Notas de Aulas de

ESTATÍSTICA I

Edezio Pantoja Sacramento

1
Estatı́stica I Edezio 2

Este material não tem a intenção de substituir os livros didáticos, que são
mais completos e de conteúdos mais aprofundados. Seu objetivo principal é
servir como instrumento de recordação dos conceitos abordados em sala de
aula. Conto com a colaboração de vocês para que este possa ser melhorado
e ajudar tantos outros colegas que o utilizarão.

Edezio Pantoja Sacramento

Estatı́stica I Edezio 3

Ementa

• Estatı́stica Descritiva

• Cálculo das Probabilidades

• Variáveis Aleatórias

• Distribuição de Poisson e Distribuição Binomial

Bibliografia

FARIAS, A.A. E OUTROS Introdução à Estatı́stica, 2a ed., Rio de Ja-

neiro; LTC, 2008.

TRIOLA, M.F. Introdução ã Estatı́stica,10a ed., Rio de Janeiro, LTC,

2008

MEYER,P.L: Probabilidade, Aplicações à Estatı́stica, Rio de Janeiro LTC,

1993.

MORETTIN,L.G.: Estatı́stica Básica, Rio de Janeiro, Mackron Books.

SPIEGEL,M.: Probabilidade e Estatı́stica, Rio de Janeiro, Mackron Bo-

oks.

LIPSCHUTZ,S.: Probabilidade, Rio de Janeiro, Mackron Books.

Estatı́stica I Edezio 4

Conteúdo
1 Introdução 5

2 Apresentação de Dados 7

3 Medidas de Tendência Central 18

4 Exercı́cios 25

5 Probabilidade 32

6 Análise Combinatória 36

7 Exercı́cios 39

8 Probabilidade Condicional 44

9 Exercı́cios 51

10 Variável Aleatória 56

11 Exercı́cios 59

12 Distribuição Binomial 61

13 Distribuição de Poisson 65

14 Distribuição multinomial 67
Estatı́stica I Edezio 5

1 Introdução
• O que é Estatı́stica: A estatı́stica trata de idéias e métodos que visam a
aperfeiçoar a obtenção de conclusões a partir de informações numéricas,
na presença da incerteza, ou melhor, o de como utilizar informações
incompletas para tomar decisões válidas e tirar conclusões satisfatórias.

• Objetivo: O principal objetivo é apresentar as idéias de variabilidade,

incerteza e alguns métodos estatı́sticos simples, que permitem que se
façam inferências a partir de dados observados.

• Estatı́stica Descritiva: é um conjunto de técnicas que objetivam des-

crever, analisar e interpretar os dados numéricos de uma população ou
amostra.

• Inferência Estatı́stica: Se propõe a tirar conclusões úteis a respeito de

um conjunto, denominado população, com base num subconjunto de
dados disponı́veis, que é usualmente, chamado de amostra.

• Probabilidade: é a base matemática sob a qual a Estatı́stica é cons-

truı́da. Fornece métodos para quantificar a incerteza existente em
determinada situação, usando ora um número ora uma função ma-
temática.

População e Amostra
Entende-se por população o conjunto de elementos que têm, em comum, de-
terminada caracterı́stica. Todo subconjunto não vazio e com menor número
de elementos do que a população constitui uma amostra dessa população.
Estatı́stica I Edezio 6

Técnicas de Amostragem
A amostra casual simples é composta por elementos retirados ao acaso da
população. Então todo elemento da população tem igual probabilidade de
ser escolhido para a amostra.

• Amostra Sistemática
Na amostra sistemática os elementos são escolhidos não por acaso, mas
por um sistema. Exemplo: Um professor pode escolher todo aluno com
número terminado em determinado dı́gito.

• Amostra Estratificada
A amostra estratificada é composta por elementos provenientes de to-
dos os estratos da população. Devem ser obtidas amostras estratifi-
cadas sempre que a população for constituı́da por diferentes estratos.
Exemplo: Se as pessoas que moram no vários bairros de uma cidade
são diferentes, cada bairro é um estrato. Para obter uma amostra de
pessoas dessa cidade, seria razoável obter uma amostra de cada bairro
e depois reunir as informações numa amostra estratificada.

Variáveis
Os dados coletados em uma pesquisa estatı́stica referem-se a variáveis que
são classificadas como qualitativas, ordinais e quantitativas.

• Variável qualitativa: Uma variável é qualitativa quando os dados

podem ser distribuı́dos em categorias mutuamente exclusivas. Exem-
plos: sexo (feminino e masculino), cor (verde, amarelo, etc), causa de
morte , grupo sangüı́neo etc.

• Variável ordinal: Uma variável é ordinal quando os dados podem ser

distribuı́dos em categorias mutuamente exclusivas que têm ordenação
Estatı́stica I Edezio 7

natural. Exemplos: grau de instrução (primário, secundário e superior),

estágio social, estágio da doença etc.

• Variável quantitativa: Uma variável é quantitativa quando é ex-

pressa por números. Exemplos: idade, estatura, peso corporal etc.

2 Apresentação de Dados
Depois dos dados coletados e apurados eles podem ser apresentados sob a
forma de tabelas, quadros ou gráficos.

I Apresentação de Dados em Tabelas

São chamadas de séries estatı́sticas que também são classificadas em TEM-
PORAIS OU HISTÓRICAS, GEOGRÁFICAS , ESPECÍFICAS e as DISTRI-
BUIÇÕES DE FREQÜÊNCIAS que veremos mais adiante. Os dados devem
ser apresentados em tabelas construı́das de acordo cm as normas técnicas
ditadas pela Fundação IBGE.

Componentes das Tabelas

As tabelas têm tı́tulo, corpo, cabeçalho e coluna indicadora.

• Tı́tulo: explica o que a tabela contém;

• Corpo: é formado pelas linhas e colunas de dados;

• Cabeçalho: especifica o conteúdo das colunas;

• Coluna indicadora: especifica o conteúdo das linhas.

Estatı́stica I Edezio 8

• Rodapé: especifica a fonte.

Casos registrados de intoxicação humana, segundo a

causa determinante. Brasil, 1993
Causa Freqüência
Acidente 29.601
Abuso 2.604
Suicídio 7.965
Profissional 3.735
Outras 1.959
Ignoradas 1.103
Fonte: MS/FIOCRUZ/SINITOX

Na tabela acima, série especı́fica, temos:

Tı́tulo: Casos registrados de intoxicação humana, segundo a causa determi-

nante. Brasil 1993.

Cabeçalho: É constituído pelas palavras:

Causa Freqüência

Coluna indicadora: É constituída pelas especificações:

Acidente
Abuso
Suicídio
Profissional
Outras
Ignorada
Estatı́stica I Edezio 9

Corpo: É formado pelos números:

29.601
2.604
7.965
3.735
1.959
1.103

Toda tabela deve ser delimitada por traços horizontais. Podem ser feitos
traços verticais para separar as colunas, mas não devem ser feitos traços
verticais para delimitar a tabela. O cabeçalho é separado do corpo por um
traço horizontal. As tabelas podem apresentar, além das freqüências, as
freqüências relativas e o total.

Casos registrados de intoxicação humana, segundo a

causa determinante. Brasil, 1993
Causa Freqüência Freqüência relativa
Acidente 29.601 64,23
Abuso 2.604 5,64
Suicídio 7.965 17,32
Profissional 3.735 8,12
Outras 1.959 4,26
Ignoradas 1.103 2,40
Total 45.974
Fonte: MS/FIOCRUZ/SINITOX
Estatı́stica I Edezio 10

Tabelas de contingência
Muitas vezes os elementos da amostra ou da população são classificados de
acordo com dois fatores. Os dados devem então ser apresentados em tabelas
de contingência, isto é, em tabelas de dupla entrada, cada entrada relativa a
um dos fatores. No exemplo abaixo temos dois fatores: o ano de registro e o
sexo.

Nascidos vivos registrados segundo o ano de registro e o sexo

Ano Sexo Total

de registro Masculino Feminino
1984 1 307 758 1 251 280 2 559 038
1985 1 339 059 1 280 545 2 619 604
1986 1 418 050 1 361 203 2 779 253
Fonte: IBGE (1988)
Nota: Nascimentos ocorridos no ano de registro
Estatı́stica I Edezio 11

I Apresentação Gráfica
Tem por finalidade dar uma idéia, a mais imediata possı́vel, dos resultados
obtidos, permitindo chegar-se a conclusões sobre a evolução do fenômeno ou
sobre como se relacionam os valores da série.

