Universidade Católica de Moçambique

Instituto de Educação à Distância

Tema: Introdução à Estatística (conteúdos da unidade 9 à 16)

Nome de Estudante: Ofélia Daniel Muassuruco

Código de Estudante: 708213216

Curso: Licenciatura em Ensino de Português

Cadeira: Estatística
Ano de Frequência: 1º Ano; 2º Semestre
Docente: Lucas Mário Paulo

Gurué, Junho de 2022

 Folha de Feedbacks (A ser preenchida pelo tutor)

Categorias Indicadores Padrões Classificação

Pontuação Nota do Subtotal
máxima tutor
Estrutura Aspectos Capa 0.5
organizacionais Índice 0.5
Introdução 0.5
Discussão 0.5
Conclusão 0.5
Bibliografia 0.5
Conteúdo Introdução Contextualização 1.0
Descrição dos objectivos 1.0
Metodologia adequada ao objecto 2.0
do trabalho
Análise e Articulação e domínio do discurso 2.0
discussão académico
Revisão bibliográfica nacional e 2.0
internacionais relevantes na área
de estudo

Exploração dos dados 2.0

Conclusão Contributos teóricos práticos 2.0
Aspectos Formação Paginação, tipo e tamanho de 1.0
gerais letras, parágrafos, espaçamento
entre linhas
Referências Normas APA 6ª Rigor e coerência das 4.0
bibliográficas edição em citações/referências bibliográficas
citações e
bibliografia

Recomendações de Melhoria:
______________________________________________________________________________
______________________________________________________________________________
______________________________________________________________________________
______________________________________________________________________________
______________________________________________________________________________
______________________________________________________________________________
______________________________________________________________________________
______________________________________________________________________________
______________________________________________________________________________
______________________________________________________________________________
______________________________________________________________________________
______________________________________________________________________________
______________________________________________________________________________
______________________________________________________________________________
______________________________________________________________________________
______________________________________________________________________________
______________________________________________________________________________
Índice
1. Introdução............................................................................................................................... 3

1.1. Objectivos............................................................................................................................4

1.1.1. Geral................................................................................................................................ 4

1.1.2. Específicos....................................................................................................................... 4

1.2. Metodologia.........................................................................................................................4

2. Outros tipos de Médias........................................................................................................5

3. Outras medidas de Localização........................................................................................... 7

4. Medidas de dispersão ou de variabilidade...........................................................................9

5. Medidas de Assimetria e Curtose...................................................................................... 11

6. Distribuições bidimensionais.............................................................................................12

7. Noção intuítiva e frequencista das probabilidades.............................................................13

8. Acontecimentos equiprováveis..........................................................................................17

9. Probabilidade Condicional.................................................................................................17

Parte II:......................................................................................................................................... 19

10. Conclusão.......................................................................................................................... 25

11. Bibliografia........................................................................................................................26
 1. Introdução
Sendo a estatística um ramo de grande importância da matemática, desenvolvendo técnicas como
a colecta de dados, sua organização e interpretação, no trabalho presente vai-se abordar sobre a
sua aplicação, olhando para sua complexidade na área em que se faz menção, oi seja, na
matemática. Ela pode ser aplicada em praticamente todas as áreas do conhecimento humano e em
algumas áreas recebe um nome especial.

Considerando isto, o presente trabalho dado faz-se um resumo dos conteúdos ligados a
introdução de estatística. Olhando atentamente para os outros tipos de Média; Outras medidas de
Localização; Medidas de dispersão ou de variabilidade; Medidas de assimetria e curtose;
Distribuições Bidimensionais; Noção intuitiva e frequencista das probabilidades; Acontecimentos
equiprovaveis e por fim sobre Probabilidade condicionada. Como qualquer trabalho científico
traz consigo uma estrutura como foram de organização, o presente trabalho apresenta a seguinte
estrutura: introdução, desenvolvimento dos temas e subtemas, conclusão e por fim a bibliografia,
espera-se que no final da materialidade tenhamos noções básicas relativamente ao tema a ser
apresentado.

3
 1.1. Objectivos

1.1.1. Geral
 Conhecer os conteúdos básicos a Estatística.

1.1.2. Específicos
 Apresentar os conteúdos básicos da estatística;
 Resumir os conteúdos do Modulo de Estatística a partir da unidade 9 a unidade 16;
 Resolver os exercícios propostos na segunda parte do trabalho.

