Est - Aplicada Unid 1

Estatística Aplicada
U416. 66
Autor: Prof. Mauricio Martins do Fanno
Colaboradores: Prof. Flávio Celso Müller Martin
Prof. Fábio Gomes da Silva
Professor conteudista: Mauricio Martins do Fanno
Mauricio Martins do Fanno, nascido na cidade de São Paulo, é formado em Engenharia Mecânica pela Faculdade
de Engenharia Industrial (FEI), e pós‑graduado em Formação Didática do Ensino Superior. Desempenhou funções de
gerente e diretor em diversas empresas nacionais, nas áreas de Engenharia, Manutenção e Produção. É professor do
Ensino Superior desde 1986, atuando em diversas faculdades e universidades, lecionando disciplinas voltadas para a
formação de administradores, tanto na área da Matemática como na de Administração. Na UNIP, ministra aulas desde
1993, atuando nas disciplinas de Estatística, Administração da Produção e Materiais e Pesquisa Operacional.
Dados Internacionais de Catalogação na Publicação (CIP)
F213e Fanno, Maurício Martins do.
Estatística aplicada. / Maurício Martins do Fanno. – São Paulo:

Editora Sol, 2014.
100 p., il.
Nota: este volume está publicado nos Cadernos de Estudos e

Pesquisas da UNIP, Série Didática, ano XIX, n. 2-064/14, ISSN 1517-9230.
1. Estatística aplicada. 2. Distribuição. 3. Amostragem. I. Título.
CDU 519.2
© Todos os direitos reservados. Nenhuma parte desta obra pode ser reproduzida ou transmitida por qualquer forma e/ou
quaisquer meios (eletrônico, incluindo fotocópia e gravação) ou arquivada em qualquer sistema ou banco de dados sem
permissão escrita da Universidade Paulista.
Prof. Dr. João Carlos Di Genio
Reitor
Prof. Fábio Romeu de Carvalho

Vice-Reitor de Planejamento, Administração e Finanças
Profa. Melânia Dalla Torre

Vice-Reitora de Unidades Universitárias
Prof. Dr. Yugo Okida

Vice-Reitor de Pós-Graduação e Pesquisa
Profa. Dra. Marília Ancona-Lopez

Vice-Reitora de Graduação
Unip Interativa – EaD
Profa. Elisabete Brihy

Prof. Marcelo Souza
Prof. Dr. Luiz Felipe Scabar
Prof. Ivan Daliberto Frugoli
Material Didático – EaD
Comissão editorial:
Dra. Angélica L. Carlini (UNIP)
Dra. Divane Alves da Silva (UNIP)
Dr. Ivan Dias da Motta (CESUMAR)
Dra. Kátia Mosorov Alonso (UFMT)
Dra. Valéria de Carvalho (UNIP)
Apoio:
Profa. Cláudia Regina Baptista – EaD
Profa. Betisa Malaman – Comissão de Qualificação e Avaliação de Cursos
Projeto gráfico:
Prof. Alexandre Ponzetto
Revisão:
Lucas Ricardi
Juliana Mendes
Sumário
Apresentação.......................................................................................................................................................7
Introdução............................................................................................................................................................8
Unidade I
1 Revisão de probabilidades................................................................................................................... 11
2 Distribuição binomial............................................................................................................................. 17
3 VALOR E VARIÂNCIA ESPERADOS NA DISTRIBUIÇÃO BINOMIAL................................................. 28
4 Distribuição normal................................................................................................................................ 32
4.1 Conceitos básicos.................................................................................................................................. 32
4.2 Cálculo das áreas da curva normal................................................................................................ 35
Unidade II
5 AMOSTRAGEM................................................................................................................................................... 56
5.1 Amostragem aleatória simples........................................................................................................ 59
5.2 Amostragem com reposição e sem reposição........................................................................... 62
5.3 Amostragem sistemática.................................................................................................................... 63
5.4 Amostragem estratificada................................................................................................................. 63
5.5 Amostragem por conveniência........................................................................................................ 63
5.6 Amostragem intencional.................................................................................................................... 63
5.7 Amostragem por julgamento........................................................................................................... 64
5.8 Amostragem por quotas..................................................................................................................... 64
6 Teoria Elementar da Amostragem................................................................................................. 65
6.1 Distribuição amostral das médias................................................................................................... 65
6.2 Distribuição amostral das proporções.......................................................................................... 68
6.3 Distribuição amostral das diferenças............................................................................................ 70
7 Teoria da Estimação Estatística....................................................................................................... 74
8 Correlação e regressão lineares.................................................................................................. 80
8.1 Correlação linear................................................................................................................................... 81
8.2 Regressão linear..................................................................................................................................... 83
Apresentação
Na disciplina Estatística Aplicada, iremos ver assuntos mais próximos da prática profissional do
que se vê em Estatística, mas necessitaremos de ferramentas matemáticas mais elaboradas. Na medida
do possível, iremos revê‑las quando forem necessárias, mas é sempre conveniente que você revise os
conceitos matemáticos aprendidos em disciplinas anteriores.
O estudo da Estatística, como o de todas as ciências exatas, obriga à repetição, pelo maior número
de vezes possível, de exercícios de fixação. No presente material, os cálculos definidos são mostrados
uma única vez, como exemplo, mas o aluno deve se lembrar de que terá à disposição, nos materiais
complementares, uma grande quantidade de exercícios e problemas, e que o aprendizado somente é
garantido caso eles sejam feitos em sua totalidade.
Em Estatística são vistos e diferenciados população e amostra, e ocorre o estudo da Estatística

Descritiva, ou, em última análise, o estudo das amostras. Agora, iremos passar ao estudo das populações
e das relações entre as populações e suas amostras.
A ideia geral é conhecer primeiro qual é o comportamento previsto para populações e amostras e a
seguir relacioná‑las, obtendo previsões com razoável grau de confiança.
Neste curso de Estatística Aplicada, inicialmente, trataremos dos assuntos referentes às distribuições
de probabilidades, como são calculadas e quais seus limites de utilização. Esses conceitos são importantes
para se ter a ideia exata do que significa algo ser provável e não certo e qual é a medida provável. É
um assunto no qual o raciocínio lógico é fundamental, e vamos procurar apresentá‑lo de maneira
progressiva e natural, não nos prendendo a grandes refinamentos matemáticos.
A exemplo das distribuições de frequências, as distribuições de probabilidades apresentam

os valores trabalhados de maneira mais resumida e direta. Devemos notar que, ao contrário das
distribuições de frequências, as informações são prováveis, e não reais. Serão apresentadas as duas
mais importantes distribuições de probabilidades: a distribuição binomial e a distribuição normal. A
partir do estudo delas, pode‑se estender o conhecimento para as outras distribuições, bem menos
usadas na prática.
Em seguida, veremos a amostragem, ou seja, o estudo das relações entre as populações e as amostras
delas retiradas. São basicamente três vertentes de estudo:
• a previsão do comportamento de amostras a partir do conhecimento da população da qual foram

retiradas;
• a previsão do comportamento de uma população a partir do estudo de amostras dela retirada; e
• a comparação entre amostras e populações, na pesquisa de diferenças casuais ou causais.
7
Estudaremos também as relações e correlações entre duas variáveis e o comportamento matemático
dessas relações. Procura‑se verificar se, dadas duas variáveis, existe entre elas algum tipo de relacionamento
e, se existir, qual é.
Terminados esses assuntos, estaremos aptos a entender como se pode prever um acontecimento
futuro ou desconhecido, a partir de estudos relativamente menos trabalhosos, permitindo que se
tenham ferramentas preciosas para a tomada de decisões, em última análise, a finalidade básica de
qualquer ramo profissional.
Esperamos que, com este material, você tenha a oportunidade de completar o aprendizado de
Estatística e fique apto a utilizá‑la como instrumental básico para seu melhor desempenho profissional.
Bons estudos!
Introdução
Em Estatística, são definidos dois grandes campos de atuação: as populações e as amostras. Entendemos
por população o conjunto de todos os elementos que têm em comum uma determinada característica
que nos interesse estudar. De modo geral, as populações são muito numerosas e frequentemente
envolvem valores prováveis, não reais. Essas características dificultam muito os trabalhos estatísticos;
para contornar esse problema, conceituamos amostras e estudamos as ferramentas apropriadas para
sua descrição e conclusões.
Amostras são conjuntos de elementos, normalmente tirados de uma população, em quantidade

relativamente pequena e cujos valores são reais. Essas duas características das amostras permitem que
estudemos com relativa facilidade o seu comportamento, por meio de gráficos, tabelas de frequências
e medidas estatísticas.
O fato de os elementos de uma amostra serem retirados de uma população ou de populações muito
semelhantes a ela permite que induzamos que o comportamento de uma população e de suas amostras
sejam provavelmente muito parecidos. Observe o termo provavelmente. Ele nos remete ao estudo das
probabilidades.
Observação
Induzir significa concluir, deduzir. Em Estatística, o termo é utilizado

como resultado do processo em que se prevê o comportamento de um
experimento a partir de observações amostrais. Usamos também o termo
inferir, de significado análogo.
Podemos exemplificar esses conceitos com a seguinte situação. Suponha que desejemos saber
o desempenho acadêmico de uma turma de alunos que, no momento, começa a estudar Estatística
Aplicada. Esse estudo está dentro de uma população porque é situado futuro, e não presente ou passado;
8
além disso, essa turma pode ser muito grande – por exemplo, todos os alunos de EaD da UNIP. Saber
como será o desempenho dos alunos dessa turma é algo bastante complicado, mas, se pegarmos apenas
uma amostra desses alunos, teremos muito mais facilidade no estudo.
Dessa forma, tomamos uma amostra dessa turma. Tal amostra seria composta por alunos semelhantes
(naquilo que é importante) de anos anteriores. Como esses alunos já cursaram a disciplina e foram
avaliados, podemos, por exemplo, determinar a nota média deles. Digamos, por hipótese, que a nota
média tenha sido 5,5. Poderíamos afirmar que provavelmente a nota média dos alunos deste semestre
será de 5,5. Isso é o que chamamos de uma estimativa por pontos, que dificilmente ocorrerá com toda
essa exatidão. No entanto, o valor que efetivamente irá ocorrer está próximo a ele, numa faixa em torno
desse valor nominal. É o que se chama de estimação por intervalos. Essa estimativa será algo do tipo: os
alunos de Estatística Aplicada deste semestre deverão ter uma nota média de 5,5, com margem de erro
de 1,2 pontos.
Observação
Definimos amostra como um pedaço coerente da população, ou

seja, composta de elementos que reproduzem proporcionalmente as
características importantes da população. Suponha que em determinado
estudo o gênero seja característica importante e que, na população
considerada, 56% sejam mulheres. Caso a amostra seja formada por 850
indivíduos, 476 deverão ser mulheres (56% de 850).
Essa margem de erro é determinada por três fatores, basicamente: O desvio padrão, que aprendemos
a calcular em Estatística; o tamanho da amostra; e a confiabilidade que queremos ter na nossa estimativa.
Veremos esses fatores ao longo deste curso, mas é importante notar a importância de saber calcular o
desvio padrão.
Assim, para prevermos uma situação futura ou para sabermos algo sobre um conjunto com grande
quantidade de elementos, deveremos partir da definição e do estudo de amostras. Mas, para completarmos
esse estudo, precisaremos definir uma série de conceitos envolvidos no estudo de probabilidades e suas
distribuições e nos processos de amostragem, assuntos principais deste material.
Começaremos nosso estudo revendo alguns conceitos principais de probabilidades e observando