Principais tipos de gráficos:

População Brasileira - 1940 - 1970

Ano População
1940 41.236.315
1950 51.944.397
1960 70.119.071
1970 93.139.037
Fonte: Anuário Estatı́stico - 1974

Gráfico em Colunas
100000000

80000000

60000000

40000000

20000000

0
1940 1950 1960 1970

Gráfico em Barras

1970

1960

1950

1940

0 20000000 40000000 60000000 80000000 100000000

Estatı́stica I Edezio 12

Gráfico em Linhas
100000000
90000000
80000000
70000000
60000000
50000000
40000000
30000000
20000000
10000000
0
1940 1950 1960 1970

Gráfico em Pizza

16%

36% 1940
1950
20% 1960
1970

28%

I Tabelas de Distribuição de Freqüências

As tabelas com grande número de dados são cansativas e não dão ao leitor
visão rápida e global do fenômeno. Para isso, é preciso que os dados estejam
organizados em uma tabela de distribuição de freqüências. Para construirmos
uma tabela de distribuição de freqüências precisamos das seguintes definições:

Dados brutos
É o conjunto dos dados numéricos obtidos após a critica dos valores coleta-
dos. Assim 24 - 10 - 10 - 1 - 12 - 8 - 10 - 9 -3 - 7 -2 - 7 - 4 -5 -7 - 11 - 6 - 7
são exemplos de dados brutos.
Estatı́stica I Edezio 13

Rol
É o arranjo dos dados brutos em ordem crescente ou decrescente. Assim
1 - 2 - 3 - 4 - 5 - 6 - 7 - 7 - 7 - 7 - 8 - 9 - 10 - 10 - 10 - 11 - 12 - 24.

Amplitude Total (At )

É a diferença entre o maior e o menor valor observados. No exemplo acima
temos At = 24 − 1 = 23.

Freqüência Absoluta (Fi )

É o número de vezes que o elemento aparece na amostra, ou número de ele-
mentos pertencentes a uma classe. No exemplo temos F10 = 3.

Número de Classes (C)

Não há uma fórmula exata para o cálculo do número de classes. Se a amostra
for de tamanho menor ou igual a 25 teremos 5 classes, e se a amostra for
de tamanho N maior do que 25, o número de classes será a raiz quadrada de N.

Amplitude das Classes

h = At /C.

Limite das Classes

a) 10 |−| 12 : compreende todos os valores entre 10 e 12 (inclusive 10 e 12);

b) 10 ` 12 : compreende todos os valores entre 10 e 12 (excluindo o 12);

c) 10 a 12 : compreende todos os valores entre 10 e 12 (excluindo o 10).

Estatı́stica I Edezio 14

Pontos Médios das Classes (xi )

É a média aritmética entre o limite superior e o limite inferior da classe.
Assim, se a classe for 10 ` 12, teremos xi = (10 + 12)/2 = 11, como ponto
médio da classe.

Freqüência Relativa (fi )

É a dada pela fórmula fi = Fi /N , ou seja , é a porcentagem daquele valor
na amostra.

classe xi Fi fi
45 ` 55 50 15 0.15
55 ` 65 60 30 0.30
65 ` 75 70 35 0.35
75 ` 85 80 15 0.15
85 ` 95 90 5 0.50
P
100 1.00
P
Note que fi = 1

Freqüência absoluta acumulada (Fac )

É o somatório da freqüência com todas as freqüências anteriores à mesma
Estatı́stica I Edezio 15

classe Fi Fac
45 ` 55 15 15
55 ` 65 30 45
65 ` 75 35 80
75 ` 85 15 95
85 ` 95 5 100
P
100

Considerando as estaturas, em cm, de 40 estudantes de uma faculdade

constatou-se que:

186 187 192 180 150 180 173 160 168 169
165 173 174 160 165 155 150 187 174 173
150 180 173 165 155 150 187 174 173 180
151 163 155 172 180 176 172 160 175 154

Pede-se:

1. O rol;

2. A distribuição para dados não agrupados;

3. A distribuição para dados agrupados.

Estatı́stica I Edezio 16

I Gráfico de distribuição de freqüência

B Variável discreta

xi Fi
1 8
2 20
3 15
4 10
5 5
P
58

Fi

20
15
10
5

1 2 3 4 5 xi
Estatı́stica I Edezio 17

B Variável Contı́nua

Classes Fi
350 ` 500 20
500 ` 650 40
650 ` 800 70
800 ` 950 120
950 ` 1100 100
1100 ` 1250 30
1250 ` 1400 10

Fi
Histograma

100

Polígono de freqüência
50

0 350 500 650 800 950 1100 1250 1400

Estatı́stica I Edezio 18

Gráfico de frequência acumulada - Ogiva

450
400
350
300
250
200
150
100
50
0
350 500 650 800 950 1100 1250 1400

3 Medidas de Tendência Central

São aquelas que nos orientam quanto a posição da distribuição no eixo x.
P
xi Fi
¤ Média Aritmética (x): x =
N
xi Fi xi Fi classes Fi xi xi Fi
1 1 1 2`6 2 4 8
2 3 6 6 ` 10 3 8 24
(i) (ii)
30 96
3 5 15 x= 11
≈ 2, 72 10 ` 14 4 12 48 x= 10
= 9, 6
4 2 8 14 ` 18 1 16 16
P P
11 30 10 96

¤ Mediana (e
x): Colocados os elementos em ordem crescente, mediana é o
valor central desses elementos.

1o caso: x variável discreta:

Se o número de elementos N for ı́mpar, a mediana será o elemento de ordem
N +1 N
2
. Caso N seja par, então a mediana será a média entre os elementos 2
e
Estatı́stica I Edezio 19

N
2
+ 1.
N N
Exemplo: N é par⇒ 2
=5e 2
+ 1 = 6, ou seja, a média entre o 5o e 6o
4+4
elementos: x
e= 2
= 4.

xi Fi Fac
3 2 2
4 5 7 ←− 5o e 6o elementos
5 3 10
P
10

2o caso: x variável contı́nua:

É dada pela fórmula:
P
N/2 − F
x
e = lmd + ·h
fmd
onde:

• lmd : limite inferior da classe mediana.

• N: número de elementos da amostra.

P
• F : soma das freqüências das classes anteriores à classe mediana.

• fmd : freqüência da classe mediana.

• h: amplitude da classe mediana.

Exemplo:

classes Fi Fac
1, 5 − 4, 5 1 1
4, 5 − 7, 5 4 5
7,5 - 10,5 5 10 ←− classe mediana
10, 5 − 13, 5 2 12
P
12
Estatı́stica I Edezio 20

1o Calcula-se: N/2 = 12/2 = 6

2o Identifica-se a classe mediana

6−5
3o Aplica-se a fórmula: x
e = 7, 5 + · 3 = 8, 1
5
¤ Moda (b
x): É o valor de xi com maior freqüência.

1o caso: x variável discreta:

Exemplo:

xi Fi
17 5
18 17
19 21 ←− x
b = 19
20 12
P
55

2o caso: x variável contı́nua:

É dada pela fórmula:

∆1
x
b = lmod + ·h
∆1 + ∆2

onde:

• lmod : limite inferior da classe modal.

• ∆1 : excesso da freqüência da classe modal sobre a da classe imediata-

mente anterior.

• ∆2 : excesso da freqüência da classe modal sobre a da classe imediata-

mente posterior.

• h: amplitude da classe modal.

Estatı́stica I Edezio 21

Exemplo:

classes Fi
1, 5 − 4, 5 1
4, 5 − 7, 5 4 1
Temos assim: x
b = 7, 5+ 1+3 ·3 ≈ 8, 3
7,5 - 10,5 5 ←− classe mediana
10, 5 − 13, 5 2
P
12

Observação: A moda pode não existir e não ser única.

Exemplo:

(a) 1, 2, 3, 4, 5, 8, 33 (amodal)

(b) 1, 2, 2, 3, 6, 7, 7, 8, 9, 12 (b
x1 = 2 e x
b2 = 7)
Estatı́stica I Edezio 22

I Medidas de dispersão:
São aquelas que nos permitem aferir o grau ao qual os dados numéricos
tendem a dispersar-se em torno de um valor médio.

¤ Amplitude Amostral ou Total: é a diferença entre o maior e o menor

valores do conjunto.

AT = xmáx − xmín

Exemplo: 2 - 3 - 5 - 5 - 5 - 8 - 10 - 12 ⇒ AT = 12 − 2 = 10.

¤ Desvio Médio (DM): é a média dos desvios absolutos da amostra.

P
|xi − x| · Fi
DM =
N
¤ Desvio Padrão (s): é o grau médio em que os dados estatı́sticos tendem
a dispersar-se em torno do valor médio. Temos dois tipos:

• Desvio Padrão Populacional (σ):

rP
(xi − x)2 · Fi
σ=
N
• Desvio Padrão Amostral (s): por motivos associados a inferência es-
tatı́stica é usual utilizar N-1 em lugar de N na fórmula acima.
rP
(xi − x)2 · Fi
s=
N −1
Esta fórmula pode ser escrita de maneira mais prática:
rP
x2i · Fi − N · x2
s=
N −1
¤ Variância (s2 ): é o quadrado do desvio padrão.

¤ Coeficiente de Variação(CV): é a variação ou dispersão real, determi-

nada a partir do desvio padrão (S), é também denominada de “dispersão
absoluta”. Seu resultado é expresso em percentagem.
Estatı́stica I Edezio 23

s
CV = · 100 para x 6= 0
x
Exemplo:

classes Fi xi xi · Fi |xi − x| |xi − x| · Fi x2i · Fi

0, 5 − 3, 5 5 2 10 5, 28 26, 40 20
3, 5 − 6, 5 6 5 30 2, 28 13, 68 150
6, 5 − 9, 5 7 8 56 0, 72 5, 04 448
9, 5 − 12, 5 4 11 44 3, 72 14, 88 484
12, 5 − 15, 5 3 14 42 6, 72 20, 16 588
P
25 − 182 − 80, 16 1690

Assim, temos:

182 80, 16
x= = 7, 28; DM = = 3, 21;
25 25
r r
1690 − 25 · (7, 28)2 365, 04 p
S= = = 15, 21 = 3, 9
24 24
3, 9
CV = · 100 = 53, 57%
7, 28
Estatı́stica I Edezio 24

¥ Propriedades do Desvio Padrão

Para as distribuições normais:

(i) 68,27% dos casos estão incluı́dos entre x − s e x + s.