1.2. Metodologia
O presente trabalho foi feito através do método bibliográfico, que consistiu na consulta
bibliográficas relacionadas a esta área de pesquisa cujas mesmas facilitaram o desenvolvimento
autêntico e completo do trabalho tornando-o possível a compilação, sendo que as obras
consultadas se encontram listadas por ordem alfabética no final do trabalho.

4
 2. Outros tipos de Médias
2.1. Média Geométrica (Mg)

A média geométrica dos valores observados x1, x2, x3, …,xn é a raiz de índice n do produto
desses números. Na média geométrica, nós multiplicamos os valores disponibilizados e extraímos
a raiz de índice igual à quantidade de números multiplicados:

Também Aplicando logaritmos temos:

Se os valores x1, x2, x3, …, xn estiverem com as suas respectivas frequências absolutas f1, f2,
f3, …, fn; a média geométrica será dada:

2.2. Média harmónica (MH)

A média harmónica está relacionada ao cálculo matemático das situações envolvendo as

grandezas inversamente proporcionais. Ao inverso da média aritmética dos inversos dos valores
x1, x2, x3, …, xn da variável dá-se o nome de media harmónica. MH:

Se os valores x1, x2, x3, …, xn estiverem com as suas respectivas frequências f1, f2, f3, …, fn; a
média harmónica será dada por: MH =

5
 2.3. Média quadrática

Consideremos os valores observados, x1, x2, x3, …, xn. A média quadrática é a raiz quadrada da
média aritmética dos quadrados da variável.

No caso dos valores observados estiverem acompanhados com as suas respectivas frequências f1,
f2, f3, …, fn; a média quadrática será dada por:

Os diferentes tipos de médias relacionam-se entre si da seguinte maneira: MhMg M MQ

2.4. Importância de cada uma das medidas de tendência central

De acordo com Sande (s/d, pp. 59-60) as três medidas de tendência central média, moda e
mediana, pretendem localizar os valores em torno dos quais os dados se agrupam.

Média - É uma medida de precisão, cuja definição e propriedades são tratadas por meios
algébricos e que intervém em cálculos estatísticos avançados. É uma medida complexa, isto é, faz
intervir todos os dados, pelo que é muito sensível a qualquer alteração de um ou mais valores. O
seu valor não pertence, geralmente ao conjunto inicial de dados (pode não ter existência real). É a
medida mais usada para comprar distribuição, serve de padrão de comparação.

Mediana - Permite situar um indivíduo na metade inferior ou superior da população quanto ao

carácter em estudo. É um parâmetro “robusto” não afectado por flutuações dos externos é uma
medida de posição. Usa-se em geral quando as distribuições são muito assimétricas, ou seja,
desequilibradas nos externos.

Moda - Indica imediatamente o valor ou a modalidade de maior efectivo ou frequência. É

especialmente importante em estudos de mercado. É a medida mais fácil e rápida de observar.
Mas, com dados agrupados, seu cálculo é mais trabalhoso. Aplica-se tanto a carácteres
quantitativos como qualitativos.

6
 3. Outras medidas de Localização
Segundo Sande (s/d, p. 62) os quartis, decís e percentis, são medidas de localização muito usadas
no estudo das séries estatísticas. É sobre esse assunto que vamos falar nesta unidade, quer para
variável descrita, quer para contínua. A mediana é o valor que separa a quantidade de dados em
duas partes iguais: 50% dos dados abaixo dela e 50% acima. Assim como a mediana, existem
outros valores que separam os dados em partes iguais. Eles são chamados genericamente de
quantis. Os quantis mais importantes e usados são:

Quartis: dividem os dados em quartas partes (cada parte tem 25% dos dados). São indicados por
Q1, Q2 = Md e Q3.

Decis: dividem os dados em décimas partes (cada parte tem 10% dos dados). São indicados por
D1, D2, ..., D9.

Percentis: dividem os dados em centésimas partes (cada parte tem 1% dos dados). São indicados
por P1, P2, ..., P99.

Um conjunto de dados pode ser dividido em 3 quartis, 9 decis e 99 percentis. Vejamos o exemplo
a seguir para os quartis.

Para uma colecção de n dados discretos, os postos dos quartis, decis e percentis são calculados
como:

Quartis: 1º quartil: (n)/4; 2o quartil (Md): 2n/4 = n/2; 3o quartil: 3n/4.

Decis: 1º decil (D1): n/10; 2o decil: 2n/10; ...; i-ésimo decil: in/10; ...; 9o decil: 9n/10.

Percentis: 1º percentil (P1): n/100; 2o percentil: 2n/100; ...; i-ésimo percentil: in/100; ... ; 99o
percentil: 99n/100.

