JOSÉ FÉLIX

M AT E R I A L D E A P O I O A
C A D E I R A D E E S TAT Í S -
TICA
Copyright © 2021 José Félix

First printing, May 2021

Conteúdo

Introdução a Estatística 13

Organização e apresentação de dados 17

Medidas de posição e dispersão 27

Introdução ao cálculo de probabilidades 41

Variável aleatória discreta 61

Variável aleatória contínua 71

Modelos de regressão 75

Bibliografia 77
Lista de Figuras

1 Gráfico de barras das compras dos refrigerantes 20

2 Gráfico de setores das compras dos refrigerantes 21
3 Histograma dos eleitores 25
4 Polígono de distribuição dos eleitores 26

5 Elementos dum diagrama de caixa 33

6 Diagrama de caixa dos salários dos 18 funcionários 33

7 Um par de dados 42
8 Diagrama de árvore para o experimento acerca da moeda e dado 42
9 Diagrama de árvore para o experimento nascimento de 3 filhos 42
10 Baralho padrão de jogo de carta 45
11 Diagrama de venn sobre funcionário usando óculos ou chapeu 47
12 Diagrama de venn para eventos mutuamente exclusivos 49
13 Ilustração do teorema de probabilidade total 55

14 Número de chamadas (Discreta) 61

15 Horas gastas em chamadas (contínua) 62
16 Traços passivo-agressivo 63
17 Tabela de distribuição 64

18 PDF e CDF da distribuição logistica. A probabilidade P(-2 <X<2) é

indicada pela zona sonbreada na PDF e a altura das chavetas na CDF 73
19 PDF e CDF da distribuição Rayleigh. A probabilidade P(X>2) é in-
dicada pela zona sonbreada na PDF e a altura das chavetas na CDF 73
Lista de Tabelas

1 Compra de 50 refregerantes 19
2 Distribuição de frequências da compra de refrigerante 19
3 Distribuição de frequências relativas e percentual da compra de re-
frigerante 20
4 Distribuição de frequências dos dados sobre dispensa por doença 21
5 Exemplo de tabela de distribuição de frequência com classes 21
6 Idades de 40 eleitores 22
7 Tabela de distribuição de frequências para idades de eleitores 23
8 Tabela de distribuição de frequências para idades de eleitores 24
9 Limites e fronteiras das classes 25

10 Tabela de distribuição de frequências para idades de eleitores 30

11 Tabela de distribuição de frequências para idades de eleitores 34
12 Tabela dos desvios dos preços de arroz 36
13 Tabela dos desvios e soma dos quadrados dos desvios dos preços
de arroz 36

14 Registo de produtos na prateleira sem serem vendidos 45

15 Insatisfação de trabalhadores com suas atividades laborais 46
16 Estado das promoções da força policial nos últimos dois anos 51
17 Probabilidade conjunta para as promoções 52

18 Tab. de deistribuição de frequências 63

19 Distribuição de probabilidade 64
 9

Dedicado para todos meus professores e

estudantes.
CONTEÚDO 11
Introdução a Estatística

Resenha histórica do surgimento e desenvolvimento da Estatística

Os primeiro estudos estatísticos foram realizados em 2238 a.c a mando do imperador chinês YAO.
A palavra Estatística quer dizer Ciência do Estado. Desde a antiguidade os estados recolhiam dados
sobre os seus habitantes com o objetivo principal de cobrar impostos, tributos e recrutar jovens para o
exército. A princípio, essa recolha de dados se resumia em recenseamento da população. Com o desenvol-
vimento dos estados modernos, a partir do renascimento, a Estatística começa adquirir uma importância
cada vez maior e no decurso dos sec. XVII e XVIII os estados começaram a realizar censos populacionais e
a recompilação sistemática de dados demográficos, sociais e econômicos.
Até ao sec. XIX a Estatística era uma ciência descritiva que utilizava medidas e gráficos para sintetizar
dados sociais e econômicos. A partir do sec. XIX se foi transformando paulatinamente numa ciência
normativa para extrair conclusões de dados, prever a evolução de variáveis e guiar a tomada de decisões
em situações de incertezas com a introdução do conceito de PROBABILIDADE. O surgimento da estatística
como ciência se consegue graças a introdução do conceito de probabilidade nos jogos de azar por Pascal
e Fermat, a necessidade de estimar características de uma população a partir de uma amostra com a
introdução da curva normal por Gauss, invenção dos métodos para medir a relação entre variáveis sociais
(Correlação) por Francis Galton y Karl Pearson.
No sec. XX a Estatística torna-se uma ciência aplicada em vários campos da ciência com os avanços
conseguidos na Inglaterra por Ronald Fisher, Egon Pearson e Jersy Neyman, originando o surgimento de
várias disciplinas como Econometria, Biometria ou Psicometria. Atualmente, a Estatística é provável mente
uma das ciências mais utilizadas e estudadas em todos os campos do conhecimento humano.
O desenvolvimento computacional deu origem ao cálculo estatístico computacional mais elaborado pois
facilitaram a coleção e agregação de dados; Os computadores produzem relatórios mais exatos e permitem
análise mais tedeosas bem como cálculos matemáticos mais complexos em curto espaço de tempo.
A Estatística surgiu fundamentalmente pela necessidade de estimar quantidades desconhecidas a partir
das amostras.

O método estatístico e suas etapas

Método ciêntifico é um processo por meio do qual informações ciêntificas são colectadas, analisadas e
reportadas afim de se produzir resultados não enviesados e replicáveis com a finalidade de se fornecer
uma representação correta do fenómeno observado. O objectivo de qualquer estudo estatístico consiste
em colectar dados e depois tomar decisões baseada nos resultados obtidos a partir desses dados. Para se
desenhar um estudo estatístico podemos seguir as seguintes etapas:
14 material de apoio a cadeira de estatística

X Identificar de interesse e a população do estudo

X Desenvolver um plano detalhado para se colectar os dados. Se usarmos uma mostra devemos garantir
que a mesma seja representativa.

X Colectar os dados

X Descreve os dados, usando técnias da estatística descritiva

X Interpreta os dados e tome decisões acerca da população usando a estatística inferêncial

X Identifique quaisquer problemas

Objecto de Estudo da Estatística

A Estatística é a arte e ciência da coleta, análise, apresentação e interpretação de dados afim de se tomar
decisões. A informação fornecida pela colheita, análise, apresentação e interpretação de dados permite
aos decisores conhecerem melhor o ambiênte do problema em análise permitindo a tomada de melhores
decisões.

Relações da Estatística com as outras ciências

Devido a sua grande aplicabilidade e vasta abrangência, a Estatística é usada em várias ciências, abaixo
destacamos as seguintes áreas:
Economia Os economistas fornecem previsões sobre o futuro da econômia. Por exemplo na previsão
das taxas de inflação são usadas informações estatísticas em indicadores tais como o preço do índice dde
produção, taxa de desemprego e utilização da capacidade de produção.
Contabilidade Firmas d Contabilidade usam procedimentos de amostragem quando conduzem audito-
rias para os seus clientes. Por exemplo suponha que uma firma pretende determinar se as contas a receber
no balanço dum cliente representam verdadeiramente as contas a receber, verificar e validar todas contas
presentes no balanço torna-se muito demorado e custoso. Prática comum nessas situações consiste em
tomar uma parte das contas que se denomina de amostra, depois da revisão dessa amostra a equipa de
auditoria pode tirar conclusões se as contas a receber são aceitáveis ou não.
Sistemas de informação Os administradores de sistemas de informação são responsáveis pelas opera-
ções diárias das redes de computdaores de uma organização. Uma variedade de informações estatisticas
ajudam os administradores acederem o desempenho da rede e de seus componentes. Estatísticas tais como
o número médio de usuários no sistema, a proporção de tempo que qualquer componente do sistema
está fora de serviço e proporção de largura de banda nos diferentes periódos do dia são informações que
ajudam os administradores do sistema entender e gerir melhor a rede de computador.
Recursos humanos A Estatística tem grande importância na área de análise dos recursos humanos,
pois as pessoas são extremamente emprevisíveis. Para se entender, capturar e prever a aleatoriedade do
nosso mundo podemos usar a Estatística. Por exemplo usando a análise estatística podemos prever que
funcionário possui maior probabilidade de deixar a empresa, estimar se estamos a premiar justamente
certos empregados e descobrir enviezamento no nosso processo de recrutamento.
 introdução a estatística 15

Conceitos básicos

A Estatística como qualquer outra ciência possui seu próprio vocabulário. A seguir apresentaremos alguns
conceitos que serão muito útil no resto da abordagem deste material:
Dados são factos e figuras colectadas, analisadas e sumariadas para apresentação e interpretação.
População é conjunto completo de todos os indivíduos, objectos ou valores que o investigador está
interessado em estudar. E o número total desses elementos denominamos de volume da população e denota-
se com a letra N.
Amostra é uma parte da população. E o número de elemento na mostra amostra denomina-se volume da
amostra e denota-se com a letra n
Recenseamento ou censo é um estudo estatístico realizado sobre toda a população.
Sondagem é um estudo estatístico realizado a partir de uma amostra.
Parâmetros são descrições numéricas de características da população.
Estatísticas são descrições numéricas de características da amostra.
A Estatística possui dois ramos fundamentais: Estatística descritiva e inferêncial.
Estatística descritiva é a parte da Estatística que se ocupa da da coleta, análise, apresentação e interpre-
tação de dados.
Estatística inferêncial é a parte da Estatística que se ocupa do estudo das características da população a
partir duma amostra extraida dela.
Organização e apresentação de dados

Para se organizar e apresentar os dados é necessário saber qual é a

natureza dos dados a serem usados. O tipo de dados determina os
procedimentos estatisticos que podem ser conduzidos. Nesta capítulo
falaremos de alguns conceitos e classificação dos dados. Os dados
podem ser classificados por tipos e níveis de medição.

Variáveis estatisticas

Quanto ao nível ou escala de medição os dados podem ser classifica-

dos como nominal, ordinal, intervalar e razão.
DEFINIÇÃO
Escala nominal escala de medida para uma variável quando os
dados são legendas ou nomes usados para identificar um atributo
dum elemento. Dados nominal podem ser numéricos ou não
numéricos.

DEFINIÇÃO
Escala ordinal escala de medida para uma variável quando os
dados apresentam propriedades duma variável nominal e a ordem
ou classificação dos dados tem significado. Dados ordinal podem
ser numéricos ou não numéricos.

DEFINIÇÃO
Escala intervalar escala de medida para uma variável quando os
dados apresentam propriedades duma variável ordinal e os inter-
valos entre valores é expresso em termos de medidas de unidades
fixas. Dados intervalares são sempre numéricos.

DEFINIÇÃO
Escala razão escala de medida para uma variável quando os da-
dos apresentam propriedades duma variável intervalar e a razão
entre dois valores tem significado. Dados neste nível são sempre
numéricos.
Quanto ao tipo os dados podem ser qualitativos (categóricas) ou
18 material de apoio a cadeira de estatística

quantitativas.
DEFINIÇÃO
Dados qualitativos ou categóricos consistem de atributos, legen-
das ou entradas não numéricas.

DEFINIÇÃO
Dados quantitativos consistem de mediçóes numéricas ou conta-
gem.

DEFINIÇÃO
Variáveis Categóricas ou qualitativas são aquelas que contêm
dados categóricos ou qualitativos, são obtidos a partir de dados no
nível nominal ou ordinal.

DEFINIÇÃO
Variáveis quantitativas são aquelas que contêm dados quantitati-
vos, são obtidos a partir de dados no nível intervalar ou razão. São
oriúndo de medições ou contagem.
As Variáveis quantitativas podem ser discretas ou contínuas.
DEFINIÇÃO
Variáveis Quantitativas Discretas são Variáveis cujos valores
são expressos por números inteiros. Resulta normalmente de
contagem.

DEFINIÇÃO
Variáveis Quantitativas contínuas são Variáveis cuja escala dos
seus valores correspondem ao conjuntos R. É obtida a partir de
mediçóes.

DEFINIÇÃO
Dados brutos são informações obtidas em primeira mão, isto é,
dados não possuêm nenhum tipo de organização.

