vermelhas).
b. Nos outros dois jarros, J
2
e J
3
, devero ser distribudas as 18 7 = 11 rosas restantes, obedecendo-se ao
critrio de que em cada jarro haja no mnimo cinco rosas, sendo pelo menos duas vermelhas e uma amarela.
Vamos supor seis rosas no jarro 2 e cinco rosas no jarro 3.
Temos ento de, partindo das cinco composies possveis para o jarro J
1
(item a), dividir
convenientemente as rosas restantes, observando-se as regras dadas e as suas quantidades.
c. Veja a tabela a seguir, em que V = rosa vermelha e A = rosa amarela.
Tabela 29
Situao
Jarro 1
7 rosas
Jarro 2
6 rosas
Jarro 3
5 rosas
Total
18 rosas
01 5A + 2V 1A + 5V 2A + 3V 18
02 5A + 2V 2A + 4V 1A + 4V 18
03 4A + 3V 1A + 5V 3A + 2V 18
04 4A + 3V 2A + 4V 2A + 3V 18
05 4A + 3V 3A + 3V 1A + 4V 18
06 3A + 4V 2A + 4V 3A + 2V 18
07 3A + 4V 3A + 3V 2A + 3V 18
08 3A + 4V 4A + 2V 1A + 4V 18
09 2A + 5V 4A + 2V 2A + 3V 18
10 2A + 5V 3A + 3V 3A + 2V 18
11 1A + 6V 4A + 2V 3A + 2V 18
Na tabela anterior, em cada linha, as rosas vermelham somam dez e as rosas amarelas somam oito,
conforme enunciado. E, ainda, xamos o jarro 3 como sendo aquele que receberia o nmero mnimo de
rosas (cinco), restando as seis rosas para serem distribudas convenientemente no jarro 2, j que no jarro
1 deveriam car sete rosas, ou seja: 7 + 6 + 5 = 18, que o nmero total de rosas. Vemos, da tabela, que
existem 11 possibilidades que satisfazem ao problema dado.
Anlise combinatria: diagrama da rvore
Assim, a melhor forma de esquematizar a soluo desta questo construir uma rvore de possibilidades,
conforme gura a seguir, tendo em mente o cumprimento das condies impostas nos itens a e b.
101
R
e
v
i
s

o
:

A
n
d
r

i
a

G
o
m
e
s

-

D
i
a
g
r
a
m
a

o
:

L

o

-

0
1
/
0
8
/
2
0
1
2
ESTATSTICA APLICADA
0
5A + 2V
4A + 3V
3A + 4V
2A + 5V
1A + 6V
1A + 5V
1A + 5V
2A + 4V
4A +2V
4A +2V 3A + 2V
3A +3V
2A + 3V
3A + 2V
3A +3V
4A +2V
3A + 2V
2A + 3V
1A + 4V
2A + 4V
3A + 3V
3A + 2V
2A + 3V
1A + 4V
2A + 4V
2A + 3V
1A + 4V
1
2
3
4
5
6
7
8
9
10
11
Figura 31
Ou seja, so possveis 11 arranjos orais, obedecendo s condies dadas no enunciado do problema.
Saiba mais
Para uma abordagem mais aprofundada dos contedos apresentados
neste captulo, leia: A probabilidade e variveis aleatrias, de Marcos
Magalhes Nascimento. So Paulo: Edusp, 2006.
Para se aprofundar no tema probabilidade de forma diferenciada, leia
o artigo O ensino de probabilidade atravs de um jogo de dados e da
metodologia de resoluo de problemas. Disponvel em: <http://www.mat.
feis.unesp.br/docentes2008/jose_marcos/Minicurso.pdf>. Acesso em: 25
jul. 2012.
Resumo
Ao longo desta unidade, foram apresentados as caractersticas das
tabelas de distribuio de frequncia, os tipos de frequncias e suas
representaes grcas (histograma e polgono de frequncia) e as medidas
de posio numa distribuio de frequncia. Foram vistas as ideias de
medidas de disperso numa distribuio de frequncia, que nos fornecem
instrumentos para determinao dos intervalos padres de alta ou mdia
variao para as pesquisas em geral, e como vericar os desvios em relao
102
Unidade II
R
e
v
i
s

o
:

A
n
d
r

i
a

G
o
m
e
s

-

D
i
a
g
r
a
m
a

o
:

L

o

-

0
1
/
0
8
/
2
0
1
2
normalidade, ou seja, o quanto os dados esto dispersando em relao s
medidas de tendncia central.
Foram apresentadas as noes do clculo da probabilidade, a m de
auxiliar na compreenso dos fenmenos aleatrios do que provvel e
do que presumvel. E tambm como calcular a probabilidade de eventos
das mais variadas situaes, e foi feito um estudo a respeito dos vrios
tipos de fenmenos aleatrios em distribuio de probabilidade, grcos e
frmulas para sua generalizao, com o intuito de facilitar a compreenso
e o entendimento dos clculos.
Exerccios
Questo 1 (ENADE-MATEMTICA/2008). H 10 postos de gasolina em uma cidade. Desses 10,
exatamente dois vendem gasolina adulterada. Foram sorteados aleatoriamente dois desses 10
postos para serem fiscalizados. Qual a probabilidade de que os dois postos infratores sejam
sorteados?
A) 1/45.
B) 1/20.
C) 1/10.
D) 1/5.
E) 1/2.
Resposta correta: alternativa A.
Anlise das alternativas
Para encontrarmos a alternativa correta, devemos utilizar a teoria das probabilidades e desenvolver
os clculos de acordo com os dados do enunciado do exerccio.
Sabendo que h 10 postos de gasolina em uma cidade e, desses 10, exatamente dois vendem gasolina
adulterada e que foram sorteados aleatoriamente dois desses 10 postos para serem scalizados, devemos
considerar a ocorrncia de dois eventos sucessivos (evento composto), ou seja, a escolha aleatria de um
posto seguida da escolha aleatria de outro posto.
No primeiro evento (evento A), h a possibilidade de se escolherem dois postos que vendem gasolina
adulterada em 10 postos possveis, logo:
103
R
e
v
i
s

o
:

A
n
d
r

i
a

G
o
m
e
s

-

D
i
a
g
r
a
m
a

o
:

L

o

-

0
1
/
0
8
/
2
0
1
2
ESTATSTICA APLICADA
P A
n A
n U
( )
( )
( )
= =
2
10
No segundo evento (evento B), h a possibilidade de se escolher somente um posto (dois menos um)
que vende gasolina adulterada em 9 (10 menos 1) postos possveis. Como esse evento posterior ao
evento A, devem-se desconsiderar as escolhas do evento A. Assim,
P B
nB
n U
( )
( )
( )
= =
1
9
Como se deseja calcular a probabilidade de que os dois postos infratores sejam sorteados, temos que
considerar a regra da multiplicao (um evento e outro evento), ou seja, a ocorrncia dos eventos A e B. Logo,
P AeB P A P B ( ) ( ). ( ) . = = = =
2
10
1
9
2
90
1
45
Ento:
P A eB ( ) =
1
45
Sendo assim,
A) Alternativa correta.
Justicativa: de acordo com os clculos.
B) Alternativa incorreta.
Justicativa: de acordo com os clculos.
C) Alternativa incorreta.
Justicativa: de acordo com os clculos.
D) Alternativa incorreta.
Justicativa: de acordo com os clculos.
E) Alternativa incorreta.
Justicativa: de acordo com os clculos.
Questo 2 (ENEM/2011). Todo o pas passa pela primeira fase de campanha de vacinao contra
a gripe suna (H1N1). Segundo um mdico infectologista do Instituto Emlio Ribas, de so Paulo, a
104
Unidade II
R
e
v
i
s

o
:

A
n
d
r

i
a

G
o
m
e
s

-

D
i
a
g
r
a
m
a

o
:

L

o

-

0
1
/
0
8
/
2
0
1
2
imunizao deve mudar no pas a histria da epidemia. Com a vacina, de acordo com ele, o Brasil tem
a chance de barrar uma tendncia de crescimento da doena, que j matou 17 mil no mundo. A tabela
apresenta dados especcos de um nico posto de vacinao.
Campanha de vacinao contra gripe suna
Datas da vacinao Pblico-alvo
Quantidades de
pessoas vacinadas
8 a 19 de maro Trabalhadores da sde e indgenas 42
22 de maro a 2 de abril Portadores de doenas crnicas 22
5 a 23 de abril Adultos saudveis entre 20 e 29 anos 56
24 de abril a 7 de maio Populao com mais de 60 anos 30
10 a 21 de maio Adultos saudveis entre 30 e 39 anos 50
Disponvel em: http://img.terra.com.br. Acesso em 26 abr. 2010 (adaptado
Escolhendo-se aleatoriamente uma pessoa atendida nesse posto de vacinao, a probabilidade de
ela ser portadora de doena crnica :
A) 8%.
B) 9%.
C) 11%.
D) 12%.
E) 22%.
Resoluo desta questo na plataforma.
105
R
e
v
i
s

o
:

A
n
d
r

i
a

G
o
m
e
s

-

D
i
a
g
r
a
m
a

o
:

L

o

-

0
1
/
0
8
/
2
0
1
2
ESTATSTICA APLICADA
FIGURAS E ILUSTRAES
Figura 1
Relatrio sobre a Indstria de Cartes de Pagamentos Adendo Estatstico 2010. Disponvel em: <http://
www.bcb.gov.br/htms/spb/Relatorio_Cartoes_Adendo_2010.pdf> Acesso em: 12 abr. 2012.
Figura 10
Oferta mundial de petrleo 2003. Disponvel em: <http://www.dnpm.gov.br/assets/
galeriadocumento/sumariomineral2004/PETR%C3%93LEO%202004.pdf>. Acesso em: 17 jul. 2012.
Figura 11
Revista Veja. So Paulo: Abril, ano 39, n. 41, 18 out. 2006, p. 54-5.
Figura 13
Petrobras. Disponvel em: <http://www.petrobras.com.br/pt/quem-somos/perl/atividades/exploracao-
producao-petroleo-gas/>. Acesso em: 25 jul. 2012.
REFERNCIAS
Textuais
AMARAL. E.; OLIVEIRA, C. B. C. Caracterizao de perdas comerciais uma ferramenta de gesto de
recuperao de receitas. Disponvel em: <ftp://labattmot.ele.ita.br/ele/jrsantos/Leitura/Fraude_Energia_
Eletrica/CITENEL2005_72.pdf >. Acesso em: 25 jul. 2012.
BRUNI, A. L.; FAM, R.; SIQUEIRA, J. O. Anlise do risco na avaliao de projetos de investimentos:
uma aplicao do mtodo de Monte Carlos. Caderno de Pesquisa em Administrao, So Paulo, v. 1,
n. 6, 1 trim. 1998. Disponvel em: <http://www.regeusp.com.br/arquivos/c6-Art7.pdf>. Acesso em:
25 jul. 2012.
CRESPO, A. A. Estatstica fcil. So Paulo: Saraiva, 2007.
DANTE, L. R. Matemtica contexto e aplicao. So Paulo: tica, 2007.
DERVALMAR. C. R. T. F. Apostila do curso de graduao em Administrao na Modalidade a Distncia
da Universidade Aberta do Brasil UAB e Universidade Aberta do Maranho. Disponvel em: <http://
www.ebah.com.br/content/ABAAAejrMAF/estatistica-descritiva>. Acesso em: 20 jul. 2012.
DOMINGUES, M.; DOMINGUES, J. Estatstica exploratria. Disponvel em: <http://www.cin.ufpe.
br/~psb/EAD/Estatistica%20Exploratoria%20-%20Volume%201%20v11.pdf>. Acesso em: 25 jul. 2012.
106
FERREIRA, J. C. Elementos de lgica matemtica e teoria dos conjuntos. Disponvel em: <http://www.
ciul.ul.pt/~amfern/am1/documents/logTeoConj.pdf>. Acesso em: 24 jul. 2012.
FONSECA, J. S.; MARTINS, G. A. Curso de Estatstica. 6. ed. So Paulo: Atlas, 2009.
GARCIA, E. S.; LACERDA, L. S.; BENCIO, R. A. Gerenciando incertezas no planejamento logstico: o
papel do estoque de segurana. Disponvel em: <http://tfscomunicacao.com.br/imgs/sala_estudo/273_
arquivo.pdf>. Acesso em: 25 jul. 2012.
GITMAN, L. J. Princpios de Administrao uma viso estatstica. So Paulo: Atlas, 2001.
IEZZI, G.; HASSAN, S.; DEGENSZAJN, D. Fundamentos de matemtica elementar 11 matemtica
comercial, matemtica nanceira e estatstica descritiva. So Paulo: Atual, 2005.
LAURENTI, R.; BUCHALLA, C. M. A elaborao de estatsticas de mortalidade segundo causas mltiplas.
Rev. Bras. Epidemiol, v. 3, n. 1-3, 2000. Disponvel em: <http://www.scielosp.org/pdf/rbepid/v3n1-3/03.
pdf>. Acesso em: 15 jul. 2012.
LOPES, J. M. O ensino de probabilidade atravs de um jogo de dados e da metodologia de resoluo de
problemas. Disponvel em: <http://www.mat.feis.unesp.br/docentes2008/jose_marcos/Minicurso.pdf>.
Acesso em: 25 jul. 2012.
MEYER, P. L. Probabilidade: aplicaes Estatstica. Rio de Janeiro: Livros Tcnicos e Cientcos (LTC),
2000.
MARTINS, G. A.; DONAIRE, D. Princpios de Estatstica. So Paulo: Atlas, 2004.
