FACULDADE DE TECNOLOGIA DE SOROCABA

APOSTILA DE ESTATÍSTICA CURSO: PROCESSAMENTO DE DADOS

Ao escrever esta Apostila não pretendi outra coisa, senão proporcionar aos alunos da disciplina ESTATÍSTICA, a facilidade de dispor de notas de aulas dos temas do Programa da Disciplina. O acompanhamento das aulas e a pesquisa em Bibliografia sobre o assunto, tornam-se necessárias para o adequado aproveitamento do curso.

PROF. OSNI PAULA LEITE

ÍNDICE
1.0 DEFINIÇÕES DE ESTATÍSTICA ......................................................................... 1 1.1 POR QUE ESTUDAR ESTATÍSTICA? ......................................................... 1 1.2 A NATUREZA DOS DADOS ........................................................................ 1 1.3 TIPOS DE DADOS ....................................................................................... 2 1.4 TIPOS DE LEVANTAMENTOS .................................................................... 3 1.5 PLANEJAMENTO DE EXPERIMENTOS ..................................................... 4 EXERCÍCIOS: E-1...................................................................................................... 5 2.0 AMOSTRAGEM ................................................................................................... 6 2.1 DEFINIÇÕES................................................................................................ 6 2.2 AMOSTRAGEM ALEATÓRIA BASEADA EM NÚMEROS ALEATÓRIOS (RANDÔMICOS) ................................................................................................ 8 2.3 OUTROS PLANOS DE AMOSTRAGEM ...................................................... 9 2.4 AMOSTRAGEM POR JULGAMENTO (NÃO PROBABILÍSTICA) ................ 9 2.5 AMOSTRAGEM PROBABILÍSTICA ........................................................... 10 2.5.1 AMOSTRAGEM SISTEMÁTICA............................................................... 10 2.5.2 AMOSTRAGEM ESTRATIFICADA ......................................................... 11 2.5.3 AMOSTRAGEM POR CONGLOMERADO............................................. 11 RESUMO.......................................................................................................... 11 EXERCICIOS: E-2.................................................................................................... 13 3.0 ANÁLISE EXPLORATÓRIA DE DADOS........................................................... 14 4.0 DISTRIBUIÇÃO DE FREQÜÊNCIA ................................................................... 15 5.0 REPRESENTAÇÃO GRÁFICA DAS VARIÁVEIS QUANTITATIVAS ............... 19

6.0 APRESENTAÇÃO GRÁFICA ............................................................................ 20 6.1 DIAGRAMA DE ORDENADAS................................................................... 20 6.2 DIAGRAMA DE BARRAS........................................................................... 21 6.3 DIAGRAMA DE CÍRCULOS ....................................................................... 22 6.4 DIAGRAMA DE SETORES CIRCULARES ................................................ 23 6.5 DIAGRAMA LINEAR .................................................................................. 25

6.6 O PICTOGRAMA ................................................................................................ 26 7.0 MONTAGEM DE UMA DISTRIBUIÇÃO DE FREQÜÊNCIAS ........................... 27 7.1 HISTOGRAMA E POLIGONO DAS FREQÜÊNCIAS ................................. 31 7.2 HISTOGRAMA E POLIGONO DAS FREQÜÊNCIAS RELATIVAS ............ 32 7.3 POLIGONO DE FREQÜÊNCIA ACUMULADA OU OGIVA ........................ 33 7.4 POLIGONO DA FREQÜÊNCIA ACUMULADA RELATIVA ........................ 34 8.0 TIPOS DE DISTRIBUIÇÃO ................................................................................ 35 8.1 DISTRIBUIÇÃO SIMÉTRICA OU EM FORMA DE SINO ........................... 35 8.2 DISTRIBUIÇÃO ASSIMÉTRICA................................................................. 36 8.3 DISTRIBUIÇÃO MODAL, AMODAL, BIMODAL E MULTIMODAL ............. 37 8.4 APRESENTAÇÃO TIPO RAMO-E-FOLHAS .............................................. 38 9.0 MEDIDAS DE POSIÇÃO OU DE TENDÊNCIA CENTRAL ............................... 40 9.1 MÉDIA ARITMÉTICA SIMPLES ................................................................. 40 9.2 MÉDIA ARITMÉTICA PONDERADA .......................................................... 41 9.3 MEDIANA (x̃) .............................................................................................. 41 9.4 MODA (

ˆ ) ............................................................................................... 43 x

10.0 MEDIDAS DE VARIABILIDADE (DISPERSÃO).............................................. 44 10.1 AMPLITUDE TOTAL (R.T.) ...................................................................... 44 10.2 DESVIO PADRÃO .................................................................................... 45 10.2.1 DESVIO PADRÃO AMOSTRAL (S) ....................................................... 45 10.2.2 DESVIO PADRÃO DA POPULAÇÃO (σ) ............................................... 46 10.2.3 REPRESENTAÇÃO GRÁFICA DO DESVIO PADRÃO.......................... 46 10.2.4 SISTEMATIZAÇÃO PARA O CÁLCULO ................................................ 47 10.3 VARIÂNCIA .............................................................................................. 48 11.0 DISTRIBUIÇÃO NORMAL .............................................................................. 49 EXERCÍCIOS: E-3.................................................................................................... 55 12.0 PROBABILIDADE............................................................................................ 56 12.1 ESPAÇO AMOSTRAL E EVENTOS......................................................... 57 12.2 TRÊS ORIGENS DA PROBABILIDADE ................................................... 58

12.3 A MATEMÁTICA DA PROBABILIDADE ................................................... 59 EXERCÍCIOS: E-4.................................................................................................... 62 13.0 TECNICAS DE CONTAGEM ........................................................................... 63 13.1 O PRINCIPIO DA MULTIPLICAÇÃO ........................................................ 64 13.2 PERMUTAÇÃO, ARRANJO E COMBINAÇÃO. ....................................... 65 13.3 REGRAS DE CONTAGEM ....................................................................... 68 EXERCÍCIOS: E-5.................................................................................................... 69 14.0 DISTRIBUIÇÃO DE PROBABILIDADES......................................................... 70 14.1 DISTRIBUIÇÃO BINOMIAL ...................................................................... 72 EXERCICIOS: E-6.................................................................................................... 76 14.2 DISTRIBUIÇÃO DE POISSON......................................................................... 77 EXERCICIOS: E-7.................................................................................................... 79 15.0 CORRELAÇÃO ................................................................................................ 80 15.1 INTRODUÇÃO ......................................................................................... 80 15.2 RELAÇÃO FUNCIONAL E RELAÇÃO ESTATÍSTICA ............................. 80 15.3 DIAGRAMA DE DISPERSÃO................................................................... 81 15.4 CORRELAÇÃO LINEAR.......................................................................... 82 15.5 COEFICIENTE DE CORRELAÇÃO LINEAR........................................... 85 15.6 CUDADOS COM OS ERROS COM A INTERPLETAÇÃO DE CORRELAÇÃO ................................................................................................ 87 EXERCICIOS: E-8.................................................................................................... 88 16.0 REGRESSÃO LINEAR .................................................................................... 91 16.1 AJUSTAMENTO DE CURVAS ................................................................. 91 16.2 MÉTODO DOS MÍNIMOS QUADRADOS ................................................ 92 16.3 ANÁLISE DE REGRESSÃO..................................................................... 95 EXERCÍCIOS E-9 ......................................................................................................98

ESTATÍSTICA
1.0 DEFINIÇÕES DE ESTATÍSTICA
Etimologicamente a palavra estatística vem de “status” expressão latina que significa, ”sensu lato”, o estudo do estado. Os primeiros a empregarem esse termo foram os Alemães seguidos pela Itália, França, Inglaterra e ainda por outros paises. Para Levasseur a estatística é : “O estudo numérico dos fatos sociais”.

Yule define estatística como: “Dados quantitativos afetados marcadamente por uma multiplicidade de causas”. Uma definição mais usual nos dias de hoje seria: “Um método cientifico que permite a análise, em bases probabilística, de dados coligados e condensados”

Ou ainda podemos dizer que é: “A coleta, o processamento, a interpretação e a apresentação de dados numéricos que pertencem ao domínio da estatística” 1.1 POR QUE ESTUDAR ESTATÍSTICA?

Por hora podemos dizer que o raciocínio estatístico é largamente utilizado no governo e na administração; assim, é possível que, no futuro, um empregador venha a contratar ou promover um profissional por causa do seu conhecimento de estatística.

1.2 A NATUREZA DOS DADOS

O dados estatísticos constituem a matéria prima das pesquisas estatísticas, eles surgem quando se fazem mensurações ou se restringem observações. Estatística descritiva: Trata-se da descrição e resumo dos dados.

1

Probabilidade: É um estudo que envolve o acaso.

Interferência: É a analise e interpretação de dados amostrais (Amostragem).

Modelo: São versões simplificadas (Abstrações) de algum problema ou situação real. 1.3 TIPOS DE DADOS

Quantitativos Contínuos Discretos Qualitativos Nominais Por postos As variáveis contínuas podem assumir qualquer valor num intervalo contínuo. Os dados referentes a tais variáveis dizem-se dados contínuos. Ex. Peso, comprimento, espessura onde usa-se a mensuração. As variáveis discretas assumem valores inteiros de dados discretos são os resultados da contagem de números de itens. Ex. alunos da sala de aula, número de defeitos num carro novo, acidentes de uma fábrica. Os dados nominais surgem quando se definem categorias e se conta o número de observações pertencentes a cada categoria. Ex.: atuam dentro das variáveis “Qualitativas” as quais devemos associar a valores numéricos para que possamos processar estatisticamente. Ex.: cor dos olhos (azuis, verdes, castanhos), sexo (masculino e feminino), desempenho (excelente, bom, sofrível, mau) etc. Os dados por postos consistem de valores relativos atribuídos para denotar ordem: primeiro, segundo, terceiro, quarto, etc. Ex.: concurso de beleza se classificam em 1ª,2ª,3ª colocadas.

2

feito no Brasil a cada dez anos. os dados são levantados diretamente na população no momento da investigação.Exemplos os registros civis dos fatos vitais (nascimento.4 TIPOS DE LEVANTAMENTOS Os levantamentos podem ser classificados em contínuos. De classes Homens/Mulheres 3º grau 1. 3 . óbitos e casamentos). DADOS SECUNDÁRIOS: Quando o investigador para verificar as sua hipóteses de trabalho utiliza. DADOS PRIMÁRIOS: Quando o investigador não encontra dados publicados adequados ao seu estudo. periódicos e ocasionais: CONTÍNUO: Quando os eventos vão sendo registrados à medida que ocorrem. registrados ou publicados.se de dados já existentes. isto é. PERIÓDICOS: Acontecem ciclicamente. Exemplo é o rescenceamento.TABELA: 1 A mesma população pode originar diferentes tipos de dados. OCASIONAIS: São aqueles realizados sem a preocupação de continuidade ou periodicidade preestabelecidas. TIPOS DE DADOS POPULAÇÕES CONTÍNUOS DISCRETOS NOMINAIS POR POSTO Alunos de administração idade/peso N. Podem ser até mesmo dados gerados pelo Departamento de Estatísticas de Populações da Fundação Instituto Brasileiro de Geografia e Estatística (IBGE). parte para a realização de um inquérito. arquivados. exemplos a maioria dos trabalhos de investigação cientifica.

Definição do problema: Um Estudo ou Uma Análise 2. Formular plano para coleta de dados adequados 3.1.5 PLANEJAMENTO DE EXPERIMENTOS 1. Relatar as conclusões 4 . Analisar e interpretar os dados 5. Coligir os dados 4.

O mais aprazível h.Defina o termo Estatística.25 segundos d.Dar exemplos de como um administrador pode se beneficiar do conhecimento de Estatística? 5 .Km/litro g.17 gramas b.25 alunos na classe e.5 acidentes no mês de maio 2. b.Identifique os seguintes exemplos em termos de tipos de dados: a.Responder a pergunta: Por que estudar estatística? c.EXERCÍCIOS: E-1 1.3 certos.tamanho de camisa f. 2 errados c.O mais lento i.Responder as perguntas: a.