DEFINIÇÃO
Rol simples é uma maneira de organizar os dados brutos de
modo que eles fiquem em ordem (crescente ou decrescente).
 organização e apresentação de dados 19

Sumariação de variáveis Categóricas

DEFINIÇÃO
O número de vezes que uma observação aparece no conjunto
de dados é denominado de frequência ou frequência absoluta e
representa-se por F.
Tabela de distribuição de frequência é um resumo tabular dos
dados mostrando o número (frequência) de items em cada uma de
várias classes não sobrepostas.
Tabela 1: Compra de 50 refrege-
rantes
Exemplo 1 Um vendedor registou a venda de 50 marcas de refrigerantes Coca-Cola Blue Pepsi
nomeadamente Coca-Cola, Sprite, Fanta, Pepsi e Blue. A tabela 1 resume Blue Coca-Cola Coca-Cola
Fanta Orange Blue Pepsi
as vendas registadas. Constroi a tabela de distribuição de frequências e Pepsi Coca-Cola Fanta Orange
Interprete os resultados. Sprite Coca-Cola Blue
Coca-Cola Coca-Cola Sprite
Coca-Cola Blue Coca-Cola
Blue Coca-Cola Sprite
Para se construir a tabela de distribuição de frequências contamos
Pepsi Coca-Cola Coca-Cola
o número de vezes que cada marca de refrigerante aparece na tabela Coca-Cola Pepsi Coca-Cola
1: Coca-Cola aparece 19 vezes, Blue 8 vezes, Fanta Orange 5 vezes, Sprite Fanta Orange Pepsi
Pepsi Coca-Cola Coca-Cola
Pepsi 13 vezes e Sprite 8 vezes. Esses dados estão sumariados na Coca-Cola Pepsi Fanta Orange
tabela de distribuição de frequências na tabela 2 Coca-Cola Blue Pepsi
Pepsi Pepsi Pepsi
Olhando para tabela 2 podemos verificar que Coca-Cola é a marca
Coca-Cola Fanta Orange Pepsi
mais vendida, depois vem a Pepsi seguida da Blue ao passo que Sprite Blue
Sprite e Fanta Orange estão empatadas na quarta posição.
Quando estámos interessados na proporção ou percentagem dos Tabela 2: Distribuição de
items em cada classe usámos a frequência relativa. frequências da compra de
DEFINIÇÃO refrigerante
Refrigerante Frequência
Frequência Relativa duma classe igual á proporção ou fração Coca-Cola 19
de elementos pertencentes a uma classe e representa-se por f ou Blue 8
Fanta Orange 5
fr. Para um conjunto de dados com n observações, a frequência
Pepsi 13
relativa é obtida pela seguinte expressão: Sprite 5
Total 50
Frequência da classe
Frequência relativa duma classe = (1)
n
Frequência percentual é obtida multiplicando a frequência rela-
tiva por 100.
A tabela de distribuição de frequências relativas (percentual) mostra
o resumo dos dados apresentando as frequências relativas (percentu-
ais).
A tabela 3 mostra as frequências relativas e percentuais dos dados
da tabela 1. A partir da coluna das frequências percentuais podemos
inferir que 38% das vendas de refrigerante foram da marca Coca-
Cola, 16% da Blue e assim sucessivamente.
20 material de apoio a cadeira de estatística

Refrigerante Frequência relativa Frequência percentual

19
0.38 × 100 = 38 Tabela 3: Distribuição de
Coca-Cola 50 = 0.38
8 frequências relativas e percen-
Blue 50 = 0.16 0.16 × 100 = 16
5
0.1 × 100 = 10 tual da compra de refrigerante
Fanta Orange 50 = 0.1
13
Pepsi 50 = 0.26 0.26 × 100 = 26
5
Sprite 50 = 0.1 0.1 × 100 = 10

Total 1 100

Gráficos estatísticos

Gráfico de barras é um gráfico para sumariar as distribuições de

frequências, frequência relativas ou percentuais. Num dos eixos do
gráfico (geralmente horizontal) colocamos os valores das classes
(categorias) e no outro eixo podemos representar as frequências
absolutas, relativas ou percentuais.
Construção do gráfico de barras

1. Constroi a tabela de distribuição de frequências

2. Traçar os eixos coordenados pondo os valores da variável no

eixo das abcissas e as frequências no eixo das ordenadas

3. Traçar barras com alturas proporcionais a altura das frequências

4. As barras devem estar igualmente distanciadas. Isso evidencia a

15

falta de magnitude aos valores das abcissas.

Compras

10

5. Adicionar um título ao gráfico

5
0

Coca−Cola Blue Fanta Pepsi Sprite

Refrigerantes

Figura 1: Gráfico de barras das

compras dos refrigerantes

O gráfico de setores é outro gráfico que serve para representar as

frequências relativas ou percentuais para dados categóricos.
 organização e apresentação de dados 21

Construção do gráfico de sectores

1. Constroi a tabela de distribuição de frequências

2. Traçar um círculo

3. Calcular os ângulos centrais ao círculo multiplicando cada

frequência relativa por 360°. Representar os ângulos dentro do
círculo.

4. É aconselhável distinguir as cores dos sectores e colocar-se

as percentagem ou rótulo em cada sector. Para se eliminar os
rótulo é necessário a inclusão das legendas.

5. Adicionar um título ao gráfico

Coca−Cola 38 %

Se círculo possuí 360° e sendo que a frequência relativa da Coca-

Cola é 0.38, o seu sector no gráfico 5 é dado por 0.38 × 360 = 136.8. Os
Blue 16 %

outros sectores obtém-se de forma análoga.

Os valores numéricos apresentados em cada sector podem ser Sprite 10 %

frequência absoluta, relativa ou percentual. Fanta 10 %

Pepsi 26 %

Sumariação de variáveis Quantitativas

No caso de dados com poucos valores distintos as definições apre-
sentadas na seção para dados categóricos também se aplicam para Figura 2: Gráfico de setores das
variáveis quantitativas. compras dos refrigerantes

Exemplo 2 Os dados abaixo representam o número de vezes que pessoas

Tabela 4: Distribuição de
numa empresa pediram para se ausentarem nos últimas 6 semanas. Constroi
frequências dos dados sobre
a tabela de distribuição de frequências
dispensa por doença
2, 2, 0, 0, 5, 8, 3, 4, 1, 0, 0, 7, 1, 7, 1, 5, 4, 0, 4, 0, 1, 8, 9, 7, 0 Dias Frequência Dias Frequência
0 12 5 8
1, 7, 2, 5, 5, 4, 3, 3, 0, 0, 2, 5, 1, 3, 0, 1, 0, 2, 4, 5, 0, 5, 7, 5, 1 1 8 6 0
2 5 7 5
Como temos apenas poucos (10) valores distintos podemos repre- 3 4 8 2
4 5 9 1
sentar numa tabela de distribuição de frequências onde cada valor
distinto será associado a sua frequência. A tabela 4 mostra a tabela
de frequências absolutas.
Mas na maior parte dos casos devemos ter muito cuidado pois por
se tratar de variável quantitativa o número de valores distintos pode
ser muito grande tornando-se custoso. Neste caso, divide-se os dados
em grupos denominados de classes.
Tabela 5: Exemplo de tabela de
As classes possuêm um limite inferior que representa o menor nú-
distribuição de frequência com
mero que a classe pode conter e um limite superior que representa o
classes
menor número que a classe pode conter. Classe Frequência, F
51-55 12
56-60 4
61-65 8
66-70 3
22 material de apoio a cadeira de estatística

Na tabela 5 podemos verificar que os limites inferiores são (51, 56,

61, 66) e os limites superiores são (55, 60, 65, 70).

A largura duma classe é a distância entre os limites inferiores (ou

superiores) de classes consecutivas. Para a tabela 5 a largura da
classe é 6 − 1 = 5.

Amplitude é a distância entre o valor máximo e mínimo dos dados:

A = xmax − xmin (2)

Construção duma tabela de distribuição de frequência com

dados agrupados

1. Decide o número de classes a incluir na distribuição de frequên-

cia.

2. Determine a amplitude da classe fazendo: Determine a âm-

plitude dos dados, divide o limite dos dados pelo número de
classes e arredonda ao próximo número conveniente.

3. Encontre os limites inferiores das classes. Pode-se usar a ob-

servação mínima dos dados como o limite inferior da primeira
classe. Para se encontrar os restantes limites inferiores, adicione
a amplitude dos dados ao limite inferior da classe precedente.
Depois encontre o limite superior da primeira classe. Recorde
que as classes não podem sobrepor-se. Encontre os restantes
limites superiores.

4. Conta o total de elementos em cada classe e guarda os totais na

terceira coluna da tabela.

Exemplo 3 Os dados na tabela 6 representam as idades dos eleitores dum

determinado partido político. Determine a tabela de distribuição de frequên-
cias usando 6 classes. Dica de estudo Numa tabela de
distribuição de frequências é desejável
que todas classes tenham a mesma
Solução Para se construir a tabela de distribuição as vezes é necessá- amplitude ou largura. Nas nossas
aulas usaremos sempre como primeiro
rio criar um rol simples 1 limite inferior da primeira classe a
Abaixo temos o rol dos dados da tabela 6. observação mínima. Mas pode-se usar
um valor que seja ligeiramente inferior
a observação mínima.
18 21 25 28 30 30 30 31 34 35
38 38 38 39 40 40 40 41 41 42
Tabela 6: Idades de 40 eleitores
43 43 46 47 47 47 49 51 51 52
60 21 40 43
53 58 59 60 60 63 67 68 68 74 67 30 41 47
39 47 47 46
25 30 35 40
34 28 40 52
43 58 49 60
63 53 42 38
18 41 31 38
68 59 68 51
51 38 30 74
1
 organização e apresentação de dados 23

1. O número de classe já veio dado no enunciando, k = 6.

2. O valor mínimo dos dados é 18 e a máxima é 74, logo a âmplitude

(A) é 74 − 18 = 56

Amplitude dos dados (A)

Largura da classe (w) = (3)
número de classes (k)

56
w= = 9.3, Arredondamos sempre para cima 10
6

Dicas de estudo Se o valor da ampli-

tude da classe for um número inteiro
3. A observação mínima dos dados é um limite mínimo conveniente usámos o próximo número para que
todos número cabem nas classes.
para a primeira classe. Para se obter os restantes 5 limites inferior
adiciona a largura da classe de 10 com os limites inferiores ante-
riores. O valor da segunda classe obtido subtraindo 1 ao limite
Limite inferior Limite superior
inferior da segunda classe, 28 − 1 = 27. Para se obter os outros
18 27
limite superiores faz-se 27 + 10 = 37, 37 + 10 = 47, 47 + 10 = 57, 28 37
57 + 10 = 67 e 67 + 10 = 77 38 47
48 57
58 67
68 77
4. A partir de rol simples podemos contar o número de observações
ou elementos pertencentes a cada uma das classes. Por exemplo Dica de estudo Os valores dis limites
a classe 18 − 27 possuí 3 elementos. A tabela 7 mostra a tabela não precisa coincidir com os valores
observados na amostra
completa.

Idades F
18-27 3 Tabela 7: Tabela de distribuição
de frequências para idades de
28-37 7
38-47 16 eleitores
48-57 5
58-67 6
68-77 3
24 material de apoio a cadeira de estatística

Informações adicionais para tabela de distribuição de frequências

DEFINIÇÃO
Ponto médio é a soma dos limites inferiores e superiores duma
classe dividido por dois.

limite superiores + limite inferior

Ponto médio = (4)
2
Frequência relativa duma classe é a porção ou percentagem dos
dados que recaí sobre essa classe. Para se obter a frequência
relativa divide-se a frequência pelo número de observações n

Frequência (F)
Frequência relativa (f) = (5)
número de observações (n)
Frequência acumulada duma classe é a soma das frequências
dessa classe e de todas classes anteriores. A última frequência
acumulada é igual n.

Exemplo 4 A partir dos resultados da tabela 7 determine os pontos mé-

dios, as frequências relativas e as frequências acumuladas. Interprete os
resultados.

Solução Para as 2 primeiras classes essas medidas são calculadas da

seguinte forma:
Classe F Ponto médio Frequência relativa Frequência acumulada
18-27 3 27+2 18 = 22.5 3
40 = 0.075 3
37+28 7
28-37 7 2 = 32.5 40 = 0.175 10
O resto dos valores estão apresentados na tabela 8

Idades Frequência, F Ponto médio Frequência Frequência

relativa, f acumulada Tabela 8: Tabela de distribuição
18-27 3 22.5 0.075 3 de frequências para idades de
eleitores
28-37 7 32.5 0.175 10
38-47 16 42.5 0.4 26
48-57 5 52.5 0.125 31
58-67 6 62.5 0.15 37
68-77 3 72.5 0.075 40
ΣF = 40 Σf = 1

Interpretação Vê-se claramente que a maior franja de eleitores 0.4 ou

40% de eleitores deste partido tem idades entre 38 á 47 anos, e que
apenas 7.5% possuêm idades abaixo de 30.
 organização e apresentação de dados 25

Gráficos estatisticos
Nesta seção veremos alguns gráficos estatisticos para dados quantita-
tivos, isto é gráficos para variáveis no nível intervalar ou razão.

histograma é um gráfico de barras que possuí as seguintes caraterísti-

cas:
1. O eixo horizontal contém dados quantitativos e representam os
valores das observações

2. No eixo vertical são representados os valores das frequências.

3. Barras consecutivas devem tocar-se.

Para que as barras do histograma não se toquem devemos usar as
fronteiras das classes.
DEFINIÇÃO
Dica de estudo Se os limites da classe
Fronteira duma classe são os números que separam as classes sem são números inteiros, para se obter a
formar espaços vazios entre eles. fronteira inferior subtrai-se ao limite
inferior 0.5 e para a fronteira superior
Fronteira ou limite real inferior duma classe é obtido pela média adiciona-se ao limite superior 0.5
do limite inferior desta classe e o limite superior da classe anterior.
Fronteira ou limite real superior duma classe é média do limite
superior desta classe e o limite inferior da classe seguinte.
Na tabela 9 temos as fronteiras dos dados do exemplo 3.

16
Figura 3: Histograma dos eleito-
15
res
Frequência (Número de eleitores)

10

5
5

3 3

Tabela 9: Limites e fronteiras

0
das classes
22.5 32.5 42.5 52.5 62.5 72.5
Idade dos eleitores classes Limites reais
ou fronteiras
18-27 17.5-27.5
A partir do histograma podemos verificar que três terços dos 28-37 27.5-37.5
eleitores têm idades superior à 40 anos. 38-47 37.5-47.5
48-57 47.5-57.5
58-67 57.5-67.5
68-77 67.5-77.5
26 material de apoio a cadeira de estatística

Polígono de frequência também é um gráfico usado para dados no

nível intervalar ou razão. É semelhante ao histograma mas em vez de
barras, são usados pontos formados sobre as marcas ou ponto médio
de cada classe na altura correspondente a sua frequência. Traça-se
uma linha que une cada ponto formado, essa linha é prolongada até
encontrar os eixos das abcissas nos pontos médios das duas classes
que teriamos antes da primeira classe e depois da última classe.

