INSTITUTO PEDAGÓGICO DE

MINAS GERAIS

Probabilidade
Coordenação Pedagógica – IPEMIG

Belo Horizonte
 SUMÁRIO

1. CONCEITO DE PROBABILIDADE------------------------------------------3 a 13

2. DISTRIBUIÇÃO DE PROBABILIDADES--------------------------------13 a 19

3. INSTRUMENTAL MATEMÁTICO------------------------------------------20 a 23

4. ANÁLISE DE VARIÂNCIA---------------------------------------------------24 a 35

5. NÚMEROS ÍNDICES----------------------------------------------------------36 a 47

6. FÓRMULAS----------------------------------------------------------------------48 a 49

7. REFERÊNCIAS-----------------------------------------------------------------50 a 50

8. EXERCÍCIOS--------------------------------------------------------------------51 a 54
 1

Introdução:

O cálculo das probabilidades pertence ao campo da Matemática,

entretanto a maioria dos fenômenos de que trata a Estatística são de natureza
aleatória ou probabilística. O conhecimento dos aspectos fundamentais do
cálculo da probabilidade é uma necessidade essencial para o estudo da
Estatística Indutiva ou Inferencial.

Experimento Aleatório

São fenômenos que, mesmo repetido várias vezes sob as condições

semelhantes, apresentam resultados imprevisíveis. O resultado final depende
do acaso.

Exemplo:

Da afirmação "é provável que o meu time ganhe a partida hoje" pode resultar:

 que ele ganhe;

 que ele perca;

 que ele empate.

Este resultado final pode ter três possibilidades.

Espaço Amostral

É o conjunto universo ou o conjunto de resultados possíveis de um

experimento aleatório.
 2

Exemplo:

No experimento aleatório "lançamento de uma moeda", temos o espaço

amostral {cara, coroa}.

No experimento aleatório "lançamento de um dado", temos o espaço amostral

{1, 2, 3, 4, 5, 6}.

No experimento aleatório "dois lançamentos sucessivos de uma moeda", temos

o espaço amostral:

{(ca, ca) , (co, co) , (ca, co) , (co, ca)}

Obs:

Cada elemento do espaço amostral que corresponde a um resultado recebe o

nome de ponto amostral. No primeiro exemplo:

Cara pertence ao espaço amostral {cara, coroa}.

Eventos

É qualquer subconjunto do espaço amostral de um experimento

aleatório.

Se considerarmos S como espaço amostral e E como evento: Assim,

qualquer que seja E, se E ⊂ S (E está contido em S), então E é um evento de
S.

Se E = S , E é chamado de evento certo.

 3

Se E ⊂ S e E é um conjunto unitário, E é chamado de evento

elementar.

Se E = Ø , E é chamado de evento impossível.

1. CONCEITO DE PROBABILIDADE

Chamamos de probabilidade de um evento A (sendo que A está contido no

Espaço amostral) o número real P(A), tal que:

número de casos favoráveis de A

𝑃(𝐴) =
número total de casos

OBS: Quando todos os elementos do Espaço amostral tem a mesma chance

de acontecer, o espaço amostral é chamado de conjunto equiprovável.

Exemplos:

01) No lançamento de uma moeda qual a probabilidade de obter cara em

um evento A?

1
S = { ca, co } = 2 A = {ca} = 1 P(A) = 2 = 0,5 = 50%

02) No lançamento de um dado qual a probabilidade de obter um número

par em um evento A ?

3
S = { 1,2,3,4,5,6 } = 6 A = { 2,4,6 } = 3 P(A) = 6 = 0,5 = 50%
 4

03) No lançamento de um dado qual a probabilidade de obter um número

menor ou igual a 6 em um evento A ?

6
S = { 1,2,3,4,5,6 } = 6 A = { 1,2,3,4,5,6 } = 6 P(A) = 6 = 1,0 = 100%

Obs: a probabilidade de todo evento certo = 1 ou 100%.

04) No lançamento de um dado qual a probabilidade de obter um número

maior que 6 em um evento A ?

0
S = { 1,2,3,4,5,6 } = 6 A={ }=0 P(A) = 6 = 0 = 0%

Obs: a probabilidade de todo evento impossível = 0 ou 0%

Eventos Complementares

Sabemos que um evento pode ocorrer ou não. Sendo p a probabilidade

de que ele ocorra (sucesso) e q a probabilidade de que ele não ocorra
(insucesso), para um mesmo evento existe sempre a relação:

p+q=1

Obs:

Numa distribuição de probabilidades o somatório das probabilidades atribuídas

a cada evento elementar é igual a 1 onde p1 + p2 + p3 + ... + pn = 1.
 5

Exemplos:

01) Sabemos que a probabilidade de tirar o nº 4 no lançamento de um dado

1
é p = 6. logo, a probabilidade de não tirar o nº 4 no lançamento de um

dado é:

1 5
q = 1 - p ou q = 1 - 6 = 6 .

02) Calcular a probabilidade de um piloto de automóveis vencer uma dada

corrida, onde as suas "chances", segundo os entendidos, são de "3 para
2". Calcule também a probabilidade dele perder: O termo "3 para 2"
3
significa : De cada 5 corridas ele ganha 3 e perde 2. Então p = 5
2
(ganhar) e q = 5 (perder).

Eventos Independentes

Quando a realização ou não realização de um dos eventos não afeta a

probabilidade da realização do outro e vice-versa.

Exemplo:

Quando lançamos dois dados, o resultado obtido em um deles independe do

resultado obtido no outro. Então qual seria a probabilidade de obtermos,
simultaneamente, o nº 4 no primeiro dado e o nº 3 no segundo dado?

Assim, sendo P1 a probabilidade de realização do primeiro evento e P2

a probabilidade de realização do segundo evento, a probabilidade de que tais
eventos se realizem simultaneamente é dada pela fórmula:

P(1 ∩ 2) = P(1 e 2)= P(1) . P(2)

 6

1 1
P1 = P(4 no dado 1) = 6 P2 = P(3 no dado 2) = 6

1 1 1
P(total) = P(4 no dado 1) x P(3 no dado 2) = 6 . 6 = 36

Eventos Mutuamente Exclusivos

Dois ou mais eventos são mutuamente exclusivos quando a realização

de um exclui a realização do(s) outro(s). Assim, no lançamento de uma moeda,
o evento "tirar cara" e o evento "tirar coroa" são mutuamente exclusivos, já que,
ao se realizar um deles, o outro não se realiza.

Se dois eventos são mutuamente exclusivos , a probabilidade de que um

ou outro se realize é igual à soma das probabilidades de que cada um deles se
realize:

P(1 ∪ 2) = P(1 ou 2) = P(1) + P(2)

Exemplo:

No lançamento de um dado qual a probabilidade de se tirar o nº 3 ou o

nº 4?

1 1 2 1
Os dois eventos são mutuamente exclusivos então: P = 6 + 6 = 6 = 3

Obs:

Na probabilidade da união de dois eventos A e B, quando há elementos

comuns, devemos excluir as probabilidades dos elementos comuns a A e B
(elementos de A ∩ B ) para não serem computadas duas vezes. Assim
 7

P(A ∪ B) = P(A) + P(B) - P(A ∩ B)

Exemplo:

1) Retirando-se uma carta de um baralho de 52 cartas, qual a

probabilidade da carta retirada ser ou um ÁS ou uma carta de COPAS?