68,27 %

x−s x x+s

(ii) 95,45% dos casos estão incluı́dos entre x − 2s e x + 2s.

95,45 %

x − 2s x x + 2s

(iii) 99,73% dos casos estão incluı́dos entre x − 3s e x + 3s.

99,73 %

x − 3s x x + 3s
Estatı́stica I Edezio 25

4 Exercı́cios
1. Dada a amostra: 3, 4, 4, 5, 7, 7, 7, 7, 7, 4, 5, 5, 6, 6, 7, 5, 8, 5, 6, 6,
Pede-se:

a) Construir a distribuição de frequência;

b) Determinar as frequências relativas;

c) Determinar as frequências acumuladas;

d) Construir o gráfico de frequência;

e) Qual é a amplitude amostral?

f) Qual é a porcentagem de elementos maiores que 5?

2. Determine a média aritmética, a moda e a mediana das séries:

a) 3, 4, 1, 3, 6, 5, 6;

b) 7, 8, 8, 10, 12;

c) 3; 2; 4; 0,75; 5; 2,13; 4,75.

3. Calcule para cada uma das distribuições abaixo suas respectivas média,
moda e mediana:
xi 3 4 7 8 12 xi 10 11 12 13
a) b)
Fi 2 5 8 4 3 Fi 5 8 10 6

xi 2 3 4 5 6
c)
Fi 3 9 19 25 28

4. Abaixo temos a distribuição de aluguéis de 65 casas. Determine sua

média, sua moda e sua mediana.
Estatı́stica I Edezio 26

Aluguel
1, 5 ` 3, 5 3, 5 ` 5, 5 5, 5 ` 7, 5 7, 5 ` 9, 5 9, 5 ` 11, 5
(centenas de R$)
No de casas 12 18 20 10 5

5. Dada a distribuição

Classes 68 ` 72 72 ` 76 76 ` 80 80 ` 84
Fac 8 20 35 40

determine a média.

6. Dada a tabela abaixo, referente às vendas de determinado produtos

durante certo perı́odo:

classes Fi
51 ` 59 15
59 ` 67 23
67 ` 75 51
75 ` 83 25
83 ` 91 18
91 ` 99 11
99 ` 107 4
Σ 147
Determinar:

(a) a média

(b) a mediana;

(c) a moda;

(d) o desvio-padrão;
Estatı́stica I Edezio 27

7. Considere a distribuição a seguir relativa a notas de dois alunos de es-

tatı́stica durante determinado semestre:

Aluno A 9,5 9,0 2,0 6,0 6,5 3,0 7,0 2,0

Aluno B 5,0 5,5 4,5 6,0 5,5 5,0 4,5 4,0

(a) calcule as notas médias de cada aluno;

(b) qual aluno apresentou resultado mais homogêneo? Justifique.

8. O seguinte conjunto de dados representa as “vidas” de 40 baterias de

carro da mesma marca e mesmas caracterı́sticas com aproximação até
décimos do ano. As baterias tinham garantia para 3 anos.

2, 2 4, 1 3, 5 4, 5 3, 2 3, 7 3, 0 2, 6 3, 4 1, 6
3, 3 3, 8 3, 1 4, 7 3, 7 2, 5 4, 3 3, 4 3, 6 2, 9
3, 9 3, 1 3, 3 3, 1 3, 7 4, 4 3, 2 4, 1 1, 9 3, 4
3, 8 3, 2 2, 6 3, 9 3, 0 4, 2 3, 5 3, 3 3, 1 4, 7

(a) Construa a distribuição de frequência e o histograma;

(b) Faça o gráfico da distribuição de frequências acumuladas;

(c) Calcule a média aritmética dos dados originais;

(d) Usando a distribuição de frequência conforme obtido em (a) calcule

a média novamente;

(e) Obtenha a variância para os dados originais conforme feito para a

média em c;

(f ) Obtenha a variância a partir da distribuição de frequência conforme

feito para a média no ı́tem d.
Estatı́stica I Edezio 28

obs.: use 7 intervalos de classe. Amplitude da classe igual a 0,5. E o

inı́cio do intervalo mais baixo em 1,5.

9. Considere os dados: 12, 17, 17, 17, 10, 10, 9, 9, 9, 12, 12, 6, 6, 6, 17, 17,
12, 12, 9, 9, 9, 12, 12, 12, 12. Supondo que sejam valores assumidos por
uma variável aleatória discreta X, calcule a Média, mediana e moda.

10. Duas turmas A e B com nA = 50 e nB = 80 apresentaram médias

X A = 65 e X B = 70 e variâncias s2A = 225 e s2B = 235. Qual é a turma
mais homogênea?

11. Um pesquisador dispõe das seguintes informações, a respeito dos valores

de uma amostra:

- a média de todos os valores é igual a 50,34;

- a soma dos quadrados dos valores é igual a 150.000;

- a amostra é constituı́da de 52 valores distintos.

Pergunta-se: Com essas informações é possı́vel obter alguma(s) me-

dida(s) de dispersão dos valores amostrais? Em caso afirmativo, efetue
os cálculos e obtenha a(s) respectiva(s) medida(s).

12. Os dados abaixo se referem a medidas tomadas em uma amostra de 10

cães:

Cão 1 2 3 4 5 6 7 8 9 10
Peso (kg) 23,0 22,7 21,2 21,5 17,0 28,4 19,0 14,5 19,0 19,5
Comprimento (cm) 104 105 103 105 100 104 100 91 102 99
Pede-se, para as caracterı́sticas avaliadas, peso e comprimento, as es-
tatı́sticas:
Estatı́stica I Edezio 29

(a) Média;

(b) Variância;

(c) Desvio-padrão;

(d) Coeficiente de variação;

(e) Qual das duas caracterı́sticas é a mais homogênea;

(f ) Mediana;

(g) Moda.

Respostas:

xi Fi fi Fac
3 1 1/20 1
4 3 3/20 4
1. (a), (b), (c) 5 5 1/4 9
6 4 1/5 13
7 6 2/10 19
8 1 1/20 20

Fi

6
5

4
3

3 4 5 6 7 8 xi
(d)

(e) 5; (f) 55%

Estatı́stica I Edezio 30

2. (a) x = 4; x
b1 = 3 e x
b2 = 6; x
e = 4;
(b) x = 9; x
b = 8; x
e = 8;
(c) x = 3, 09; amodal; x
e = .;

3. (a) x = 6, 8; x
b = 7; x
e = 7;
(b) x = 11, 6; x
b = 12; x
e = 12;
(c) x = 4, 8; x
b = 6; x
e = 4.

4. x = 5, 82; x
b = 5, 83; x
e = 5, 75

5. x = 75, 7

6. (a) 74,1; (b) 72,6; (c) 71,2; (d) 11,82.

7. (a) xA = 5, 62, xB = 5, 00 (b) sA = 2, 79, sB = 0, 53 ⇒ CVA =

0, 49 e CVB = 0, 10 ⇒ aluno B.

classes Fi
1, 5 ` 2, 0 2
2, 0 ` 2, 5 1
2, 5 ` 3, 0 4
8. (a)
3, 0 ` 3, 5 15
3, 5 ` 4, 0 10
4, 0 ` 4, 5 5
4, 5 ` 5, 0 3
Estatı́stica I Edezio 31

Fi
40
15
37

32

10
22

5
4
3 7
2
3
1 2
1,5 2,0 2,5 3,0 3,5 4,0 4,5 5,0 xi 1,5 2,0 2,5 3,0 3,5 4,0 4,5 5,0

Figura 1: (a) histograma Figura 2: (b) ogiva

(d) x = 3, 46; (f) s2 = 0, 49

9. x = 11, 4; x
e = 12; x
b = 12.

10. Turma B

11. s2 = 357, 3723; s = 18, 9043; CV = 37, 55%.

12. (a)x = 20.58kg e y = 101.3cm

(b) s2x = 14, 2973kg 2 e s2y = 17, 7889cm2
(c) sx = 3, 7812kg sy = 4, 2177cm
(d) CVx = 18, 37%; e CVy = 4, 16%
(e) Comprimento, pois é a que possui menor CV.
(f) x
e = 20, 35kg e ye = 102, 50cm
(g) x
b = 19, 0kg; yb1 = 100cm yb2 = 104cm e yb3 = 105cm
Estatı́stica I Edezio 32

5 Probabilidade
I EXPERIÊNCIAS ALEATÓRIAS

São muitas as atividades cientı́ficas ou cotidianas que não apresentam um

resultado previsı́vel:
E1 : Retirar uma carta de um baralho com 52 cartas e observar o seu naipe;
E2 : Jogar uma moeda 10 vezes e observar o número de caras obtidas;
E3 : Jogar um dado e observar o número mostrado na face de cima.
E4 : Adivinhar o sexo de uma criança.
E5 : Jogar duas moedas e observar o resultado.