Figura 4: Polígono de distribui-

15 ção dos eleitores

10
votos

20 40 60 80
Eleitores

Pondemos ver que as frequências dos votos dos eleitores cresce até
16 e depois desce.
Medidas de posição e dispersão

Depois de abordarmos técnicas que nos permitem sumariar e repre-

sentar graficamente os dados, agora veremos técnicas ou medidas
que permitem elaborar afirmações quantitativas sobre um conjunto
de dados.
Isto é importante, pois, por exemplo estámos a viver em tempos
de pandemia e aulas em muitas instituições de ensino superior
estão sendo administradas em grupos. Como podemos comparar o
aproveitamento de estudantes em cada grupo? Normalmente isto é
feito calculando a média das avaliações de cada grupo e compará-las.
A medida calcula faz parte das medidas de tendência central.
Outra característica que é muito útil quantificar é a variabilidade
dos dados. Como podemos avaliar se o programa aplicado nesta fase
de pandemia (aulas em grupos) beneficia os estudantes. Será que
os benefícios são distribuidos uniformamente ou variam entre os
estudantes? Se varia, quão grande é essa variabilidade?
Nesta seção falaremos das medidas de tendência central e disper-
são.

Medidas de posição

As medidas de posição são medidas que representam valores típicos

ou partes dos elementos do conjunto de dados. Elas dividem-se em
dois grupos: medidas de tendência central e medidas de tendência
não central ou separatrízes.

Medidas de tendência central

As medidas de tendência central representam um valor típico ou

central do conjunto de dados. As medidas de tendência central mais
comum são a média, a mediana e a moda.
28 material de apoio a cadeira de estatística

DEFINIÇÃO
Média dum conjunto de dados é soma de todos elementos divi-
dido pelo número de elementos. Para calcular a média usa-se uma
das seguintes fórmulas:

∑x
População µ= (6)
N

∑x
Amostra x= (7)
N
Onde N representa o volume da população, n o volume amosta e
a letra sigma (∑) a soma e µ lê-se miú.

Exemplo 5 O preço (em kwanzas) de arroz praticado em diferentes pontos

de vendas foram alistados. Qual é o preço médio do arroz? 100 150 95 200
70 180 100 300

Solução A soma dos preços é:

∑ x = 100 + 150 + 95 + 200 + 70 + 180 + 100 + 300 = 1195
Para se encontrar a média dos preços divide-se essa soma pelo
número de preços na amostra.
x = ∑Nx = 1195
8 ≈ 149.3
Logo, o preço médio é de 149.30 kwanzas.
DEFINIÇÃO

Mediana é o valor que se encontra no centro dos dados quando

os dados estão ordenados. A mediana divide um conjunto de
dados ordenados em duas partes iguais. Quando o volume dos
dados (ordenados) é um número ímpar a mediana é o valor cen-
tral, se o volume for um número par a mediana é media entre os
dois valores centrais. Algebricamente, para um conjunto de dados
ordenados x1 , x2 , ..., xn tem-se
x n + x n +2
2 2
n é par : xmed = (8)
2

n é ímpar : xmed = x n+1 (9)

2

Exemplo 6 Encontre a mediana para dados sobre os preços de arroz.

Solução Primeiro temos de ordenar os preços 70 95 100 100 150 180

200 300 e como n = 8 é par temos
x n + x n +2 x 8 + x 8+2
2 2 2 2 x4 + x5 100+150
xmed = 2 = 2 = 2 = 2 = 125
 medidas de posição e dispersão 29

o quarto elemento (preço) é 100, logo a mediana é de 100 kwanzas.

Exemplo 7 Qual é a mediana se o preço 300 fosse retirado da lista?

Solução Neste caso os dados ordenados seriam apenas 70 95 100 100

150 180 200 e como n = 7 é um número impar temos
xmed = x n+1 = x 7+1 = x4 = 100
2 2
Logo, a mediana é igual a 125 kwanzas.
DEFINIÇÃO
Moda é elemento com maior frequência num conjunto de dados.
Um conjunto de dados pode possuír uma moda, mais de uma
moda ou sem nenhuma moda.
Um conjunto de dados com duas
modas chama-se bimodal. Se todos
elementos têm a mesma frequência o
Exemplo 8 Qual é a moda para os dados sobre o preço do arroz? conjunto de dados não possuí moda.

Solução Ordenando os dados ajuda a encontrar a moda

70 95 100 100 150 180 200 300
Como 100 kwanzas tem frequência 2 e os restantes preços têm
frequência 1, logo a moda é 100. Apesar da média, a mediana e
a moda representarem valores típicos do conjunto de dados, eles
têm vantagens e desvantagens. A média é uma medida confiável
porque leva em conta todos valores do conjunto de dados mas é
muito afetado pela presença de valores extremos2 . 2

Valores extremos são todos elementos

que estão muito distantes dos restantes
Média ponderada e média para dados agregados elementos do conjunto de dados.

DEFINIÇÃO
Média ponderada é a média dum conjunto de dados cujo elemen-
tos possuêm pesos diferentes. A média ponderada é dada por

∑ x.ω
x= (10)
∑ω
onde ω é o peso de cada elemento de x

Exemplo 9 A nota final da cadeira de Métodos quantitativos é obtida a

partir de quatro fontes: Participações (10%), trabalhos (10%), prova obriga-
tória (20%) e exame (60%) Suponha que as suas notas foram participações
(8), trabalhos (11), prova obrigatória (15) e exame (10). Se o mínimo para
transitar for 10, tiraste notas suficientes para transitar?

Solução Comece por escrever as suas notas numa tabela Na quarta coluna (x.ω) multiplicamos
as notas pelos seus pesos
30 material de apoio a cadeira de estatística

Fonte Nota, x Peso, ω x.ω

Participações 8 0.1 0.8
Trabalhos 11 0.1 1.1
Prova obrigatória 15 0.2 3.0
Exame 10 0.6 6.0
∑ω = 1 ∑ xω = 10.9

∑ x.ω
x=
∑ω
10.9
=
1
= 10.9

Como a sua nota é de 10.9 terias nota para transitar na cadeira de

Métodos quantitativos.
DEFINIÇÃO
Média duma tabela de distribuição de frequência (dados agrega-
dos) é aproximada por
∑ x. f
x= (11)
n
onde x e f são os pontos médios e as frequências das classes
respetivamente e n = ∑ F é o número de elementos nos dados.

Exemplo 10 Qual é a média aproximada das idades dos eleitores nos dados
da tabela 8

Solução

Idades Frequência, F Ponto médio, x x.F

18-27 3 22.5 67.5 Tabela 10: Tabela de distribui-
ção de frequências para idades
28-37 7 32.5 227.5
38-47 16 42.5 672 de eleitores
48-57 5 52.5 262.5
58-67 6 62.5 375
68-77 3 72.5 217.5
∑ = 40
F ∑ x.F = 1822

∑ x.F
x=
n
1822
=
40
= 45.55

A média dos votos dos eleitores é de aproximadamente 45.55

votos.
 medidas de posição e dispersão 31

Mediana para dados agregados

O cálculo (aproximado) da mediana para dados agregados pode ser
efetuado buscando o percéntil de 50 ou simplesmente P50 .

Moda para dados agregados

Quando os dados estão agregados a moda é obtida pela fórmula

Fm − Fm−1
xmod = x L + ×i (12)
2Fm − Fm−1 − Fm+1

onde

• x L é o limite inferior real da classe modal3 . 3

Classe modal é a classe que possuí
maior frequência.
• Fm é a frequência da classe modal.
• Fm−1 é a frequência da classe antes da classe modal.
• Fm+1 é a frequência da classe depois da classe modal.

Exemplo 11 Qual é a moda aproximada das idades dos eleitores nos dados
da tabela 8

Solução Para se encontrar a moda seguimos os seguintes passos:

1. Determina a classe modal. A classe com maior frequência é 38-47

2. Determine o limite real inferior. Este limite pertence a classe que

possuí maior frequência. Logo x L = 38 − 0.5 = 37.5

3. Determine as frequências da classe modal, depois da classe modal

e antes da classe modal. A partir da tabela 8 podemos verificar
que Fm = 16, Fm−1 = 7 e Fm+1 = 5

4. Substituir os valores obtidos nos passos 1,2 e 3 e na fórmula 12

16 − 7
xmod = 37.5 + × 10
2 × 16 − 7 − 5
= 42

Separatrízes ou medidas de tendência não central

DEFINIÇÃO
Separatrizes são pontos de cortes dividindo uma distribuição de
frequência em partes iguais e são comumente denominados de
quantís.
Os 3 quantís mais conhecidos são quartís, decís e percéntil.
32 material de apoio a cadeira de estatística

DEFINIÇÃO
Percéntil é um valor na escala de medida abaixo do qual uma per-
centagem específica dos dados recai na distribuição Assim sendo
50o percéntil ou simplesmente P50 é o valor na escala de medida
abaixo do qual 50% dos dados recai na distribuição. São quantís
que dividem uma distribuição de frequência em cem partes iguais.
Cálculo de percéntil para dados brutos
Para se encontrar o 100p percentil amostral dum rol de dados de
tamanho n segue-se os seguintes passos:

1. Ordenar os dados em ordem crescente

2. Se np não é um número inteiro, então o elemento dos dados xc , o k-ésimo percéntil é o valor x, isto
é, xk que corresponde a frequência
onde c é o próximo número inteiro maior que npé o percéntil K
cumulativa de FacP = 100 × N onde N é
100p. o tamanho da amostra e k é o percéntil
desejado (ex: P50 =⇒ K = 50)
3. Se np é um número inteiro, então a média dos valores nas
posições np e np + 1 é o valor do percéntil 100p
Dica de estudo Qualquer quantil
pode ser expresso em termos de
DEFINIÇÃO percénitl, por exemplo o primeiro
quartil (Q1 ) equivale a ao 25º percentil
Quartís Os percentis 25, 50 e 75 são denominados de quartís, divi- (P25 )
dem uma distribuição de frequência em quatro partes iguais cada
contendo 25% dos dados.

Exemplo 12 Encontre os quartís para os seguintes 18 valores de dados, que

representam os salários ordenados de 18 funcionários da empresa Óculos
122, 126, 133, 140, 145, 145, 149, 150, 157, 162, 166, 175, 177, 177,
183, 188, 199, 212

Solução Como os dados já estão ordenados vamos para o passo 24 4

Aqui teremos de calcular os percen-
P25 =⇒ p = 0.25, tem-se np = 18 × 0.25 = 4.5, logo o P25 é o termo tis nas nas posições 25, 50 e 75 que
representam os quartís
localizado na 5ª posição , isto é P25 = 145 Como 4.5 não é um número inteiro,
P50 =⇒ p = 0.5, tem-se np = 18 × 0.5 = 9, logo5 o P50 = x9 +2x10 = tomamos 5 que é proximo número
157+162
= 159.5. inteiro
2 5
Como 9 é um número inteiro, toma-
P75 =⇒ p = 0.75, tem-se np = 18 × 0.75 = 13.5, logo o P75 é o mos a média dos valores nas posições
valor na 14ª posição, isto é P75 = 177. np = 9 e np + 1 = 10

DEFINIÇÃO
Decís Os percentis 10, 20, 30, 40, 50, 60, 70, 80 e 90 são denomi-
nados de decís, dividem uma distribuição de frequência em dês
partes iguais cada contendo 10% dos dados.

Exemplo 13 Para o exemplo 12 encontre os valores dos decís.

 medidas de posição e dispersão 33

Diagrama de caixa
Diagrama de caixa ou boxplot é um gráfico usado para se fazer
uma análise exploratória dos dados para se visualizar a distribuição
numérica (variação dos dados) dos dados e assimetria através da
representação gráfica dos quartís e médias.
O diagrama de caixa mostra o resumo dos 5 números dum rol de
dados. O diagrama de caixa tem uma reta denominada whisker ou
fio de bigode, que se prolonga vertical ou horizontalmente a partir
da caixa, indicando a variabilidade fora do quartil superior e do
quartil inferior. Os valores extremos ou atipicos são representados
por pontos individuais. Os espaços entre as diferentes partes da caixa
indicam o grau de dispersão e os valores extremos6 6
Em alguma literatura os valores
extremos ou atípicos também sáo
denominados de outliers
Figura 5: Elementos dum
diagrama de caixa, fonte:
[Link]/wiki/
Diagrama_de_caixa

Exemplo 14 Encontre o diagrama de caixa para o exemplo 12.

Solução Como o diagrama de caixa necessita do resumo dos 5

números, sendo que os mesmos são haviam sido calculados a partir
do problema anterior podemos simplesmente representá-los no
diagrama:

Figura 6: Diagrama de caixa

200

dos salários dos 18 funcionários

180
Salários

160

140

120

0.75 1.00 1.25

x

O diagrama de caixa mostra que a distribuição dos salários é

ligeiramente assimétrica a direita7 , existe maior variabilidade dos 7
Se a maior parte das observações estão
concentradas na parte esquerda/abaixo
da escala, então a distribuição é assi-
métrica a esquerda e vice-versa. Se a a
distribuição é simetrica, as observações
estarão igualmente divididas na média
34 material de apoio a cadeira de estatística

dados na terceira parte dos dados.