4 13 1 16
P(Ás U Copas) = P(ÁS) + P(Copas) - P(ÁS ∩ Copas) = 52 + 52 - 52 = 52

Probabilidade Condicional

Se A e B são dois eventos, a probabilidade de B ocorrer , depois de A

ter acontecido é definida por:

𝐵
P (𝐴), ou seja, é chamada probabilidade condicional de B. Neste caso os

eventos são dependentes e definidos pela fórmula:

𝑩
P (A e B ) = P (A) x P(𝑨)

Exemplo:

01) Duas cartas são retiradas de um baralho sem haver reposição. Qual a
probabilidade de ambas serem COPAS?

𝐶𝑜𝑝𝑎𝑠2 13 12
P(Copas1 e Copas2) = P(Copas1) x P(𝐶𝑜𝑝𝑎𝑠1) = 52 . 51 = 0,0588 = 5,88 %

13
P(Copas1) = 52

𝐶𝑜𝑝𝑎𝑠2 12
P(𝐶𝑜𝑝𝑎𝑠1 ) = 51

Obs:

No exemplo anterior se a 1ª carta retirada voltasse ao baralho o experimento

seria do tipo com reposição e seria um evento independente.
 8

O resultado seria:

13 13
P(Copas1) x P(Copas2) = 52 . 52 = 0,625 = 6,25 %

Espaço amostral do baralho de 52 cartas:

Cartas pretas = 26

Paus = 13 (ás, 2, 3, 4, 5, 6, 7, 8, 9, 10, valete, dama, rei)

Espadas = 13 (ás, 2, 3, 4, 5, 6, 7, 8, 9, 10, valete, dama, rei)

Cartas vermelhas = 26

Ouros = 13 (ás, 2, 3, 4, 5, 6, 7, 8, 9, 10, valete, dama, rei)

Copas = 13 (ás, 2, 3, 4, 5, 6, 7, 8, 9, 10, valete, dama, rei)

TÉCNICAS DE CONTAGEM EM PROBABILIDADE

É o uso das fórmulas de análise combinatória para o cálculo do número

de casos favoráveis e o número de casos possíveis.

Arranjo com repetição (ARN,P)

AR 9,3 = 9 x 9 x 9 = 729

AR 9,2 = 9 x 9 = 81

Exemplo:

Se mil títulos entram em sorteio com os números de 000 a 999. Qual a

probabilidade:
 9

10,1 𝐴 10
a) De sair números com a dezena 24 = 1.000 = 1.000 = 0,01 ou 1%

10,2 𝐴 100
b) De sair números com a unidade 4 == 1.000 = 1.000 = 0,1 ou 10%

1
c) De sair números com a centena 323 = 1.000 = 0,001 ou 0,1%

Revisão de Fatorial:

0! = 1

1! = 1

2! = 2.1 = 2

3! = 3.2.1 = 6

4! = [Link] = 24

5! = [Link].1 = 120

Exemplos:

5! 5.4.3!
= = 20
3! 3!

3! .4! 3.2.1 .4! 3.2.1

= = = 1,2
5! 5.4! 5

𝑵!
Combinação (CN,P = 𝑪𝑵,𝑷 = )
𝑷!.(𝑵−𝑷)!
 10

15! [Link]! 15.14.13

C15,3 = 3!.(15−3)! = = = 455
[Link]! 3.2.1

Exemplos:

01) Qual a probabilidade de tirarmos 5 cartas de espadas sem reposição de

um baralho de 52 cartas?

13 12 13 11 10 9
Método tradicional: P(5 espadas) = 52 . 51 . 52 . 50 . 49 . 48 = 0,0005...

Técnica de contagem:

13!
𝐶13,5 5!.(13−5)!
P(5 espadas) = 𝐶 = 52! = 0,0005...
52,5
5!.(52−5)!

02) De 20 pessoas que se oferecem para doar sangue 15 possuem sangue

tipo B. Qual a probabilidade de, escolhendo-se 3 pessoas desse grupo
todas as 3 escolhidas tenham sangue tipo B ?

15!
𝐶 3!.(15−3)!
P(3 sangue B) == 𝐶15,3 = 20! = 0,399
20,3
3!.(20−3)!

03) Qual a probabilidade de retirarmos 2 ases em uma amostra de 5 cartas

retiradas de um baralho de 52 cartas ?

𝐶4,2 .𝐶48,3
P (2 ases) = = 0,0399
𝐶52,5

04) Qual a probabilidade de retirarmos 4 ases em uma amostra de 13 cartas

retiradas de um baralho de 52 cartas ?

𝐶4,4 .𝐶48,9 𝐶
P (4 ases) = = 𝐶 48,9 = 0,0026
𝐶52,13 52,13
 11

TEOREMA DA PROBABILIDADE TOTAL

Seja B1, B2, B3...BK um conjunto de eventos mutuamente exclusivos cuja

união forma o espaço amostral. Seja A outro evento no mesmo espaço
amostral, tal que P(A) > 0.

Então:

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

𝐴 𝐴 𝐴
P(A) = P(B1) . P(𝐵 ) + P(B2) . P(𝐵 ) + . . . P(BK) . P(𝐵 )
1 2 𝑘

Então podemos escrever a fórmula da probabilidade total como:

𝐴
P(A) = ∑ 𝑃(𝐵𝑖) . 𝑃 (𝐵 )
𝑖

Exemplo:

Segundo especialistas esportivos, a probabilidade de que o Flamengo vença o

próximo jogo é estimada em 0,70 se não chover, e só de 0,50 se chover. Se os
registros meteorológicos anunciam uma probabilidade de 0,40 de chover na
data do jogo, qual será então a probabilidade desse time ganhar o próximo jogo
?

𝐴
P(A) = ∑ 𝑃(𝐵𝑖) . 𝑃 ( )
𝐵𝑖

P(ganhar) = P(ganhar ∩ chuva ) + P(ganhar ∩ não chuva )

 12

𝑔𝑎𝑛ℎ𝑎𝑟 𝑔𝑎𝑛ℎ𝑎𝑟
P(ganhar) = P(chuva) . P( 𝑐ℎ𝑢𝑣𝑎 ) + P(não chuva) . P(𝑛ã𝑜 𝑐ℎ𝑢𝑣𝑎)

P(ganhar) = (0,40 . 0,50 ) + (0,60 . 0,70) = 0,20 + 0,42 = 0,62 ou 62%

TEOREMA DE BAYES

Sabemos que:

𝐴
P(A) = ∑ 𝑃(𝐵𝑖) . 𝑃 (𝐵 )
𝑖

𝐵 𝐵 P(A ∩ Bi)
P(A ∩ Bi) = P(A) . P( 𝐴𝑖 ) logo P( 𝐴𝑖 ) = então substituindo teremos:
P(A)

𝐴
𝐵𝑖 𝑃(𝐵𝑖) .𝑃( )
𝐵𝑖
P (𝐴) = 𝐴
que é a fórmula de Bayes
∑ 𝑃(𝐵𝑖) .𝑃( )
𝐵𝑖

Exemplo:

4
Certo professor da FACECA das vezes vai trabalhar usando um fusca e
5

usando um carro importado nas demais vezes. Quando ele usa o fusca, 75%
das vezes ele chega em casa antes das 23 horas e quando usa o carro
importado só chega em casa antes das 23 horas em 60% das vezes. Ontem o
professor chegou em casa após às 23 horas. Qual a probabilidade de que ele,
no dia de ontem, tenha usado o fusca?