2. munições) Tempo despendido (atualização) Tipos de informações mais restritivas Casos de excessão: Populações pequenas Amostras grandes em relação a população Se exige precisão completa Se já são disponíveis informações completas 2.1 DEFINIÇÕES POPULAÇÃO: é o conjunto de indivíduos (ou objetos). Restrições ao Censo: Custo Populações infinitas Dificuldade nos critérios (Precisão) Produtos de testes Destrutivos (fósforos.0 AMOSTRAGEM AMOSTRAGEM VERSUS SENSO: Uma amostra usualmente envolve o estudo de uma parcela dos ítens de uma população. POPULAÇÃO AMOSTRA 6 . enquanto que o censo requer o estudo de todos os ítens. AMOSTRA: é qualquer sub-conjunto da população extraída para se realizar estudos estatísticos . que tem pelo menos uma variável comum observável.

a complexibilidade dos problemas de amostragem são normalmente bastante grandes.A estatística indutiva é a ciência que busca tirar conclusões probabilísticas sobre a população.Amostragem é o ato de retirar amostra. A probabilidade e a amostragem estão estreitamente correlacionadas e juntas formam o fundamento da teoria de interferência.Interferência estatística envolve a formulação de certos julgamentos sobre um todo após examinar apenas uma parte. a ação. . em geral os problemas de amostragem são mais simples de resolver. . . em suma. Antes de tudo é preciso garantir que a amostra ou amostras que serão utilizadas sejam obtidas por processos adequados. 7 . com base em resultados verificados em amostras retiradas dessa população. em pesquisas sociais.Quantitativos: Que possua quantidade de dados suficientes para representar a População. isto é. e que dão a sua representatividade em termos: . dele. Na indústria onde amostras são freqüentemente retiradas para efeito de Controle da Qualidade dos produtos e materiais. com êxito. .Qualitativos: Amostras que representem todas as sub-populações. Entretanto não basta que saibamos descrever convenientemente os dados da amostra para que possamos executar. Dois aspectos nas amostras são fundamentais. quando for o caso. é que a amostra seja “Representativa” da população. Por outro lado.O que é necessário garantir. um trabalho estatístico completo. econômicas ou de opinião. ou a amostra.

9.Amostra é a quantidade de dados especificado para representar a população. ou fixos de elementos. Ex. Amostragem aleatória permite estimar o valor do erro possível. dizer “quão próxima” está à amostra da população.3. uma amostra aleatória é aquela em que a probabilidade de incluir na amostra qualquer intervalo de valores é igual à percentagem da população que está naquele intervalo. temos constituído por números finitos.W. a amostragem aleatória exige que cada elemento tenha a mesma oportunidade de ser incluído na amostra. Nas Populações discretas uma amostra aleatória é aquela em que cada item da população tem a mesma chance de ser incluído na amostra. Produção de carros V. Amostragem não aleatória não apresenta esta característica.1. Esses números podem ser lidos isoladamente ou em grupos.. processo probabilístico.. medidas ou observações. Há vários métodos para extrair uma amostra talvez o mais importante seja a amostragem aleatória de modo geral. podem ser lidos em qualquer ordem. Populações infinitas: são aquelas que contém.... Portanto todas as combinações são igualmente prováveis. pelo menos hipoteticamente.4. 2. A probabilidade de qualquer algarismo aparecer em qualquer ponto é 1/10.: Peso bruto de 3000 latas de tinta de um certo lote de produção.. produzidos no Brasil e a serem produzidos (universo volkswagem).2.2 AMOSTRAGEM ALEATÓRIA BASEADA EM NÚMEROS ALEATÓRIOS (RANDÔMICOS) As tabelas de números aleatórios contém os dez algarismos 0. Ex. em termos de representatividade. 8 . isto é.. Populações finitas: é quando. Nas Populações contínuas. um número infinito de elementos..

ao passo que uma pessoa familiarizada com a população pode especificar quais os itens mais representativos da população. Determinar o valor médio de cada compra. colocando-as numa urna. sempre que possível. A amostragem não probabilística é a amostragem subjetiva.3 OUTROS PLANOS DE AMOSTRAGEM Amostragem probabilística versus Amostragem não probabilística Os planos de amostragem probabilística são delineados de tal modo que se conhece a probabilidade de todas as combinações amostrais possíveis. 9 . não é possível nenhuma estimativa do erro amostral. 2. A verdade é que. anotando os valores obtidos. deve-se usar a amostragem probabilística.Conceitualmente. poderíamos construir uma tabela de números aleatórios numerando dez bolinhas com os algarismos de 0 a 9 . a finalidade poderia ser : Estimar a freqüência de compras. ou por julgamento. Em razão disso. A amostragem aleatória é um exemplo da amostragem probabilística.4 AMOSTRAGEM POR JULGAMENTO (NÃO PROBABILÍSTICA) Se o tamanho da amostra é bem pequeno. A titulo de ilustração poderíamos querer selecionar aleatoriamente 15 clientes de uma lista de 830 de um grande magazine. Registrar as queixas contra o sistema. de uns 5 itens. digamos. com reposição. a amostragem aleatória pode dar resultados totalmente não representativos. pode-se determinar a quantidade de variável amostral numa amostra aleatória e uma estimativa do erro amostral. conseqüentemente. 2. onde a variabilidade amostral não pode ser estabelecida com precisão. misturando bem e extraindo uma de cada vez.

39º . freqüentemente obrigam a limitar a pesquisa inicial a um pequeno grupo de voluntários. K= N n onde: N= Tamanho da População n= Tamanho da Amostra EX.1 AMOSTRAGEM SISTEMÁTICA É muito parecida com a amostragem aleatória simples. escolhemos o 9º. após um período de tempo notou-se o aumento das chances de adquirirem câncer de mama. Nenhum desses grupos podem ser considerados como uma amostra aleatória do público em geral. Todavia. 29º. onde K obtem-se dividindo o tamanho da população pelo tamanho da amostra. Por exemplo se der o 9. 2. N= 200 e n=10 então K=200/10 = 20 Significa que será escolhido um item a cada seqüência de 20 de uma lista. Para iniciar pode-se usar uma tabela de números aleatórios de 0 a 9 para iniciar os grupos.49º . Os perigos inerentes à pesquisa médica . os resultados poderiam proporcionar uma base para a elaboração de um plano de amostragem aleatório para validar os resultados básicos. Podemos ter uma amostragem realmente aleatória.5. bem como outro tipo de pesquisa. 10 . Exemplo: A aplicação de hormônios em mulheres na menopausa. etc. e seria perigoso tentar tirar conclusões gerais com base em tal estudo.5 AMOSTRAGEM PROBABILÍSTICA SISTEMÁTICA ESTRATIFICADA CONGLOMERADO 2.Exemplo: Uma equipe médica deve trabalhar com pacientes que se apresentem com voluntários para testar um novo medicamento. escolhendo-se cada K-ésima amostra. doenças cardíacas etc.

faixa etária. conglomerado pode ser encarado como uma minipopulação. Para populações discretas o termo “Aleatório” significa que cada item da população tem a mesma chance de participar na amostra.: Para se fazer o inventário do estoque.: Estudo pré-eleitoral para medir a preferência dos eleitores.B. região da habitação. 11 . regra 80/20). Ex. este objetivo é atingido quando a amostragem é aleatória.2 AMOSTRAGEM ESTRATIFICADA Pressupõe a divisão da população em sub-grupos Homogêneos (Estratos). Pareto. Ex. Neste caso cada RESUMO A finalidade da amostra é permitir fazer interferência sobre a população após inspeção de apenas parte dela. 2.C. procedendo então a amostragem de cada sub-grupo. tornam a amostragem preferível a um estudo completo (Censo) da população.2. poder aquisitivo. Fatores com custo.5. No caso de populações contínuas. ensaios destrutivos e populações infinitas. Naturalmente espera-se que a amostra seja representativa da população da qual foi extraída. Potencialmente. significa que a probabilidade de incluir qualquer valor de um dado intervalo de valores é igual à proporção com valores naquele intervalo. (Sub-grupos: sexo.3 AMOSTRAGEM POR CONGLOMERADO Pressupõe a disposição dos itens de uma população em sub-grupos heterogêneos (sub-populações) representativos da população global. educação.5. é comum termos 10% dos itens representarem cerca de 60% do valor total em quanto que os 90% restantes representam só 40% do valor total (Curva A.etc).

o que é essencial na interferência estatística. estratificada (sub-grupos Homogêneos). tais como amostragem sistemática (periódica). com o embaralhamento de cartas.Utilizando-se uma tabela de números aleatórios para proceder à seleção de uma lista.As amostras aleatórias podem ser obtidas: . ou amostragem por aglomerados (sub-grupos convenientes e heterogêneos). À amostragem não probabilística falta esta característica. . . 12 . podem ser mais eficientes variantes da amostragem aleatória simples. Em certas condições.Pela utilização de um processo mecânico (Misturadores). A principal vantagem da amostragem aleatória é que se pode determinar o grau de variabilidade amostral.Através de um processo de mistura.

Como escolher o método a ser usado em determinada situação? 5. 4. c. da amostragem estratificada.Descreva os vários métodos de obtenção de uma amostra aleatória. 7.EXERCICIOS: E-2 QUESTÕES PARA RECAPITULAÇÃO 1. b.Que è amostragem por julgamento e em que circunstância deve ser usada? 8. da amostragem sistemática.Que é amostragem probabilística e quando deve ser usada? 9.Em que circunstância é a amostragem preferível a um censo completo? 2.Quando se deve preferir um censo a uma amostragem? 3.Defina “Amostra Aleatória”.Explique o significado de “Amostra Aleatória” quando a população è: a. da amostragem por conglomerado.Explique rapidamente as características: a. Discreta 13 . contínua b.

análise e modelagem dos dados. Esta é à parte da metodologia da ciência que tem por objetivos a coleta. De modo geral. 14 . faz-se a interferência para uma população. podemos dizer que a essência da ciência é a observação e que seu objetivo básico é a interferência. finalmente. redução. da qual os dados (amostras) foram obtidos. o pesquisador se vê às voltas com o problema de analisar e entender uma massa de dados.0 ANÁLISE EXPLORATÓRIA DE DADOS Em alguma fase de seu trabalho. relevantes ao seu particular objeto de estudos. a partir do que.3.

0 DISTRIBUIÇÃO DE FREQÜÊNCIA Para cada tipo de variável existem técnicas mais apropriadas para resumir as informações. podemos adaptá-las para outros. Quando se estuda uma variável. Porem podemos usar algumas técnicas empregadas num caso. o maior interesse do pesquisador é conhecer a distribuição dessa variável através das possíveis realizações (valores) da mesma. Exemplo 1: Dados relativos a uma amostra de 36 funcionários de uma população de 2000 funcionários da empresa Milsa. 15 .4. Ver resultados anotados na tabela abaixo.

25 5.59 12.23 13.TABELA 1 Nº ESTADO CIVIL 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 solteiro casado casado solteiro solteiro casado solteiro solteiro casado solteiro casado solteiro solteiro casado casado solteiro casado casado solteiro solteiro casado solteiro solteiro casado casado casado solteiro casado casado casado solteiro casado casado solteiro casado casado 1º grau 2º grau 2º grau 2º grau superior 2º grau superior superior 2º grau superior 1º grau superior 2º grau 2º grau 1º grau superior 2º grau 2º grau 2º grau 1º grau 2º grau 2º grau 2º grau 1º grau 2º grau 1º grau 1º grau 1º grau 1º grau 2º grau 2º grau 2º grau GRAU DE Nº DE SALÁRIO IDADE REGIÃO DE INSTRUÇÃO FILHOS (X SAL.35 9.26 6.99 16.6 13.44 8.79 13.8 10.OO 12.26 18.95 9.85 14.73 6.46 8.76 11.69 14.66 6.3O 26 32 36 20 40 28 41 43 34 23 33 27 37 44 30 38 31 39 25 37 30 34 41 26 32 35 46 29 40 35 31 36 43 33 48 42 03 10 05 10 07 00 00 04 10 06 06 11 05 02 05 08 07 07 08 04 09 02 00 01 05 00 07 08 06 10 05 04 07 07 11 02 interior capital capital outro outro interior interior capital capital outro interior capital outro outro interior outro capital outro interior interior outro capital outro outro interior outro outro interior interior capital outro interior capital capital capital interior 16 .71 15.59 7. MIN) ANOS MESES PROCEDÊNCIA 1º grau 1º grau 1º grau 2º grau --1 2 ----0 ----1 --2 ----3 0 --1 2 ----1 ----0 2 2 --0 5 2 --1 3 --2 3 4 4.4O 23.74 8.77 9.53 10.61 17.56 5.39 7.12 8.22 16.86 7.06 11.75 19.13 9.