Separatrizes para dados agrupados

Como visto anteriormente as médidas de tendência não central po-

dem todas ser obtidas a partir do cálculo dos percentis, logo para
o cálculo dos quartís e decís basta buscar o seu percéntil correspon-
dente.
O cálculo do α-ésimo percéntil é dada por:

i
Pα = x L + ( FacP − Fac L ) (13)
F
onde

• FacP é a frequência acumulada abaixo do percéntil

• Fac L é a frequência acumulada até a classe anterior à classe con-
Dica de estudo Para Pk
tendo o percéntil
FacP = n × p (14)
• i é a amplitude da classe k
com comp = 100
• F é a frequência absoluta da classe do percéntil
• x L é o limite inferior da classe do percéntil

Exemplo 15 Qual é a mediana aproximada dos votos dos eleitores nos

dados da tabela 8
Tabela 11: Tabela de distribui-
ção de frequências para idades
Solução A mediana é equivalente a P50 , logo
de eleitores
Idades Frequência, F Frequência
Mediana = P50 =?
acumulada
18-27 3 3
Para se encontrar o percéntil seguimos os seguintes passos: 28-37 7 10
38-47 16 26
1. Determine a localização ou posição do percéntil isto é FacP 48-57 5 31
58-67 6 37
K 50 68-77 3 40
FacP = × N =⇒ FacP = × 40 =⇒ FacP = 20 ∑ F = 40
100 100

2. Determine o limite inferior real da classe contendo o percéntil.

Uma vez que já conhecemos a localização do percéntil, podemos
localizar a classe contendo o percéntil comparando o valor de
FacP com a frequência acumulada de cada intervalo. Uma vez
determinada o intervalo contendo o percéntil podemos buscar o
valor de x L . 8 Para o nosso caso o intervalo contendo o percéntil é 8
Veja que na tabela 11 realçamos
38 − 47, logo x L = 38 − 0.5 = 37.5 terceira linha pois se comparar-mos
o valor de FacP (20) com os valores de
3. Determine a frequência acumulada até a classe anterior à classe cada frequência acumulada vemos
que é nesta linha que encontramos a
contendo o percéntil A frequência acumulada abaixo de 37.5 − 47.5 frequência acumulada 26, o primeiro
é 10. Logo Fac L = 10 valor que contém 20.
 medidas de posição e dispersão 35

4. Determine a frequência da classe contendo o percéntil. A frequên-

cia de 38 − 47 é 16, portanto F = 16
5. Substituir os valores obtidos nos passos 1,2,3 e 4 na fórmula 13
5
P50 = 37.5 + (20 − 10)
16
= 40.625

Medidas de dispersão

Na seção anterior vimos a representatividade dos dados usando os

valores típicos ou centrais que apenas descrevem o centro do rol de
dados. Na maior parte das vezes, também estámos interessados em
estudar ou perceber como os dados estão disperso ou como variam
as observações do conjunto de dados e como podemos quantificar
essa variação.
DEFINIÇÃO

Amplitude interquartil (IQR) é uma medida de variação que quan-

tifica a amplitude do centro dos 50% dos dados. Ela é calcuda por

IQR = Q3 − Q1 (15)

O IQR também pode ser usado para

identificar os possíveis valores extremos,
DEFINIÇÃO para tal devemos buscar o intervalo

[ Q1 − 1.5IQR, Q3 + 1.5IQR] (16)

Amplitude é definida como a diferença entre o elemento mais alto Todos valores abaixo ou acima deste
intervalo é um possível candidato a
e o mais baixo do rol de dados. É obtida pela seguinte equação valor extremo

Amplitude = observação mais alta − observações mais baixa (17)

DEFINIÇÃO

Desvio mostra a distância de cada observação bruta em relação a

média da distribuição. É calculada por

X − x, Amostra (18)

X − µ, População (19)
36 material de apoio a cadeira de estatística

Exemplo 16 Encontre o desvio para cada preço do arroz do exemplo 5.

Tabela 12: Tabela dos desvios

dos preços de arroz
Solução O preço médio do arroz é de µ = 1195/8 = 149.375 Salários (100s Desvios (100s
mil kwanzas. Para se determinar o desvio de cada preço de arroz de kwanzas) de kwanzas)
x x−µ
subtraímos a média ao valor de cada preço, por exemplo para o
100 -49.375
primeiro salário tem-se: 70 − 149.375 = −49.375. 150 0.625
A tabela 13 lista os desvios de cada preço de arroz. 95 -54.375
150 50.625
A partir da tabela 13 podemos verificar que a soma dos desvios é 200 -79.375
sempre igual a zero. Como isto é verdadeiro para qualquer conjunto 70 30.625
180 -49.375
de dados, para se mitigar essa situação podemos calcular o quadrado
300 150.625
dos desvios e calcular a soma desses quadrado, essa quantidade é ∑ x = 1195 ∑( x − µ) = 0
denominado de Soma dos quadrados denotado por SSx
DEFINIÇÃO Tabela 13: Tabela dos desvios
e soma dos quadrados dos
desvios dos preços de arroz
Variância é a média da soma dos quadrados dos desvios. A Salários Desvios Desvios quadrados
(100s de (100s de (100s de kwanzas
variância é obtida por
kwanzas) x kwanzas) ao quadrado)
x−µ ( x − µ )2
∑ ( x − µ )2 -49.375
σ2 = , População (20) 100 2437.890625
N 150 0.625 0.390625
95 -54.375 2956.640625
∑ ( x − x )2
150 50.625 2562.890625
s2 = , Amostra (21) 200 -79.375 6300.390625
n−1 70 30.625 937.890625
onde o símbolo σ é a letra grega minúscula sigma. 180 -49.375 2437.890625
300 150.625 22687.890625
∑ x = 1195 ∑( x − µ) = 0 SSx = 40321.88

Exemplo 17 Encontre a variância para os preços do arroz do exemplo 5

Solução Uma vez que a os dados representam apenas algumas

amostra usaremos a fórmula 28, logo temos

Dica de estudo Por razões técnicas a

∑ ( x − x )2 SSx variância amostral é obtida dividindo
s2 = = a soma dos quadrados dos desvio por
n−1 n−1 n-1
40321.88
=
8−1
= 5760.268

A variância dos preços é igual á 5760.268 kwanzas ao quadrado9 . 9

Observe que a variância é sempre a
unidade dos dados originais ao qua-
drado, neste caso kwanzas ao quadrado.
O desvio padrão é a medida de disper-
são que corrige esta inconsistência
 medidas de posição e dispersão 37

DEFINIÇÃO

Desvio padrão é a raiz quadrada da variância, é calculada por

√
r
∑ ( x − µ )2
σ= σ2 = , População (22)
N
s
√ ∑ ( x − x )2
s = σ2 = , Amostra (23)
n−1

Exemplo 18 Encontre o desvio padrão para os preços do arroz do exemplo 5

Solução Como a variância dos preços é igual á 5760.268, logo

√
s= σ2
√
= 5760.268
= 75.89

O desvio padrão dos preços é igual 75.89 kwanzas.

DEFINIÇÃO

Coeficiente de variação (CV) descreve o desvio padrão como uma

percentagem da média. Por não possuir unidades, pode ser usada
para se comparar dados com unidades diferentes.

Desvio padrão
CV = × 100% (24)
Média

Exemplo 19 Encontre os coeficientes de variação para os exemplos 5 e 12.

Interprete.
38 material de apoio a cadeira de estatística

Medidas de dispersão para dados agrupados

DEFINIÇÃO

Variância para dados agrupados é obtida usando as seguintes

fórmulas

∑ ( x − µ )2 × F
σ2 = , População (25)
N

∑ ( x − x )2 × F
s2 = , Amostra (26)
n−1
onde F é a frequência absoluta da classe, x é o ponto médio da
classe.

DEFINIÇÃO

Desvio padrão para dados agrupados é obtida usando as seguintes

fórmulas

√
r
∑ ( x − µ )2 × F
σ= σ2 = , População (27)
N
s
√ ∑ ( x − x )2 × F
s = σ2 = , Amostra (28)
n−1
onde F é a frequência absoluta da classe, x é o ponto médio da
classe.

Exemplo 20 Encontre as medidas de dispersão para os dados do exemplo 3

Solução Podemos usar os resultados obtidos na tabela 10. Recorde-se que a idade média dos
eleitores é de 45.5 anos de idade e que
n = ∑F
Idades F x x.F x-x ( x − x )2 ( x − x )2 × F
18-27 3 22.5 67.5 -23.05 531.3025 1593.9075
28-37 7 32.5 227.5 -13.05 170.3025 1192.1175
38-47 16 42.5 672 -3.05 9.3025 148.8400
48-57 5 52.5 262.5 6.95 48.3025 241.5125
58-67 6 62.5 375 16.95 287.3025 1723.8150
68-77 3 72.5 217.5 26.95 726.3025 2178.9075
∑ 40 1822 7079.1

A variância é dada por

 medidas de posição e dispersão 39

∑ ( x − x )2 × F
s2 =
n−1
7079.1
=
40 − 1
= 181.5154

A variância é das idades dos eleitores é de 181.51 anos2

A desvio padrão é dado por

s
∑ ( x − x )2 × F
s=
n−1
√
= 181.51
= 13.47

O desvio padrão das idades dos eleitores é de 13.47 anos.

O coeficiente de variação é dado por
s
CV = × 100%
x
13.47
= × 100%
45.5
= 29.5%

O desvio padrão observado nos dados é de 29.5%.

Introdução ao cálculo de probabilidades

Neste capítulo abordaremos sobre as probabilidades, a chance dum

evento acontecer. Definiremos alguns termos como eventos, abordare-
mos a probabilidade condicionada dum evento dado que outro tenha
acontecido.

Introdução

Os gestores baseiam as suas decisões em análises de incertezas tais

como:

• Quais são as chances de que as vendas diminuirão com a mudança

de preços?

• Qual é a probabilidade de que um novo método de recolha aumen-

tará a produtividade?

• Quão provável é de que o projecto terminará a tempo?

• Qual é a chance de que um novo negócio será rentável?

Provas e acontecimentos

DEFINIÇÃO
Experimento probabilístico ou prova é qualquer processo que
produz uma observação ou resultado. O conjunto de todos re-
sultados de um experimento aleatório é denominada de espaço
amostral.

Exemplo 21 Experimento probabilístico ou prova: Lançamento de uma Dica de estudo Experimentos de-
moeda. Resultados: Cara ou coroa terminísticos são experimentos em
que podemos prever o resultado com
atecedência, ao passo que
Exemplo 22 Experimento ou prova: Registar o partido que um eleitor Experimento probabilístico ou
votará em 2022. Resultados: Partido A, Partido B, ... aleátorio é todo experimento cujo
resultado não é previsível
Exemplo 23 Experimento ou prova: Conduzir uma venda por meio duma
chamada. Resultados: Compra ou não compra
42 material de apoio a cadeira de estatística

DEFINIÇÃO
Evento ou acontecimento é qualquer subconjunto do espaço amos-
tral, pode estar constituido por uma ou mais provas. Designamos
eventos com as letras maiúsculas A, B, C e assim por diante. Diz-
se que um evento A ocorreu sempre que o resultado está contido
em A

Exemplo 24 Um experimento probabilístico consiste no lançamento de

um dado e depois em atirar uma moeda. Identifique o espaço amostral e o Figura 7: Um par de dados
número de resultados.

Solução Existem dois resultados possíveis quando lançamos uma

moeda: Cara (H) ou coroa (T). Para cada um desses resultados temos
seis resultados possiveis quando lançamos um dado: 1, 2, 3, 4, 5 ou 6.
Um diagrama de árvore pode ser usada para visualizar os resultados
dum experimento probabilístico usando ramos que se originam a
partir dum ponto inicial.

Figura 8: Diagrama de árvore

H T para o experimento acerca da
moeda e dado
1 2 3 4 5 6 1 2 3 4 5 6

H1 H2 H3 H4 H5 H6 T1 T2 T3 T4 T5 T6

A partir do diagrama de árvore podemos verificar que o experi-

mento contem 12 resultados.
{H1, H2, H3, H4, H5, H6, T1, T2, T3, T4, T5, T6}

Exemplo 25 Considerando o experimento aleatório nascimento de três fi-

lhos dum casal, determine o espaço amostral, e o subconjunto que representa
o evento nascimento de exatamente dois meninos em três filhos do casal.

Solução A partir do diagrama de árvore

Figura 9: Diagrama de árvore

H M para o experimento nascimento
de 3 filhos
H M H M

H M H M H M H M

O espaço amostral é dado por

 introdução ao cálculo de probabilidades 43

S = (H,H,H), (H,H,M), (H,M,H), (H,M,M), (M,H,H), (M,H,M),

(M,M,H), (M,M,M)
A: Nascimento de exatamente 2 meninos
A = (H,H,M), (H,M,H), (M,H,H)

Faça você mesmo 1 Para cada um dos experimento probabilístico identifi-

que o número de resultados e o espaço amostral.

1. Um experimento probabilístico que consiste em anotar a resposta da

pesquisa e género do respondente.

2. Um experimento probabilístico que consiste em anotar a resposta da

pesquisa e da localização geográfica (Norte, Sul, Este e Oeste).
Pesquisa
3. Desenhe o diagrama de árvore para as alineas 1 e 2. A derrota ou vitória da sua equipa
muda o seu humor?
Marque uma resposta
Sim ____
Não ____
DEFINIÇÃO Não tenho certeza ____
Evento simple é todo evento que possuí apenas um resultado. No
exemplo 1, o evento "Lançamento duma cara e obtenção da face
3"é um evento simples pois A = { H3}, ao passo que o evento
"Lançamento duma cara e obtenção duma face par"não é um
evento simples pois B = { H2, H4, H6}

Exemplo 26 Determine o número de resultados em cada evento. Depois

decida se cada evento é simples ou não, explique o seu raciocínio.