B1 = usar o fusca B2 = usar carro importado A = chegar em casa após

23 horas
 13

4 1
P(B1) = 5 = 0,80 P(B2) = 5 = 0,20

𝐴 𝐴
P(𝐵 ) = 1 - 0,75 = 0,25 P(𝐵 ) = 1 - 0,60 = 0,40
1 2

𝐴
𝐵 𝑃(𝐵1 ) .𝑃( )
𝐵1
P ( 𝐴𝑖 ) = 𝐴 𝐴
𝑃(𝐵1 ).𝑃( )+𝑃(𝐵2 ) .𝑃( )
𝐵1 𝐵2

𝐵 0,80 .0,25
P ( 𝐴𝑖 ) = (0,80.0,25)+(0,20.0,40) =

𝐵 0,20
P ( 𝐴𝑖 ) = 0,20+0,08 = 0,7143 ou 71,43 %

2. DISTRIBUIÇÃO DE PROBABILIDADES

Apresentaremos neste capítulo três modelos teóricos de distribuição de

probabilidade, aos quais um experimento aleatório estudado possa ser
adaptado, o que permitirá a solução de grande número de problemas práticos.

Variável Aleatória

Suponhamos um espaço amostral S e que a cada ponto amostral seja

atribuído um número. Fica, então, definida uma função chamada variável
aleatória.
 14

Assim, se o espaço amostral relativo ao "lançamento simultâneo de duas

moedas" é S = {(ca,ca), (ca,co), (co,ca), (co,co)} e se X representa o "número
de caras" que aparecem, a cada ponto amostral podemos associar um número
para X, de acordo com a tabela abaixo:

Ponto Amostral X

(ca,ca) 2

(ca,co) 1

(co,ca) 1

(co,co) 0

Logo podemos escrever:

Número de caras (X) Probabilidade (X)

1
2
4

2
1
4

1
0
4

4
Total =1
4

Exemplo prático de uma distribuição de probabilidade:

Consideremos a distribuição de freqüências relativa ao número de

acidentes diários na Rodovia do SOL durante o mês de nov/97:
 15

Número de Acidentes freqüência

0 22

1 5

2 2

3 1

Podemos então escrever a tabela de distribuição de probabilidade:

Número de Acidentes (X) Probabilidade (X)

0 0,73

1 0,17

2 0,07

3 0,03

Total 1,00

Construímos acima uma tabela onde aparecem os valores de uma

variável aleatória X e as probabilidades de X ocorrer que é a tabela de
distribuição de probabilidades.

Funções de probabilidades: f(X) = p(X= xi)

Ao definir a distribuição de probabilidade, estabelecemos uma

correspondência unívoca entre os valores da variável aleatória X e os valores
da variável P (probabilidade). Esta correspondência define uma função onde os
valores xi formam o domínio da função e os valores pi o seu conjunto imagem.
 16

Assim, ao lançarmos um dado, a variável aleatória X, definida por "pontos de

um dado", pode tomar os valores 1,2,3,4,5 e 6. Então resulta a seguinte
distribuição de probabilidade:

X P (X)

1
1
6

1
2
6

1
3
6

1
4
6

1
5
6

1
6
6

6
Total =1
6

Distribuição Binomial

Vamos imaginar fenômenos cujos resultados só podem ser de dois tipos,

um dos quais é considerado como sucesso e o outro insucesso. Este fenômeno
pode ser repetido tantas vezes quanto se queira (n vezes), nas mesmas
condições. As provas repetidas devem ser independentes, isto é, o resultado
de uma não deve afetar os resultados das sucessivas. No decorrer do
experimento, a probabilidade p do sucesso e a probabilidade de q (q = 1 - p) do
insucesso manter-se-ão constantes. Nessas condições X é uma variável
aleatória discreta que segue uma distribuição binomial.
 17

𝑛
𝑃(𝑥) = ( ) . 𝑝𝑘 . 𝑞 𝑛−𝑘
𝑘

P(x) = é a probabilidade de que o evento se realize k vezes em n provas.

p = é a probabilidade de que o evento se realize em uma só prova = sucesso.

q = é a probabilidade de que o evento não se realize no decurso dessa prova =

insucesso.

OBS:

O nome binomial é devido à fórmula, pois representa o termo geral do

desenvolvimento do binômio de Newton.

Exemplos:

01) Uma moeda é lançada 5 vezes seguidas e independentes. Calcule a

probabilidade de serem obtidas 3 caras nessas 5 provas.

1 1 1 5
n=5 x=3 p=2 q = 1 - (2) = 2 P(x=3) = 16

DISTRIBUIÇÃO NORMAL

Entre as distribuições teóricas de variável aleatória contínua, uma das

mais empregadas é a distribuição Normal.

Muitas das variáveis analisadas na pesquisa sócio-econômica

correspondem à distribuição normal ou dela se aproximam.
 18

Propriedades da distribuição normal:

1ª - A variável aleatória X pode assumir todo e qualquer valor real.

2ª - A representação gráfica da distribuição normal é uma curva em

forma de sino, simétrica em torno da média, que recebe o nome de
curva normal ou de Gauss.

3ª - A área total limitada pela curva e pelo eixo das abscissas é igual a
1, já que essa área corresponde à probabilidade de a variável aleatória
X assumir qualquer valor real.

4ª - A curva normal é assintótica em relação ao eixo das abscissas,

isto é, aproxima-se indefinidamente do eixo das abscissas sem, contudo,
alcançá-lo.

5ª - Como a curva é simétrica em torno da média, a probabilidade de

ocorrer valor maior que a média é igual à probabilidade de ocorrer valor
menor do que a média, isto é, ambas as probabilidades são iguais a 0,5
ou 50%. Cada metade da curva representa 50% de probabilidade.

Quando temos em mãos uma variável aleatória com distribuição normal,

nosso principal interesse é obter a probabilidade de essa variável aleatória
assumir um valor em um determinado intervalo. Vejamos com proceder, por
meio de um exemplo concreto.

Exemplo:

Seja X a variável aleatória que representa os diâmetros dos parafusos

produzidos por certa máquina. Vamos supor que essa variável tenha
distribuição normal com média = 2 cm e desvio padrão = 0,04 cm. Qual a
probabilidade de um parafuso ter o diâmetro com valor entre 2 e 2,05 cm?

P ( 2 < X < 2,05) = ?

 19

Com o auxílio de uma distribuição normal reduzida, isto é, uma

distribuição normal de média = 0 e desvio padrão = 1. Resolveremos o
(x − 𝑥̅ )
problema através da variável z , onde z = .
𝑆

Utilizaremos também uma tabela normal reduzida, que nos dá a

probabilidade de z tomar qualquer valor entre a média 0 e um dado valor z, isto
é: P ( 0 < Z < z)

Temos, então, que se X é uma variável aleatória com distribuição normal

de média 𝑥̅ e desvio padrão S, podemos escrever: P(𝑥̅ < X < x ) = P (0 < Z < z)

No nosso problema queremos calcular P(2 < X < 2,05). para obter essa
probabilidade, precisamos, em primeiro lugar, calcular o valor de z que
corresponde a x = 2,05

2,05−1
z= = 1,25
0,04

Utilização da Tabela Z

Procuremos, agora, na tabela Z o valor de z = 1,25

Na primeira coluna encontramos o valor até uma casa decimal = 1,2. Em

seguida, encontramos, na primeira linha, o valor 5, que corresponde ao último
algarismo do número 1,25. Na intersecção da linha e coluna correspondentes
encontramos o valor 0,3944, o que nos permite escrever:

P (0 < Z < 1,25 ) = 0,3944 ou 39,44 %, assim a probabilidade de um

certo parafuso apresentar um diâmetro entre a média = 2cm e x = 2,05 cm é de
39,44 %.
 20

3. INSTRUMENTO MATEMÁTICO

Arredondamento de dados

Muitas vezes, é necessário ou conveniente suprimir unidades inferiores

às de determinada ordem. Esta técnica é denominada arredondamento de
dados.