MENEZES, P. B. Matemtica discreta para computao e informtica. Porto Alegre: Instituto de
Informtica da UFRGS: Sagra Luzzato, 2004. (Srie Livros Didticos, n. 16).
MORETTIN, P. A.; BUSSAB, W. O. Estatstica bsica. So Paulo: Saraiva, 2004.
NASCIMENTO, N. M. A probabilidade e variveis aleatrias. 2. ed. So Paulo: Edusp, 2006.
NETO, A. S. et al. A aplicao de grficos de controle de Soma Acumulada (CUSUM) para
monitoramento de um processo de usinagem. In: SIMPSIO DE ENGENHARIA DE PRODUO,
XIV, 2009, Botucatu, SP. Anais... Botucatu, SP: Unesp Departamento de Engenharia de
Produo, 2009.
NERY, N.; PATU, G. Judicirio, em guerra por aumento, lidera gastos com pessoal. Folha
de S. Paulo, So Paulo, 6 set. 2011. Disponvel em: <http://espaco-vital.jusbrasil.com.br/
noticias/2829649/folha-de-sp-judiciario-em-guerra-por-aumento-lidera-gastos-com-pessoal>.
Acesso em: 20 jul. 2012.
107
NOGUEIRA, P. J. S. Apostila de Estatstica. Universidade Bandeirante de So Paulo. Disponvel em:
<http://pt.scribd.com/doc/80708751/Estatistica-descritiva-UNIBAN>. Acesso em: 20 jul. 2012.
OLIVEIRA, F. E. M. Estatstica geral e aplicada. So Paulo: Atlas, 2007.
SILVA, T. Tendncia central, disperso e posio. Disponvel em: <https://woc.uc.pt/fpce/getFile.
do?tipo=2&id=9123> Acesso em: 25 jul. 2012.
SILVA, W. C. M. Conceitos iniciais e breve histrico da estatstica. Disponvel em: <http://mundobr.pro.
br/uneal/wp-content/uploads/2010/04/01.conceitos_inicias-historico-somatorio.pdf>. Acesso em: 25
jul. 2012.
STEVENSON, W. J. Estatstica aplicada Administrao. So Paulo: Harbra, 2001.
TOLEDO, G. L.; OVALLE, I. I. Estatstica bsica. 2. ed. So Paulo: Atlas, 2010.
YASSIN, N. Mtodos quantitativos e estatsticos para a tomada de deciso. Disponvel em:
<http://www.santahelena.ueg.br/posgraduacao/mba/2007/download/metodosquantitativos/
METODOS_QUANTITATIVOS_PARTE_I.pdf>. Acesso em: 25 jul. 2012.
VIEIRA, S. Elementos de Estatstica. So Paulo: Atlas, 2006.
Sites
<http://www.ibge.gov.br>.
Exerccios
Unidade I
Questo 1
INSTITUTO NACIONAL DE ESTUDOS E PESQUISAS EDUCACIONAIS ANSIO TEIXEIRA (INEP). Exame
Nacional do Ensino Mdio (ENEM) 2011: 2 dia. Caderno 5 Amarelo. Questo 148. Disponvel em:
<http://download.inep.gov.br/educacao_basica/enem/provas/2011/05_AMARELO_GAB.pdf>. Acesso
em: 12 ago. 2012.
Questo 2
INSTITUTO NACIONAL DE ESTUDOS E PESQUISAS EDUCACIONAIS ANSIO TEIXEIRA (INEP). Exame
Nacional do Ensino Mdio (ENEM) 2011: 2 dia. Caderno 5 Amarelo. Questo 150. Disponvel em:
<http://download.inep.gov.br/educacao_basica/enem/provas/2011/05_AMARELO_GAB.pdf>. Acesso
em: 12 ago. 2012.
108
Unidade II
Questo 1
INSTITUTO NACIONAL DE ESTUDOS E PESQUISAS EDUCACIONAIS ANSIO TEIXEIRA (INEP). Exame
Nacional de Desempenho dos Estudantes (ENADE) 2008: Matemtica. Questo 13. Disponvel em:
<http://download.inep.gov.br/download/Enade2008_RNP/MATEMATICA.pdf>. Acesso em: 12 ago.
2012.
Questo 2
INSTITUTO NACIONAL DE ESTUDOS E PESQUISAS EDUCACIONAIS ANSIO TEIXEIRA (INEP). Exame
Nacional do Ensino Mdio (ENEM) 2011: 2 dia. Caderno 5 Amarelo. Questo 166. Disponvel em:
<http://download.inep.gov.br/educacao_basica/enem/provas/2011/05_AMARELO_GAB.pdf>. Acesso
em: 12 ago. 2012.
109
110
111
112
Informaes:
www.sepi.unip.br ou 0800 010 9000