1. Para controlo de qualidade, seleciona-se uma parte aleatoriamente a partir

do grupo de produtos produzidos naquele dia. Evento A consiste em
selecionar uma parte específica com defeito.

2. Lançamento de dois dados. Evento B é obtenção de face 1 nos dois dados

3. Lançamento de dois dados. Evento C é obtenção de face 1 no primeiro

dado e pelo menos 4 no segundo dado.

DEFINIÇÃO
Dica de estudo Eis um exemplo
Denomina-se evento nulo todo evento que não possuí nenhum simples do uso dos termos experimento
resultado e representa-se por ∅ probabilístico, espaço amostral, evento e
resultado.
Experimento probabilístico:
Lançamento de um dado de seis lados
Exemplo 27 Seja o experimento probabilístico sobre o levantamento de Espaço amostral:
dinheiro num ATM. {1, 2, 3, 4, 5, 6}
Evento:
A: Sair nota com valor facial de 2 kwanzas é um evento impossível
Rolar um número par {2, 4, 6}
44 material de apoio a cadeira de estatística

Definição clássica e frequêncista da probabilidade

Para se calcular as probabilidades pode-se usar três métodos ou tipos

de probabilidades: Probabilidade clássica, frequêncista ou empírica e
subjectiva.
A probabilidade do evento A ocorrer denota-se por P( A) e lê-se "A
probabilidade do evento A".
DEFINIÇÃO
Probibilidade clássica ou teórica: é usada quando a ocorrência de
cada resultado no espaço amostral é igualmente equiprovável. A
probabilidade clássica para um evento A é dada por

Número de resultados no evento A (m)

P( A) = (29)
Número total de resultados no espaço amostral (n)

Faça você mesmo 2 Jogue um dado de seis lados para o ar. Calcule a
probabilidade de cada evento.

1. Evento A: Surgimento de 5.

2. Evento B: Surgimento de 8.

3. Evento C: Surgimento de um número menor que 4.

Faça você mesmo 3 Um experimento probabilístico consiste no lança-

mento de dois dados. Encontre a probabilidade de cada evento:

1. A soma das faces maior que 10

2. Obtenção de faces iguais.

3. Soma das faces menor que 2

4. Produto faces maior que 10

Faça você mesmo 4 Selecionas uma carta dum baralho padrão de cartas.
Encontre a probabilidade de cada evento

1. Evento A: Selecionar o nove de paus.

2. Evento B: Selecionar copas

3. Evento C: Selecionar ouro, copas, paus ou espadas.

a Identifique o número total de resultados no espaço amostral

b Encontre o número de resultados no evento

c Encontre a probabilidade clássica no evento.

 introdução ao cálculo de probabilidades 45

DEFINIÇÃO
Probabilidade frequêncista ou impírica: é apropriado quando
há dispunibilidade de dados para estimar a proporção de vezes
que o resultado experimental ocorrerá se se repetir o experimento
um número elevado de vezes. A probabilidade frequêncista ou
impírica do evento A é dada por Figura 10: Baralho padrão de
jogo de carta
Frequência do evento A (m) F
P( A) = = (30)
Frequência total n

Tabela 14: Registo de produ-

Exemplo 28 Considere um estudo realizado numa loja de materiais de
tos na prateleira sem serem
construção. Um vendedor registou o número de vezes que produtos ficaram
vendidos
na prateleira sem serem vendidos em 20 dias sucessivos (ver resultados na
Produtos na Número de dias que o
tabela 15). prateleira resultado ocorreu
Estes resultados mostram que em 2 dos 20 dias nenhum produto permane- 0 2
1 5
ceu na prateleira (foram vendidos), em 5 dos 20 dias apenas um produto per-
2 6
maneceu na prateleira, e assim sucessivamente. Usando método frequêncista, 3 4
podemos atribuir uma probabilidade de 2/20 = .1 ao resultado experimental 4 3

de zero produtos permanecendo na prateleira, 5/20=.25 ao um produto por se

vender, 6/20=.3 a dois produtos por se vender, 4/20=.2 a três produtos por se
vender e 3/20=.15 a quatro produtos por se vender.

Exemplo 29 Um estudo foi feito acerca da audiência de alguns canais

televisivos no capítulo da informação, entretenimento no periodo de 24 de
outubro à 5 de novembro de 2019. A distribuição de frequências a direita
mostra os resultados. Qual é a probabilidade de que o próximo individuo a Canal Frequência
TPA 360
ser questionado escolha a TPA? TV Zimbo 464
Euro news 90
Solução O evento é uma resposta de "TPA", a frequência deste RTP 22
evento é 360. Como o total das frequências é 936, a frequência impí- ∑ F = 936
rica de que o próximo individuo escolha a TPA é
360
P( TPA) =
936
= 0.38

Faça você mesmo 5 Encontre a probabilidade de que o próximo individuo

a ser questionado escolha RTP.

a Encontre a frequência do evento

b Encontre o total das frequências

c Encontre a probabilidade impírica do evento

46 material de apoio a cadeira de estatística

Faça você mesmo 6 Uma empresa está conduzindo uma sondagem para
perceber quantas vezes os trabalhadores estão insatisfeito com as suas
actividades laborais. Até aqui 2040 pessoas foram sondadas. A tabela de
distribuição de frequências mostra os resultados. Qual é a probabilidade de
que a próxima pessoa estára insatisfeita?

Resposta Número de
vezes, f Tabela 15: Insatisfação de traba-
Sempre 1040 lhadores com suas atividades
Muitas vezes 545 laborais
Algumas vezes 225
Raramente 125
Nunca 105
Σ = 2040

DEFINIÇÃO
O método subjectivo é mais apropriado quando não se pode
assumir que os resultados do experimento têm a mesma chance
de ocorrer e quando há dados relevantes. A experiência pessoal e
intuição podem ser usado neste método para se atribuir probabili-
dades.

Exemplo 30 O Tomás Culela e Ângela Zau fazem uma oferta para a

compra de um carro usado. Dois resultados são possíveis:

E1 : A oferta é aceite (31)

E2 : A oferta é rejeitada (32)

Portanto, o Tomás acredita que a probabilidade da oferta ser aceite é de .8,

Tomás atribuiria P( E1 ) = .8 e P( E2 ) = .2; Contudo, a Ângela acredita que
a probabilidade da sua oferta ser aceite é de .6, logo ela atribuiria P( E1 ) = .6
e P( E2 ) = .4.
O Tomás e a Ângela atribuíram estimativas de probabilidades diferentes, o
que mostra a natureza pessoal do método subjectivo.
 introdução ao cálculo de probabilidades 47

Atribuição de probabilidade
Contudo, a atribuição de probabilidades independentemente do
método deve possuir os seguintes requisitos:

1. A probabilidade atribuida a cada resultado do experimento

deve estar entre 0 e 1 inclusivamente. Se Ei denota o iésimo
experimento e P( Ei ) a probabilidade atribuída a ele, então

0 ≤ P( Ei ) ≤ 1, ∀i

2. A soma da probabilidade de todos resulados do experimento

é igual á 1. Para n resultados esperimental, este requisito pode
ser escrito da seguinte forma:
n
P( E1 ) + P( E2 ) + · · · + P( En ) = ∑ P(Ei ) = 1
i =1

Faça você mesmo 7 Classifique cada afirmação como exemplo de probabili- Dica de estudo Quando a proba-
dade clássica, probabilidade impírica ou probabilidade subjectiva. bilidade de um evento é 1, o evento
denomina-se evento certo, se a pro-
1. A probabilidade de teres uma avaliação positiva na sua próxima intrevista babilidade é igual a zero, o evento
chama-se evento impossível. A proba-
de emprego é 0.9 bilidade de 0.5 diz que o evento tem
igual probabilidade de ocorrência e não
2. A probabilidade de um eleitor escolhido ao acaso ter uma idade inferior a ocorrência.
35 anos é de 0.3.
1
3. A probabilidade de ganhar uma rifa em 1000 rifas de ingressos é de 1000

DEFINIÇÃO
Sejam os eventos A e B a intercessão de eventos é definido como
A ∩ B e consiste de todos eventos contidos simultaneamente em A
ou em B. Isto é, a intercessão ocorrerá caso A e B ocorram.
A probabilidade de A e B é dada por

número de elementos em A e B
P( A ∩ B) = (33)
número total de elementos no espaço amostral
Figura 11: Diagrama de venn
sobre funcionário usando ócu-
los ou chapeu
Exemplo 31 Um empresa verificou que dentre os seus funcionários haviam
aqueles que usavam chapeus e outros óculos. O diagrama de venn mostra Chapeu Óculos
o resultado. Qual é a probabilidade de selecionar um funcionário que usa
óculos e chapeu?

Solução Sejam os eventos

Alcides
Polaco Joaquim
A =⇒ Selecionar funcionário que usa chapeu Puindi

B =⇒ Selecionar funcionário que usa oculos

Félix
48 material de apoio a cadeira de estatística

A partir do diagrama de venn a direita podemos verificar que a área

pintada a violeta representa o evento funcionários que usam óculos e
chapeu simultâneamente e temos no total 5 funcionários, logo

A ∩ B = { Alcides, Puindi }
S = {Polaco, Alcides, Puindi, Joaquim, Félix}

2
P( A ∩ B) =
5
= 0.4

Temos 40% de chances de selecionar um funcionário que usa

chapeu e óculos.

Faça você mesmo 8 Seja o experimento probabilístico sobre o lançamento

de duas moedas. Qual é a probabilidade de sair cara na primeira moeda e
coroa na segunda?

DEFINIÇÃO
Para quaisquer eventos A e B a união de evento é definido como
A ∪ B e consiste de todos eventos em A ou em B ou em ambos. Isto
é, a união ocorrerá caso A ou B ocorra.

Exemplo 32 Para exemplo 31 determine a probabilidade de se selecionar

um funcionário que usa óculos ou chapeu.

Solução Sejam os eventos

A =⇒ Selecionar funcionário que usa chapeu

B =⇒ Selecionar funcionário que usa oculos

A partir do diagrama de venn da figura 12 podemos verificar que

A ∪ B = { Polaco, Alcides, Puindi, Joaquim}

S = {Polaco, Alcides, Puindi, Joaquim, Félix}

4
P( A ∪ B) =
5
= 0.8

Temos 80% de chances de selecionar um funcionário que usa

chapeu ou óculos.

Faça você mesmo 9 No lançamento dum dado, qual é a probabilidade de

se obter um número menor que 5 ou um número par?
 introdução ao cálculo de probabilidades 49

Regra de Adição para probabilidade de A ou B

A probabilidade de que o evento A ou B ocorrer, é dada por

P( A ou B) = P( A) + P( B) − P( A e B) (34)

Se os eventos são mutuamente exclusivos então a fórmula acima

pode ser simplificada para

P( A ou B) = P( A) + P( B), pois P( A e B) = 0 (35)

Solução Usando o princípio de adição no exemplo 31 tem-se

número de elementos no evento A
P( A) =
número total de elementos no espaço amostral
3
=
5
= 0.6

número de elementos no evento B

P( B) =
número total de elementos no espaço amostral
3
=
5
= 0.6

número de elementos no evento A ∩ B

P( A ∩ B) =
número total de elementos no espaço amostral
2
=
5
= 0.4

3 3 2
P( A ∪ B) = + −
5 5 5
4
=
5
= 0.8

Faça você mesmo 10 Seja o experimento probabilístico sobre o lançamento

de dois dados. Qual é a probabilidade de sair um número par no primeiro
dado e um número menor que 5 no segundo?

DEFINIÇÃO Figura 12: Diagrama de venn

para eventos mutuamente
Os eventos A e B denominam-se evento mutuamente exclusivos
exclusivos
ou disjuntos se intercessão de A e B é um evento nulo isto é, A
A B
e B não podem ocorrer simultaneamente. A probabilidade de
eventos mutuamente exclusivos e zero.
50 material de apoio a cadeira de estatística

Exemplo 33 Seja o experimento término do vínculo contratual dum

funcionário antes do tempo. Os eventos
A: Compensação
B: Indeminização
A ocorrência dos eventos A e B para o mesmo funcionário é impossível.