como estas se apresentam em distribuições de probabilidades. A seguir, iremos ver os processos de
amostragem, para concluir com as relações e correlações.
9
10
Unidade I
1 Revisão de probabilidades
Em Estatística Indutiva, quando nos referimos a uma previsão de comportamento de uma população
a partir do conhecimento de uma amostra, ou, ao contrário, à previsão do comportamento esperado de
uma amostra retirada de uma população conhecida, temos o cuidado de utilizar a palavra provavelmente
antes de cada informação.
Por exemplo, quando após uma pesquisa eleitoral o veículo de comunicação informa que se a eleição
ocorresse naquele momento o candidato X teria 35% dos votos, ele quer dizer que provavelmente o
candidato X teria essa quantidade de votos. É uma afirmação provável de ocorrer, não quer dizer que
certamente ocorrerá. Uma tolerância nessa informação é esperada.
Vamos rever agora o que significam e como são calculadas as probabilidades, ramos de estudo
da Matemática, e não exatamente da Estatística. Inicialmente iremos verificar casos absolutamente
teóricos e posteriormente evoluiremos para situações mais próximas da realidade, chegando ao que
realmente é nossa preocupação nesta unidade: as distribuições de probabilidades.
Iremos utilizar o raciocínio lógico para resolver as questões. O importante é você entender o
mecanismo de determinação das distribuições de probabilidades.
Imagine que você tenha uma moeda seguramente honesta nas mãos. Ao jogá‑la para cima, você
sabe que a probabilidade de ela cair com a cara voltada para o alto é de 50%, isso porque se define a
probabilidade de um evento ocorrer como a razão entre o número de resultados que nos interessa e
o número de resultados totais. No caso de uma moeda, temos uma cara em dois resultados possíveis.
Portanto:
n( A ) 1
P( A ) = = = 0, 5 = 50%
n(S) 2
Lembre‑se de que isso só é válido porque a moeda é honesta. Caso ela não seja ou caso tenhamos
dúvidas sobre esse fato, temos de testá‑la. Testar uma moeda é na verdade uma amostragem, sendo
amostra a repetição do experimento um certo número de vezes, anotando‑se os resultados. Suponha
que lançássemos a moeda da qual temos dúvidas 1.000 vezes e obtenhamos 485 caras. Diante desses
resultados, concluiríamos que a moeda não é honesta e que a probabilidade de sair cara seria de 48,5%,
como se mostra a seguir:
11
Unidade I
fA 485
P(cara) = ⇒ P(cara) = = 0, 485 = 48, 5%
fT 1000
A primeira definição é chamada de definição matemática (ou clássica) de probabilidades e só pode

ser usada para experimentos rigidamente aleatórios; a segunda é a definição de probabilidade como
frequência relativa e vai ser utilizada na maioria das situações práticas em Estatística.
Observação
Um experimento aleatório é aquele que, mesmo sendo repetido de

modo exatamente igual, não apresenta resultados obrigatoriamente iguais.
A rigor, os experimentos aleatórios são os jogos de azar, exclusivamente. Na
prática profissional, em Administração, especialmente, os experimentos são
aproximadamente aleatórios, ou seja, são dotados de alguma aleatoriedade,
mas não na sua totalidade.
Saiba mais
Leia a obra a seguir:
MLODINOW, L. O andar do bêbado: como o acaso determina nossas

vidas. Rio de Janeiro: Zahar, 2009.
Trata-se de uma interessante e agradável leitura a respeito da influência

dos eventos aleatórios sobre nosso dia a dia e a dificuldade de tratarmos
da aleatoriedade.
Apesar dos cálculos de probabilidade serem no fundo uma razão entre duas contagens – o número
de possibilidades que nos interessam dividido pelo número total de possibilidades –, esse cálculo pode
ganhar contornos mais complexos. Imagine, por exemplo, que lancemos duas vezes a moeda viciada a
que nos referimos anteriormente e desejemos saber a probabilidade de obter exatamente duas caras.
Como faríamos o cálculo?
A definição não muda, é a razão entre o que queremos e o que pode acontecer. Mas o que pode
acontecer? Podem acontecer quatro resultados diferentes:
• na primeira jogada sair cara e na segunda também sair cara;
• na primeira jogada sair cara e na segunda sair coroa;
12
• na primeira jogada sair coroa e na segunda sair cara;
• na primeira jogada sair coroa e na segunda também sair coroa.
Desses quatro resultados, um deles nos interessa: o primeiro. Caso a moeda fosse honesta, a
probabilidade seria obtida facilmente da seguinte forma:
1 resultado favoravel
´ 1
P(duas caras) = = = 0,25 = 25%
4 resultados possiveis
´ 4
O problema é que a moeda não é honesta, é viciada. Existe uma probabilidade menor de sair cara do
que de sair coroa, o que inevitavelmente vai diminuir a probabilidade determinada anteriormente. Uma
maneira de entender como se chegar ao resultado é usando a árvore de decisões:
0,485 Cara
0,485 Cara 2ª jogada
0,515 Coroa
1ª jogada
0,485 Cara
0,515 Coroa 2ª jogada
0,515 Coroa
Figura 1
Perceba que para saírem duas caras é necessário que a primeira saia cara E a segunda também saia
cara. Lembre‑se que esse E significa multiplicação. Portanto:
P(cara e cara) = 0,485 x 0,485 = 0,235 = 23,5%
Como previmos, um valor menor que 25%.
Observação
Perceba que esse último cálculo poderia ser usado caso a moeda fosse
honesta. A probabilidade seria a multiplicação de 0,5 por 0,5, ou seja, 0,25
ou 25%.
Alguém poderia querer saber qual a probabilidade, ao se jogar a tal moeda duas vezes, de que
saíssem uma cara e uma coroa. O diagrama anterior pode nos ajudar a responder.
Para sair uma cara e uma coroa, tem de acontecer uma dentre duas coisas: sair a primeira cara
E a segunda coroa OU sair a primeira coroa E a segunda cara. Da mesma forma que o E significa
multiplicação, o OU significa adição. Por conseguinte:
13
Unidade I
P(uma cara e uma coroa) = P(cara E coroa) + P(coroa E cara) =

= 0,485 × 0,515 + 0,515 × 0,485 = 0,25 + 0,25 = 0,50 = 50%
Perceba que existem quatro resultados possíveis, como foi falado anteriormente. No caso dessa
moeda viciada, as probabilidades seriam as seguintes:
Tabela 1
Resultados pela ordem de ocorrência Cálculo da probabilidade Probabilidade

Cara e cara 0,485 x 0,485 0,235 ou 23,5%
Cara e coroa 0,485 x 0,515 0,250 ou 25,0%
Coroa e cara 0,515 x 0,485 0,250 ou 25,0%
Coroa e coroa 0,515 x 0,515 0,265 ou 26,5%
Total 1 ou 100%
Nessa tabela, assim como na tabela de frequências, temos novamente uma coluna de valor
(no caso, os resultados possíveis) e uma coluna de probabilidades, esta última análoga à coluna
de frequência relativa. A essa tabela damos o nome de distribuição (ou tabela) de probabilidades.
Conceitualmente, ambas as tabelas são muito parecidas, mas a de probabilidades refere‑se a
algo no futuro, a uma previsão. Usaremos muito esse conceito para estabelecer nossas induções
estatísticas.
É importante notar que os cálculos das medidas estatísticas que são feitos a partir das tabelas
de frequências em Estatística Descritiva também podem ser feitos a partir dessas distribuições de
probabilidades, evidentemente, com enfoque diferente. Por exemplo, quando partimos da tabela
de frequências, podemos calcular uma média aritmética (além de outras médias conhecidas).
Já quando o ponto de partida é uma distribuição de probabilidades, a medida encontrada pelos
mesmos cálculos é chamada de média provável ou média populacional, ou, mais comumente, de
valor esperado.
Os exemplos a seguir ilustram essa diferença.
Exemplo 1: um empresário realiza uma determinada operação comercial que, em função de suas
especificidades, pode apresentar três resultados possíveis: sucesso absoluto, sucesso parcial e insucesso.
Quando ele obtém sucesso absoluto, a operação rende para ele R$ 2.500,00 de lucro; quando o sucesso
é parcial, o lucro cai para R$ 1.200,00; e o fracasso lhe traz um prejuízo de R$ 1.800,00. A tabela de
frequências a seguir relaciona o número de ocorrências de cada tipo ao longo do último ano. Qual é o
lucro médio do empresário nesse ano?
14
Tabela 2
Número de operações
Ocorrências Lucro Valor x
comerciais
Frequência
Valor Frequência simples
Classes
xi fi fi x xi
Sucesso absoluto R$ 2.500,00 42 R$ 105.000,00
Sucesso parcial R$ 1.200,00 24 R$ 28.800,00
Fracasso - R$ 1.800,00 12 - R$ 21.600,00
Totais 78 R$ 112.200,00
Observe que o empresário obteve um lucro de R$ 112.200,00 em 78 operações (incluindo as que

deram prejuízo), portanto o lucro médio dele foi de:
x=
∑ xi . fi = 112.200, 00 = R$ 1.438, 46
∑ fi 78
Lembrete
Média aritmética é definida como o somatório dos valores de todos

os elementos de uma amostra dividido pelo número de elementos da
amostra. Note que o número de elementos é evidenciado pela frequência
simples.
O exemplo a seguir tem uma pequena, mas importante diferença no tempo em que ocorre. Veja:
Exemplo 2: um empresário realiza uma determinada operação comercial que, em função de suas
especificidades, pode apresentar três resultados possíveis: sucesso absoluto, sucesso parcial e insucesso.
Quando ele obtém sucesso absoluto, a operação rende para ele R$ 2.500,00 de lucro; quando o sucesso é
parcial, o lucro cai para R$ 1.200,00; e o fracasso lhe traz um prejuízo de R$ 1.800,00. Na tabela a seguir
estão relacionadas as diversas probabilidades de ocorrência de cada um desses resultados. Qual é o lucro
médio esperado do empresário nesse ano?
Observação: a maneira pela qual essas probabilidades foram calculadas será explicada mais adiante,
à medida que evoluirmos nesse assunto.
Tabela 3
Ocorrências Lucro Probabilidades de Valor x

Valor ocorrência Probabilidade
Classes
xi pi fi x xi
Sucesso absoluto R$ 2.500,00 54,0% R$ 1.350,00
15
Unidade I
Sucesso parcial R$ 1.200,00 32,0% R$ 384,00