A partir do posto, pode-se calcular o valor do quartil, do decil ou do percentil desejado. Como
regra geral, se o posto coincide com um número inteiro i o valor a ser usado é o da média
7
aritmética entre os dados que ocupam as posições i e i+1. Já se o posto não for um número inteiro
a convenção que vamos usar é arredondar para a posição do número inteiro acima do posto e
tomar o valor correspondente.

Quartis Enquanto a mediana divide um conjunto de dados estatísticos ordenados em duas partis
iguais, os quartis dividem-no em quatro. São, por isso, em número de três e representam-se,
respectivamente, por Q1, Q2 e Q3. O segundo quartil corresponde a mediana, ou seja, Q2=Me.
Para a determinação dos quartis, teremos que atender ao tipo de distribuição apresentada. O
cálculo de Q2 = Me já foi tratado anteriormente vejamos como determinar Q1 e Q3.

Para dados não agrupados, o primeiro quartil é a mediana da primera metade da distribuição.
Supondo que esta apresenta um número de observação igual a N` , ordem de Q1 será:

O terceiro, quaril é a mediana da última metade da distribuição. A ordem de Q3 pode ser obtida
do seguinte modo:

Para dados agrupados, as considerações feitas para a determinação da mediana de uma

distribuição de dados agrupados aplicam-se também na determinação de Q1 e Q3. Quer N seja
par ou ímpar

Tratando-se de dados agrupados em classes obtém-se os quartis através da fórmula.

Amplitude interquartis é a amplitude interquartis á diferença entre o terceiro e primeiro quartis.

AQ = Q3 – Q1

8
Diagrama de extremos e quartis e quartis é um esquema que nos permite ver se há
concentração ou dispersão dos dados ao longo de toda a distribuição.

4. Medidas de dispersão ou de variabilidade

De acordo com Sande (s/d, p. 69) as medidas de tendência central estudadas reduzem a série de
dados a um só valor típico (media, mediana e moda). É necessário completar o estudo de uma
distribuição estatística com outras medidas que permitem determinar o grau de dispersão dos
dados em torno dos valores centrais.

4.1. Medidas de dispersão

As medidas de tendência central estudadas reduzem a série de dados a um só valor típico (media,
mediana e moda). O valor central mais usado é o valor médio, que contudo, nem sempre dá uma
ideia suficiente da série estatística. É necessário completar o estudo de uma distribuição com
outras medidas que permitem determinar o grau de dispersão dos dados em torno dos valores
centrais. As medidas de dispersão mais usadas são: Amplitude total, Desvio quartílico, desvio
médio, variância e desvio padrão.

Amplitude total (range) – é a diferença entre o valor máximo e mínimo.

R  Xmáx  Xmín

Interquartil – é a diferença entre o 3º e o 1º quartil, isto é, Q3 Q1

Semi amplitude quartílíca é a metade do interquartil.

Desvio quartilíco relative

Desvio de Xi em relação a media  x é a diferença entre os valores observados e o valor médio.

d  x  xi

9
Chama – se desvio médio de uma distribuição (Dx) a média aritmética dos valores absolutos dos
desvios em relação a média.

Chama-se Variância, a média aritmética dos quadrados dos desvios em relação a média
aritmética. A variância é tanto maior quanto maior for a dispersão. A representatividade dos
valores centrais diminui quando a variância aumenta.

Chama-se desvio padrão, a raiz quadrada da variância.

A variância também pode ser dada pela fórmula.

4.2. Importância do desvio padrão

O desvio padrão informa sobre dispersão, isto é, sobre o afastamento dos dados em relação a

média. - O intervalo contém sempre mais de 50% dos dados; isto significa
que mais de metade dos dados se situam a uma distância da média que é inferior a um desvio
padrão.

Coeficiente de variação ou de dispersão Cv, é uma medida de dispersão útil para a comparação
em termos relativos, do grau de concentração em torno da média de séries distintas e as vezes o
Cv é dado em percentagem, e é dado por:

10
 5. Medidas de Assimetria e Curtose
Sande (s/d, p. 79) afiança que assimetria é o grau de desvio em relação a uma distribuição
simétrica. É nesta unidade onde vamos falar dos diferentes casos de assimetria e dos graus de
achatamento curtose de uma distribuição.

5.1. Mediadas de Assimetria

Assimetria é o grau de desvio em relação a uma distribuição simétrica. Ao representarmos

graficamente uma distribuição de frequências, três casos são possíveis:

Estamos perante uma distribuição simetria.

Estamos perante uma distribuição assimétrica.

Estamos perante uma distribuição assimétrica a direita ou positiva.