RELATIVA FR % Censo FREQ.67 36 100 Exemplo 3: Freqüência e percentagem dos 2000 empregados (População) da empresa Milsa (Censo x Probabilidade) TABELA 3 GRAU DE INSTRUÇÃO FRQÜÊNCIA F FREQ.OO superior TOTAL 330 15. RELATIVA F FR % 1º grau IIIIIIIIIIII 12 33.Exemplo 2: Freqüência e percentagem da amostra de 36 empregados da empresa Milsa segundo o grau de instrução. TABELA 2 GRAU DE INSTRUÇÃO TABULAÇÃO FRQÚÊNCIA FREQ. RELATIVA FR % Provável 1º grau 650 32.33 2º grau IIIIIIIIIIIIIIIIII 18 50.50 16.33 2º grau 1020 51.OO superior I I I I I I TOTAL 6 16.50 33.67 2000 100 100 Exemplo 4: Freqüência e percentagens dos 36 empregados (Amostra) da empresa Milsa.00 50. 17 .

segundo Nº de filhos.Representar a distribuicao de frequencia para Idade e a Regiao de procedencia dos funcionarios da Empresa Milsa.8 10 27.78 8 I------.24 1 2.16 8 22. RELATIVA F FR % 4 I------.78 TOTAL 36 100 Exemplo 5: Freqüências e percentagem dos empregados da empresa Milsa.12 12 33. RELATIVA F FR % 0 4 20 1 5 25 2 7 35 3 3 15 5 1 5 TOTAL 20 100 EXERCÍCIO .TABELA 4 CLASSE DE SALÁRIOS FRQÜÊNCIA FREQ.22 16 I------.20 5 13. 18 .33 12 I------.89 20 I------. TABELA 5 NÚMERO DE FILHOS Xi FREQÜÊNCIA FREQ.

no rodapé da tabela. 19 . sendo comum o asterisco. é colocado na parte superior da mesma. Notas. A razão da presença da fonte não é somente honestidade cientifica. CABEÇARIO é à parte da tabela em que é designada a natureza (as categorias. COLUNA INDICADORA é à parte da tabela em que é designada a natureza (as categorias. Deve ser preciso. podendo-se também usar símbolos gráficos. as colunas indicadoras. mas também permitir ao leitor a possibilidade de consultar o trabalho original de onde procedem as informações. E são numeradas. o corpo. porem qualquer que seja ele. as séries Horizontais e verticais de informações. as modalidades da variável) do conteúdo de cada linha. que são: o título. da entidade responsável pela sua organização ou fornecedora dos dados primários. indicando a natureza dos fatos estudados (o que). FONTE é o indicativo. as modalidades da variável) do conteúdo de cada coluna. CORPO da tabela é o conjunto de linhas e colunas que contem respectivamente. precedendo a tabela. Podemos optar por vários tipos de gráficos. NOTAS são colocadas no rodapé da tabela para esclarecimentos de ordem geral. devemos especificar os elementos essenciais para a sua interpretação. Casa. TÍTULO é a indicação que.5. cela ou célula é o cruzamento de uma linha com uma coluna. onde se tem a freqüência com que a categoria (ou categorias) aparecem. claro e conciso. Os elementos complementares de uma tabela são: Fontes.0 REPRESENTAÇÃO GRÁFICA DAS VARIÁVEIS QUANTITATIVAS A representação gráfica da distribuição de freqüências de uma variável tem a vantagem de. e a época (quando) em que o mesmo foi observado. o cabeçario. informar sobre a variabilidade da mesma. rápida e concisamente.

de preferência sem comentários inseridos.6.0 APRESENTAÇÃO GRÁFICA A apresentação gráfica dos dados e respectivos resultados de sua análise pode também ser feita sob forma de figuras. atrair a atenção do leitor e inspirar confiança. traça-se perpendiculares cujos comprimentos sejam proporcionais às freqüências. Gráficos devem ser auto-explicativos e de fácil compreensão. 6. em geral gráficos ou diagramas.Devem ser simples.1 DIAGRAMA DE ORDENADAS Para sua construção é traçada uma reta horizontal (ou vertical) de sustentação. a partir de pontos eqüidistantes na reta. freqüências 12 10 8 6 4 2 0 4 I-------8 8 I-------12 12 I-------16 16 I-------20 20 I-------24 Salários 20 .

já que a vista repousa melhor sobre uma superfície do que sobre uma linha.20 20 I-------24 Salários 21 .6.2 DIAGRAMA DE BARRAS A mesma distribuição acima poderia ser representada por meio de diagrama que levasse em conta a magnitude da área da figura geométrica. freqüências 12 10 8 6 4 2 0 4 I-------8 8 I-------12 12 I-------16 16 I------.

3 DIAGRAMA DE CÍRCULOS Alem do retângulo. α`= 5.6.66. α`→ 3. 3 = 11.89 . C = α. 3 = 14.33 % 22 .4. 3 = 15.22.78 .1 mm r4 = √13. α` = 1. isto é.89 % 22. Lembrando que a área do círculo é o produto do número irracional π = (3.00 mm A figura abaixo representa esta distribuição.78 % 33. f onde α é o fator de proporcionalidade. 2.71. α`→ 5.27 . tem-se : r = α`. e desde que as áreas dos diversos círculos devem ser proporcionais às magnitudes das freqüências.7 % 13. ou seja.71. α`= 5. os raios dos círculos devem ser proporcionais a raiz quadrada das freqüências das modalidades da variável. os raios do círculo deverão ser: r1 = √ 27.1 mm r5 = √ 2.72.f π Se chamar √ α π de α`. isto é.78 . C= π. α`→ 4. Assim se quisermos representar graficamente a distribuição da tabela 1. α`= 3. α`→ 5.3 mm r3 = √ 22.77 .33 .r ² . r ² .22 % 27.√ f portanto.27. f = π. segue-se que: α . 3 = 5.77. 3 = 17. r = √ α . com um α` adotado de 3 mm.8 mm r2 = √ 33.1416) pelo quadrado do raio (r). α`= 4. outra figura geométrica utilizada é o círculo ou conjunto de círculos.72.66 α`→ 1.

e sendo F a freqüência total. a a = α. F ou seja: α`= 360° Portanto a = 360°.a. tem-se S= α. f .33 = 120° 100 a4 = 360° x 13. a distribuição de freqüência da tabela 4 representando faixas de salários fica: a1 = 360° x 27.4 DIAGRAMA DE SETORES CIRCULARES Outra opção seria através de setores circulares.78 = 10° 100 23 . tem-se S = α`.78 = 100° 100 a3 = 360° x 22. S = r. onde α é o fator de proporcionalidade. f F F Assim.f . os arcos e os respectivos ângulos centrais de um círculo é igual a 360°. isto é. tem-se 360° = α`. isto é.f = r. e com S deve ser proporcional a freqüência f. então: α . na qual se divide a área total de um círculo em subáreas (setores) proporcionais as freqüências.6.f r Se chamarmos α r de α`.22 = 80° 100 a2 = 360° x 33. Lembrando que o círculo compreende setores cujas áreas (S) são produto do raio (r) pelo tamanho do arco (a).89 = 50° 100 S5 = 360° x 2.

Diagrama de Setores Circular 120° 50° 10° 100° . 80° Diagrama de Setores Circular feito automaticamente pelo excel 33% 22% 28% 14% 3% 24 .

freqüências 12 x 10 x x 8 6 x 4 2 x 0 4 I-------8 8 I-------12 2 12 I-------16 16 I-------20 20 I-------24 salários 25 .5 DIAGRAMA LINEAR No diagrama linear deve-se plotar os pontos nos eixos como foi feito no diagrama de barras e em seguida unir esses pontos por semi-retas contituindo-se desta forma o diagrama linear.6.

6 O PICTOGRAMA A figura abaixo mostra um exemplo de apresentação pictográfica de dados temporais (comumente encontrada em jornais. no caso abaixo representa a população dos Estados Unidos. revistas e relatórios de vários tipos). 1920 1930 1940 1950 1960 1970 1980 1990 Cada símbolo = 10 milhões de pessoas Pictograma da população dos Estados Unidos 26 .6.

de uma amostra de 100 pacotes extraídos parcialmente de um processo automático de empacotamento. A especificação de fabricação é 215 ±15 gramas (200 a 230 gramas) TABELA 6 AMOSTRA PESO AMOSTRA PESO AMOSTRA PESO AMOSTRA PESO AMOSTRA PESO 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 207 213 210 215 201 210 212 204 209 212 215 216 221 219 222 225 215 218 213 216 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 220 204 213 211 214 217 224 211 220 209 214 208 217 214 209 212 208 215 211 216 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 210 214 219 215 217 213 218 214 215 212 221 211 218 205 220 203 216 222 206 221 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 210 220 213 217 214 219 214 215 223 217 213 218 207 210 208 214 211 205 215 207 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 217 211 213 218 213 216 218 216 206 212 207 213 215 212 223 210 226 224 214 215 O agrupamento destes dados em sub-grupos é feito com base nos seguintes conceitos: 27 . Consideremos uma relação de pesos de pacotes de manteiga. em gramas.7. conforme regras cuja prática demonstrou serem eficientes.0 MONTAGEM DE UMA DISTRIBUIÇÃO DE FREQÜÊNCIAS A análise estatística de dados relativos a uma amostra de uma população. requer uma aglutinação organizada de informações.

para significar que compreende valores maiores do que 0 e menores do que 10. 3 7 RI adotado = 3 RT adotado = 27 diferenca 2 comeca uma antes do menor e termina um antes do maior valor. Normalmente pode-se usar d =̃ √ n onde n= número de itens na amostra para o exercício temos d =̃ √ 100 → 10 classes. podemos dai utilizar as seguintes simbologias para os intervalos: 0 ----I 10 intervalo aberto & fechado. = 226 – 201 = 25 gramas Número de classes (d) : é o número de divisões que estipulamos para a Amplitude Total. As classes devem ser mutuamente exclusivas. porem deve-se utilizar sempre que possível número impar de classes no caso 9 classes.I. Amplitude do intervalo de classe (R. = 25 = 2.10 Intervalo aberto & aberto. = R. para que não haja duvida na localização dos valores das variáveis.): é a diferença entre a medida máxima e a medida mínima.I . 0 ----. temos: R. Amplitude intervalo de cada classe R.I .T Número de Classes No caso do exercício temos: Amplitude intervalo de cada classe R. 28 . para significar que o intervalo compreende os valores da variável maiores do que 0 (excluído) e até 10 (inclusive). No caso da amostra de pacotes de manteiga acima. 0 I---.10 intervalo fechado & aberto.): é a diferença entre os valores máximos e mínimos de cada classe.7 aprox.T.T.Amplitude total (R. para significar que compreende os valores da variável a partir de 0 (inclusive) e até 10 (exclusive). Classe: é o intervalo de variação das medidas.

TABELA de DISTRIBUIÇÃO das FREQÜÊNCIAS Para a facilidade e metodização do processo de análise estatística. para significar que compreende os valores da variável a partir de 0 (inclusive) e até 10 (inclusive). ACUM. REL. monta-se um tabela que agrupe as informações obtidas.% 1 2 200 ---I 203 I I 203 ---I 206 I I I I I I 2 6 2 6 2 8 2 8 3 4 5 206 ---I 209 I I I I I I I I I I 209 ---I 212 I I I I I I I I I I I I I I I I I I 212 ---I 215 I I I I I I I I I I I I I I I I I I I I I I I I I I I I 10 18 28 10 18 28 18 36 64 18 36 64 6 7 8 9 215 ---I 218 I I I I I I I I I I I I I I I I I I 218 ---I 221 I I I I I I I I I I 221 ---I 224 I I I I I I 224 ---I 227 I I 18 10 6 2 18 10 6 2 82 92 98 100 82 92 98 100 ∑ 100 100% 29 . FREQUENCIA FREQUENCIA FREQUENCIA TABULAÇÃO F RELATIVA % ACUM. teremos a seguinte tabela de freqüências: TABELA 7 VALOR COMPRIMENTO CLASSE CLASSE FREQ.0 I----I 10 intervalo fechado & fechado. Para os pacotes em pauta. de forma de Tabela de Freqüências.

FR = F d x 100 N Freqüência acumulada (FA) = é considerado. Freqüência acumulada relativa (FAR) = é a soma das freqüências relativas até o intervalo considerado Far3 = Fr1 + Fr2 + Fr3 → 2 + 6 + 10 = 18 30 . Fa5 = F1+ F2 + F3 + F3 + F5 → 2+ 6+ 10+ 18+ 28 = 64 a soma das freqüências até o intervalo de classe Ex.Onde: Freqüência (F) = é o numero de vezes que as medidas ocorrem no intervalo de classes Freqüência relativa (FR) = é a percentagem da freqüência de cada classe em relação ao total de elementos.

1 HISTOGRAMA E POLIGONO DAS FREQÜÊNCIAS freqüências 28 POLIGONO DE FREQÜÊNCIAS 21 14 7 1 2 3 4 5 6 7 8 9 CLASSES 31 .7.

2 HISTOGRAMA E POLIGONO DAS FREQÜÊNCIAS RELATIVAS % 28% POLIGONO DE FREQÜÊNCIA RELATIVA 21% 14% 7% 0 1 2 3 4 5 6 7 8 9 CLASSES 32 .7.

7.AC. 100 POLIGONO DE FREQÜÊNCIAS ACUMULADA 80 60 40 20 01 2 3 4 5 6 7 8 9 CLASSES 33 .3 POLIGONO DE FREQÜÊNCIA ACUMULADA OU OGIVA F.