Fracasso - R$ 1.800,00 14,0% - R$ 252,00
Totais 100,0% R$ 1.482,00
Perceba como os cálculos matemáticos são similares aos do Exemplo 1. A diferença é o tempo em
que estamos. Neste exemplo, estamos falando de algo que provavelmente acontecerá; no Exemplo
1, de algo que aconteceu. Assim, dizemos aqui: a probabilidade de o empresário ter sucesso absoluto
numa operação comercial é de 54,0%. No exemplo anterior, dizíamos que o empresário obteve sucesso
absoluto em 42 operações comerciais que realizou. Dessa forma, o cálculo similar significa o valor médio
esperado para as operações que irão ocorrer no futuro.
Exemplo de aplicação
Um fabricante produz peças, e 15% delas são defeituosas. Se uma peça defeituosa for produzida, o
fabricante perderá R$ 10,00, enquanto uma peça não defeituosa lhe dará um lucro de R$ 56,00. Qual é
o lucro esperado por peça, a longo prazo?
a) R$ 46,10.
b) R$ 46,00.
c) R$ 33,00.
d) R$ 66,00.
e) R$ 23,00.
Resolução:
O cálculo pedido é de uma esperança matemática ou do valor esperado. A tabela a seguir calcula o
resultado pedido, lembrando que:
n
E( x ) = p1x1 + p2 x2 + p3 x 3 + ... + pn xn = ∑ p1x1
i=1
Tabela 4
Probabilidade Probabilidade
Qualidade da peça Lucro aferido (em %) (em decimal) pixi
xi pi
Defeituosa - R$ 10,00 15,00 0,1500 - R$ 1,50
Perfeita R$ 56,00 85,00 0,8500 R$ 47,60
Valor esperado = R$ 46,10
16
Portanto, o lucro esperado é de R$ 46,10. Alternativa correta: A.
2 Distribuição binomial
Desse modo, em consonância com a Estatística Descritiva, notamos que determinar a distribuição de
probabilidades adequada para cada problema que desejarmos resolver é o primeiro passo do processo
e que essa determinação pode ter certa complexidade, que a Matemática vai nos ajudar a contornar.
Perceba que, do mesmo jeito que lançamos uma moeda duas vezes, poderíamos lançar três, cinco ou dez
vezes, e, obviamente, o trabalho braçal que teríamos para efetuar o cálculo tornaria inviável a resolução.
Suponhamos o seguinte exemplo, muito semelhante ao anterior, mas mais trabalhoso.
Jogamos uma moeda viciada (48,5% de probabilidade de sair cara e 51,5% de sair coroa) três vezes
em sequência. Qual é a probabilidade de sair uma e apenas uma cara nas três jogadas?
Vamos resolver este exercício de modo similar ao anterior. Acompanhe a seguir a árvore de decisões:
Situação 1
0,485
Cara
3ª jogada
Coroa
0,515
0,485 Cara Situação 2
2ª jogada
Situação 3
0,515 Coroa 0,485
Cara
3ª jogada
0,485 Cara Coroa
0,515
Situação 4
1ª jogada
Situação 5
0,485
0,515 Coroa Cara
3ª jogada
Coroa
0,485 Cara 0,515
Situação 6
2ª jogada
0,515 Coroa Situação 7

0,485
Cara
3ª jogada
Coroa
0,515
Situação 8
Figura 2
17
Unidade I
Acompanhe na árvore as três situações em que ocorre o desejado, ou seja, uma e apenas uma cara.
Essas situações são as de números 4; 6 e 7. A probabilidade de ocorrência de cada uma delas é:
Situação 4 →→P(situação 4) = 0,485 × 0,515 × 0,515 = 0,485 ×〖0,5152

Portanto, temos três situações diferentes que atendem ao desejado. Caso ocorra a situação 4 OU a
situação 6 OU a situação 7, atingimos nosso objetivo. Logo, o resultado é a soma das probabilidades das
três situações:
P(sair uma e apenas uma cara) = 0,4851 ×〖0,5152 + 0,485 ×〖0,5152 + 0,485 ×〖0,5152
Ou seja,
P(sair uma e apenas uma cara) = 3 ×〖0,4851 ×〖0,5152 = 0,386 ou 38,6%
Quando você se detém nesta última expressão, fica claro que existe uma equação matemática que
pode resolver problemas desse tipo com muito mais etapas (no caso, moedas):
• a potência 0,4851 tem na base a probabilidade de sair cara e no expoente o número de caras que
queremos;
• a potência 0,5152 tem na base a probabilidade de sair coroa e no expoente o número de coroas
que queremos;
• o número 3 é o número de situações em que ocorre o desejado pelo problema e é o resultado

do cálculo do número de combinações de 3 moedas agrupadas uma a uma em caras, ou seja,
combinações de 3 um a um (C3,1).
Lembrete
Numa potência são usados os termos base (a), que é o número que será
multiplicado por ele mesmo tantas vezes quantas forem o expoente (b), da
seguinte forma: ab = a x a x a x ... ... x a
Com isso, podemos generalizar os problemas desse tipo. Por exemplo:
Jogamos 10 vezes uma moeda viciada (55% de probabilidade de sair cara e 45% de sair coroa). Qual
a probabilidade de que que saiam exatamente 6 caras?
• Probabilidade de sair cara = 0,55; número de caras desejado = 6. Portanto, a potência será 0,556.
18
• Probabilidade de sair coroa = 0,45; número de coroas desejado = 4. Portanto, a potência será 0,454.
• Número de situações em que ocorrem exatamente 6 caras = 210 (iremos rever esse cálculo a seguir).
Portanto:
P(sair exatamente 6 caras) = 210 ×〖0,556 ×〖0,454 = 0,238 ou 23,8%
Perceba que, dentro de limites, qualquer problema desse tipo pode ser resolvido de modo similar.
Antes de seguirmos em frente, vamos rever rapidamente o que significa e como são calculadas
combinações.
A análise combinatória mostra que o número de situações é dado pelo número de combinações, que
é obtido por meio da fórmula:
n!
Cn,x =
x ! (n − x )!
Onde:
n = número total de repetições do experimento; no caso, n = 10 (dez vezes que a moeda é jogada);
x = números de resultados desejados, no caso, x = 6 (número de caras desejadas).
Essa fórmula é lida da seguinte forma: “número de combinações de n elementos tomados x a x

vezes” e utiliza o conceito de fatorial (!).
Fatorial de um número a, simbolizado por a!, é a multiplicação de todos os números inteiros e

positivos desde a unidade até o valor a, ou seja:
a! = 1 x 2 x 3 x 4 x ... ... x a
Por exemplo: 6! é igual a 720 porque:
6! = 1 x 2 x 3 x 4 x 5 x 6 = 720
Note que, por definição, 0! é igual a 1.
Assim, aplicando a fórmula para nossos dados, teremos:
19
Unidade I
n! 10! 3.628.800
Cn,x = = = = 210
x ! (n − x )! 6! (10 − 6)! 720 . 24
Afirmamos que esse processo apresentado poderia resolver todos os exercícios desse tipo, mas o que
significam problemas como esse?
Nesses exemplos das moedas, temos algumas características comuns:
• Em cada jogada da moeda, existem dois resultados possíveis apenas: cara e coroa.
• Evidentemente, se ocorrer um dos resultados, não poderá ocorrer o outro. São eventos mutuamente
exclusivos e complementares.
• O lançamento de uma moeda não influencia outros lançamentos nem é influenciado por eles, ou
seja, são eventos independentes.
Experimentos que seguem essas características resultam numa distribuição de probabilidades

chamada de distribuição binomial, uma das muitas distribuições de probabilidades que irão nos ajudar
a prever eventos futuros dentro da Estatística Indutiva.
Quando são estudadas as maneiras de se apresentar dados estatísticos, são conceituadas a frequência simples
e a frequência relativa. Agora, em nossa disciplina Estatística Aplicada, definimos que probabilidades podem ser
definidas como as frequências simples de eventos ocorridos numa repetição considerável do experimento.
Como decorrência disso, nós podemos estabelecer o conceito de distribuição de probabilidades em

analogia com as distribuições de frequências, com algumas diferenças:
• Na distribuição de frequências, normalmente se utiliza como informação principal a frequência simples. Na

distribuição de probabilidades, priorizaremos as frequências relativas, agora chamadas de probabilidades.
• Distribuições de frequências são informações reais, exatas, decorrentes de observações efetuadas.

Distribuições de probabilidade são previsões feitas a partir de observações – portanto, não são
reais, são evidentemente prováveis.
• Em Estatística, utilizamos nos nossos cálculos, primordialmente, as informações na forma de

tabelas. Em Estatística Aplicada será mais frequente o uso das informações na forma de gráficos.
O fato de trabalharmos muitas vezes com variáveis discretas e outras tantas com variáveis contínuas
nos conduz à divisão das distribuições de probabilidades em dois grandes grupos, cada um deles com
modelos matemáticos específicos:
• Distribuições de probabilidades discretas:
– distribuição binomial;
20
– distribuição de Poisson;
– distribuição hipergeométrica.
• Distribuições de probabilidades contínuas:
– distribuição normal;
– distribuição exponencial.
A maneira como se utiliza uma e outra difere de acordo com os aspectos específicos do problema
estatístico que está sendo estudado. De modo geral, as distribuições discretas utilizam equações
estatísticas para calcular as probabilidades e as contínuas, gráficos e tabelas deles decorrentes para o
mesmo cálculo.
Como as distribuições binomiais e em especial as distribuições normais são aquelas mais utilizadas
na prática, vamos concentrar nossos estudos nas duas. As demais distribuições apresentam aspectos
matemáticos diferenciados, mas seguem padrões de cálculos semelhantes, o que facilitará o estudo
futuro para aqueles que assim necessitarem e desejarem.
A distribuição de binomial é uma distribuição para variáveis discretas e, como o próprio nome indica,
é utilizada quando temos a presença de dois eventos complementares. É uma generalização do binômio
de Newton e se adapta às amostragens que seguem o princípio de Bernoille, que são os seguintes:
• Em cada repetição do experimento, nomeado como tentativa, existem dois e apenas dois resultados
possíveis, complementares, chamados por conveniência de sucesso e insucesso.
• A série de tentativas é composta de eventos independentes.
• As probabilidades de sucesso e insucesso permanecem constantes ao longo das tentativas. É um

processo estacionário.
Note que essas características são exatamente as que apareceram nos problemas envolvendo as
moedas. Para reforçar o entendimento do funcionamento e da utilidade da distribuição binomial, vamos
recuperar um tipo de problema que equacionamos anteriormente:
Um vendedor sabe que ao sair para fazer um determinado tipo de venda tem 20% de probabilidade
de concretizá‑la. Num dia qualquer, ele sai para atender três clientes. Qual é a probabilidade de fazer
exatamente duas vendas?
O problema pode ser resolvido usando os conceitos aprendidos em Estatística e revistos no item
anterior. Mas isso só é possível porque ele pretende fazer poucas visitas. Caso ele saísse para fazer dez
visitas, a resolução seria demasiadamente trabalhosa.
21
Unidade I
Vamos começar pela situação mais fácil, poucas visitas. A árvore de decisões apresentada a seguir
mostra três caminhos nos quais o vendedor consegue efetivar exatamente duas vendas. São os caminhos
2, 3 e 5. Portanto, como vimos anteriormente, a probabilidade de o vendedor realizar exatamente duas
vendas é a soma das probabilidades dos três caminhos, ou seja:
P(exatamente duas vendas) = P(caminho 2) + P(caminho 3) + P(caminho 5)
P(exatamente duas vendas) = 0,0320 + 0,0320 + 0,0320 = 0,0960 = 9,60%
Assim, a probabilidade de o vendedor conseguir efetivar exatamente três vendas é de 9,60%.
1
Efetua a 0,2 x 0,2 x 0,2 = 0,23 x 0,80 = 0,0080
0,2 venda
Efetua a 3º
venda cliente 2
Não
0,2 0,8 efetua a 0,2 x 0,2 x 0,8 = 0,22 x 0,81 = 0,0320
venda
Efetua a 2º
venda cliente
3
0,2 Efetua a 0,2 x 0,8 x 0,2 = 0,22 x 0,81 = 0,0320
0,2 0,8 venda
Não
efetua a 3º
venda cliente 4
Não
0,8 efetua a 0,2 x 0,8 x 0,8 = 0,21 x 0,82 = 0,1280
venda
1º
cliente 5
Efetua a
venda 0,8 x 0,2 x 0,2 = 0,2 x 0,8 = 0,0320
2 1
0,2
Efetua a 3º
0,8 venda cliente
Não
6
0,2 0,8 efetua a 0,8 x 0,2 x 0,8 = 0,21 x 0,82 = 0,1280
venda
Não
efetua a 2º
venda cliente
7
Efetua a 0,8 x 0,8 x 0,2 = 0,21 x 0,82 = 0,1280
0,2 venda
0,8
Não
efetua a 3º
venda cliente
Não
8
0,8 efetua a 0,8 x 0,8 x 0,8 = 0,2 x 0,8 = 0,5120
0 3
venda
Figura 3
Observe algumas coisas interessantes sobre esse cálculo que acabamos de fazer:
• Todos os caminhos têm o mesmo cálculo: 0,22 x 0,81 = 0,0320. Note que 0,2 é a probabilidade de
se concretizar a venda, e o expoente dele (2) é o número de vendas que queremos concretizar; 0,8
é a probabilidade de não se concretizar a venda, e o expoente dele (1) é o número de vendas que
não iremos concretizar.
22
• Observe também que existem três caminhos possíveis. Você deve lembrar que esse valor se refere
às combinações possíveis de 3 elementos (os clientes visitados) tomados 2 a 2 (o número de
vendas que queremos efetivar):
n! 3! 3! 1. 2 . 3
Cn,x = ⇒ C3,2 = = = =3
x ! (n − x )! 2! (3 − 2)! 2! . 1! 1 . 2 . 1
Dessa forma, conseguimos encontrar uma fórmula para calcular qualquer quantidade de eventos,
com muito menos trabalho. Vamos agora resolver a seguinte questão:
Um vendedor sabe que, ao sair para fazer um determinado tipo de venda, tem 30% de probabilidade
de concretizá‑la. Num dia qualquer, ele sai para atender 20 clientes. Qual é a probabilidade de fazer
exatamente 8 vendas?
Nessa questão, os números envolvidos são muito maiores, causando um trabalho braçal muito grande
se formos resolvê‑la “na raça”, como no exemplo anterior. Mas agora já conhecemos o funcionamento
na distribuição, é só usá‑la:
• probabilidade de se efetivar uma venda: 30% ou 0,3;
• número de vendas que quero efetivar: 8;
• probabilidade de não se efetivar uma venda: 70% ou 0,7 (lembre‑se, são eventos complementares);
• número de vendas que não irão se efetivar: 12 (lembre‑se: se o vendedor vai fazer 20 visitas e
concretiza a venda em 8 delas, não concretizará vendas em 12 delas).
Aplicando a fórmula:
n!
• número de caminhos: Cn,x = ⇒ C20,8 = 125.970;
x ! (n − x )!
• probabilidade de cada caminho: 0,38 x 0,712 = 0,0000009081;
• probabilidade de efetivarem‑se exatamente oito vendas: 125.970 x 0,0000009081 = 0,1144 =