São atividades que possuem três caracterı́sticas comuns:

i. Em todos eles, conhecemos previamente o conjunto de resultados possı́veis;

ii. Ao mesmo tempo, desconhecemos o resultado que se obterá uma vez

executada a experiência. Trata-se, portanto, de um resultado que não
se pode prever;

iii. Além disso, as experiências podem ser repetidas tantas vezes quantas
forem necessárias, em condições praticamente idênticas.

Todas as atividades que apresentam as caracterı́sticas anteriores são cha-

madas experiências aleatórias. Assim chamamos de experimento aleatório
todo experimento que, sob condições idênticas, tem resultados imprevisı́veis.

I ESPAÇO AMOSTRAL
Chamamos de espaço amostral o conjunto formado por todos os resultados
possı́veis de um experimento aleatório. Representaremos o espaço amostral
pela letra S.

Exemplos: Vamos determinar o espaço amostral dos experimentos acima:

Estatı́stica I Edezio 33

S1 = {copas, ouro, espada, paus};

S2 = {0, 1, 2, 3, ..., 9, 10};
S3 = {1, 2, 3, 4, 5, 6};
S4 = {masculino, feminino};
S5 = {(C, C), (C, K), (K, C), (K, K)}.

S pode ser finito ou infinito.

I EVENTO

Dado um espaço amostral, qualquer subconjunto formado será denomi-

nado evento, indicado pela letra E. Diremos que o evento ocorreu quando,
na realização de um experimento aleatório, o resultado obtido pertencer a
esse subconjunto. Em particular S e Ø (conjunto vazio) são eventos. S é dito
o evento certo e Ø evento impossı́vel.
Se A e B são eventos então:
S
i) A B é o evento que ocorre se ocorre A ou B ocorre ou ambos;
T
ii) A B é o evento que ocorre se A e B ocorrem;
iii) A ou AC é o evento que ocorre se A não ocorre.

Exemplos:
a) Sejam o experimento E3 e seu espaço amostral S3 . Seja A o evento
ocorrer múltiplo de 2. Então A = {2, 4, 6}.
b) Seja o experimento E5 e seu espaço amostral S5 . Seja B o evento
ocorrer pelo menos uma cara. Então B = {(C, K), (K, K), (K, C)}.

Sendo S finito com n elemento pode-se verificar que 2n é o número total de

eventos extraı́dos de S.

B EVENTOS MUTUAMENTE EXCLUSIVOS

Dois eventos A e B são denominados mutuamente exclusivos se eles não

puderem ocorrer simultaneamente, isto é, A ∩ B = Ø
Estatı́stica I Edezio 34

Exemplo: Sejam o experimento E3 e seu espaço amostral S3 . Considere

os eventos A: ocorrer número par e B: ocorrer número ı́mpar. Então A =
{2, 4, 6} , B = {1, 3, 5} e A ∩ B = Ø.

B PROBABILIDADE

Dado um espaço amostral S, a probabilidade de um evento A ocorrer, P(A),

é um a função definida em S que associa a cada evento um número real,
satisfazendo os seguintes axiomas:
i) 0 ≤ P (A) ≤ 1;
ii) P (S) = 1;
iii) Se A ∩ B = Ø então P (A ∪ B) = P (A) + P (B);
iv) Se A1 , A2 , ..., An , ..., forem dois a dois, eventos mutuamente exclusivos,
então
∞
[ ∞
X
P( Ai ) = P (Ai )
i=1 i=1

B Principais teoremas
I. P (Ø) = 0;
II. Se P (A) = 1 − P (A);
III. Se A ⊂ B então P (A) ≤ P (B);
IV. P (A ∪ B) = P (A) + P (B) − P (A ∩ B);

B Probabilidades dos Espaços Amostrais Finitos

Seja um espaço amostral finito S = {a1 , a2 , ..., an }. A cada evento simples

{ai } associamos um número pi denominada probabilidade de {ai } satisfa-
zendo as seguintes condições:
a) pi ≥ 0, i = 1, 2, ..., n;
b) p1 + p2 + ... + pn = 1.

B Espaços Amostrais Finitos Equiprováveis

Quando nós associamos a cada ponto amostral a mesma probabilidade, o

Estatı́stica I Edezio 35

espaço amostral chama-se equiprovável ou uniforme. Em particular se S

possui n pontos então a probabilidade de cada ponto será 1/n. Por outro
lado, se um evento A contém r pontos então

1 r
P (A) = r. =
n n

Assim definimos:
número de casos favoráveis n(A)
P (A) = =
número total de casos n(S)

Exemplos:

1. Escolha aleatoriamente uma carta de um baralho de 52 cartas. Sejam

os eventos: A: a carta é de ouro, e B: a carta é uma figura.
Calcular P (A), P (B), P (A ∩ B) e P (A ∪ B).

2. Se P(A) = 1/2, P(B)=1/4 e A e B são mutuamente exclusivos. Calcu-

lar:

a) P (A);

b) P (B);

c) P (A ∪ B);

d) P (A ∪ B);

e) P (A ∩ B).
Estatı́stica I Edezio 36

6 Análise Combinatória
Exemplo 1: Um dado é lançado e todos os resultados se supõe igualmente
verossı́meis. Seja A o evento: ocorre um número maior do que 4. Então
1 1
A = {5, 6} e consequentemente P (A) = 6
+ 6
= 26 .

Exemplo 2: Uma moeda ”equilibrada”é atirada duas vezes. Seja A o evento:

aparece uma cara.

Avaliação de P(A):

Incorreta: S = {0, 1, 2} onde cada resultado representa o número de caras.

Os resultados não são igualmente verossı́meis⇒ P (A) = 31 .
2 1
Correta: S = {(k, k), (k, c), (c, k), (c, c)} ⇒ P (A) = =
4 2
Observações:

(i) Escolher ao acaso um objeto, dentre N objetos (significa que cada objeto
tem a mesma probabilidade de ser escolhido).
1
P (escolher ai ) = , i = 1, 2, . . . , N
N
(ii) Escolher ao acaso dois objetos, dentre N objetos, significa que cada par
de objetos (deixada a ordem à parte) tem a mesma probabilidade de
ser escolhido que qualquer outro par.

Quantos pares diferentes existem?

I Princı́pio Fundamental da Contagem

Se determinada operação pode ser realizada de n1 maneiras distintas, e se,

para cada uma dessas maneiras, uma segunda operação pode ser realizada
de n2 maneiras distintas, então as duas operações podem ser realizadas, con-
juntamente, de n1 · n2 maneiras.
Estatı́stica I Edezio 37

Exemplo: Quantos números ı́mpares de três algarismos podemos formar

com os algarismos 1, 4, 5, 8 e 9, se cada algarismo só pode figurar uma vez?
Para o algarismo das unidades temos 3 escolhas, para o das dezenas temos 4 e
para o das centenas temos 3 escolhas. Assim, podemos formar 3 × 4 × 3 = 36
números ı́mpares de três algarismos.

I Permutações e Arranjos

Suponha que temos N objetos diferentes. De quantas maneiras poderemos

dispor(permutar) esses objetos, considerando a ordem que são colocados?
Teremos para esse caso a resposta:

PN = N ! = N × (N − 1) × (N − 2) × . . . × 3 × 2 × 1

onde definimos 0! = 1.
Agora desejamos escolher k desses N objetos, 0 ≤ k ≤ N e permutar os
k escolhidos, teremos:

N!
PN,k = = N × (n − 1) × · · · × (N − k + 1)
(N − k)!

Exemplo: Com oito bandeiras diferentes, quantos sinais feitos com três
bandeiras se pode obter?

8!
P8,3 = = 336 sinais
(8 − 3)!

I Combinações

Considere novamente N objetos diferentes. De quantas maneiras podemos

escolher k dentre esses N objetos sem considerarmos a ordem?
   
N N! N
CN,k =  = = 
k k!(N − k)! N −k
Estatı́stica I Edezio 38

Exemplo: Dentre oito pessoas, quantas comissões de três membros podem

ser escolhidas?
8!
C8,3 = = 56 comissb
oes
3!(8 − 3)!
Estatı́stica I Edezio 39

7 Exercı́cios
1. Um número inteiro é escolhido aleatoriamente dentre os números 1, 2,
3, ..., 50. Qual a probabilidade de:

(a) O número ser divisı́vel por 5;

(b) Terminar em 3;

(c) Ser primo;

(d) Ser divisı́vel por 6 ou por 8.

2. Dois dados são lançados simultaneamente. Qual a probabilidade de:

(a) A soma ser menor que 4;

(b) A soma se 9;

(c) O primeiro resultado ser maior do que o segundo.

T
3. Se P (A) = 1/2, P (B) = 1/3 e P (A B) = 1/4. Calcule:
S
(a) P (A B);
S
(b) P (A B)
T
(c) P (A B).

4. Há 100 fichas numa urna: 50 vermelhas, 30 brancas e 20 azuis. Mistu-

radas as fichas e extraı́da uma, determine:

(a) Qual a probabilidade de ser vermelha?

(b) Qual a probabilidade de ser não vermelha?

(c) Qual a probabilidade de ser vermelha ou azul?

5. Qual a probabilidade de ocorrer soma superior a sete em dois lançamentos

sucessivos de um dado?
Estatı́stica I Edezio 40

6. Qual o número de resultados possı́veis para três lançamentos de uma

moeda honesta?