Coeficiente de Assimetria (As)

Karl Pearson citado Sande (s/d, p. 80) por propôs duas maneiras de avaliar o grau de achatamento
ou de formação da curva de uma distribuição de frequências, cujo objectivo principal é
justamente indicar a grandeza do afastamento em termos relativos.

a) Primeiro coeficiente

x = Média Aritmética; Mo = Moda;  = Desvio padrão da amostra.

b) Segundo coeficiente

onde, Med = Mediana

11
Em função dos resultados de (As), é possível determinar o comportamento da curva de cada
distribuição. Assim, se:

As  0 A distribuição é simétrica.
As 0 A distribuição é assimétrica positiva.
As  0 A distribuição é assimétrica negativa.
5.2. Medidas de Achatamento-Curtose

Curtose nada mais é do que o grau de achatamento da curva de uma distribuição de frequências.
Isto considerando que uma curva pode apresentar-se mais achatada ou mais afilada em relação a
uma curva considerada curva – padrão ou curva normal. Assim, dentro destas especificações,
uma curva normal deve apresentar um coeficiente de curtose igual a 0,263 (mesocurtica), e se o
mesmo coeficiente for menor que 0,263, a curva devera-se apresentar mais aguda que a normal
(Leptocúrtica). O cálculo deste coeficiente é dado pela seguinte expressão:

6. Distribuições bidimensionais
De acordo com Ferreira (2008, p. 43) o estado estatístico refere-se muitas vezes a dois caracteres
da mesma população visando investigar em que medida eles se relacionam, isto é, de que modo a
variação de um deles exerce influência na variação da outro. As distribuições estatísticas
envolvendo o estudo da relação entre duas variáveis chamam-se distribuições bidimensionais.

Há caracteres entre os quais é impossível descobrir qualquer relação, como por exemplo, o peso
dos alunos e a respectiva nota em Português. Diz-se que estes são caracteres independentes. Diz-
se que há influência de um carácter neutro. O maior ou menor grau de dependência estatística
entre duas variáveis traduz-se por um número, o coeficiente de correlação que só varia de -1 a 1.

Correlação positiva – as variáveis evoluem em geral no mesmo sentido. Exemplo: altura e o

peso das pessoas.

Correlação negativa – as variáveis evoluem em sentido contrário quando uma aumenta a outra
tende a diminuir. Exemplo: intensidade da chuva e a temperatura do ar.

12
Correlação nula – não há influência de uma variável na outra, as variáveis são independentes.
Exemplo: a idade do pai e a nota de desenho de cada aluno.

Se o coeficiente de correlação for igual a 1 ou a -1, então a dependência entre duas variáveis é tão
rigorosa que se pode traduzir por uma lei matemática: diz-se que há uma dependência funcional.

A dependência funcional é um caso extremo da dependência estatística. De uma distribuição

bidimensional de variáveis xi e yi podemos fazer uma representação gráfica num sistema de eixo
dos x x’ e os da outra variável no eixo dos y y’. A essa representação chama-se diagrama de
dispersão. Se todos os pontos desse diagrama se situar nas proximidades de uma recta (recta de
regressão), a correlação diz-se linear.

6.1. Coeficiente de Correlação

Intuitivamente podemos prever a existência de correlação entre duas variáveis. Para quantificar a
relação usa - se o coeficiente de correlação linear de Pearson que se representa por .

7. Noção intuítiva e frequencista das probabilidades

7.1. Noção intuitiva das probabilidades

De acordo com Sande (s/d, p. 94) os jogos de azar que se praticam há milhares de anos, estão na
origem das primeiras obras escritas sobre probabilidades e que começaram a surgir no século
XVIII. O dado é um instrumento dos jogos de azar por excelência, a tal ponto que duas das
palavras mais usadas para lidar com o que é casual, ou fortuito, ou contingente são: Azar de az –
13
zãr e Aleatório de álea, ambas com origem na palavra dado, respectivamente em árabe e latim.
Por esta sua origem concreta, a teoria das probabilidades utiliza uma linguagem própria que é
preciso conhecer.

Uma experiência diz-se aleatória se pode ter vários resultados cujo aparecimento, em cada prova
da experiência, é impossível prever. Diz-se que o resultado depende do “acaso” ou da “sorte” ou
do “azar”. Os fenómenos aleatórios são o objecto de estudo da teoria das probabilidades. Acaso
significa ausência de causa conhecida. São aleatórias todas as experiências que se fazem nos
jogos. As experiências do laboratório que se fazem na escola, cujo resultado já é conhecido e é
sempre o mesmo, não são experiências aleatórias.