11,44%.
Perceba que apesar de os números envolvidos serem difíceis de trabalhar, isso ainda é muito mais
simples que o raciocínio da árvore.
Com rigor formal, o equacionamento para o cálculo da distribuição binomial é o seguinte:
P(X = x) = Cn,x x px x (1 – p)n–x
23
Unidade I
Onde:
• P(X=x) é a probabilidade de que o número de sucessos obtidos seja exatamente igual a x;
• N é o número de tentativas realizadas, ou seja, o número de vezes em que o experimento é realizado;
• X é o número de sucessos que desejamos obter;
• p é a probabilidade de sucesso numa única tentativa.
Vamos praticar esse cálculo com a seguinte questão:
Num ano qualquer, 55% das ações negociadas na Bolsa de Valores de São Paulo sofreram alta,
enquanto 45% se mantiveram estáveis ou sofreram baixas. Uma corretora de ações separa dez ações de
sua carteira ao acaso. Qual é a probabilidade de que, dessas dez ações:
a) Exatamente oito ações tenham tido alta?
b) Todas as dez ações tenham tido alta?
c) No máximo duas ações tenham tido alta?
Para todas as perguntas, serão mantidas constantes as informações:
• número de tentativas: n = 10;
• probabilidade de sucesso: p = 0,55 (probabilidade de uma ação ter alta).
Irá variar o valor de x para cada uma das perguntas:
• Na pergunta a, o valor de x é oito: x = 8. Logo, o cálculo será:
P( X = x ) = Cn,x × px × (1 − p)n− x ⇒ P( X = 8) = C10,8 × 0, 558 × (1 − 0, 55)10−8
8!
P( X = 8) = × 0, 558 × (1 − 0, 55)10−8 = 45 × 0, 558 × (1 − 0, 55)0 = 45 × 0, 0084 × 0, 2025
8!(10 − 8)!
P( X = 8) = 0, 0765 = 7, 65%
• Na pergunta b, o valor de x é dez: x = 10, e o cálculo será:
24
P( X = x ) = Cn,x × px × (1 − p)n− x ⇒ P( X = 10) = C1010 10

, × 0, 55 × (1 − 0, 55)
10 −100
10!
P( X = 10) = × 0, 5510 × (1 − 0, 55)10−10 = 1 × 0, 5510 × (1 − 0, 55)0 = 1 × 0, 0025 × 1
10!(10 − 10)!
P( X = 10) = 0, 0025 = 0, 25%
• Na pergunta b, o valor de x é 0, 1 e 2, porque queremos, no máximo, duas ações com altas, ou seja,
nenhuma ação com alta ou uma ação com alta ou duas ações com alta. Devemos então fazer três
cálculos e somar os valores:
P(X = 0) = C10,0 x 0,550 x (1 – 0,55)10–0 = 0,0003
P(X = 1) = C10,1 x 0,551 x (1 – 0,55)10–1 = 0,0042
P(X = 2) = C10,2 x 0,552 x (1 – 0,55)10–2 = 0,0229
P(X = o máximo 2) = 0,0003 + 0,0042 + 0,0229 = 0,0274 = 2,4%
A rigor, a distribuição de probabilidades binomial seria uma tabela, com todos os possíveis resultados
associados às suas probabilidades correspondentes. A tabela a seguir faz isso para a questão anterior.
Tabela 5
Número de ações Cálculo da probabilidade de ocorrência Probabilidade de

em alta N = 10. P = 0,55 ocorrência
0 P(x = 0) = C10,0 x 0,550 x (1 – 0,55)10–0 0,03%
1 P(x = 1) = C10,1 x 0,55 x (1 – 0,55)
1 10–1
0,42%
2 P(x = 2) = C10,2 x 0,552 x (1 – 0,55)10–2 2,29%
3 P(x = 3) = C10,3 x 0,553 x (1 – 0,55)10–3 7,46%
4 P(x = 4) = C10,4 x 0,55 x (1 – 0,55)
4 10–4
15,96%
5 P(x = 5) = C10,5 x 0,55 x (1 – 0,55)
5 10–5
23,40%
6 P(x = 6) = C10,6 x 0,55 x (1 – 0,55)
6 10–6
23,84%
7 P(x = 7) = C10,7 x 0,55 x (1 – 0,55)
7 10–7
16,65%
8 P(x = 8) = C10,8 x 0,55 x (1 – 0,55)
8 10–8
7,63%
9 P(x = 9) = C10,9 x 0,55 x (1 – 0,55)
9 10–9
2,07%
10 P(x = 10) = C10,10 x 0,55 x (1 – 0,55)
10 10–10
0,25%
Somatório 100,00%
Nessa tabela há semelhança com o que se vê em Estatística, para amostras. Lembre‑se de que, a
partir de informações desse tipo, definimos as medidas de posição e as medidas de dispersão para as
25
Unidade I
amostras. De maneira semelhante, iremos agora definir as mesmas medidas para as populações, com
a diferença de que para amostras são valores reais, e para população, valores prováveis, ou esperados.
Exemplos de aplicação
1) Uma pesquisa de opinião pública revelou que 1/5 da população de determinada cidade é fumante
contumaz. Colocando‑se 250 pesquisadores, cada um podendo entrevistar diariamente 20 pessoas,
faça uma estimativa de quantos desses pesquisadores informarão que no máximo 30% das pessoas
entrevistadas são realmente fumantes contumazes.
a) Aproximadamente 228.
b) Aproximadamente 75.
c) Aproximadamente 27.
d) Aproximadamente 54.
e) Aproximadamente 6.
Resolução:
Essa questão se refere a uma distribuição binomial, porque existem apenas duas situações possíveis,
complementares: ou a pessoa fuma, ou a pessoa não fuma. Dessa forma, o cálculo das probabilidades
será feito utilizando‑se a fórmula:
P(X = x) = Cn,x x px x (1 – p)(n–x)
Onde os valores são:
• número de repetições: n=20 (quantidade de entrevistas);
• probabilidade de sucesso: p=1/5 ou 0,2 (probabilidade de ser fumante contumaz);
• número de sucessos: x = 0, 1, 2, 3, 4, 5, 6 (quantidade de fumantes que desejamos encontrar:

máximo de 30% dos 20, ou seja, no máximo, 6; ou, ainda, 0, 1, 2, 3, 4, 5, 6).
Devemos calcular cada situação em particular e somar os resultados:
P(X = 0) = C20,0 x 0,20 x (1 – 0,2)(20–0) = 0,0115

P(X = 1) = C20,1 x 0,21 x (1 – 0,2)(20–1) = 0,0576
P(X = 2) = C20,2 x 0,22 x (1 – 0,2)(20–2) = 0,1369
P(X = 3) = C20,3 x 0,23 x (1 – 0,2)(20–3) = 0,2054
26
P(X = 4) = C20,4 x 0,24 x (1 – 0,2)(20–4) = 0,2182

P(X = 5) = C20,5 x 0,25 x (1 – 0,2)(20–5) = 0,1746
P(X = 6) = C20,6 x 0,26 x (1 – 0,2)(20–6) = 0,1091
A soma das probabilidades calculadas é 0,9133 ou 91,33%, ou seja, existem 91,33% de probabilidade
de que um entrevistador encontre até 30% de fumantes contumazes dentre os 20 entrevistados. Como
serão 250 entrevistadores, aproximadamente 228 irão informar que encontraram, no máximo, 30% de
fumantes. A resposta correta é dada pela alternativa A.
2) Determinado atacadista verificou estatisticamente que metade de seus clientes solicita que
seus pedidos sejam entregues em domicílio e a outra metade vai retirar diretamente seus pedidos no
depósito. Para fazer frente aos crescentes pedidos, o comerciante adquire três veículos, recebendo, em
média, cinco pedidos de entrega diários. Qual a probabilidade de o comerciante não poder atender aos
pedidos de entregas domiciliares? Observação: cada veículo efetua uma entrega diária.
a) 0%
b) 50%
c) 25,76%
d) 18,75%
e) 31,25%
Resolução:
A resolução desse problema é feita utilizando‑se a distribuição binomial, visto que é uma situação na
qual existem apenas duas possibilidades complementares: entrega em domicílio e retirada no depósito.
O atacadista conseguirá atender às entregas domiciliares se elas forem em número máximo de três; caso
contrário, ficarão entregas pendentes. Portanto, o cálculo que devemos fazer é o da probabilidade de se
receber mais do que três pedidos de entregas domiciliares por dia. Esse cálculo será feito pela fórmula:
P(X = x) = Cn,x x px x (1 – p)(n–x)
Onde os valores são:
• número de repetições: n = 5 (vendas diárias);
• probabilidade de sucesso: p = 50% ou 0,5 (probabilidade de o pedido ser para entrega domiciliar);
• número de sucessos: x = 4,5 (quantidade de pedidos de vendas que, se forem em domicílio, não
poderão ser atendidos).
27
Unidade I
Devemos calcular cada situação em particular e somar os resultados:
P(X = 4) = C5,4 x 0,54 x (1 – 0,5)(5–4) = 0,1563