De acordo com a resolução 886/66 do IBGE, o arredondamento é feito

da seguinte maneira:

1º) Quando o primeiro algarismo a ser abandonado é 0,1,2,3 ou 4, fica

inalterado o último algarismo a permanecer.

Exemplo:

53,24 passa a 53,2

44,03 passa a 44,0

2º) Quando o primeiro algarismo a ser abandonado é 6,7,8, ou 9, aumenta-

se de uma unidade o algarismo a permanecer.

Exemplo:

53,87 passa a 53,9

44,08 passa a 44,1

44,99 passa a 45,0

3º) Quando o primeiro algarismo a ser abandonado é 5, há duas soluções:

a) Se ao 5 seguir em qualquer casa um algarismo diferente de zero,

aumenta-se uma unidade ao algarismo a permanecer.

Exemplo:

2,352 passa a 2,4

25,6501 passa a 25,7

76,250002 passa a 76,3

 21

b) Se o 5 for o último algarismo ou se ao 5 só se seguirem zeros, o último

algarismo a ser conservado só será aumentando de uma unidade se
for ímpar.

Exemplos:

24,75 passa a 24,8

24,65 passa a 24,6

24,75000 passa 24,8

24,6500 passa a 24,6

Obs:

Não devemos nunca fazer arredondamento sucessivos. Exemplo: 17,3452

passa a 17,3 e não para 17,35 e depois para 17,4.

Compensação

Suponhamos os dados abaixo, aos quais aplicamos as regras do

arredondamento:

25,32 + 17,85 + 10,44 + 31,17 = 84,78

25,3 + 17,8 + 10,4 + 31,2 = 84,7

Verificamos que houve uma pequena discordância: a soma é

exatamente 84,7 quando, pelo arredondamento, deveria ser 84,8. entretanto,
para a apresentação dos resultados, é necessário que desapareça tal
diferença, o que é possível pela prática do que denominamos compensação,
conservando o mesmo número de casas decimais.
 22

Usamos "descarregar" a diferença na(s) maior(es) parcela(s). Veja:

25,3 + 17,8 + 10,4 + 31,3 = 84,8

Obs:

Se a maior parcela é igual ou maior que o dobro de qualquer outra parcela,

"descarregamos" a diferença apenas na maior parcela.

Exercícios:

01) Arredonde cada uma dos numerais abaixo, conforme a precisão pedida:

a) Para o décimo mais próximo:

 23,40 =

 234,7832 =

 45,09 =

 48,85002 =

 120,4500 =

b) Para o centésimo mais próximo:

 46,727 =

 123,842 =

 45,65 =

 28,255 =

 37,485 =

c) Para a unidade mais próxima:

 46,727 =
 23

 123,842 =

 45,65 =

 28,255 =

 37,485 =

d) Para a dezena mais próxima:

 42,3 =

 123,842 =

 295 =

 2995,000 =

 59 =

02) Arredonde para o centésimo mais próximo e compense se necessário:

0,060 + 0,119 + 0,223 + 0,313 + 0,164 + 0,091 + 0,030 = 1,000

03) Arredonde para a unidade mais próxima e compense se necessário:

4,0 + 7,6 + 12,4 + 27,4 + 11,4 + 8,0 = 70,8

 24

4. ANÁLISE DA VARIÂNCIA

A análise de variância é um teste estatístico amplamente difundido entre

os analistas, e visa fundamentalmente verificar se existe uma diferença
significativa entre as médias e se os fatores exercem influência em alguma
variável dependente.

Os fatores propostos podem ser de origem qualitativa ou quantitativa,

mas a variável dependente necessariamente deverá ser contínua.

Haja visto que trata-se de um teste bastante difundido e inúmeros bons

softwares estatísticos e planilhas eletrônicas possuem o recurso disponível,
não haverá aprofundamento desta técnica neste capítulo, sendo recomendada
literatura especializada.

A principal aplicação da ANOVA (analise of variante) é a comparação de

médias oriundas de grupos diferentes, também chamados tratamentos, como
por exemplo médias históricas de questões de satisfação, empresas que
operam simultaneamente com diferentes rendimentos, entre muitas outras
aplicações.

Existem dois métodos para calcular-se a variância: dentro de grupos

(MQG) e a variância das médias (MQR).

Em uma Anova, calcula-se esses dois componentes de variância. Se a

variância calculada usando a média (MQR) for maior do que a calculada (MQG)
usando os dados pertencentes a cada grupo individual, isso pode indicar que
existe uma diferença significativa entre os grupos.

Existem dois tipos de problemas a serem resolvidos através da Anova: a

níveis fixos ou a níveis aleatórios. A aleatoriedade determinada a questão do
problema.

Na grande maioria dos casos trata-se de níveis fixos, afinal o segundo

tipo de problema (aleatório) somente surgirá quando ocorrer um estudo
envolvendo uma escolha aleatória de fatores (em 10 lotes de produção,
escolhe-se apenas 5, entre 15 máquinas de um total de 20, por exemplo).
 25

Tabela de Análise de Variância ou tabela ANOVA.

Fonte de Variação SQ GDL MQ Teste F

MQG
Entre Grupos SQG K–1 MQG
MQR

Dentro dos Grupos SQR N-K MQR

Total SQT N-1

 SQT = SQG + SQR (mede a variação geral de todas as observações).

 SQT é a soma dos quadrados totais, decomposta em:

 SQG soma dos quadrados dos grupos (tratamentos), associada

exclusivamente a um efeito dos grupos.

 SQR soma dos quadrados dos resíduos, devidos exclusivamente

ao erro aleatório, medida dentro dos grupos.

 MQG = Média quadrada dos grupos.

 MQR = Média quadrada dos resíduos (entre os grupos).

 SQG e MQG: medem a variação total entre as médias.

 SQR e MQR: medem a variação das observações de cada grupo.

MQG
f = MQR

N–1 = (K–1) + (N–K)

 26

SQT = SQG + SQR

MQG = SQG(K–1)

A hipótese nula sempre será rejeitada quando f calculado for maior que
o valor tabelado. Da mesma forma, se MQG for maior que MQR, rejeita-se a
hipótese nula.

Quadro 1

Fonte de variação SQ (soma dos quadrados) GDL (g.l) MQ (quadrados médio)

Teste F

Entre Grupos

Dentro dos grupos

Total

Se o teste f indicar diferenças significativas entre as médias, e os níveis

forem fixos, haverá interesse em identificar quais as médias que diferem entre
si.

Calcular o desvio padrão das médias.

√𝑀𝑄𝑅
𝑆𝑥 =
𝑛𝑐

onde nc é a soma do número de cada variável (grupo) dividido pelo número de

variáveis.

Calcular o limite de decisão (Ld)

[Link]
 27

Ordenar as médias em ordem crescente ou decrescente e compara-las

duas a duas. A diferença será significativa se for maior que Ld.