DEFINIÇÃO
Seja A um evento, denomina-se complemento do evento A e
representa-se por Ac ao evento que consiste de todos eventos no
espaço amostral que não estão em A. Isto é Ac ocorre se A não
ocorrer e vice-versa.
Tendo em conta ao requisito 2 e a definição de probabilidades
podemos determinar as seguintes fórmulas

P( A) + P( Ac ) = 1 (36)
c
P( A) = 1 − P( A ) (37)
P( Ac ) = 1 − P( A) (38)
Exemplo 34 Use a distribuição de frequências do exemplo 29 para selecio-
nar um individuo que não tenha escolhido Tv Zimbo.
Solução Sejam os eventos
A =⇒ Escolher Tv Zimbo
Ac =⇒ Não escolher Tv Zimbo
A partir do exemplo 29 sabe-se que
464
P( A) =
936
= 0.495
logo a probabilidade do individuo não escolher Tv Zimbo é
P( Ac ) = 1 − P( A)
464
= 1−
936
472
=
936
= 0, 504

Faça você mesmo 11 Use a distribuição de frequências do exemplo 29 para

selecionar um individuo que não tenha escolhido Euro news.
a Encontre a probabilidade de o individuo escolher Euro news ao acaso.

b Subtrair a probabilidade resultante de 1.

c Escreve a probabilidade como uma fração e depois como uma dízima

 introdução ao cálculo de probabilidades 51

Probabilidade Condicionada

DEFINIÇÃO
Probabilidade condicionada é a probabilidade dum evento
ocorrer, dado que outro evento já tenha ocorrido. A probabili-
dade do evento B ocorra sendo que o evento A tenha já ocorrido
representa-se por P( B| A) e é obtida por

P( A ∩ B)
P( B| A) = (39)
P( A)

Exemplo 35 A organização GNAF está organizando uma festa de pai-filho

para os empregados que possuêm pelo menos uma filha. Cada empregado é
convidado a participar juntamente com sua filha. Se um funcionário possuí
dois filhos, qual é a probabilidade condicionada de que as duas são meninas
sabendo que ele foi convidado a festa?
Solução O espaço amostral para este problema é

S = {(r, r ), (r, m), (m, r ), (m, m)}

onde (r,m) significa que o primeiro filho é um rapaz e segundo uma

menina
Uma vez que o funcionário foi convidado a festa sabemos que pelo menos
um dos filhos é uma menina. Seja B denotar o evento de que os dois filhos
são meninas e A o evento de que pelo menos um dos filhos é uma menina, a
probabilidade deseja é P( B| A), logo

P( A ∩ B)
P( B| A) =
P( A)
P({m, m})
=
P({(r, m), (m, r ), (m, m)})
1/4 1
= =
1/3 3
Exemplo 36 Considere a situação do estado de promoção entre oficiais
masculino e feminino duma força policial. A força policial consiste de 1200 Tabela 16: Estado das pro-
oficiais, 960 são homens e 240 mulheres. Durante os últimos dois anos, 324 moções da força policial nos
oficiais na força policial receberam promoções. últimos dois anos
Homem Mulher Total
A tabela 17 mostra a distribuição completa das promoções. Após rece- Promovido 288 36 324
berem o registo das promoções, uma comite das mulheres oficiais, levou a Não promovido 672 204 876
cabo uma acusão de descriminação fundamentada no fato de que 288 oficiais Total 960 240 1200

homens tinham recebido promoções mas apenas 36 mulheres oficiais tinham

recebido promoções. A administração da força policial argumenta que o nú-
mero baixo de promoções de oficiais femininos não se deve a descriminação,
52 material de apoio a cadeira de estatística

mas pelo fato de que apenas um número pequeno de mulheres são membros
da força policial. Quem tem razão?
Solução Sejam

H = evento official é um homem

M = evento official é uma mulher
A = evento official é promovido
Ac = evento official não é promovido

Dividindo os dados na tabela 17 por 1200 oficiais nos permite resumir a

informação disponível com as seguintes probabilidades

288
P( H ∩ A) = 1200 = .24 probabilidade dum oficial selecionado ao
acaso ser homem e promovido
672
P( H ∩ Ac ) = 1200 = .56 probabilidade dum oficial selecionado ao
acaso ser homem e não promovido
36
P( M ∩ A) = 1200 = .03 probabilidade dum oficial selecionado ao
acaso ser mulher e promovida
204
P( M ∩ Ac ) = 1200 = .17 probabilidade dum oficial selecionado ao
acaso ser mulher e não promovida

Homem (H) Mulher (M) Total

Promovido (A) .24 .03 .27 Tabela 17: Probabilidade con-
Não promovido (Ac ) .56 .17 .73 junta para as promoções
Total .80 .20 1.00

DEFINIÇÃO
Denomina-se probilidade conjunta é a probilidade da intercessão de
dois eventos. Por exemplo P( H ∩ A), P( H ∩ Ac ), P( M ∩ A), P( M ∩ Ac )
são probabilidades conjuntas.
A tabela 17 que fornece o resumo das probabilidades para o estado de
promoções da força policial é denominada de tabela de probabilidade
conjunta.
As probabilidades nas margens da tabela 17 fornecem as probabilida-
des dos eventos separadamente, isto é P( H ) = .80, P( M ) = .20,
P( A) = .27 e P( Ac ) = .73. Essas probabilidades por se localizarem
nas margens da tabela de probabilidade conjunta são denominadas de
probabilidades marginais.

A partir das probabilidades marginais podemos verificar que 80% da

força policial é formada por homens, 20% por mulheres, 27% dos oficiais
receberam promoções e 73% não foram promovidos.
 introdução ao cálculo de probabilidades 53

P( H ∩ A)
P( A| H ) =
P( H )
.24
= = 0.3
.80

P( H ∩ A)
P( A| M) =
P( H )
.03
= = 0.15
.20

As probabilidades condicionadas dão razão ao comite das mulheres uma

vez que a chance dum oficial homem ser promovido é o dobro duma oficial
mulher.

Faça você mesmo 12 A seguinte tabela lista as probabilidades de homens e

mulheres desempregados e os seus niveis acadêmicos.

Homem (H) Mulher (M)

Abaixo do ensino médio .057 .104
Ensino médio .136 .224
Graduação não concluída .132 .150
Graduação .095 .103

a Se um desempregado é selecionado ao acaso, qual é a probabilidade que ele

ou ela não tenha finalizado o ensino médio?

b Se uma desempregada é selecionada ao acaso, qual é a probabilidade dela

ser graduada?

c Se um desempregado com ensino médio é selecionado ao acaso, qual é a

probabilidade de que seja homem?

Eventos Independentes
Um dos objetivos do cálculo de probabilidades condicionada é para
determinar se dois eventos estão relacionados. Particularmente,
estamos interessados em saber dois eventos são Independentes.
DEFINIÇÃO
Dois eventos são independentes quando a ocorrência de um não
afeta a probabilidade da ocorrência do outro. Dois eventos A e B
são independentes se P( A| B) = P( A) ou quando P( B| A) = P( B).
Eventos que não são independentes são dependentes.
Para se determinar se eventos A e B
são independentes, primeiro calcula
P( B), a probabilidade de B. Depois
calcula P( B| A) a probabilidade de B
dado A. Se os valores são iguais então
A e B são independentes, caso contrário
são dependentes.
54 material de apoio a cadeira de estatística

Exemplo 37 Seja o experimento que consiste em selecionar um rei (A) a

partir dum baralho padrão com 52 cartas, sem devolve-la e depois selecionar
uma rainha (B). Determine se os eventos A e B são independentes.
4 4
Solução P( B| A) = 52 e P( B) = 51 . A ocorrência de A muda a
probabilidade de B ocorrer, logo os eventos são dependentes.

Faça você mesmo 13 Determine se os eventos são dependentes ou indepen-

dentes.

1. Jogar uma moeda e obter uma cara (A) e em seguida jogar um dado com
seis lados e obter um 6 (B).

2. Jogar uma moeda e obter cara (A) e depois jogar a moeda novamente e
obter coroa (B).

3. Dirigir a 200km/h (A) e sofrer um acidente de carro (B).

Regra de multiplicação
A probabilidade de que dois eventos A e B ocorrerão em sequên-
cia é
P( A e B) = P( A).P( B| A) (40)

Se os eventos A e B são independentes então esta regra pode ser

simplicada para
P( A e B) = P( A).P( B) (41)

Exemplo 38 Duas cartas são selecionadas a partir de um baralho padrão de

52 cartas, sem reposição da primeira carta. Encontre a probabilidade de se
selecionar um rei e depois uma rainha. Solução Sejam os eventos

A =⇒ evento selecionar um rei

B =⇒ evento selecionar uma rainha

Como a primeira carta não devolvida então os eventos são dependentes.

P( A e B) = P( A).P( B| A)
4 4
= .
54 51
16
=
2652
≈ 0.006

A probabilidade de selecionar um rei e depois uma rainha sem reposição é

cerca de 0.006.
 introdução ao cálculo de probabilidades 55

Faça você mesmo 14 Suponha que duas pessoas são escolhidas aleatoria-
mente a partir de 4 mulheres e 6 homens.

1. Qual é a probabilidade de ambas serem mulheres?

2. Qual é a probabilidade de uma ser mulher e outro homem?

Teorema de Probabilidade total

Suponha que A1 , A2 , ..., An são eventos mutuamente exclusivos
e cuja união é espaço amostral S, isto é; um dos eventos deve
ocorrer. Então se A é qualquer evento, temos o seguinte teorema:
n n
Figura 13: Ilustração do teo-
P( A) = ∑ P( A ∩ Bj ) = ∑ P( A j ) P( A| A j ) (42) rema de probabilidade total
j =1 j =1

Exemplo 39 Uma impresa tem 50% de probabilidade de ganhar um con-

curso caso hajam júris nacionais e 25% se os jurís forem internacionais. Se
a instituição organizadora estimar em 30% a probabilidade de que sejam
convidados juris internacionais, qual é a probabilidade desta impresa ganhar
o concurso?
Solução Definindo os eventos
G : Ganhar o concurso JI : Juris internacionais JN : Juris nacionais
P(G|JI) = 25% ou 0.25 P(G|JN) = 50% ou 0.5
P(JI) = 30% ou 0.3 P(JN) = 70% ou 0.7
P(G) = P(G JI) + P(G JN) = P(JI)P(G|JI) + P(JN)P(G|JN)
P(G) = 0.3 × 0.25 + 0.7 × 0.5 = 0.425 ou 42.5%

Teorema de Bayes

As probabilidades condicionadas permitem calcular a probabilidade

de um evento ocorrer dado que outro já tenha ocorrido. Muitas vezes
verificamos um evento e queremos calcular a probabilidade de uma
das suas possíveis causas, para tal usamos a lei de Bayes.
56 material de apoio a cadeira de estatística

DEFINIÇÃO
O evento B é um evento dado e os eventos

A1 , A2 , . . . , A k

são os eventos dos quais probabilidades apriori são conhecidas,

isto é
P ( A1 ), P ( A2 ), . . . , P ( A k )
são probabilidades apriori.
As probabilidades de maximum-verosimilhança são

P ( B | A1 ), P ( B | A2 ), . . . , P ( B | A k )

e
P ( A1 | B ), P ( A2 | B ), . . . , P ( A k | B )

são as probabilidades posteriores, que representam as probabi-

lidades que queremos calcular. A fórmula de Bayes é dada por

P ( Ai ) P ( B | Ai )
P ( Ai | B ) =
P ( A1 ) P ( B | A1 ) + P ( A2 ) P ( B | A2 ) + · · · + P ( A k ) P ( B | A k )
(43)

Exemplo 40 As máquinas A e B são responsáveis por 60% e 40% res-

pectivamente, da produção duma empresa. Os índices de peças defeituosas
destas máquinas valem 3% e 7%, respectivamente. Se uma peça defeituosa
foi selecionada da produção desta empresa, qual é probabilidade de que tenha
sido produzida pela máquina B?
Solução Definindo os eventos
A: peça produzida pela máquina A
B: peça produzida pela máquina B
d: peça defeituosa
P(d|A) = 30% P(d|B) = 70% P(A) = 60% P(B) = 40%

P( B|d)
P( B|d) =
P(d| A) + P(d| B)
P( B) P(d| B)
=
P( B) P(d| B) + P( A) P(d| A)
0.40.70
= = 0.6086 ou 60.86%
0.40.70 + 0.30.60
Exemplo 41 Uma seguradora acredita que as pessoas podem ser divididas
em duas classes-aqueles que estão mais susceptíveis a terem acidentes e
aqueles que não. Os dados indicam que uma pessoa susceptível a ter acidente
 introdução ao cálculo de probabilidades 57

terá acidente num periódo de 1 ano com probabilidade de 0.1; a probabilidade

para todos outros é de 0.05. Suponha de que a probabilidade é 0.2 de que um
novo assegurado é susceptível a acidente.

1. Qual é a probabilidade de que um novo assegurado terá acidente no

primeiro ano?

2. Se um novo assegurado tiver acidente no primeiro ano, qual é a probabili-

dade de que seja susceptível a acidente?

Solução Sejam os eventos

A =⇒ evento novo assegurado susceptível a acidente

B =⇒ evento Ele ou ele tem acidente no primeiro ano

Pode-se calcular P( B) condicionando ao facto se a pessoa é susceptível a

acidente ou não:

P( A) = P( A| H ) P( H ) + P( A| H c ) P( H c )
= (0.1)(0.2) + (0.05)(0.8) = 0.06
Portanto temos 6% de chances de novos assegurados sofrerem acidente no
primeiro ano.
Podemos calcular P( H | A) usando o teorema de Bayes
P( A ∩ H )
P( H | A) =
P( A)
P( A| H ) P( H )
=
P( A| H ) P( H ) + P( A| H c ) P( H c )
(0.1)(0.2) 1
= =
(0.1)(0.2) + (0.05)(0.8) 3
Dado que o novo assegurado tem acidente no primeiro ano, as chance dele
ser susceptível a acidente é 1/3.
O exemplo acima pode ser resolvido usando uma árvore de probabilidades

A P( A ∩ H ) = 0.20 × 0.10
A| H
0.10
H A c| H
0.90
0 Ac P( Ac ∩ H ) = 0.20 × 0.90
0.2

c A P( A ∩ H c ) = 0.80 × 0.05
0.8
0 A| H
0.05
Hc A c| H c
0.95
Ac P( Ac ∩ H c ) = 0.80 × 0.95
58 material de apoio a cadeira de estatística

A partir da árvore podemos verificar que

P( A) = P( A ∩ H ) + P( A ∩ H c ) = 0.20 × 0.10 + 0.80 × 0.05 = 0.06

P( A ∩ H ) 0.20 × 0.10 1
P( H | A) = = =
P( A) 0.06 3

Probabilidade usando operações do cálculo combinatório

Muitas vezes um evento pode ocorrer de tantas maneiras que torna-

se pouco prático escrever todos resultados. Para tal podemos aplicar
alguns princípios de contagem.
Princípio fundamental de contagem
Se um evento pode ocorrer de m maneiras e um segundo evento
de n maneiras então o número de maneiras que os dois eventos
podem ocorrer em sequência é m × n. Esta regra pode ser extendida
para qualquer número de eventos ocorrendo em sequência.