7. Qual a probabilidade de ocorrer cara pelo menos uma vez em três

lançamentos de uma moeda?

8. Qual a probabilidade de não sair as faces 4 ou 5 em um lançamento de

um dado honesto?

9. Uma urna contém 50 bolas numeradas de 1 a 50. Duas delas são sortea-
das simultaneamente. Calcule a probabilidade de os números sorteados
serem ambos múltiplos de 3.

10. Uma moeda é viciada, de forma que as coroas são cinco vezes mais
prováveis de aparecer do que as caras. Determine a probabilidade de
num lançamento sair coroa.

11. Três estudantes A, B e C estão em uma competição de natação. A e

B têm as mesmas chances de vencer e, cada um, tem duas vezes mais
chances de vencer do que C. Pede-se calcular a probabilidades de A ou
C vencer.

12. Uma moeda é viciada, de maneira que as CARAS são três vezes mais
prováveis de aparecer do que as COROAS. Calcule as probabilidades
de num lançamento sair COROA.

13. Um dado é viciado, de modo que cada número par tem duas vezes
mais chances de aparecer num lançamento, que qualquer número ı́mpar.
Determine a probabilidade de num lançamento aparecer um número
primo.
Estatı́stica I Edezio 41

14. Das 10 alunas de uma classe, 3 tem olhos azuis. Se duas delas são
escolhidas ao acaso, qual é a probabilidade de ambas terem os olhos
azuis?

15. Considere o mesmo enunciado da questão anterior e calcule a probabi-

lidade de na escolha de duas alunas, nenhuma ter olhos azuis.

16. Uma urna contém bolas numeradas de 1 a 9. Sorteiam-se, com re-

posição, duas bolas. Qual é a probabilidade de que o número da se-
gunda bola seja maior do que o da primeira ?

17. De quantos modos diferentes posso arrumar 7 livros em uma estante?

18. UERJ-72 Quantos são os anagramas da palavra PAULO que começam

por P e terminam por O?

19. UFRJ - 70 Numa classe existem 10 alunas, das quais uma se chama
Maria e 6 alunos, sendo João o nome de um deles. Formaram-se co-
missões constituı́das por 4 alunas e 3 alunos. Quantas são as comissões
das quais participaram, simultaneamente, João e Maria?

20. IME-71 Cinco rapazes e cinco moças devem posar para uma fotografia,
ocupando 5 degrau de uma escadaria, de forma que em cada degrau
fique um rapaz e uma moça. De quantas maneiras diferentes podemos
arrumar este grupo?

21. UFF - 70 Num hospital existem 3 portas que dão para um amplo
saguão no qual existem 5 elevadores. Um visitante deseja se dirigir
ao 6o andar, utilizando um dos elevadores. De quantos modos poderá
fazê-lo?
Estatı́stica I Edezio 42

22. IME-71 Com 10 espécies de frutas quantos tipos de salada contendo

6 espécies diferentes podem ser feitos?

23. IME-73 Considere os algarismos 1, 2, 3, 4, 5. Uma das permutações

possı́veis destes algarismos origina o número 42351. Determine a soma
dos números formados, quando os algarismos acima são permutados de
todos os modos possı́veis.

24. CESGRANRIO-76 Em um computador digital um ”bit”é um dos

algarismos 0 ou 1 e uma ”palavra”é uma sucessão de ”bits”. Qual é o
número de ”palavras”distintas de 32 bits?

25. A diretoria de um clube esportivo é composta de 8 membros. Quantas

comissões de 4 membros que pode ser formadas, figurando sempre o
presidente e o vice-presidente do clube?

26. FGV-SP-76 Quer se criar uma comissão constituı́da de um presidente

e mais 3 membros. Sabendo-se que as escolhas devem ser feitas den-
tre um grupo de 8 pessoas, quantas comissões diferentes podem ser
formadas com essa estrutura?

Respostas:

1. (a) 1/5; (b) 1/10; (c) 3/10; (d) 0,24.

2. (a) 1/12; (b) 1/9; (c) 5/12.

3. (a) 7/12; (b) 5/12; (c) 3/4.

4. (a) 0,5; (b) 0,5; (c) 0,7.

5. 5/12

6. 8
Estatı́stica I Edezio 43

7. 7/8

8. 2/3

9. 0,098

10. 5/6

11. 3/5

12. 1/4

13. 4/9

14. 1/15

15. 7/15

16. 4/9

17. 5040

18. 6

19. C9,3 × C5,2

20. 14.400

21. 15

22. 210

23. 3.999.960

24. 232

25. 15

26. 280
Estatı́stica I Edezio 44

8 Probabilidade Condicional
Chama-se Probabilidade condicional de A dado B ou probabilidade de A se
B e representa-se por P (A/B), com P (B) > 0 a

P (A ∩ B) n(A ∩ B)
P (A/B) = =
P (B) n(B)

Da definição anterior tem-se Teorema das probabilidades compostas.

Se P (A) > 0, P (B) > 0, tem-se

P (A ∩ B) = P (A)P (B/A) = P (B)P (A/B).

Exemplo: Uma urna contém 5 bolas brancas e 8 pretas. Se forem retiradas

dessa urna 2 bolas sucessivamente, sem reposição, depois de retiradas, qual
a probabilidade de que ambas sejam brancas?

Solução: Sejam os eventos:

A = {a primeira bola é branca} e B = {a segunda bola é branca}

Queremos a ocorrência dos dois eventos, isto é,

5 4 5
P (A ∩ B) = P (A)P (B/A) = · =
13 12 39

Definição: Dois eventos A e B dizem-se mutuamente independentes se e so

se

P (A ∩ B) = P (A)P (B),

ou seja, se A e B são independentes então P (A/B) = P (A) se P (B) > 0 e

P (B/A) = P (B) se P (A) > 0.

Observação: Não confundir a noção de eventos mutuamente exclusivos com

a dos eventos independentes. Dois eventos com probabilidades diferentes de
Estatı́stica I Edezio 45

zero não podem ser tanto mutuamente exclusivos como independentes. Sa-
bemos que quando um evento mutuamente exclusivo ocorre o outro não pode
ocorrer, assim a probabilidade de o outro evento ocorrer é zero. Portanto,
eles são dependentes.
Exemplo: Um dado é lançado e, independentemente, uma carta é extraı́da
de um baralho completo (52 cartas). Qual será a probabilidade de que O
dado mostre um número par e a carta seja de um naipe vermelho?

Solução: Sejam os eventos independentes:

A = {o número é par} e B = {a carta é de naipe vermelho}

Então:
P (A ∩ B) = P (A)P (B) = 0, 5 · 0, 5 = 0, 25

Teorema: Se A e B são independentes A e B, A e B e A e B, também são

independentes.

I Partição do Espaço Amostral

Dizemos que os eventos B1 , B2 , . . . , Bn , representam uma partição do espaço

amostral S, quando:

(a) Bi ∩ Bj = ∅, para todo i 6= j;

(b) ∪ni=1 Bi = S;

(c) P (Bi ) > 0 para todo i.

Estatı́stica I Edezio 46

B Quando um experimento E é realizado um, e somente um, dos eventos Bi

ocorre.

Exemplo: Na jogada de um dado, B1 = {1, 2}, B2 = {3, 4, 5} e B3 = {6}

representam uma partição do espaço amostral, enquanto que C1 = {1, 2, 3, 4}
e C2 = {4, 5, 6} não o representam.

Seja A um evento qualquer referente a S, e B1 , B2 , . . . , Bn uma partição de S

B1
A
B5
B2
B3 B4

A = (A∩B1 )∪(A∩B2 )∪. . .∪(A∩Bn ). Como todos os eventos A∩B1 , . . . , A∩

Bn , são dois a dois mutuamente excludentes temos:

P (A) = P [(A ∩ B1 ) ∪ (A ∩ B2 ) ∪ . . . ∪ (A ∩ Bn )]

= P (A ∩ B1 ) + P (A ∩ B2 ) + . . . + P (A ∩ Bn )

= P (B1 )P (A/B1 ) + P (B2 )P (A/B2 ) + . . . + P (Bn )P (A/Bn )

B Usada para calcular P (A) quando sabemos que Bi ocorreu e podemos cal-
cular P (A/Bi ).
Estatı́stica I Edezio 47

I Teorema da Probabilidade Total: Sejam B1 , B2 , . . . , Bn eventos defi-

nindo uma partição sobre S, i.e.,

B1 ∪ B2 ∪ . . . ∪ Bn = S e Bi ∩ Bj = ∅ (i 6= j).

Se P (Bi ) > 0, então para qualquer evento A tem-se

Pn
P (A) = i=1 P (Bi )P (A/Bi ).

Exemplo 1: Consideremos o lote de 20 peças defeituosas e 80 não defeitu-

osas, do qual extrairemos 2 peças sem reposição. Qual é a probabilidade da
segunda peça extraı́da ser defeituosa?