Para compreender melhor o conceito de probabilidade, há experiências aleatórias muito simples

que podemos realizar com um grupo de trabalho, porque devem ser repetidas muitas vezes e em
condições análogas; só assim é possível tirar conclusões significativas. Vamos descrever algumas
experiências e atribuir a probabilidade aos vários resultados que podem dar, introduzindo a
terminalogia adequada.

1ª Experiência – Lançamento de dado

Lançamento de um dado sobre uma superfície lisa, plana e horizontal. Qualquer das 6 faces pode
ficar voltada para cima. Diz-se que esta experiência tem 6 resultados possíveis ou 6 casos
possíveis. O conjunto E = {1, 2, 3, 4, 5, 6} é de todos os resultados possíveis, é o espaço amostral
desta experiência aleatória. Qualquer elemento de E, é então um caso possível. 3 E logo 3 é um
caso possível. A saída de 3 é um acontecimento elementar que se designa por {3}.

A saída de um número par também é um acontecimento mas não é elementar porque sair par
equivale a sair 2, ou sair 4, ou sair 6. Tratando os acontecimentos em termos de conjunto de
resultados termos: Acontecimento sair número par>> = {2} {4} {6}; logo é uma reunião de
acontecimentos elementares. Acontecimento é qualquer subconjunto de E, incluindo A numa
prova, significa que o resultado dessa prova é um elemento de A. Nota: Diz-se que A se realizou
quando o resultado é elemento A. A  B verifica – se quando ou se realiza A ou B. A  B verifica
– se quando A e B se realizam simultaneamente.

7.2. Noção frequencista

14
Suponha que o dado é perfeito, ou seja, rigorosamente simétrico, sem faces privilegiadas, então, é
natural esperar que jogando o dado muitas vezes, o resultado de cada face seja aproximadamente
o mesmo, visto que todas tem a mesma possibilidade de ficar para cima.

7.3. Lei dos Grandes Números (Lei de Bernoulli) - Definição frequência de

probabilidade

Quando o número de provas aumenta muito, frequências relativa de um acontecimento tende a

estabilizar num determinado valor que se adopta como probabilidade teórica desse
acontecimento.

Podemos dizer que: A probabilidade de um acontecimento associado a certa experiência é a

frequência relativa esperada desse acontecimento quando o número de provas for muito elevado.
A probabilidade de um acontecimento é um número de 0 a 1 (em percentagem: de 0% a 100%).

0  PA 1

Probabilidade = 1: o acontecimento é certo nessa experiência que se realize sempre. Exemplo:

«sair menos de sete» = {1, 2, 3, 4, 5, 6}, no lançamento de um dado;

Probabilidade = 0: o acontecimento nunca se dá nesta experiência, é um acontecimento

impossível. Exemplo: «sair zero» no lançamento de um dado.

Acontecimentos contrários:

Seja A = «sair menos 4» e B = «sair mais do que 5». Temos A  B = Ø Seja A = «sair número
par» e B = «sair número impar». Vemos também que A B= Ø; mas este último exemplo tem
uma diferença importante em relação aos anteriores. Se não se realiza A, então ocorre B (se não
sai par, sai impar) o que significa que A B engloba todos resultados possíveis desta experiência.
Então os acontecimentos além de incompatíveis, dizem-se contrários.

Os acontecimentos A e B dizem-se contrários se a sua conjugação é impossível (não

incompatíveis) e, simultaneamente a sua disjunção é certa.

A B = Ø ^ A B = 

O acontecimento contrário de A designa-se por Ae é complementar de A.

15
Definição Axiomática das Probabilidades Acabamos de ver atrás intuitivamente, como a lógica
dos conjuntos e noção da frequência relativa intervêm na construção do conceito de
«Probabilidade de um Acontecimento». Foi com base nesses acontecimentos que Kolmogrov
concebeu a primeira construção axiomática geral para a teoria das probabilidades. Em 1950, esta
obra foi dada a conhecer a todo o Mundo cientifico pela tradução inglesa «Foundations of the
theory of Probability» e a partir de então a teoria das probabilidades não parou de ganhar
importância.

O espaço amostral E associado a uma experiência aleatória é o conjunto de todos os resultados

possíveis dessa experiência. O espaço amostral pode ser discreto (por exemplo, caso da lotaria ou
dado) ou contínuo (por exemplo, caso do tempo de esperar por um autocarro); no caso de ser
discreto pode ser finito (lotaria ou dado) ou ter um número infinito de elementos (escolha de um
numero natural qualquer).