Se o teste f indicar diferenças significativas entre as médias, e os níveis

forem aleatórios, haverá interesse em identificar a estimativa dos componentes
de variação.

𝑀𝑄𝐺. 𝑀𝑄𝑅
𝜎2𝑡 =
𝑛

𝜎2𝑡𝑜𝑡𝑎𝑙 = 𝜎2𝑡 + 𝑀𝑄(𝑟𝑒𝑠í𝑑𝑢𝑜)

𝜎2𝑡
𝜎2𝑡𝑜𝑡𝑎𝑙

O valor encontrado acima indicará a variabilidade total entre grupos,

indicando se é considerado significativa ou não.

Exemplo (níveis fixos):

Um pesquisador realizou um estudo para verificar qual posto de trabalho

gerava mais satisfação para o funcionário. Para isso, durante um mês, 10
funcionários foram entrevistados. Ao final de um mês os funcionários
responderam um questionário gerando uma nota para o bem estar do
funcionário.
 28

Postos

Funcionários 1 2 3

1 7 5 8

2 8 6 9

3 7 7 8

4 8 6 9

5 9 5 8

6 7 6 8

7 8 7 9

8 6 5 10

9 7 6 8

10 6 6 9
 29

RESUMO

Grupo Contagem Soma Média Variância

1 10 73 7,3 0,9

2 10 59 5,9 0,544444

3 10 86 8,6 0,488889

ANOVA

Fonte da variação SQ gl MQ F valor-P F crítico

Entre grupos 36,46667 2 18,23 28,29 2,37E-07 3,35

Dentro dos grupos 17,4 27 0,64

Total 53,86667 29

Como f calculado é maior do que o f tabelado, rejeita-se a hipótese nula

em prol da hipótese alternativa ao risco de 5%.

Há diferenças significativas entre os grupos. Observa-se que MQG é

muito superior a MQR, indicando uma forte variância entre os grupos.

1º) Calcular o desvio padrão das médias.

√𝑀𝑄𝑅
𝑆𝑥 =
𝑛𝑐
 30

2º) Calcular o limite de decisão (Ld)

[Link]

3º) Ordenar as médias em ordem crescente ou decrescente e compará-las

duas a duas.

5,9

7,3

8,6

x1 – x2 = - 1,4

x1 – x3= - 2,7

x2 – x3 = - 1,3

As três diferenças são menores que o Ld, conclui-se portanto que as

médias diferem entre si.

Regressão Linear

Regressão Linear Simples (RLS)

Em inúmeras problemáticas, o pesquisador depara-se com duas

varáveis que proporcionam previsão de comportamentos futuros. Esta previsão
pode ser alcançada através de um estudo que envolve a equação da reta de
regressão, concebida através das variáveis critério (y, dependente ou de
resposta) e a independente (x, também conhecida como prognóstico). Trata-se
de uma realidade comum no universo da pesquisa, envolvendo variáveis como
renda, idade, gastos, entre muitas outras.
 31

Equação da reta:

Y = a1 + a2.x

Onde, y é a variável dependente e x a independente.

a1 é o valore de y para x e a2.é valor médio de y por unidade x.

A relação linear entre as duas variáveis é medida pelo coeficiente de

correlação (R).

R varia de –1 a 1, onde 1 é a correlação perfeita e o oposto indica forte

correlação negativa. Valores próximos de zero indicam fraca correlação.

No exemplo abaixo, se existisse um R elevado poderia-se prever y para

eventos futuros.

Y X

Gastos com combustível Km rodados

Renda Pessoal Anos de estudo

Horas de treinamentos em
Números de defeitos de peças
qualidade

O cálculo de R é uma operação bastante simples para softwares com

funções estatísticas, sendo desnecessário o aprofundamento dos
procedimentos de calculo.

Neste tipo de análise é importante determinar o quanto a linha de

regressão representa os dados. Neste caso, se faz necessário calcular o R2 de
Pearson ou coeficiente de determinação.
 32

Um R2 igual a 0,80, tem-se que 80% da variabilidade decorre de x.

Inversamente, pode-se dizer que 20% da variância de Y não é atribuível às
diferenças em x.

Para obter-se o teste de hipótese, formula-se H0 e H1 da seguinte forma:

H0 :p = 0

H1: p ≠ 0

O cálculo de t é realizado através da formula:

𝑅√𝑛 − 2
𝑡=
√1 − 𝑅2

Sendo t calculado maior do que t tabelado, rejeita-se a hipótese nula.

Exemplo:

Um motorista deseja prever seus gastos com seu automóvel em função

dos quilômetros que roda por mês.

QUILÔMETROS GASTOS (R$)

3203 400

3203 400

2603 340

3105 400

1305 150

804 100
 33

1604 200

2706 300

805 100

1903 200

3203 400

3702 450

3203 400

3203 400

803 100

803 100

1102 130

3202 400

1604 150

1603 200

3203 400

3702 450

3403 440
 34

Estatística de regressão

R múltiplo 0,993064678

R-Quadrado 0,986177454

R-quadrado ajustado 0,985519237

Erro padrão 127,508336

Observações 23

Observando a tabela acima, percebe-se uma forte correlação entre as

variáveis, onde R está muito próximo de 1.

Quilômetros rodados explica 98% da variância de gastos.

Regressão linear múltipla (RLM)

Muitos problemas de regressão envolvem mais de uma variável

regressora. Por exemplo: a satisfação geral poder ser composta por diversas
variáveis independente tais como preço, prazo de entrega, embalagem, entre
outras.

Em virtude dos princípios da regressão múltipla serem análogos à da

regressão simples, não se abordará aqui as particularidades que envolvem a
equação geral da equação da Regressão Múltipla:

y = β0 + βx1 + β2x2 + ...+ βkxk + Σ.

Analogamente, a preocupação geral do analista nesta análise, é o R 2

que indica a variabilidade total do modelo de regressão, e os R’s que variam de
1 a –1, indicando a variabilidade total, onde haverá uma relação entre a
variável de resposta e as regressoras.
 35

O teste de hipótese baseia-se no já abordado valor do t, onde ocorre a

situação do mesmo sendo calculado e maior do que o tabelado, rejeita-se a
hipótese nula.

Exemplo:

Variáveis Coeficiente

Prazo de entrega 0,154

Envolvimento da equipe na solução de problemas 0,135

Preço praticado -0,002

Trabalho de pós venda 0,134

Embalagem 0,065

Neste exemplo real, objetivava-se mensurar o grau de satisfação dos

clientes de uma empresa distribuidora de software, onde a variável de resposta
era a satisfação geral e as regressoras eram as acima citadas (para um grupo
de fatores).

Observa-se que pouca representatividade é exercida por estas variáveis,

afinal os coeficientes pouco se afastam de zero. No entanto o R2 é elevado
(0,68), conferindo uma boa precisão no cálculo.
 36

5. NÚMEROS ÍNDICES

Os números-índices são medidas estatísticas freqüentemente usadas

por administradores, economistas e engenheiros, para comparar grupos de
variáveis relacionadas entre si e obter um quadro simples e resumido das
mudanças significativas em áreas relacionadas como preços de matérias-
primas, preços de produtos acabados, volume físico de produto etc. Mediante o
emprego de números-índices é possível estabelecer comparações entre:

a) variações ocorridas ao longo do tempo.

b) diferenças entre lugares.

c) diferenças entre categorias semelhantes, tais como produtos, pessoas,

organizações etc.