Solução: Sejam os eventos:

B = {a primeira peça é defeituosa} e A = {a segunda peça é defeituosa}

Temos que A = (B ∩ A) ∪ (B ∩ A), ou seja,

P (A) = P [(B ∩ A) ∪ (B ∩ A)]

= P (B ∩ A) + P (B ∩ A)

= P (B)P (A/B) + P (B)P (A/B)

20 19 80 20 1
= · + · =
100 99 100 99 5
Exemplo 2: Uma determinada peça é manufaturada por 3 fábricas, diga-
mos, I, II e III. Sabe-se que I produz o dobro de peças de II, e as fábricas II e
III produziram o mesmo número de peças (durante um perı́odo de produção
especificado). Sabe-se também que 2% das peças produzidas por I e por II
são defeituosas, enquanto que 4% daquelas produzidas por III são defeitu-
osas. Todas as peças produzidas são colocadas em um depósito, e depois
Estatı́stica I Edezio 48

uma peça é extraı́da ao acaso. Qual é a probabilidade de que essa peça seja
defeituosa?

Solução: Sejam os eventos:

A = {a peça é defeituosa}
B1 = {a peça provém de I} ⇒ P (B1 ) = 0, 5, P (A/B1 ) = 0, 02
B2 = {a peça provém de II} ⇒ P (B2 ) = 0, 25, P (A/B2 ) = 0, 02
B3 = {a peça provém de III} ⇒ P (B3 ) = 0, 25, P (A/B3 ) = 0, 04

Temos que os Bi formam uma partição do conjunto de peças produzidas e

A = (A ∩ B1 ) ∪ (A ∩ B2 ) ∪ (A ∩ B3 )

P (A) = P [(A ∩ B1 ) ∪ (A ∩ B2 ) ∪ (A ∩ B3 )]

P (A) = P (A ∩ B1 ) + P (A ∩ B2 ) + P (A ∩ B3 )

P (A) = P (B1 )P (A/B1 ) + P (B2 )P (A/B2 ) + P (B3 )P (A/B3 )

P (A) = 0, 5 · 0, 02 + 0, 25 · 0, 02 + 0, 25 · 0, 04 = 0, 025

Problema: No exemplo anterior, suponha-se que uma peça seja retirada do

depósito e se verifique ser defeituosa. Qual é a probabilidade de que tenha
sido produzida na fábrica I?

I Teorema de Bayes
Sejam B1 , B2 , . . . , Bn eventos definindo uma partição do espaço amostral S e
A um evento associado a S. Também são conhecidos P (Bi ) e P (A/Bi ) para
i = 1, 2, . . . , n. A probabilidade de ocorrência de um dos eventos Bi , dado
que ocorreu o evento A é dado por:
T
P (A Bi ) P (Bi )P (A/Bi )
P (Bi /A) = = Pn i = 1, 2, . . . , n
P (A) j=1 P (Bj )P (A/Bj )
Estatı́stica I Edezio 49

Voltando ao problema proposto temos:

P (B1 )P (A/B1 )
P (B1 /A) =
P (B1 )P (A/B1 ) + P (B2 )P (A/B2 ) + P (B3 )P (A/B3 )
0, 5 · 0, 02
= = 0, 4
0, 5 · 0, 02 + 0, 25 · 0, 02 + 0, 25 · 0, 04
Exemplo 3: Num dado paı́s 10% da população sofre de uma determinada
doença: 6% de forma grave e 4% de forma moderada. Para o seu diagnóstico
é efetuado um teste que dá resultado positivo:
– com probabilidade 1 para um indivı́duo com doença na forma grave;
– com probabilidade 0.75 para um indivı́duo com doença na forma moderada;
– com probabilidade 0.05 para um indivı́duo não doente.
a) Efetuando um teste num indivı́duo ao acaso, qual a probabilidade de o
resultado ser positivo?
b) Se, para um dado indivı́duo, o resultado do teste foi positivo, qual a
probabilidade de ele ter a doença?
c) Será que existe independência entre ter a doença na forma moderada e na
forma grave? Justifique.
Solução: Sejam os eventos:

• D: ter a doença ⇒ P (D) = 0, 1;

• G: doença de forma grave ⇒ P (G) = 0, 06;

• M: doença de forma moderada ⇒ P (M ) = 0, 04.

• TP : teste positivo ⇒ P (T P/G) = 1, P (T P/M ) = 0, 75 e P (T P/D) =

0, 05

(a) Temos: T P = (T P ∩ D) ∪ (T P ∩ D) = (T P ∩ G) ∪ (T P ∩ M ) ∪ (T P ∩ D),

pois os eventos G, M e D formam uma partição do espaço amostral. Assim:
P (T P ) = P (T P/G)P (G)+P (T P/M )P (M )+P (T P/D)P (D) = 0, 134, onde
Estatı́stica I Edezio 50

P (T P ∩ G) = P (T P/G)P (G) = 1 × 0, 06 = 0, 06
P (T P ∩ M ) = P (T P/M )P (M ) = 0, 75 × 0, 04 = 0, 03
P (T P ∩ D) = P (T P/D)P (D) = 0, 05 × 0, 9 = 0, 045
P (T P ∩ D) 0, 09
(b) P (D/P T ) = = = 0, 746
P (T P ) 0, 134
(c) São dependentes, pois são mutuamente exclusivos acarretando:

P (M ∩ G) = 0 6= P (M ) · P (G)
Estatı́stica I Edezio 51

9 Exercı́cios
1. A probabilidade de que um médico faça o diagnóstico de uma doença
corretamente é de 0,7. Dado que o médico faz um diagnóstico incorreto,
a probabilidade de que o paciente entre com um processo é de 0,9. Qual
é a probabilidade de que o médico erre o diagnóstico e seja processado
pelo paciente? R.: 0,27

2. A probabilidade de que um homem casado assista a certo programa

de televisão é de 0,4 e de que uma mulher casada assista é de 0,5. A
probabilidade de que um homem assista ao programa, dado que sua
mulher assiste, é de 0,7. Determine a probabilidade de que:

(a) um casal assista ao programa. R.:0,35

(b) uma esposa assista ao programa, dado que seu marido o faça. R.:
0,875

(c) pelo menos uma pessoa do casal assista ao programa. R.: 0,55

3. Um piloto de fórmula x tem 50% de chance de vencer determinada

corrida, quando esta se realiza sob chuva. Caso não chova durante a
corrida, sua chance de vitória é de 25%. Se o serviço de meteorologia
estimar em 30% a probabilidade de que chova durante a corrida, qual
a probabilidade deste piloto ganhar esta corrida? R.: 0,325

4. Um banco local fez uma revisão de sua polı́tica de cartões de crédito

com a intenção de cancelar alguns contratos de cartões. No passado,
aproximadamente 5% dos detentores de cartão de crédito se tornaram
inadimplentes, deixando o banco incapaz de cobrar o saldo devedor.
Portanto,a gerência estabeleceu uma probabilidade a priori de 0,05 de
que qualquer portador de cartão de crédito em particular se tornará
Estatı́stica I Edezio 52

inadimplente. O banco também descobriu que a probabilidade de os

clientes que não são inadimplentes deixarem de efetuar um pagamento
mensal é 0,20. Naturalmente, a probabilidade de os inadiplentes dei-
xarem de efetuar um pagamento mensal e 1.

(a) Dado que o cliente tenha deixado de efetuar um ou mais pagamen-

tos mensais, calcule a probabilidade a posteriori de que o cliente
se torne inadimplente; R.: 0,21

(b) O banco gostaria de cancelar o cartão de crédito se a probabi-

lidade de um cliente tornar-se inadimplente for maior que 0,20.
O banco deveria cancelar o cartão se o cliente deixar de efetuar
um pagamento mensal? Por quê? R.: Sim, a probabilidade de
inadimplência é maior que 20%.

5. Em certa região do paı́s, sabe-se, baseado em experiências anteriores,

que a probabilidade de selecionar um adulto com mais de 40 anos,
com câncer, é de 0,05. Se a probabilidade de o médico diagnosticar
corretamente uma pessoa com câncer como portadora da doença é de
0,78 e a probabilidade de diagnosticar incorretamente uma pessoa sem
câncer como sendo portadora da doença é de 0,06.