P(X = 5) = C5,5 x 0,55 x (1 – 0,5)(5–5) = 0,0313
A soma das probabilidades calculadas é 0,1563 + 0,0313 = 0,1875 ou 18,75%, ou seja, alternativa D.
3 VALOR E VARIÂNCIA ESPERADOS NA DISTRIBUIÇÃO BINOMIAL
A média de uma população é um valor provável, ou, se preferir, esperado, e é calculado de maneira
semelhante ao que foi calculado na amostra, mas utilizando‑se os valores de probabilidades, em vez das
frequências.
Utiliza‑se como símbolo da média populacional a letra grega µ (mi), ou então o símbolo E(x),
significando a esperança de x ou o valor esperado para x, sendo obtida pela seguinte fórmula:
n
E( x ) = p1x1 + p2 x2 + p3 x 3 + ..... + pn xn = ∑ pi x1
i=1
Observe o cálculo a seguir e perceba a semelhança com o cálculo da média amostral em Estatística:
Tabela 6
A B C D = AxC
Probabilidade Probabilidade
Número de ações de ocorrência de ocorrência
em alta percentual decimal
0 0,03% 0,0003 0,00

1 0,42% 0,0042 0,00
2 2,29% 0,0229 0,05
3 7,46% 0,0746 0,22
4 15,96% 0,1596 0,64
5 23,40% 0,2340 1,17
6 23,84% 0,2384 1,43
7 16,65% 0,1665 1,17
8 7,63% 0,0763 0,61
9 2,07% 0,0207 0,19
10 0,25% 0,0025 0,03
Somatório da coluna D 5,50
28
Isso significa que o valor esperado de ações em alta nessa bolsa é de 5,5 ações, das dez consideradas.
Podemos afirmar que, em cada dez ações acompanhadas, 5,5 devem estar em alta. Perceba que não é
uma certeza, é um valor, sujeito a variabilidade. Essa variabilidade é medida pela variância, que tem as
mesmas definição e características daquela definida para a amostra e é calculada pela fórmula a seguir:
Var(x) = E(x2) – [E(x)]2
A tabela a seguir mostra o cálculo da variância, semelhante ao conhecido para a amostra:
Tabela 7
A B C D = AxC E = AxA F = ExC

Número Probabilidade Probabilidade
Valor ao
de ações de ocorrência de ocorrência quadrado
em alta percentual decimal
0 0,03% 0,0003 0,00 0 0,00

1 0,42% 0,0042 0,00 1 0,00
2 2,29% 0,0229 0,05 4 0,09
3 7,46% 0,0746 0,22 9 0,67
4 15,96% 0,1596 0,64 16 2,55
5 23,40% 0,2340 1,17 25 5,85
6 23,84% 0,2384 1,43 36 8,58
7 16,65% 0,1665 1,17 49 8,16
8 7,63% 0,0763 0,61 64 4,88
9 2,07% 0,0207 0,19 81 1,68
10 0,25% 0,0025 0,03 100 0,25
Somatório da coluna D 5,50 32,73
Var(x) = E(x2) – [E(x)]2 ⇒ Var(x) = 32,73 – [5,5]2 = 32,73 – 30,25 = 2,48
Você se lembra de que o desvio padrão é a raiz quadrada da variância. O símbolo do desvio padrão
populacional é a letra gregaσσ (sigma). Portanto:
σ = Var( x )
Nesta questão, o desvio padrão é dado por: σ = Var( x ) ⇒ σ = 2, 48 ⇒ σ = 157

, .
Quando estamos trabalhando com a distribuição binomial, os cálculos do valor médio provável, da
variância e do desvio padrão podem ser feitos de modo mais simplificado usando as fórmulas a seguir:
E(x) = N x p
σ = N x p x (1 − p)
29
Unidade I
Observe a utilização dessas fórmulas no exemplo que acabamos de estudar:
E(x) = 10 x 0,55 = 5,5

σ = 10 x 0, 55 x (1 − 0, 55) = 157
,
Importante observar que essas fórmulas são específicas para a distribuição normal. Para outras
distribuições, as fórmulas são diferentes.
Uma máquina impressora tem uma probabilidade constante de 0,05 de entrar em pane em um
dia qualquer da semana e permanecer parada durante todo esse dia. Usando a distribuição binomial,
determinou‑se a tabela a seguir:
Tabela 8
Número de quebras semanais X 0 1 2 3 4 5

Probabilidades em % P(X) 77,38% 20,36% 2,14% 0,11% 0,00% 0,00%
Sabendo que, se não ocorrerem quebras durante a semana, o lucro da fábrica será de R$ 560.000,00;
que, se ocorrerem três ou mais panes, o prejuízo será de R$ 980.000,00; e que, se ocorrerem uma ou duas
panes, o lucro será de apenas R$ 135.000,00, pergunta‑se: qual o lucro esperado nessas circunstâncias?
a) R$ 135.000,00
b) R$ 125.785,00
c) R$ 345.786,00
d) R$ 462.625,00
e) R$ 463.703,00
Resolução:
O cálculo pedido é o de uma esperança matemática ou do valor esperado. A tabela a seguir calcula
o resultado pedido, lembrando que:
n
E( x ) = p1x1 + p2 x2 + p3 x 3 + ..... + pn xn = ∑ pi x1
i=1
30
Tabela 9
Nº de quebras Probabilidade Probabilidade

Lucro auferido
semanais (em %) (em decimal) pixi
xi pi
0 R$ 560.000,00 77,38 0,7738 R$ 433.328,00
1 R$ 135.000,00 20,36 0,2036 R$ 27.486,00
2 R$ 135.000,00 2,14 0,0214 R$ 2.889,00
3 - R$ 980.000,00 0,11 0,0011 - R$ 1.078,00
4 - R$ 980.000,00 0,00 0,000 R$ 0,00
5 - R$ 980.000,00 0,00 0,000 R$ 0,00
Valor esperado = R$ 462.625,00
O lucro esperado é de R$ 462.625,00, ou seja, a alternativa correta é a D.
Todas essas informações estatísticas que acabamos de ver e calcular para o caso do lote de ações da
Bolsa de Valores podem ser apresentadas na forma gráfica, de modo semelhante ao que fizemos para
as amostras.
Enquanto no eixo horizontal continuamos a colocar os valores envolvidos, no eixo vertical colocamos
agora as probabilidades, e não mais as frequências. De resto, são gráficos bastante semelhantes, com a
já sabida e repisada diferença de que um apresenta valores reais (quando trabalhamos com amostras), e
o outro, valores prováveis (para a população).
Distribuição de probabilidades – ações em alta

Probabilidades
25%
20%
15%
10%
5%
0%
0 1 2 3 4 5 6 7 8 9 10
µ-σ Número de ações em alta
µ µ+σ
Figura 4
31
Unidade I
No gráfico, podemos definir:
• as probabilidades de cada ocorrência (determinado número de ações em alta), representadas pelas

colunas verticais;
• a média (µ) ou o valor esperado para essa distribuição, representado pela linha tracejada central;
• a variação de um desvio padrão (σ) para mais, representada pela linha traço-ponto da direita;
• a variação de um desvio padrão (σ) para menos, representada pela linha traço-ponto da esquerda;
• uma curva que passa pelo topo de todas as colunas, centrada na média e com inflexões nos
desvios padrões para mais e para menos.
Essa curva, chamada de normal, é extremamente importante para a Estatística e será profundamente
estudada ainda neste livro‑texto. Verifique, por ora, que é evidente o fato de que, quanto maior for o
número de colunas, mais definida será a referida curva.
4 Distribuição normal
4.1 Conceitos básicos
Vimos anteriormente a mais importante distribuição de probabilidades discretas, a distribuição

binomial. Para variáveis contínuas, a mais importante distribuição é a distribuição normal ou de Gauss.
Essa é a mais importante distribuição de probabilidades e a mais usada. Uma enorme quantidade de
situações estatísticas recai na distribuição normal.
O gráfico apresentado na figura anterior mostra o surgimento da curva a partir de um histograma

de probabilidade, com suas características principais:
• centrada na média;
• com sua forma definida pelo valor do desvio padrão.
Para entendermos melhor a relação entre as distribuições binomial e normal, vamos calcular, de
acordo com os conceitos da distribuição binomial, o comportamento estatístico de ações negociadas
em três diferentes Bolsas de Valores. Em cada uma delas foram calculados a média esperada e o
desvio padrão.
Na tabela a seguir, temos relacionados dados referentes às ações em alta nas três diferentes bolsas
de valores. Como dissemos, foram acompanhadas 30 diferentes ações em cada uma das bolsas, e o
comportamento estatístico foi calculado – cada uma delas com um comportamento diferente expresso
pela média e pelo desvio padrão.
32
Tabela 10
Número de Probabilidade de Média de ações Desvio padrão de ações

Bolsa de Valores observações ações em alta em alta em alta
N p E(x) – N x p σ = N x p x (1 − p)
A 30 30% 9 2,51
B 30 50% 15 2,74
C 30 80% 24 2,19
Essas mesmas informações estão mostradas no gráfico a seguir. Perceba que retiramos as colunas
do histograma e mantivemos apenas a curva. Essas curvas são as chamadas distribuições normais.
Quando o número de observações (tentativas) numa distribuição binomial aumenta, ela se aproxima
cada vez mais da distribuição normal, até que ficam indistinguíveis. Chama‑se isso de aproximação da
binomial pela normal.
20%
Probabilidades
Bolsa C (24;2,19)
18%
Bolsa A (9;2,51)
16%
Bolsa B (15;2,74)
14%
12%
10%
8%
6%
4%
2%
0%
0 5 10 15 20 25 30
Número de ações em alta
Figura 5
Observando atentamente o gráfico, percebemos que na Bolsa C é praticamente impossível (ou seja,
a probabilidade é muito próxima de zero) que existam menos de 15 ações em alta. Para a Bolsa A ocorre
o oposto, é praticamente impossível que tenha mais do que 16 ou 17 ações em alta. Já para a Bolsa B,
o mais provável é que tenha 15 ações em alta.
Percebe‑se também que a curva que apresenta o maior desvio padrão é a mais baixa e achatada
(Bolsa B), e a que apresenta menor desvio padrão, a mais alta e afilada (Bolsa C).
A Bolsa que tem maior probabilidade de ter ações em alta (Bolsa C) tem o gráfico deslocado para a
direita, enquanto a com menor probabilidade (Bolsa A) está deslocada para a esquerda. A Bolsa B, que
33
Unidade I
tem 50% de suas ações em alta, está localizada exatamente em torno do valor central e, percebe‑se, é
mais regular, menos “deformada” que as outras.
Resumindo, a curva normal é determinada, em todos os seus aspectos, pela média e pelo desvio padrão.
Conhecendo esses dois parâmetros, conhecemos o comportamento probabilístico do experimento.
Observe agora a curva referente à Bolsa B. Perceba que ela é absolutamente simétrica em relação
ao eixo vertical. O lado esquerdo dela em relação à média é idêntico ao lado direito. Em outras palavras,
metade da área sob essa curva está do lado esquerdo da média e metade está do lado direito da média,
e a probabilidade de se ter 15 ações ou mais em alta nessa bolsa é de 50%, assim como a probabilidade
de se ter 15 ações ou menos. Essa é uma importante decorrência das distribuições contínuas, dentre elas
a normal: as probabilidades são proporcionais às áreas definidas pelos valores envolvidos.
A questão proposta a seguir demonstra a utilidade desses conceitos.
Uma empresa de pneumáticos acompanhou a vida útil de uma quantidade considerável de pneus de
um determinado tipo e chegou à conclusão de que essa vida útil é normalmente distribuída e tem uma
média de 42.000 km, com desvio padrão de 5.800 km. Um cliente adquire um desses pneus e o instala
no seu automóvel. Qual é a probabilidade de que ele dure mais do que 50.000 km?
Antes de qualquer coisa, vamos entender os procedimentos operacionais envolvidos. O fabricante não
acompanha todos os pneus que fabrica; evidentemente, acompanha uma pequena fração deles, anotando a
quilometragem durante a qual eles foram utilizados. Com esses dados, que devem ser em quantidade considerável,
ele calcula a média e o desvio padrão e assume que, se ele tivesse acompanhado, todos os pneus fabricados os
valores seriam muito próximos. Ele consegue observar também se o experimento segue ou não a curva normal.
Feita essa observação, veja o gráfico a seguir:
Área na qual estão