É grande a importância dos números-índices para o administrador,

especialmente quando a moeda sofre uma desvalorização constante e quando
o processo de desenvolvimento econômico acarreta mudanças continuas nos
hábitos dos consumidores, provocando com isso modificações qualitativas e
quantitativas na composição da produção nacional e de cada empresa
individualmente. Assim, em qualquer análise, quer no âmbito interno de uma
empresa, ou mesmo fora dela, na qual o fator monetário se encontra presente,
a utilização de números-índices toma-se indispensável, sob pena de o analista
ser conduzido a conclusões totalmente falsas e prejudiciais à empresa. Por
exemplo, se uma empresa aumenta seu faturamento de um período a outro,
isso não quer dizer necessariamente que suas vendas melhoraram em termos
de unidades vendidas. Pode ter ocorrido que uma forte tendência inflacionaria
tenha obrigado a empresa a aumentar acentuadamente. Os preços de seus
produtos, fazendo gerar um acréscimo no faturamento (em termos "nominais"),
o qual, na realidade, não corresponde a uma melhora de situação.
 37

Fora dos problemas gerados por alterações nos preços dos produtos, os
números-índices são úteis também em outras áreas de atuação da empresa
como, por exemplo, no campo da pesquisa de mercado. Neste caso, podem
ser utilizados nas mensurações do potencial de mercado, na analise da
lucratividade por produto, por canais de distribuição etc. Em suma, os números-
índices são sempre úteis quando nos defrontamos com análises comparativas.

Para o economista, o conhecimento de números-índices é indispensável

igualmente como um instrumento útil ao exercício profissional, quer seus
problemas estejam voltados para a microeconomia quer para a
macroeconomia. No primeiro caso, poder-se-ia citar, por exemplo, a
necessidade de se saber até que ponto o preço de determinado produto
aumentou com relação aos preços dos demais produtos em um mesmo
mercado. Se, por outro lado, o problema for quantificar a inflação, serem
preciso medir o crescimento dos preços dos vários produtos como um todo,
através do índice geral de preços.

Sob os aspectos acima considerados, pode-se vislumbrar a noção de

agregado subjacente ao conceito de número-índice. Por essa razão, costuma-
se conceber o número-índice como uma medida utilizada para proporcionar
uma expressão quantitativa global a um conjunto de medidas que não podem
ser simplesmente adicionadas em virtude de apresentarem individualmente
diferentes graus de importância.

Cada número-índice de uma série ( de números) costuma vir expresso

em termos percentuais. Os índices mais empregados medem, em geral,
variações ao longo do tempo e exatamente nesse sentido que iremos trata-los
neste capitulo. Além disso, limitaremos o estudo às suas principais aplicações
no campo de administração e de economia, as quais se situam no âmbito das
variações de preços e de quantidades.
 38

CONCEITO DE RELATIVO

A quantidade total de dinheiro gasto cada ano, em relação a certo ano

base, varia de um ano para outro devido as variações no número de unidades
compradas dos diferentes artigos e igualmente devido a mudanças nos preços
unitários de tais artigos. Temos, portanto, três variáveis em jogo: preço,
quantidade e valor, sendo este último o resultado do produto do preço pela
quantidade.

Relativo (Relação) de Preço

Trata-se do número-índice mais simples. Relacionando-se o preço de

um produto numa época (chamada época atual ou época dada) com o de uma
época o (chamada básica ou simplesmente base) teremos um relativo de
preço. Fazendo-se Pt = preço numa época atual e Po = preço na época-base,
definiremos relativo de preço pela seguinte quantidade:

𝑝𝑡
𝑝𝑜,𝑡 =
𝑝𝑜

relativo de preço, bastará multiplicarmos o quociente acima por 100.

𝑝𝑡
𝑝𝑜,𝑡 = . 100
𝑝𝑜

Exemplo:

O preço de determinando artigo em 1979 foi R$1,20 e em 1980 subiu para

R$1,38. Tomando-se por base o ano 1979, determinar o preço relativo em
1980.
 39

Solução

O ano considerado base corresponderá sempre ao índice igual a 100. Os

demais apresentarão, portanto, valores que flutua no em torno de 100.

Então:

𝑝1980 1,38
𝑝79,80 = = = 1,15 ou 115% ou simplesmente 115.
𝑝1979 1,20

Esse resultado indica que em 1980 houve um aumento de 15% no preço do

artigo com relação ao preço do mesmo artigo em 1979.

Se tivéssemos p 1980 = 112 e P1979 = 120, o relativo de preço seria:

112
𝑝79,80 = = 0,93 ou 93% ou 93.
120

Em 1980 0 artigo em questão apresentou um preço de 7% inferior ao de 1979.

Relativo (Relação) de Quantidade

Assim como podemos comparar os preços de bens, podemos também

fazê-lo em re1ação a quantidades, quer sejam elas quantidades produzidas,
vendidas ou consumidas. Se fizermos q t= quantidade de um produto na época
atual (época t) é qo = quantidade desse mesmo produto na época 0 (básica), a
quantidade relativa será o seguinte quociente:

𝑞𝑡
𝑞𝑜,𝑡 =
𝑞𝑜
 40

que representa a variação da quantidade na época t com re1ação a uma época

0 (base).

Exemplo:

Uma empresa produziu 45 toneladas de aço em 1979 e 68 toneladas em 1980.

A quantidade relativa será, tomando-se o ano de 1979 como base:

𝑞1980 68
𝑞79,80 = = = 1,51 ou 151% ou simplesmente 151.
𝑞1979 45

No ano de 1980 esta empresa aumentou sua produção de 51% em relação a

1979.

Relativo (Relação) de Valor

Se p for o preço de determinado artigo em certa época e q a quantidade

produzida ou consumida desse mesmo artigo na mesma época, então, o
produto p x q será denominado valor total de produção ou de consumo. Sendo
p t e q t respectivamente, o preço e a quantidade de um artigo na época atual
(t) e po e qo, o preço e a quantidade do mesmo artigo na época básica (0),
definimos como total o valor relativo ou simplesmente valor relativo o
quociente:

𝑣𝑡 𝑝𝑡 . 𝑞𝑡
𝑣𝑜,𝑡 = = = 𝑝𝑜,𝑡 . 𝑞𝑜,𝑡
𝑣𝑜 𝑝𝑜 . 𝑞𝑜

O fato de 𝑣𝑜,𝑡 = 𝑝𝑜,𝑡 . 𝑞𝑜,𝑡 é conhecido como propriedade da reversibilidade dos

fatores ou como critério da decomposição das causas.
 41

Exemplo:

Uma empresa vendeu, em 1970, 1000 unidades de um artigo ao preço unitário

de Cr$ 500,00. Em 1971 vendeu 2000 unidades do mesmo artigo ao preço
unitário de Cr$ 600,00.O valor relativo da venda em 1971 foi:

600.2000
𝑣70,71 = = 2,4 𝑜𝑢 240%
500.1000

Em 1971, o valor das vendas foi 140% superior ao de 1970, alguns

índices agregados não satisfazem a essa propriedade.