(a) Qual é a probabilidade de que a pessoa seja diagnosticada com

câncer? R.: 0,0960

(b) Qual é a probabilidade de que a pessoa diagnosticada com câncer

realmente tenha a doença? R.: 040625

6. Um pacote de sementes de flores contém quatro sementes de flores

vermelhas, três de flores amarelas, duas de flores roxas e uma de flores
cor de laranja. Escolhida ao acaso duas sementes do pacote, qual a
Estatı́stica I Edezio 53

probabilidade de ambas não serem amarelas? R.: 14/15

7. Um par de dados é lançado. Se ocorrem números distintos, qual a

probabilidade da soma dos pontos ser maior que 5? R.: 22/30

8. Duas bolas são retiradas ao acaso de uma urna que contém 20 ala-
ranjadas, 7 verdes, 10 pretas e 5 brancas. Qual a probabilidade delas
serem:

a. Ambas da mesma cor? R.: 0,309

b. Pelo menos uma preta? R.: 0,42

c. De cores diferentes? R.: 0,691

9. Três moedas não viciadas são lançadas. Se ocorrem caras e coroas,

determine a probabilidade de ocorrer exatamente duas coroas. R.: 3/8

10. Um homem tem em sua mão quatro cartas vermelhas. Qual a proba-
bilidade de elas serem todas do mesmo naipe, isto é, copas ou ouros?
R.: 0,096

11. Numa classe há 10 meninos e 15 meninas. Três estudantes são selecio-
nados aleatoriamente, um após o outro. Encontre a probabilidade:

a. Dos dois primeiros serem meninos e o terceiro menina; R.: 0,098

b. Do primeiro e do terceiro serem meninos; R.: 0,15

c. Do primeiro e do terceiro serem do mesmo sexo e o segundo do sexo

oposto. R.: 0,25

12. Numa certa cidade 40% da população gostam de futebol, 25% gostam
de telenovela e 15% de ambos. Uma pessoa da cidade é selecionada
aleatoriamente:
Estatı́stica I Edezio 54

a. Se ela gosta de futebol, qual a probabilidade de também gostar de

telenovela; R.: 0,375

b. Se ela gosta de futebol, qual a probabilidade de não gostar de

telenovela; R.: 0,625

c. Qual a probabilidade de não gostar nem de futebol e nem de teleno-

vela. R.: 0,5

13. A urna I contém 3 bolas vermelhas e 5 brancas, e a urna II contém 2

bolas brancas e 6 vermelhas. Se uma bola é retirada de cada urna, qual
a probabilidade de ambas serem da mesma cor? R.: 7/16

14. A probabilidade de um indivı́duo atingir um alvo é 2/3. Se ele deve

atirar até atingir o alvo pela primeira vez. Qual a probabilidade de
serem necessários 4 tiros? R.: 2/81

15. Uma gaveta contém 5 pares de meias verdes e 8 pares de meias brancas.
Tiram-se duas meias ao acaso. Qual a probabilidade de se formar:

a. Um par verdes? R.: 9/65

b. Um par de meias da mesma cor? R.: 33/65

c. Um par com meias de cores diferentes? R.: 32/65

16. Duas lâmpadas ruins são misturadas com duas lâmpadas boas. As
lâmpadas são testadas uma a uma, até que duas ruins sejam encon-
tradas. Qual a probabilidade de que a última ruim seja encontrada
no:

a. Segundo teste; R.: 1/6

b. Terceiro teste; R.: 1/3

c. Quarto teste. R.: 1/2

Estatı́stica I Edezio 55

17. Uma caixa contém 3 bolas azuis e 5 vermelhas, e outra caixa contém
8 bolas azuis e 7 vermelhas. Extrai-se ao acaso uma bola de uma das
caixas: é azul. Qual a probabilidade de ter sido extraı́da da primeira
caixa? R.: 0,41

18. A urna I contém 2 bolas brancas e 3 pretas; a urna II, 4 brancas e 1

preta; a urna III 3 brancas e 4 pretas. Escolhe-se uma urna ao acaso e
extrai-se uma bola: é branca. Qual a probabilidade de ter sido escolhida
a primeira urna? R.: 0,25

19. Vinte peças, 12 das quais são defeituosas e 8 perfeitas, são inspeciona-
das uma após a outra. Se essas peças forem extraı́das ao acaso, qual
será a probabilidade de que:

(a) As duas primeiras peças sejam defeituosas? R.:33/95

(b) As duas primeiras peças sejam perfeitas? R.:14/95

(c) Das duas primeiras peças inspecionadas, uma seja perfeita e a outra
defeituosa? R.:48/95

20. Um dado é lançado e, independentemente, uma carta é extraı́da de um

baralho completo (52 cartas). Qual será a probabilidade de que:

(a) O dado mostre um número par e a carta seja de um naipe vermelho?

R.:1/4

(b) O dado mostre um numero par ou a carta seja de um naipe verme-

lho? R.:3/4
Estatı́stica I Edezio 56

10 Variável Aleatória
Uma variável aleatória é uma variável numérica, cujo valor medido pode
variar de uma réplica para outra do experimento.

Exemplos:

(i) Variáveis aleatórias contı́nuas: corrente elétrica, comprimento, pressão,

temperatura, tempo , voltagem, peso.

(ii) Variáveis aleatórias discretas: número de arranhões em uma superfı́cie,

proporção de peças defeituosas entre 1000 testadas, número de bits
transmitidos que foram recebidos com erro.

. Distribuição de Probabilidade

A distribuição de uma variável aleatória X, é uma descrição do conjunto das

probabilidades associadas com os valores possı́veis para X. A distribuição
de probabilidade pode ser especificada em mais de uma maneira: tabelas,
gráficos e expressões matemáticas.

. Função Distribuição de Probabilidade

Para uma variável aleatória discreta X, com valores possı́veis x1 , x2 , . . . , xn ,

a função distribuição de probabilidade é

f (xi ) = p(xi ) = P (X = xi )

. Função Distribuição Acumulada (Cumulativa)

A função distribuição cumulativa de uma variável aleatória discreta X é

F (x) = P (X ≤ x) = Σxi ≤x p(xi )

 Estatı́stica I Edezio 57

. Valor Esperado de uma Variável Aleatória

Seja X uma variável aleatória discreta, com valores possı́veis x1 , x2 , ..., xn , ...
Seja p(xi ) = P (X = xi ), i = 1, 2, ..., n, .... Então,a média ou o valor esperado
de X (ou esperança matemática de X), denotado por µ ou E(X) é definido
como
P∞
µ = E(X) = i=1 xi p(xi ).

Este número é também denominado valor médio de X, ou expectância de

X.

Observação: Se X tomar apenas um número finito de valores, a expressão

acima se torna
Pn
E(X) = i=1 xi p(xi ).

Isto pode ser considerado como uma média ponderada dos valores possı́veis
x1 , x2 , ..., xn .

.Variância de uma Variável Aleatória

Seja X uma variável aleatória discreta. Definimos a variância de de X,

2
denotada por V (X) ou σX , da maneira seguinte:
Pn
V (X) = E{[X − E(X)]2 } = i=1 [xi − E(X)]2 p(xi ).

A raiz quadrada positiva de V (X) é denominada o desvio-padrão de X, e

é denotado por σX .

Teorema: V (X) = E(X 2 ) − [E(X)]2 .

Estatı́stica I Edezio 58

Demonstração:

V (X) = E{[X − E(X)]2 }

= E{X 2 − 2XE(X) + [E(X)]2 }

= E(X 2 ) − 2E(X)E(X) + [E(X)]2

= E(X 2 ) − [E(X)]2 .

Observação: Lembrar que E(X) é uma constante.

Exemplo: O serviço meteorológico classifica o tipo de céu que é visı́vel, em

termos de graus de nebulosidade. Uma escala 11 categorias é empregada:
0, 1, 2,..., 10, onde 0 representa um céu perfeitamente claro, 10 representa
um céu completamente encoberto, enquanto os outros valores representam
as diferentes condições intermediárias. Suponha-se que tal classificação seja
feita em uma determinada estação meteorológica, em um determinado dia e
hora. Seja X a variável aleatória que pode tomar um dos 11 valores acima.
Admita-se que a distribuição de probabilidade de X seja

p(0) = p(10) = 0, 05; p(1) = p(2) = p(8) = p(9) = 0, 15; p(3) = p(4) =
p(5) = p(6) = p(7) = 0, 06

Portanto,

E(X) = 1(0, 15) + 2(0, 15) + 3(0, 06) + 4(0, 06) + 5(0, 06) + 6(0, 06) + 7(0, 06)

+8(0, 15) + 9(0, 15) + 10(0, 05)

= 5, 0
Estatı́stica I Edezio 59

11 Exercı́cios
1. Um par de dados não viciados é lançado. Seja X a variável aleatória de-
notando o menor dos dois números observados. encontre a distribuição
de probabilidade de X.

2. Uma urna contém três peças boas e duas peças defeituosas. Uma a
uma as peças são retiradas da urna, sem reposição e analisadas. O
experimento encerra quando a segunda peça defeituosa for encontrada.
A variável aleatória Y anota o número de peças retiradas da urna ao
se encerrar o experimento. Determine a distribuição de probabilidade
de Y.

3. As probabilidades de que haja em cada carro que vá a Região dos lagos
num fim de semana, 1, 2, 3, 4 ou 5 pessoas, são respectivamente 1/20,
3/5 , 3/20, 3/25, 2/25. Qual o número médio de pessoas por carro?
Se chegam a Região dos lagos 10000 carros por hora, qual o número
esperado de pessoas na região, em 4 horas de contagem?

4. Joga-se uma moeda três vezes. Se X é uma variável aleatória que

representa o número de caras. Construa uma tabela com a distribuição
de probabilidade de X.

5. Um carregamento de 7 televisores contém 2 aparelhos com defeitos.

Um hotel faz uma compra aleatória de 3 desses aparelhos. Se X é o
número de aparelhos com defeitos comprados pelo hotel, determine a
distribuição de probabilidade de X.