Probabilidades
localizados os pneus
que têm vida útil maior
ou igual a 50.000 km
Vida útil
42 em milhares de km
0 5 20 35 50 65
Figura 6
34
Na área sob a curva estão representados todos os possíveis pneus desse tipo, desde o que menos
rodou ou rodará até o que mais rodou ou rodará, ou seja, a população dos pneus desse tipo. Perceba que
o pneu que menos roda faz isso por aproximadamente 25.000 km (ponto em que a curva toca o eixo
horizontal) e que o mais resistente roda cerca de 65.000 km.
Se todos os pneus estão representados pela área total (AT) e os pneus que duram 50.000 ou mais
quilômetros estão na área cinza (Ap = área pedida), então é lógico deduzir a partir do que já sabemos:
Ap
P(pneu rodar 50.000 km ou mais) =
At
Nessas circunstâncias, calcular a probabilidade significa calcular duas áreas. Não é uma tarefa fácil,
matematicamente, mas foram desenvolvidos procedimentos que facilitam esses cálculos.
Logo a seguir, mostraremos como são esses procedimentos. Por ora, você acreditará quando dissermos
que a área dada desse exercício corresponde a 8,38% da área total. Portanto:
P(pneu rodar 50.000 km ou mais) = 0,0838 = 8,38%
4.2 Cálculo das áreas da curva normal
Como notamos na resolução da questão anterior, o cálculo de uma probabilidade que segue a distribuição
normal é relativamente fácil e pouco trabalhoso. O grande problema é calcular as áreas envolvidas.
Esse tipo de cálculo é matematicamente muito trabalhoso e deveria ser refeito a cada problema a se resolver,
visto que, como cada curva normal é caracterizada pela média e pelo desvio padrão, qualquer alteração nesses
parâmetros provocaria uma mudança na curva e, consequentemente, recálculo das áreas envolvidas.
Para facilitar esses cálculos, que são repetidos centenas de milhares de vezes, foi estabelecida uma
curva padrão, chamada de curva normal reduzida, a partir da qual, por analogia, determinam‑se as
áreas de situações práticas.
Essa curva tem várias características interessantes que irão facilitar nossos cálculos:
• utiliza‑se a variável reduzida (padrão) z para diferenciar da variável real, aquela de envolve os
problemas práticos que continuaremos a chamar de x (como a vida útil do pneu do nosso exemplo);
• é construída para uma média igual a zero e um desvio padrão igual a 1 (µ = 0; σσ= 1);
• a área total sob a curva normal reduzida é igual a 1;
• a curva varia, no eixo z, desde ‑4 até +4, ou seja, de menos quatro desvios padrões da média até
mais quatro desvios padrões da média;
35
Unidade I
• todas as áreas são tabeladas (vide tabela do Anexo 1);
• a relação entre a curva normal reduzida e a curva normal real é feita pela fórmula:
x−µ
z=
σ
Onde:
– z é a variável reduzida;
– x é a variável real;
– µ é a média real;
– é o desvio padrão real.
A curva reduzida pode ser vista a seguir. Perceba que, entre um desvio padrão para menos, em
relação à média, e um desvio padrão para mais, a área é de 68,2% do total. Entre dois desvios padrões
para menos e dois desvios padrões para mais, a área é de 95,4% do total, e assim por diante. Perceba
que não existe área antes de quatro vezes o desvio padrão para menos e depois de quatro vezes o desvio
padrão para mais, ou seja, é estatisticamente impossível ocorrer algo que diste mais do que quatro vezes
o desvio padrão da média.
P(z)
-4 -3 -2 -1 0 1 2 3 4
68,2%
95,4%
99,7%
100,0%
Figura 7
36
Os cálculos das probabilidades envolvendo distribuições normais envolvem basicamente a

determinação das áreas envolvidas por meio do uso da tabela da curva normal reduzida, determinada
por analogia com a situação real que estamos trabalhando.
Precisamos então entender o funcionamento da tabela da curva normal reduzida, que você encontra
no Anexo 1.
O critério básico da tabela é que as áreas começam sempre da extrema esquerda da curva e terminam
no valor de z que se está trabalhando, como mostrado a seguir:
P(z)
At
-4 -3 -2 -1 0 1 2 3 4
Z1 = -1,65
Figura 8
A área marcada começa na extrema esquerda e termina em z1= ‑1,65. Portanto, é uma área tabelada,
e o valor dela é obtido na figura, da seguinte forma:
Z 0 1 2 3 4 5 6 7 8 9
-3,9 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
-3,8 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001
-3,7 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001
-1,7 0,0446 0,0436 0,0427 0,0418 0,0409 0,0404 0,0392 0,0384 0,0375 0,0367
-1,6 0,0548 0,0537 0,0526 0,0516 0,0505 0,0495 0,0485 0,0475 0,0465 0,0455
-1,5 0,0668 0,0655 0,0643 0,0630 0,0618 0,0600 0,0594 0,0582 0,0571 0,0559
-1,4 0,0808 0,0793 0,0778 0,0764 0,0749 0,0735 0,0721 0,0708 0,0694 0,0681
-1,3 0,0968 0,0951 0,0934 0,0918 0,0901 0,0885 0,0869 0,0853 0,0838 0,0823
Figura 9
37
Unidade I
Perceba que a tabela tem duas páginas, uma para valores de z positivos e outra para valores de z
negativos. No exemplo, usamos a tabela para valores de z negativos. Na coluna da esquerda, localizamos
os dois primeiros algarismos do z dado, ou seja, 1,6. Na primeira linha, localizamos o valor do último
algarismo de z, o algarismo 5. A área tabelada é obtida pelo cruzamento das duas informações. A área
tabelada, mostrada no gráfico, é, portanto, 0,0495.
Como já vimos, os valores de z serão obtidos por analogia com o problema que efetivamente
estivermos trabalhando. A questão a seguir irá mostrar todos os cálculos possíveis e imagináveis que
podem ser feitos nessa situação:
A fabricação mensal de um produto químico é normalmente distribuída com uma média de 12.500
toneladas e desvio padrão de 1.200 toneladas. Calcular a probabilidade de que, num mês qualquer, a
produção seja:
a) Inferior a 11.000 toneladas.
b) Superior a 13.800 toneladas.
c) Entre 12.000 e 13.500 toneladas.
d) Entre 13.000 e 15.000 toneladas.
e) Inferior a 14.200 toneladas.
f) Superior a 10.000 toneladas
Nessa questão, usaremos inicialmente a imagem das duas curvas. Uma supõe a situação real (a
fabricação do produto químico) e a outra é a normal reduzida. Com isso, conseguiremos mostrar a
analogia a ser feita:
38
Item a
Ad
11.000 12.500 Produção mensal
P(z)
Ad = At
-4 -3 -2 -1 0 1 2 3 4
Z = -1,25
Figura 10
Como mostram os gráficos, a área que desejamos calcular está localizada à esquerda do valor 11.000
toneladas, ou seja, meses em que a produção está abaixo de 11.000 toneladas. O valor 11.000 ton na
situação real, corresponde ao valor ‑1,25 na situação reduzida, conforme a seguir:
x − µ 11000 − 12500
z= = = −125
,
σ 1200
39
Unidade I
Portanto, se a média 12.500 corresponde à média zero na curva reduzida; o desvio padrão 1.200,
ao desvio padrão reduzido 1; e o valor 11.000, ao valor reduzido 1,25, então podemos dizer que as duas
áreas sombreadas nos gráficos ao lado também são correspondentes. Sabendo o valor de uma, podemos
calcular o valor da outra.
Observe que as áreas tabeladas são sempre as que estão entre a extrema esquerda e o valor de z,
exatamente o que ocorre nesse caso. Basta, portanto, obter o valor da área na tabela da curva normal
reduzida:
Z 0 1 2 3 4 5 6 7 8 9
1,3 0,0968 0,0951 0,0934 0,0918 0,0901 0,0885 0,0869 0,0853 0,0838 0,0823
-1,2 0,1151 0,1131 0,1112 0,1093 0,1075 0,1056 0,1038 0,1020 0,1003 0,0985
-1,1 0,1357 0,1335 0,1314 0,1292 0,1271 0,1251 0,1230 0,1210 0,1190 0,1170
Figura 11
Z = ‑ 1,25 → At = 0,1056
Como desejamos a área à esquerda de ‑1,25, o valor da área obtida na tabela é exatamente o valor
desejado:
Ap = At Ap = 0,1056 ou 10,56%
Portanto, a probabilidade de que num mês qualquer se produza menos de 11.000 toneladas é
de 10,56%.
40
Item b
Ad
Produção mensal
12.500 13.800
P(z)
Ad =1– At
-4 -3 -2 -1 0 1 2 3 4
Z1 = 1,08
Figura 12
A área que desejamos calcular está localizada à direita do valor 13.800 toneladas, ou seja, meses em
que a produção é superior a 13.800 toneladas. O valor 13.800 ton, na situação real, corresponde ao valor
1,08 na situação reduzida, conforme a seguir:
x − µ 13800 − 12500
z= = = 1, 08
σ 1200
41
Unidade I
Portanto, se a média 12.500 corresponde à média zero na curva reduzida; o desvio padrão 1.200, ao
desvio padrão reduzido 1; e o valor 13.800, ao valor reduzido 1,08, então podemos dizer que as duas
áreas sombreadas nos gráficos ao lado também são correspondentes. Sabendo o valor de uma, podemos
calcular o valor da outra.
Observe, no entanto, que as áreas tabeladas são sempre as que estão entre a extrema esquerda e o
valor de z, o que não ocorre com esta. Temos então de estabelecer uma relação entre as áreas envolvidas.
Note que a área total sob a curva normal reduzida é igual a 1. A área que permanece em branco no
gráfico é tabelada; portanto, a área que desejamos é igual a um menos a área tabelada:
Z 0 1 2 3 4 5 6 7 8 9
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8413 0,8438 0,8461 0,8486 0,8608 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
Figura 13
Z = 1,08 At = 0,8599
Ap = 1 – 0,8599 → Ap = 0,1401 ou 14,01%
Portanto, a probabilidade de que num mês qualquer se produza acima de 13.800 toneladas é
de 14,01%.
Observação
É muito importante observar que a tabela da curva normal reduzida

tabela apenas as áreas à esquerda do gráfico, portanto qualquer área que não
seja à esquerda do gráfico deverá ser obtida por um cálculo complementar,
como mostrado no Item b e conforme também será mostrado no Item c.
42
Item c
Ad
13.500 Produção mensal