Acontecimento é todo o subconjunto de E (incluindo o vazio Ø e o próprio E). Espaço de

acontecimento é o conjunto de todas as partes ou subconjuntos de E. Designa-se por  (E).

7.4. Definição axiomática das Probabilidades

A cada acontecimento A de espaço de acontecimentos faz-se corresponder um número real que se

chama probabilidade de A, escreve-se P (A), o qual cumpre os seguintes axiomas:

A1: P(A) 0  A  (E)

A2: P(E) = 1 (acontecimento certo)
A3: Se A B = Ø (A, B incompatíveis)

Então P (A B) = P (A) + P (B) Os axiomas A1 e A3 fazem com que a probabilidade seja uma
«mediana». O axioma A2 fixa a «quantidade» total da probabilidade em 1, a semelhança das
frequências relativas. Assim, podemos dizer que a probabilidade mede até que ponto se pode
esperar que ocorra um acontecimento e que a medida máxima é 1.

7.5. Primeiras consequências dos axiomas (propriedades)

T1: A probabilidade do acontecimento contrário a A é dada por P ( A ) = 1 – P (A) Corolário 1: P

(Ø) = 0 A probabilidade de um acontecimento impossível é zero. Corolário 2: P (A)  1. T2:

16
Quaisquer que sejam os acontecimentos A, B, C,…. Incompatíveis dois a dois tem-se P(A  B 
C ...) = P(A) + P(B) + P(C) +…

8. Acontecimentos equiprováveis
Na maior parte das experiências aleatórias, a única forma de avaliar a probabilidade de cada
acontecimento elementar consiste em repetir a experiência muitas vezes em condições análogas:
por exemplo, experiências com objectos irregulares, acidentes na estrada, eleições e as
experiências científicas com adubos e medicamentos. Só uma experimentação prolongada
permite achar valores aproximados das suas probabilidades. Mas pensemos agora nas
experiências em que é possível calcular as probabilidades a priori, mesmo antes de realizar
quaisquer provas. Em geral estão ligadas a jogos de azar que usam objectos regulares construídos
com grande perfeição como dados, roletas, urnas com bolas, moedas, baralho de cartas, … nestes
casos a experimentação reiterada, limita-se a confirmar os cálculos feitos a priori. Por exemplo
no dado perfeito.

Se é perfeito, P(1) = P(2) = P(3) = P(4) = P(5) = P(6), isto é, os acontecimentos elementares são
equiprováveis. Como são 6, a probabilidade de cada um deles é 1/6. Qualquer outro
acontecimento é reunião de acontecimentos elementares equiprováveis.

8.1. Definição clássicas de probabilidade (ou lei de LAPLACE)

Se uma experiência aleatória tem n resultados possíveis incompatíveis e equiprováveis, a

probabilidade dum acontecimento A é dada por:

(# A designa o número de elementos de A).

9. Probabilidade Condicional
9.1. Probabilidade Condicionada

A probabilidade condicional considera que, ocorrido um evento, este influencia a ocorrência do

outro, ou seja, são eventos dependentes. Ou seja, refere-se à probabilidade de um evento A
sabendo que ocorreu um outro evento B e representa-se por P(A|B), lida “probabilidade
17
condicional de A dado B” ou ainda “probabilidade de A dependente da condição B”. Parece
razoável defender que a probabilidade de uma pessoa, escolhida ao acaso, gostar de Matemática,
não deve ser a mesma se a escolha for feita num grupo de Licenciatura em Ensino de Matemática
ou num grupo de Licenciatura em ensino de Português. De que maneira uma informação
adicional afecta a probabilidade de um acontecimento, é o que vamos tratar.

9.2. Acontecimentos independentes

A probabilidade de A condicionada por B (ou dado B, ou sabendo que B) é definida por:

P (B)>0 dado

Assim, a probabilidade de A muda após o evento B ter acontecido. Isso porque o resultado de A é
uma das possibilidades de B. Precisamos calcular os eventos que são comuns a B e também a A,
ou seja A∩B.

Exemplo: Considere-se um baralho de 52 cartas. A probabilidade de ao retirar uma carta sair um

rei é 4/52, ou 1/13. No entanto, se alguém retira uma carta e nos diz que é uma figura, então a
probabilidade de a carta retirada ser um rei é 4/12=1/3, ou seja, P(sair um rei|sair uma
figura)=1/3.

Dois acontecimentos dizem-se independentes se:

Isto significa que:

Ou seja, que a ocorrência de B não tem qualquer efeito sobre a de acontecer A.