6. Um jogador lança um dado. Se aparecerem os números 1, 2 ou 3, recebe

R$ 10,00. Se no entanto, aparecer 4 ou 5, recebe R$ 5,00. Se aparecer
6 perde R$ 20,00. Qual o ganho médio do jogador? R.: R$ 3,33
Estatı́stica I Edezio 60

RESPOSTAS:

xi 1 2 3 4 5 6
1.
P (X = xi ) 11/36 9/36 7/36 5/36 3/36 1/36

yi 2 3 4 5
2.
P (Y = yi ) 0, 1 0, 2 0, 3 0, 4

3. Número médio de pessoas por carro é 2,58 e devem chegar em 4 horas

103200.

xi 0 1 2 3
4.
P (X = xi ) 1/8 3/8 3/8 1/8

xi 0 1 2
5.
P (X = xi ) 1/7 4/7 1/7
 Estatı́stica I Edezio 61

12 Distribuição Binomial
Suponha que peças saiam de uma linha de produção e sejam classificadas
como defeituosas (D) ou não-defeituosas (N), isto é, perfeitas. Admita que
três dessas peças, da produção de um dia, sejam escolhidas ao acaso e classifi-
cadas de acordo com esse esquema. O espaço amostral para êsse experimento,
S, pode ser assim apresentado.

S = {DDD, DDN, DN D, N DD, N N D, N DN, DN N, N N N }

Suponhamos que seja 0,2 a probabilidade de uma peça ser defeituosa

e 0,8 a de ser não-defeituosa. Admitamos que essas probabilidades sejam
as ”mesmas ” para cada peça, ao menos enquanto durar o nosso estudo.
Finalmente, admita-se que a classificação de qualquer peça em particular,
seja independente da classificação de qualquer outra peça.
Empregando essas suposições, segue-se que as probabilidades associadas
aos vários resultados do espaço amostral S, como se explicou acima, são:

(0, 2)3 , (0, 8)(0, 2)2 , (0, 8)(0, 2)2 , (0, 8)(0, 2)2 , (0, 2)(0, 8)2 , (0, 2)(0, 8)2 , (0, 2)(0, 8)2 , (0, 8)3

Desejamos estudar a variável aleatória X a qual atribui a cada resultado

s ∈ S o número de peças defeituosas encontradas em s. Conseqüentemente,
o conjunto dos valores possı́veis de X é {1, 2, 3}.
Poderemos obter a distribuição de probabilidade de X, p(xi ) = P (X =
xi ), da seguinte maneira:

X = 0 se e somente se ocorrer N N N.
X = 1 se e somente se ocorrer DN N, N DN ou N N D.
Estatı́stica I Edezio 62

X = 2 se e somente se ocorrer DDN, DN D ou N DD.

X = 3 se e somente se ocorrer DDD.

então
p(0) = P (X = 0) = (0, 8)3
p(1) = P (X = 1) = 3.(0, 2)(0, 8)2
p(2) = P (X = 2) = 3.(0, 2)2 (0, 8)
p(3) = P (X = 3) = (0, 2)3

Observe que p(o) + p(1) + p(2) + p(3) = (0, 8 + 0, 2)3 = 1.

Observando o exemplo acima temos que as seguintes hipóteses ocorrem:

(i) n provas independentes e do mesmo tipo, são realizadas;

(ii) cada prova admite dois resultados - sucesso (não-defeituosa) ou fracasso

(defeituosa);

(iii) a probabilidade de sucesso (não-defeituosa) é p e de fracasso (defeituosa)

é 1 − p.

Um experimento aleatório, consistindo em n repetições com as hipóteses

acima é chamado um experimento binomial.

Definição: Seja X uma variável aleatória que é igual ao número de sucessos

em n repetições do experimento binomial. Então sua distribuição de proba-
bilidade é denominada distribuição binomial com parâmetros p e n em que
0 < p < 1 e n = {1, 2, . . .}.
A função probabilidade de X é dada por:
 
n
p(k) = P (X = k) =   pk (1 − p)n−k , k = 0, 1, ..., n.
k
Estatı́stica I Edezio 63

Se X for uma variável aleatória binomial com parâmetros p e n, então

µ = E[X] = np e σ 2 = V [X] = np(1 − p)

Exemplo: Uma grande rede varejista compra certo tipo de equipamento

eletrônico de um fabricante. O fabricante indica que a taxa de equipamentos
com defeito é de 3%.

(a) O inspetor da rede seleciona 20 itens de um carregamento. Qual é a

probabilidade de que haja pelo menos um item defeituoso entre esses
20?

(b) Suponha que a rede varejista receba dez carregamentos por mês e o ins-
petor selecione aleatoriamente 20 equipamentos de cada carregamento.
Qual é a probabilidade de que haja três carregamentos com pelo menos
um item com defeito?

Solução: (a) Seja X a v.a. que denota o número de equipamentos defeituosos

entre os 20. X tem distribuição binomial com p = 0, 03 e n=20. Queremos
 
20
P (X ≥ 1) = 1 − P (X = 0) = 1 −   (0, 03)0 (0, 97)20−0 = 0, 4562
0

(b) Neste caso, cada carregamento pode ou não conter pelo menos um item
com defeito. Então, denotando a v.a. Y como o número de carregamentos que
contém pelo menos um item defeituoso, teremos uma distribuição binomial
com p = 0, 4562 e n=10. Portanto
 
10
P (Y = 3) =   (0, 4562)3 (1 − 0, 4562)7 = 0, 1602
3

Exercı́cios:

1. Uma moeda é jogada 10 vezes. Calcular as seguintes probabilidades:

Estatı́stica I Edezio 64

(a) de ocorrer 6 caras;

(b) de ocorrer pelo menos 2 caras;

(c) de não ocorrer nenhuma coroa;

(d) de ocorrer pelo menos uma coroa;

(e) de não ocorrer 5 coroas e 5 caras.

2. A probabilidade de um atirador acertar o alvo é 1/3. Se ele atirar 6

vezes, qual a probabilidade de:

(a) acertar exatamente 2 tiros?

(b) não acertar nenhum tiro?

Estatı́stica I Edezio 65

13 Distribuição de Poisson
Seja X uma variável aleatória discreta, tomando os seguintes valores: 0, 1, 2, ..., n, ... .
Se
e−α αk
P (X = k) = , k = 0, 1, ..., n, ... .
k!
diremos que X tem distribuição de Poisson, com parâmetro α > 0.

Observação:
P∞ P∞ e−α αk
(i) k=0 P (X = k) = k=0 k!
= e−α eα = 1.

(ii) E[X] = α e V [X] = α.

Teorema: Seja X uma variável aleatória distribuı́da binomialmente com

parâmetro p (baseado em n repetições de um experimento). Isto é,
 
n
P (X = k) =   pk (1 − p)n−k .
k

Admita-se que quando n → ∞, fique np = α (constante), ou equivalen-

temente, quando n → ∞, p → 0, de modo que np → α. Nestas condições
teremos
e−α αk
limn→∞ P (X = k) = ,
k!
que é a distribuição de Poisson com parâmetro α.

A distribuição de Poisson é uma aproximação da distribuição binomial para

n grande e p pequeno. Ela é largamente empregada quando se deseja contar o
número de eventos de um certo tipo, que ocorrem em um intervalo de tempo,
ou superfı́cie, ou volume, tais como:
(a) número de chamadas telefônias recebidas por um PBX durante um in-
tervalo pequeno de tempo;
Estatı́stica I Edezio 66

(b) número de falhas de um computador em um dia de operação;

(c) número de relatórios de acidentes enviados a uma companhia de seguros
em uma semana.

Exemplo: Um PBX recebe uma média de 5 chamadas por minuto. Supondo

que as chamadas que chegam constituam uma distribuição de Poisson, obter
a probabilidade de que o PBX não receba chamadas durante um intervalo de
1 minuto.

Solução: Segue-se que α = 5 chamadas por minuto e

e−5 50
P (X = 0) = = e−5 = 0, 0067.
0!

Por outro lado, se queremos a probabilidade de se obter no máximo 2

chamadas em 4 minutos, temos α = 20 chamadas em 4 minutos, logo,

P (X ≤ 2) = P (X = 0) + P (X = 1) + P (X = 2) =

e−20 200 e−20 201 e−20 202

= + + =
0! 1! 2!

= e−20 + 20e−20 + 200e−20 = (1 + 20 + 200) e−20

= 221e−20 ' 0
Estatı́stica I Edezio 67

14 Distribuição multinomial
É uma generalização da binomial. Consideremos a possibilidade de k alter-
nativas, isto é, repartimos o espaço amostral em k eventos A1 , A2 , ..., Ak ,
mutuamente exclusivos com probabilidade

P1 , P2 , ..., Pk (Pi = P (Ai )), tal que P1 + P2 + ... + Pk = 1.

Se xi é o número de vezes que Ai ocorre nas n repetiçòes de S, i = 1, ..., k,

temos que em n provas, a probabilidade de que A1 ocorra x1 vezes, A2 ocorra
x2 vezes ,..., Ak ocorra xk vezes é igual a:

n! Pk
P (x1 = n1 , x2 = n2 , ..., xk = nk ) = pn1 1 ...pnk k onde ni = n
n1 ! n2 !...nk ! i=1

Exemplo: Jogue um dado 8 vezes. Calcule a probabilidade de aparecer dois

números 2 e dois números 5 e os demais números uma única vez.
Solução: Sejam x1 : aparecer o 1; x2 : aparecer o 2;...; x6 : aparecer o 6.
Então

P (x1 = 1, x2 = 2, x3 = 1, x4 = 1, x5 = 2, x6 = 1) =
6! 1 1 1 1 1 1
( )1 ( )2 ( )1 ( )1 ( )2 ( )1
1!2!1!1!2!1! 6 6 6 6 6 6