Exemplo 42 A empresa GNAF pretende comprar um carro. Os possiveis

fabricantes, tamanho e cores estão listados abaixo:
Fabricantes: Ford, Toyota, Hyundai
Tamanho: Compacto, tamanho médio
Cor: Branco (B), vermelho (V), preto (P), verde (Vd)
De quantas maneiras podes selecionar um fabricante, um tamanho e uma
cor? Use uma árvore de decisão para confirmar os seus resultados.

Solução Existem 3 frabricantes, dois tamanhos e quatro cores.

Usando o princício fundamental de contagem temos

3 × 2 × 4 = 24

Existem 24 maneiras de selecionar um fabricante, tamanho e cor.

Faça você mesmo 15 Um homem e uma mulher serão selecionados para

uma vaga de emprego dum grupo de 12 homens e 8 mulheres. Quantas
opções diferentes são possíveis?

DEFINIÇÃO
Permutação é um arranjo ordenado de objectos. O número de
diferentes permutações de n objectos distintos é n!. Se n é um
número inteiro não negativo então

n! = n × (n − 1) × (n − 2) × (n − 3) . . . 3 × 2 × 1 (44)

Como caso especial 0!=1

Dica de estudo Alguns valores de n!

1! = 1
2! = 2 × 1 = 2
3! = 3 × 2 × 1 = 6
4! = 4 × 3 × 2 × 1 = 24

Dica de estudo Para se resolver

 introdução ao cálculo de probabilidades 59

Faça você mesmo 16 Uma empresa possuí 5 funcionários. Qual é a

probabilidade que nenhuma entre duas pessoas tenham a mesma data de
nascimento?

DEFINIÇÃO
Arranjo é o número de permutações de n objectos distintos toma-
dos r de cada vez, é dada por

n!
An,r = , onde r ≤ n (45)
(n − r )!

Faça você mesmo 17 A empresa GNAF pretende eleger por meio de

voto dentre os seus 20 funcionários um diretor de RH, um administrador
da academia e um representante da área de venda. De quantas maneiras
distintas a escolha poderá ser feita?

DEFINIÇÃO
O número de permutações distintas de n objectos, onde n1 são
dum tipo, n2 de outro tipo, e assim sucessivamente, é dada por

n!
(46)
n1 ! × n2 ! × n3 ! × . . . n k !

Faça você mesmo 18 Uma construtora planea construir um condomínio.

O condomínio consiste de 6 apartamentos T2, 12 T3 e 20 T4. De quantas
formas distintas os apartamentos podem ser organizados?

DEFINIÇÃO
O número de combinações de r objectos selecionados a partir
dum grupo de n objectos sem se importar com a ordem é

n!
Cn,r = , onde r ≤ n (47)
r!(n − r )!

Faça você mesmo 19 O ministério das obras publicas pretende construir

uma nova estrada e recebe 16 candidaturas para o projecto. O ministério
pretende contractar quatro das empresas concorrentes. Quantas combinações
de quatro empresas se pode selecionar a partir das 16 empresas concorrentes?

Aplicação dos princípios de contagem

Faça você mesmo 20 O corpo diretivo duma organização consiste de 17
membros. Três membros servem como porta-voz, secretário e presidente
60 material de apoio a cadeira de estatística

da organização. Cada membro tem a mesma change de servir em qualquer

das posições. Qual é a probabilidade de selecionar aleatoriamente os três
membros que atualmente ocupam essas três posições?

Faça você mesmo 21 Um fabricante de comida está analizando 400 pés

de milho pela presença de toxina. Nesta amostra, três pés de milho contém
perigoso niveís elevados de toxina. Foram selecionados aleatoriamente 4
pés de milho. Qual é a probabilidade de exatamente um pé de milho contem
perigosos niveis altos de toxina?

Faça você mesmo 22 Um juri é formado por cinco homens e sete mulhe-
res. Três juris são selecionados ao acaso para uma intrevista. Encontre a
probabilidade dos três juris selecionados serem homens.
Variável aleatória discreta

Definição e exemplos

O resultado dum esperimento aleatório é muitas vezes uma medida.

Quando isso ocorre, o resultado chama-se variável aleatória.
DEFINIÇÃO
Dado um experimento com espaço amostral S, uma variável ale-
atória (v.a) X é uma regra ou função que mapea o espaço S ao
conjunto dos números reais R, ou seja X representa um valor
numérico associado a cada resultado de um experimento aleatório.
A aleatoriedade da variável aleatório provém do facto de que temos
um experimento aleatório com probabilidades descritas pela função
de probabilidade P.
Existem dois tipos de variáveis aleatórias: discreta e contínuas.
DEFINIÇÃO
Variável aleatória discreta é aquela que possuí um número de
resultados possíveis finitos ou contáveis que podem ser listados.
Variável aleatória contínuas é aquele que possuí um número de
resultados possíveis não contáveis representados por um intervalo
numa linha recta.
Uma variável aleatória X diz-se
discreta se existe uma lista finita
Exemplo 43 Conduzes um experimento do número de chamadas recebidas de valores a1 , a2 , ..., an ou lista in-
finita de valors a1 , a2 , ... talque a
diariamente pela Movicel. Os números possíveis da variável aleatória x são P( X = a j para algum j) = 1. Se X é
0, 1, 2, 3, 4 e assim em diante. Porque os resultados {0, 1, 2, 3, ...} podem discreta então o conjunto de valores de
finitos ou contavelmente infinitos de x
ser listados, x é uma variável aleatória discreta. Podemos representar esses tal que P( X = x ) > 0 é denominado o
resultados numa recta real suporte de X

0 1 2 3 4 5 6 7 8 9 10
x pode apenas possuir número inteiros

Figura 14: Número de chama-

Exemplo 44 Outra forma de conduzir o experimento poderia ser a medição das (Discreta)
do tempo de duração (em horas) de cada chamada recebida. Porque o tempo
gasto em cada chamada pode ser qualquer número entre 0 e 24 (incluindo
62 material de apoio a cadeira de estatística

frações), x é uma variável aleatória contínua. Podemos representar esses

resultados numa recta real

0 1 2 3 4 5 6 7 8 9
x pode apenas possuir número inteiros

Figura 15: Horas gastas em

chamadas (contínua)

Exemplo 45 Determine se x representa uma variável aleatória contínua ou Dica de estudo Na maior parte das
aplicações práticas, dados que resultam
discreta. Explique o seu raciocínio. da contagem representam variável
aleatória discretas e aquelas resultantes
1. Seja x o número de empresas da Fortune 500 que perderam dinheiro no de mediões representam variáveis
mês passado. aleatória contínuas.

2. Seja x o volume de combustível em bidôes de 25 litros.

Faça você mesmo 23 Determine se x representa uma variável aleatória

contínua ou discreta. Explique o seu raciocínio.

1. Seja x a velocidade da realização duma tarefa por um funcionário da

GNAF.

2. Seja x de pessoas recrutadas no último concurso publico da AGT.

Quando uma variável é discreta os seus resultados podem ser

listados, todavia é impossível listar todos valores duma variável
contínua.

Função de quantidade

A cada valor duma variável aleatória pode ser atribuido uma probabi-
lidade.
DEFINIÇÃO
Uma distribuição de probabilidade para uma variável aleatória
discreta é quando listamos cada valor que variável pode assumir
com a sua probabilidade, e ela deve possuir as seguintes condições
Em palavras em símbolos
1. A probabilidade de cada valor da variável 1 ≤ P( x ) ≤ 1
discreta deve estar entre 0 e 1
2. A soma de todas probabilidades deve ser 1 ∑ P( x ) = 1
Recorde-se pelo método frequencista, as probabilidades podem
ser estimadas usando as frequências relativas, logo a distribuição de
probabilidade duma variável aleatória discreta pode ser representado
graficamente usando um histograma.
 variável aleatória discreta 63

Directrizes
Construindo uma distribuição de probabilidade discreta
Seja x uma variável aleatória discreta com resultados possíveis
x1 , x2 , ..., xn .

1. Faça uma distribuição de frequência para os resultados possí-

veis.

2. Encontre a soma das frequências.

3. Encontre a probabilidade de cada resultado possível dividindo

sua frequência pela soma das frequências.

4. Verifique se cada probabilidade está entre 0 e 1, inclusive, e se a

soma de todas as probabilidades é 1
valor, x frequência, F
1 24
2 33
Exemplo 46 Construção e representação gráfica de uma distribuição 3 42
4 30
de probabilidade discreta 5 21
Um psicólogo industrial administrou um teste de inventário de persona-
lidade para traços passivo-agressivos para 150 funcionários. Cada indivíduo Tabela 18: Tab. de deistribuição
recebeu uma pontuação de 1 a 5, onde 1 é extremamente passivo e 5 é ex- de frequências
tremamente agressivo. Uma pontuação de 3 indica nenhuma característica.
Os resultados são mostrados à esquerda. Construa uma distribuição de pro-
babilidade para a variável aleatória x. Em seguida, represente graficamente
distribuição usando um histograma.
Solução Para se encontrar a probabilidade de cada valor da variável
aleatória divide-se a frequência de cada valor pelo total das frequências.
24 33 42 0.25
P (1) = = .16 P (2) = = .22 P (3) = = .28
150 150 150
Probabilidade

30 21
P (4) = = .20 P(k) = = .14
150 150
0.2
A distribuição de probabilidade discreta é apresentada abaixo
x 1 2 3 4 5
P(x) .16 .22 .28 .20 .14
Como se pode verificar as condições 1 ≤ P( x ) ≤ 1 e ∑ P( x ) = 1 são 0.15
verificadas.
A partir do histograma na figura ?? podemos verificar que a largura de
1 2 3 4 5
cada barra é 1, logo a área de cada barra é igual a probabilidade dum valor Valores
particular. A probabilidade dum evento é igual a soma das áreas das barras
dos resultados incluídos no evento.
Figura 16: Traços passivo-
Interpretação Podemos verificar que a distribuição é aproximadamente
agressivo
simétrica.

Faça você mesmo 24 Uma empresa rastreia o número de vendas que

novos funcionários fazem a cada dia durante um Período probatório de 100
64 material de apoio a cadeira de estatística

Vendas por dia, x Número de dias, f

dias. Os resultados para um novo funcionário são mostrados na esquerda. 0 16
Construa e represente graficamente uma distribuição de probabilidade. 1 19
2 15
Faça você mesmo 25 Distribuição de probabilidade do número de 3 21
4 9
vendas 5 10
Um vendedor de fundo mútuo combinou de visitar três pessoas amanhã. 6 8
Com base na experiência anterior, o vendedor sabe que há 20% de chance de 7 2

fechar uma venda em cada ligação. Determine a distribuição de probabilidade

Figura 17: Tabela de distribui-
do número de vendas que o vendedor fará.
ção
Exemplo 47 Identificando distribuição de probabilidade Dias de chuva, x Probabilidade, P(x)
0 0.216
Verifique se a distribuição na tabela 19 é uma distribuição de probabili- 1 0.432
dade. 2 0.288
3 0.064
Faça você mesmo 26 Determine se a distribuição é uma distribuição de
probabilidade. Explique o seu raciocínio. Tabela 19: Distribuição de
probabilidade
x 5 6 7 8
1.
P(x) 0.28 0.21 0.43 0.15

x 5 6 7 8
2.
P(x) 0.28 0.21 0.43 0.15

x 1 2 3 4
3. 1 1 5
P(x) 2 4 4 -1

Função de massa de probabilidade

DEFINIÇÃO
A função de massa de probabilidade (PMF) de uma v.a discreta X
é a função pX dado por pX ( x ) = P( X = x ). Note que esta função
é positiva se x está no suporte de X e caso contrário 0.

Exemplo 48 Lançamento de duas moedas. Seja o experimento que

consiste no lançamento de duas moedas. Encontre a FMP da variável
aleatório X definida como o número de caras. Solução Uma vez que X = 0
quando TT ocorre, X = 1 quando HT ou TH ocorre, X = 2 quando ocorre
HH, a PMF de X é dada por
1
pX (0) = P( X = 0) = ,
4
1
pX (1) = P( X = 1) = ,
2
1
pX (2) = P( X = 2) = e
4
pX ( x ) = 0 para qualquer outro valor de x
Graficamente podemos representar a PMF de X usando um histograma
 variável aleatória discreta 65

PMF

1
1/2
0.5 1/4 1/4

0.0
0 1 2 x

Faça você mesmo 27 Soma de dois dados. Sejam as variáveis aleatórias

X e Y os lançamentos individuais de dois dados. Define-se T = X + Y como
o total dos dois dados. Ache e represente graficamente PMF de T.
Função de distribuição Acumulada (CDF)
A função de distribuição acumulada da v.a X é a função FX dada por
FX ( x ) = P( X <= x )
10 10
Enquanto que PMF só podem ser
achadas para v.a discretas CDF pode ser
Exemplo 49 Encontre o CDF avaliado em 1 para o exemplo 48. achadas tanto para v.a discretas como
para v.a contínuas
Solução O CDF avaliado em 1, significa calcular P( X ≤ 1) = P( X =
0) + P( X = 1) = 41 + 12 = 34

Momentos duma Variável aleatória discreta

Esperança matemática, variância desvio padrão esperados

Podemos medir o centro duma distribuição de probabilidade usando a média
e a sua variabilidade usando a variância e o desvio padrão.
DEFINIÇÃO
O valor esperado também conhecido como a média duma v.a discreta X
cujos valores distintos são x1 , x2 , ..., é obtido pela soma dos produtos dos
valores de X pelas suas respectivas probabilidades, isto é
∞
E( X ) = ∑ x j × P( X = x j ) (48)
j =1

A média duma v.a representa a sua média teórica, isto é, se o experimento

fosse realizado milhares de vezes a média dos valores observados da v.a se
aproximaria do valor esperado. A média duma v.a nem sempre existe ou pode
ser calculada.