9.3. Falácia da probabilidade condicionada

A falácia da probabilidade condicionada consiste em supor que P(A|B) é igual a P(B|A). No

entanto, pelo teorema de Bayes, estas probabilidades condicionadas só são iguais se, e somente
se, A e B tiverem a mesma probabilidade.
18
19
Parte II:
1.a) R: Construa a tabela de freqüências (absolutas, relativas e acumuladas).

Dados em rol:

55 55 56 57 57 57 57 58 59 60 60 60 61 61
61 61 62 62 62 63 64 64 64 64 65 65 65 65
65 65 65 65 66 66 66 66 67 67 68 68 68 68
69 69 69 71 72 72 73 74 75 75 75 76 76 77
80 80 80 83

Resolução:

R=X max −X min =83−55=¿28

n=60

Cálculo do número de classes:

k =√ n

k =√ 60

k =7 , 74 ≅ 8

Cálculo amplitude das classes:

R 28
h= = =3 , 5 ≅ 4
K 8

Classes xi fi Fi xi f i fr 2
xi . f i
[55;59[ 57 8 8 456 0,13 25992
[59;63[ 61 11 19 671 0,183 40931
[63;67[ 65 17 36 1105 0,283 71825
[67;71[ 69 9 45 621 0,15 42849
[71;75[ 73 5 50 365 0,083 26645

20
 [75;79[ 77 6 56 462 0,10 35574
[79;83[ 81 4 60 324 0,067 26244
Σ 60 4004 1 270060

2.a) R:
No que usaram as No de adolescentes F iac xi f i
Drogas ( x i) ( f i)
0 47 47 0
1 29 76 29
2 13 89 26
3 8 97 24
Σ 97 ---------------- 79

M 0=0 , Porque olhando para tabela nas freqüências absolutas simples. Constata-se que 0 repete
acerca de 47 vezes na distribuição.

Significa que no presente estudo notou-se que o numero de adolescente que não usam drogas é
mais grande em relação aos números de adolescentes que usam drogas.

2.b) R:
Dados:
𝑛 = 97
𝑥෤=?

Como n é impar, significa que o numero de posições ira coincidir com a mediana.

97 + 1 98
𝑃𝑥෤ = = = 49º
2 2
Olhando
na freqüência acumulada 49º, obteremos a
~
x=1 , a mediana é igual a 1.

Significa que o numero médio de adolescentes entrevistado sobre o numero de vezes que
utilizaram as drogas é 1.
21
2.c) R:
Dados: formula/ Resolução:
𝚺𝒙𝒊 𝒇𝒊 79
𝑛 =97 𝑥ҧ= =
𝑛 97

Σ𝑥𝑖 𝑓𝑖 = 79 Σ𝑥𝑖 𝑓𝑖 = 79
𝑥ҧ=? 𝑥ഥ = 0,814

R: O numero médio de adolescentes entrevistado sobre o numero de vezes que utilizaram as

drogas é 0,814.

3.a) R:

Dados em rol:

103,114,114,114,121,125,125,130,130,132,135,139,169,169,146

Dados: formula\Resolução:

1966
𝑛 = 15 𝑥ҧ= = 131,07
15

𝑥ҧ=?

𝑀0 =?

𝑥෤=?
Ca
lculo da mediana:

Dados em rol

103, 114, 114, 114, 121, 125, 125, 130, 130, 132, 135, 139, 169, 169, 146.

Como o nosso n=15 ee impar, entao a mediana sera igual o valor da posicao
n+ 1 15+1
P~x = = =¿ 8º posição. Portanto olhando para o rol o 8o valor é 130.
2 2

~
x=130.

Calculo das modas:

22
114; 125; 130; 169. São as modas na distribuição. Quanto a classificação é multimodal. Pois tem
mais que duais modas.

3.b)

Dados: Formula/Resolução:

σ 𝑛𝑖=1 (𝑥 𝑖 −𝑥ҧ
)2
σ 𝑛𝑖=1(𝑥𝑖 − 𝑥ҧ
)2 = 5018,934 𝑠2 = 𝑛−1

5018,934.
𝑛 = 15 𝑠2 = 15−1

1966
𝑥ҧ= = 131,07 𝑠 2 = 358,495
15

𝑆 2 =?

R: Portanto a variação dos dados em torno da media é358,495 .

Calculo do desvio padrão:

Partindo do pressuposto de o desvio padrão igual a raiz da variância.

Desvio padrão: S= √ 358 , 495=18,934

R: Portanto a variação dos dados em torno da media é18,934 .