EMPREGO DE ÍNDICES (AGREGATIVOS) PONDERADOS

Como vimos, os índices simples apresentam algumas desvantagens, em

especial à se refere à inexistência de pesos diferentes para cada utilidade que
os compõe de acordo com sua importância relativa. No caso dos índices
ponderados, além da fórmula a ser usada para interpretar as variações de
preço e de quantidade dos bens, há o problema do critério para a fixação dos
pesos relativos de cada um deles. A ponderação proposta pelos métodos mais
usados baseia-se na participação de cada bem no valor transacionado total e é
feita, em geral, segundo dois critérios: peso fixo na época básica ou peso
variável na época atual.
 42

Índice de Laspeyres ou Método da época Básica

O índice de Laspeyres constitui uma média ponderada de relativos,

sendo os fatores de ponderação determinados a partir de preços e de
qualidades da época básica por conseguinte, no índice de Laspeyres, a base
de ponderação é a época básica, dai a denominação método da época básica.

O índice de Laspeyres de Preço e definido pela seguinte expressão:

∑ 𝑝𝑡 . 𝑞𝑜
𝐿𝑝𝑜,𝑡 =
∑ 𝑝𝑜 . 𝑞𝑜

O índice de preço, segundo o critério de Laspeyres, indica que o valor

das quantidades dos bens na época básica, aos preços do ano dado (∑ 𝑝𝑡 . 𝑞𝑜 ),
é igual a Lpo,t por cento do valor das mesmas quantidades aos preços do ano-
base; ou o valor das quantidades do ano-base variaram (Lpo,t - 100)% como
resultado de 174 variações de preço no período considerado. Se, por exemplo,
Lp78,80 = 1,40, diremos que o valor das quantidades do ano-base aumentou
40% como resultado do aumento de preços entre 78 e 80 que se compara,
portanto, é o dispêndio teórico na época atual com o dispêndio real na época
básica para se manter a mesma estrutura de compra ou de consumo da época
básica.

Pode-se observar, na expressão 21, que as quantidades da época

básica figuram como fatores de ponderação dos preços em duas épocas.
Trata-se, portanto, de um índice em que as quantidades (pesos) são fixas na
época básica. Isso não é o mesmo que dizer que a ponderação é fixa, o que se
ocorre quando os pesos independerem da base de comparação. No caso do
índice de Laspeyres, os pesos variam ao mudar a época básica, o que o
 43

caracteriza como um índice agregativo ponderado, com ponderação referida a

época básica.

O índice de Laspeyres apresenta uma tendência para exagerar a alta,

em virtude de considerar as quantidades da época atual iguais às da época
básica.

a) Índice de Quantidade

Símbolo: Lp'o,t

O índice de quantidade, pelo método de Laspeyres obtém-se permutando p e q

na expressão 21.

∑ 𝑞𝑡 . 𝑝𝑜
𝐿𝑝𝑜,𝑡 =
∑ 𝑞𝑜 . 𝑝𝑜

Neste caso, os preços da época básica são considerados os fatores de

ponderação. O índice agregativo de quantidade procura responder a seguinte
que são: se em cada uma de duas épocas forem adquiridas quantidades
diferentes de determinadas mercadorias, mas aos mesmos preços (fixos na
época básica, no caso do índice de Laspeyres), quanto se gastara na época
atual em relação ao que se gastou na época básica? Enquanto no Índice de
preço a diferença da importância gasta devia-se à variação nos preços, no de
quantidade ela se deve às variações nas quantidades adquiridas, uma vez que
os preços permanecem constantes.
 44

Índice de Paasche ou Método da Época Atual

O Índice agregativo proposto por Paasche é, na sua fórmu1a original,

uma média harmônica ponderada de relativos, sendo os pesos calculados com
base nos preços e nas quantidades dos bens na época atual. A base de
ponderação no por wt representa, então, a participação percentual do dispêndio
com o componente i na época atual em re1ação ao dispêndio total da mesma
época simbolicamente.

a) Índice de Preço

𝑝𝑡 . 𝑞𝑡
𝑤𝑡 =
∑ 𝑝𝑡 . 𝑞𝑡

Símbolo: Po,t

O índice de preços, segundo o método proposto por Paasche, é definido pela

expressão:

∑ 𝑤𝑡
𝑝𝑜,𝑡 = 𝑝
∑ 𝑜 . 𝑤𝑡
𝑝𝑡

Substituindo wt pela expressão dada acima e lembrando que

chegaremos a uma expressão mais simples.

∑ 𝑝𝑡 . 𝑞𝑡
𝑝𝑜,𝑡 =
∑ 𝑝𝑜 . 𝑞𝑡

O índice de preço de Paasche indica que o valor das quantidades dos

bens adquiridos na época atual, aos preços dessa mesma época, é igual a Po,t
por cento do valor dessas quantidades aos preços da época básica; ou o valor
das quantidades da época atual variou (Po,t - 100)% como resultado do
 45

aumento de preços no período considerado. Esse índice mede, portanto, a

relação entre o dispêndio monetário necessário para adquirir bens nas
quantidades e sistemas de preços da época atual e o dispêndio dado pelas
quantidades da época atual aos preços vigentes na época básica.

Observando a expressão acima pode-se ver que os fatores de

ponderação são as quantidades da época atual. Como a época atual é variável,
os pesos, no índice de Paasche, mudam quando as épocas atuais mudarem, o
que o caracteriza.

Como um índice agregativo com ponderações variáveis. O índice de

Paasche realça a baixa porque a ponderação é determinada pela época atual.

Uma séria limitação ao uso do índice de preço de Paasche reside no fato

de os pesos variarem em cada período, o que onera substancialmente a
pesquisa, no caso de ser difícil estimar as quantidades na época atual. Esse
fato torna proibitivo o emprego do índice de Paasche quando se deseja montar
um índice ponderado para se fazerem comparações semanais, mensais ou
mesmo trimestrais.

b) Índice de Quantidade

Símbolo: P'o,t

O índice de Paasche de quantidade é definido por:

∑ 𝑞𝑡 . 𝑝𝑡
𝑝′𝑜,𝑡 =
∑ 𝑞𝑜 . 𝑝𝑡
 46

Índice do Fischer (Índice Ideal)

O índice de Fischer, também conhecido corno forma ideal, é a média

geométrica dos números-índices de Laspeyres e de Paasche. Sob o aspecto
da ponderação, esse índice envolve os dois sistemas anteriormente adotados.
A proposta de Fischer fundamenta-se no fato de os índices que o compõem
não atenderem ao critério de decomposição das causas, além de um deles
tender a superestimar e o outro a subestimar o verdadeiro valor do índice. Esse
verdadeiro valor tenderá a ser um número superior ao fornecido pela fórmula
de Paasche e inferior ao apresentado pela fórmula de Laspeyres, o que
acontece com a média geométrica entre esses dois índices. Entretanto, o
índice de Fischer, apesar de ser chamado de ideal, nisso pode ser considerado
"perfeito". A necessidade de modificar pesos, em dada época comparada, em
decorrência do cálculo do índice de Paasche, constitui uma restrição não
desprezível ao seu emprego. Além disso, não parece ser possível determinar
especificamente o que o índice de Fischer mede, bem como estabelecer o
verdadeiro valor de um Índice perfeito, o qual serviria de elemento de
referência.