Exemplo 50 Ache o valor esperado para o exercício 46 Solução

x 1 2 3 4 5
P(x) .16 .22 .28 .20 .14
x × P( x ) 1 × .16 = .16 2 × .22 = .44 3 × .28 = .84 4 × .20 = .80 5 × .14 = 70
66 material de apoio a cadeira de estatística

DEFINIÇÃO
A variância duma v.a discreta X cujos valores distintos são x1 , x2 , ..., é
obtida pelas seguintes expressões
∞
σ2 = ∑ ( x j − µ )2 × P ( X = x j ) (49)
j =1

ou
Var ( X ) = E( X − E( X ))2 (50)

A raiz quadrada da variância é denominada de desvio padrão, isto é

v
u∞
σ = t ∑ ( x j − µ )2 × P ( X = x j )
u
(51)
j =1

ou q
DP( X ) = Var ( X ) (52)

Exemplo 51 Ache a variância e o desvio padrão para o exercício 46

Propriedades do valor esperado e da variância

Uma das tarefas muito recorrente na prática consiste na criação de novas

variáveis aleatórias a partir da combinação de outras. As fórmulas abaixo são
muito uteís para abtenção da média e da variância. Segundo a notação usada
X representa a variável aleatória e c uma constante.
Propriedades do Valor Esperado

1. E(c) = c

2. E( X + c) = E( X ) + c

3. E(cX ) = cE( X )

Propriedades da Variância

1. V (c) = 0

2. V ( X + c) = V ( X )

3. V (cX ) = c2 V ( X )
 variável aleatória discreta 67

Exemplo 52 Descrevendo a população dos ganhos mensais

As vendas mensais numa loja de roupa tem a média de 100.000 AOA e
o desvio padrão de 10.000 AOA. Os ganhos são obtidos multiplicando as
vendas por 45% e subtraindo custos fixos de 5000 AOA. Encontre a média e
o desvio padrão dos ganhos mensais.
Solução A relação entre as vendas e os ganhos pode ser descrita pela
seguinte equação:
Ganho = .30(Vendas) − 5000

O valor esperado ou ganho médio é

E( Ganho ) = E[.30(Vendas) − 5000]

Aplicando a propriedade 2 dos valores esperados resulta em

E( Ganho ) = E[.30(Vendas)] − 5000

Aplicando a 3 resulta em

E( Ganho ) = .30E[(Vendas)] − 5000 = .30 × 100.000 − 5000 = 25.000

logo o ganho médio é de 25.000 AOA

A variância é

V ( Ganho ) = V [.30(Vendas) − 5000]

Aplicando a propriedade 2 da variância resulta em

V ( Ganho ) = V [.30(Vendas)]

e a 3 resulta em

V ( Ganho ) = .302 V (Vendas) = .302 × (10.000)2 = 9.000.000

logo o desvio padrão dos ganho será

√
σGanho = 9.000.000 = 3.000AOA

Função de probabilidade conjunta

Até agora, lidamos com a distribuição de uma única variável. No entanto,

existem circunstâncias onde precisamos saber sobre a relação entre duas
variáveis. Nesta secção trataremos do caso bivariado ou bidimensional.
Quando precisamos distinguir entre os distribuições bivariadas e as distri-
buições de uma variável, vamos nos referir a esta última como distribuições
univariadas.
68 material de apoio a cadeira de estatística

DEFINIÇÃO
A probabilidade conjunta de que duas variáveis assumirão valores x e
y é representada por P( x, y). A distribuição de probabilidade bivariado
(ou conjunta) de X e Y é uma tabela ou regra que lista as probabilida-
des conjuntas para todos pares de valores de x e y. A distribuição de
probabilidade deve satisfazer duas condições:

1. 0 ≤ P( x ) ≤ 1 para todos pares de valores de x e y.

2. ∑in=1 ∑nj=1 P( xi , y j ) = 1

Exemplo 53 Noé e Kawica são corretores imobiliários. Deixe X denotar o

número de casas que Noé venderá em um mês e deixe Y denotar o número
de casas que Kawica venderá em um mês. Uma análise de seus desempenhos
mensais anteriores apresenta as seguintes probabilidades conjuntas.
x
0 1 2
0 .12 .42 .06
y 1 .21 .06 .03
2 .07 .02 .01
A interpretação desta tabela pode ser feita da seguinte forma, por exemplo
a probabilidade do Noé vender 0 casas e a Kawica vender 1 casa é 21%, isto é
P(0, 1) = .21 .

Probabilidade Marginal

Como no capítulo anterior, podemos calcular as probabilidades marginais

somando ao longo das linhas ou colunas.
As probabiliades marginais da variável X é
P(X = 0) = P(0, 0) + P(0, 1) + P(0, 2) = .12 + .21 + .07 = .4
P(X = 1) = P(1, 0) + P(1, 1) + P(1, 2) = .42 + .06 + .02 = .5
P(X = 2) = P(2, 0) + P(2, 1) + P(2, 2) = .06 + .03 + .01 = .1
x 0 1 2
P(x) .4 .5 .1
As probabiliades marginais da variável Y é
P(Y = 0) = P(0, 0) + P(1, 0) + P(2, 0) = .12 + .42 + .06 = .6
P(Y = 1) = P(0, 1) + P(1, 1) + P(2, 1) = .21 + .06 + .03 = .3
P(Y = 2) = P(0, 2) + P(1, 2) + P(2, 2) = .07 + .02 + .01 = .1
x 0 1 2
P(x) .6 .3 .1
Pode-se verificar que ambas distribuições cumprem com as condições, as
probabilidades estão entre 0 e 1 e soma é igual á 1.
 variável aleatória discreta 69

Descrevendo as distribuições bivariadas

Para se descrever variáveis aleatórias bivariadas podemos usar os métodos

usados no caso univariado, isto é calculando a média, variância e o desvio
padrão usando as probabilidades marginais:
Valor esperado, variância e desvio padrão de X do exemplo 53
E( X ) = µ X = ∑ xP( x ) = 0(.4) + 1(.5) + 2(.1) = .7
V ( X ) = σX2 = ∑( x − µ)2 P( x ) = (0 − .7)2 )(.4) + (1 − .7)2 )(.5) +
(2 − .7)2 )(
q.1) = .41
√
σX = σX2 = .41 = .64
Valor esperado, variância e desvio padrão de Y do exemplo 53
E(Y ) = µY = ∑ yP(y) = 0(.6) + 1(.3) + 2(.1) = .5
V ( X ) = σX2 = ∑( x − µ)2 P( x ) = (0 − .5)2 )(.6) + (1 − .5)2 )(.3) +
(2 − .5)2q)(.1) = .45
√
σY = σY2 = .45 = .67
Para além desses parâmetros precisamos calcular mais dois parâmetros
que estão ligados ou medem o nível de associação entre as duas variáveis que
são a covariância e o coeficiente de correlação.
DEFINIÇÃO
A covariância entre duas v.a é definida pela expressão
n n
COV ( X, Y ) = σxy = ∑ ∑ (x − µX )(y − µY ) P(xi , y j ) (53)
i =1 j =1

ou
n n
COV ( X, Y ) = σxy = ∑ ∑ xyP(xi , y j ) − µX µY (54)
i =1 j =1

DEFINIÇÃO
O coeficiente de correlação entre duas v.a é definida pela expressão
σXY
ρ= (55)
σX σY

Exemplo 54 Ache a covariância e o coeficiente de correlação para os dados

do exemplo 53.
Solução
70 material de apoio a cadeira de estatística

x y ( x − µ x )(y − µy ) ( x − µ x )(y − µy ) P( x, y)
0 0 (0 − 0.7) × (0 − 0.5) = 0.35 0.35 × 0.12 = 0.04
0 1 (0 − 0.7) × (1 − 0.5) = −0.35 −0.35 × 0.21 = −0.07
0 2 (0 − 0.7) × (2 − 0.5) = −1.05 −1.05 × 0.07 = −0.07
1 0 (1 − 0.7) × (0 − 0.5) = −0.15 −0.15 × 0.42 = −0.06
1 1 (1 − 0.7) × (1 − 0.5) = 0.15 0.15 × 0.06 = 0.01
1 2 (1 − 0.7) × (2 − 0.5) = 0.45 0.45 × 0.02 = 0.01
2 0 (2 − 0.7) × (0 − 0.5) = −0.65 −0.65 × 0.06 = −0.04
2 1 (2 − 0.7) × (1 − 0.5) = 0.65 0.65 × 0.03 = 0.02
2 2 (2 − 0.7) × (2 − 0.5) = 1.95 1.95 × 0.01 = 0.02

Exercícios
Variável aleatória contínua

Definição e exemplos

Uma variável aleatória contínua é aquela que pode assumir um número

incontável de valores. O tratamento a dar este tipo de variável deve ser
diferente a aquele dado as variáveis aleatórias discretas, pois primeiro é
que não se pode listar os seus possíveis valores por existir uma infinidade
deles, segundo a probabilidade de assumir um valor é virtualmente zero.
Consequentemente, apenas podemos achar a probabilidade de um intervalo de
valores.
Variável aleatória contínua
Uma v.a diz-se contínua se a sua CDF é diferenciável. Podemos permitir
também que existam muitos pontos onde a CDF é contínua mas não seja
diferenciável, desde que ela seja diferenciável nos demais locais. Uma v.a
contínua é uma v.a com distribuição contínua.

Função de densidade

Função de densidade de probabilidade

Para v.a contínua com CDF F, a função de densidade de probabilidade f
(PDF) de X é a derivada f da CDF, dada por f ( x ) = F 0 ( x ). O suporte
de X e da sua distribuição são todos valores x onde f ( x ) > 0.
A PDF é análoga a PMF de várias maneiras, mas existe uma diferença
chave: para a PDF f , a quantidade f ( x ) não é uma probabilidade, de facto é
possível obter f ( x ) > 1 para alguns valor x. Para se encontrar as probabili-
dades é necessário integrarmos a PDF.
Para se sair de PDF para CDF podemos aplicar o teorema fundamental do
Cálculo.
72 material de apoio a cadeira de estatística

PDF para CDF

Seja X uma v.a contínua com PDF f . A CDF de X é dada por
Z x
F(x) = f ( x ) dx (56)
−∞

Uma vez que PDF contem toda informação da distribuição, pois podemos
sair de CDF para PDF e vice-versa usando diferenciação e integração,
então estamos em condições de achar a probabilidade de X se encontrar em
qualquer intervalo (a,b). Um facto importante é que podemos excluir ou
incluir os pontos de extremidades ao nosso gosto sem alterar a probabilidade
uma vez que a probabilidade dos pontos extremos dos intervalos é zero:

P ( a < X < b ) = P ( a < X ≤ b ) = P ( a ≤ X < b ) = P ( a ≤ X ≤ b ).

Pela definição de CDF e pelo teorema fundamental do Cálculo,

Z b
P( a < X ≤ b) = F (b) − F ( a) = f ( x ) dx
a

Em suma:

Para se obter a probabilidade desejada, integra sobre o intervalo apropriado.

A PDF f duma v.a contínua deve satisfazer os seguintes critérios:

1. Não-negativa: f ( x ) ≥ 0
R∞
2. Integrar á 1: −∞ f ( x ) dx = 1

Agora vejamos exemplos de duas PDF específicas. As duas distribuições

a seguir são denominadas de distribuições logística e Rayleigh, usados aqui
apenas para fins demonstrativos11 11
Os estudantes podem recorrer a
outras fontes para saberem mais sobre a
história por detrás dessas distribuições
Exemplo 55 (Logística) A distribuição logística tem CDF

ex
F(x) = ,x ∈ R (57)
1 + ex
Para obtermos a PDF, diferenciamos a CDF

ex
f (x) = ,x ∈ R (58)
(1 + e x )2

Seja X ∼ Logistica. Para se encontrar P(−2 < X < 2) integra-se a

PDF de -2 á 2:
ex
Z 2
P(−2 < X < 2) = dx = F (2) − F (−2) ≈ .76
−2 (1 + e x )2
 variável aleatória contínua 73

Figura 18: PDF e CDF da

distribuição logistica. A proba-
bilidade P(-2 <X<2) é indicada
pela zona sonbreada na PDF e a
altura das chavetas na CDF

Exemplo 56 (Rayleigh) A distribuição Rayleigh tem CDF

2 /2
F ( x ) = 1 − e− x ,x > 0 (59)

Para obtermos a PDF, diferenciamos a CDF

2 /2
f ( x ) = xe− x ,x > 0 (60)

Seja X ∼ Rayleigh. Para se encontrar P( X > 2) integra-se a PDF de 2 á

∞: Z ∞
2
P ( X > 2) = xe− x /2 dx = 1 − F (2) ≈ .14
2

Figura 19: PDF e CDF da

distribuição Rayleigh. A pro-
babilidade P(X>2) é indicada
pela zona sonbreada na PDF e a
altura das chavetas na CDF
Modelos de regressão

Modelos de regressão linear simples

Método dos mínimos quadrados

Teste de parâmentos do modelo

Coeficientes de correlação e de determinação. Interpretação

Previsão

Modelo de regressão linear múltiplos

Previsão
Bibliografia