4. Em uma empresa que contém 4000 colaboradores, deseja-se fazer uma pesquisa de satisfação.
Quantos colaboradores devem ser entrevistados para tal estudo? Considere o erro amostral
tolerável é de 4%.
Dados: Formula/Resolução:
𝜎 𝑍 𝐶. 𝜎 2
𝑛 = 4000 𝐸 = 𝑍𝐶 . ⟺𝑛=ቀ ቁ
ξ𝑛 𝐸

𝐸.ξ 𝑛
𝐸 = 4% = 0,04 𝜎= 𝑍𝐶

0,04.ξ 4000
𝛼 = 0,05 𝜎= 1,96

𝑍𝐶 = 1,9 𝜎 = 1,290

23
R: Os colaboradores que devem ser entrevistados para tal estudo são 4000. Com um desvio de
padrão de 1,290.
5. a
Dados: Formula/Resolução

𝑠 𝑠
𝑛 = 30 𝐼𝐶𝜇 95% = [𝑥ҧ
− 𝑡0,975 ; 𝑥ҧ
+ 𝑡0,975 ]
ξ𝑛 ξ𝑛

1 − 𝛼 = 0,95 𝐼𝐶𝜇 95% = [151,9 − 3,6; 151,9 + 3,6]

𝛼 = 1 − 0,95 𝐼𝐶𝜇 95% = [148,3; 155,5]

𝛼 = 0,05

𝑡0,975 = 2,045

𝑥ҧ
= 151,9

𝑆 = 9,7 mm.

𝑠 9,7
E =𝑡0,975 √𝑛 = 2,045 × √30 = 3,6

R: O verdadeiro parâmetro para media esta no intervalo IC μ95 % =[148 , 3; 155 , 5].

5.b) Organizando os dados em ordem crescente, temos:

129 134 137 139 139 140 143 145 149 150
151 151 152 154 154 155 155 155 157 157
158 158 159 159 159 159 160 162 167 169

Há 22 observações entre 144 e 160 mm. Logo a proporção amostral de pecas dentro das
X 22
especificações é: ^
P= = =0 , 73 ; q=1− ^p =0 , 27
n 30

24
Dados: Formula/Resolução

𝑝ො
(1−𝑝ො
) 𝑝ො
(1−𝑝ො
)
𝑛 = 30 𝐼𝐶𝜇 98% = [𝑝Ƹ− 𝑍𝑐 ට 𝑛
; 𝑥ҧ
+ 𝑍𝑐 ට 𝑛
]

0,73×0,27 0,73×0,27
1 − 𝛼 = 0,98 𝐼𝐶𝜇 98% = [0,73 − 2,33ට 30
; 0,73 + 2,33ට 30
]

𝛼 = 1 − 0,98 𝐼𝐶𝜇 98% = [0,73 − 0,08; 0,73 + 0,08]

𝛼 = 0,02 𝐼𝐶𝜇 98% = [0,65; 0,81]

𝑍𝑐 = 2,33

𝑋 = 22

P(1−P)
E =𝑍0,49 ට 𝑛

R: O
verdadeiro parâmetro para proporção esta no intervalo IC μ98 % =[0 , 65 ; 0 , 81].

25
 10. Conclusão
Por fim, conclui-se que a Estatística não se limita somente a um conjunto de indicadores
numéricos relativos a um determinado facto social, nem somente ao uso de tabelas e gráficos para
o resumo, a organização e apresentação dos dados de uma dada investigação. Como se pode
verificar, a estatística tem sido aplicada nas mais diversas dimensões, entretanto, mais importante
do que defini-la é poder identificar sua importância e o aumento de sua utilização, pois a
Estatística evoluiu, tornando-se uma ampla e complexa ciência, tirando conclusões sobre o
conjunto todo a partir de amostras representativas, o que faz com que as decisões sejam baseadas
na incerteza. Falar da estatística hoje, é uma valia grande que serve para explicar se não, expor
diversas realidades que ocorrem. Em várias áreas, tem sido usada a estatística para clarificar
algumas particularidades. Compreende-se desde já, que a estatística é um ramo crucial não só em
matemática, mas também na área da saúde, população e outras áreas afins.

26
 11. Bibliografia
Ferreira, Eric Batista & Oliveira, Marcelo Silva. (2008). Introdução à Estatística Básica com R.
1ª Ed. Lavras, UFLA/FAEPE.

Milone, Guiseppe. (2003). Estatística Geral e Aplicada. 1ª edição. Thomson Pioneira.

Sande, Lazaro Domingos. (s/d). Estatistica. Módulo de Tronco Comum. Beira: UCM-CED.

27