12.000 12.500
P(z)
Ad =At1– At2
-4 -3 -2 -1 0 1 2 3 4
Z1 = -0,42 Z2 = -0,83
Figura 14
A área que desejamos calcular está localizada entre os valores 12.000 e 13.500, ou seja, correspondente
aos meses em que se produz mais de 12.000 toneladas e menos de 13.500 toneladas. O valor 12.000
toneladas da situação real corresponde ao valor ‑0,42 na situação reduzida, e o valor 13.500, a 0,83.
Veja os cálculos a seguir:
x − µ 12000 − 12500
z= = = − 0, 42
σ 1200
x − µ 13.500 − 12500
z= = = 0, 83 43
σ 1200
x − µ 12000 − 12500
Unidade I z= = = − 0, 42
σ 1200
x − µ 13.500 − 12500
z= = = 0, 83
σ 1200
Como anteriormente, podemos fazer a analogia: se a média 12.500 corresponde à média zero na
curva reduzida; o desvio padrão 1.200, ao desvio padrão reduzido 1; o valor 12.000, ao valor reduzido –
0,42; e o valor 13.500, ao valor 0,83, então podemos dizer que as duas áreas sombreadas nos gráficos ao
lado também são correspondentes. Sabendo o valor de uma, podemos calcular o da outra.
Observe que as áreas tabeladas são sempre as que estão entre a extrema esquerda e o valor de z, o
que não ocorre neste caso. Assim, temos de efetuar um raciocínio que permita o cálculo.
Note que, se entrarmos na tabela com o valor de z igual a - 0,42, iremos obter a área 0,3372. Essa
área é a localizada à esquerda de z1 = ‑ 0,42.
Para o valor z2 igual a 0,83, a área obtida é de 0,7967. Essa área está à esquerda de z2 = 0,83.
Perceba que a área de 0,7987 nada mais é do que a área 0,3372 mais a área cujo valor estamos
procurando saber. Logo, o valor da área procurada é a diferença das áreas que lemos na tabela, ou seja:
Ap = 0,7987 – 0,3372 = 0,4615 ou 46,15%
Portanto, a probabilidade de que num mês qualquer se produza entre 12.000 e 13.500 é de 46,15%.
Esses são os três cálculos possíveis sobre a distribuição normal. Os três itens restantes da questão são
semelhantes, e iremos resolver sem a ajuda dos gráficos.
Item d
Como desejamos calcular uma probabilidade e, consequentemente, uma área entre dois valores,
devemos calcular a área à esquerda de cada um deles e depois subtrair a menor da maior:
x − µ 13000 − 12500
z1 = = = 0, 42 → tabela → A t1 = 0, 6628
σ 1200
x − µ 15000 − 12500
z1 = = = 2, 08 → tabela → A t1 = 0, 9812
σ 1200
Ap = 0, 9812 − 0, 6628 = 0, 3184 = 31, 84%
Portanto, a probabilidade de num determinado mês serem produzidos entre 13.000 e 15.000
toneladas de produto químico é de 31,84%.
44
Item e
Como desejamos calcular a probabilidade de a produção ser inferior a 14.200 toneladas, basta
calcular a área à esquerda do valor de z correspondente:
x − µ 14200 − 12500
z1 = = = 1, 42 → tabela → Ap = 0, 9222
σ 1200
Ap = A t = 0, 9222 = 92, 22%
Portanto, a probabilidade de num determinado mês serem produzidas menos de 14.200 toneladas
de produto químico é de 92,22%.
Item f
Como desejamos calcular a probabilidade de a produção ser superior a 10.000 toneladas, devemos
calcular a área à esquerda do valor de z correspondente e tirá‑la de 1:
x − µ 10000 − 12500
z1 = = = −2, 08 → tabela → At = 0, 0188
σ 1200
Ap = 1 − A t = 1 − 0,00188 = 98,12%
Portanto, a probabilidade de num determinado mês serem produzidas mais de 10.000 toneladas de
produto químico é de 98,12%.
As vendas de determinado produto têm apresentado distribuição normal com média de 600
unidades/mês e desvio padrão de 40 unidades/mês. Se a empresa decidir fabricar 700 unidades naquele
mês, qual será a probabilidade de ela não poder atender a todos os pedidos naquele mês, por estar com
a produção completa?
a) 6,20%
b) 95,78%
c) 0,62%
d) 18,50%
e) 99,38%
45
Unidade I
Resolução:
Observe o gráfico a seguir:
desvio padrão = 40
média = 600 700
Figura 15
O gráfico mostra visualmente a situação descrita no exercício. As vendas do produto comportam‑se

de acordo com a curva normal com média (µ) de 600 unidades e desvio padrão (σ) de 40 unidades. Isso
significa que em determinado mês se pode vender mais ou menos, seguindo a curva normal. O valor
(X) de 700 unidades representa a produção estabelecida e divide a curva em duas áreas: a área clara
corresponde aos meses nos quais se vendem menos do que 700 unidades que, e a área escurecida,
aos meses em que se vendem mais do que 700 unidades. Ora, se a empresa vender mais do que 700
unidades, não conseguirá atender a todos os pedidos, visto que a produção está limitada a esse valor.
Portanto, essa área corresponde à probabilidade de não se poder atender a todos os pedidos, questão
colocada pelo exercício. Resolveremos a questão, assim, calculando a área escurecida, o que é feito a
partir do uso da tabela normal reduzida.
A variável reduzida correspondente a 700 unidades é obtida pela fórmula:
x−µ 700 − 600

z= →z= → z = 2, 50
σ 40
Com o valor de 2,50, usando a tabela da distribuição normal reduzida, podemos determinar a área à
esquerda do valor de 700 unidades:
z = 2,50 → Atab = 0,9938
Como na verdade queremos a área à direita de 700 unidades, nós deveremos fazer a subtração:
Ap = 1 – Atab → Ap = 1 – 0,9938 = 0,0062
46
Dessa forma, a probabilidade de não se conseguir atender a todos os pedidos é de 0,62%, ou seja, a
alternativa correta é a C.
Com o exemplo do produto químico, verificamos como se calcula a probabilidade de ocorrência

de um evento que segue a distribuição normal (os mais comuns dos eventos). Ocorre que muitas
vezes precisamos fazer o cálculo ao contrário, ou seja, sabemos qual é o valor de uma determinada
probabilidade e desejamos saber quais os valores que a definem.
A questão a seguir demonstra esse raciocínio e os cálculos decorrentes.
Uma oficina automotiva efetua seus consertos no tempo médio de 45 minutos, com desvio padrão
de 8 minutos, normalmente distribuído. Nessas circunstâncias, pergunta‑se:
a) Qual é a previsão de tempo de trabalho que a oficina deve passar ao cliente para que tenha 90%
de probabilidade de efetuar o trabalho dentro do prazo?
b) Qual é a previsão de tempo de trabalho que a oficina deve passar ao cliente para que tenha, no
máximo, 30% probabilidade de efetuar o trabalho dentro do prazo?
Resolução do Item a:
Observe a figura a seguir. A área sombreada corresponde a 90% da área total, sendo limitada pelo
valor z, que desejamos encontrar. O problema se resolve obtendo-se na tabela o valor de z correspondente
a uma área de 90% ou aproximada. Note, portanto, que utilizamos a tabela no sentido oposto ao que
fizemos nos exercícios anteriores. Veja a figura representando a tabela:
P(z)
90%
-4 -3 -2 -1 0 1 2 3 4
Z=?
Figura 16
47
Unidade I
Z 0 1 2 3 4 5 6 7 8 9
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8967 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
Figura 17
Portanto, para que a área sombreada tenha o valor de 90%, é necessário que o z seja igual a 1,28,
correspondente à área de 0,8997 (valor da tabela mais próximo de 0,9000 ou 90%).
Tendo esse valor, é só aplicar a fórmula de conversão devidamente adaptada:
x−µ
z= ∴ x = µ + zσ ⇒ x = 45 + (128
, ) × 8 ⇒ x = 55, 24
σ
Dessa maneira, se a oficina estimar o tempo de conserto em 55,24 minutos, ela terá uma probabilidade
de 90% de não ultrapassar o tempo.
Resolução do Item b:
O cálculo é semelhante ao do item anterior. Para uma área de 30%, o valor de z deverá ser de ‑0,52. Portanto:
x−µ
z = ∴ x = µ + zσ ⇒ x = 45 + ( −0, 52) × 8 ⇒ x = 40, 84
σ
Dessa maneira, se a oficina estimar em 40,84 minutos o tempo de conserto, ela terá uma probabilidade
de 30% de não ultrapassar o tempo, ou seja, um risco de 70% de não cumprir o prometido.
Certa peça de reposição para veículos automotores tem duração média de 15.000 km, com desvio
padrão de 1.000 km, dependendo das condições de uso, e distribuem‑se normalmente. Qual deveria ser
a garantia dada pelo fabricante dessa peça para que apenas 1% delas fosse substituído?
a) 17.330 km
b) 12.670 km
c) 14.000 km
d) 13.720 km
e) 16.280 km
48
Resolução:
Observe o gráfico a seguir. Ele mostra a visualização do exercício. A área escurecida tem o valor de
1% do total e representa as peças que serão substituídas. O valor X é a garantia a ser dada para que essa
substituição ocorra nos moldes solicitados.
desvio padrão = 1000
1% peças substit.
X média = 15000
Figura 18
O cálculo deve ser feito utilizando‑se a tabela da curva normal distribuída, ou seja, verificando-se
qual valor de z determina uma área tabelada à esquerda dele igual a 1% ou 0,0100:
Atab = 0,0100 → z = – 2,33
Tendo o valor de Z, podemos obter o valor de X:
X = µ + zσ → X = 15000 + (–2,33) x 1000 → X = 12670
Assim, para uma garantia dada de 12.670 km, o número de peças substituídas em garantia será de
1%, ou seja, alternativa B.
Resumo
A Estatística nos auxilia no entendimento de questões definidas no tempo

e no espaço, mas também de situações indefinidas e situadas no futuro.
Frequentemente, o segundo ambiente é entendido com o conhecimento
do primeiro. Usamos o termo amostra para indicar o primeiro e o termo
população para o segundo.
49
Unidade I
Em Estatística, tratam‑se especialmente as amostras, por estarem elas

perfeitamente bem-definidas e, portanto, serem facilmente estudáveis. As
amostras, ressaltamos sempre, são conjuntos com uma pequena quantidade
de elementos reais. São informações colocadas no presente ou no passado
– definidas, portanto. Sabemos calcular com certa facilidade medidas
características de uma amostra e, assim, entendê‑las na sua essência.
Já as populações, por serem conjuntos de grande quantidade de

elementos e valores normalmente não reais, situadas no futuro, não são
tão facilmente calculáveis, apesar de ser muito interessante que isso se
faça. Esse cálculo é feito indiretamente, a partir de estudos amostrais.
Esse processo é, em tese, elementar. Querendo conhecer uma população,

tiramos dela uma amostra, estudamos essa amostra e, a partir daí, induzimos
os valores populacionais. Isso é feito, por exemplo, numa pesquisa eleitoral.
Não sendo possível entrevistar todos os eleitores de um colégio eleitoral para
saber em quem votariam, pegamos uma pequena quantidade deles e, baseados
nesses elementos, induzimos o valor populacional. Assim, pegando 800
eleitores de uma cidade, por exemplo, e verificando que 200 desses eleitores
têm intenção de votar no candidato A, podemos induzir que, se a eleição fosse
hoje, o candidato A teria, dentre todos os eleitores, provavelmente, 25% dos
votos (200 dividido por 800).
O termo provavelmente aparece com uma importância seminal. Não