a) Índice de Preço

Símbolo: Io,t

𝑖𝑜,𝑡 = √𝐼𝑜,𝑡 . 𝑝𝑜,𝑡

Índice de Quantidade
 47

Símbolo: I'o,t

𝑖𝑜,𝑡 = √𝐿′𝑜,𝑡 . 𝑃′𝑜,𝑡

ÍNDICE DE PREÇOS DAS EXPORTAÇÕES

LATINO-AMERICANAS

ANO SÉRIE ANTIGA SÉRIE NOVA

1953 118 154

1954 115 147

1955 105 123

1956 100 111

1957 96 103

1958 90 100

1959 95 104

1960 95 105

1961 93 102

1962 91 99

1963 94 103

dados: fictícios
 48

6. FÓRMULAS

Regra de Sturges (Determinação do número de classes de uma

distribuição)

n i

3 a 5 3

6 a 11 4

12 a 22 5

23 a 46 6

47 a 90 7

91 a 181 8

182 a 362 9

Fórmula para determinar a amplitude do intervalo:

AA
h= i

 Média:

 xi f i
x
 fi

 Moda:

l L
Com intervalo de classe: Mo = 2

 Mediana:

  fi 
 2  Fant .h *
l*   
f*
Md =

 Quartil

  fi   3  fi 
 4  Fant .h *  4  Fant .h *
l*    l*   
f* f*
Q1= Q3=
 49

 Percentil

 20  f i 
 100  Fant .h *
l*   
P 20 = f *

 Desvio padrão:

2
 f i xi2   f i xi 
 
s =
 f i   f i 


 Coeficiente de variação

s
.100
CV = x

 Assimetria e Curtose


3 x  Md  Q3  Q1
s 2P90  P10 
As = C=

 Distribuição Binomial

 n  k nk
 . p .q
P ( X = k) =  k 

Coeficiente de correlação:

n  xi y i  ( xi ).( y i )
r
n  x 2
i 
 ( xi ) 2 . n  y i2  ( y i ) 2 
Ajustamento da reta:

n  xi y i   xi .  y i
a
n  xi2  ( xi ) 2 b  y  a.x
 50

7. REFERÊNCIAS

[BAC75] BACHX, Arago de C., POPPE, Luiz M. B., TAVARES, Raymundo N.

O. Prelúdio À Análise

Combinatória. São Paulo: Companhia Editora Nacional, 1975.

[BAR72] BARBOSA, Ruy Madsen. Combinatória e Probabilidades. São Paulo:

Grupo de Estudos do

Ensino da Matemática (GEEM), 1972.

[BUS86] BUSSAB, Wilton O, MORETTIN, Pedro A. Estatística Básica. 3a ed.

São Paulo: Atual,

1986.

[COS74] COSTA NETO, Pedro Luís de Oliveira, CYMBALISTA, Melvin.

Probabilidades: resumos

teóricos, exercícios resolvidos, exercícios propostos. São Paulo: Editora

Edgard Blücher , 1977.

[FEL68] FELLER, William. An Introduction to Probability Theory and Its

Applications (vol. 1). John

New York: Wiley & Sons, 1968. 509 p.

[FON80] FONSECA, Jairo Simon da, MARTINS, Gilberto de Andrade. Curso de

Estatística. São

Paulo: Atlas, 1980.

[GUE81] GUELLI, Cid A., IEZZI, Gelson, DOLCE, Osvaldo. Álgebra II: Análise
combinatória, probabilidade,

matrizes, determinantes e sistemas lineares. São Paulo: Editora Moderna,

1981.

[HAZ77] HAZZAN, Samuel. Matemática Elementar: Combinatória e

Probabilidades. São Paulo:

Atual, 1977.
 51

8. EXERCÍCIOS

Exercício 1: (PUC-SP 2010

Um aluno prestou vestibular em apenas duas Universidades. Suponha que, em

uma delas, a probabilidade de que ele seja aprovado é de 30%, enquanto na
outra, pelo fato de a prova ter sido mais fácil, a probabilidade de sua aprovação
sobe para 40%. Nessas condições, a probabilidade deque esse aluno seja
aprovado em pelo menosuma dessas Universidades é de:

A) 70%

B) 68%

C) 60%

D) 58%

Exercício 2: (PUC-RIO 2010)

Quatro moedas são lançadas simultaneamente. Qual é a probabilidade de

ocorrer coroa em uma só moeda?

A) 1/8

B) 2/9

C) 1/4

D) 1/3

Exercício 3: (PUC-RIO 2009)

Jogamos dois dados comuns. Qual a probabilidade de que o total de pontos

seja igual a 10?

A) 1/12

B) 1/11

C) 1/10

D) 2/23
 52

Exercício 4: (PUC-RIO 2008)

No jogo de Lipa sorteia-se um número entre 1 e 600 (cada número possui a

mesma probabilidade). A regra do jogo é: se o número sorteado for múltiplo de
6 então o jogador ganha uma bola branca e se o número sorteado for múltiplo
de 10 então o jogador ganha uma bola preta. Qual a probabilidade de o jogador
não ganhar nenhuma bola?

A) 13/17

B) 11/15

C) 23/30

D) 2/3

Exercício 5: (PUC-RIO 2008)

A probabilidade de um casal com quatro filhos ter dois do sexo masculino e

dois do sexo feminino é:

A) 60%

B) 50%

C) 45%

D) 37,5%

Exercício 6: (PUC-RIO 2007)

A probabilidade de um dos cem números 1, 2, 3, 4, ..., 100 ser múltiplo de 6 e

de 10 ao mesmo tempo é:

A) 3%.

B) 6%

C) 2%.

D) 10%.
 53

Exercício 7: (UFMG 2009)

Dois jovens partiram do acampamento em que estavam, em direção à

Cachoeira Grande e à Cachoeira Pequena, localizadas na região, seguindo a
trilha indicada neste esquema:

Em cada bifurcação encontrada na trilha, eles escolhiam, com igual

probabilidade, qualquer um dos caminhos e seguiam adiante. Então, é
CORRETO afirmar que a probabilidade de eles chegarem à Cachoeira
Pequena é:

A) 1/2

B) 2/3

C) 3/4

D) 5/6

Exercício 8: (UFMG 2008)

Considere uma prova de Matemática constituída de quatro questões de

múltipla escolha, com quatro alternativas cada uma, das quais apenas uma é
correta. Um candidato decide fazer essa prova escolhendo, aleatoriamente,
uma alternativa em cada questão. Então, é CORRETO afirmar que a
probabilidade de esse candidato acertar, nessa prova, exatamente uma
questão é:

A) 27/64

B) 27/256

C) 9/64

D) 9/256

Exercício 9: (FUVEST 2009)

Dois dados cúbicos, não viciados, com faces numeradas de 1 a 6, serão

lançados simultaneamente. A probabilidade de que sejam sorteados dois
números consecutivos, cuja soma seja um número primo, é de:

A) 2/9
 54

B) 1/3

C) 4/9

D) 5/9

Exercício 10: (ADVISE 2009)

O quadro funcional de uma empresa é composto de 35 pessoas efetivas e 15

pessoas prestadoras de serviços. Do pessoal efetivo 20 são homens e do
pessoal prestador de serviço 5 são mulheres. Escolhendo aleatoriamente uma
pessoa dessa empresa, a probabilidade dessa pessoa ser homem ou prestar
serviço é:

A) 1/5

B) 7/10

C) 9/10

D) 3/5

Exercício 11: (UFPR 2010)

Em uma população de aves, a probabilidade de um animal estar doente é 1/25.

Quando uma ave está doente, a probabilidade de ser devorada por predadores
é 1/4, e, quando não está doente, a probabilidade de ser devorada por
predadores é 1/40. Portanto, a probabilidade de uma ave dessa população,
escolhida aleatoriamente, ser devorada por predadores é de:

A) 1,0%

B) 2,4%

C) 4,0%

D) 3,4%