7.4 POLIGONO DA FREQÜÊNCIA ACUMULADA RELATIVA % 100 % F. 80 % POLIGONO DE FREQÜÊNCIAS ACUMULADA RELATIVA 60 % 40 % 20 % 0 %1 2 3 4 5 6 7 8 9 CLASSES 34 .AC REL.

1 DISTRIBUIÇÃO SIMÉTRICA OU EM FORMA DE SINO A distribuição é simétrica quando os valores se distribuem igualmente em torno da média (X) A) Normal B) Alongada 35 .8.0 TIPOS DE DISTRIBUIÇÃO As distribuições de freqüência podem se apresentar de diversas formas conforme as figuras a seguir: 8.

A) Assimétrica Positiva 36 . se distribuem de forma desigual em torno da média.2 DISTRIBUIÇÃO ASSIMÉTRICA É aquela em que as freqüências dos valores medidos.C) Achatada 8.

ao valor da medida ou classe que corresponde à freqüência máxima.3 DISTRIBUIÇÃO MODAL. AMODAL. Sob o critério da moda as distribuições classificam-se em: A) DISTRIBUIÇÃO MODAL – Quando a distribuição tem freqüência máxima ela è denominada modal. mo B) DISTRIBUIÇÃO AMODAL – Quando a distribuição não tem moda 37 .B) Assimétrica Negativa 8. BIMODAL E MULTIMODAL Chamamos de moda numa distribuição.

C) DISTRIBUIÇÃO BIMODAL – Quando a distribuição tem duas modas.4 APRESENTAÇÃO TIPO RAMO-E-FOLHAS Uma alternativa para o uso da tabela de distribuição de freqüências é usar o gráfico do tipo ramo-e-folhas. Podermos estudar a partir de um exemplo prático: Observamos os seguintes números de passageiros em 50 viagens de um avião que faz ponte aérea Rio .São Paulo: 38 . mo mo D) DISTRIBUIÇÃO MULTIMODAL – Quando a distribuição tem mais de duas modas mo mo mo 8.

A. 2 3 5 7 2 4 0 1 3 5 9 5 7 5 0 0 1 2 3 3 4 6 7 8 8 9 12 19 6 0 1 2 2 4 4 4 4 6 7 8 11 30 7 0 1 1 3 5 5 7 8 9 9 39 8 0 0 2 4 6 9 6 45 9 1 2 5 7 4 49 10 3 1 50 A MEDIANA NESTE CASO SERÁ X̃ = 64 39 .61 52 64 84 35 57 58 95 82 64 50 53 103 40 62 77 78 66 60 41 58 92 51 64 71 75 89 37 54 67 59 79 80 73 49 71 97 62 68 53 43 80 75 70 45 91 50 64 56 86 SOLUÇÃO: F F.

não é bem definida daí parece razoável chamarmos de “tendência central”. dividida pelo número de = Σx n n Sendo: Σx i= 1 Exemplo: Calcular a média aritmética simples de 8.9. = 8 + 3 + 5 + 12 + 10 = 38 = 7.  MODA. 5.  MEDIANA. porem.0 MEDIDAS DE POSIÇÃO OU DE TENDÊNCIA CENTRAL Como o próprio nome indica. 12. 9. 3. a medida de tendência central visa a determinar o centro da distribuição. a soma de todos os valores da variável. chama-se de média aritmética desta destituição. São medidas de tendência central:  MÉDIA ARITMÉTICA SIMPLES/PONDERADA.1 MÉDIA ARITMÉTICA SIMPLES Dada uma distribuição de freqüências.6 5 5 40 . 10. e representa-se por variáveis “n”. Esta determinação.

6. ou a média dos dois valores do meio caso a quantidade de números seja par. O símbolo que usamos para representar a mediana é x̃ lê-se “x til”. 4.7 10 9. respectivamente os quais ocorrem com as Números Freqüências x = 5.fi i= 1 = K Σx i= 1 fi onde: f = freqüência dos números x = números Exemplo: Calcular a média ponderada dos números 5.9. 2 freqüências 3. 2 f = 3. 6. 4 e 1. 8. No caso de calculo da mediana quando estamos trabalhando com distribuição de freqüência determinamos o valor mais provável dessa distribuição a partir de: x̃ = Freqüência acumulada total = 2 FA 2 (para números pares) 41 .3 MEDIANA (x̃) Se ordenarmos uma seqüência de números do menor para o maior e se a quantidade desses números for impar. 2. 8. então a mediana será o valor do meio. 2.2 MÉDIA ARITMÉTICA PONDERADA K Σ xi . 1 = 3x5 + 4x8 + 2x6 + 1x2 3+4+2+1 = 57 = 5.

2 2 88 = 44 e a mediana é o valor correspondente ao valor do 44°elemento. Exemplo: Determine a posição da mediana para a) n=15 b) n=45 c)n=88 a) n+1 = 15+1 = 8. 2 c) n 2 = No caso do exercício da distribuição dos 100 valores de peso de pacotes de manteiga temos: X = n 2 = 100 2 = 50. e a mediana é o valor do 50° elemento 50° valor FA 0 2 203 8 206 18 209 36 212 64 215 82 218 92 221 98 224 100 227 X 200 50° 36 212 64 215 (64 – 36) (64 – 50) (215 – 212) Δ 42 .Ou ainda A posição DA MEDIANA é definida por é { n+1 } 2 -ésimo elemento quando ”n” é í̃mpar temos um número inteiro e dá a posiçã́o da mediana. 2 2 b) n+1 = 45+1 = 23. e a mediana é o valor do 8° elemento. e a mediana é o valor do 23° elemento.

10 moda=8 2) 1. 5. Exemplos: 1) 2. 7. portanto moda = 212 + 215 = 213.5 2 43 . o valor mais comum. localiza-se a classe modal como sendo a classe com maior freqüência e em seguida determina-se seu ponto médio. 8. 3. 5. 8. 3.5 = 213. Classe modal é a 5° classe. 8. 9 moda = 4 e 8 Para o exemplo do exercício das distribuições de freqüências dos pacotes de manteiga temos que a moda é o ponto médio da classe modal.5 28 logo. 4.4 MODA ( ˆ) x Em um conjunto de números a moda é o valor que ocorre com maior freqüência. 8. 9. 4. 4. 2. 2. 10 moda = Ф (não existe moda) 3) 2. 8. 6. 2. 8.5 portanto a mediana será 212 + Δ 9. X = 212 + 1. 6. 7. isto é. 8. 9.Δ= 14 x 3 = 1. 4. 7.

desde que conservem os seus valores Máximo e mínimo. É a diferença entre o maior e o menor valor das observações.T. R.0 MEDIDAS DE VARIABILIDADE (DISPERSÃO) As medidas de dispersão indicam se os valores estão relativamente próximos uns dos outros. Podemos dizer que dispersão é o grau com o qual os valores numéricos de uma distribuição tendem a se distanciar em torno de um valor médio.T. existem duas restrições ao seu generalizado: 1. o valor zero indica ausência de dispersão.desvio-padrao. ou separados. Em todos os casos.10. Em geral o valor da amplitude cresce quando cresce o tamanho da amostra. O seu valor não se modifica mesmo que os valores das observações variem. a dispersão aumenta à proporção que aumenta o valor da medida (amplitude.) É a medida mais simples de dispersão.Utiliza apenas uma parcela das informações contidas nas observações.Depende do número de observações na amostra.1 AMPLITUDE TOTAL (R. xx x x x x xxx xxx xx x x a) pequena dispersão xx x x xxx x x x x x x x x xx x x xxx x x x xx x x x x xx b) grande dispersão 10. = Xmax – Xmin Embora exista simplicidade de cálculo. 2. variância). 44 .

.X min.T..2 DESVIO PADRÃO É à medida que determina a variação dos valores observados em torno da média da distribuição. e representa a distância do ponto de inflexão da curva até a linha da média. +(Xn- )² 45 . X min. I R.1 DESVIO PADRÃO AMOSTRAL (S) O desvio padrão da amostra representa a dispersão da amostra e é dada pela equação: S= (X1- )² + (X2- )² + (X3n )² + . 10. 10... = pequeno I x max.T.2.I R. = Grande I X max.

. e é dado pela expressão: σ= (X1- )² + (X2- )² + (X3n-1 )² + .2 DESVIO PADRÃO DA POPULAÇÃO (σ) O desvio padrão da população representa a o grau de dispersão da população em torno da média é representado por σ. +(Xn- )² σ= Σ ( Xi n-1 )² 10.2. também representa a distância do ponto de inflexão...3 REPRESENTAÇÃO GRÁFICA DO DESVIO PADRÃO σ +σ 46 .2.Onde: Xi = Medidas individuais S= Σ ( Xi n )² n = Número de elementos ou valores 10..

4 SISTEMATIZAÇÃO PARA O CÁLCULO Para sistematizar o cálculo do desvio padrão de uma amostra é utilizado o seguinte procedimento: 1. ( Xn - . Xn Xn - .Calcular o valor da média. .Montar a tabela abaixo observações medidas Xi Xi - (Xi - )² 1 2 3 X1 X2 X3 X1 X2 X3 - (X1 (X2 (X3 - )² )² )² . . .2. . . . . )² Σ (Xi- )² 3-Aplicam-se as fórmulas: S= Σ ( Xi n )² σ= Σ ( Xi n-1 )² 47 . . n . 2.10.

O desvio padrão por sua vez. a Variância fica em metros quadrados.10. Se os dados estão em metros. 48 . Indica-se a Variância da População por σ² . a Variância tem a desvantagem de apresentar unidade de medida igual ao quadrado da unidade de medida dos dados.3 VARIÂNCIA Variância da população é a soma dos quadrados dos desvios de cada observação em relação à média de “x” . Podemos fazer a mesma analogia com a Variância da Amostra dada por S². fica com valor na mesma da unidade da variável. divide-se por n – 1. Fórmula da variância da Amostra n Σ ( Xi S²= i=1 n )² Fórmula da variância da População n Σ ( Xi σ²= i=1 - )² onde n – 1 = número de graus de liberdade n-1 Como medida de dispersão.

a variável x pode assumir qualquer valor real no intervalo .3σ x.∞< x < +∞ 49 .1σ x +1σ x+ 2σ x+ 3σ Parâmetros da Distribuição Normal µ → Média da População Determinam o formato da curva σ → Desvio padrão da população Equação da Função de Probabilidade – A equação da função de probabilidade é dada pela expressão: .0 DISTRIBUIÇÃO NORMAL (ou de GAUSS. ou ainda. F (x) σ x. dos ERROS DAS OBSERVAÇÕES) É uma distribuição contínua e simétrica.( x .µ )² 2 σ² f(x) = 1 σ√ 2π e Do estudo de estatística concluímos que: . A distribuição normal é o resultado da atuação conjunta de causas aleatórias.2σ x.11. ou de LAPLACE. cujo gráfico tem a forma de um sino.

σ -∞ X0 + ∞ Portanto: “ A probabilidade de ocorrência de um valor menor ou igual à área abaixo da curva. 50 .718 são constantes numéricas.a integral da expressão representa a área compreendida entre F (x) -∞ e xo.( x . se a probabilidade de que um valor x seja menor ou igual a outro xo for: .a variável x obedecerá a uma Distribuição Normal. CARACTERISTICAS DA CURVA DE DISTRIBUIÇÃO NORMAL A curva normal obedece necessariamente às seguintes características: a.1416 e e ( número neperiano) = 2.A média µ é o valor da variável x para o qual a f(x) é máxima. entre os valores - ∞ e xo” .µ )² x0 P( x < x0 ) = f(x0) = 1 σ√ 2π -∞ 2 σ² e dx .. Os valores π = 3.

O desvio Padrão σ. em função de Z.µ σ o que significa adotar como origem dos z o ponto em que x = µ e como unidade de escalados z e o desvio padrão σ.b. d. será dada pela expressão: 51 .A área total sob a curva normal é igual a 1.Em virtude da simetria as áreas à direita e à esquerda do valor µ são iguais DISTRIBUIÇÃO NORMAL PADRONIZADA Se tomarmos a equação auxiliar: Z= X . c.z² 2 f(z)= 1 σ√ 2π e Considerando. pela própria equação da probabilidade. é a distância entre a média e o ponto de inflexão da curva. dz Portanto a função da probabilidade. teremos transformado a expressão da função das probabilidades na distribuição normal reduzida: . a partir da equação auxiliar: dz = dx dx 1 σ = σ.

Z0 < Z < Z0) = P (µ – 0.13% da área total da curva. 52 . na tábua 1. eixo dos Z).95 onde é a media.0) = 0. Basta construir a tábua das áreas para os valores I(z). σ é o desvio padrão da população. conseqüentemente.z² z f(z)= 1 σ√ 2π 2 e -∞ dz As áreas sob a curva permanecem as mesmas. teremos: P(.26% da área total da curva. mas agora podem ser tabuladas em função dos valores de Z (Ver figura abaixo.6578 ou 65.95 σ) Iz1 = 0. a área desde Z=0. Se procurarmos a probabilidade de encontrarmos um valor de “x” dentro do intervalo µ ± 0.0 é I(1.95 σ < Z < µ + 0..3413 ou 34. até Z= 1. Apresentamos na tabela abaixo alguns dos mais importantes intervalos de distribuição normal para aplicações em exercícios de probabilidade na curva normal.µ σ podemos transformar valores de x em valores de z e em seguida construir uma tabela com resultados das integrais.78%. que corresponde à área sob a curva xo intervalo de 0 a Z0 identificada por Iz0. Por exemplo. dentro do intervalo ± 1 σ temos 68. TÁBUAS DE ÁREAS DA CURVA NORMAL A partir da equação auxiliar Z= X .3289 It= 0.

µ σ 0 1 2 3 -1 -2 -3 53 .µ Zo σ µ µ + 1σ µ + 2σ µ + 3σ µ .2σ .3σ x.2σ x.1σ µ .µ σ µ + 3σ.1σ x +1σ x+ 2σ x+ 3σ -3 -2 -1 0 1 2 3 Z Transformação de X em Z Xo Z= X .3σ .µ σ µ .F (x) σ x.2σ µ .µ σ µ .µ σ µ -σ.µ σ µ + 2σ.3σ µ-µ σ µ + 1σ.

4946 3.0199 0.20 0.4332 2.4394 2.75 0.30 0.70 0.4772 2.25 0.0398 0.1736 1.15 0.70 0.4997 0.60 0.0000 0.15 0.45 0.05 0.35 0.4995 0.65 0.40 0.4505 2.20 0.4599 2.4115 1.4974 3.4965 3.4713 2.2088 1.0596 0.55 0.15 0.4999 0.4978 3.4798 2.00 0.4641 2.25 0.55 0.05 0.45 0.50 0.80 0.4990 0.2422 1.4984 3.85 0.4906 2.50 0.80 0.4989 0.90 0.3413 1.05 0.30 0.4938 3.4998 0.4032 1.4821 2.3159 1.20 0.3531 1.3051 1.35 0.4279 2.4452 2.4993 0.2881 1.10 0.4992 0.45 0.25 0.70 0.4842 2.I Zo 0 Zo AREAS I ZO = P (0 ≤ z ≤ Z0) para Z0= (x .2580 1.4970 3.4994 0.00 0.90 0.5000 54 .3289 1.4554 2.1915 1.30 0.3643 1.4744 2.95 0.10 0.0793 0.60 0.55 0.4893 2.25 0.4861 2.75 0.85 0.70 0.0987 0.50 0.4996 0.30 0.1179 0.85 0.4960 3.40 0.4987 0.95 0.15 0.2257 1.40 0.35 0.4953 3.4192 2.50 0.1369 0.05 0.00 0.2734 1.4918 3.3849 1.10 0.90 0.80 0.35 0.4678 2.75 0.1554 1.60 0.µ)/ σ I Z0 I Z0 I Z0 I Z0 I Z0 I Z0 Z0 Z0 Z0 Z0 Z0 Z0 0.4929 3.65 0.20 0.95 0.90 0.4981 3.40 0.65 0.10 0.3749 1.00 0.3944 1.4878 2.

área entre z= -2.área à esquerda de µ para Iz = 0.00.área à esquerda Iz= 0.área da esquerda de z= 1.P ( x ≤ 60) b.5 d.P ( 35 ≤ x ≤ 62) c.9 e.área entre z=0 e z= .0 2.000.4861 3.000.000.área entre z=0 e z=1.0 b.área entre z=1.Que percentagem da população terá renda superior a R$ 15.Suponha uma renda média de uma grande comunidade possa ser razoavelmente aproximada por uma distribuição normal com media anual de R$ 10.área à direita de z=1.2.00? b.000. a.0 f. Que percentagem da população estaria provavelmente dentro dos intervalos: a.00 e desvio padrão de R$ 2.P ( 35 ≤ x ≤ 45) 4.0 e z= 2.Ache os valores de z correspondentes as seguintes áreas: a.4505 e área da direita Iz = 0.Numa amostra de 50 assalariados.Uma distribuição normal tem media 50 e desvio padrão 5.área entre z= 2.0 g.P ( 55 ≤ d.00 de renda? 55 .área à esquerda de µ para Iz = 0.0 e z= 2.0228 c.0 c.Trace uma curva normal e sombreie a área desejada a partir das informações: a.P ( x > x ≤ 65) 55) e.0505 b.EXERCÍCIOS: E-3 1.5 e z=3. quantos podemos esperar que tenham menos de R$ 8.

56 . a probabilidade de cada um ser escolhido.0 PROBABILIDADE O problema fundamental da estatística consiste em lidar com o acaso e a incerteza. 0. Chama-se probabilidade de um acontecimento a razão entre o número de casos favoráveis ao mesmo e o número total de acontecimentos possíveis. se jogarmos uma moeda “não viciada” para o ar. temos as razões: P= ½ Sendo Então e Q=½ P+Q = 1 P= (1 . Laplace definiu probabilidade como: “O quociente do número de casos favoráveis sobre o número de casos igualmente possíveis”.00 é P(A). Um evento certo tem probabilidade de 1. As probabilidades podem ser expressas.P) A probabilidade de um evento A. inclusive por valores decimais. ou ainda 1/5. de modo geral não podemos afirmar se vai dar cara ou coroa. Um evento impossível atribui-se a probabilidade Zero. Quanto mais próxima de 1.12. Assim quando se considera uma população limitada de P indivíduos. Porém existem apenas dois eventos possíveis: sair “cara” ou “coroa” Nesse exemplo existe um caso favorável a esse evento em dois casos possíveis. é um número de 0 a 1. que indica a chance de ocorrência do evento A. menor é a chance de ocorrência do evento A. frações e percentagem como: 20%. é de 1/P. denotada por P (A).Q) e Q = (1 . Considerando-se “cara” como sucesso e “coroa” como fracasso e representando-se o acontecimento favorável como “P” e o não favorável como “Q”. Por exemplo. e quanto mais próxima de Zero. 2 em 10. maior é a chance de ocorrência do evento A. ao acaso. A P (K) = ½ ou 50%.2.

usa-se ainda a probabilidade mediante determinada combinação de julgamento. a contratação de um novo empregado. 12. Cartas de paus. experiência ou dados históricos. a avaliação do impacto de uma redução de impostos sobre a inflação – tudo isso contém algum elemento de Acaso.Além do uso na interpretação de jogos de azar. Há numerosos exemplos de tais situações no campo dos Negócios e do Governo. o preparo do orçamento.1 ESPAÇO AMOSTRAL E EVENTOS Consideremos o experimento que consiste em “extrair uma carta de um baralho de 52 cartas”. A previsão da aceitação de um novo produto. Há 52 eventos elementares no espaço amostral. Quanto aos eventos podemos classificá-los em: ESPAÇO AMOSTRAL COMPLEMENTO A Cartas vermelhas e cartas pretas Não se interceptam cartas de MUTUAMENTE EXCLUDENTE A B copas e cartas de paus NAO SÃO MUTUAMENTE EXCLUDENTE Cartas de copas e figuras. o cálculo dos custos de produção. ouro. copas e COLETIVAMENTE EXAUSTIVO A B C D espadas 57 . tem A B elementos em comum. para predizer Quao Provável é a ocorrência de determinado evento futuro.

Nestes casos temos: P(cada resultado) = 1 Número de resultados possíveis Se cada carta de um baralho de 52 tem a mesma chance de ser escolhida. OBJETIVO SUBJETIVO CLÁSSICO (resultados igualmente prováveis) O Método Clássico EMPÍRICO (dados históricos) Opinião Pessoal Os jogos de azar (lançamento de moedas. O mesmo ocorre com uma coroa. extração de cartas) usualmente apresentam resultados igualmente prováveis. quando o espaço amostral tem resultados igualmente prováveis. De forma geral vale também a expressão: 58 . e o método Subjetivo.92%.2.5.4.12. que utiliza estimativas pessoais baseadas num certo grau de crença. então a probabilidade de extrair cada uma delas é de 1/52 : P (A) = 1/52 1.6 é de 1/6 ou de 16.66%. O método Clássico. ou seja ½ ou 50%. No caso de um dado temos a probabilidade de dar qualquer número: 1. O método Empírico.3. jogo de dados. que se baseia na freqüência relativa de ocorrência de um evento num grande número de provas repetidas. Da mesma forma a probabilidade de termos uma cara no lançamento de uma moeda é ½ ou 50%.2 TRÊS ORIGENS DA PROBABILIDADE Há três maneiras diferentes de calcular ou estimar probabilidades.

para moedas equilibradas. P(B) Exemplo Jogam-se duas moedas equilibradas. P(cara)= ½ . Em outras situações. então a probabilidade da ocorrência de ambos é igual ao produto de suas probabilidades individuais: P(A e B) = P(A) . A e B.P(A) = Número de resultados associados ao evento A Número total de resultados possíveis Por exemplo. Pode ser necessário determinar P(A e B). de acordo com esta definição. no espaço amostral. a probabilidade de ocorrência de ambos os eventos. Cálculo da Probabilidade da ocorrência de dois eventos “ independentes” P(A e B) Se dois eventos são independentes.3 A MATEMÁTICA DA PROBABILIDADE Muitas aplicações de estatística exigem a determinação da probabilidade de combinações de eventos.69% 13 Analogamente. a probabilidade de extração de uma dama. é P (dama) = 4 damas = 4 52 cartas 52 = 1 = 7. Logo p(cara e cara) será: 59 . Além disso. a probabilidade de obter número ímpar no lance de um dado é P(ímpar) = 3 faces 6 faces possíveis = 3 6 ou 50% 12.Qual a probabilidade da ocorrência de ambas darem cara? É razoável admitir que os resultados das duas moedas sejam independentes um do outro. isto é. podemos querer a probabilidade de ocorrência de A ou B P(A ou B). Há duas categorias de eventos de interesse.

Para dois eventos A e B temos: P(A ou B) = P(A) + P(B) Exemplo. 52 P(dez)= 4 . P(paus ou dez.1 52 = 16 52 60 .ou ambos) = P(paus) + P(dez) . Então temos: P(paus) = 13 . Como é possível que uma carta seja simultaneamente de “paus” e um “dez”.1° moeda ½ x 2°moeda ½ =¼ ou 25% Cálculo da Probabilidade da ocorrência de dois eventos “mutuamente excludente” P(A ou B ocorrerá) Se dois eventos mutuamente excludentes. P( dez de paus) = 1 52 52 . Assim devemos excluir a probabilidade de interseção. a probabilidade de ocorrência de qualquer um deles é a soma de suas probabilidades individuais.33% 6 6 6 Cálculo da Probabilidade da ocorrência de dois eventos “não mutuamente excludente” P(A ou B ou ambos ocorrerão) Suponhamos a probabilidade de extração de uma carta de paus ou um dez de um baralho de 52 cartas . qual é a probabilidade de aparecer cinco ou seis numa jogada de um dado equilibrado? P(cinco) ou P(seis) = P (5) + P(6) = 1 + 1 = 2 = 33.P(dez de paus) = 13 + 52 4 52 . os eventos não são mutuamente excludentes.

NAIPE PAUS PRETA OUROS VERMELHA K Q J 10 9 8 7 6 5 4 3 2 A COPAS VERMELHA ESPADA PRETA ♣ ♣ ♣ ♣ ♣ ♣ ♣ ♣ ♣ ♣ ♣ ♣ ♣ ♦ ♦ ♦ ♦ ♦ ♦ ♦ ♦ ♦ ♦ ♦ ♦ ♦ K Q J 10 9 8 7 6 5 4 3 2 A ♥ ♥ ♥ ♥ ♥ ♥ ♥ ♥ ♥ ♥ ♥ ♥ ♥ K Q J 10 9 8 7 6 5 4 3 2 A ♠ ♠ ♠ ♠ ♠ ♠ ♠ ♠ ♠ ♠ ♠ ♠ ♠ K Q J 10 9 8 7 6 5 4 3 2 A a carta é um dez Carta de paus Os eventos “paus” e “dez” se interceptam. para eventos não mutuamente excludentes P(A) + P(B) . Regra de probabilidade P (A e B). para eventos mutuamente excludentes (Soma) P(A) + P(B) P (A ou B ou ambos ocorrerão). para eventos independentes (Multiplicação) P(A) x P(B) P (A ou B).P(A intercepta B) 61 .

Sejam A e B mutuamente excludentes.um número impar c.31 e P(B) = 0. determine a probabilidade de obter: a.Extrai-se uma só carta de um baralho de 52.Uma carta de ouros e. determine a probabilidade de sair: a.um número menor que quatro d. b.Qual a probabilidade de ambas as faces serem pares? 6.15. 3. b. a.um número menor que quatro 4.um número par d.Uma carta vermelha d.29.um seis b.Um nove vermelho ou um oito preto 2.Um valete b.o número 3 b.Sejam P(A) = 0.A e B são mutuamente excludentes? Explique.EXERCÍCIOS: E-4 1.80 e P(A e B) = 0. Escolhida uma aleatoriamente.Determine P (A e B) 8.Determine P(A ou B).Qual a probabilidade de ambas as faces serem dois? c.Joga-se uma vez um dado equilibrado. P(B) = 0.o número dez 5. c.Determine P(A ou B).cinco.A e b são coletivamente exaustivos? Explique.Joga-se uma moeda três vezes. 7.Uma figura c.Doze fichas são numeradas de 0 a 12 e colocadas numa urna.Relacione os resultados possíveis do lance de um só dado. Determine a probabilidade de obter: a. P(A) = 0.Qual a probabilidade de ambas as faces serem seis? b.30. Ache a probabilidade e adicione-as. seis ou sete c. Qual a probabilidade de aparecer coroa três vezes? Qual a probabilidade de não aparecer coroa nas três vezes? 62 . a.Joga-se um par de dados equilibrados: a.Um dez de paus f.

FFV. é preciso conhecer o número total de resultados possíveis de um experimento. FV. o numero de itens for grande. FVV. Uma das possibilidades é o uso das árvores de decisão. Suponhamos ainda que ele. a listagem se tornara praticamente impossível. VVF.0 TECNICAS DE CONTAGEM Para utilizar o método clássico (A Priori) da probabilidade. Em segundo lugar devemos explorar suas diversas versões. mas quando o numero de resultados é grande. FVF.13. Em seguida podemos ver um diagrama de àrvore para determinar todos os arranjos possíveis. Imaginemos que o teste consista de apenas: Uma questão temos V ou F Duas questões temos VV. VFF. 63 . Suponhamos que um estudante esteja fazendo um teste de 20 questões do tipo “verdadeiro-ou-falso”. VF. é necessário então recorrer a formulas matemáticas para determinar o numero total de resultados possíveis. VFV. essa lista se torna muito trabalhosa. não tenha estudado nada. FFF Conclue-se: Numero de questões : 1 2 3 4 2 4 8 16 Numero de resultados : Nota-se que se. FF Três questões temos VVV. esteja dando todas as respostas na base do palpite. Qual a probabilidade de ele responder corretamente todo o teste? A primeira coisa a fazer é determinar o numero total de resultados possíveis.

QUESTÃO N°1 N°2 V V F N°3 RESULTADOS V F V F V V F F V F VVV VVF VFV VFF FVV FVF FFV FFF . nada se tem a ganhar identificando cada resultado.(com duas alternativas V ou F) temos: NUMERO DE QUESTOES 1 2 3 4 TOTAL DE RESULTADOS 2=2 2 x 2 =4 2x2x2=8 2 x 2 x 2 x 2 = 16 Se fossem quatro escolha para cada questão: NÚMERO DE QUESTÕES 1 2 3 Para solucionar o exercício do teste. 13. F Alem disso.1 O PRINCIPIO DA MULTIPLICAÇÃO O diagrama mostra que cada questão dobra o numero total de resultados possíveis. teremos: TOTAL DE RESULTADOS 4=4 4 x 4 = 16 4 x 4 x 4 = 64 64 . o que realmente é necessario é determinar o numero total de resultados.

.2x2x2x2x2x. quase nunca é necessário utilizar-se completamente os fatoriais..x2 1 2 3 4 5 . o numero total de resultados possíveis é conhecido como Arranjo ou Permutação. pois eles aparecem em grupos.. o numero total de resultados possíveis é designado como Combinação... . . ARRANJO E COMBINAÇÃO.. permitindo cancelamentos: 5! = 7! 5x4x3x2x1 7x6x5x4x3x2x1 = 5! 7 x 6 x 5! 1 7x6 = 1 42 4! = 2! 4 x 3 x 2 x 1 = 4 x 3 x 2! = 4 x 3 = 12 2x1 2! 5! 2! 3! = 5 x 4 x 3! 2 x 1 x 3! = 5 x 4 = 20 = 10 2x1 2 Às vezes os fatoriais podem envolver soma e subtração. Quando a ordem não interessa. .. se ha “n” decisões seqüenciais..x 1 = 479.2 PERMUTAÇÃO... 13.576 ou 1 1. Exemplos: 65 . Felizmente. 20 = 220 = 1.048. . Quando a ordem em que os elementos se dispõem é importante.600 Os fatoriais crescem de modo extremamente rápido.576 . Para o uso na analise combinatória usaremos o numero fatorial representado pelo símbolo ! como por exemplo 4! le-se “Quatro Fatorial” e significa 4 x 3 x 2 x 1 = 24.. à medida que aumenta o numerobase. . ...048.. Outros exemplos: 5! = 5 x 4 x 3 x 2 x 1 = 120 12! = 12 x 11 x 10 x 9 x 8 x 7 x . . o numero total de resultados é m n. ... De um modo geral...001.. . cada uma com “m” escolhas.

68. BC.x = n! ( n – x )! Ou seja.3! ) 8 x 7 x 6 x 5! = 8 x 7 x 6 3 x 2 x 5! 3x2 = 56 O fatorial de zero é igual a um O fatorial de 1 é igual a um 0! = 1.3 )! = 2! ( 9 . ARRANJOS São agrupamentos que podem variar pela ordem ou natureza dos elementos.2° e 3° lugares? A n. 28. dispomos de todas as formas possíveis de modo que dois arranjos quaisquer difiram ao menos pela ordem dos elementos.2 )! = 7! ( 3 + 1)! 8! 3 ( 8 – 3 )! = 4! = 8! 3! . 6 e 8 podem ser feitos os seguintes arranjos A 3. CB. quantos arranjos ha considerando 1°. os arranjos possíveis com as letras A. Assim. B e C são A 3.2 = 26. BA. CA.2 = AB. 7 elementos tomados 3 a 3 A 7. 1! = 1. 5! = e não ( 5! . Quando se consideram n elementos distintos tomados x a x chamamos arranjo ou agrupamentos “eneários” que se podem formar com esses n elementos.2 (3 elementos dois a dois) A 3. 62. E com os números: 2. AC.( 5 .3 = 7! ( 7 – 3 )! = 7! 4! 7 x 6 x 5 x 4! = 7 x 6 x 5 = 210 4! PERMUTAÇÃO 66 . Outro exemplo: Se ha sete cavalos num páreo.2 A 3. 82. 86.

o numero de combinações possíveis é: C n. etc. . é: n1.. De um modo geral. 1 P8 = 8! (4!) (3!) (1!) = 280 COMBINAÇÃO Chama-se combinação quando não interessa a ordem para denotar o numero de agrupamentos distintos possíveis.. Exemplo: é a escolha de 2 tipos de vegetal de um cardápio com 5 tipos..(nk!) Exemplo: Quantas permutações distintas de 3 letras podemos formar com as letras: RRRR UUU N 4 3 1 Solução Ha 8 letras : 4Rs 3Us 1N dai: 4.nK Pn = n! (n1!) (n2!) (n3!) .. 3.x = n! x ! (n .. para agrupamentos de tamanho x extraídos de uma lista de n itens.x )! n x 67 . n2.. A escolha de batata e cenoura é a mesma que cenoura e batata. dos quais n1 são indistinguíveis de um tipo. Neste caso cada objeto entra só uma vez em todos os grupos.Denomina-se permutação aos arranjos de objetos tomados n a n... Em geral o numero de permutações distintas com n itens. n2 de outro tipo.

. de um total de 4 mulheres e 6 homens.3 = 10! 7! 3! = 10 x 9 x 8 x 7! = 120 3 x 2 x 7! De quantas maneiras podemos formar um comitê de 1 mulher e 2 homens..nK Pn = n! (n1!) (n2!) (n3!) .(nk!) COMBINAÇÕES: a ordem não importa.. n2..x = n! x ! (n .3 REGRAS DE CONTAGEM REGRA DA MULTIPLICAÇÃO: o produto do numero de escolhas para uma seqüência de decisões m n onde m = numero de escolhas n = decisões seqüenciais ARRANJOS: numero de agrupamentos em que interfere a ordem A n. Mulheres ( C 4.. podemos formar com um grupo de 10 pessoas? C10. e a ordem é importante..Quantos comitês distintos.1 ) Homens ( 6. C n.. de 3 pessoas cada um.2 ) = 4! 3! 1! 6! 4! 2! = 4 x 15 = 60 13.x )! n x 68 . .. n1.x = n! ( n – x )! PERMUTAÇÃO COM REPETIÇÕES (OU DISTINGUIVEIS): alguns itens são idênticos.

cinco cores externas e duas internas.EXERCÍCIOS: E-5 1.0 4.De quantas maneiras diferentes podemos escolher um comitê de cinco pessoas dentre oito? 9.Determine o numero de arranjos: a.2! b.6 e. cogumelos.1! e.1 d.Quantas permutações distintas podem ser feitas com as letras da palavra BLUEBEARD ? 7.A 4. as placas de licença constam de três letras e quatro algarismos.Se um torneio de basquetebol consiste de 36 times.A Pizzaria do Joe oferece as seguintes escolhas de pizza: presunto. De quantas maneiras podemos escolher dois tipos diferente de pizza? 69 .Calcule: a.A 3.2 b.Um vendedor de automóveis deseja impressionar os possíveis compradores com o maior numero de combinações diferentes possíveis. Um modelo pode ser dotado de três tipos de motor. Quantas placas diferentes podemos formar admitindo-se o uso de todas as (26 letras) e os (10 algarismos)? 6.3! c.A 9.Em um determinado Estado. Quantas são a escolhas possíveis? 5. dois tipos de transmissão. enchovas e muzzarella. de quantas maneiras podem ser conquistados os três primeiros lugares? 8.0! 2.Calcule: a3 2 b4 4 c5 1 d9 6 3.10! d.4 c.A 1. pimentão.A 5.

que mostra a proporção das vezes em que a variável aleatória tende a assumir cada um dos diversos valores. Uma distribuição de probabilidades é uma distribuição de freqüência relativa para os resultados de um espaço amostral (isto é. Consideremos a variável aleatória “Numero de caras em duas jogadas de uma moeda” eis a lista dos pontos do espaço amostral e os valores correspondentes a v. 2 1 = 4 1 2 0.25 NUMERO DE CARAS P(X) .25 .a.As probabilidades dos diversos resultados são: RESULTADOS PROBABILIDADE DO RESULTADO 1 CC 2 1 CK 2 1 KC 2 1 KK 2 2 .: (K = cara e C = coroa) Resultados CC Valor da v.14.0 DISTRIBUIÇÃO DE PROBABILIDADES Introduzidas às noções fundamentais sobre a teoria das probabilidades. 1 = 4 1 1 0. 0 CK 1 KC 1 KK 2 Se a moeda é equilibrada. para os resultados de uma variável aleatória). 2 1 = 4 70 .25 . 2 1 = 4 0. P(K) = P(C) = ½.a.25 1 0 0.50 1 1 0. pode-se passar às chamadas Distribuições de Probabilidades.

00. a distribuição de probabilidades para o numero de caras em duas jogadas de uma moeda são: NUMERO DE CARAS P(X) 0 0.75 2 1.00 71 . pois.50 2 0. A mesma distribuição pode ser apresentada em forma acumulada.25 1 0.25 1.25 1 0. NUMERO DE CARAS P(X ou menos) 0 0.00 Note-se que a soma de todas as probabilidades é 1. como é de esperar. pois os resultados apresentados são mutuamente excludentes e coletivamente exaustivos.Assim.

Graficamente.25 M U L A D 0 A 1.OO P R 0.75 L I D A D 0.25 E 0. as distribuições de probabilidade e acumulada se apresentam: P R 1. A tabela abaixo mostra todas as possibilidades de combinações cara/coroa.5 0.25 0.1 DISTRIBUIÇÃO BINOMIAL Suponhamos agora o experimento E4= “Lançamento de 4 moedas”.00 1.5 L I D A D 0.25 0.5 E A C U 0.00 O B A B I 0. os eventos que estas combinações originam e os valores correspondentes da variável aleatória X : Numero de vezes que sai “Cara”.75 0.75 O B A B I 0. 72 .25 0 0 1 2 NUMERO DE CARAS 0 1 2 NUMERO DE CARAS 14.

0625 +0. 2. -63Para o calculo da probabilidade X=1 deve-se trabalhar com o evento “1K e 3C” como temos as opções a. sabe-se que a probabilidade de sair coroa é ½ . A probabilidade de X=0 é obtida pelo conhecimento de termos 4 coroas.c. que são mutuamente exclusiva.b. 3. a regra da soma manda efetuar a adição 0.d. Desta forma analogamente temos: 73 .POSSIBILIDADE N° 1 2a 2b 2c 2d 3a 3b 3c 3d 3e 3f 4a 4b 4c 4d 5 MOEDA N° 1.5 = 0.0625 ou.25.0625 +0.0625 +0.5x0.5x0. o que é o mesmo de se efetuar o produto 4x 0. 4 CCCC CCCK CCKC CKCC KCCC CCKK CKKC KKCC CKCK KCKC KCCK KKKC KKCK KCKK CKKK KKKK EVENTO VALOR DE X ( N° DE VEZ QUE SAI CARA) 0K e 4C 1K e 3C 0 1 2K e 2C 2 3K e 1C 3 4K e 0C 4 Utilizando as regras do produto para eventos independentes (e) e da adição para eventos mutuamente exclusivos (ou) é possível calcular as probabilidades associadas aos valores de X.0625 = 0.0625. a probabilidade final será: 0.5x0.

5 X 0.5 1 3 = 1p 1 q 3 O.X 0 1 2 3 4 EVENTO 0K e 4C 1K e 3C 2K e 2C 3K e 1C 4K e 0C P(X = x) 0 4 0 4 O.5 1.00 Podemos usar a formula: n! x ! (n – x)! = n x = combinações de n individuais tomados x a x.2500 = 4 X 0.5 3 1 = 6p 3 q 1 O. Generalizando temos.5 q = 1 – p = probabilidade de C = P(C) = 0.5 4 0 = 1p 4 q 0 O. q 74 .5 X 0.5 X 0.0625 = 4 X 0. x n-x P(x) = n! x! (n – x)! p .5 2 2 = 4p 2 q 2 O.5 X 0.0625 = 1 X 0.0625 = 1 X 0.3750 = 6 X 0.5 = 1p q TOTAL n = numero de moedas p = probabilidade de K = P(K) = 0.5 X 0.

043940 1 p(1) = 10 1/1024 = 0.117180 2 p(2) = 45 1/1024 = 0.205070 3 p(3) = 120 1/1024 = 0.000976 TOTAL = 2 = 1024 75 .117180 6 p(6) = 210 1/1024 = 0.009760 0 p(0) = 1 10 1/1024 = 0.009760 8 p(8) = 45 1/1024 = 0.246090 4 p(4) = 210 1/1024 = 0.205070 5 p(5) = 252 1/1024 = 0.043940 7 p(7) = 120 1/1024 = 0.000976 9 p(9) = 10 1/1024 = 0.Distribuição binomial de x (numero de coroas) para n = 10 X Numero de “Coroas” em 10 jogadas n! x ! (n – x) ! Distribuição Amostral P(X) probabilidade % de encontrar a Amostra 10 p(10) = 10! 10! (10 – 10)! 10! 9! (10 – 9) ! 10! 8! (10 – 8) ! 10! 7! (10 – 7) ! 10! 6! (10 – 6) ! 10! 5! (10 – 5) ! 10! 4! (10 – 4) ! 10! 3! (10 – 3) ! 10! 2! (10 – 2) ! 10! 1! (10 – 1) ! 10! 0! (10 – 0) ! 1 1/1024 = 0.

Suponha que 8% dos cachorros-quentes vendidos num estádio de futebol sejam pedidos sem mostarda. nos primeiros 25 dias apos a venda. b.Dos estudantes de um colégio. 4. a. 3.Apenas um não a queira. Escolhem-se seis ao acaso para darem sua opinião sobre o fumo.Determine a probabilidade de todos os seis ser fumante. numa amostra de nove mesas: a.Qual a probabilidade de ao menos a metade dos seis serem fumantes.Um revendedor de automóveis novos constatou que 80% dos carros vendidos são devolvidos ao departamento mecânico para corrigir defeitos de fabricação. Se sete pessoas pedem cachorrão.Não haja nenhuma defeituosa 2. determine a probabilidade de uma pessoa ficar de fora. 41% FUMAM CIGARROS. b. determine a probabilidade de que: a.Um fabricante de mesas de bilhar suspeita que 2% de seu produto apresenta algum defeito.Só um não volte 5.Doze por cento dos que reservam lugar num vôo sistematicamente faltam ao embarque.determine a probabilidade de que todos os 15 que reservaram lugar compareçam ao embarque b.EXERCICIOS: E-6 Use a formula binomial para responder às questões abaixo: 1.Todos queiram mostarda b. O avião comporta 15 passageiros.Determine a probabilidade de nenhuma das seis ser fumante. qual é a probabilidade de que: a. Se tal suspeita é correta.Haja ao menos uma defeituosa b.Se houve 16 pedidos de reserva. 76 .Todos voltem dentro de 25 dias para reparo. a. c. De 11 carros vendidos num período de 5 dias. determine a probabilidade de que.

000335 p = 2% = 0. Como regra geral podemos usar: n > 100 e n. É difícil dar condições precisas para que se possa usar a aproximação de Poisson.05 Temos a distribuição de Poisson com: n.718 Exemplo: Sabe-se que 2% dos livros encadernados em uma certa livraria apresentam defeitos de encadernação.. 2.. e x! .p para x = 1.14.p < 10 n = Elementos da População p = Probabilidade Exemplo: n = 150 p = 0. Quando “n” é grande e “p” é pequeno podemos usar a aproximação de Poisson para a distribuição Binomial. o que significa quando “n” é grande e “p” pequeno..02 = 8 77 . Temos: n = 400 -8 e = 0.2 DISTRIBUIÇÃO DE POISSON A chamada Distribuição de Poisson ou de Eventos Raros podem ser considerada um caso limite da distribuição binomial.. Utilize a aproximação de Poisson da distribuição Binomial para achar a probabilidade de que 5 entre 400 livros encadernados nessa livraria apresentam algum defeito de encadernação.. .n. ou seja. 0.. 3.02 x=5 n.05) = 7. e= 2.5 A formula a ser usada é: x f (x) = (n.p = 400 .p) .p = 150 . (0.

temos então: x f (x) = (n.p) . e x! - n.p =

5

-8

8 . e 5!

= (32768). (0,000335) = 10,977 = 0,0915 120 -67120

Outro Exemplo: Supúnhamos que os defeitos em fios para tear possam ser aproximados por um processo de Poisson com media de 0,2 defeitos por metro (p = 0,2) .Inspecionando-se pedaços de fio de 6 metros de comprimento, determine a probabilidade de menos de 2 (isto é 0 ,1) defeitos. Temos : n = 6 p = 0,2 n . p = 6 . 0,2 = 1,2 x =1 e X=2

0

-1,2

f(0) =

1,2 0!
1

e

= 1 . 0,301 = 0,301 1

-1,2

f(1) =

1,2 1!

e

= 1,2 . 0,301 = 0,3612 1

P(x< 1) = P(0) + P(1)

(0,301 + 0,3612) = 0,6622

78

EXERCICIOS: E-7

1- Verifique, em cada caso, se os valores de “n” e “p” satisfazem as regras empíricas para a utilização de Poisson como aproximação da Binomial: abcn = 500 e n = 100 n = 60 e e p = 0,001 p = 0,12 p = 0,002

2- Se 0,6% dos detonadores fornecidos a um arsenal são defeituosos, utilize a aproximação de Poisson para a distribuição Binomial para determinar a probabilidade de que, em uma amostra aleatória de 500 detonadores, quatro sejam defeituosos. 3- Em uma certa cidade 3,2% dos habitantes se envolve em, ao menos, um acidente de carro em um ano. Com o auxilio da aproximação de Poisson para a distribuição Binomial, determine a probabilidade de que, dentre 200 motoristas escolhidos aleatoriamente nessa cidade. a- Exatamente seis se envolvam em ao menos um acidente em um ano; b- No Maximo oito se envolvam em ao menos um acidente em um ano; c- Cinco ou mais se envolvam em ao menos um acidente em um ano;

4- Suponha que, em media 2% das pessoas sejam canhotas. Encontre a probabilidade de 3 ou mais canhotos em 100 pessoas

79

15.0 CORRELAÇÃO
15.1 INTRODUÇÃO
Até agora nossa preocupação era descrever a distribuição de valores de uma única variável. Com esse objetivo, aprendemos a calcular medidas de tendência central e variabilidade. Quando porem, consideramos observações de duas ou mais variáveis, surge um novo problema: as relações que podem existir entre duas ou mais variáveis estudadas.

Assim, quando consideramos variáveis como peso e altura de um grupo de pessoas, uso do cigarro e incidência do câncer, a potencia gasta e a temperatura da água no chuveiro, Procuramos verificar se existe alguma relação entre as variáveis de cada um dos pares e qual o grau dessa relação.

Para isso, é necessário o conhecimento de novas medidas.

Sendo a relação entre as variáveis de natureza quantitativa, a correlação é o instrumento adequado para descobrir e medir essa relação.

Uma vez caracterizada a relação, procuramos descreve-la através de uma função matemática. A regressão é o instrumento adequado par a determinação dos parâmetros dessa função.

15.2 RELAÇÃO FUNCIONAL E RELAÇÃO ESTATÍSTICA
Como sabemos, o perímetro e o lado de um quadrado estão relacionados. A relação que liga é perfeitamente definida e pode ser expressa por meio de uma sentença matemática: P=4L P= PERIMETRO L= LADO DO QUADRADO 80

0 7.0 7. 15. Porem.0 81 .0 6.0 3. Considerando.0 9.0 5. um valor qualquer de L.Atribuindo-se.0 4.0 2. Quando duas variáveis estão ligadas por uma Relação Estatística. dizemos que existe uma correlação entre elas.0 6. formada por 98 alunos de uma classe da Uniso e pelas notas obtidas por eles em Matemática e Estatística: NOTAS Nº MATEMATICA (xi) ESTATISTICA (yi) 01 08 24 38 44 58 59 72 80 92 5. agora a relação que existe entre o peso e a estatura de um grupo de pessoas.0 8. em média. É evidente que essa relação não é do mesmo tipo da anterior.0 8.0 9.0 10.0 10. maior o peso. é possível determinar exatamente o valor do perímetro.0 6.3 DIAGRAMA DE DISPERSÃO Consideremos uma amostra aleatória.0 8. ela é bem menos precisa. Assim. quanto maior a estatura. As relações do tipo peso-estatura. como relações estatísticas. As relações do tipo perimetro-lado são conhecidas como relações funcionais.0 2.0 7.0 8. pode acontecer que a estaturas diferentes correspondam a pesos iguais ou que estaturas iguais correspondam a pesos diferentes. então.

6 . 82 . em um sistema de coordenadas cartesiano ortogonal. da correlação existente: yi 10 . 2 o o . que a correlação de forma elíptica tem como “imagem” uma reta. obtemos uma nuvem de pontos que denominamos DIAGRAMA DE DISPERSAO. Dizemos. porem útil. sendo. . o o 8 . 4 . Podemos imaginar que. . yi). . . 10 xi 15. quanto mais fina for a elipse mais ela se aproximará de uma reta. 6 . então. os parâmetros (xi .Representando. Esse diagrama nos fornece uma idéia grosseira. vistos em conjunto formam uma elipse em diagonal.4 CORRELAÇÃO LINEAR Os pontos obtidos. por isso denominada de Correlação Linear. . . . . . 8 . 2 . . . o o o o o o 4 .

.Linear Positiva se os pontos do diagrama tem com “imagem” uma reta ascendente. as relações funcionais são chamadas Relações Perfeitas. concluímos que não há relação alguma entre as variáveis em estudo. . yi 10 . . 6 . não oferecendo uma “imagem” definida. 2 . . . Assim uma correlação é: a. ela é chamada de Correlação Linear Positiva. o o o o o o 4 . . 6 . Se os pontos apresentam-se dispersos. Por esse motivo. . 4 . b.Nao-linear se os pontos tem como “imagem” uma curva. . . 83 . o RETA IMAGEM o 8 .Linear negativa se os pontos tem como ”imagem” uma reta descendentes. . 10 xi Como a correlação em estudo tem como “imagem” uma reta ascendente.É possível verificar que cada correlação esta associada como “imagem“ uma relação funcional. 8 . c. . 2 o o .

Temos: Y o oo ooo oo ooooo ooo ooooo oo o oo correlação linear positiva X Y o oo ooo oo ooooo ooo ooooo oo o oo correlação linear negativa Y X o o oo oo oooo ooo oo oo ooo ooooo o correlação não-linear ooo oooo ooooo ooo oo oo o oooo oo ooo Y oo o o o o o o o oooo ooo o ooo oo ooo oooo oooo oooo o o oo ooo ooooo o o ooo oo o ooooo X não há correlação X 84 .

6 ≤ | r | ≤ 1 ≤ | r | < 0. há uma correlação relativamente fraca entre as variáveis. Uma maneira pratica de verificarmos a linearidade da relação é a inspeção do Diagrama de Dispersão: se a elipse apresenta saliências ou reentrâncias muito acentuadas.Se a correlação é perfeita e negativa. ainda.5 COEFICIENTE DE CORRELAÇÃO LINEAR O instrumento empregado para a medida de Correlação Linear é o Coeficiente de Correlação. o valor de r pertence ao intervalo [ -1 e +1]. isto é. então r = +1. então r = -1 C. B. Assim: A.Se a correlação entre duas variáveis é perfeita e positiva. Se 0.15. então r = 0. Faremos uso do coeficiente de correlação de Person. NOTAS - Para que uma relação possa ser descrita por meio do Coeficiente de Correlação de Person é imprescindível que ela se aproxime de uma função Linear. que é dado por : r= n Σ xi yi – (Σxi ) (Σyi) √ Onde: [ n Σ x²i – (Σxi)²] [ n Σ y²i – (Σyi)²] n = número de observações Os valores limites de r são -1 e +1.6.3 85 . - Para podermos tirar algumas conclusões significativas sobre o comportamento simultâneo das variáveis analisadas.Se não há correlação entre as variáveis ou a relação é por ventura não-linear. é necessário que: 0. o sentido dessa correlação (positivo ou negativo). Esse coeficiente deve indicar o grau de intensidade da correlação entre duas variáveis e. provavelmente trata-se de uma relação curvilínea.

0 8.0 3.0 7. colunas correspondentes aos valores de xi yi. -81Em seguida vamos calcular o coeficiente de correlação relativos ao exercício anterior.0 7. 86 .0 10. Assim: MATEMATICA (xi) 5.18 = 0.911 √ (4.554.0 Σ=65 xi yi 30 72 56 100 30 49 72 12 48 04 Σ=473 x²i 25 64 49 100 36 49 81 09 64 04 Σ=481 y²i 36 81 64 100 25 49 64 16 36 04 Σ=475 Logo: r= 10 x 473 – 65 x 65 = 505 = 550 4. nada podemos concluir sobre a relação entre as variáveis em estudo.0 5.0 9.0 8.0 2. x²i e y²i. a correlação é muito fraca e.0 8.3.750 – 4.0 6.91 Resultado que indica uma correlação linear positiva altamente significativa entre as duas variáveis.0 2.225) √ 585 x 525 Dai: r = 0.0 10. na tabela.0 Σ=65 ESTATISTICA (yi) 6.0 4. praticamente.810 – 4.225) (4.0 9.0 6.Se 0 < | r | < 0. O modo mais pratico para obtermos r é abrir.0 8.0 7.

2. Quando utilizamos taxas ou médias para os dados. Um estudo mostrou uma correlação entre salários de professores de Estatística e o consumo individual de cerveja.Devemos evitar a conclusão de que a correlação implica em casualidade. suprimimos a variação entre os indivíduos ou elementos. A conclusão de que não há correlação linear significativa não quer dizer que x e y não estejam relacionados de alguma forma provavelmente possa haver uma correlação não linear.6 CUDADOS COM OS ERROS COM A INTERPLETAÇÃO DE CORRELAÇÃO Identificamos a seguir três dos erros mais comuns cometidos na interpretação de resultados que envolvem correlação.Surge outra fonte de erro potencial quando os dados se baseiam em taxas ou médias. 3. e isto pode levar a um coeficiente de correlação inflacionado.Um terceiro erro diz respeito à propriedade de linearidade.15. Porem essas duas variáveis são afetadas pelas condições econômicas que envolvem não só o professor de Estatística. aparece neste caso uma terceira variável oculta. 1. 87 .

.......... ........ = ... ONDE: r = 88 . x .. x ....EXERCICIOS: E-8 1.) √ . √ (....0 …….. = .. 12...0 Σ= Σ= Σ= Logo: r= .......0 …….. x .. – .......….......) (...Complete o esquema de cálculo do coeficiente de correlação para os valores das variáveis xi e yi : xi yi 4 12 6 10 8 8 10 12 12 14 Temos: (xi) (yi) xi yi x²i y²i 4..... – ... – ... …… …… 14.... . ……. = .0 Σ= Σ= 12......

A- (xi) 34 30 40 34 39 35 42 45 43 Σ= BΣ= (yi) 21 22 25 28 15 24 24 22 17 xi yi x²i y²i Σ= Σ= Σ= (xi) (yi) xi yi x²i y²i 3.8 3.Padronize cada conjunto de escores e calcule o coeficiente de correlação.4 4.1 3.0 2.0 Σ= 46 46 52 50 48 40 42 44 Σ= Σ= Σ= Σ= 89 .9 4.6 6.2 4.2.

9 4.1 4.1 temperatura média (°F) 87 50 75 90 55 54 68 85 82 80 45 58 66 90 .0 2.3. monte o gráfico para os dados e calcule o coeficiente de correlação.Determine o coeficiente de correlação para os dois conjuntos de valores abaixo: 1ª AVALIAÇÃO 2ª AVALIAÇÃO estudante 1 2 3 4 5 6 7 8 9 10 11 (xi) 82 84 86 83 88 87 85 83 86 85 87 Σ= (yi) 92 91 90 92 87 86 89 90 92 90 91 Σ= xi yi x²i y²i Σ= Σ= Σ= 4.8 3.2 4.Com os dados abaixo. sobre crimes violentos e a temperatura média entre 21 e 2 horas das noites de sábado numa grande comunidade.0 3.4 2.6 4. Crimes Violentos/ 1000 residentes 5.2 2.7 3.1 5.0 2.

0 7.0 5. supondo X a variável independente e Y a dependente. partindo de n observações das mesmas. ou seja. através de um modelo matemático.0 ESTATISTICA (yi) 6.0 9.0 3.1 AJUSTAMENTO DE CURVAS A variável sobre a qual desejamos fazer uma estimativa recebe o nome de variável dependente e a outra recebe o nome de variável independente.0 10. Assim.0 7.0 6. entre as quais exista uma correlação acentuada.0 8. por exemplo. as do exercício já apresentado: MATEMATICA (xi) 5.0 8.0 10. a relação entre duas variáveis.0 6.0 8. 16.0 7.0 2.0 4. vamos obter uma função definida por: Y = ax + b onde a e b são parâmetros.0 91 . como. vamos procurar determinar o ajustamento de uma reta a relação entre essa variáveis.0 8.0 9. Sejam duas variáveis X e Y. embora não perfeita.16. Podemos dizer que a analise de regressão tem por objetivo descrever.0 REGRESSÃO LINEAR Sempre que desejamos estudar determinada variável em função de outra fazemos sempre uma análise de regressão.0 2.

4 . 6 . 8 . o o o o o o 4 . imagem da função definida por: Y = ax+ b 16. . .a X 92 .2 MÉTODO DOS MÍNIMOS QUADRADOS Vamos então. . 10 xi Podemos concluir. calcular os valores dos parâmetros a e b com a ajuda das fórmulas: a = n Σ Xi Yi .Σxi . pela forma do diagrama. o RETA IMAGEM o 8 .Cujo Diagrama de Dispersão é dado por: yi 10 . . 6 .(Σxi)² e b = Y . . 2 . . . de modo a permitir o ajustamento de uma reta. 2 o o . . Σyi n ΣXi² . . . . que se trata de uma correlação retilínea.

Sendo assim.0 5. na realidade.0 10.0 10.0 9.4225 = 505 = 0.0 6. é uma estimativa da verdadeira equação de regressão. o resultado.0 2.0 8.4225 585 93 .8632 10 x 481 – (65)² 4810 .0 4.0 3.0 2.0 8.0 7.0 7.0 Σ=65 30 72 56 100 30 49 72 12 48 04 Σ=473 25 64 49 100 36 49 81 09 64 04 Σ=481 a = 10 x 473 – 65 x 65 = 4730 . escrevemos: Y^ = a X + b Onde Y^ é o Y estimado A tabela de valores: MATEMÁTICA (xi) ESTATÍSTICA (yi) xi yi x²i 5.Onde : n é o número de observações X é média dos valores de Xi (X = Σ Xi ) n Y é média dos valores de Yi (Y = Σ Yi ) n Nota: Como estamos fazendo uso de uma amostra para obtermos os valores dos parâmetros.0 8.0 8.0 9.0 6.0 7.0 Σ=65 Temos assim 6.

8 .5.Como: X = 65 = 6.89 .5 10 e Y = 56 = 6.86 x 5 + 0. 8 . . . 5.5 . 2 . . 6 . .8632 x 6. .5 10 Vem: b = 6. 4 . 6 . 2 . o o o o o o o o o o Y^ = 0. .86 X + 0.89 .89 Y^ = 0. basta determinar dois de seus pontos: X=0 X=5 Y^ = 0. Donde: a = 0.89 = 5.6108 = 0.89 Logo: ˆ = 0. 0. .89 Y Para traçarmos a reta no gráfico.8892.19 Assim temos: yi 10 .5 – 0.5 = 6.19 . . 4 . 10 xi 94 .86 X + 0.86 e b = 0.

O cálculo desses intervalos segue os mesmos raciocínios visto anteriormente para as médias . e b . como também Para prever essas diferenças é possível estabelecermos um intervalo para o qual possamos afirmar. variâncias e desvio padrão. com certo grau de confiança valores de Y^.16. precisamos saber qual é a precisão dos valores obtidos para a e b na equação de mínimos quadrados? Qual a precisão da estimativa Y^? Os valores calculados são apenas estimativas baseadas em dados amostrais e. e analisaremos a seguir. se fundamentarmos nosso trabalho em outra amostra de mesmo tamanho n o método de mínimo quadrado poderia gerar valores diferentes de para a poderia gerar valores para Y^ diferentes. proporções. 95 .3 ANÁLISE DE REGRESSÃO Quando recorremos a uma reta de mínimos quadrados.

cometeu apenas 1 erro.Após 6 horas de treinamento.y =721 a.Estabeleça a equação da reta de mínimos quadrados que permite predizermos y em termos de x. Σy² = 2001 e 3040 Σx. b. qual das duas retas se ajusta melhor aos três pontos. Denotando por x o número de horas de treinamento e por y o número de erros cometidos. outro cachorro após 12 horas cometeu 6 erros. Σy = 107.y = 10 . apos 18 horas. estime quantos carros uma pessoa que venha trabalhando no posto de inspeção ha 8 semanas poderá inspecionar? 96 . um cachorro cometeu 5 erros em uma exposição canina.EXERCICIOS: E-9 1. em determinado dia: Número de semanas Trabalhadas Número de carros inspecionados 2 7 9 1 5 12 13 21 23 14 15 21 Para esses dados temos: Σx = 36. Σx² = 304.y = 8 1/3 x 2. no sentido de mínimos quadrados? a.½ x b.A tabela a seguir mostra quantas semanas seis pessoas trabalharam em um posto de inspeção de automóveis e quantos carros foram inspecionados entre 12 e 14 horas. e finalmente um outro cachorro.Com o auxilio da parte a.

9 Para esses dados temos: Σx = 42.M.1 0. estime o resíduo de cloro na piscina 8 horas após ter sido tratada.8 1. Σy = 10. após ter sido tratada com produtos químicos: X Número de Horas Y Resíduo de cloro (P.1 1.3. Σx² = 364.P. c. 97 .5 1.52 e Σx .2 1.6 A leitura de zero horas foi feita imediatamente após completado o tratamento químico.Com a equação da reta de mínimos quadrados.4 1. estime o resíduo de cloro na piscina 5 horas após ter sido tratada.) 0 2 4 6 8 10 12 2. Σy² = 15.Ajuste uma reta de mínimos quadrados que nos permita predizer o resíduo de cloro em termos do número de horas após a piscina ter sido tratada com produtos químicos . a.Os dados abaixo se referem ao resíduo de cloro em uma piscina em vários momentos.1 da tabela. Por que razão o resultado diverge do valor 1. b.y =48.Com a equação da reta de mínimos quadrados.

São Paulo: McGraw-Hill. Estatística aplicada –economia. São Paulo: Saraiva.B. 2000.Blucher. Gary A. Estatística aplicada. Giuseppe e ANGELINI. São Paulo: Atlas. KAZMIER. SPIEGEL. 2000. São Paulo: Makron Books. Estatística. 1999. administração e contabilidade. Estatística básica. BIBLIOGRAFIA COMPLEMENTAR KUME. Flávio. São Paulo:Gente.. Hitoshi. DOWNING Douglas e CLARK Jeffrey. Estatística aplicada à Economia e à Administração.5 S734e) 98 . e SIMON. John E. 2000. 1995. Métodos Estatísticos para a Melhoria da Qualidade. TRIOLA. 1982. São Paulo:E. São Paulo: Saraiva.1993. Rio de Janeiro: LTC. Murray R. CEP para Processos Contínuos e em Bateladas. RAMOS A. 1993. L.W.BIBLIOGRAFIA BIBLIOGRAFIA BÁSICA FREUND.2002. Wilton O e MORETTIN. Porto Alegre: Bookman. Pedro A. MILONE. Estatística aplicada. Mário F. BUSSAB. (519. Introdução à estatística.

Sign up to vote on this title
UsefulNot useful