é certo que esse raciocínio feito aconteça, é provável. Não podemos jurar
sobre essa informação, mas é um bom início para a análise.
Probabilidade é um termo intuitivo, sabemos o que é sem precisar

definir. É claro e evidente que a probabilidade de ser atropelado ao atravessar
uma grande avenida de uma grande cidade sem olhar é muito maior do
que fazer o mesmo numa estradinha de terra no interior do país. Mas se
impõe calcular essas probabilidades, não basta saber qual é maior ou menor.
O cálculo é intuitivo também: probabilidade é a razão entre o que queremos
que aconteça e o que pode acontecer. No exemplo dos eleitores da cidade, o
candidato A pode ter até 800 votos, mas obteve 200, portanto a probabilidade
de ele ser votado é a razão entre 200 e 800, ou seja 0,25 ou 25%.
Na prática, entretanto, o cálculo pode ser mais complexo, e necessitamos de

métodos para fazer esses cálculos, como a árvore de decisões, métodos que, no
fundo, são ferramentas que nos conduzem às distribuições de probabilidades.
Distribuições de probabilidades são modelos matemáticos que

estabelecem como determinados fenômenos provavelmente vão ocorrer
(ou ocorreram). Da mesma maneira que temos diversos fenômenos,
50
temos diversas distribuições. Duas delas são muito mais importantes, pela
quantidade em que são usadas e por indicar o processo geral em que as
demais ocorrem.
A distribuição binomial é a mais importante das distribuições para

variáveis discretas e, no limite, aproxima-se da distribuição normal, a mais
importante de todas. Enquanto a binomial utiliza uma fórmula matemática
no seu equacionamento, semelhante a diversas outras distribuições para
variáveis discretas, a normal utiliza métodos gráficos e tabelas para o
cálculo de probabilidade. Diversas outras distribuições para variáveis
contínuas repetem esse modelo.
Seja qual for a distribuição utilizada em determinada situação, ela será

caracterizada por parâmetros estatísticos, normalmente, média e desvio
padrão, que são determinados por processos amostrais. Esses parâmetros não
só caracterizaram o evento, mas também determinarão o grau de precisão
das nossas previsões, assunto que veremos mais adiante neste material.
Exercícios
Questão 1. (Enade 2009) Uma empresa metalomecânica produz um tipo especial de motor. A
quantidade desse motor em estoque segue uma distribuição normal com média de 200 unidades e
desvio padrão de 20. O gráfico a seguir representa a distribuição normal padrão (média igual a 0 e desvio
padrão igual a 1), em que as porcentagens representam as probabilidades entre os valores de desvio
padrão.
Qual é a probabilidade de, em um dado momento, o estoque da empresa apresentar mais de 220
unidades?
0,13% 0,13%
2,14% 13,60% 34,13% 34,13% 13,60% 2,14%
-3 -2 -1 0 1 2 3
Desvios padrões
Figura 19
51
Unidade I
A) 84,13%
B) 68,26%
C) 34,13%
D) 15,87%
E) 13,60%
Resposta correta: alternativa D.
Análise das alternativas
A) Alternativa incorreta.
Justificativa: esse resultado tem valor acima de 50%, ou seja, corresponderia a uma área acima de
metade da curva normal (um “lado” inteiro da curva e mais um “pedaço”). Como a questão fala em
apresentar mais de 220 unidades, esse valor de probabilidade corresponderia a uma área à esquerda da
curva, como mostra o gráfico a seguir: 34,13% + 34,13% + 13,60% + 2,14% + 0,13% = 84,13%. Essa
probabilidade corresponde à ocorrência de um estoque de mais de 180 unidades (a média menos um
desvio padrão, ou seja, 220 – 20 = 180).
0,13% 0,13%
2,14% 13,60% 34,13% 34,13% 13,60% 2,14%
-3 -2 -1 0 1 2 3
Desvios padrões
Figura 20
B) Alternativa incorreta.
Justificativa: na distribuição ou curva normal, essa área corresponde ao intervalo entre um desvio
padrão abaixo e um desvio padrão acima da média, ou seja, estoques entre 180 e 220 unidades (200
– 20 = 180 e 200 + 20 = 220), portanto em desacordo com a pergunta. O gráfico a seguir mostra
visualmente a situação:
52
0,13% 0,13%
2,14% 13,60% 34,13% 34,13% 13,60% 2,14%
-3 -2 -1 0 1 2 3
Desvios padrões
Figura 21
C) Alternativa incorreta.
Justificativa: na distribuição ou curva normal, essa área corresponde ao intervalo entre a média e
um desvio padrão abaixo ou a média e um desvio padrão acima. Seria metade da área do gráfico da
alternativa anterior. Nenhuma delas tem sentido diante da pergunta (ambas são situações de estoque
inferior a 220 unidades, e não superior).
D) Alternativa correta.
Justificativa: ao resolver a questão, o aluno deve ter em mente os parâmetros estatísticos fornecidos
(média = 200 e desvio padrão = 20). Era pedida a probabilidade de ocorrência da faixa acima de 220
unidades, ou seja, um desvio padrão ou mais acima da média.
x−µ 220 − 200

z= →z= → z =1
σ 20
Deve‑se lembrar, portanto, que a probabilidade de uma situação qualquer ocorrer em dado momento
é em função do número de desvios padrões envolvidos.
A questão não informa a tabela da normal reduzida, mas mostra a curva normal com as áreas e,
portanto, probabilidades, compreendidas entre desvios padrões inteiros. O gráfico a seguir mostra a
situação proposta:
53
Unidade I
0,13% 0,13%
2,14% 13,60% 34,13% 34,13% 13,60% 2,14%
-3 -2 -1 0 1 2 3
Desvios padrões
Figura 22
A área preenchida corresponde ao solicitado, ou seja: 13,60% + 2,14% + 0,13% = 15,87%.
E) Alternativa incorreta.
Justificativa: na distribuição ou curva normal, essa área corresponde ao intervalo entre a média mais
um desvio padrão e a média mais dois desvios padrões, ou seja, entre 220 e 240 unidades em estoque. A
questão fala acima de 220 unidades, mas não limita a 240. O gráfico a seguir mostra a situação:
0,13% 0,13%
2,14% 13,60% 34,13% 34,13% 13,60% 2,14%
-3 -2 -1 0 1 2 3
Desvios padrões
Figura 23
Questão 2. A empresa Dados Manipulados S.A. tem um programa de treinamento gerencial cuja
probabilidade histórica de efetivar os trainees como gerentes nos 5 anos seguintes ao treinamento
é de 38%. Neste mês, foram admitidos 15 novos trainees, que começaram seu treinamento. Qual
é a probabilidade de que mais de 2 deles tornem‑se efetivamente gerentes nos próximos 5 anos?
54
A) 84,13%
B) 3,82%
C) 8,32%
D) 96,18%
E) 38,00%
Resposta correta: alternativa D.
Análise da questão
Observe que estamos falando de uma distribuição binomial, visto que os eventos são
independentes, podem ocorrer apenas dois que são complementares (ser ou não ser efetivado) e a
variável envolvida é discreta.
Temos no enunciado os dados necessários: 38% dos trainees são efetivados como gerentes nos cinco
anos após o treinamento, portanto essa é a probabilidade de sucesso, ou seja, p = 0,38. Neste mês foram
admitidos 15 novos trainees, e cada trainee é uma tentativa de se obter um novo gerente, portanto
temos agora 15 tentativas, ou seja, n = 15. Queremos que mais do que dois deles efetivamente se
tornem gerentes, portanto x = 3; 4; 5; .......; 15. Aplicando‑se a fórmula da binomial, obtemos o resultado.
Observe que é mais fácil calcular as probabilidades de x = 0; 1 e 2 e depois tirar esses valores de 100%
do que calcular diretamente as probabilidade de x ≥ 3. É o que iremos fazer:
P(x = 0) = C15,0 x 0,380 x (1 – 0,38)15–0 = 0,0008 ou 0,08%

P(x = 1) = C15,1 x 0,381 x (1 – 0,38)15–1 = 0,0071 ou 0,71%
P(x = 2) = C15,2 x 0,382 x (1 – 0,38)15–2 = 0,0303 ou 3,03%
Com esses dados, podemos determinar a probabilidade de dois ou menos serem efetivados, justamente
o contrário do que o problema pede:
P(x = 2 ou menos efetivados) = 0,08% + 0,71% + 3,03% = 3,82%
O que desejamos é justamente o contrário, portanto:
P(x = mais de 2 efetiv.) = 100% – P(x = 2 ou menos efetiv.) = 100% – 3,82% = 96,18%
55

Est - Aplicada Unid 1

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Est - Aplicada Unid 1

Uploaded by

Copyright:

Available Formats

Estatística Aplicada

Dados Internacionais de Catalogação na Publicação (CIP)

F213e Fanno, Maurício Martins do.

Estatística aplicada. / Maurício Martins do Fanno. – São Paulo:

100 p., il.

Nota: este volume está publicado nos Cadernos de Estudos e

1. Estatística aplicada. 2. Distribuição. 3. Amostragem. I. Título.

Prof. Fábio Romeu de Carvalho

Profa. Melânia Dalla Torre

Prof. Dr. Yugo Okida

Profa. Dra. Marília Ancona-Lopez

Unip Interativa – EaD

Profa. Elisabete Brihy

Material Didático – EaD

Em Estatística são vistos e diferenciados população e amostra, e ocorre o estudo da Estatística

A exemplo das distribuições de frequências, as distribuições de probabilidades apresentam

• a previsão do comportamento de amostras a partir do conhecimento da população da qual foram

• a previsão do comportamento de uma população a partir do estudo de amostras dela retirada; e

• a comparação entre amostras e populações, na pesquisa de diferenças casuais ou causais.

Amostras são conjuntos de elementos, normalmente tirados de uma população, em quantidade

Induzir significa concluir, deduzir. Em Estatística, o termo é utilizado

Definimos amostra como um pedaço coerente da população, ou

Começaremos nosso estudo revendo alguns conceitos principais de probabilidades e observando

A primeira definição é chamada de definição matemática (ou clássica) de probabilidades e só pode

Um experimento aleatório é aquele que, mesmo sendo repetido de

Leia a obra a seguir:

MLODINOW, L. O andar do bêbado: como o acaso determina nossas

Trata-se de uma interessante e agradável leitura a respeito da influência

• na primeira jogada sair cara e na segunda também sair cara;

• na primeira jogada sair cara e na segunda sair coroa;

• na primeira jogada sair coroa e na segunda sair cara;

• na primeira jogada sair coroa e na segunda também sair coroa.

P(cara e cara) = 0,485 x 0,485 = 0,235 = 23,5%

Como previmos, um valor menor que 25%.

P(uma cara e uma coroa) = P(cara E coroa) + P(coroa E cara) =

Resultados pela ordem de ocorrência Cálculo da probabilidade Probabilidade

Os exemplos a seguir ilustram essa diferença.

Observe que o empresário obteve um lucro de R$ 112.200,00 em 78 operações (incluindo as que

Média aritmética é definida como o somatório dos valores de todos

Ocorrências Lucro Probabilidades de Valor x

Sucesso parcial R$ 1.200,00 32,0% R$ 384,00

Portanto, o lucro esperado é de R$ 46,10. Alternativa correta: A.

Suponhamos o seguinte exemplo, muito semelhante ao anterior, mas mais trabalhoso.

0,515 Coroa Situação 7

Situação 4 →→P(situação 4) = 0,485 × 0,515 × 0,515 = 0,485 ×〖0,5152

P(sair uma e apenas uma cara) = 3 ×〖0,4851 ×〖0,5152 = 0,386 ou 38,6%

• o número 3 é o número de situações em que ocorre o desejado pelo problema e é o resultado

Com isso, podemos generalizar os problemas desse tipo. Por exemplo:

P(sair exatamente 6 caras) = 210 ×〖0,556 ×〖0,454 = 0,238 ou 23,8%

x = números de resultados desejados, no caso, x = 6 (número de caras desejadas).

Essa fórmula é lida da seguinte forma: “número de combinações de n elementos tomados x a x

Fatorial de um número a, simbolizado por a!, é a multiplicação de todos os números inteiros e

Por exemplo: 6! é igual a 720 porque:

Note que, por definição, 0! é igual a 1.

Assim, aplicando a fórmula para nossos dados, teremos:

Nesses exemplos das moedas, temos algumas características comuns:

Experimentos que seguem essas características resultam numa distribuição de probabilidades

Como decorrência disso, nós podemos estabelecer o conceito de distribuição de probabilidades em

• Na distribuição de frequências, normalmente se utiliza como informação principal a frequência simples. Na

• Distribuições de frequências são informações reais, exatas, decorrentes de observações efetuadas.

• Em Estatística, utilizamos nos nossos cálculos, primordialmente, as informações na forma de

• Distribuições de probabilidades discretas:

• Distribuições de probabilidades contínuas: