A

A
P
P
O
O
S
S
T
T
I
I
L
L
A
A


E
E
S
S
T
T
A
A
T
T
Í
Í
S
S
T
T
I
I
C
C
A
A












Luis Felipe Dias Lopes, Dr.
lflopes@smail.ufsm.br, phil.zaz@zaz.com.br




D E - UFSM
2 0 0 3

S Su um má ár r i io o



1 Concei t os bási cos
1.1 População x Amost ra
1.2 Censo x Amost ragem
1.3 Dado x Variável
1.4 Parâmet ros x est at íst icas
1.5 Arredondament o de dados
1.6 Fases do mét odo est at íst ico

2 Repr esent ação t abul ar
2.1 Represent ação esquemát ica
2.2 Element os de uma t abela
2.3 Séries est at íst icas
2.4 Dist ribuição de f reqüência

3 Repr esent ação gr áf i ca
3.1 Gráficos de Linhas
3.2 Gráficos de colunas ou barras
3.3 Gráf icos circulares ou de Set ores ( Pie Chart s)
3.4 Gráf ico Pict orial - Pict ograma
3.5 Gráfico Polar
3.6 Cart ograma
3.7 Gráf icos ut ilizados para a análise de uma dist ribuição de f reqüência

4 Medi das descr i t i vas
4.1 Medidas de posição
4.2 Medidas de variabilidade ou dispersão
4.3 Medidas de dispersão relat ivas
4.4 Moment os, assimet ria e curt ose
4.5 Exercícios

5 Pr obabi l i dade e var i ávei s al eat ór i as
5.1 Modelos mat emát icos
5.2 Conceit os em probabilidade
5. 3 Conceit os de probabilidade
5.4 Exercícios
5.5 Teorema de Bayes
5.6 Variáveis aleat órias
5.7 Função de probabilidade
5.8 Exemplos
5.9 Exercícios

6 Di st r i bui ções de Pr obabi l i dade
6.1 Dist ribuições discret as de probabilidade
6.2 Exercícios
6.2 Dist ribuições cont ínuas de probabilidade
6.4 Exercícios

7 Amost r agem
7.1 Conceit os em amost ragem
7.2 Planos de amost ragem
6.3 Tipos de amost ragem
7.4 Amost ragem com e sem reposição
7.5 Represent ação de uma dist ribuição amost ral
7.6 Dist ribuições amost rais de probabilidade
7.7 Exercícios
7.8 Est at íst icas amost rais
7.9 Tamanho da amost ra

8 Est i mação de par âmet r os
8.1 Est imação pont ual
8.2 Est imação int ervalar
8.3 Exercícios

9 Test es de hi pót eses
9.1 Principais conceit os
8.2 Test e de signif icância
9.3 Exercícios
9.4 Test es do Qui- quadrado
9.5 Exercícios

10 Regr essão e Correl ação
10.1 I nt rodução
10.2 Def inição
10.3 Modelo de Regressão
10.4 Mét odo para est imação dos parâmet ros α e β
10.5 Decomposição da variância Tot al
10.6 Análise de Variância da Regressão
10.7 Coef icient e de Det erminação ( r² )
10.8 Coef icient e de Correlação ( r)
10.9 Exercíci os

11 Ref er ênci as bi bl i ogr áf i cas


1
1 1 C Co on nc ce ei i t t o os s B Bá ás si ic co os s



1.1 Popul ação x Amost r a

• População (N): Conjunto de todos os elementos relativos a um determinado fenômeno
que possuem pelo menos uma característica em comum, a população é o conjunto
Universo, podendo ser finita ou infinita.

• Finita - apresenta um número limitado de observações, que é passível de contagem.
• Infinita - apresenta um número ilimitado de observações que é impossível de contar e geralmente esta
associada a processos.

• Amostra (n): É um subconjunto da população e deverá ser considerada finita, a amostra
deve ser selecionada seguindo certas regras e deve ser representativa, de modo que ela
represente todas as características da população como se fosse uma fotografia desta.

•Uma população pode, mediante processos operacionais, ser considerada infinita, pois a mesma irá depender
do tamanho da amostra. Se a freqüência relativa entre amostra e população for menor do que 5% ela é
considerada infinita, se a freqüência relativa for maior do 5% ela é considerada finita.


1.2 Censo x Amost r agem

• Pesquisa Estatística: É qualquer informação retirada de uma população ou amostra,
podendo ser através de Censo ou Amostragem.

• Censo: É a coleta exaustiva de informações das "N" unidades populacionais.

• Amostragem: É o processo de retirada de informações dos "n" elementos amostrais, no
qual deve seguir um método criterioso e adequado (tipos de amostragem).


1.3 Dado x Var i ável

• Dados estatísticos: é qualquer característica que possa ser observada ou medida de
alguma maneira. As matérias-primas da estatística são os dados observáveis.

• Variável: É aquilo que se deseja observar para se tirar algum tipo de conclusão, geralmente
as variáveis para estudo são selecionadas por processos de amostragem. Os símbolos
utilizados para representar as variáveis são as letras maiúsculas do alfabeto, tais como X, Y,
Z, ... que pode assumir qualquer valor de um conjunto de dados. As variáveis podem ser
classificadas dos seguintes modos:
2
- Qualitativas (ou atributos): São características de uma população que não pode ser
medidas.

Nominal : são utilizados símbolos, ou números, para representar determinado tipo de
dados, mostrando, assim, a qual grupo ou categoria eles pertencem.
Ordinal ou por postos: quando uma classificação for dividida em categorias
ordenadas em graus convencionados, havendo uma relação entre as categorias do tipo
“maior do que”, “menor do que”, “igual a”, os dados por postos consistem de valores
relativos atribuídos para denotar a ordem de primeiro, segundo, terceiro e, assim,
sucessivamente.

- Quantitativas: São características populacionais que podem ser quantificadas, sendo
classificadas em discretas e contínuas.

Discretas: são aquelas variáveis que pode assumir somente valores inteiros num
conjunto de valores. É gerada pelo processo de contagem, como o número de
veículos que passa em um posto de gasolina, o número de estudantes nesta sala de aula.
Contínuas: são aquelas variáveis que podem assumir um valor dentro de um intervalo
de valores. É gerada pelo processo de medição. Neste caso serve como exemplo o
volume de água em um reservatório ou o peso de um pacote de cereal.


1.4 Par âmet r os x Est at íst i cas

• Parâmetros: são medidas populacionais quando se investiga a população em sua
totalidade, neste caso é impossível fazer inferências, pois toda a população foi investigada.

• Estatísticas ou Estimadores: são medidas obtidas da amostra, torna-se possível neste
caso utilizarmos as teorias inferências para que possamos fazer conclusões sobre a
população.


3
1.5 Ar r edondament o de Dados

Regras: Portaria 36 de 06/ 07/ 1965 - INPM ⇒ Instituto Nacional de Pesos e
Medidas.

1
a
) Se o primeiro algarismo após aquele que for mos arredondar for de 0 a 4,
conservamos o algarismo a ser arredondado e desprezamos os seguintes.
Ex.: 7,34856 (para décimos) → 7,3

2
a
) Se o primeiro algarismo após aquele que formos arredondar for de 6 a 9,
acrescenta-se uma unidade no algarismo a ser arredondado e desprezamos os
seguintes.
Ex.: 1,2734 (para décimos) → 1,3

3
a
) Se o primeiro algarismo após aquele que formos arredondar for 5, seguido apenas
de zeros, conservamos o algarismo se ele for par ou aumentamos uma unidade se
ele for ímpar, desprezando os seguintes.
Ex.: 6,2500 (para décimos) → 6,2
12,350 (para décimos) → 12,4

•Se o 5 for seguido de outros algarismos dos quais, pelo menos um é diferente de zero, aumentamos uma
unidade no algarismo e desprezamos os seguintes.
Ex.: 8,2502 (para décimos) → 8,3
8,4503 (para décimos) → 8,5

4
a
) Quando, arredondarmos uma série de parcelas, e a soma ficar alterada, devemos
fazer um novo arredondamento (por falta ou por excesso), na maior parcela do
conjunto, de modo que a soma fique inalterada.

Ex.: 17,4% + 18,4% + 12,3% + 29,7% + 22,2% = 100%

arredondando para inteiro:

17% + 18% + 12% + 30% + 22% = 99%

17% + 18% + 12% + 31% + 22% = 100%

4
1.6 Fases do mét odo est at íst i co

O método estatístico abrange as seguintes fases:

a) Definição do Problema
Consiste na:

- formulação correta do problema;
- examinar outros levantamentos realizados no mesmo campo (revisão da literatura);
- saber exatamente o que se pretende pesquisar definindo o problema corretamente
(variáveis, população, hipóteses, etc.)

b) Planejamento
Determinar o procedimento necessário para resolver o problema:

- Como levantar informações;

- Tipos de levantamentos: Por Censo (completo);
Por Amostragem (parcial).
- Cronograma, Custos, etc.

c) Coleta ou levantamento dos dados
Consiste na obtenção dos dados referentes ao trabalho que desejamos fazer.

A coleta pode ser: Direta - diretamente da fonte;
Indireta - feita através de outras fontes.

Os dados podem ser obtidos pela própria pessoa (primários) ou se baseia no registro
de terceiros (secundários).

d) Apuração dos Dados ou sumarização
Consiste em resumir os dados, através de uma contagem e agrupamento. É um
trabalho de coordenação e de tabulação.

Apuração: manual, mecânica, eletrônica e eletromecânica.

e) Apresentação dos dados
É a fase em que vamos mostrar os resultados obtidos na coleta e na organização.

Esta apresentação pode ser: Tabular (apresentação numérica)
Gráfica (apresentação geométrica)

f) Análise e interpretação dos dados
É a fase mais importante e também a mais delicada. Tira conclusões que auxiliam o
pesquisador a resolver seu problema.

5
2 2 R Re ep pr r e es se en nt t a aç çã ão o t t a ab bu ul l a ar r



Consiste em dispor os dados em linhas e colunas distribuídas de modo ordenado. A
elaboração de tabelas obedece à Resolução n
o
886, de 26 de outubro de 1966, do Conselho
Nacional de Estatística. As normas de apresentação são editadas pela Fundação Brasileira de
Geografia e Estatística (IBGE).


2.1 Repr esent ação esquemát i ca

Título

Cabeçalho

Corpo

Rodapé


2.2 El ement os de uma t abel a

• Título: O título deve responder as seguintes questões:
- O que? (Assunto a ser representado (Fato));
- Onde? (O lugar onde ocorreu o fenômeno (local));
- Quando? (A época em que se verificou o fenômeno (tempo)).

• Cabeçalho: parte da tabela na qual é designada a natureza do conteúdo de cada coluna.
• Corpo: parte da tabela composta por linhas e colunas.
• Linhas: parte do corpo que contém uma seqüência horizontal de informações.
• Colunas: parte do corpo que contém uma seqüência vertical de informações.

• Coluna Indicadora: coluna que contém as discriminações correspondentes aos valores
distribuídos pelas colunas numéricas.
• Casa ou célula: parte da tabela formada pelo cruzamento de uma linha com uma coluna.
• Rodapé: É o espaço aproveitado em seguida ao fecho da tabela, onde são colocadas as
notas de natureza informativa (fonte, notas e chamadas).
• Fonte: refere-se à entidade que organizou ou forneceu os dados expostos.
• Notas e Chamadas: são esclarecimentos contidos na tabela (nota - conceituação geral;
chamada - esclarecer minúcias em relação a uma célula).
6
2.3 Sér i es Est at íst i cas

Uma série estatística é um conjunto de dados ordenados segundo uma característica
comum, as quais servirão posteriormente para se fazer análises e inferências.

• Série Temporal ou Cronológica: É a série cujos dados estão dispostos em
correspondência com o tempo, ou seja, varia o tempo e permanece constante o fato e o
local.
Produção de Petróleo Bruto no Brasil de 1976 a 1980 (x 1000 m³)

Anos Produção
1976 9 702
1977 9 332
1978 9 304
1979 9 608
1980 10 562
Fonte: Conjuntura Econômica (fev. 1983)

• Série Geográfica ou Territorial: É a série cujos dados estão dispostos em
correspondência com o local, ou seja, varia o local e permanece constante a época e o fato.

População Urbana do Brasil em 1980 (x 1000)

Região População
Norte 3 037
Nordeste 17 568
Sudeste 42 810
Sul 11 878
Centro-Oeste 5 115
Total 80 408
Fonte: Anuário Estatístico (1984)

• Série Específica ou Qualitativa: É a série cujos dados estão dispostos em
correspondência com a espécie ou qualidade, ou seja, varia o fato e permanece constante a
época e o local.

População Urbana e Rural do Brasil em 1980 (x 1000)

Localização População
Urbana 80 408
Rural 38 566
Total 118 974
Fonte: Anuário Estatístico (1984)

7
• Série Mista ou Composta: A combinação entre duas ou mais séries constituem novas
séries denominadas compostas e apresentadas em tabelas de dupla entrada. O nome da
série mista surge de acordo com a combinação de pelo menos dois elementos.

Local + Época = Série Geográfica Temporal

População Urbana do Brasil por Região de 1940 a 1980 (x 1000)

R E G I Õ E S
Anos N NE SE S CO
1940 406 3 381 7 232 1 591 271
1950 581 4 745 10 721 2 313 424
1960 958 7 517 17 461 4 361 1 007
1970 1 624 11 753 28 965 7 303 2 437
1980 3 037 17 567 42 810 11 878 5 115
Fonte: Anuário Estatístico (1984)


2.4 Di st r i bui ção de Fr eqüênci a

É o tipo de série estatística na qual permanece constante o fato, o local e a época. Os
dados são colocados em classes preestabelecidas, registrando a freqüência de ocorrência. Uma
distribuição de freqüência pode ser classificada em discreta e intervalar.

a) Distribuição de Freqüência Discreta ou Pontual: É uma série de dados agrupados na
qual o número de observações está relacionado com um ponto real.

Notas do Aluno "X" na Disciplina de Estatística segundo
critérios de avaliação do DE da UFSM – 1990

X
i
f
i

6.3 2
8.4 3
5.3 2
9.5 3
6.5 5
Σ
15
Fonte: Departamento de Estatística (1990)

8
b) Distribuição de Freqüências Intervalar: Na distribuição de freqüência, os intervalos
parciais deverão ser apresentados de maneira a evitar dúvidas quant o à classe a que permanece
determinado elemento.

O tipo de intervalo mais usado é do tipo fechado a esquerda e aberto a direita,
representado pelo símbolo: | ---.

Altura em centímetros de 160 alunos do Curso de Administração da UFSM - 1990

Altura (cm) X
i
f
i

150 | --- 158 154 18
158 | --- 166 162 25
166 | --- 174 170 20
174 | --- 182 178 52
182 | --- 190 186 30
190 | --- 198 194 15
Σ
---- 160
Fonte: Departamento de Estatística (1990)

Elementos de uma Distribuição de Freqüências:

Ø Classe ou Classe de Freqüência (K): É cada subintervalo (linha) na qual dividimos o
fenômeno.

Para determinar o número de classes a partir dos dados não tabelados, podemos usar a
Fórmula de Sturges, mas deve-se saber que existem outros métodos de determina ção do
número de classes em uma tabela de freqüência. O que se deseja fazer é apenas comprimir um
conjunto de dados em uma tabela, para facilitar a visualização e interpretação dos mesmos.

n log 3.3 1 n(K) + · , onde “n” é n
o
de informações.

•Além da Regra de Sturges, existem outras fórmulas empíricas para resolver o problema para determinação
do número de classes [n(k)], há quem prefira
n ) k ( n ≅
. Entretanto, a verdade é que essas fórmulas não
nos levam a uma decisão final; esta vai depender na realidade de um julgamento pessoal, que deverá estar
ligado a natureza dos dados, procurando, sempre que possível, evitar classes com freqüências nulas ou
freqüências relativas exageradamente grandes.


Ø Limite de Classe (l
i
ou L
i
): São os valores extremos de cada classe.

l
i
= limite inferior da i-ésima classe;
L
i
= limite superior da i-ésima classe;

9
Ø Amplitude do intervalo de classe (h): É a diferença entre dois limites inferiores ou
superiores consecutivos.
l l h
1 n n −
− · ou
1 n n
L L = h



•A amplitude do intervalo de classe deve ser constante em todo a distribuição de freqüências intervalar.

Ø Amplitude total (H): É a diferença entre o limite superior da última classe e o limite
inferior da 1ª classe, ou a diferença entre último e o primeiro elemento de um conjunto de
dados postos em ordem crescente.
1 n
l L H − ·

Ø Ponto médio de classe (X
i
): É a média aritmética simples do limite inferior com o limite
superior de uma mesma classe.
2
L l
X
i i
i
+
·

ou a partir do X
1
os demais pontos médios pode ser determinado por:
h X X
1 n n
+ ·



•Quando substituirmos os intervalos de classes pelos pontos médios (X
i
), ter-se´-á uma distribuição de
freqüência pontual.

Ø Freqüência absoluta (f
i
): É a quantidade de valores em cada classe
n 2 1
n
1 i
i
f ... f f f n + + + · ·

·


Ø Freqüência Acumulada (F
i
): É o somatório da freqüência absoluta da i-ésima classe com
a freqüência absoluta das classes anteriores, ou a freqüência acumulada da classe anterior.
n f F
n
1 i
i n
· ·

·


Ø Freqüência Relativa (fr
i
): É o quociente entre a freqüência absoluta da i-ésima classe
com o somatório das freqüências.

·
·
n
1 i
i
i
i
f
f
fr Obs.:
1 fr
n
1 i
i
·

·


Ø Freqüência Relativa Acumulada (Fr
i
): É o somatório da freqüência relativa da i-ésima
classe com as freqüências relativas das classes anteriores.
1 fr Fr
n
1 i
i n
· ·

·

10
3 3 R Reep pr r e es se en nt t a aç çã ão o g gr r á áff i i c ca a



Os gráficos são uma forma de apresentação visual dos dados. Normalmente, contém
menos informações que as tabelas, mas são de mais fácil leitura. O tipo de gráfico depende da
variável em questão


3.1 Gr áf i cos de Li nhas

Usado para ilustrar uma série temporal.

Produção de Petróleo Bruto no Brasil de 1976 a 1980 (x 1000 m³)
Anos
Produção
8500
9000
9500
10000
10500
11000
1976 1977 1978 1979 1980

Fonte: Conjuntura Econômica (Fev. 1983)

3.1.1 Gráfico de linhas comparativas

População Urbana do Brasil por Região de 1940 a 1980 (x 1000)
0
5000
10000
15000
20000
25000
30000
35000
40000
45000
1940 1950 1960 1970 1980
NE
N
SE
S
CO

Fonte: Anuário Estatístico (1984)

11
3.2 Gr áf i cos de col unas ou bar r as

Representação gráfica da distribuição de freqüências. Este gráfico é utilizado para
variáveis nominais e ordinais.
Características:
- todas as barras devem ter a mesma largura
- devem existir espaços entre as barras

3.2.1 Gráfico de Colunas

Usado para ilustrar qualquer tipo de série.

População Urbana do Brasil em 1980 (x 1000)
N NE SE S CO
Regiões
3037
17568
42810
11878
5115
0
10000
20000
30000
40000
50000
Pop.
N NE SE S CO
Regiões

Fonte: Anuário Estatístico (1984)

•As larguras das barras que deverão ser todas iguais podendo ser adotado qualquer dimensão, desde que seja
conveniente e desde que não se superponham. O número no topo de cada barra pode ou não omitido, se
forem conservados, a escala vertical pode ser omitida.

3.2.2.1 Gráfico de colunas comparativas

a) Colunas Justapostas (gráfico comparativo)

População Urbana do Brasil por Região de 1940 a 1980 (x 1000)
0
5000
10000
15000
20000
25000
30000
35000
40000
45000
1940 1950 1960 1970 1980
N
NE
SE
S
CO

Fonte: Anuário Estatístico (1984)
12
b) Colunas Sobrepostas (gráfico comparativo)

População Urbana do Brasil por Região de 1940 a 1980 (x 1000)
0
20000
40000
60000
80000
100000
1940 1950 1960 1970 1980
CO
S
SE
N
NE

Fonte: Anuário Estatístico (1984)

3.2.2 Gráfico de Barras

As regras usadas para o gráfico de barras são igua is as usadas para o gráfico de colunas.

População Urbana do Brasil em 1980 (x 1000)
Regiões
População
0 10000 20000 30000 40000 50000
N
NE
SE
S
CO
3037
17568
42810
11878
5115

Fonte: Anuário Estatístico (1984)

• Assim como os gráficos de Colunas podem ser construídos gráficos de barras comparativas.


3.3 Gr áf i cos ci rcul ares ou de Set ores ( Pi e Chart s)

Representação gráfica da freqüência relativa (percentagem) de cada categoria da
variável. Este gráfico é utilizado para variáveis nominais e ordinais. É uma opção ao gráfico de
barras quando se pretende dar ênfase à comparação das percentagens de cada categoria. A
construção do gráfico de setores segue uma regra de 3 simples, onde as freqüências de cada
classe correspondem ao ângulo que se deseja representar em relação a freqüência total que
representa o total de 360°.
13
Características:
- A área do gráfico equivale à totalidade de casos (360
o
= 100%);
- Cada “fatia” representa a percentagem de cada categoria

População Urbana e Rural do Brasil em 1980 (x 1000)

68%
32%
Urbana
Rural

Fonte: Anuário Estatístico (1984)


3.4 Gr áf i co Pi ct or i al - Pi ct ograma

Tem por objetivo despertar a atenção do público em geral, muito desses gráficos
apresentam grande dose de originalidade e de habilidade na arte de apresentação dos dados.

Evolução da matricula no Ensino Superior no Brasil de 1968 a 1994 (x 1000)

1968 1974 1980 1986 1990 1994
0
250
500
750
1000
1250
1500

Fonte: Grandes números da educação brasileira março de 1996

14
3.4.1 Exemplos de pictogramas

Evolução da frota nacional de carros à álcool de 1979 à 1987

9 . 6 4 5
1979
1.277.107
1983
2.473.581
1985
3.631.647
1987


Os métodos mais eficientes para deixar de fumar segundo 30.000 fumantes
entrevistados no Canadá

36%
30%
27%
19,5%
18,5%
Go m a d e m a sc a r c o m nic o t ina
m a i s se ssõ e s d e a p o i o p si c o l ó g i c o
Int e rna m e nt o e m ho sp it a l
e u so d e d ro g a s re l a xa n t e s
Ac um p unt ura
Hi p n o se
Inj e ç ã o d e Clo nid ina , d ro g a q ue
re d uz o s e fe it o s d a a b st inê nc ia


Devastação Selvagem: extração de madeiras no Brasil

Eucalipto
Madeira
nativa
Pinus
2 4 , 4 %
6 8 , 8 %
6, 8%

15
3.5 Gr áf i co Pol ar

É o tipo de gráfico ideal para representar séries temporais cíclicas, ou seja, toda a série
que apresenta uma determinada periodicidade.

4.5.1 Como construir um gráfico polar

1) Traça-se uma circunferência de raio arbitrário (preferencialmente, a um raio de
comprimento proporcional a média dos valores da série);

2) Constrói-se uma semi-reta (de preferência horizontal) partindo do ponto 0 (pólo) e
com uma escala (eixo polar);

3) Divide-se a circunferência em tantos arcos forem as unidades temporais;

4) Traça -se semi-retas a partir do ponto 0 (pólo) passando pelos pontos de divisão;

5) Marca-se os valores correspondentes da variável, iniciando pela semi-reta horizontal
(eixo polar);

6) Ligam-se os pontos encontrados com segmentos de reta;

7) Para fechar o polígono obtido, emprega-se uma linha interrompida.


Precipitação pluviométrica do município de Santa
Maria – RS- 1999

Meses Precipitação (mm)
Janeiro 174,8
Fevereiro 36,9
Março 83,9
Abril 462,7
Maio 418,1
Junho 418,4
Julho 538,7
Agosto 323,8
Setembro 39,7
Outubro 66,1
Novembro 83,3
Dezembro 201,2
Fonte: Base Aérea de Santa Maria


Média = 237,31 mm


Precipitação pluviométrica do município de Santa
Maria – RS- 1999


Fonte: Base Aérea de Santa Maria



16
3.6 Car t ogr ama

É a representação de uma carta geográfica. Este tipo de gráfico é empregado quando o
objetivo é o de figurar os dados estatísticos diretamente relacionados com as áreas geográficas
ou políticas

Dados absolutos (população) – usa-se pontos proporcionais aos dados.

Dados relativos (densidade) – usa-se hachaduras.

Exemplo:

População da Região Sul do Brasil - 1990

Estado População (hab.) Área (m
2
) Densidade
Paraná 9.137.700 199.324 45,8
Santa Catarina 4.461.400 95.318 46,8
Rio Grande do Sul 9.163.200 280.674 32,6
Fonte: IBGE


População da Região Sul do Brasil – 1990



Fonte: IBGE









Densidade populacional da Região Sul do Brasil – 1990


Fonte: IBGE




17
3.7 Gr áf i cos ut i l i zados par a a anál i se de uma di st r i bui ção de f r eqüênci a

3.7.1 Histograma

Altura em centímetros de 160 alunos do Curso de Administração da UFSM - 1990

Fonte: Departamento de Estatística (1990)

3.7.2 Polígono de Freqüências

Altura em centímetros de 160 alunos do Curso de Administração da UFSM - 1990

Fonte: Departamento de Estatís tica (1990)

18
3.6.3 Ogivas

Altura em centímetros de 160 alunos do Curso de Administração da UFSM – 1990

Ogiva Crescente Ogiva Decrescente



3.7.4 Gráfico em segmentos de reta vertical

É utilizado para representar uma distribuição de freqüência pontual, onde os
segmentos de reta são proporcionais às respectivas freqüências absolutas.

Altura em centímetros de 160 alunos do Curso de Administração da UFSM - 1990

Fonte: Departamento de Estatística (1990)

3.7.5 Como se interpreta um histograma?

A representação gráfica da distribuição da variável, por histogramas. Este gráfico é
utilizado para variáveis contínuas.

Características:
- Cada barra representa a freqüência do intervalo respectivo;
- Os intervalos devem ter a mesma amplitude;
- As barras devem estar todas juntas.
19
A simples observação da forma do
histograma permite algumas conclusões.
Veja a figura 4.1. A medida dos dados está
no centro do desenho. As freqüências mais
altas também estão no centro da figura.
Nos processos industriais, esta é a forma
desejável.





Figura 4.1 Histograma

60
50
40
30
20
10
0





A figura 4.2 apresenta um
histograma com assimetria positiva. A
média dos dados está localizada à esquerda
do centro da figura e a cauda à direita é
alongada. Esta ocorre quando o limite
inferior é controlado ou quando não
podem ocorrer valores abaixo de
determinado limite.


Figura 4.2 Histograma com assimetria
positiva
60
50
40
30
20
10
0


A figura 4.3 apresenta um
histograma com assimetria negativa. A
média dos dados está localizada à direita do
centro da figura e a cauda à esquerda é
alongada. Esta forma ocorre quando o
limite superior é controlado ou quando não
podem ocorrer valores acima de certo
limite


Figura 4.3 Histograma com assimetria
negativa

60
50
40
30
20
10
0


20



A figura 4.4 mostra um histograma
em plateau, Isto é, com exceção das
primeiras e das últimas classes, todas as
outras têm freqüências quase iguais. Essa
forma ocorre quando se misturam várias
distribuições com diferentes médias.


Figura 4.4 Histograma em plateau

60
50
40
30
20
10
0


A figura 4.5 mostra um histograma
com dois picos, ou duas modas. As
freqüências são baixas no centro da figura,
mas existem dois picos fora do centro. Esta
forma ocorre quando duas distribuições
com médias bem diferentes se misturam.
Podem estar misturados, por exemplo, os
produtos de dois turnos de trabalho.

Figura 4.5 Histograma com dois
picos
60
50
40
30
20
10
0


Os histogramas também mostram o grau de dispersão da variável. Veja a figura 4.6. O
histograma à esquerda mostra pouca dispersão, mas o histograma à direita mostra grande
dispersão.

Figura 4.6 Histogramas com dispersões diferentes

Freqüência Freqüência
60
50
40
30
20
10
0


60
50
40
30
20
10
0







21
3.7.6 Curva de freqüência – curva polida

Como, em geral, os dados coletados pertencem a uma amostra extraída de uma
população, pode-se imaginar as amostras tornando-se cada vez mais amplas e a amplitude das
classes ficando cada vez menor, o que nos permite concluir que o contorno do polígono de
freqüências tende a se transformar numa curva (curva de freqüência), mostrando, de modo
mais evidente, a verdadeira natureza da distribuição da população.
Pode-se dizer, então, que, enquanto que o polígono de freqüência nos dá a imagem
real do fenômeno estudado, a curva de freqüência nos dá a imagem tendenciosa.
Assim, após o traçado de um polígono de freqüência, é desejável, muitas vezes, que se
faça um polimento, de modo a mostrar o que seria tal polígono com um número maior de
dados.
Esse procedimento é claro, não nos dará certeza absoluta que a curva polida seja tal
qual a curva resultante de um grande número de dados. Porém, pode-se afirmar que ela
assemelha-se mais a curva de freqüência que o polígono de freqüência obtido de uma amostra
limitada.
O polimento, geometricamente, corresponde à eliminação dos vértices da linha
poligonal. Consegue-se isso com a seguinte fórmula:
4
f f 2 f
fc
. post i . ant
i
+ +
·
onde:

fc
i
= freqüência calculada da classe considerada;
f
i
= freqüência absoluta da classe i;
f
ant .
= freqüência absoluta da classe anterior a i;
f
post .
= freqüência absoluta da classe posterior a i;

• Quando for em fazer o uso da curva polida convém mostrar as freqüências absolutas, por meio de
um pequeno circulo, de modo que qualquer interessado possa julgar se esse ponto se o ponto é
um dado original ou um dado polido.

Altura em centímetros de 40 alunas do Curso de Enfermagem da UFSM - 1996

Altura (cm) X
i
f
i
fc
i

150 | --- 154 152 4 (0+ 2 x 4 + 9)/ 4 = 4,25
154 | --- 158 156 9 (4 + 2 x 9 + 11)/ 4 = 8,25
158 | --- 162 160 11 (9 + 2 x 11 + 8)/ 4 = 9,75
162 | --- 166 164 8 (11 + 2 x 8 + 5)/ 4 = 8,00
166 | --- 170 168 5 (8 + 2 x 5 + 3)/ 4 = 5,25
170 | --- 174 172 3 (5 + 2 x 3 + 0)/ 4 = 2,75
Σ
---- 40 ---
Fonte: Departamento de Estatística (1997)

31
Altura em centímetros de 40 alunas do Curso de Enfermagem da UFSM - 1996



Fonte: Departamento de Estatística (1997)

3.7.7 Curvas em forma de sino

As curvas em forma de sino caracterizam-se pelo fato de apresentarem um valor
máximo na região central.

Distinguem-se as curvas em forma de sino em: simétrica e assimétrica

a) Curva simétrica

Esta curva caracteriza-se por apresentar o valor máximo no ponto central e os pontos
eqüidistantes desse ponto terem a mesma freqüência.



32
b) Curvas assimétricas

Na prática, não se encontram distribuições perfeitamente simétricas. As distribuições
obtidas de medidas reais são mais ou menos assimétricas, em relação à freqüência máxima.
Assim, as curvas correspondentes a tais distribuições apresentam a cauda de um lado da
ordenada máxima mais longa do que o outro. Se a cauda mais longa fica a direita é chamada
assimétrica positiva ou enviesada à direita, se a cauda se alonga a esquerda, a curva é
chamada assimétrica negativa ou enviesada à esquerda.

Assimétrica Positiva


Assimétrica Negativa



33
4 Medi das Descr i t i vas



Tem por objetivo descrever um conjunto de dados de forma organizada e compacta
que possibilita a visualização do conjunto estudado por meio de suas estatísticas, o que não
significa que estes cálculos e conclusões possam ser levados para a população.
Podemos classificar as medidas de posição conforme o esquema abaixo:


4.1 Medi das de Posi ção

Média Aritmética
Representativas - Médias Média Geométrica
Média Harmônica


Mediana
Separatrizes Quartis
Decis
Centis ou Percentis


Dominantes Moda de Czuber
Moda de King
Moda de Pearson

4.1.1 Representativas (Médias)

São medidas descritivas que tem por finalidade representar um conjunto de dados.

a) Média Aritmética: Amostral (X); Populacional (µ)

Dados Não Tabelados


X
X
n
ou =
X
N
i
i 1
n
i
i 1
N
·
· ·
∑ ∑
µ
34
Dados Tabelados com Valores Ponderados

Média Aritmética Ponderada ( X
w
), (onde W
i
é o peso)

Nota do aluno "X"
1° semestre de 1994 - UFSM
Notas (X
i
) Pesos (W
i
)
7.8 2
8.3 3
8.2 2
5.8 3
Σ
10
Fonte: Dados Hipotéticos

X
X .W
W

w
i i
i 1
n
i
i=1
n
·
·




D istribuição de freqüências

- Média Aritmética ( X)

Altura em centímetros de 160 alunos do
Curso de Administração da UFSM - 1990
Altura (cm) X
i
f
i
X
i
. f
i

150 | --- 158 154 18 2763,0
158 | --- 166 162 25 4037,5
166 | --- 174 170 20 3390,0
174 | --- 182 178 52 9230,0
182 | --- 190 186 30 5565,0
190 | --- 198 194 15 2917,55
Σ
---- 160 27903
Fonte: Departamento de Estatística (1990)

X
X .f
f

i i
i 1
n
i
i=1
n
·
·




- Características da Média Aritmética Simples

1
a
) A Média Aritmética Simples deverá estar entre o menor e o maior valor observado,
max. min.
X X X ≤ ≤

2
a
) A soma algébrica dos desvios calculados entre os valores observados e a média
aritmética é igual a zero; desvios = d x
i
· − µ
d ( x zero
i 1
n
i
i 1
n
· ·
∑ ∑
· − · µ)

35
3
a
) Somando-se ou subtraindo-se todos os valores (X
i
) da série por uma constante "k"
(k ≠ 0), a nova média aritmética será igual a média original somada ou subtraída por
esta constante "k".
k X Y X
k x y x
i i i
t ·
⇓ ⇓
t ·


4
a
) Multiplicando-se ou dividindo-se todos os valores (X
i
) da série por uma constante
"k" (k ≠ 0), a nova média aritmética será igual a média original multiplicada ou
dividida por esta constante "k".
k X Y k X Y X
k x y k x y x
i i i i i
÷ · × ·
⇓ ⇓ ⇓
÷ · × ·


b) Média Geométrica: (X
g
):

A aplicação da média geométrica deve ser feita, quando os valores do conjunto de dados
considerado se comportam segundo uma progressão geométrica (P.G.)ou dela se aproximam.

Dados Não Tabelados


n
n 2 1
n
n
1 i
i g
.X ... . .X X X X · ·

·


Dados Tabelados





· ·
·
n
1 = i
i
n 2 1
n
1 = i
i
i
f
f
n
f
2
f
1
f n
1 i
f
i g
.X ... . .X X X X


Usando um artifício matemático, pode-se usar para calcular a média geométrica a
seguinte fórmula:

( )


·

·
·
· ·
+ + +
n
1 i
i i
n
1 i
i
n n 2 2 1 1
n
1 i
i
X log . f
f
1
X log . f ... X log . f X log . f
f
1
g
10 10 X
36
c) Média Harmônica (X
h
)

É usada para dados inversamente proporcionais.

Ex.: Velocidade Média, Preço de Custo Médio

4.1.2 Emprego da média

1) Deseja-se obter a medida de posição que possui a maior estabilidade;

2) Houver necessidade de um tratamento algébrico ulterior.

Dados Não Tabelados
n 2 1
n
1 i
i
h
X
1
...
X
1
X
1
X
1
X
+ + +
· ·

·
n n


Dados Tabelados
X
f
f
X
f f .. . f
f
X
f
X
. ..
f
X
h
i
i 1
n
i
i i 1
n
1 2 n
1
1
2
2
n
n
· ·
+ + +
+ + +
·
·




•Deve-se observar esta propriedade entre as médias
h g
X X X ≥ ≥

4.1.3 Separatrizes (Mediana, Quartis, Decis e Centis ou Percentis)

São medidas de posição que divide o conjunto de dados em partes proporcionais,
quando os mesmos são ordenados.

a) Dados não tabelados

Antes de determinarmos as separatrizes devemos em primeiro lugar encontrar a posição
da mesma.

- Se o número de elementos for par ou ímpar, as separatrizes seguem a seguinte ordem:

S
1) + i(n
Posição·

se for mediana
¹
'
¹
·
·
2 S
1 i
se for quartis
¹
'
¹
·
≤ ≤
4 S
3 i 1


37
se for decis
¹
'
¹
·
≤ ≤
10 S
9 i 1
se for centis
¹
'
¹
·
≤ ≤
100 S
99 i 1


Dados Tabelados

b) Distribuição de freqüências pontual: segue a mesma regra usada para dados
não tabelados

c) Distribuição de freqüências intervalar

i
i
S
ant
S i
f
.h F
S
i.n
l S

,
_

¸
¸

+ ·
onde:

S Md i =1
i
· ⇒ ;
S Q 1 i 3
i i
· ⇒ ≤ ≤ ;
S D 1 i
i i
· ⇒ ≤ ≤ 9;
S C ou P 1 i
i i i
· ⇒ ≤ ≤ 99
l
S
i
⇒ limite inferior da classe que contém a separatriz;
i.n
S
⇒ posição da separatriz;
F
ant
⇒ freqüência acumulada da classe anterior a que contém a separatriz;
h ⇒ amplitude do intervalo de classe;
f
S
i
⇒ freqüência absoluta da classe que contém a separatriz;

4.1.4 Emprego da mediana

1) Quando se deseja obter um ponto que divide a distribuição em partes iguais;

2) Há valores extremos que afetam de uma maneira acentuada a média;

3) A variável em estudo é salário.



4.1.5 Dominantes - Moda (Mo)

É definida como sendo a observação de maior freqüência.

38
a) Dados não tabelados

Ex.: 3 4 4 4 5 5 6 6 7 8 9 ⇒ Mo = 4 (unimodal)
5 6 7 8 9 10 11 12 13 ⇒ Mo = / ∃ (amodal)
1 1 2 2 3 3 3 4 5 5 5 ⇒ Mo
1
= 3 Mo
2
= 5 (bimodal)
5 5 6 6 7 7 8 8 ⇒ Mo = / ∃ (amodal)
5 5 6 6 7 7 8 ⇒ Mo
1
= 5 Mo
2
= 6 Mo
3
= 7 (multimodal)
•Acima de 3 modas usamos o termo multimodal.
Dados Tabelados

a) Distribuição de freqüências pontual

- Moda Bruta (Mo
b
): é o ponto médio da classe de maior freqüência
i b
X Mo ·

b) Distribuição de freqüências intervalar

- Moda de Czuber (Mo
c
): O processo para determinar a moda usado por Czuber leva
em consideração as freqüências anteriores e posteriores à classe modal.

¹
'
¹
− · ∆
− · ∆

,
_

¸
¸
∆ + ∆

+ ·
pos Mo 2
ant Mo 1
2 1
1
Mo c
f f
f f
.h l Mo


onde:

l
Mo
⇒ limite inferior da classe modal;
f
Mo
⇒ freqüência absoluta da classe modal;
h ⇒ amplitude do intervalo de classe;
f
ant
⇒ freqüência absoluta da classe anterior a classe modal;
f
pos
⇒ freqüência absoluta da classe posterior a classe modal;

- Moda de King (Mo
k
): O processo proposto por King considera a influência
existente das classes anterior e posterior sobre a classe modal. A inconveniência deste processo
é justamente não levar em consideração a freqüência máxima.

.h
f f
f
l Mo
ant pos
pos
Mo k

,
_

¸
¸
+
+ ·


39
- Moda de Pearson (Mo
p
): O processo usado por Pearson pressupõe que a
distribuição seja aproximadamente simétrica, na qual a média aritmética e a mediana são
levadas em consideração.

Mo Md - 2 X
p
· 3

•Um distribuição é considerada simétrica quando X Md Mo ≡ ≡ .

4.1.6 Emprego da moda

1) Quando se deseja obter uma medida rápida e aproximada de posição;

2) Quando a medida de posição deve ser o valor mais típico da distribuição.

4.1.7 Posição relativa da média, mediana e moda

Quando uma distribuição é simétrica, as três medidas coincidem. Porém, a assimetria
torna-as diferentes e essa diferença é tanto maior quanto maior é a assimetria. Assim, em uma
distribuição temos:

Mo Md x · · → curva simétrica

Mo Md x < < → curva assimétrica negativa

x Md Mo < < → curva assimétrica positiva

Mo Md x · ·


Md Md Mo x Mo x
Moda
d ian a e M
di a é M


40
4.1.8 Exercícios

Para os dados abaixo calcule: Md; Q
1
; Q
3
; D
3
; C
70


1)
3 7 8 10 12 13 15 17 18 21

4 6 8 11 13 14 17 18 19 22 25

2)
Alturas dos alunos da Turma “X”
no 1
o
sem. de 1994 - UFSM
Alturas f
i

63 15
75 25
84 30
91 20
Σ
90
Fonte: Dados Hipotéticos
3)
Alturas dos alunos da Turma “Y”
no 1
o
sem. de 1994 – UFSM
Alturas f
i
F
i

61 | --- 65 12 12
65 | --- 69 23 35
69 | --- 73 34 69
73 | --- 77 26 95
77 | --- 81 15 110
Σ
110 110
Fonte: Dados Hipotéticos


4.2 Medi das de Var i abi l i dade ou Di sper são

Visam descrever os dados no sentido de informar o grau de dispersão ou afastamento
dos valores observados em torno de um valor central representativo chamado média. Informa
se um conjunto de dados é homogêneo (pouca variabilidade) ou heterogêneo (muita
variabilidade).

As medidas de dispersão podem ser:

- D esvio ex tremo - amplitude
Absoluta - D esvio Médio
- D esvio Padrão
- D esvio quadrático - V ariância
41
Para estudarmos as medidas de variabilidade para dados não tabelados usaremos um
exemplo prático. Supomos que uma empresa esteja querendo contratar um funcionário, e no
final da concorrência sobraram dois candidatos para uma única vaga. Então foi dado 4 tarefas
para cada um, onde as mesmas tiveram como registro o tempo (em minutos) de execução.

TAREFAS 1 2 3 4
OPERÁRIO 1 (TEMPO) 55 45 52 48
OPERÁRIO 2 (TEMPO 30 70 40 60

- Análise Gráfica



- Medidas de dispersão Absoluta:

- Desvio Extremo ou Amplitude de Variação (H): É a diferença entre o maior e o
menor valor de um conjunto de dados

H X X
max min
· −

- Desvio Médio (d ): Em virtude do ( )

·
· −
n
i
i
X X
1
0, usamos para calcular o desvio
médio X X
i
i
n
− ·
·

0
1
, assim ficando:

Para dados não tabelados

d
X X
n
X X X X X X
n
i
i
n
n
·

·
− + − + + −
·

1
1 2
...


Para dados tabelados

42
( )
∑ ∑

· ·
·
− + + − + −
·

·
n
i
i
n n
n
i
i
n
i
i i
f
X X f X X f X X f
f
X X f
d
1
2 2 1 1
1
1
...


- Desvio Quadrático ou Variância : S
2
(amostra) ou σ
2
(população)

Para dados não tabelados:

( )
( ) ( ) ( )
n
X X X X X X
n
X X
n
n
i
i
2 2
2
2
1 1
2
2
... − + + − + −
·

·

·
σ


( )
( ) ( ) ( )
1
...
1
2 2
2
2
1 1
2
2

− + + − + −
·


·

·
n
X X X X X X
n
X X
S
n
n
i
i


Para dados tabelados

( )
( ) ( ) ( )
∑ ∑

· ·
·
− + + − + −
·

·
n
i
i
n n
n
i
i
n
i
i i
f
X X f X X f X X f
f
X X f
1
2 2
2 2
2
1 1
1
1
2
2
...
σ


( )
( ) ( ) ( )
1
...
1
1
2 2
2 2
2
1 1
1
1
2
2

− + + − + −
·


·
∑ ∑

· ·
·
n
i
i
n n
n
i
i
n
i
i i
f
X X f X X f X X f
f
X X f
S


43
- Desvio Padrão: S (amostra) ou σ (população)

Para dados não tabelados:

( )
( ) ( ) ( )
n
X X X X X X
n
X X
n
n
i
i
2 2
2
2
1 1
2
... − + + − + −
·

·

·
σ


( )
( ) ( ) ( )
1
...
1
2 2
2
2
1 1
2

− + + − + −
·


·

·
n
X X X X X X
n
X X
S
n
n
i
i


Para dados tabelados

( )
( ) ( ) ( )
∑ ∑

· ·
·
− + + − + −
·

·
n
i
i
n n
n
i
i
n
i
i i
f
X X f X X f X X f
f
X X f
1
2 2
2 2
2
1 1
1
1
2
...
σ


( )
( ) ( ) ( )
1
...
1
1
2 2
2 2
2
1 1
1
1
2

− + + − + −
·


·
∑ ∑

· ·
·
n
i
i
n n
n
i
i
n
i
i i
f
X X f X X f X X f
f
X X f
S


•(n - 1) é usado como um fator de correção, onde devemos considerar a variância amostral como uma
estimativa da variância populacional.

- Propriedades da Variância

1ª) Somando-se ou subtraindo-se uma constante k a cada valor observado a variância não será alterada;

2ª) Multiplicando-se ou dividindo-se por uma constante k cada valor observado a variância ficará
multiplicada ou dividida pelo quadrado dessa constante.

Outra forma de calcular o desvio padrão

O desvio padrão mede bem a dispersão de um conjunto de dados, mas é difícil de
calcular. Então, você pode obter o desvio padrão através da seguinte relação:

2
d
R
ˆ
· σ

onde R é a amplitude e o valor de d
2
, que depende do tamanho da amostra, é encontrado na
tabela a seguir. Este método de calcular o desvio padrão fornece boas estimativas para
amostras de pequeno tamanho (n= 4, 5 ou 6), mas perde a eficiência se n> 10. De qualquer
44
forma, é essa relação entre a amplitude e o desvio padrão de uma amostra que permite fazer
gráficos de controle R X − .

TABELA 1: - Fatores para construir um gráfico de controle

n 2 3 4 5 6 7 8 9 10 11 12 13 14
d2 1,128 1,693 2,059 2,326 2,534 2,704 2,847 2,970 3,078 3,173 3,258 3,336 3,407
n 15 16 17 18 19 20 21 22 234 24 25 --- ---
d2 0,347 3,532 3,532 3,640 3,689 3,735 3,778 3,819 3,858 3,391 3,391 --- ---
Fonte: Montgomery, D.C. Statical Quality Control. Nova York, Wyley. 1991.


4.3 Medi das de Di sper são Rel at i va



- V ariância relativa
Relativa
- Coeficiente de V ariação (Pearson)


É a medida de variabilidade que em geral é expressa em porcentagem, e tem por função
determinar o grau de concentração dos dados em torno da média, geralmente utilizada para se
fazer a comparação entre dois conjuntos de dados em termos percentuais, esta comparação
revelará o quanto os dados estão próximos ou distantes da média do conjunto de dados.

- Variância Relativa

V R
X
. .·
σ
µ
2
2 2
ou
S
2


- Coeficiente de Variação de Pearson

100 x
X
S
ou . V . C
µ
σ
·


•C.V. ≤ 50% ⇒ a média é representativa
C.V. ≅ 0 ⇒ é a maior representatividade da média (S = 0)


4.4 Moment os, assi met r i a e cur t ose

As medidas de assimetria e curtose complementam as medidas de posição e de
dispersão no sentido de proporcionar uma descrição e compreensão mais completa das
distribuições de freqüências. Estas distribuições não diferem apenas quanto ao valor médio e à
variabilidade, mas também quanto a sua forma (assimetria e curtose).

45
Para estudar as medidas de assimetria e curtose, é necessário o conhecimento de certas
quantidades, conhecidas como momentos.

4.4.1 Momentos

São medidas descritivas de caráter mais geral e dão origem às demais medidas
descritivas, como as de tendência central, dispersão, assimetria e curtose. Conforme a potência
considerada tem-se a ordem ou o grau do momento calculado.

- Momentos simples ou centrados na origem (m
r
)

O momento simples de ordem “r” é definido como:

n
X
m
r
i
r

· , para dados não tabelados;



·
i
i
r
i
r
f
f X
m , para dados tabelados.

onde:

r é um número inteiro positivo;
m
0
= 1;
m
1
= média aritmética.

- Momentos centrados na média (M
r
)

O momento de ordem “r” centrado na média, é definido como:

( )
n
d
n
X X
M
r
i
r
i
r
∑ ∑
·

· , para dados não-tabelados

( )
n
f d
f
f X X
M
i
r
i
i
i
r
i
r



·

· , para dados tabelados

onde: M
0
= 1;
M
1
= 0;
M
2
= variância (s
2
).

46
- Momentos abstratos (α
r
)

São definidos da seguinte forma:
r
r
r
s
M
· α
onde: s = desvio padrão.

4.4.2 Assimetria

Uma distribuição de valores sempre poderá ser representada por uma curva (gráfico).
Essa curva, conforme a distribuição, pode apresentar várias formas. Se considerarmos o valor
da moda da distribuição como ponto de referência, vemos que esse pont o sempre corresponde
ao valor de ordenada máxima, dando-nos o ponto mais alto da curva representativa da
distribuição considerada, logo a curva será analisada quanto à sua assimetria.

- Distribuição Simétrica: É aquela que apresenta a X ≡ Mo ≡ Md e os quartis Q
1
e Q
3

eqüidistantes do Q
2
.


X ≡ Mo ≡ Md

- Distribuição Assimétrica

Assimétrica Positiva

Mo < Md < X

Assimétrica Negativa

X < Md < Mo

Podemos medir a assimetria de uma distribuição, calculando os coeficientes de
assimetria. Sendo o mais utilizado o Coeficiente de Assimetria de Pearson.
As
X Mo
S
·



- Se As < 0 ⇒ a distribuição será Assimétrica Negativa ;

- Se As > 0 ⇒ a distribuição será Assimétrica Positiva;

- Se As = 0 ⇒ a distribuição será Simétrica.
47
Quando não tivermos condições de calcularmos o desvio padrão podemos usar a
seguinte fórmula:

As
Q Q Md
Q Q
·
+ −

3 1
3 1
2



- Coeficiente momento de assimetria ( α
3
): É o terceiro momento abstrato.

3
3
3
s
M
· α

O campo de variação do coeficiente de assimetria é: -1 ≤ α
3


≤ + 1

- Intensidade da assimetria:

| α
3
| < 0,2 ⇒ simetria;

0,2 < | α
3
| < 1,0 ⇒ assimetria fraca;

| α
3
| > 1,0 ⇒ assimetria forte.

4.4.3 Curtose

Já apreciamos as medidas de tendência central, de dispersão e de assimetria. Falta
somente examinarmos mais uma das medidas de uso comum em Estatística, para se
positivarem as característ icas de uma distribuição de valores: são as chamadas Medidas de
Curtose ou de Achatamento, que nos mostra até que ponto a curva representativa de uma
distribuição é a mais aguda ou a mais achatada do que uma curva normal, de altura média.

- Curva Mesocúrtica (Normal): É considerada a curva padrão.

- Curva Leptocúrtica: É uma curva mais alta do que a normal. Apresenta o topo
relativamente alto, significando que os valores se acham mais agrupados em torno da moda.

- Curva Platicúrtica: É uma curva mais baixa do que a normal. Apresenta o topo
achatado, significando que várias classes apresentam freqüências quase iguais.



48
- Coeficiente de Curtose

K
Q Q
P P
·


3 1
90 10
2( )



- Se K > 0.263 ⇒ a distribuição será Platicúrtica.

- Se K = 0.263 ⇒ a distribuição será Mesocúrtica;

- Se K < 0.263 ⇒ a distribuição será Leptocúrtica;

Coeficiente momento de curtose (α
4
): Corresponde ao momento abstrato de quarta ordem.
4
4
4
s
M
· α

onde: M
4
= momento centrado de quarta ordem.

Interpretação:

- Se α
4
< 3 ⇒ curva Platicúrtica;

- Se α
4
= 3 ⇒ curva Mesocúrtica;

- Se α
4
> 3 ⇒ curva Leptocúrtica.


4.5 Exer cíci os

Para os exercícios abaixo construa uma tabela de dispersão o suficiente para determinar
as medidas de posição (média aritmética, mediana e moda de czuber), dispersão (desvio padrão
e variância, coeficiente de variação de Pearson), assimetria (coeficiente de assimetria, e
coeficiente de curtose). Faça um relatório referente ao comportamento dos dados em função
dos resultados obtidos.

1) De um exame final de Estatística, aplicado a 50 alunos da Universidade
Luterana,Ano 1999 resultaram as seguintes notas:

4,0 4,2 4,3 4,4 4,5 4,5 4,6 5,0 5,1 5,2
5,3 5,3 5,5 5,7 5,8 6,0 6,1 6,3 6,4 6,5
6,6 6,7 6,8 6,9 7,0 7,2 7,5 7,6 7,7 7,9
8,0 8,3 8,5 8,6 8,8 8,9 9,0 9,1 9,2 9,3
9,3 9,4 9,4 9,5 9,5 9,6 9,7 9,8 9,9 10,0

49
2) Os dados a seguir refere-se a altura em centímetros de 70 alunos da PUCC, turma 6,
ano 2000.

153 154 155 156 158 160 160 161 161 161
162 162 163 163 164 164 165 166 167 167
168 168 169 169 170 170 170 171 171 172
172 173 173 174 174 175 175 176 177 178
179 179 180 182 183 184 185 186 186 187
188 188 189 189 190 191 192 192 192 192
193 194 194 195 197 197 199 200 201 205

3) Os dados a seguir referem-se aos salários anuais pagos em dólares a 60 funcionários
da Empresa “PETA S.A.” em 1997.

50,00 52,50 53,50 54,00 54,20 55,50 56,30 56,50 57,00 58,10
58,50 59,00 60,30 61,50 62,00 62,90 63,50 64,00 64,30 65,00
66,00 66,25 67,50 68,00 68,70 69,50 70,00 72,00 75,00 76,50
77,00 78,00 80,00 81,50 82,50 83,50 85,00 87,30 88,00 89,10
90,00 91,35 92,10 93,20 94,00 95,25 96,00 97,00 98,00 99,80
100,10 100,20 101,00 102,00 103,40 104,30 105,00 107,00 108,00 109,10

50
55 P Pr ro ob ba ab bi i l l i id da ad de e e e V Va ar ri i á áv ve ei i s s AAl l e ea at t ó ór r i i a as s



5.1 Model os Mat emát i cos

Podem-se destinguir dois tipos de modelos matemáticos:

6.1.1 Modelos Determinísticos
Refere -se a um modelo que estipule que as condições sob as quais um experimento
seja executado determinem o resultado do experimento. O modelo determinístico requer o uso
de parâmetros pré-determinados em equações que definem processos precisos.

Em outras palavras, um modelo determinístico empr ega "Considerações Físicas" para
prever resultados.

6.1.2 Modelos Não Determinísticos ou Probabilísticos
São aqueles que informam com que chance ou probabilidade os acontecimentos
podem ocorrer. Determina o "grau de credibilidade" dos acontecimentos. (Modelos
Estocásticos).

Em outras palavras, um modelo probabilístico emprega uma mesma espécie de
considerações para especificar uma distribuição de probabilidade.


5.2 Concei t os em Pr obabi l i dade
Os conceitos fundamentais em probabilidade são experimentos aleatórios, espaço
amostral e eventos.

5.2.1 Experimento aleatório (Ω)
Qualquer processo aleatório, capaz de produzir observações, os resultados surgem ao
acaso, podendo admitir repetições no futuro. Um experimento aleatório apresenta as seguintes
características:

a - os resultados podem repetir-se n vezes ( ∞ → n ) ;
51
b - embora não se possa prever que resultados ocorrerão, pode-se descrever o
conjunto de resultados possíveis;

c - a medida que se aumenta o número de repetições, aparece uma certa regularidade
nos resultados.

5.2.2 Espaço Amostral (S)
É o conjunto de resultados possíveis, de um experimento aleatório. Quanto ao
número de elementos pode ser:

5.2.2.1 Finito
Número limitado de elementos;
Ex.: S = {1, 2, 3, 4, 5, 6}

5.2.2.2 Infinito
Número ilimitado de elementos, pode ser sub-dividido em:
a - Enumerável
Quando os possíveis resultados puderem ser postos em concordância biunívoca com
o conjunto dos números naturais (N) (caso das variáveis aleatórias discretas).
Ex.: N

b - Não Enumerável
Quando os possíveis resultados não puderem ser postos em concordância biunívoca
com o conjunto dos números naturais (caso das variáveis aleatórias contínuas).
Ex.: R

5.2.3 Evento (E)
Um evento (E) é qualquer subconjunto de um espaço amostral (S).
Pode-se ter operações entre eventos da mesma forma que com conjuntos, como
mostra a seguir.

5.2.4 Operações com Eventos

5.2.4.1 A união B
Símbolo utilizado "U", é o evento que ocorrerá se, e somente se, A ou B ou ambos
ocorrerem;
52

B
A
S

FIGURA 6.1 - Evento A união B

5.2.4.2 A interseção B

Símbolo utilizado "I", é o evento que ocorrerá se, e somente se, A e B ocorrem
simultaneamente.

B A
S
A B
U

FIGURA 6.2 - Evento A interseção B

5.2.4.3 Complementar de A

Simbologia " A
_
", é o evento que ocorrerá se, e somente se A não ocorrer.

A
S

FIGURA 6.3 - Evento complementar de A (A
_
)
53

5.2.5 Tipos de eventos

5.2.5.1 Eventos Mutuamente Excludentes
São ditos eventos mutuamente excludentes, quando a ocorrência de um implica ou
não ocorrência de outro, isto é, não pode ocorrer juntos, e conseqüentemente, A I B é o
conjunto vazio (∅).


FIGURA 6.4 - Eventos mutuamente excludentes

5.2.5.2 Eventos Não Excludentes ou Quaisquer
São ditos eventos não excludentes quando a ocorrência de um implica na ocorrência
do outro, isto é, são aqueles que ocorrem ao mesmo tempo, A B I ≠ ∅.


FIGURA 6.5 - Evento não excludentes

5.2.5.3 Eventos Independentes
São aqueles cuja ocorrência de um evento, não possui efeito algum na probabilidade
de ocorrência do outro.

54
A B I ≠ ∅, se A e B forem Quaisquer;

A B I · ∅, se A e B forem Mutuamente Excludentes.

logo,

( ) P(B) . ) A ( P B A P · I


Ex.: A e B eventos Quaisquer

S = { 1, 2, 3, 4 } A = {1, 2 } B = { 2, 4 } } 2 { B A · I

( ) P(B) . ) A ( P B A P · I

P A ( ) ·
2
4
P B ( ) ·
2
4
( )
4
1
B A P · I

5.2.5.4 Eventos Dependentes ou Condicionados

Existem varias situações onde a ocorrência de um evento pode influenciar fortemente
na ocorrência de outro.

Assim, se (A) e (B) são eventos, deseja-se definir uma quantidade denominada
probabilidade condicional do evento (A) dado que o evento (B) ocorre, ou sob a forma
simbólica ( )
B
A
P .
Assim, dá-se a seguinte definição:

( )
P(B)
B) P(A
B
A
P
I
·

onde P(B) > 0. Se P(B) = 0, tem-se que ( )
B
A
P não é definida.

5.2.5.5 Eventos Coletivamente Exaustivos
São aqueles que ocorrem se nenhum outro ocorrer.

55

A B C D I I I · ∅
FIGURA 6.6 - Evento coletivamente exaustivos


5.3 Concei t os de Probabi l i dade

5.3.1 Conceito Empírico de Probabilidade
O problema fundamental da probabilidade consiste em atribuir um número a cada
evento (E), o qual avaliará quão possível será a ocorrência de "E", quando o experimento for
realizado.
Uma possível maneira de tratar a questão seria determinar a freqüência relativa do
evento E (f
r
(E)),

f E)
número de ocorrências do evento (E)
número de repetições do experimento ( )
r
( ·

.
Surgem, no entanto, dois problemas:
a - Qual deve ser o número de repetições do experimento (Ω);
b - A sorte ou habilidade do experimentador poderá influir nos resultados, de forma
tal que a probabilidade é definida como sendo:

P(E) = lim f (E)
n r →∞
,

onde "n" é o número de repetições do experimento Ω.

5.3.2 Definição Clássica ou Enfoque " A priori" de Probabilidade

Se existe "a" resultados possíveis favoráveis a ocorrência de um evento "E" e "b"
resultados possíveis não favoráveis, sendo os mesmos mutuamente excludentes, então:

56
P(E) =
a
a + b
,

onde os resultados devem ser verossímeis (possível e verdadeiro) e permite a observação dos
valores da probabilidade antes de ser observado qualquer amostra do evento (E).

5.3.3 Definição Axiomática

Seja (Ω) um experimento, seja (S) um espaço amostral associado a (Ω). A cada evento
(E) associa-se um número real representado por P(E) e denominaremos de probabilidade de E,
satisfazendo as seguintes propriedades:

a - 0 ≤ P(E) ≤ 1;
b - P(S) = 1;
c - Se A e B são eventos mutuamente excludentes, então:
P(A U B) = P(A) + P(B).

d - Se A
1
, A
2
, ..., A
n
são eventos mutuamente excludentes dois a dois, então:

P(A
1
U A
2
U ... U A
n
) = P(A
1
) + P(A
2
) + ... + P(A
n
)
ou
P( A P(A
i=1
n
i i
i=1
n
U ) ) ·

.
As propriedades anteriores são conhecidas como axiomas da teoria da probabilidade.
Os axiomas, muitas vezes, se inspiram em resultados experimentais e que, assim, definem a
probabilidade de forma que possa ser confirmada experimentalmente.

5.3.4 Teoremas Fundamentais

Teorema 1 - Se ∅ for evento vazio, então P(∅) = 0.

Prova: Seja um evento A = ∅. Assim, A = A U ∅, como A I ∅ = ∅, de acordo com o item
(3.2.3.4), A e ∅ são mutuamente excludentes, então:

P(A) = P(A U ∅)
P(A) = P(A) + P(∅)
57
P(∅) = P(A) - P(A)
P(∅) = 0.

Teorema 2 - Se o evento A
_
for o evento complementar de A, então P(A
_
)= 1-P(A).

Prova: A U A
_
= S, mas A e A
_
são mutuamente excludentes, então:

P(A U A
_
) = P(S)
P(A U A
_
) = P(A) + P(A
_
)
P(A) + P(A
_
) = 1

logo,

P(A
_
) = 1 - P(A).

Teorema 3 - Se A e B são eventos quaisquer, então:

P(A U B) = P(A) + P(B) - P(A I B)

Prova: Para provar o Teorema 3 devemos transformar A U B em eventos mutuamente
excludentes, conforme a FIGURA 6.


FIGURA 6 - Decomposição de eventos quaisquer em mutuamente excludentes

Tem-se então que:

(A U B) = A U (B I A
_
)
58
e
B = (A I B) U (B I A
_
)

logo pela propriedade (c) temos:

P(A U B) = P[A U (B I A
_
)]
P(A U B) = P(A) + P(B I A
_
)
(-)
e
P(B) = P[(A I B) U (B I A
_
)]
P(B) = P(A I B) + P(B I A
_
)
ou
P(B I A
_
) = P(B) - P(A I B)
(--)

substituindo-se a equação (-) na equação (--) tem-se:

P(A U B) = P(A) + P(B) - P(A I B).

Decorrências do Teorema 3:

Sejam A, B e C eventos quaisquer:

P(A U B U C) = P[(A U B) U C]

P(A U B U C) = P(A U B) + P(C) - P[(A U B) I C]

P(A U B U C) = P(A) + P(B) + P(C) - P(A I B) - P[(AIC) U (BIC)]

P(A U B U C) = P(A) + P(B) + P(C) - P(AIB) - [P(AIC) + P(BIC) - P(AIBIC)]

P(A U B U C) = P(A) + P(B) + P(C) - P(AIB) - P(AIC) - P(BIC) + P(AIBIC)

Sejam A
1
, A
2
, ..., A
n
eventos quaisquer:

59
P(A A . .. A P(A ) P(A A ) P(A A A )
P(A A A A ) P(A A A ).
1 2 n i i j
i j 2
n
i 1
n
i j k
i j k 3
n
i j k
n 1
i j k 4
n
1 2 n
U U U I I I
I I I I I I
l
l
)
... ( ) ...
· − + +
− + + −
< · · < < ·

< < < ·
∑ ∑ ∑

1



RESUMO

¹
¹
¹
¹
¹
'
¹
∅ ≠

∅ ·

+
B A
B) P(A - P(B) + P(A) = B) P(A Quaisquer
B A
P(B) + P(A) = B) P(A s Excludente Mutuamente
(OU)
I
I U
I
U
U


¹
¹
¹
¹
¹
'
¹

∅ ≠

P(B/A) x P(A) = B) P(A s Dependente
B A
P(B) x P(A) = B) P(A tes Independen
(E) x I
I
I
I

60
5.4 Exer cíci os

1) A probabilidade de 3 jogadores marcarem um penalti é respectivamente: 2/ 3; 4/ 5;
7/ 10 cobrando uma única vez.
a) todos acertarem. (28/ 75)
b) apenas um acertar. (1/ 6)
c) todos errarem. (1/ 50)

2) Numa bolsa com 5 moedas de 1,00 e 10 moedas de 0,50. Qual a probabilidade de ao
retirarmos 2 moedas obter a soma 1,50. (10/ 21)

3) Uma urna contém 5 bolas pretas, 3 vermelhas e 2 brancas. Três bolas são retiradas.
Qual a probabilidade de retirar 2 pretas e 1 vermelha ?
a) sem reposição (1/ 4)
b) com reposição (9/ 40)

4 ) Numa classe há 10 homens e 20 mulheres, metade dos homens e metade das
mulheres possuem olhos castanhos. Ache a probabilidade de uma pessoa escolhida ao
acaso ser homem ou ter olhos castanhos. (2/ 3)

5) A probabilidade de um homem estar vivo daqui a 20 anos é de 0.4 e de sua mulher é
de 0.6 . Qual a probabilidade de que:
a) ambos estejam vivos no período ? (0.24)
b) somente o homem estar vivo ? (0.16)
c) ao menos a mulher estar viva ? (0.6)
d) somente a mulher estar viva? (0.36)

6) Faça o exercício anterior considerando 0,5 a chance do homem estar vivo e 0,2 a
chance da mulher estar viva e compara os resultados.

7) Uma urna contém 5 fichas vermelhas e 4 brancas. Extraem-se sucessivamente duas
ficha, sem reposição e constatou-se que a 1ª é branca.
a) qual a probabilidade da segunda também ser branca ? (3/ 8)
b) qual a probabilidade da 2ª ser vermelha ? (5/ 8)

8) Numa cidade 40 % da população possui cabelos castanhos, 25% olhos castanhos e
15% olhos e cabelos castanhos. Uma pessoa é selecionada aleatoriamente.
a) se ela tiver olhos castanhos, qual a probabilidade de também ter cabelos castanhos?
b) se ela tiver cabelos castanhos, qual a probabilidade de ter olhos castanhos ? (3/ 5)
(3/ 8)

61

9) Um conjunto de 80 pessoas tem as características abaixo:

BRASILEIRO ARGENTINO URUGUAIO TOTAL
MASCULINO 18 12 10 40
FEMININO 20 05 15 40
TOTAL 38 17 25 80

Se retirarmos uma pessoa ao acaso, qual a probabilidade de que ela seja:
a) brasileira ou uruguaia. (63/ 80)
b) do sexo masculino ou tenha nascido na argentina. (9/ 16)
c) brasileiro do sexo masculino. (18/ 80)
d) uruguaio do sexo feminino. (15/ 80)
e) ser mulher se for argentino. (5/ 17)

10) Um grupo de pessoas está assim formado:

Médico Engenheiro Veterinário
Masc. 21 13 15
Femin. 12 08 17

Escolhendo-se, ao acaso, uma pessoa do grupo, qual a probabilidade de que seja:
a) Uma mulher que fez o curso de medicina ?
b) Uma pessoa que fez o curso de medicina ?
c) Um engenheiro dado que seja homem ?
d) Não ser médico dado que não seja homem ?

11) Num ginásio de esportes, 26% dos frequentadores jogam vôlei, 36% jogam basquete
e 12% praticam os dois esportes. Um dos frequentadores é sorteado para ganhar uma
medalha. Sabendo-se que ele joga basquete, qual a probabilidade de que também
jogue vôlei ?

12) A probabilidade de um aluno resolver um determinado problema é de 1/ 5 e a
probabilidade de outro é de 5/ 6. Sabendo que os alunos tentam solucionar o
problema independentemente. Qual a probabilidade do problema ser resolvido :
a) somente pelo primeiro ?
b) ao menos por um dos alunos ?
c) por nenhum ?
62
5.5 Teor ema de Bayes

Definição: Seja S um espaço amostral e A , A , ..., A ,
1 2 k
k eventos. Diz-se que
A , A , ..., A ,
1 2 k
formam uma partição de S se:

A , i 1, 2, ..., k
i
≠ ∅ ·

A S,
i
i 1
k
·
·
U


A A , i j
i j
I · ∅ ≠


A , A , A , A , A , ..., A
1 2 3 4 5 k
formam uma partição de S.

FIGURA 6.7 - Diagrama representativo do Teorema de Bayes

Seja B um evento qualquer de S, onde:

B (B A ) (B A ) ... (B A
1 2 k
· I U I U U I )

( )

·

,
_

¸
¸
·
k
1 j
j
j
A
B
.P A P P(B) , j = 1, 2, ..., k
(-)

,
_

¸
¸
·
i
i i
A
B
).P P(A ) A P(BI ,
(--)

como

63
P(B)
) A P(B
B
A
P
i
i
I
·

,
_

¸
¸
,
(---)

substituindo as equações (-) e (--) na equação (---) temos:

( )
( )

·

,
_

¸
¸

,
_

¸
¸
·

,
_

¸
¸
k
1 j
j
j
i
i
i
A
B
.P A P
A
B
.P A P
B
A
P , j = 1, 2, ..., k .

Exemplo:

Urna
U
1
U
2
U
3

Azul 3 4 3
Branca 1 3 3
C
o
r
e
s

Preta 5 2 3
Escolhe-se uma urna ao acaso e dela extrai-se uma bola ao acaso, verificando-se que
ela é branca. Qual a probabilidade dela ter saído da urna:
U
1
? U
2
? U
3
?

2) Temos 2 caixas: na primeira há 3 bolas brancas e 7 pretas e na segunda, 1 branca
e 5 pretas. De uma caixa escolhida aleatoriamente, selecionou-se uma bola e verificou-se que
é preta. Qual a probabilidade de que tenha saído da primeira caixa ? segunda caixa ?


5.6 Var i ávei s al eat ór i as

Ao descrever um espaço amostral (S) associado a um experimento (Ω) especifica-se
que um resultado individual necessariamente, seja um número. Contudo, em muitas situações
experimentais, estaremos interessado na mensuração de alguma coisa e no seu registro como
um número.

Definição: Seja (Ω) um experimento aleatório e seja (S) um espaço amostral associado ao
experimento. Uma função de X, que associe a cada elemento s ∈ S um número
real x(s), é denominada variável aleatória.

64

FIGURA 1 - Representação de uma variável aleatória

Uma variável X será discreta (V.A.D.) se o número de valores de x(s) for finito ou
infinito numerável. Caso encontrarmos x(s) em forma de intervalo ou um conjunto de
intervalos, teremos uma variável aleatória contínua (V.A.C.).


5.7 Função de Pr obabi l i dade

A probabilidade de que uma variável aleatória "X" assuma o valor "x" é uma função
de probabilidade, representada por P(X = x) ou P(x).

5.7.1 Função de Probabilidade de uma V.A.D.

A função de probabilidade para uma variável aleatória discreta é chamada de função
de probabilidade no ponto, ou seja, é o conjunto de pares (x
i;
P(x
i
)), i = 1, 2, ..., n, ..., conforme
mostra a FIGURA 9.


FIGURA 6.1 - Distribuição de probabilidade de uma V.A.D.
65

Para cada possível resultado de x teremos:
0 P( X) 1 ≤ ≤ ;
P(X ) 1
i
i 1
·
·




5.7.2 Função de Repartição para V.A.D.

Seja X uma variável aleatória discreta.

Define-se Função de Repartição da Variável aleatória X, no ponto x
i
, como sendo a
probabilidade de que X assuma um valor menor ou igual a x
i
, isto é:
( )
F(X P X x
i
) · ≤

Propriedades:

1
a
)
( ) F(X P x
i
x x
i
) ·



2
a
)
F(−∞ · ) 0

3
a
)
F(+∞ · ) 1

4
a
) ( ) P a x b F(b F(a < ≤ · − ) )

5
a
) ( )
P a x b F(b F(a P X a ≤ ≤ · − + · ) ) ( )

6
a
) ( )
P a x b F(b F(a P X b < < · − − · ) ) ( )

7
a
) F(X) é contínua à direita ⇒
( ) lim )
x x
o
F(X F X

·
0

8
a
) F(X) é descontínua à esquerda, nos pontos em que a probabilidade é diferente de
zero.
( ) lim ) , )
x x
o
F(X F X

≠ ≠
0
0 para P(X= x
o

9
a
) A função não é decrescente, isto é, F(b) ≥ F(a) para b > a.

5.6.3 Esperança Matemática de V.A.D.

Definição: Seja X uma V.A.D., com valores possíveis x
1
, x
2
, ..., x
n
,... ; Seja P(x
i
) =
P(X = x
i
), i = 1, 2, ..., n, ... . Então, o valor esperado de X (ou Esperança
Matemática de X), denotado por E(X) é definido como

66
E( X) x P(x )
i i
i 1
·
·



se a série E( X) x P(x )
i i
i 1
·
·


convergir absolutamente, isto é, se |x | P(x )
i i
i 1 ·


< ∞, este
número é também denominado o valor médio de X, ou expectância de X.

5.7.4 Variância de uma V.A.D.

Definição: Seja X uma V.A.D. . Define-se a variância de X, denotada por V(X) ou σ
2
x
,
da seguinte maneira:
( ) V(X) x E(X) .P(x )
i
2
i
i 1
· −
·


ou V(X) E(X ) E( X)
2
2
· −
onde E(X ) x P( x )
2
i
2
i
i 1
·
·


e a raiz quadrada positiva de V(X) é denominada o desvio-padrão
de X, e denotado por σ
x
.

5.7.5 Função de Probabilidade de uma V.A.C.

No instante em que X é definida sobre um espaço amostral contínuo, a função de
probabilidade será contínua, onde a curva limitada pela área em relação ao valores de x será
igual a 1.


FIGURA 6.2 - Distribuição de probabilidade de uma V.A.C.

Se quisermos calcular a probabilidade de X assumir um valor x entre "a" e "b"
devemos calcular:
P(a x b) f(x) dx
a
b
≤ ≤ ·


67

Pelo fato de que a área representa probabilidade, e a mesma tem valores numéricos
positivos, logo a função precisa estar inteiramente acima do eixo das abscissas (x).

Definição: A função f(x) é uma Função Densidade de Probabilidade (f.d.p.) para uma
V.A.C. X, definida nos reais quando

f (x) 0 ≥ ;
f(x) dx = 1
−∞
+∞

;
P(a x b) f(x) dx
a
b
≤ ≤ ·

.

5.7.6 Função de Repartição para V.A.C.

Seja X uma variável aleatória contínua.

Define-se Função de Repartição da Variável aleatória X, no ponto x
i
, como sendo:
F(X f x dx
x
) ( ) ·
−∞





( ) ( ) ( ) ( ) P a x b P a x b P a x b P a x b ≤ ≤ · < < · < ≤ · ≤ <


5.7.7 Esperança Matemática de uma V.A.C.

Definição: Seja X uma V.A.C. com f.d.p. f(x). O valor esperado de X é definido como



·
+
-
dx x.f(x) E(X)

pode acontecer que esta integral imprópria não convirja.

Conseqüentemente, diremos que E(X) existirá se, e somente se,

+∞
∞ −
f(x) | x | for
finita.
68
5.7.8 Variância de uma V.A.C.

Definição: Seja X uma V.A.C. de uma função distribuição de probabilidade (f.d.p.). A
variância de X é:
( ) V(X) x E(X) f(x) dx
2
· −
−∞
+∞

ou V(X) E(X ) E( X)
2
2
· −
onde
E(X ) x f(x) dx
2 2
·
−∞
+∞




5.8 Exempl os

- Variável Aleatória Discreta

Seja X o lançamento de duas moedas e descrever o experimento em função da
obtenção do número de caras:

i) determinar a função de probabilidade e represente graficamente;
ii) construir a função de repartição e represente graficamente;
iii) Use as propriedades para determinar:
a) P(0 < x < 2); b) P(0 ≤ x ≤ 1); c) P(0 < x ≤ 2); d) F(1); e) F(2)
iv) E(X) e V(X)

i) Representação gráfica



0 1 2
0
0,1
0,2
0,3
0,4
0,5
0,6


69

ii) Representação gráfica

F(x) = 0 se x< 0

F(X) = 1/ 4 se 0 ≤ x < 1

F(X) = 3/ 4 se 1 ≤ x < 2

F(X) = 1 se x ≥ 2


iii)
a) ( )
4
3
4
1
4
1
1 ) 2 X ( P ) 0 ( F ) 2 ( F 2 x 0 P · − − · · − − · < <
b)
( ) P x F( F( P X 0 1 1 0 0
3
4
1
4
1
4
3
4
≤ ≤ · − + · · − + · ) ) ( )

c)
( ) P x F( F( 0 2 2 0 1
1
4
3
4
< ≤ · − · − · ) )

d) F(1) = 3/ 4 e) F(2) = 1

iv) Esperança Matemática
E( X) x P(x )
i i
i 1
·
·


=
0 1 2 1 .
1
4
.
2
4
.
1
4
+ + ·

Variância
E(X ) x P( x )
2
i
2
i
i 1
·
·


=
0 1 2
6
4
2 2 2
.
1
4
.
2
4
.
1
4
+ + ·

V(X) E(X ) E( X)
2
2
· − =
6
4
4
4
2
4
05 − · · .

70
- Variável Aleatória Contínua

Seja X uma variável aleatória contínua:

¹
'
¹ < <
·
valor outro qualquer para 0,
1 x 0 para , x 2
) x ( f

i) represente graficamente função densidade de probabilidade;
ii) determinar a função de repartição e represente graficamente;
iii) Determine

,
_

¸
¸
≤ ≤
4
3
x
4
1
P e

,
_

¸
¸
< ≤ 1 x
4
1
P
iv) E(X) e V(X)

i)


ii)

para x< 0 ⇒

∞ −
· ·
x
0 dx 0 ) X ( F
para 0 ≤ x < 1 ⇒ [ ]
∫ ∫
∞ −
· + · + ·
x
2
x
0
2
x
0
x x 0 dx x 2 dx 0 ) X ( F
para x ≥ 1 ⇒ [ ]
∫ ∫ ∫
∞ −
+∞
· + + · + + ·
x
1
0
2
1
0 1
1 0 x 0 dx 0 dx x 2 dx 0 ) X ( F
71

Representação gráfica


iii) [ ]
P x x
1
4
3
4
2
3
4
1
4
8
16
0 5
1
4
3
4
1
4
3
4
2 2
≤ ≤
¸
¸

_
,

· ·
¸
¸

_
,


¸
¸

_
,

· ·

dx = x
2
,


iv) [ ]
E(X) f(x) dx = 2x dx = f(x) dx =
2
3
· ·
∫ ∫ ∫
x x x x
0
1
0
1
2
0
1
3
0
1
2
2
3

[ ]
E(X ) f(x) dx = 2x dx = f(x) dx =
2
4
2
· ·
∫ ∫ ∫
x x x x
2
0
1
2
0
1
3
0
1
4
0
1
2
1
2

logo,

[ ]
V(X) E(X ) E(X)
2 2
· − · −
¸
¸

_
,

·

·
1
2
2
3
9 8
18
1
18
2



5.9 Exer cíci os

1) Admita que a variável X tome valore 1, 2 e 3 com probabilidades 1/ 3, 1/ 6 e 1/ 2
respectivamente.

a) Determine sua função de repartição e represente graficamente.
b) Calcule usando as propriedades:
b.1) a) P(1 < x < 3); b) P(1 ≤ x ≤ 2); c) P(1 < x ≤ 3); d) F(1); e) F(2)
c) E(X) e V(X)

2) No lançamento simultâneo de dois dados, considere as seguintes variáveis
aleatórias:

72
X = número de pontos obtidos no 1
o
dado.
Y = número de pontos obtidos no 2
o
dado.

a) Construir a distribuição de probabilidade através de uma tabela e gráfico das
seguinte variáveis:

i) W = X - Y
ii) A = 2 Y
iii) Z = X . Y

b) Construir a função de repartição das Variáveis W, A e Z
c) Aplicar as propriedades e determinar:

i) P (-3 < W ≤ 3) v) P (Z = 3)
ii) P (0 ≤ W ≤ 4) vi) P (A ≥ 11)
iii) P (A > 6) vii) P (20 ≤ Z ≤ 35)
iv) P (Z ≤ 5.5) viii) P 3,5 < Z < 34)

d) Determine E(W), E(A), E(Z), V(W), V(A) e V(Z)

3) Uma variável aleatória discreta tem a distribuição de probabilidade dada por:

( ) P X
K
x
·
para x = 1, 3, 5 e 7
a) calcule o valor de k b) Calcular P(X= 5)
c) E(X) d) V(X)

4) Seja Z a variável aleatória correspondente ao número de pontos de uma peça de
dominó.
a) Construir a tabela e traçar o gráfico P(Z).
b) Determinar F(Z) e traçar o gráfico.
c) Calcular P(2≤ Z < 6).
d) Calcular F(8).
e) E(Z) e V(Z).

73
5) Seja
( )
¹
¹
¹
'
¹
< < −
·
contrário caso 0,
1 x 0 , x 1
2
3
) x ( f
2
,
i) Ache a função de repartição e esboce o gráfico.
ii) Determine E(X) e V(X).

6) Seja
¹
¹
¹
'
¹
≤ ≤
·
contrário caso 0,
2 x 0 , x
2
1
) x ( f
,
i) Ache a função de repartição e esboce o gráfico.
ii) P(1< x < 1,5).
iii) E(X) e V(X).

7) Uma variável aleatória X tem a seguinte f.d.p.:
x < 0 f(x) = 0
0 ≤ x < 2 f(x) = k
2 ≤ x < 4 f(x) = k(x - 1)
x ≥ 4 f(x) = 0

a) Represente graficamente f(x).
b) Determine k.
c) Determine F(X) e faça o gráfico
d) E(X) e V(X)

8) A função de probabilidade de uma V.A.C. X é
( )
¹
'
¹ < < −
·
contrário caso 0,
1 x 0 , x 1 x 6
) x ( f
a) Determine F(X) e represente graficamente.
b) Calcule
P x ≤
¸
¸

_
,

1
2

c) E(X) e V(X)
74
9) Uma variável aleatória X tem a seguinte f.d.p.:
f(x) = 0 x < 0
f(x) = Ax 0 ≤ x < 500
f(x) = A(100 - x) 500 ≤ x < 1000
f(x) = 0 x ≥ 1000

a) Determine o valor de A.
b) P (250 ≤ x ≤ 750).

10) Dada a função de repartição:
F(X) = 0 para x < -1
F(X) =
x +1
2
para -1 ≤ x < 1
F(X) = 1 para x ≥ 1

a) Calcule:
P x − ≤ ≤
¸
¸

_
,

1
2
1
2
, b) P(X = 0)
75
6 6 D Di i s stt r r i ib bu ui i ç çõõe es s d de e P Pr ro ob ba ab bi i l l i i d da ad de e



Após termos visto as definições de V.A.D. e V.A.C., citaremos as principais
distribuições de probabilidade relacionadas a estas variáveis.


6.1 Di st r i bui ções Di scr et as de Pr obabi l i dade

6.1.1 Distribuição de Bernoulli

Consideramos uma única tentativa de um experimento aleatório podemos ter sucesso
ou fracasso nessa tentativa. Seja "p" a probabilidade de sucesso e "q" a probabilidade de
fracasso, onde p + q = 1.

Seja X o número de sucesso em uma única tentativa, logo X pode assumir:

X = 0 se ocorrer fracasso e X = 1 se ocorrer sucesso,

ou ainda:

¹
'
¹
·
. p = 1) = P(X com sucesso, for se 1,
q = 0) = P(X com fracasso, for se 0,
X

Supondo que em uma única tentativas o número de casos possíveis sejam:

A, A, ..., A A, A, ..., A
x sucessos n-x fracassos
1 2 44 3 44 1 2 44 3 44
,

sendo os resultados independentes, temos:

P(A A ... A A A ... A) P(A). P(A). ... . P(A).P(A). P(A). ... . P(A) I I I I I I I ·
P(A).P(A). ... .P(A) . P(A). P(A). ... .P(A)
x sucessos n- x fracassos
1 2 4444 3 4444 1 2 4444 3 4444
, onde P(A)= p e P(A
_
) = q,

76
nessa condição a variável aleatória X tem distribuição de Bernoulli, e sua função de
probabilidade (f. p.) (função de probabilidade) é dada por:

P(X x) p .q
x n x
· ·

.

6.1.1.1 Esperança Matemática da Distribuição de Bernoulli

E( X) x P(x )
i i
i 1
·
·



E( X) x P(x ) x P(x )
1 1 2 2
· +
E(X) P(0) P(1) · + 0 1 . .
E(X) 0.q 1.p · +
E(X) p ·

6.1.1.2 Variância da Distribuição de Bernoulli

V(X) E(X ) E( X)
2
2
· −

onde
E(X ) x P( x )
2
i
2
i
i 1
·
·



E(X ) x P(x ) x P( x )
2
1
2
1 2
2
2
· +
E( X ) 1.p = p
2
· + 0.q
logo
V(X) p p
2
· −
( ) p - 1 p. V(X) ·
V(X) p . q ·

6.1.2 Distribuição Binomial

O termo "Binomial" é utilizado quando uma variável aleatória esta agrupada em duas
classes ou categorias. As categorias devem ser mutuamente excludentes, de modo a deixar bem
claro a qual categoria pertence determinada observação; e as classes devem ser coletivamente
exaustivas, de forma que nenhum outro resultado fora delas é possível

77
Sejam, "p" probabilidades de sucesso e "q" probabilidades de falha, ou seja p + q
= 1.

A probabilidade de x sucessos em x tentativas é dado por p
x
e de (n - x) falhas em
(n - x) tentativas é dado por q
n-x
, onde o número de vezes em que pode ocorrer x sucessos e
(n-x) falhas é dado por:
x)! (n x!
n!
x
n
C
x n,

·

,
_

¸
¸
·
logo, a probabilidade de ocorrer x sucessos com n tentativas será
x n x
q p
x
n
x) P(X

,
_

¸
¸
· ·
Propriedades necessárias para haver uma utilização da Distribuição Binomial:

1
a
) Número de tentativas fixas;
2
a
) Cada tentativa deve resultar numa falha ou sucesso;
3
a
) As probabilidades de sucesso devem ser iguais para todas as tentativas;
4
a
) Todas as tentativas devem ser independentes.

6.1.2.1 Esperança Matemática de Distribuição Binomial

E( X) x P(x )
i i
i 1
·
·



x n x
q p
x
n
x. E(X)

,
_

¸
¸
·
como P(X) segue uma Distribuição de Probabilidade, temos:
∑ ∑



·
·

,
_

¸
¸
·
0
1 = x
x n x
1 i
i
1 q p
x
n
ou 1 ) x = P(X
logo,
E(X) x.
n!
x(x - 1)!(n - x)!
p q
x n x
x
·

·


1


E(X) .
(n -1)!
(x -1)!(n - x)!
p q
x n x
x
·

·


n
1
, ou seja para s = x - 1 e x = s + 1, temos
1) (s n 1 s
1 = x
q p
s
1 - n
n. E(X)
+ − +


,
_

¸
¸
·
78
s ) 1 (n s
1 = x
q .p p
s
1 - n
n. E(X)
− −


,
_

¸
¸
·
4 4 4 3 4 4 4 2 1
1
s ) 1 (n s
1 = x
q . p
s
1 - n
n.p E(X)
− −


,
_

¸
¸
·

p . n E(X) ·

6.1.2.2 Variância de uma Distribuição Binomial

V(X) E(X ) E( X)
2
2
· −

onde
E(X ) x P( x )
2
i
2
i
i 1
·
·



E(X ) x.x
n!
x.( x 1)!(n x)!
p q para s = x -1 e x = s +1, temos:
2 x n x
x
·
− −

·


1
,
E(X )
n!
s!(n )!
p q
2 s+1 n
x
· +
− +
− +
·


( )
( )
( )
s
s
s
1
1
1
1

E(X ) s.n
(n -1)!
s!(n- 1- s)!
p .p q n
(n- 1)!
s!(n-1- s)!
p . p q
2 s n 1 s s n 1 s
x x
· +
− − − −
·

·

∑ ∑
1 1

1
1
1
1
]
1

¸

,
_

¸
¸
+

,
_

¸
¸ −
·
∑ ∑

·
− −


·
− −
4 4 4 3 4 4 4 2 1 4 4 4 3 4 4 4 2 1
1
1 x
s 1 n s
1)p (n
1 x
s 1 n s 2
q p
s
1 - n
q .p p
s
1 n
s n.p ) E(X
E(X )
2
· − + n p n p . ( ) 1 1
E(X )
2
· − + n p np p . ( 1
E( X ) n p np np
2 2 2 2
· − +
V(X) p np np - (np)
2 2 2
· − + n
2

V(X) n. p. (1- p) ·
V( X) n. p.q ·

79
6.1.2.3 Esperança Matemática e Variância para a Probabilidade de Sucesso (p)
de uma Distribuição Binomial

p E(p) · e V(p)
p. q
n
·
6.1.3 Distribuição de Poisson

Quando numa distribuição binomial o tamanho "n" das observações for muito
grande e a probabilidade "p" de sucesso for muito pequena, a probabilidade x de ocorrência de
um determinado número de observações segue uma Distribuição de Poisson.

A aplicação da distribuição segue algumas restrições:

- Somente a chance afeta o aparecimento do evento, contando-se apenas com a sua
ocorrência, ou seja, a probabilidade de sucesso "p".

- Uma vez não conhecido o número total de eventos, a distribuição não pode ser
aplicada.

Se n → ∞ em conseqüência n > > x assim,

n!
(n x)!
n. ( n 1).( n 2). ... .(n- x+1) n
x

· − − ≈
logo,
P(x)
n
x!
p q
x
x n x
·

.

Se p → 0 e n > > x logo, ( )
n n x n
p 1 q q − · ≈


assim,
P(x)
(n. p) (1 p)
x!
x n
·


1
]
1

¸

+ −

+ − · ... ) p (
1 . 2
) 1 n ( n
p . n 1
x!
(n.p)
P(x)
2
x

1
]
1

¸

+ + − ≅ ...
! 2
) p . n (
p . n 1
x!
(n.p)
P(x)
2 x


80
P(x)
(n. p) e
x!
x -n.p
·
Substituindo o valor esperado n.p por λ e considerando-o como sendo o número
médio de ocorrência expresso em unidades de tempo, pode-se dizer que λ é a taxa média de
falhas (falha / unid. tempo) e t o tempo, logo o número médio de falhas será λ
t
, assim,
P( x)
. e
x!
-
·
λ
λ
t
x

fornece a probabilidade de x falhas no período de tempo t.

A probabilidade de zero falhas no tempo t é a confiabilidade do componente em
função do tempo.
P(0) R(t) e
t
· ·
−λ


6.1.3.1 Esperança Matemática da Distribuição de Poisson

E( X) x P(x )
i i
i 1
·
·



E(X) x
e
x!
- x
x 1
·
·


λ
λ

E( X)
e
(x- 1)!
- x
x 1
·
·


λ
λ
, substituindo s = x -1 e x = s + 1 temos:
E(X)
e
s!
- s+1
x 1
·
·


λ
λ

E(X)
e
s!
- s
x 1
·
·


λ
λ
λ
1
1 2 4 3 4

E(x) = λ

6.1.3.2 Variância da Distribuição de Poisson

V(X) E(X ) E( X)
2
2
· −

onde

E(X ) x P( x )
2
i
2
i
i 1
·
·



E( X ) x. x
e
x(x- 1)!
2
- x
x 1
·
·


λ
λ
, substituindo s = x - 1 e x = s + 1 temos:
81
E(X ) (s +1)
e
s!
2
- s+1
x 1
·
·


λ
λ

E(X ) (s +1)
e
s!
2
- s
x 1
·
·


λ
λ
λ

1
1
1
1
]
1

¸

λ
+
λ
λ ·
∑ ∑

·
λ ∞
·
λ
43 42 1 43 42 1
1
1 x
s -
E(X)
1 x
s -
2
s!
e

s!
e
s ) E(X
E(X)
2
· + λ λ
2

V(X) · + − λ λ λ
2 2
( )
V(X) · λ


6.2 Exer cíci os

1) Admitindo-se o nascimento de meninos e meninas sejam iguais, calcular a
probabilidade de um casal com 6 filhos ter:
a) 4 filhos e 2 filhas b) 3 filhos e 3 filhas

2) Em 320 famílias com 4 crianças cada uma, quantas se esperaria que tivessem:
a) nenhuma menina; b) 3 meninos c) 4 meninos

3) Um time X tem 2/ 3 de probabilidade de vitória sempre que joga. Se X jogar 5
partidas, calcule a probabilidade de:
a) X vencer exatamente 3 partidas;
b) X vencer ao menos uma partida;
c) X vencer mais da metade das partidas;
d) X perder todas as partidas;

4) A probabilidade de um atirador acertar um alvo é 1/ 3. Se ele atirar 6 vezes, qual a
probabilidade de:
a) acertar exatamente 2 tiros; b) não acertar nenhum tiro.

5) Num teste de certo-errado, com 100 perguntas, qual a probabilidade de um aluno,
respondendo as questões ao acaso, acertar 70% das perguntas ?
82
6) Se 5% das lâmpadas de certa marca são defeituosas, achar a probabilidade de que,
numa amostra de 100 lâmpadas, escolhidas ao acaso, tenhamos:
a) nenhuma defeituosa (use binomial e poisson)
b) 3 defeituosas;
c) mais do que uma boa;

7) Uma fabrica de pneus verificou que ao testar seus pneus nas pistas, havia em média
um estouro de pneu a cada 5.000 km.
a) qual a probabilidade que num teste de 3.000 km haja no máximo um pneu
estourado ?
b) Qual a probabilidade de um carro andar 8.000 km sem estourar nenhum pneu ?

8) Certo posto de bombeiros recebe em média 3 chamadas por dia. Calcular a
probabilidade de:
a) receber 4 chamadas num dia;
b) receber 3 ou mais chamadas num dia;
c) 22 chamadas numa semana.

9) A média de chamadas telefônicas em uma hora é 3. Qual a probabilidade:
a) receber exatamente 3 chamadas numa hora;
b) receber 4 ou mais chamadas em 90 minutos;
c) 75 chamas num dia;

10) Na pintura de paredes aparecem defeitos em média na proporção de 1 defeito por
metro quadrado. Qual a probabilidade de aparecerem 3 defeitos numa parede 2 x 2
m ?

11) Suponha que haja em média 2 suicídios por ano numa população de 50.000 hab.
Em uma cidade de 100.000 habitantes, encontre a probabilidade de que um dado
ano tenha havido: a) nenhum suicídio; b) 1 suicídio; c) 2 ou mais suicídios.

12) Suponha 400 erros de impressão distribuídos aleatoriamente em um livro de 500
páginas. Encontre a probabilidade de que uma dada página contenha:
a) nenhum erro;
b) 100 erros em 200 páginas.

83
6.3 Di st ri bui ções Cont ínuas de Probabi l i dade

6.3.1 Distribuição Uniforme

É uma distribuição de probabilidade usada para variáveis aleatórias contínuas,
definida num intervalo a, b , e sua função densidade de probabilidade é dada por:

¹
¹
¹
'
¹
≤ ≤

·
b > ou x a < x se 0
b x a se
a b
1
f(x) .


FIGURA 6.1 - Representação de uma Distribuição Uniforme

6.3.1.1 Esperança Matemática da Distribuição Uniforme


+∞
∞ −
· dx f(x) x E(X)

·
b
a
dx
a - b
1
x E(X)
b
a
2
2
x
a - b
1
E(X)
1
]
1
·
E(X)
b a
2(b a)
2 2
·



E(X)
( b- a) (b +a)
2(b a)
·


E( X)
(b +a)
2
·
84
6.3.1.2 Variância da Distribuição Uniforme

V(X) E(X ) E( X)
2
2
· −

+∞
∞ −
· dx f(x) x ) E(X
2 2


·
b
a
2 2
dx
a - b
1
x ) E(X

·
b
a
2 2
dx x
a - b
1
) E(X
b
a
3
2
3
x
a - b
1
) E(X
1
]
1
·
E(X )
b a
3( b a)
2
3 3
·



E( X )
(b - a)(b ab a )
3(b a)
2
2 2
·
+ +


E( X )
b ab a
3
2
2 2
·
+ +

2
2 2
2
a b
3
a ab b
V(X)
,
_

¸
¸ +

+ +
·
V(X)
b ab a
3
b ab a
4
2 2 2 2
·
+ +

− +

V(X)
4b 4ab 4a 3b 6ab 3a
12
2 2 2 2
·
+ + − − −

V(X)
b ab a
12
2 2
·
− + 2

V(X)
(b a)
12
2
·



6.3.2 Distribuição Normal ou Gaussiana

É um modelo de distribuição contínua de probabilidade, usado tanto para variáveis
aleatórias discretas como contínuas.

Uma variável aleatória X, que tome todos os valores reais -∞ < x < +∞ tem
distribuição normal quando sua função densidade de probabilidade (f.d.p.) for da forma:

∞ < −∞
σ π
·

,
_

¸
¸
σ
µ −

+ < x , e
2
1
f(x)
2
x
2
1

85

Os parâmetros µ e σ seguem as seguintes condições:

−∞ ∞ < < + e > 0 µ σ .

6.3.2.1 Propriedades da Distribuição Normal

a) f é uma f.d.p. legítima para f(x)≥0, logo

1 d(x) f(x) ·

+∞
∞ −

fazendo t
x
·
− µ
σ
temos:
I = dt e
2
1
d(x) f(x)
2
t
− ∞ +
∞ −
∞ +
∞ −
∫ ∫
σ π
· .
Para calcular esta integral usaremos um artifício, ou seja, no lugar de I usaremos I².
∫ ∫
∞ +
∞ −
− ∞ +
∞ −

π
· ds e . dt e
2
1
I
2
s
2
t
2

ds dt e
2
1
I
+
-
2
) s (t
+
-
2
2 2
∫ ∫


+
− ∞

π
·

introduzindo coordenadas polares para realizar o cálculo dessa integral dupla, temos:

s r · cos e t = r sen α α

conseqüentemente o elemento de área ds dt se torna r dr dα.

Como −∞ ∞ − ∞ ∞ ∞ < < + e < < + 0 < r < + e 0 < a < 2 s t , π , portanto
α
π
·
∫ ∫
∞ − π
d dr e r
2
1
I
+
0
2
r
2
0
2
2


π
+∞

α
1
1
]
1
π
·
2
0
0
2
r
2
d e
2
1
I
2


π
α − −
π
·
2
0
2
d ) 1 0 (
2
1
I
I
2
·
1
2
0
2
π
α
π


86
I
2
· ·
1
2
2 1
π
π
I² = 1 , logo I = 1 como queríamos mostrar.

b) O aspecto gráfico da função f tem:

- Semelhança de um sino, unimodal e simétrico em relação a média µ.
- A especificação da média µ e do desvio padrão σ é completamente evidenciado.
- A área total da curva equivale a 100%.

- A área total da curva equivale a 100%.


FIGURA 7.2 - Distribuição Normal em função da µ e σ

6.3.2.2 Esperança Matemática da Distribuição Normal


+∞
∞ −
· dx f(x) x E(X)

∞ +
∞ −

,
_

¸
¸
σ
µ −

π σ
· dx e
2
1
x E(X)
2
x
2
1

fazendo z
x
·
− µ
σ
,∂

σ
σ µ
x
e x = z + z · ,

∞ +
∞ −

µ σ
π
· dz e ) + z (
2
1
E(X)
2
z

4 4 3 4 4 2 1
43 42 1
um
2
z
zero
2
z
dz e
2
1
dz e z
2
1
E(X)
∫ ∫
∞ +
∞ −
− ∞ +
∞ −

π
µ + σ
π
·

87
E(X) = µ

6.3.2.3 Variância da Distribuição Normal

V(X) E(X ) E( X)
2
2
· −

+∞
∞ −
· dx f(x) x ) E(X
2 2


∞ +
∞ −

,
_

¸
¸
σ
µ −

π σ
· dx e
2
1
x ) E(X
2
x
2
1
2 2

fazendo z
x
·
−µ
σ
,∂

σ
σ µ z ·
x
e x = z + ,

∞ +
∞ −

µ σ σ
π σ
· dz e ) + z (
2
1
) E(X
2
z
2 2

4 4 3 4 4 2 1
43 42 1
um
2
z
2
zero
2
z
2
z
2 2 2
dz e
2
1
dz e z 2
2
1
dz e z
2
1
) E(X
∫ ∫ ∫
∞ +
∞ −
− ∞ +
∞ −
− ∞ +
∞ −

π
µ + σ µ
π
+ σ
π
·
2
2
z
2 2 2
dz e z
2
1
) E(X µ + σ
π
·

∞ +
∞ −



integrando por partes temos que
∫ ∫
du v - dv u = dv u
z u dv e dz
du 1 dz v e
2
z
2
z
2
2
2
· ·
· · −




∞ +
∞ −

+∞
∞ −

µ − −
1
]
1
σ
π
·
2
2
z
2
z
2 2 2
+ dz e e z
2
1
) E(X
2
um
2
z
2 2
dz e
2
1
0 ) E(X µ + −
π
σ + ·

∞ +
∞ −

4 4 4 3 4 4 4 2 1

E(X )
2
· + σ µ
2 2

logo,
V(X) = σ²
88
6.3.2.4 Distribuição Normal Padronizada

Tem como objetivo solucionar a complexidade da f(x) através da mudança de
variável. f(z).


FIGURA 7.4 - Complemento da Distribuição Normal Padronizada

Fazendo z
x
·
−µ
σ
e z ~ N(0,1) temos que
f(z) =
1

e
z
2
2


−∞
+∞

,

com E(z) = 0 e VAR(z) = 1.
onde:

z = número de desvios padrões a contar da média
x = valor arbitrário
µ = média da distribuição normal
σ = desvio padrão da distribuição normal

Estas probabilidades estão tabeladas e este caso particular é chamado de Forma
Padrão da Distribuição Normal.
89
6.3.3 Distribuição “t” de Student

Trata-se de um modelo de distribuição contínua que se assemelha à distribuição
normal padrão, N ~ (0,1). Ë utilizada para inferências estatísticas, particularmente, quando se
tem amostras com tamanhos inferiores a 30 elementos.
A distribuição t também possui parâmetros denominado "grau de liberdade - ϕ". A
média da distribuição é zero e sua variância é dada por:

[ ] ( )
VAR t t
ϕ ϕ
σ
ϕ
ϕ
· ·

2
2
, para ϕ > 2.

A distribuição t é simétrica em relação a sua média.


6.4 Exer cíci os

1) As alturas dos alunos de uma determinada escola são normalmente distribuídas
com média 1,60 m e desvio padrão 0,30 m. Encontre a probabilidade de um aluno
escolhido ao acaso medir:
a) entre 1,50 e 1,80 m b) mais que 1,75 m
c) menos que 1,48 m d) entre 1,54 e 1,58 m
e) menos que 1,70 m f) exatamente 1,83 m

2) A duração de certo componente eletrônico tem média 850 dias e desvio padrão 45
dias. Qual a probabilidade do componente durar:
a) entre 700 e 1000 dias b) menos que 750 dias c) mais que 850 dias
d) Qual deve ser o número de dias necessários para que tenhamos de repor 5% dos
componentes. (R = 776 dias)

3) Um produto pesa, em média, 10 g, com desvio padrão de 2 g. É embalado em
caixas com 50 unidades. Sabe-se que as caixas vazias pesam 500 g, com desvio-
padrão de 25 g. Admitindo-se uma distribuição normal dos pesos e independência
entre as variáveis dos pesos do produto e da caixa, calcule a probabilidade de uma
caixa cheia pesar mais de 1050 g.
X V V V
geral p c geral
· · + · · 1000 50 28 73 , , . V S
geral geral
(R = 0.04093)

90
4) Em uma distribuição normal 28% dos elementos são superiores a 34 e 12%
inferiores a 19. Encontrar a média e a variância da distribuição. (R =
X· · 29 03 73 44 . , . S
2
)

5) Suponha que a duração de vida de dois equipamentos E
1
e E
2
tenham
respectivamente distribuições N(45 ; 9) e N(40 ; 36). Se o equipamento tiver que
ser usado por período de 45 horas, qual deles deve ser preferido? (R = E
1
)

6) A precipitação pluviométrica média em certa cidade, no mês de dezembro, é de 8,9
cm. Admitindo a distribuição normal com desvio padrão de 2,5 cm, determinar a
probabilidade de que, no mês de dezembro próximo, a precipitação seja (a)
inferior a 1,6 cm, (b) superior a 5 cm mas não superior a 7,5 cm, (c) superior a 12
cm.

7) Em uma grande empresa, o departamento de manutenção tem instruções para
substituir as lâmpadas antes que se queimem (não esperar que queimem para então
substituí -las). Os registros indicam que a duração das lâmpadas tem distribuição
N(900 ; 75) (horas). Quando devem ser substituídas as lâmpadas de modo que no
máximo 10% delas queimem antes de serem trocadas? (R = 889 horas)

8) Os registros indicam que o tempo médio para se fazer um teste é
aproximadamente N(80 ; 20) (min.). Determinar:
a) a percentagem de candidatos que levam menos de 60 min ?
b) se o tempo concedido é de 1h, que percentagem não conseguirá terminar o teste ?

9) A profundidade dos poços artesianos em um determinado local é uma variável
aleatória N(20 ; 3) (metros). Se X é a profundidade de determinado poço,
determinar (a) P(X < 15), (b) P(18 < X < 23), (c) P (X > 25).

10) Certa máquina de empacotar determinado produto oferece variações de peso com
desvio padrão de 20 g. Em quanto deve ser regulado o peso médio do pacote para
que apenas 10% tenham menos que 400 g? Calcule a probabilidade de um pacote
sair com mais de 450 g. [R = a) µ = 425.6 b) 0.11123 )]
91
7 7 A Am mo os st t r ra ag ge em m



7.1 Concei t os em Amost r agem


Inferência Estatística - é o processo de obter informações sobre uma população a
partir de resultados observados ma Amostra.

Amostragem: É o processo de retirada de informações dos "n" elementos amostrais,
na qual deve seguir um método adequado (tipos de amostragem).




7.2 Pl ano de Amost r agem

1
o
) Definir os Objetivos da Pesquisa

2
o
) População a ser Amostrada

- Parâmetros a ser Estimados (Objetivos)

3
o
) Definição da Unidade Amostral

- Seleção dos Elementos que farão parte da amostra

4
o
) Forma de seleção dos elementos da população

92
- Tipo de Am
Estratificada
ostragem
Aleatoria Simples
Sistematica

por Conglomerados
¹
'
¹
¹
¹
¹
¹


5
o
) Tamanho da Amostra

Ex.: Moradores de uma Cidade (população alvo)

Objetivo: Tipo de Residência
própria
alugada
emprestada tres ou ma


um piso
dois pisos
is pisos
¹
'
¹
¹
¹
¹
'
¹
¹
¹


Unidade Amostral: Domicílios (residências)

Elementos da População: Família por domicílio

Tipo de Amostragem:
aleatoria simples
estratificada
sistematica
¹
'
¹
¹
¹



7.3 Ti pos de Amost r agem

7.3.1 Amostragem Simples ou Ocasional

É o processo mais elementar e freqüentemente utilizado. Todos os elementos da
população tem igual probabilidade de serem escolhidos. Para uma população finita o processo
deve ser sem reposição. Todos os elementos da população devem ser numerados. Para realizar
o sorteio dos elementos da população devemos usar a Tabela de Números Aleatórios .

7.3.2 Amostragem Sistemática

Trata-se de uma variação da Amostragem Aleatória Ocasional, conveniente quando a
população está naturalmente ordenada, como fichas em um fichário, lista telefônica, etc.

Ex.: N = 5000 n = 50, então r
N
n
· ·10, (P.A. de razão 10)

Sorteia-se usando a Tabela de Números Aleatórios
um número entre 1 e 10, (x= 3), o número sorteado
refere-se ao 1
o
elemento da amostra, logo os elementos
da amostra serão:

93
3 13 23 33 43 ......

Para determinar qualquer elemento da amostra podemos usar a fórmula do termo
geral de uma P.A.

a a n r
n
· + −
1
1 ( ).


7.3.3 Amostragem Estratificada

É um processo de amostragem usado quando nos depararmos com populações
heterogêneas, na qual pode-se distinguir subpopulações mais ou menos homogêneas,
denominados estratos.

Após a determinação dos estratos, seleciona-se uma amostra aleatória de cada uma
subpopulação (estrato).

As diversas subamostras retiradas das subpopulações devem ser proporcionais aos
respectivos números de elementos dos estratos, e guardarem a proporcionalidade em relação a
variabilidade de cada estrato, obtendo-se uma estratificação ótima.

Tipos de variáveis que podem ser usadas em estratificação: idade, classes sociais, sexo,
profissão, salário, procedência, etc.

7.3.4 Amostragem por Conglomerados (ou Agrupamentos)

Algumas populações não permitem, ou tornam-se extremamente difícel que se
identifiquem seus elementos, mas podemos identificar subgrupos da população. Em tais casos,
uma amostra aleatória simples desses subgrupos (conglomerados) podem ser escolhida, e uma
contagem completa deve ser feita no conglomerado sorteado.

Agregados típicos são: quarteirões, famílias, organizações, agências, edifícios, etc.


7.4 Amost r agem " COM" e " SEM" reposi ção

Seja "N" o número de elementos de uma população, e seja "n" o número de
elementos de uma amostra, então:

Se o processo de retirada dos elementos for COM reposição (pop. infinita (f ≤ 5%) ),
o número de amostra s possíveis será:

n
o
de amostras = N
n


Se o processo de retirada de elementos for SEM reposição (pop. finita (f > 5%) ), o
número de amostras possíveis será:

94
n
o
de amostras =
( )! n - N ! n
! N
C
n , N
·

Ex.: Supondo N = 8 e n = 4

com reposição: n
o
de amostras = N
n
= 8 4096
4
·

sem reposição: n
o
de amostras =
( )
C
N
n
N n ,
!
! !
·
N- n
= C
8 4
8
4
70
,
!
! !
· ·
4


Ex.: Processo de Amostragem Aleatória Simples
(Distribuição Amostral das Médias)

- (com reposição)

N = { 1, 2, 3, 4} n = 2 n
o
de amostras = N
n
= 4 16
2
·

{ } { } { } { }
{ } { } { } { }
{ } { } { } { }
{ } { } { } { }
11 12 13 14
21 2 2 2 3 2 4
31 3 2 33 34
41 4 2 4 3 4 4
, , , ,
, , , ,
, , , ,
, , , ,


- (sem reposição)

N = { 1, 2, 3, 4} n = 2 n
o
de amostras = C
4 2
4
2
6
,
!
! !
· ·
2


{ } { } { }
{ } { } { } 4 , 3 4 , 2 3 , 2
4 , 1 3 , 1 2 , 1


Para ilustrar melhor as estatísticas amostrais usaremos o processo com reposição.

{ } { } { } { }
{ } { } { } { }
{ } { } { } { }
{ } { } { } { }
11 10 12 15 13 2 0 14 2 5
21 15 2 2 2 0 2 3 2 5 2 4 3 0
31 2 0 3 2 2 5 33 3 0 3 4 3 5
41 2 5 4 2 3 0 4 3 35 4 4 4 0
, , , , , , , ,
, , , , , , , ,
, , , , , , , ,
, , , , , , , ,
⇒ · ⇒ · ⇒ · ⇒ ·
⇒ · ⇒ · ⇒ · ⇒ ·
⇒ · ⇒ · ⇒ · ⇒ ·
⇒ · ⇒ · ⇒ · ⇒ ·
x x x x
x x x x
x x x x
x x x x


95
7.5 Repr esent ações de uma Di st r i bui ção Amost r al

- Tabela

x
i
P(X = x
i
)
1,0 1/ 16
1,5 2/ 16
2,0 3/ 16
2,5 4/ 16
3,0 3/ 16
3,5 2/ 16
4,0 1/ 16
Σ
16/ 16

- Gráfico




7.6 Est at íst i cas Amost r ai s

- Esperança Matemática

( ) ( ) µ x E x x
i
i
n
· · · ·
·

P(X = x
i
) ,
40
16
2 5
1


-Variância

ou
( ) ( )
VAR x E x E x · −
2 2
[ ( )]

onde
( ) ( )
E x
2
·

x P X = x
i
2
i
i=1
n

96
7.7 TAMANHO DA AMOSTRA

7.7.1 Introdução

Os pesquisadores de todo o mundo, na realização de pesquisas científicas, em
qualquer setor da atividade humana, utilizam as técnicas de amostragem no planejamento de
seus trabalhos, não só pela impraticabilidade de poderem observar, numericamente, em sua
totalidade determinada população em estudo, como devido ao aspecto econômico dessas
investigações, conduzidos com um menor custo operacional, dentro de um menor tempo,
além de possibilitar maior precisão nos respectivos resultados, ao contrário, do que ocorre com
os trabalhos realizados pelo proceso censitário (COCHRAN, 1965; CRUZ, 1978).

A técnica da amostragem, a despeito de sua larga utilização, ainda necessita de alguma
didática mais adequada aos pesquisadores iniciantes.

Na teoria da amostragem, são consideradas duas dimensões:

1
a
) Dimensionamento da Amostra;

2
a
) Composição da Amostra.

7.7.2 Procedimentos para determinar o tamanho da amostra

1
o
) Analisar o questionário, ou roteiro da entrevista e escolher uma variável que julgue
mais importante para o estudo. Se possível mais do que uma;

2
o
) Verificar o nível de mensuração da variável: nominal, ordinal ou intervalar;

3
o
) Considerar o tamanho da população: infinita ou finita

4
o
) Se a varíavel escolhida for:


- intervalar e a população considerada infinita, você poderá determinar o
tamanho da amostra pela fórmula:

n
Z
·
¸
¸

_
,

.
d
σ
2

97
onde: Z = abscissa da curva normal padrão, fixado um nível de confiança (1- ) α

Z = 1,65 → (1 - α) = 90%
Z = 1,96 → (1 - α) = 95%
Z = 2,0 → (1 - α) = 95.5%
Z = 2,57 → (1 - α) = 99%

Geralmente usa-se Z = 2

σ = desvio padrão da população, expresso na unidade variável, onde poderá ser
determinado por:

• Especificações Técnicas
• Resgatar o valor de estudos semelhantes
• Fazer conjeturas sobre possíveis valores

d = erro amostral, expresso na unidade da variável. O erro amostral é a máxima
diferença que o investigador admite suportar entre µ e x, isto é: µ − < x d .


- intervalar e a população considerada finita, você poderá determinar o
tamanho da amostra pela fórmula:

n
Z
N Z
·
− +
2 2
2 2
1
. N
d
2
.
( ) .
σ
σ


onde: Z = abscissa da normal padrão

σ
2
= variância populacional

N = tamanho da população

d = erro amostral

- nominal ou ordinal, e a população considerada infinita, você poderá
determinar o tamanho da amostra pela fórmula:

n
Z
·
2
p . q
d
2
. $ $


onde: Z = abscissa da normal padrão

$ p = estimativa da verdadeira proporção de um dos níveis da variável escolhida. Por
exemplo, se a variável escolhida for parte da empresa, $ p poderá ser a estimativa da
98
verdadeira proporção de grandes empr esas do setor que está sendo estudado. $ p
será expresso em decimais ( $ p = 30% → $ p = 0.30).

$ $ q p · − 1

d = erro amostral, expresso em decimais. O erro amostral neste caso será a máxima
diferença que o investigador admite suportar entre π e $ p, isto é: π− < $ p d, em que
π é a verdadeira proporção (freqüência relativa do evento a ser calculado a partir da
amostra.

- nominal ou ordinal, e a população considerada finita, você poderá
determinar o tamanho da amostra pela fórmula:

n
Z
N Z
·
− +
2
2
1
p . q . N
d p . q
2
. $ $
( ) . $ $


onde: Z = abscissa da normal padrão

N = tamanho da população

$ p = estimativa da proporção

$ $ q p · − 1

d = erro amostral

Estas fórmulas são básicas para qualquer tipo de composição da amostra; todavia,
existem fórmulas específicas segundo o critério de composição da amostra.

- Se o investigador escolher mais de uma variável, poderá acontecer de ter que aplicar
mais de uma fórmula, assim deverá optar pelo maior valor de "n".

• Quando não tivermos condições de prever o possível valor para $ p, admita $ p = 0.50, pois, dessa forma,
você terá o maior tamanho da amostra, admitindo -se constantes os demais elementos.


7.8 Di st ri bui ções amost rai s de probabi l i dade

7.8.1 Distribuição amostral das médias

Se a variável aleatória "x" segue uma distribuição normal:

( )
x ~ N (x); (x) µ σ
2
, onde z
x x
x
·
−µ
σ
( )
( )


99
µ µ ( ) x · (a média amostral é igual a média populacional) e σ
σ
( )
( )
x
x
n
· (Desvio
Padrão Amostral)

7.8.1.1 Caso COM reposição (pop. infinita)

x N x
x
n
~ ( );
( )
µ
σ

2

¸

1
]
1


7.8.1.2 Caso SEM reposição (pop. finita)

Quando a amostra for > 5% da população
n
N
¸
¸

_
,

devemos usar um fator de correção.

x N x
x
n
~ ( );
( )
µ
σ

N- n
N-1
2

¸

1
]
1
, onde
N- n
N-1
é o fator de correção


Ex
1
.: Uma população muito grande tem média 20,0 e desvio padrão 1,4 . Extrai -se
uma amostra de 49 observações. Responda:

a) Qual a média da distribuição amostral ?
b) Qual o desvio padrão da distribuição amostral ?
c) Qual a porcentagem das possíveis médias que diferiram por mais de 0,2 da média
populacional ?

Ex
2
.: Um processo de encher garrafas de coca-cola dá em média 10% mal cheias com
desvio padrão de 30%. Extraída uma amostra de 225 garrafas de uma sequência
de produção de 625, qual a probabilidade amostral das garrafas mal cheias estar
entre 9% e 12%.

O exemplo n
o
2 pode ser resolvido usando a distribuição amostral das proporções, onde p = proporção
populacional, p= média da distribuição amostral das proporções. Logo temos:

100
7.8.2 Distribuição amostral das proporções

p p
p p
n
· ·

e .
N- n
N- 1
p
σ
( ) 1
,

onde
N - n
N-1
é usado para população finita.

Ex
1
: Uma máquina de recobrir cerejas com chocolate é regulada para produzir um
revestimento de (3% em relação ao volume da cereja). Se o processo segue uma distribuição
normal, qual a probabilidade de extrair uma amostra de 25 cerejas de um lote de 169 e
encontrar uma média amostral superior a 3,4%. R = 0,44828.


7.9 Exer cíci os

1) Uma fabrica de baterias alega que eu artigo de primeira categoria tem uma vida
média de 50 meses, e desvio padrão de 4 meses.
a) Que porcentagem de uma amostra de 36 observações acusaria vida média no
intervalo de um mês em torno da média ?
b) Qual será a resposta para uma amostra de 64 observações?
c) Qual seria o percentual das médias amostrais inferior a 49,8 meses com n = 100?

2) Um varejista compra copos diretamente da fábrica em grandes lotes. Os copos são
embrulhados individualmente. Periodicamente o varejista inspeciona os lotes para
determinar a proporção dos quebrados ou lascados. Se um grande lote contém
10% de quebrados (lascados) qual a probabilidade do varejista obter numa a mostra
de 100 copos 17% ou mais defeituosos?

3) Deve-se extrair uma amostra de 36 observações de uma máquina de cunhar
moedas comemorativas. A espessura média das moedas é de 0,2 cm, com desvio
padrão de 0,01 cm.
a) Que percentagem de médias amostrais estará no intervalo t 0,004 em torno da
média? R = 0.98316
b) Qual a probabilidade de obter uma média amostral que se afaste por mais de 0,005
cm da média do processo ? R = 0.00164

4) Suponha que uma pesquisa recente tenha revelado que 60% de uma população de
adultos do sexo masculino consistam de não-fumantes. Tomada uma amostra de
10 pessoas de uma população muito grande, que percentagem esperamos nos
intervalos abaixo:
a) de 50% a 65% b) maior que 53% c) de 65% a 80%

5) Se a vida média de operação de um "flash" é 24 horas, com distribuição normal e
desvio padrão de 3 horas, qual é a probabilidade de uma amostra de 10 "flashes"
retirados de uma população de 500 "flashes" apresentar vida média que difira por
mais de 30 min. da média. R = 0.60306
101
8 8 E Es st t i i m ma aç çã ão o d de e P Pa ar r â âm me et t r r o os s



É um processo de indução, na qual usamos dados extraídos de uma amostra para
produzir inferência sobre a população. Esta inferência só será válida se a amostra for
significativa.

- Tipos de Estimações de Parâmetros

i) Estimação Pontual

ii) Estimação Intervalar


8.1 Est i mação Pont ual

É usada quando a partir da amostra procura-se obter um único valor de certo
parâmetro populacional, ou seja, obter estimativas a partir dos valores amostrais.

a) Estatísticas

Seja (X
1
, X
2
, ..., X
n
) uma amostra aleatória e (x
1
,x
2
, ..., x
n
) os valores tomados pela
amostra; então y = H(x
1
,x
2
, ..., x
n
) é uma estatística.

Principais estatísticas:

- Média Amostral
- Proporção Amostral
- Variância Amostral

8.2 Est i mação I nt er valar

Uma outra maneira de se calcular um estimativa de um parâmetro desconhecido, é
construir um intervalo de confiança para esse parâmetro com uma probabilidade de 1− α
(nível de confiança) de que o intervalo contenha o verdadeiro parâmetro. Dessa maneira α será
o nível de significância, isto é, o erro que se estará cometendo ao afirmar que o parâmetro está
entre o limite inferior e o superior calculado.

8.2.1 Intervalo de confiança para a média (µ) com a variância (σ
2
) conhecida.

(n > 30 → Z)

Seja ( )
2
N X σ µ, ~

102
Como já vimos anteriormente, x (média amostral) tem distribuição normal de média
µ e desvio padrão
σ
n
,ou seja:

X N
n
~ ; µ
σ
2
¸
¸

_
,


Portanto, z
X
n
·
−µ
σ
tem distribuição N (0,1)


Então,

( )
P z z z − ≤ ≤ + · −
α α
α
2 2
1
P z
x
n
z − ≤

≤ +
¸
¸

_
,
· −
α α
µ
σ
α
2 2
1
P z
n
X z
n
X − − ≤ ≤ + −
¸
¸

_
,

· −
α α
σ
µ
σ
α
2 2
1
P X z
n
X z
n
− ≤ ≤ +
¸
¸

_
,

· −
α α
σ
µ
σ
α
2 2
1 (Pop. Infinita)

Para caso de populações finitas usa-se a seguinte fórmula:

P X Z
n
Z
n
+ ≤ ≤
¸
¸

_
,
· −

N- n
N -1

N- n
N- 1
α α
σ
µ
σ
α
2 2
1
(Pop. Finita)

Obs.: Os níveis de confiança mais usados são:

1 90 1 64
2
− · ⇒ · t α
α
% , z
1 95 1 96
2
− · ⇒ · t α
α
% , z 1 85
2
− · ⇒ · α
α
% z
1 99
2
− · ⇒ · t α
α
% 2,58 z

103
Ex.: Seja X a duração da vida de uma peça de equipamento tal que σ = 5 horas.
Admita que 100 peças foram ensaiadas fornecendo uma duração de vida média de 500 horas e
que se deseja obter um intervalo de 95% para a verdadeira média populacional. R = P (499,02
ó µ ó 500,98) = 95%.

Obs.: Podemos dizer que 95% das vezes, o intervalo acima contém a verdadeira
média populacional. Isto não é o mesmo que afirmar que 95% é a probabilidade do
parâmetro µ cair dentro do intervalo, o que constituirá um erro, pois µ é um parâmetro
(número) e ele está ou não no intervalo.

8.2.2 Intervalo de confiança para a média (µ) com a variância (σ
2
)
desconhecida

( n ≤ 30)

Neste caso precisa-se calcular a estimativa S (desvio padrão amostral) a partir dos
dados, lembrando que:

( )
S
x x
n
i
i
n
2
2
1
1
·


·

onde n -1 = graus de liberdade

X N
n
~ ; µ
σ
2
¸
¸

_
,

Portanto, t
X
S n
·
−µ
tem distribuição N (0,1)

t
X
S n
z
S
N
S
·

· ·
µ σ
σ σ
.
S
( , ) 0 1


Est a distribuição é conhecida como distribuição "t" de Student, no caso com
(ϕ = n -1) graus de liberdade


104

O gráfico da função densidade da variável "t" é simétrico e tem a forma da normal,
porém menos "achatada" sua média vale 0 e a variância
ϕ
ϕ − 2
em que ϕ é o grau de liberdade
(ϕ > 2)

t
X
S n
ϕ α
µ
, 2
·


Então,

( )
P t t t − ≤ ≤ + · −
ϕ α ϕ α
α
, , 2 2
1

P X t
s
n
X t
s
n
− ≤ ≤ +
¸
¸

_
,

· −
ϕ α ϕ α
µ α
, , 2 2
1 (Pop. Infinita)

Para caso de populações finitas usa-se a seguinte fórmula:

α − ·

,
_

¸
¸


+ ≤ µ ≤



α ϕ α ϕ
1
1 N
n N
n
S
t X
1 N
n N
n
S
t X P
2 / , 2 / ,
(Pop. Finita)

Ex.: A seguinte amostra: 9, 8, 12, 7, 9, 6, 11, 6, 10, 9 foi extraída de uma população
aproximadamente normal. Construir um intervalo de confiança paraµ com um nível de 95%.

( )
( )
X
x
n
x x
n
t
R P
i
i
n
i
i
n
· · ·


≅ ≅
· · t
· ≤ ≤ ·
· ·
∑ ∑
1
2
1
9 2 5%
8 7
1
4
2 262
7 27 1013 95%
,
,
, ,
, .
S S 2
=10-1= 9 =5%
t
2
, 2
ϕ ϕ
µ
ϕ α


Obs.:Quando n>30 e σ for desconhecido poderemos usar S como uma boa
estimativa de σ. Esta estimação será melhor quanto maior for o tamanho da amostra.

8.2.3 Intervalo de Confiança para Proporções

Sendo $ p o estimador de π, onde $ p segue uma distribuição normal, logo:

105
$ ~ $;
$. $
p N p
p q
n
¸
¸

_
,

(pop. infinita)

$ ~ $;
$. $
p N p
p q
n

N- n
N- 1

¸
¸

_
,

¸

1
]
1
(pop. finita)

logo Z
p
p
·
− $
$
π
σ
onde
¹
¹
¹
¹
¹
'
¹
· ·
· σ
amostra da elementos de número
tica caracterís
n
X


n
qˆ . pˆ



( ) α − · σ + ≤ π ≤ σ −
α α
1 Z p Z p P
p 2 p 2 ˆ ˆ
ˆ ˆ (Pop. Infinita)

Para caso de populações finitas usa-se a seguinte fórmula:

P p Z
N n
N
p Z
N n
N
p p
$ $
$ $



≤ ≤ +


¸
¸

_
,
· −
α α
σ π σ α
2 2
1 1
1 (Pop. Finita)

Ex.: Uma centena de componentes eletrônicos foram ensaiados e 93 deles
funcionaram mais que 500 horas. Determine um intervalo de confiânça de 95% para a
verdadeira proporção populacional sabendo que os mesmos foram retirados de uma população
de 1000 componentes.

8.2.4 Intervalo de Confiança para Variância

Como o estimador de σ
2
é S
2
pode-se considerar que
( ) n S −1
2
2
σ
tem distribuição Qui
- quadrado, ou seja:

X
n−1
2
~ Z
S
2
2
σ
,
logo o intervalo será:

106

χ χ
α
ϕ
inf
;
2
1
2
2
·

χ χ
α
ϕ
sup
;
2
2
2
·



Assim temos:

( ) ( )
P
n S
X
n S
X

≤ ≤

¸

1
]
1
1
· −
1 1
1
2
2
2
2
2
sup inf
σ α

Ex.: A seguinte amostra: 9, 8, 12, 7, 9, 6, 11, 6, 10, 9 foi extraída de uma população
aproximadamente normal. Construir um intervalo de confiança para σ
2
com um nível de 95%.

8.2.5 Intervalo de Confiança para a diferença Entre duas Médias:

Usualmente comparamos as médias de duas populações formando sua diferença:

µ µ
1 2 −


Uma estimativa pontual desta diferença correspondente:

X X
1 2


a) Variâncias Conhecidas

( ) ( ) Padrão Erro .
2
2 1 2 1 α
µ µ Z X X t − · −

Erro Padrão?

( ) ( ) ( )
2
2
1
2
2 1
X VAR 1 X VAR 1 X X VAR − + + · −

· +
σ σ
1
2
1
2
2
2
n n


107
logo o erro padrão · +
σ σ
1
2
1
2
2
2
n n


( ) ( ) ( )
P X X Z
n n
X X Z
n n
1 2 2
1
2
1
2
2
2
1 2 1 2 2
1
2
1
2
2
2
1 − − + ≤ − ≤ − + +

¸

1
]
1
1
· −
α α
σ σ
µ µ
σ σ
α

Obs.: se σ σ
1

2
e são conhecidas e tem um valor em comum, logo:

Erro Padrão: σ
1 1
1 2
n n
+

Ex.: Seja duas classes muito grande com desvios padrões σ
1
1 21 · , e σ
2
2 13 · , .
Extraída uma amostra de 25 alunos da classe 1 obteve-se uma nota média de 7,8, e da classe 2
foi extraída uma amostra de 20 alunos obteve-se uma nota média de 6,0. Construir um
intervalo de 95% de confiança para a verdadeira diferença das médias populacionais. R =
(LI= 0,753; LS= 2,847)

b) Variâncias Desconhecidas

Em geral conhecemos duas variâncias populacionais (σ σ
1
2
2
2
e ). Se as mesmas são
desconhecidas o melhor que podemos fazer é estimá-las por meio de variâncias amostrais
S S
1
2
2
2
e .

Como as amostras serão pequenas, introduziremos uma fonte de erro compensada
pela distribuição "t":

( ) ( )
P X X t
S
n
S
n
X X t
S
n
S
n
1 2 2
1
2
1
2
2
2
1 2 1 2 2
1
2
1
2
2
2
− − + ≤ − ≤ − + +

¸

1
]
1
1
α α
µ µ onde ϕ · + − n n
1 2
2

Obs.: Se as variâncias populacionais são desconhecidas mas as estimativas são iguais,
poderemos usar para o Erro Padrão o seguinte critério:

Erro Padrão: S
n n
C
1 1
1 2
+ onde S
c
é o desvio padrão conjunto

( ) ( )
S
n S n S
n n
C
·
− + −
+ −
1 1
2
2 2
2
1 2
1 1
2


Ex
1
.: De uma turma (1) foi extraída uma amostra de 6 alunos com as seguintes
alturas: 150, 152, 153, 160, 161, 163. De uma segunda turma foi extraída uma amostra de 8
alunos com as seguintes alturas: 165, 166, 167, 172, 178, 180, 182, 190. Contruir um intervalo
de 95% de confiança para a verdadeira diferença entre as médias populacionais.
108

Ex
2
.: De uma máquina foi extraída uma amostra de 8 peças, com os seguintes
diâmetros: 54, 56, 58, 60, 60, 62, 63, 65. De uma segunda máquina foi extraída uma amostra
de 10 peças, com os seguintes diâmetros: 75, 75, 76, 77, 78, 78, 79, 80, 80, 82. Construir um
intervalo de 99% de confiança para a diferença entre as médias populacionais, supondo que as
máquinas foram construídas pelo mesmo fabricante .

8.2.6 Intervalo de Confiança para a Diferença entre duas Proporções

( ) ( ) P p p Z
p q
n
p q
n
p p Z
p q
n
p q
n
$ $
$ $ $ $
$ $
$ $ $ $
1 2 2
1 1
1
2 2
2
1 2 1 2 2
1 1
1
2 2
2
1 − − + ≤ − ≤ − + +

¸

1
]
1
· −
α α
π π α

Ex.: Em uma pesquisa realizada pelo Instituto Gallup constatou que 500 estudantes
entrevistados com menos de 18 anos, 50% acreditam na possibilidade de se verificar uma
modificação na América, e que dos 100 estudantes com mais de 24 anos, 69% acreditam nessa
modificação. Construir um intervalo de confiança para a diferença entre as proporções destas
subpopulações usando α= 5%. R= (LI= 0,0893, LS= 0,2905)


8.3 Exer cíci os

1) Ao se realizar uma contagem de eritrócitos em 144 mulheres encontrou-se em média
5,35 milhões e desvio padrão 0,4413 milhões de glóbulos vermelhos. Determine os
limites de confiança de 99% para a média populacional.

2) Um conjunto de 12 animais de experiência receberam uma dieta especial durante 3
semanas e produziram os seguintes aumentos de peso (g): 30, 22, 32, 26, 24, 40, 34,
36, 32, 33, 28 e 30. Determine um intervalo de 90% de confiança para a média.
R ⇒ X= 30.58, S = 5.09,LI = 27.942, LS = 33.218

3) Construa um intervalo de 95 % de confiança para um dos seguintes casos:

Média
Amostral
σ
Tamanho da
Amostra
a) 16,0 2,0 16
b) 37,5 3,0 36
c) 2,1 0,5 25
d) 0,6 0,1 100

4) Numa tentativa de melhor o esquema de atendimento, um médico procurou estimar o
tempo médio que gasta com cada paciente. Uma amostra aleatória de 49 pacientes,
colhida num período de 3 semanas, acusou uma média de 30 min., com desvio padrão
de 7 min. Construa um intervalo de 95% de confiança para o verdadeiro tempo
médio de consulta.

109
5) Solicitou-se a 100 estudantes de um colégio que anotasse suas despesas com
alimentação e bebidas no período de uma semana. Há 500 estudantes no colégio. O
resultado foi uma despesa de $40,00 com um desvio padrão de $10,00. Construa um
intervalo de 95% de confiança para a verdadeira média.

6) Uma amostra aleatória de 100 fregueses da parte da manhã de um supermercado
revelou que apenas 10 não incluem leite em suas compras.
a) qual seria a estimativa percentual dos fregueses que compram leite pela parte da
manhã. (α = 5%). R ⇒ L I = 84.12%, L S = 95.88%
b) construir um intervalo de 90% de confiança para a verdadeira proporção dos
fregueses que não compram leite pela manhã. R ⇒ L I = 5.08%, L S = 14.92%

7) Uma amostra aleatória de 40 homens trabalhando num grande projeto de construção
revelou que 6 não estavam usando capacetes protetores. Construa um intervalo de
98% de confiança para a verdadeira proporção dos que não estão usando capacetes
neste projeto. R ⇒ σ
P
= 0.056, L I = 0.02, L S = 0.28

8) De 48 pessoas escolhidas aleatoriamente de uma longa fila de espera de um cinema,
25% acharam que o filme principal continha demasiada violência.
a) qual deveria ser o tamanho da fila, a partir do qual se pudesse desprezar o fator de
correção finita;
b) construa um intervalo de 98% de confiança para a verdadeira proporção, se há 100
pessoas na fila;
c) construa um intervalo de 98% de confiança para a verdadeira proporção, se há 500
pessoas na fila.

9) Em uma fábrica, colhida uma amostra (n = 30) de certa peça, obtiveram-se as
seguintes medidas para os diâmetros:

10 11 11 11 12 12 12 12 13 13
13 13 13 13 13 13 13 13 13 13
14 14 14 14 14 15 15 15 16 16

a) estimar a média e a variância; R ⇒ 13,13 e 2,05
b) construir um intervalo de confiança para a média, sendo α = 5%.
(L I = 12.536 e L S = 13.664)
c) construir um intervalo de 95 % de confiança para a média, supondo que a amostra
tenha sido retirada de uma população de 100 peças, sendo α = 5%. (L I = 12.581 e L S =
13.579)
d) Construir um intervalo de confiânça para a variância populacional, sendo α = 5%. (L I
= 1.3003 e L S = 3.704)

10) Supondo populações normais, contruir um intervalo de confiança para a média e
para a variância ao nível de significância de 90% para as amostras.

a) 2 3 4 5 5 6 6 7 8 8 9 n = 11
b) 12 12 15 15 16 16 17 18 20 22 22 23 n = 12
c) 25 25 27 28 30 33 34 35 36 n = 9
110
11) Sendo X uma população tal que ) ; N( ~ X
2
σ µ em que µ e σ² são desconhecidos.
Uma amostra de tamanho 15 forneceu os seguintes valores X 8, 7
i
·

, e
X 27,3
i
2
·

. Determinar um intervalo de confiança de 95% para µ e σ² , supondo:
X
X
n
i
·

e S
2
·

¸
¸

_
,




X
X
n
n
i
i 2
2
1


12) Dados os seguintes conjuntos de medias, determinar um intervalo de 99% de
confiança para a variância populacional e para a média populacional.

0.0105; 0,0193; 0,0152; 0,0229; 0,0244; 0,0190; 0,0208; 0,0253; 0,0276

R ⇒ X= O.0206, L I = 0.01467, L S = 0.026653;
S = 0.0053, L I = 0.00001, L S = 0.000167

13) O tempo de reação a uma injeção intravenosa é em média de 2.1 min., com desvio
padrão de 0.1 min., para grupos de 20 pacientes. Construa um intervalo de confiança
de 90 % para o tempo médio para toda a população dos pacientes submetidos ao
tratamento.

14) Uma firma esta convertendo as máquinas que aluga para uma versão mais moderna.
Até agora foram convertidas 40 máquinas. O tempo médio de convers ão foi de 24
horas com desvio padrão de 3 horas. a) Determine um intervalo de confiança de 99
% para o tempo médio de conversão. b) Para uma amostra de 60 máquinas, como
ficaria o intervalo de confiança de 99 % para o tempo médio de conversão

15) Seis dentre 48 terminais telefônicos dão respostas de ocupado. Uma firma possui
800 terminais. Construir um intervalo de confiança de 95 % para a proporção dos
terminas da firma que apresentam sinal de ocupado. R ⇒ L I = 3.4%, L S = 21.6%

16) Uma amostra de 50 bicicletas de um estoque de 400 bicicletas, acusou 7 com pneus
vazios. a) Estime o número de bicicletas com pneus vazios: b) Construa um intervalo
de 99 % confiança para a população das bicicletas com pneus vazios.
R ⇒ a) 56; b) L I = 0.021 L S = 0.258

17) A média salarial semanal para uma amostra de n = 30 empregados em uma grande
firma é X = 180,00 com desvio padrão S = 14,00. Construa um intervalo de
confiança de 99 % para a média salarial dos funcionários.

18) Uma empresa de pesquisa de mercado faz contato com uma amostra de 100 homens
em uma grande comunidade e verifica que uma proporção de 0.40 na amostra
prefere lâminas de barbear fabricadas por seu cliente em vez de qualquer outra marca.
Determinar o intervalo de confiança de 95 % para a proporção de todos os homens
na comunidade que preferem a lâmina do cliente.

111
19) Uma pequena fábrica comprou um lote de 200 pequenas peças eletrônicas de um
saldo de estoque de uma grande firma. Para uma amostra aleatória de 50 peças,
constatou-se que 5 eram defeituosas. Estimar a proporção de todas as peças que são
defeituosas no carregamento utilizando um intervalo de confiança de 99 %.

20) Duas amostras de plantas foram cultivadas com dois fertilizantes diferentes. A
primeira amostra oriunda de 200 sementes, acusou altura média de 10,9 cm e desvio
padrão 2,0 cm. A segunda amostra, de 100 sementes, acusou uma altura média de
10,5 cm com desvio padrão de 5,0 cm. Construir um intervalo de confiança entre as
alturas médias das populações ao nível de 95% de confiança.

21) Uma amostra aleatória de 120 trabalhadores de uma grande fábrica leva em média
22,0 min. para executar determinado serviço, com S
2
de 4 min
2
. Em uma segunda
fábrica, para executar a mesma tarefa, uma amostra aleatória de 120 operários, gasta
em média 19,0 min com S
2
de 10 min
2
. Construir um intervalo de 99% de confiança
entre as médias das populações.

22) Extraíram-se amostras independentes de adultos brancos e pretos, que acusaram os
seguintes tempos (em anos) de escolaridade.

Branco 8 18 10 10 14
Preto 9 12 5 10 14 12 6

Construir um intervalo de 95% de confiança para:

a) a média da população branca, e a média da população preta;
b) a diferença entre as médias entre brancos e pretos

23) Em uma amostra aleatória de cinco pessoas, foi medida a capacidade toráxica antes e
após determinado tratamento, obtendo-se os dados a seguir. Construir um intervalo
de 95% de confiança para a diferença entre as médias antes e depois do tratamento.

Capacidade Toráxica
Pessoa Antes (X) Após (Y)
A 2750 2850
B 2360 2380
C 2950 2930
D 2830 2860
E 2250 2320

112
24) Extraída duas amostras de professores homens e mulheres, obteve-se os seguintes
resultados quantos aos salários em milhares de dólares: Construir um intervalo de
95% de confiança para:

Homens Mulheres
n
1
= 25 n
2
= 5
X
1
= 16,0 X
2
= 11,0
S
1
2
= 16 S
2
2
= 10

a) a média da diferença entre os salários;
b) a média do salário dos homens;
c) a média do salário das mulheres.

25) Em uma pesquisa efetuada em com 1650 americanos foram consultados sobre o
seguinte tema: "A mulher grávida pode procurar um médico e interromper a gravidez,
a qualquer momento durante os três primeiros meses. É a favor ou contra esta
decisão?" Uma semana mais tarde foram consultados 1650 americanos foram
consultados sobre o mesmo assunto , exceto que a pergunta "a favor do aborto, ao
invés de "interromper a gravidez". As respostas foram as seguint es:

Resposta
Pergunta A favor Contra Sem opinião
"Interromper a gravidez" 46% 39% 15%
"A favor do aborto" 41% 49% 10%

a) Seja π
1
a proporção dos votantes a favor do 1
o
caso (interromper) e π
2
a proporção
dos votantes a favor do 2
o
caso (aborto). Construir um intervalo de 95% de confiança
para a diferença π
1
- π
2
. R = L I = 0.01628, L S = 0.08379

b) Repetir a (a) para os votantes que não tiveram opinião. R = L I = 0.0275, L S = 0.0725

26) Numa pesquisa sobre intenção do comprador brasileiro. 30 famílias de uma amostra
aleatória de 150 declararam ser uma intenção comprar um carro novo dentro de um
ano. Uma outra amostra de 160 famílias 25 declararam a mesma intenção. Construir
um intervalo de 99% de confiança para as diferenças entre as proporções.
R = L I = 0.0727, L S = 0.1527

113
9 9 T Te es st t e e d de e H Hi ip pó ót t e es se es s



Trata-se de uma técnica para se fazer inferência estatística. Ou seja, a partir de um teste de
hipóteses, realizado com os dados amostrais, pode-se inferir sobre a população.

No caso da inferência através de Intervalo de confiança, busca-se "cercar" o
parâmetro populacional desconhecido. Aqui formula-se uma hipótese quanto ao valor do
parâmetro populacional, e pelos elementos amostrais faz-se um teste que indicará a
ACEITAÇÃO ou REJEIÇÃO da hipótese formulada.


9.1 Pr i nci pai s Concei t os

9.1.1 Hipótese Estatística

Trata-se de uma suposição quanto ao valor de um parâmetro populacional, ou quanto
à natureza da distribuição de uma variável populacional.

São exemplos de hipóteses estatísticas:

a) A altura média da população brasileira é 1,65 m, isto é: H: µ = 1,65 m;
b) A variância populacional dos salários vale $ 500
2
, isto é, H: σ
2
= 500
2
;
c) A proporção de paulistas fumantes é 25%, ou seja, H: p = 0.25
d) A distribuição dos pesos dos alunos da nossa faculdade é normal.

9.1.2 Teste de Hipótese

É uma regra de decisão para aceitar ou rejeitar uma hipóteses estatística com base nos
elementos amostrais.

9.1.3 Tipos de Hipóteses

Designa-se por H
o
, chamada hipótese nula, a hipóteses estatística a ser testada, e por
H
1
a hipótese alternativa. A hipótese nula expressa uma igualdade, enquanto que a hipótese
alternativa é dada por uma desigualdade (≠ , < , > ).
114
Exemplos:


H
H
0 0
1 0
:
:
Θ
Θ
·

¹
'
¹
θ
θ




Teste Bicaudal ou Bilateral


H
H
0 0
1 0
:
:
Θ
Θ
·
>
¹
'
¹
θ
θ




Teste Unilateral Direito


H
H
0 0
1 0
:
:
Θ
Θ
·
<
¹
'
¹
θ
θ




Teste Unilateral Esquerdo


9.1.4 Tipos de erros

Há dois tipos de erro ao testar uma hipótese estatística. Pode-se rejeitar uma
hipóteses quando ela é, de fato verdadeira, ou aceitar uma hipóteses quando ela é, de fato,
falsa. A rejeição de uma hipótese verdadeira é chamada "erro tipo I". A aceitação de uma
hipótese falsa constitui um "erro tipo II".

As probabilidades desses dois tipos de erros são designados, respectivamente, por α e
β.

A probabilidade α do erro do tipo I é denominada "nível de significância" do teste.

Os possíveis erros e acertos de um teste estão sintetizados abaixo:

Realidade
H
o
verdadeira H
o
falsa

Decisão
Aceitar H
o
Decisão correta (1 - α) Erro Tipo II ( β)
Rejeitar H
o

Erro Tipo I ( α) Decisão Correta (1 - β)

Observe que o erro tipo I só poderá acontecer se for rejeitado H
o
e o erro tipo II
quando for aceito H
o
.

115
9.2 Test e de si gni f i cânci a

Os testes de Significância considera somente erros do tipo α, pois são os mais usados
em pesquisas educacionais, sócio-econômicas. . .

O procedimento para realização dos testes de significância é resumido nos seguintes
passo:

1
o
) Enunciar as hipóteses H
0
e H
1
;
2
o
) fixar o limite do erro α, e identificar a variável do teste;
3
o
) com o auxílio das tabelas estatísticas, considerando α e a variável do teste,
determinar as RR (região de rejeição) e RA (região de aceitação) para H
o
;
4
o
) com os elementos amostrais, calcular o valor da variável do teste;
5
o
) concluir pela aceitação ou rejeição do H
0
pela comparação do valor calculado no
4
o
passo com RA e RR.

9.2.1 Teste de significância para a média

1. Enunciar as hipóteses:

H
0
: µ = µ
0
H
1
0
0
0
:
µ µ
µ µ
µ µ

>
<
¹
'
¹
¹
¹
(a)
(b)
(c)


2. Fixar α. Admitindo:

- Se a variância populacional σ
2
for conhecida, a variável teste será "Z" (n> 30);
- Se a variância populacional σ
2
for desconhecida, a variável teste será "t" de Student
com ϕ = n -1 (n ≤ 30).

3. Com o auxílio das tabelas "Z" e "t" determinar as regiões RA e RR;


( a )

( b )

( c )
116
4. Calcular o valor da variável:

Z
X
n
cal
·
− µ
σ
0
t
X
S
n
cal
·
− µ
0


onde: X = média amostral
µ
0
= valor da hipótese nula

5. Conclusão para a situação ( a )

- Se − ≤ ≤ + Z Z Z
cal α α
2 2
ou − ≤ ≤ + t t t
cal α α
2 2
, não se pode rejeitar H
o
.

- Se Z Z Z Z
cal cal
< − > +
α α
2 2
ou ou t t t
cal cal
< − > +
α α
2 2
ou t , rejeita-se H
o
.

OBS.: Para qualquer tipo de teste de significância devemos considerar:
- Se a variável teste (calculada) cair dentro da região de aceitação
(RA) não se pode rejeitar H
o
;
- Se a variável teste (calculada) cair fora da região de aceitação (RA)
rejeita-se H
o
.

Ex.: Os dois registros dos últimos anos de um colégio, atestam para os calouros
admitidos uma nota média de 115 pontos (teste vocacional). Para testar a
hipótese de que a média de uma nova turma é a mesma, tirou-se, ao acaso, uma
amostra de 20 notas, obtendo-se média 118 e desvio padrão 20. Admitir α = 5%,
para efetuar o teste. (R = aceita-se H
o
)

9.2.2 Teste de significância para a proporção

1. Enunciar as hipóteses:

H
o
: π = p
o
H
p
p
p
1
0
0
0
:
π
π
π

>
<
¹
'
¹
¹
¹
(a)
(b)
(c)


2. Fixar α. Escolhendo a variável normal padrão "Z";

3. Com o auxílio da tabela "Z" determinar as regiões RA e RR;

117

( a )

( b )

( c )

4. Calcular o valor da variável:

n
q . p
p f
Z
0 0
0
cal

·
onde f
X
n
·

onde: f = freqüência relativa do evento na amostral
X = característica dentro da amostra
p
o
= valor da hipótese nula

5. Conclusão para a situação (a)

- Se − ≤ ≤ + Z Z Z
cal α α
2 2
, não se pode rejeitar H
o
.

- Se Z Z Z Z
cal cal
< − > +
α α
2 2
ou , rejeita-se H
o
.

Ex.: As condições de mortalidade de uma região são tais que a proporção de nascidos
que sobrevivem até 60 anos é de 0,6 . Testar essa hipótese ao nível de 2%, se
em 1000 nascimentos amostrados aleatoriamente, verificou-se 530
sobreviventes até 60 anos. (R = rejeita-se H
o
)

9.2.3 Teste de significância para a varância

1. Enunciar as hipóteses:

H
o
: σ
2
= σ
0
2

H
1
2
0
2
2
0
2
2
0
2
:
σ σ
σ σ
σ σ

>
<
¹
'
¹
¹
¹
(a)
(b)
(c)


2. Fixar α. Escolhendo a variável qui-quadrado com ϕ = n -1.
118
3. Com o auxílio da tabela "χ
2
" determinar as regiões RA e RR;


( a )

( b )

( c )

Para ( a ) temos: χ χ
α
ϕ
inf
;
2
1
2
2
·

χ χ
α
ϕ
sup
;
2
2
2
·



Para ( b ) temos:χ χ
α ϕ sup ;
2 2
·



Para ( c ) temos:χ χ
α ϕ inf ;
2
1
2
·



4. Calcular o valor da variável:

χ
σ
cal
n S
2
2
0
2
1
·
− ( )


onde: S
2
= variância amostral
σ
2
= valor da hipótese nula

5. Conclusão para a situação (a)

- Se χ χ χ
inf sup
2 2
≤ ≤
cal
, não se pode rejeitar H
o
.

- Se χ χ χ χ
cal cal
2 2 2 2
< >
inf sup
ou , rejeita-se H
o
.

Ex.: Para testar a hipótese de que a variância de uma população é 25, tirou-se uma
amostra de 25 elementos obtendo-se S
2
= 18,3. Admitindo-se α = 5%, efetuar o
teste de significância unicaudal a esquerda. (R = aceita-se H
o
)

10.2.4 Teste de significância para igualdade de duas médias

1
o
caso) Se as variâncias populacionais σ
2
forem conhecidas e supostamente iguais,
independentes e normais, a variável teste será "Z" (n n 30)
1
+
2
> ;

1. Enunciar as hipóteses:

H
o
: µ
1
= µ
2
ou

µ
1
- µ
2
= d

H
1
1 2
1 2
:
µ µ
µ µ

− ≠
¹
'
¹

d

119

onde d é a diferença admitida entre as duas médias.

2. Fixar α. Escolhendo a variável normal padrão "Z";

3. Com o auxílio da tabela "Z" determinar as regiões RA e RR;

4. Calcular o valor da variável:

( )
Z
X X d
n n
cal
·
− −
+
1 2
1
2
1
2
2
2
σ σ


5. Conclusão:

Optar pela aceitação ou rejeição de H
o
.

Ex.: Um fabricante de pneus faz dois tipos. Para o tipo A, σ = 2500 Km, e para o
tipo B, σ = 3000 Km. Um taxi testou 50 pneus do tipo A e 40 pneus do tipo B,
obtendo 24000 Km e 26000 Km de duração média dos respectivos tipos.
Adotando um risco de 4% e que existe uma diferença admitida de 200 Km entre
as marcas, testar a hipótese de que a vida média dos dois tipos é a mesma.
(R = rejeita-se H
o
)

2
o
caso) Se as variâncias populacionais σ
2
forem desconhecidas, independentes e
normais, a variável teste será "t" (n n 30)
1
+
2
≤ com ϕ = n
1
+ n
2
-2;

a) As estimativas diferentes

1. Enunciar as hipóteses:

H
o
: µ
1
= µ
2
ou

µ
1
- µ
2
= d

H
1
1 2
1 2
:
µ µ
µ µ

− ≠
¹
'
¹

d


onde d é a diferença admitida entre as duas médias.

2. Fixar α. Escolhendo a variável "t" de Student;

3. Com o auxílio da tabela "t" determinar as regiões RA e RR;

4. Calcular o valor da variável:

120
( )
t
X X d
S
n
S
n
cal
·
− −
+
1 2
1
2
1
2
2
2


5. Conclusões:

Optar pela aceitação ou rejeição de H
o
.

Ex.: Dois tipos de pneus foram testados sob as mesmas condições meteorológicas. O
tipo A fabricado pela fabrica A, registrou uma média de 80.000 km rodados com
desvio padrão de 5.000 km. em 6 carros amostradas. O tipo B fabricado pela
fábrica B, registrou uma média de 88.000 km com desvio padrão de 6.500 km em
12 carros amostradas. Adotando α = 5% testar a hipótese da igualdade das
médias.

b) As estimativas iguais

1. Enunciar as hipóteses:

H
o
: µ
1
= µ
2
ou

µ
1
- µ
2
= d

H
1
1 2
1 2
:
µ µ
µ µ

− ≠
¹
'
¹

d


onde d é a diferença admitida entre as duas médias.

2. Fixar α. Escolhendo a variável "t" de Student;

3. Com o auxílio da tabela "t" determinar as regiões RA e RR;

4. Calcular o valor da variável:

( )
2 1
c
2 1
cal
n
1
n
1
. S
d X X
t
+
− −
·
onde
( ) ( )
S
n S n S
n n
C
·
− + −
+ −
1 1
2
2 2
2
1 2
1 1
2


5. Conclusões:

Optar pela aceitação ou rejeição de H
o
.

Ex.: Dois tipos de tintas foram testados sob as mesmas condições meteorológicas. O
tipo A registrou uma média de 80 min para secagem com desvio padrão de 5
min. em cinco partes amostradas. O tipo B, uma média de 83 min com desvio
padrão de 4 min. em 6 partes amostradas. Adotando α = 5% testar a hipótese da
igualdade das médias. (R = aceit a-se H
o
)

121
9.2.5 Teste de significância para igualdade de duas proporções

1. Enunciar as hipóteses:

H :
o 1
=
2
π π

H
1 1 2
: π π ≠

2. Fixar α. Escolhendo a variável normal padrão "Z";

3. Com o auxílio da tabela "Z" determinar as regiões RA e RR;

4. Calcular o valor da variável:

Z
p p
p q
n
cal
·

− −
$ $
$ . $
1 2
1 2 1 2
onde $ , $ , $ p p
1 2
· · ·
+
+

X
n
X
n
p
X X
n n
1
1
2
2
1 2
1 2
1 2


5. Conclusões:

Optar pela aceitação ou rejeição de H
o
.

Ex.: Deseja-se testar se são iguais as proporções de homens e mulheres que lêem
revista e se lembram do determinado anúncio. São os seguintes os resultados da
amostra aleatória independente de homens e mulheres: Admita α = 10%.

Homens Mulheres
X
1
= 70
n
1
= 200
X
2
= 50
n
2
= 200

9.2.6 Teste de significância para igualdade de duas variâncias

1. Enunciar as hipóteses:

H :
0
σ σ
1
2
2
2
·

H :
1
σ σ
1
2
2
2


2. Fixar α. Escolhendo a variável "F" com ϕ
1
= n
1
- 1 graus de liberdade no
numerador, e ϕ
2
= n
2
- 1 graus de liberdade no denominador.

3. Com o auxílio da tabela "F" determinar as regiões RA e RR;




( ) F F
sup
, ·
α
ϕ ϕ
1 2


( )
( )
F F
F
inf
,
,
· ·
− 1 1 2
2 1
1
α
α
ϕ ϕ
ϕ ϕ

122

4. Calcular o valor da variável:

F
S
S
cal
·

1
2
2
2


5. Conclusões:

Optar pela aceitação ou rejeição de H
o
.

Ex.: Dois programas de treinamento de funcionários foram efetuados. Os 21
funcionários treinados no programa antigo apresentaram uma variância de 146
pontos em sua taxa de erro. No novo programa, 11 funcionários apresentaram
uma variância de 200. Sendo α = 10%, pode-se concluir que a variância é
diferente para os dois programas?


9.3 Exer cíci os

1) O crescimento da indústria da lagosta na Flórida nos últimos 20 anos tornou esse
estado americano o 2
o
mais lucrativo centro industrial de pesca. Espera -se que
uma recente medida tomada pelo governo das Bahamas, que proibiu os pescadores
norte americanos de jogarem suas redes na plataforma continental desse país.
Produza uma redução na quantidade de Kg de lagosta que chega aos Estados
Unidos. De acordo com índices passados, cada rede traz em média 14 Kg de
lagosta. Uma amostra de 20 barcos pesqueiros, recolhida após a vigência da nova
lei, indicou os seguintes resultados, em Kg (Use α = 5%)

7.89 13.29 17.96 15.6 8.89
15.28 16.87 19.68 18.91 12.47
10.93 9.57 5.53 11.57 10.02
8.57 17.96 10.79 19.59 11.06

Estes dados mostram evidências suficientes de estar ocorrendo um decréscimo na
quantidade média de lagostas pescadas por barco, que chega aos Estados Unidos,
depois do decreto do governo das Bahamas? Teste considerando α = 5%.
(bilateral)

2) Os resíduos industriais jogados nos rios, muitas vezes, absorvem oxigênio,
reduzindo assim o conteúdo do oxigênio necessário à respiração dos peixes e
outras formas de vida aquática. Uma lei estadual exige um mínimo de 5 p.p.m.
(Partes por milhão) de oxigênio dissolvido, a fim de que o conteúdo de oxigênio
seja suficiente para manter a vida aquática. Seis amostras de água retiradas de um
rio, durante a maré baixa, revelaram os índices (em partes por milhão) de oxigênio
dissolvido:

123
4.9 5.1 4.9 5.5 5.0 4.7

Estes dados são evidência para afirmar que o conteúdo de oxigênio é menor que 5
partes por milhão? Teste considerando α = 5% e α = 1%.

3) A Debug Company vende um repelente de insetos que alega ser eficiente pelo
prazo de 400 horas no mínimo. Uma análise de 90 itens aleatoriamente
inspecionados acusou uma média de eficiência de 380 horas.

a) Teste a afirmativa da companhia, contra a alternativa que a duração é inferior a 400
horas, ao nível de 1%, seu desvio padrão é de 60 horas.
b) Repita o teste, considerando um desvio padrão populacional de 90 horas.

4) Ao final de 90 dias de um dieta alimentar envolvendo 32 pessoas, constatou-se o
seguinte ganhos médio de peso 40 g, e desvio padrão de 1,378g.

a) Supondo que o ganho de peso médio dessas pessoas é de 45 g, teste a hipótese para
α = 5%, se esse valor é o mesmo (bilateral)
b) Supondo que a variância dessas pessoas é de 1.8 g
2
, teste a hipótese para α = 5%,
se esse valor é o mesmo (bilateral).

5) Uma pesquisa feita alega que 15% dos pessoas de uma determinada região sofrem
de cegueira aos 70 anos. Numa amostra aleatória de 60 pessoas acima de 70 anos
constatou-se que 12 pessoas eram cegas. Teste a alegação para α = 5% contra p >
15%.

6) A tabela abaixo mostra a quantidade de pessoas que obtiveram o melhor efeito
perante a aplicação de duas drogas:

Droga A Droga B
Sexo muscular intravenosa muscular Total
Masculino 21 10 22 53
Feminino 20 12 25 57
Total 41 22 47 110

a) Testar a hipótese de que a proporção de homens submetidos a droga A é de 35%,
sendo α = 3%.
b) Testar a hipótese de que a proporção dos adultos que tiveram melhor resultado nas
aplicações musculares é de 85%, usando α = 2%.
c) Testar a hipótese de que a proporção de mulheres é de 50%, usando α = 5%.
d) Testar a hipótese de que a proporção de pessoas submetidos a droga A é de 65%,
usando α = 4%.

7) Um processo de fabricação de arame de aço dá um produto com resistência média
de 200 psi. O desvio padrão é de 20 psi. O engenheiro de controle de qualidade
deseja elaborar um teste que indique se houve ou não variação na média do
124
processo, usando uma amostra de 25 arames obteve-se uma média de 285 psi. Use
um nível de significância de 5%. Suponha normal a população das resistências.

8) A DeBug Company vende um repelente para insetos que alega ser eficiente pelo
prazo de 400 horas no mínimo. Uma análise de 9 itens escolhidos aleatoriamente
acusou uma média de eficiência de 380 horas. a) Teste a alegação da companhia,
contra a alternativa que a duração é inferior a 400 horas no mínimo ao nível de
1%, e o desvio padrão amostral é de 60 horas. b) Repitas o item (a) sabendo que o
desvio padrão populacional é de 90 horas.

9) Um laboratório de Análises Clínicas realizou um teste de impurezas em 9 porções
de um determinado composto. Os valores obtidos foram: 10,32; 10,44; 10;56;
10,.60; 10,63; 10,67; 10,7; 10.73; 10,75 mg. a) estimar a média e a variância de
impurezas entre as porções. b) Testar a hipótese de que a média de impureza é de
10.4, usando α = 5%. c) Testar a hipótese de que a variância é um usando α =
5%.

10) Uma experiência tem mostrado que 40% dos estudantes de uma Universidade
reprovam em pelo menos 5 disciplinas cursada na faculdade. Se 40 de 90
estudantes fossem reprovados em mais de 5 disciplinas, poderíamos concluir
quanto a proporção populacional, usando α = 1%.

11) Para verificar a eficácia de uma nova droga foram injetados doses em 72 ratos,
obtendo-se a seguinte tabela:

Sexo Tamanho da Amostra Variância
Machos 41 43.2
Fêmeas 31 29.5

Testar a igualdade das duas variâncias usando α = 10%.

12) Sendo

Amostra 1 n
1
= 60
X
1
= 5.71 σ
1
2
= 43
Amostra 2 n
2
= 35
X
2
= 4.12 σ
2
2
= 28

a) Testar a igualdade das duas médias usando α = 4%.
b) Testar a igualdade das duas variâncias usando α = 5%
125
13) Na tabela abaixo estão registrados os índices de vendas em 6 supermecados para
os produtos concorrentes da marca A e marca B. Testar a hipótese de que a
diferença das médias no índice de vendas entre as marcas é zero, usando α = 5%.

Supermercado Marca A Marca B
1 14 4
2 20 16
3 2 28
4 11 9
5 5 31
6 12 10

14) Da população feminina extraiu-se uma amostra resultando:

Renda (em $1000) 10 | --- 25 25 | --- 40 40 | --- 55 55 | --- 70 70 | ---85
N
o
de mulheres 7 12 10 6 4

da população masculina retirou-se uma amostra resultando:

Renda (em $1000) 10 | --- 25 25 | --- 40 40 | --- 55 55 | --- 70 70 | ---85
N
o
de homens 8 15 12 7 3

a) Testar ao nível de 10% a hipótese de que a diferença entre a renda média dos
homens e das mulheres valha $ 5000.

b) Testar ao nível de 5% a hipótese de que a diferença entre as variâncias valha 0.

15) Uma empresa de pesquisa de opinião seleciona, aleatoriamente, 300 eleitores de
São Paulo e 400 do Rio de Janeiro, e pergunta a cada um se votará ou não num
determinado candidato nas próximas eleições. 75 eleitores de SP e 120 do RJ
responderam afirmativo. Há diferença entre as proporções de eleitores favoráveis
ao candidato naqueles dois estados? use α = 5%.

16) Estão em teste dois processos para fechar latas de comestíveis. Numa seqüência
de 1000 latas, o processo 1 gera 50 rejeições, enquanto o processo 2 acusa 200
rejeições. Pode ao nível de 5%, concluir que os dois processos sejam diferentes?


9.4 Test e do Qui - quadr ado χ
2


Anteriormente foi testado hipóteses referentes a um parâmetro populacional ou
mesmo a comparação de dois parâmetros, ou seja, são os testes paramétricos. Agora será
testado aqueles que não dependem de um parâmetro populacional, nem de suas respectivas
estimativas. Este teste é chamado de teste do Qui-quadrado.

O teste do Qui-quadrado é usado quando se quer comparar freqüências observadas
com freqüências esperadas. Divide-se em três tipos:
126

- Teste de adequação do ajustamento
- Teste de Aderência
- Teste de Independência (Tabela de Contingência)

9.4.1 Procedimentos para a realização de um teste Qui-quarado (χ
2
)

1
o
) Determinação das Hipóteses:
H
o
: F
o
= F
e
H
1
: F
o
≠ F
e

2
o
) Escolha do Nível de Significância (α)
3
o
) Estatística Calculada
( )

·

· χ
k
1 i
e
2
e o 2
cal
F
F F

4
o
) Estatística Tabelada: χ χ
ϕ α tab
2 2
·
,

5
o
) Comparar o
χ
cal
2
com χ
tab
2
e concluir:



6
o
) Conclusão:
Se
χ
cal
2
≤ χ
tab
2
→ aceita -se H
o

Se
χ
cal
2
> χ
tab
2
→ rejeita-se H
o

127
9.4.2 Teste de adequação do ajustamento

Suponhamos uma amostra de tamanho n. Sejam E
1
, E
2
, ..., E
k
, um conjunto de
eventos possíveis da amostra.

Eventos Freq. Obs.
E
1

E
2

:
E
k

F
o1

F
o2

:
F
ok

Total n


Este teste é indicado para verificar se as freqüências observadas dos k eventos (k
classes em que a variável é dividida) concordam ou não com as freqüências teóricas esperadas.

As freqüências esperadas (F
ei
) são obtidas multiplicando-se o número total de
elementos pela proporção teórica da classe i (n. p
i
).

Para encontrar o
χ
cal
2
, necessita-se do nível de Significância (α) e dos graus de
liberdade (ϕ), os quais podem ser obtidos da seguinte forma:

1
o
) ϕ = k - 1, quando as freqüências esperadas puderem ser calculadas sem que façam
estimativas dos parâmetros populacionais a partir das distribuições amostrais.

2
o
) ϕ = k - 1 - m, quando para a determinação das freqüências esperadas, m
parâmetros tiverem suas estimativas calculadas a partir das distribuições amostrais. Pearson
mostrou que, se o modelo testado for verdadeiro e se todas as F
ei
≤ 5%, estas deverão ser
fundidas às classes adjacentes.

Ex1.: Deseja-se testar se o número de acidentes numa rodovia se distribui igualmente
pelos dias da semana. Para tanto foram levantados os seguintes dados (α =
5%).

Dia da Semana Dom Seg Ter Qua Qui Sex Sab
N
o
de Acidentes 33 26 21 22 17 20 36

Resolução:

H
o
: As freqüências são iguais em todos os dias
H
1
:As freqüências são diferentes em todos os dias
128

Dia da Semana Dom Seg Ter Qua Qui Sex Sab k = 7
N
o
de Acidentes 33 26 21 22 17 20 36 175
p
i
1/ 7 1/ 7 1/ 7 1/ 7 1/ 7 1/ 7 1/ 7 ---
Fe = n . p
i
25 25 25 25 25 25 25 ---

( ) ( ) ( )
12
25
25 36
...
25
25 26
25
25 33
2 2 2
2
calc
·

+ +

+

· χ
χ
cal
2
= 12 χ
tab
2
= χ
5 6
2
12 5
%,
. ·

Conclusão: Como o χ
cal
2
< χ
tab
2
, aceita-se H
o
, ou seja, para α = 5%, as freqüências
podem ser iguais.

Ex2.: O número de livros emprestados por uma biblioteca durante certa semana está
a seguir. Teste a hipótese que o número de livros emprestados não dependem do dia da
semana, com α = 1%.

Dia da Semana Seg Ter Qua Qui Sex
N
o
de Livros 110 135 120 146 114

R = χ
cal
2
= 7.29 ; χ
tab
2
= χ
1 4
2
13 28
%,
. ·

9.4.3 Teste de aderência

É usada a estatística χ
2
quando deseja-se testar a natureza da distribuição amostral.
Por exemplo, quando se quer verificar se a distribuição amostral se ajusta a um determinado
modelo de distribuição de probabilidade (Normal, Poisson, Binomial, ...), ou seja, verifica-se a
boa ou má, aderência dos dados da amostra do modelo.

Ex1.: O número de defeitos por unidade de uma amostra de 100 aparelhos de TV
produzidos por uma linha de montagem apresentou a seguinte distribuição:

N
o
de Defeitos 0 1 2 3 4 5 6 7
N
o
de Aparelhos 25 35 18 13 4 2 2 1

Verificar se o número de defeitos por unidade segue razoavelmente uma
distribuição de Poisson, com α = 5%.

Resolução:

H
o
: A distribuição do n
o
de defeitos/ unidade segue uma Poisson
H
1
: A distribuição do n
o
de defeitos/ unidade não segue uma Poisson
129

N
o
de Defeitos 0 1 2 3 4 5 6 7 n
N
o
de Aparelhos 25 35 18 13 4 2 2 1 100
p
i
0.212 0.329 0.255 0.132 0.051 0.016 0.004 0.001 1.000
Fe = n . p
i
21.2 32.9 25.5 13.2 5.1 1.6* 0.4* 0.1* 100

Para calcular p
i
, temos: p
e
i
i
i
·
−µ
µ
!
(Distribuição de Poisson)
µ · · ·
·

X
X f
n
i i
i
n
.
.
1
155
( )
212 . 0
! 0
55 . 1 e
p
0
55 . 1
0
· ·


( )
051 . 0
! 4
55 . 1 e
p
4
55 . 1
4
· ·



( )
329 . 0
! 1
55 . 1 e
p
1
55 . 1
1
· ·


( )
016 . 0
! 5
55 . 1 e
p
5
55 . 1
5
· ·



( )
255 . 0
! 2
55 . 1 e
p
2
55 . 1
2
· ·


( )
004 . 0
! 6
55 . 1 e
p
6
55 . 1
6
· ·



( )
132 . 0
! 3
55 . 1 e
p
3
55 . 1
3
· ·


( )
001 . 0
! 6
55 . 1 e
p
6
55 . 1
7
· ·



*
= F
ei
≤ 5%, logo deve ser agrupada com a classe adjacente.

( ) ( ) ( )
474 . 3
2 . 7
2 . 7 9
...
9 . 32
9 . 32 35
2 . 21
2 . 21 25
7 6 5 4
2 2 2
2
calc
·

+ +

+

· χ
− − −
43 42 1


¹
'
¹ ·
· − − · − − · ϕ
) X ( usados) s estimadore de (número 1 = m
o) agrupament após classes de (número 5 k
3 1 1 5 m 1 k

χ
tab
2
= χ
5 3
2
7 81
%,
. ·

Conclusão: Como o χ
cal
2
≤ χ
tab
2
, aceita-se H
o
, ou seja, para α = 5%, a distribuição do
número de defeitos/ unidade pode seguir uma Distribuição de Poisson.
130
Ex2.: Verificar se os dados das distribuição das alturas de 100 estudantes do sexo
feminino se aproxima de uma distribuição normal, com α = 5%.

Altura (cm) N
o
de Estudantes Transf. "Z" Prob (área) Fe = n . p
i

150 | --- 156
156 | --- 162
162 | --- 168
168 | --- 174
174 | --- 180
180 | --- 186
4
12
22
40
20
2
- ∞ | --- -1.94
-1.94 | --- -1.04
-1.04 | --- -0.14
-0.14 | --- 0.76
0.75 | --- 1.66
1.66 | --- + ∞
0.026 *
0.123
0.295
0.332
0.175
0.048 *
2.6
12.3
29.5
33.2
17.5
4.8
k = 6 100 1.000 100.0

Resolução:

H
o
: A distribuição da altura das estudantes do sexo feminino é normal
H
1
: A distribuição da altura das estudantes do sexo feminino não é normal

Para calcular p
i
, temos: Z
x
S
i
·
−µ
(Distribuição Normal Padrão)
µ · · ·
·

X
X f
n
i i
i
n
.
.
1
168 96
( )
67 . 6
1 n
X X . f
S
n
1 i
i i
·


·

·


Z
1
156 168 96
6 67
1 94 ·

· −
.
.
. Z
4
174 168 96
6 67
0 76 ·

·
.
.
.

Z
2
162 168 96
6 67
1 04 ·

· −
.
.
. Z
5
180 168 96
6 67
1 65 ·

·
.
.
.

Z
3
168 168 96
6 67
0 14 ·

· −
.
.
.

( ) ( ) ( ) ( )
38 . 3
3 . 22
) 8 . 4 5 . 17 ( ) 2 20 (
2 . 33
2 . 33 40
5 . 29
5 . 29 22
9 . 14
) 3 . 12 6 . 2 ( ) 12 4 (
6 5
2 2 2
2 1
2
2
calc
·
+ − +
+

+

+
+ − +
· χ
− −
4 4 4 4 3 4 4 4 4 2 1 4 4 4 4 3 4 4 4 4 2 1

ϕ = k - 1 - m = 4 - 1 - 2 = 1
¹
'
¹ ·
(S) ) X ( usados) s estimadore de (número 2 = m
o) agrupament após classes de (número 4 k


χ
tab
2
= χ
5 1
2
3 84
%,
. ·

Conclusão: Como o χ
cal
2
≤ χ
tab
2
, aceita-se H
o
, ou seja, para α = 5%, a distribuição da
altura das estudantes do sexo feminino é normal.
131
9.4.4 Tabelas de contingência – Teste de independência

Uma importante aplicação do teste χ
2
ocorre quando se quer estudar a relação entre
duas ou mais variáveis de classificação. A representação das freqüências observadas, nesse
caso, pode ser feita por meio de uma tabela de contingência.

H
o
: As variáveis são independentes (não estão associadas)

H
1
: As variáveis não são independentes (estão associadas)

O número de graus de liberdade é dado por: ϕ = (L - 1) (C - 1), onde L é o número
de linhas e C o número de colunas da tabela de contingência.

( )

·

· χ
k
1 i
e
2
e o 2
cal
F
F F

( )( )
s observaçõe de total
j coluna da soma i linha da soma
F
eij
·

Obs.: Em tabelas 2 x 2 temos 1 grau de liberdade, por isso utiliza -se a correção de
Yates, onde para n ≥ 50 pode ser omitida.

O teste do χ
2
não é indicado em tabelas 2 x 2 nos seguintes casos:

i) quando alguma freqüência esperada for menor que 1;
ii) quando a freqüência total for menor que 20 (n ≤ 20);
iii) quando a freqüência total (20 ≤ n ≤ 40) e algumas freqüências esperadas for
menor que 5. Neste caso aplica-se o teste exato de Fischer.

Ex.: Verifique se há associação entre os níveis de renda e os municípios onde foram
pesquisados 400 moradores. Use α = 1%.

Município Níveis de Renda
A B C D
X
Y
28
44
42
78
30
78
24
76

H
o
: As variáveis são independentes
H
1
: As variáveis são dependentes

A B C D Total (l )
X
Y
28
44
42
78
30
78
24
76
124
276
Total (c) 72 120 108 100 400

F
x
e11
124 72
400
22 32 · · . F
x
e21
276 72
400
49 68 · · .

132
F
x
e12
124 120
400
37 2 · · . F
x
e22
276 120
400
82 8 · · .

F
x
e13
124 108
400
33 48 · · . F
x
e23
276 108
400
74 52 · · .

F
x
e14
124 100
400
310 · · . F
x
e24
276 100
400
69 · ·

( ) ( ) ( )
81 , 5
69
69 76
...
2 , 37
2 , 37 42
32 , 22
32 ,. 22 28
2 2 2
2
calc
·

+ +

+

· χ

34 , 11
2
3 %; 1
2
) 1 4 )( 1 2 ( %; 1
2
tab
· χ · χ · χ
− −


Conclusão: Como o χ
cal
2
≤ χ
tab
2
, aceita-se H
o
, ou seja, para α = 1%, as variáveis são
independentes.

Uma medida do grau de relacionamento, associação ou dependência das classificações
em uma tabela de contingência é dada pelo coeficient e de contingência.

C
n
cal
cal
·
+
χ
χ
2
2


Quanto maior o valor de C, maior o grau de associação, O máximo valor de C
dependerá do número de linhas e colunas da tabela e pode variar de 0 (independência) a 1
(dependência total).


9.5 Exer cíci os

1) Verificar se os dados se a justam a uma distribuição de Poisson,
α = 2.5%.

N
o
de Acidentes 0 1 2 3 4 5
N
o
de Dias 25 19 10 9 4 3

2) Testar para α = 5% se há alguma relação entre as notas escolares e o salário.

Salários Notas Escolares
Alta Baixa Média
Alto
Médio
Baixo
18
26
6
5
16
9
17
38
15
R = aceita H
o


133
3) Determine o valor do coeficiente de contingência considerando os dados: α = 1%.

Sexo Partido
A B
Masculino
Feminino
50
29
72
35
C = 4%

4) Com o objetivo de investigar a relação entre a situação do emprego no momento
em que se aprovou um empréstimo e saber se o empréstimo está, agora, pago ou
não, o gerente de uma financeira selecionou ao acaso 100 clientes obtendo os
resultados da tabela. Teste a hipótese nula de que a situação de emprego e a de
empréstimo são variáveis independentes, com α = 5%.

Estado Atual Situação de Emprego
do Emprést imo Empregado Desempregado
Em mora
Em dia
10
60
8
22
R = Aceita H
o


5) A tabela indica o número médio de acidentes por mil homens/ hora da amostra de
50 firmas obtidas de uma indústria específica. A média desta distribuição é de
2.32 e o desvio padrão de 0.42. Teste a hipótese nula de que as freqüências
observadas seguem uma distribuição normal, com α = 5%.

N
o
de Acidentes N
o
de Firmas
1.5 --- 1.7
1.8 --- 2.0
2.1 --- 2.3
2.4 --- 2.6
2.7 --- 2.9
3.0 --- 3.2
3
12
14
9
7
5



R = A ceita H
o

Total 50

6) Verifique se a distribuição se ajusta a normal. (α = 5%), onde 200 casas de aluguel
foram pesquisadas, obtendo-se a seguinte distribuição:

Classes ($) freq. observada
250 | --- 750
750 | --- 1250
1250 | --- 1750
1750 | --- 2250
2250 | --- 2750
2750 | --- 3250
3250 | --- 3750
3750 | --- 4250
4250 | --- 4750
2
10
26
45
60
37
13
5
2
Total 200


134
1 10 0 R RE EG GR RE ES SS SÃ ÃO O E E C CO OR RR RE EL LA AÇ ÇÃ ÃO O



10.1 I nt r odução

Muitas vezes é de interesse estudar-se um elemento em relação a dois ou mais
atributos ou variáveis simultaneamente.
Nesses casos presume-se que pelo menos duas observações são feitas sobre cada
elemento da amostra. A amostra consistirá, então, de pares de valores, um valor para cada uma
das variáveis, designadas, X e Y. Um indivíduo “i” qualquer apresenta o par de valores (X
i
; Y
i
).
Objetivo visado quando se registra pares de valores (observações) em uma amostra, é o
estudo das relações entre as variáveis X e Y.
Para a análise de regressão interessam principalmente os casos em que a variação de
um atributo é sensivelmente dependente do outro atributo.
O problema consiste em estabelecer a função matemática que melhor exprime a
relação existente entre as duas variáveis. Simbolicamente a relação é expressa por uma equação
de regressão e graficamente por uma curva de regressão.


10.2 Def i ni ção

Constitui uma tentativa de estabelecer uma equação matemática linear que descreva o
relacionamento entre duas variáveis (uma dependente e outra independente).

A equação de regressão tem por finalidade ESTIMAR valores de uma variável, com
base em valores conhecidos da outra.

Ex.: Peso x Idade; Vendas x Lucro; Nota x Horas de Estudo


10.3 Model o de Regr essão

i i i
+ x yˆ ε + β α ·


i
yˆ ⇒ valor estimado (variável dependente);
i
x ⇒ variável independente;
α ⇒ coeficiente de regressão (coeficiente angular);
β ⇒ coeficient e linear;
i
ε ⇒ resíduo.
135
10.3.1 Pressuposições

Na regressão, os valores de "y" são estimados com base em valores dados ou
conhecidos de "x", logo a variável "y" é chamada variável dependente, e "x" variável
independente.

a) A relação entre X e Y é linear (os acréscimos em X produzem acréscimos proporcionais em
Y e a razão de crescimento é constante).
b) Os valores de X são fixados arbitrariamente (X não é uma variável aleatória).
c) Y é uma variável aleatória que depende entre outras coisas dos valores de X.
d) ε
i
é o erro aleatório, portanto uma variável aleatória com distribuição normal, com média
zero e variância σ
2
. [ ε
i
~ N (0, σ
2
)]. ε
i
representa a variação de Y que não é explicada pela
variável independente X.
e) Os erros são considerados independentes.

Ex.: Vendas (x 1000) X Lucro (x100)

Obs. 1 2 3 4 5 6 7 8
Vendas 201 225 305 380 560 600 685 735
Lucro 17 20 21 23 25 24 27 27

10.3.1 Gráfico (Diagrama de Dispersão)

Tem como finalidade ajudar na decisão se uma reta descreve adequadamente ou não
o conjunto de dados.

Vendas
L
u
c
r
o
16
18
20
22
24
26
28
150 250 350 450 550 650 750 850


Pelo gráfico podemos observar que a possível reta de regressão terá um coeficiente de
regressão (coeficiente linear) positivo.
136
10.4 Mét odo par a est i mação dos parâmet ros α e β

As estimativas dos parâmetros α e β dadas por “a” e “b”, serão obtidas a partir de
uma amostra de n pares de valores (x
i
, y
i
) que correspondem a n pontos no diagrama de
dispersão. Exemplo:

O método mais usado para ajustar uma linha ret a para um conjunto de pontos
(x , y ), ..., (x ,y )
1 1 n n
é o Método de Mínimos Quadrados:

O método dos mínimos quadrados consiste em adotar como estimativa dos
parâmetros os valores que minimizem a soma dos quadrados dos desvios.

10.4.1 Características

1
a
) A soma dos desvios verticais dos pontos em relação a reta é zero;

2
a
) A soma dos quadrados desses desvios é mínima.

Os valores de "a" e "b" da reta de regressão $ y a x + b · serão:

a
n xy
n x

S
S
i=1
n
2
i=1
n
xy
xx
·


¸
¸

_
,

·
∑ ∑ ∑
∑ ∑
· ·
·
x y
x
i
n
i
n
i
n
1 1
1
2



b y a x · −


Para cada par de valores (x
i
, y
i
) podemos estabelecer o desvio:

) bx a ( y yˆ y e
i i i i i
+ − · − ·

Para facilitar os cálculos da reta de regressão, acrescentamos três novas colunas na
tabela dada.


Obs.
Vendas
X
i

Lucro
Y
i


2
i
X

Y
i
2


i i
Y . X
1 201 17 40401 289 3417
2 225 20 50625 400 4500
3 305 21 93025 441 6405
4 380 23 144400 529 8740
5 560 25 313600 625 14000
6 600 24 360000 576 14400
7 685 27 469225 729 18495
8 735 27 540225 729 19845
Σ 3691 184 2011501 4318 89802

137
( ) ( )( )
( ) ( )
0159 , 0
3691 2011501 8
184 3691 89802 8

x x n
y x y x n
a
2 2
n
1 i
i
n
1 = i
2
i
n
1 i
i
n
1 i
i
n
1 = i
i i
·


·

,
_

¸
¸


·
∑ ∑
∑ ∑ ∑
·
· ·


15,66 = 1,38) (0,159)(46 - 23 = x a y b − ·

15,66 + x 0159 , 0 yˆ ·

Saída do Statistica

Vendas
L
u
c
r
o
16
18
20
22
24
26
28
150 250 350 450 550 650 750 850
y = 15,66 + 0,0159 x


Partindo da reta de regressão podemos afirmar que para uma venda de 400 mil
podemos obter um lucro de $ ( . ) y (400.000) + 15.66 = 22 mil · 0 0159 .

Saídas do Statistica



Obs.: Para qualquer tipo de equação de regressão devemos ter muito cuidado para
não extrapolar valores para fora do âmbito dos dados. O perigo da extrapolação para fora dos
dados amostrais, é que a mesma relação possa não mais ser verificada.

138
10.5 Decomposi ção da var i ânci a Tot al

A dispersão da variação aleatória “y” pode ser medida através da soma dos quadrados
dos desvios em relação a sua média y . Essa soma de quadrados será denominada Soma de
Quadrados Total (SQTotal).

( )

·
− ·
n
1 i
2
i
y y SQTotal

A SQTotal pode ser decomposta da seguinte forma:

( ) ( ) ( )
∑ ∑ ∑
· · ·
− + − · −
n
1 i
2
i i
n
1 i
2
i
n
1 i
2
i
yˆ y y yˆ y y

Essa relação mostra que a variação dos valores de Y em torno de sua média pode ser
dividida em duas partes: uma ( )

·

n
1 i
2
i
y yˆ que é explicada pela regressão e outra ( )

·

n
1 i
2
i i
yˆ y ,
devido ao fato de que nem todos os pontos estão sobre a reta de regressão, que é a parte “não
explicada” pela regressão ou variação residual.

Assim:

SQ. Total = SQRegressão + SQResíduo

A estatística definida por
SQTotal
o a
~
Regress SQ
r
2
· , e denominada coeficiente de
determinação, indica a proporção ou percentagem da variação de Y que é “explicada” pela
regressão.

Note que 0 ≤ r
2
≤ 1.

Fórmulas para cálculo:

SQTotal = ( )
∑ ∑ ∑
· ·

,
_

¸
¸
− · −
n
1 i
2
n
1 i
i
n
1 = i
2
i
2
i
y y n y y ,

com (n - 1) graus de liberdade.

SQ Regressão = ( )
,
_

¸
¸
− · −
∑ ∑ ∑ ∑
· · ·
n
1 i
i
n
1 i
i
n
1 = i
i i
n
1 i
2
i
y x y x n b y yˆ ,

com (n - 2) graus de liberdade.
139
10.6 Anál i se de Var i ânci a da Regr essão

A Soma de Quadrados da Regressão (SQRegressão), segue uma distribuição de χ
2

(qui-quadrado) com (1) grau de liberdade, enquanto que a Soma de Quadrados do Resíduo
(SQResíduos) segue a mesma distribuição, porém com (n - 2) graus de liberdade. Portanto, o
quociente

QMResiduo
o a
~
QMRegress
2 - Residuo/n SQ
o/1 a
~
Regress SQ
· ,

segue uma distribuição F de Snedecor com 1 e (n - 2) graus de liberdade.

Esse fato nos permite empregar a distribuição F de Snedecor para testar a
significância da regressão, através da chamada Análise de Variância, sintetizada no quadro
abaixo:

Análise de Variância

Causas de Variação
G.L. SQ QM F
Regressão 1 SQRegressão
1
o a
~
QMRegress

QMResiduo
o a
~
QMRegress

Resíduo n - 2 SQResíduo
2 - n
QMResíduo

---
Total n - 1 SQTotal --- ---

onde QM representa Quadrado Médio e é obtido pela divisão da Soma de Quadrados pelos
respectivos graus de liberdade.

Para testar a significância da regressão, formula-se as seguintes hipóteses:

H
0
: β= 0 contra H
1
: β≠0, onde β representa o coeficiente de regressão paramétrico.

Se o valor de F, calculado a partir do quadro anterior, superar o valor teórico de F
com 1 e (n - 2) graus de liberdade, para o nível de significância α, rejeita -se H
0
e conclui -se que
a regressão é significativa.

Se F
calc.
> F
α [1,(n-2)]
, rejeita-se H
0
.
140
Para o exemplo anterior:


Obs.
Vendas
i
X
Lucro
i
Y

2
i
X

Y
i
2


i i
Y . X
1 201 17 40401 289 3417
2 225 20 50625 400 4500
3 305 21 93025 441 6405
4 380 23 144400 529 8740
5 560 25 313600 625 14000
6 600 24 360000 576 14400
7 685 27 469225 729 18495
8 735 27 540225 729 19845
Σ 3691 184 2011501 4318 89802

66 , 15 x 0159 , 0 yˆ
i i
+ ·

1
]
1

¸


∑ ∑ ∑
· ·
n
1 i
i
n
1 i
i
n
1 = i
i i
y x y x n a = o a
~
SQRegress

( ) [ ] 624,42 = ) 184 )( 3691 ( 89802 8 0,0159 = o a
~
SQRegress −

2
n
1 i
i
n
1 = i
2
i
y y n SQTotal
,
_

¸
¸
− ·
∑ ∑
·


688,00 = (184) - 8(4318) SQTotal
2
·


Causas de Variação
G.L. SQ QM F
Regressão 1 624,42 624,42000 58,93
Resíduo 6 63,58 10,59587 ---
Total 7 688,00 --- ---

H
0
: β = 0 e H
1
: β ≠ 0

Comparando o F
calc.
= 58,93 com o F
tab.
= F
0,05 (1,6)
= 5,99

Conclui-se que a regressão de y sobre x segundo o modelo 66 , 15 x 0159 , 0 yˆ
i i
+ · é
significativa ao nível de significância de 5%. Uma vez estabelecida e testada a equação de
regressão, a mesma pode ser usada para explicar o relacionamento entre as variáveis e também
para fazer previsões dos valores de Y para valores fixados de X.
141
Saídas do Statistica




10.7 Coef i ci ent e de Det er mi nação ( r ² )

É o grau em que as predições baseadas na equação de regressão superam as predições
baseadas em y, ou ainda é a proporção entre a variância explicada pela variância total.

Variância Total = soma dos desvios ao quadrado

VT = SQTotal = ( )
∑ ∑ ∑
· ·

,
_

¸
¸
− · −
n
1 i
2
n
1 i
i
n
1 = i
2
i
2
i
y y n y y ,

Variância Não-explicada = soma de quadrados dos desvios em relação a reta $ y

VÑE = ( )

·

n
1 i
2
i i
yˆ y

Para facilitar os cálculos usaremos:

r
n xy
n x n y

COV
S S
2 i=1
n
2
2
i=1
n
2
i=1
n
xy
xx yy
·

¸
¸

_
,


¸
¸

_
,

¸

1
]
1
1

¸
¸

_
,

¸

1
]
1
1
·
∑ ∑ ∑
∑ ∑ ∑ ∑
· ·
· ·
x y
x y
i
n
i
n
i
n
i
n
1 1
1
2
1
2
.


[ ]
[ ][ ]
r
8(89802) - (3691)(184)
8(2011501) - (3691) 8(4318) - (184)
0.908
2
2 2
· ·
2


O valor de r² varia de 0 a 1, logo o fat o de r² = 0.908 (no exemplo), indica que
aproximadamente 91% da variação do lucro estão relacionados com a variação das vendas, em
outras palavras 9% da variação dos lucros não são explicados pelas vendas.

142
Saídas do Statistica




10.8 Coef i ci ent e de Correl ação ( r )

Tem como objetivo encontrar o grau de relação entre duas variáveis, ou seja, um
coeficiente de correlação.

Esta é a forma mais comum de análise, envolvendo dados contínuos, conhecido
como "r de Pearson ".


10.8.1 Características do “r”

- Pode assumir valores positivos (+ ) como negativos (-), é semelhante ao coeficiente
de regressão de uma reta ajustada num diagrama de dispersão;

- A magnitude de r indica quão próximos da "reta" estão os pontos individuais;

- quando o r se aproxima de + 1 indica pouca dispersão, e uma correlação muito forte
e positiva;

- quando o r se aproxima de "zero" indica muita dispersão, e uma ausência de
relacionamento;

- quando o r se aproxima de -1 indica pouca dispersão, e uma correlação muito forte
e negativa.

0
-1 +1
0
valor de r
-0,5 +0,5
Negativa
forte
Positiva
forte
Negativa
moderada
Positiva
moderada
Negativa
fraca
Positiva
fraca


143
10.8.2 Medidas de Correlação

10.8.2.1 Tratamento Qualitativo (correlação momento produto)

Relação entre as variáveis, mediante a observação do diagrama de dispersão.


10.8.2.2 Tratamento Quantitativo

É o estabelecimento das medidas de correlação.

O valor de "r" pode ser enganoso, na realidade, uma estatística mais significante é o r²
(coeficiente de determinação), que dá o valor percentual da variação de uma variável explicativa
em relação a outra variável.

yy xx
xy
n
1 i
n
1 = i
2
n
1 i
n
1 = i
2
n
1 i
n
1 i
n
1 = i
S . S
S

y y n x x n
y x xy n
r ·
1
]
1

¸

,
_

¸
¸

1
]
1

¸

,
_

¸
¸

,
_

¸
¸

·
∑ ∑ ∑ ∑
∑ ∑ ∑
· ·
· ·


Logo podemos observar que o coeficiente de determinação nos dá uma base intuitiva
para a análise de correlação.

No exemplo temos r = 0.95 3

Saída do Statistica

Regression
95% confid.
LUCRO = 15,660 + ,01591 * VENDAS
Correlação: r = ,95295
Vendas

L
u
c
r
o
16
18
20
22
24
26
28
150 250 350 450 550 650 750 850


144
10.9 Exer cíci os

Para os dados abaixo:

a) Construa um diagrama de dispersão;
b) Determine a reta de regressão;
c) Faça uma análise de variância do modelo;
d) Calcule o Coeficiente de Explicação;
e) Calcule o Coeficiente de Correlação de Pearson;
f) Interprete os resultados obtidos.


X = 1
o
Exame e Y = 2
o
Exame

Aluno 1 2 3 4 5 6 7 8 9 10
Exame 1 82 84 86 83 88 87 85 83 86 85
Exame 2 92 91 90 92 87 86 89 90 92 90
R = $ . y x +157. 25 · −0 79 ; r² = 53.29%; r = -0.73


X = horas de estudo e Y = Nota da Prova

Aluno 1 2 3 4 5 6 7 8
Horas 2 4 5 5 6 8 9 10
Nota 1 3 6 6 8 7 8 10
R =
$ . y x +0.12 · 0 98 ; r² = 82.99%; r = + 0.911


X = Seguro (x 1000 ) e Y = Renda (x100)

Indivíduo 1 2 3 4 5 6 7 8
Seguro 20 16 34 23 27 32 18 22
Renda 64 61 84 70 88 92 72 77
R = $ . y x +40.08 ·1 50 ; r² = 74.3%; r = + 0.86


X = Peso do Pai (kg) e Y = Peso do Filho (kg)

Indivíduo 1 2 3 4 5 6 7 8 9 10
Peso Pai 65 63 67 64 68 62 70 66 68 67
Peso Filho 68 66 68 65 69 66 68 65 71 67
R = $ . y x +35.48 · 0 48 ; r² = 40.58%; r = + 0.637



145
1 11 1 R Re ef f e er rê ên nc ci ia as s B Bi i b b l l i i o oggr r á áf f i ic ca as s



COSTA NETO, P.L.O.; CYMBALISTA, M. (1994). Probabilidades. São Paulo: Edgard
Blucher.

FONSECA, J.S.; MARTINS, G.A. (1993). Curso de estatística. 4
a
ed. São Paulo: Atlas.

LAPONNI, Juan Carlos (1997). Estatística usando o Excel. São Paulo: Lapponi
Treinamento e Editora.

MILONE, G.; ANGELINI, F. (1995). Estatística aplicada. São Paulo: Atlas.

SNEDECOR, G. W.; COCHRAM, W. G. (1989). Statistical Methods. 8
rd
ed. Iowa: Iowa
State University Press, 1989.

WONNACOTT, T.H.; WONNACOTT, R. J. (1990). Introductory Statistics. New York.
John wiley & Sons;

Sum ário
1 Conceitos básicos 1.1 População x Amostra 1.2 Censo x Amostragem 1.3 Dado x Variável 1.4 Parâmetros x estatísticas 1.5 Arredondamento de dados 1.6 Fases do método estatístico 2 Representação tabular 2.1 Representação esquemática 2.2 Elementos de uma tabela 2.3 Séries estatísticas 2.4 Distribuição de freqüência 3 Representação gráfica 3.1 Gráficos de Linhas 3.2 Gráficos de colunas ou barras 3.3 Gráficos circulares ou de Setores (Pie Charts) 3.4 Gráfico Pictorial - Pictograma 3.5 Gráfico Polar 3.6 Cartograma 3.7 Gráficos utilizados para a análise de uma distribuição de freqüência 4 Medidas descritivas 4.1 Medidas de posição 4.2 Medidas de variabilidade ou dispersão 4.3 Medidas de dispersão relativas 4.4 Momentos, assimetria e curtose 4.5 Exercícios 5 Probabilidade e variáveis aleatórias 5.1 Modelos matemáticos 5.2 Conceitos em probabilidade 5.3 Conceitos de probabilidade 5.4 Exercícios 5.5 Teorema de Bayes 5.6 Variáveis aleatórias 5.7 Função de probabilidade

5.8 Exemplos 5.9 Exercícios 6 Distribuições de Probabilidade 6.1 Distribuições discretas de probabilidade 6.2 Exercícios 6.2 Distribuições contínuas de probabilidade 6.4 Exercícios 7 Amostragem 7.1 Conceitos em amostragem 7.2 Planos de amostragem 6.3 Tipos de amostragem 7.4 Amostragem com e sem reposição 7.5 Representação de uma distribuição amostral 7.6 Distribuições amostrais de probabilidade 7.7 Exercícios 7.8 Estatísticas amostrais 7.9 Tamanho da amostra 8 Estimação de parâmetros 8.1 Estimação pontual 8.2 Estimação intervalar 8.3 Exercícios 9 Testes de hipóteses 9.1 Principais conceitos 8.2 Teste de significância 9.3 Exercícios 9.4 Testes do Qui-quadrado 9.5 Exercícios 10 Regressão e Correlação 10.1 Introdução 10.2 Definição 10.3 Modelo de Regressão 10.4 Método para estimação dos parâmetros α e β 10.5 Decomposição da variância Total 10.6 Análise de Variância da Regressão 10.7 Coeficiente de Determinação (r²) 10.8 Coeficiente de Correlação (r) 10.9 Exercícios 11 Referências bibliográficas

se a freqüência relativa for maior do 5% ela é considerada finita. • • • Amostra (n): É um subconjunto da população e deverá ser considerada finita.apresenta um número limitado de observações. podendo ser através de Censo ou Amostragem. Y. a população é o conjunto Universo.3 Dado x Variável • • Dados estatísticos: é qualquer característica que possa ser observada ou medida de alguma maneira. pois a mesma irá depender do tamanho da amostra.1 População x Amostra • População (N): Conjunto de todos os elementos relativos a um determinado fenômeno que possuem pelo menos uma característica em comum. ser considerada infinita. As matérias-primas da estatística são os dados observáveis. Amostragem: É o processo de retirada de informações dos "n" elementos amostrais. que é passível de contagem. no qual deve seguir um método criterioso e adequado (tipos de amostragem). Se a freqüência relativa entre amostra e população for menor do que 5% ela é considerada infinita. 1. Infinita . geralmente as variáveis para estudo são selecionadas por processos de amostragem. . Z. Variável: É aquilo que se deseja observar para se tirar algum tipo de conclusão. mediante processos operacionais. As variáveis podem ser classificadas dos seguintes modos: 1 . que pode assumir qualquer valor de um conjunto de dados.1 Conceitos Bá sicos 1.2 Censo x Amostragem • • • Pesquisa Estatística: É qualquer informação retirada de uma população ou amostra. Finita .apresenta um número ilimitado de observações que é impossível de contar e geralmente esta associada a processos. Censo: É a coleta exaustiva de informações das "N" unidades populacionais. 1.. • Uma população pode. Os símbolos utilizados para representar as variáveis são as letras maiúsculas do alfabeto.. podendo ser finita ou infinita. tais como X. a amostra deve ser selecionada seguindo certas regras e deve ser representativa. de modo que ela represente todas as características da população como se fosse uma fotografia desta.

Contínuas: são aquelas variáveis que podem assumir um valor dentro de um intervalo de valores. para representar determinado tipo de dados. a qual grupo ou categoria eles pertencem. Neste caso serve como exemplo o volume de água em um reservatório ou o peso de um pacote de cereal.Quantitativas: São características populacionais que podem ser quantificadas. 2 . 1. torna-se possível neste caso utilizarmos as teorias inferências para que possamos fazer conclusões sobre a população. “menor do que”. Ordinal ou por postos: quando uma classificação for dividida em categorias ordenadas em graus convencionados. “igual a”. É gerada pelo processo de medição. Nominal : são utilizados símbolos.. o número de estudantes nesta sala de aula. neste caso é impossível fazer inferências. Discretas: são aquelas variáveis que pode assumir somente valores inteiros num conjunto de valores. . É gerada pelo processo de contagem. havendo uma relação entre as categorias do tipo “maior do que”. sucessivamente. Estatísticas ou Estimadores: são medidas obtidas da amostra. os dados por postos consistem de valores relativos atribuídos para denotar a ordem de primeiro. mostrando. assim.Qualitativas (ou atributos): São características de uma população que não pode ser medidas. assim. segundo. pois toda a população foi investigada.4 Parâmetros x Estatísticas • • Parâmetros: são medidas populacionais quando se investiga a população em sua totalidade. ou números. terceiro e. como o número de veículos que passa em um posto de gasolina. sendo classificadas em discretas e contínuas.

3 8.2734 (para décimos) → 1.7% + 22.2 12.3 3 a) Se o primeiro algarismo após aquele que formos arredondar for 5.2% = 100% arredondando para inteiro: 17% 17% + + 18% 18% + + 12% 12% + + 30% 31% + + 22% 22% = = 99% 100% 3 .2500 (para décimos) → 6. seguido apenas de zeros.: 7.5 4 a) Quando. conservamos o algarismo a ser arredondado e desprezamos os seguintes.4 • Se o 5 for seguido de outros algarismos dos quais.: 8. pelo menos um é diferente de zero. na maior parcela do conjunto. arredondarmos uma série de parcelas.5 Arredondamento de Dados Regras: Portaria 36 de 06/07/1965 .3% + 29.4503 (para décimos) → 8. e a soma ficar alterada.4% + 18.3 2 a) Se o primeiro algarismo após aquele que formos arredondar for de 6 a 9. devemos fazer um novo arredondamento (por falta ou por excesso).: 6. aumentamos uma unidade no algarismo e desprezamos os seguintes.350 (para décimos) → 12.: 17. desprezando os seguintes.4% + 12.: 1. Ex. acrescenta-se uma unidade no algarismo a ser arredondado e desprezamos os seguintes.INPM ⇒ Instituto Nacional de Pesos e Medidas. Ex.34856 (para décimos) → 7. 1 a) Se o primeiro algarismo após aquele que formos arredondar for de 0 a 4.1. Ex. conservamos o algarismo se ele for par ou aumentamos uma unidade se ele for ímpar.2502 (para décimos) → 8. Ex. Ex. de modo que a soma fique inalterada.

Cronograma.saber exatamente o que se pretende pesquisar definindo o problema corretamente (variáveis.1. Esta apresentação pode ser: Tabular (apresentação numérica) Gráfica (apresentação geométrica) f) Análise e interpretação dos dados É a fase mais importante e também a mais delicada. c) Coleta ou levantamento dos dados Consiste na obtenção dos dados referentes ao trabalho que desejamos fazer. Tira conclusões que auxiliam o pesquisador a resolver seu problema.) b) Planejamento Determinar o procedimento necessário para resolver o problema: . .diretamente da fonte. hipóteses. etc. eletrônica e eletromecânica.formulação correta do problema. etc.feita através de outras fontes. através de uma contagem e agrupamento.Como levantar informações. Indireta . A coleta pode ser: Direta . mecânica.Tipos de levantamentos: Por Censo (completo). 4 . Os dados podem ser obtidos pela própria pessoa (primários) ou se baseia no registro de terceiros (secundários). população. . e) Apresentação dos dados É a fase em que vamos mostrar os resultados obtidos na coleta e na organização. Custos. Por Amostragem (parcial). Apuração: manual. É um trabalho de coordenação e de tabulação. . d) Apuração dos Dados ou sumarização Consiste em resumir os dados.examinar outros levantamentos realizados no mesmo campo (revisão da literatura). .6 Fases do método estatístico O método estatístico abrange as seguintes fases: a) Definição do Problema Consiste na: .

2 Repre se ntação tab ular
Consiste em dispor os dados em linhas e colunas distribuídas de modo ordenado. A elaboração de tabelas obedece à Resolução no 886, de 26 de outubro de 1966, do Conselho Nacional de Estatística. As normas de apresentação são editadas pela Fundação Brasileira de Geografia e Estatística (IBGE). 2.1 Representação esquemática Título Cabeçalho Corpo
Rodapé

2.2 Elementos de uma tabela • Título: O título deve responder as seguintes questões: - O que? (Assunto a ser representado (Fato)); - Onde? (O lugar onde ocorreu o fenômeno (local)); - Quando? (A época em que se verificou o fenômeno (tempo)). Cabeçalho: parte da tabela na qual é designada a natureza do conteúdo de cada coluna. Corpo: parte da tabela composta por linhas e colunas. Linhas: parte do corpo que contém uma seqüência horizontal de informações. Colunas: parte do corpo que contém uma seqüência vertical de informações. Coluna Indicadora: coluna que contém as discriminações correspondentes aos valores distribuídos pelas colunas numéricas. Casa ou célula: parte da tabela formada pelo cruzamento de uma linha com uma coluna. Rodapé: É o espaço aproveitado em seguida ao fecho da tabela, onde são colocadas as notas de natureza informativa (fonte, notas e chamadas). Fonte: refere-se à entidade que organizou ou forneceu os dados expostos. Notas e Chamadas: são esclarecimentos contidos na tabela (nota - conceituação geral; chamada - esclarecer minúcias em relação a uma célula).

• • • • • • • • •

5

2.3 Séries Estatísticas Uma série estatística é um conjunto de dados ordenados segundo uma característica comum, as quais servirão posteriormente para se fazer análises e inferências. • Série Temporal ou Cronológica: É a série cujos dados estão dispostos em correspondência com o tempo, ou seja, varia o tempo e permanece constante o fato e o local. Produção de Petróleo Bruto no Brasil de 1976 a 1980 (x 1000 m³) Anos 1976 1977 1978 1979 1980 • Produção 9 702 9 332 9 304 9 608 10 562

Fonte: Conjuntura Econômica (fev. 1983)

Série Geográfica ou Territorial: É a série cujos dados estão dispostos em correspondência com o local, ou seja, varia o local e permanece constante a época e o fato. População Urbana do Brasil em 1980 (x 1000) Região Norte Nordeste Sudeste Sul Centro-Oeste Total População 3 037 17 568 42 810 11 878 5 115 80 408

Fonte: Anuário Estatístico (1984)

• Série Específica ou Qualitativa: É a série cujos dados estão dispostos em
correspondência com a espécie ou qualidade, ou seja, varia o fato e permanece constante a época e o local. População Urbana e Rural do Brasil em 1980 (x 1000) Localização Urbana Rural Total População 80 408 38 566 118 974

Fonte: Anuário Estatístico (1984)

6

Série Mista ou Composta: A combinação entre duas ou mais séries constituem novas séries denominadas compostas e apresentadas em tabelas de dupla entrada. O nome da série mista surge de acordo com a combinação de pelo menos dois elementos. Local + Época = Série Geográfica Temporal População Urbana do Brasil por Região de 1940 a 1980 (x 1000) REGIÕES NE SE S 3 381 7 232 1 591 4 745 10 721 2 313 7 517 17 461 4 361 11 753 28 965 7 303 17 567 42 810 11 878

Anos 1940 1950 1960 1970 1980

N 406 581 958 1 624 3 037

CO 271 424 1 007 2 437 5 115

Fonte: Anuário Estatístico (1984)

2.4 Distribuição de Freqüência É o tipo de série estatística na qual permanece constante o fato, o local e a época. Os dados são colocados em classes preestabelecidas, registrando a freqüência de ocorrência. Uma distribuição de freqüência pode ser classificada em discreta e intervalar. a) Distribuição de Freqüência Discreta ou Pontual: É uma série de dados agrupados na qual o número de observações está relacionado com um ponto real. Notas do Aluno "X" na Disciplina de Estatística segundo critérios de avaliação do DE da UFSM – 1990 Xi 6.3 8.4 5.3 9.5 6.5 Σ fi 2 3 2 3 5 15

Fonte: Departamento de Estatística (1990)

7

n(K) = 1 + 3. para facilitar a visualização e interpretação dos mesmos.158 158 |--. os intervalos parciais deverão ser apresentados de maneira a evitar dúvidas quanto à classe a que permanece determinado elemento. sempre que possível. O que se deseja fazer é apenas comprimir um conjunto de dados em uma tabela.b) Distribuição de Freqüências Intervalar: Na distribuição de freqüência. existem outras fórmulas empíricas para resolver o problema para determinação do número de classes [n(k)]. li = limite inferior da i-ésima classe. Ø Limite de Classe (li ou Li): São os valores extremos de cada classe. esta vai depender na realidade de um julgamento pessoal.198 Σ Xi 154 162 170 178 186 194 ---fi 18 25 20 52 30 15 160 Fonte: Departamento de Estatística (1990) Elementos de uma Distribuição de Freqüências: Ø Classe ou Classe de Freqüência (K): É cada subintervalo (linha) na qual dividimos o fenômeno. a verdade é que essas fórmulas não nos levam a uma decisão final. que deverá estar ligado a natureza dos dados. onde “n” é no de informações.174 174 |--.190 190 |--. Li = limite superior da i-ésima classe. Entretanto. procurando.3 log n . evitar classes com freqüências nulas ou freqüências relativas exageradamente grandes. O tipo de intervalo mais usado é do tipo fechado a esquerda e aberto a direita. podemos usar a Fórmula de Sturges. Para determinar o número de classes a partir dos dados não tabelados. há quem prefira n ( k) ≅ n .182 182 |--. Altura em centímetros de 160 alunos do Curso de Administração da UFSM . 8 .166 166 |--. representado pelo símbolo: |---. mas deve-se saber que existem outros métodos de determina ção do número de classes em uma tabela de freqüência.1990 Altura (cm) 150 |--. • Além da Regra de Sturges.

H = L n − l1 Ø Ponto médio de classe (X i): É a média aritmética simples do limite inferior com o limite superior de uma mesma classe. Ø Freqüência absoluta (fi): É a quantidade de valores em cada classe n = ∑ f i = f 1 + f 2 + . Xi = li + Li 2 ou a partir do X1 os demais pontos médios pode ser determinado por: Xn = Xn−1 + h • Quando substituirmos os intervalos de classes pelos pontos médios (Xi). fri = fi ∑f i =1 n Obs. ou a diferença entre último e o primeiro elemento de um conjunto de dados postos em ordem crescente. ter-se´-á uma distribuição de freqüência pontual.: ∑fr i=1 n i =1 i Ø Freqüência Relativa Acumulada (Fri): É o somatório da freqüência relativa da i-ésima classe com as freqüências relativas das classes anteriores.Ø Amplitude do intervalo de classe (h): É a diferença entre dois limites inferiores ou superiores consecutivos.. Fn = ∑f i =1 n i =n Ø Freqüência Relativa (fr i): É o quociente entre a freqüência absoluta da i-ésima classe com o somatório das freqüências.. h = l n − l n −1 ou h = L n − L n −1 • A amplitude do intervalo de classe deve ser constante em todo a distribuição de freqüências intervalar. Ø Amplitude total (H): É a diferença entre o limite superior da última classe e o limite inferior da 1ª classe. + f n i =1 n Ø Freqüência Acumulada (Fi): É o somatório da freqüência absoluta da i-ésima classe com a freqüência absoluta das classes anteriores. ou a freqüência acumulada da classe anterior. Frn = ∑ fri = 1 i =1 n 9 .

3 Represen ta çã o grá fica Os gráficos são uma forma de apresentação visual dos dados.1 Gráficos de Linhas Usado para ilustrar uma série temporal. O tipo de gráfico depende da variável em questão 3. contém menos informações que as tabelas. mas são de mais fácil leitura. Produção de Petróleo Bruto no Brasil de 1976 a 1980 (x 1000 m³) 11000 10500 10000 Produção 9500 9000 8500 1976 1977 1978 Anos 1979 1980 Fonte: Conjuntura Econômica (Fev.1.1 Gráfico de linhas comparativas População Urbana do Brasil por Região de 1940 a 1980 (x 1000) 45000 40000 35000 30000 25000 20000 15000 10000 5000 0 1940 1950 1960 1970 1980 NE N SE S CO Fonte: Anuário Estatístico (1984) 10 . 1983) 3. Normalmente.

Características: . O número no topo de cada barra pode ou não omitido.todas as barras devem ter a mesma largura .1 Gráfico de colunas comparativas a) Colunas Justapostas (gráfico comparativo) População Urbana do Brasil por Região de 1940 a 1980 (x 1000) 45000 40000 35000 30000 25000 20000 15000 10000 5000 0 N NE SE S CO 1940 1950 1960 1970 1980 Fonte: Anuário Estatístico (1984) 11 . Este gráfico é utilizado para variáveis nominais e ordinais.devem existir espaços entre as barras 3. 30000 20000 10000 0 N NE SE Regiões S CO 3037 17568 11878 5115 42810 Fonte: Anuário Estatístico (1984) • As larguras das barras que deverão ser todas iguais podendo ser adotado qualquer dimensão.2. desde que seja conveniente e desde que não se superponham. 3.2. População Urbana do Brasil em 1980 (x 1000) 50000 40000 Pop. se forem conservados.3.2 Gráficos de colunas ou barras Representação gráfica da distribuição de freqüências.1 Gráfico de Colunas Usado para ilustrar qualquer tipo de série.2. a escala vertical pode ser omitida.

Este gráfico é utilizado para variáveis nominais e ordinais. A construção do gráfico de setores segue uma regra de 3 simples.b) Colunas Sobrepostas (gráfico comparativo) População Urbana do Brasil por Região de 1940 a 1980 (x 1000) 100000 80000 60000 40000 20000 0 1940 1950 1960 1970 1980 CO S SE N NE Fonte: Anuário Estatístico (1984) 3. onde as freqüências de cada classe correspondem ao ângulo que se deseja representar em relação a freqüência total que representa o total de 360°. É uma opção ao gráfico de barras quando se pretende dar ênfase à comparação das percentagens de cada categoria. 3. 12 .2.2 Gráfico de Barras As regras usadas para o gráfico de barras são igua is as usadas para o gráfico de colunas. População Urbana do Brasil em 1980 (x 1000) CO S Regiões SE NE N 0 3037 10000 20000 30000 40000 50000 População 17568 5115 11878 42810 Fonte: Anuário Estatístico (1984) • Assim como os gráficos de Colunas podem ser construídos gráficos de barras comparativas.3 Gráficos circulares ou de Setores (Pie Charts) Representação gráfica da freqüência relativa (percentagem) de cada categoria da variável.

.Cada “fatia” representa a percentagem de cada categoria População Urbana e Rural do Brasil em 1980 (x 1000) 32% Urbana Rural 68% Fonte: Anuário Estatístico (1984) 3. muito desses gráficos apresentam grande dose de originalidade e de habilidade na arte de apresentação dos dados.4 Gráfico Pictorial .Características: .A área do gráfico equivale à totalidade de casos (360o = 100%). Evolução da matricula no Ensino Superior no Brasil de 1968 a 1994 (x 1000) 1500 1250 1000 750 500 250 0 1968 1974 1980 1986 1990 1994 Fonte: Grandes números da educação brasileira março de 1996 13 .Pictograma Tem por objetivo despertar a atenção do público em geral.

4% Madeira nativa 68.3.8% Eucalipto 24. droga que reduz os efeitos da abstinência 36% 30% 27% 19.1 Exemplos de pictogramas Evolução da frota nacional de carros à álcool de 1979 à 1987 3.000 fumantes entrevistados no Canadá Goma de mascar com nicotina mais sessões de apoio psicológico Internamento em hospital e uso de drogas relaxantes Acumpuntura Hipnose Injeção de Clonidina.277.473.5% 18.647 1987 2.8% 14 .5% Devastação Selvagem: extração de madeiras no Brasil Pinus 6.645 1979 Os métodos mais eficientes para deixar de fumar segundo 30.4.107 1983 9.631.581 1985 1.

1 Como construir um gráfico polar 1) Traça-se uma circunferência de raio arbitrário (preferencialmente.1 Novembro 83. ou seja. 4. 7) Para fechar o polígono obtido.7 Agosto 323.3.9 Março 83.8 Fevereiro 36.7 Maio 418.31 mm 15 .5 Gráfico Polar É o tipo de gráfico ideal para representar séries temporais cíclicas. 4) Traça -se semi-retas a partir do ponto 0 (pólo) passando pelos pontos de divisão. iniciando pela semi-reta horizontal (eixo polar).9 Abril 462. 3) Divide-se a circunferência em tantos arcos forem as unidades temporais.2 Fonte: Base Aérea de Santa Maria Precipitação pluviométrica do município de Santa Maria – RS.1999 Meses Precipitação (mm) Janeiro 174. 5) Marca-se os valores correspondentes da variável.7 Outubro 66. 6) Ligam-se os pontos encontrados com segmentos de reta.4 Julho 538. a um raio de comprimento proporcional a média dos valores da série).1999 Fonte: Base Aérea de Santa Maria Média = 237. 2) Constrói-se uma semi-reta (de preferência horizontal) partindo do ponto 0 (pólo) e com uma escala (eixo polar). toda a série que apresenta uma determinada periodicidade.1 Junho 418. Precipitação pluviométrica do município de Santa Maria – RS. emprega-se uma linha interrompida.5.3 Dezembro 201.8 Setembro 39.

461.674 Densidade 45.3.318 280.1990 Estado Paraná Santa Catarina Rio Grande do Sul Fonte: IBGE População (hab.324 95.700 4.200 Área (m 2) 199.400 9.8 32.163. Exemplo: População da Região Sul do Brasil . Dados relativos (densidade) – usa-se hachaduras.6 Cartograma É a representação de uma carta geográfica.6 População da Região Sul do Brasil – 1990 Densidade populacional da Região Sul do Brasil – 1990 Fonte: IBGE Fonte: IBGE 16 .8 46.) 9.137. Este tipo de gráfico é empregado quando o objetivo é o de figurar os dados estatísticos diretamente relacionados com as áreas geográficas ou políticas Dados absolutos (população) – usa-se pontos proporcionais aos dados.

1 Histograma Altura em centímetros de 160 alunos do Curso de Administração da UFSM .7.1990 Fonte: Departamento de Estatística (1990) 17 .7 Gráficos utilizados para a análise de uma distribuição de freqüência 3.3.1990 Fonte: Departamento de Estatística (1990) 3.7.2 Polígono de Freqüências Altura em centímetros de 160 alunos do Curso de Administração da UFSM .

Este gráfico é utilizado para variáveis contínuas.4 Gráfico em segmentos de reta vertical É utilizado para representar uma distribuição de freqüência pontual.1990 Fonte: Departamento de Estatística (1990) 3. Altura em centímetros de 160 alunos do Curso de Administração da UFSM . por histogramas.7. 18 .7. Características: .Cada barra representa a freqüência do intervalo respectivo.Os intervalos devem ter a mesma amplitude. .As barras devem estar todas juntas.5 Como se interpreta um histograma? A representação gráfica da distribuição da variável.3 Ogivas Altura em centímetros de 160 alunos do Curso de Administração da UFSM – 1990 Ogiva Crescente Ogiva Decrescente 3. onde os segmentos de reta são proporcionais às respectivas freqüências absolutas. .6.3.

Veja a figura 4. A média dos dados está localizada à direita do centro da figura e a cauda à esquerda é alongada. Esta ocorre quando o limite inferior é controlado ou quando não podem ocorrer valores abaixo de determinado limite. Nos processos industriais.3 apresenta um histograma com assimetria negativa. As freqüências mais altas também estão no centro da figura.1.2 apresenta um histograma com assimetria positiva. esta é a forma desejável.A simples observação da forma do histograma permite algumas conclusões. Esta forma ocorre quando o limite superior é controlado ou quando não podem ocorrer valores acima de certo limite 19 .1 Histograma 60 50 40 30 20 10 0 A figura 4. A média dos dados está localizada à esquerda do centro da figura e a cauda à direita é alongada. A medida dos dados está no centro do desenho.2 Histograma com assimetria positiva 60 50 40 30 20 10 0 Figura 4. Figura 4.3 Histograma com assimetria negativa 60 50 40 30 20 10 0 A figura 4. Figura 4.

4 Histograma em plateau A figura 4. mas o histograma à direita mostra grande dispersão. O histograma à esquerda mostra pouca dispersão.5 Histograma com dois picos 60 50 40 30 20 10 0 A figura 4.6. os produtos de dois turnos de trabalho. ou duas modas. por exemplo. Essa forma ocorre quando se misturam várias distribuições com diferentes médias.6 Histogramas com dispersões diferentes Freqüência 60 50 40 30 20 10 0 Freqüência 60 50 40 30 20 10 0 20 . As freqüências são baixas no centro da figura. Figura 4. Podem estar misturados. com exceção das primeiras e das últimas classes. Os histogramas também mostram o grau de dispersão da variável. 60 50 40 30 20 10 0 Figura 4. Isto é. mas existem dois picos fora do centro. Veja a figura 4. Esta forma ocorre quando duas distribuições com médias bem diferentes se misturam. todas as outras têm freqüências quase iguais.4 mostra um histograma em plateau.Figura 4.5 mostra um histograma com dois picos.

os dados coletados pertencem a uma amostra extraída de uma população. fc i = 4 onde: fc i = freqüência calculada da classe considerada. geometricamente. = freqüência absoluta da classe anterior a i. Porém.75 --- 150 154 158 162 166 170 154 158 162 166 170 174 Fonte: Departamento de Estatística (1997) 21 . fant. por meio de um pequeno circulo.25 (9 + 2 x 11 + 8)/4 = 9. de modo que qualquer interessado possa julgar se esse ponto se o ponto é um dado original ou um dado polido. então. que se faça um polimento. Consegue-se isso com a seguinte fórmula: f ant. é desejável. fpost. fi = freqüência absoluta da classe i. corresponde à eliminação dos vértices da linha poligonal. de modo a mostrar o que seria tal polígono com um número maior de dados. Pode-se dizer.25 (4 + 2 x 9 + 11)/4 = 8. pode-se imaginar as amostras tornando-se cada vez mais amplas e a amplitude das classes ficando cada vez menor. O polimento.6 Curva de freqüência – curva polida Como. em geral. pode-se afirmar que ela assemelha-se mais a curva de freqüência que o polígono de freqüência obtido de uma amostra limitada. Esse procedimento é claro. + 2f i + f post.25 (5 + 2 x 3 + 0)/4 = 2. não nos dará certeza absoluta que a curva polida seja tal qual a curva resultante de um grande número de dados.1996 Altura (cm) |--|--|--|--|--|--Σ Xi 152 156 160 164 168 172 ---fi 4 9 11 8 5 3 40 fci (0+ 2 x 4 + 9)/4 = 4.7. enquanto que o polígono de freqüência nos dá a imagem real do fenômeno estudado.75 (11 + 2 x 8 + 5)/4 = 8.00 (8 + 2 x 5 + 3)/4 = 5. mostrando.3. que. após o traçado de um polígono de freqüência. Altura em centímetros de 40 alunas do Curso de Enfermagem da UFSM . = freqüência absoluta da classe posterior a i. de modo mais evidente. a verdadeira natureza da distribuição da população. a curva de freqüência nos dá a imagem tendenciosa. o que nos permite concluir que o contorno do polígono de freqüências tende a se transformar numa curva (curva de freqüência). muitas vezes. • Quando for em fazer o uso da curva polida convém mostrar as freqüências absolutas. Assim.

1996 Fonte: Departamento de Estatística (1997) 3. 31 .7 Curvas em forma de sino As curvas em forma de sino caracterizam-se pelo fato de apresentarem um valor máximo na região central.Altura em centímetros de 40 alunas do Curso de Enfermagem da UFSM .7. Distinguem-se as curvas em forma de sino em: simétrica e assimétrica a) Curva simétrica Esta curva caracteriza-se por apresentar o valor máximo no ponto central e os pontos eqüidistantes desse ponto terem a mesma freqüência.

Se a cauda mais longa fica a direita é chamada assimétrica positiva ou enviesada à direita. as curvas correspondentes a tais distribuições apresentam a cauda de um lado da ordenada máxima mais longa do que o outro. não se encontram distribuições perfeitamente simétricas.b) Curvas assimétricas Na prática. As distribuições obtidas de medidas reais são mais ou menos assimétricas. em relação à freqüência máxima. Assim. Assimétrica Positiva Assimétrica Negativa 32 . se a cauda se alonga a esquerda. a curva é chamada assimétrica negativa ou enviesada à esquerda.

1. Podemos classificar as medidas de posição conforme o esquema abaixo: 4.4 Medidas Descritivas Tem por objetivo descrever um conjunto de dados de forma organizada e compacta que possibilita a visualização do conjunto estudado por meio de suas estatísticas. Populacional (µ) Dados Não Tabelados X= ∑ Xi i =1 n n ou µ = ∑X i =1 N i N 33 . o que não significa que estes cálculos e conclusões possam ser levados para a população.1 Medidas de Posição Representativas Médias Média Aritmética Média Geométrica Média Harmônica Separatrizes Mediana Quartis Decis Centis ou Percentis Moda de Czuber Moda de King Moda de Pearson Dominantes 4.1 Representativas (Médias) São medidas descritivas que tem por finalidade representar um conjunto de dados. a) Média Aritmética: Amostral ( X ).

8 Σ Pesos (Wi) 2 3 2 3 10 Xw = ∑ X .5 3390.W i =1 i n i ∑W i=1 n i Fonte: Dados Hipotéticos Distribuição de freqüências .55 27903 X= ∑ X .0 4037. Xmin. (onde Wi é o peso) Nota do aluno "X" 1° semestre de 1994 .Média Aritmética ( X ) Altura em centímetros de 160 alunos do Curso de Administração da UFSM . fi 150 158 166 174 182 190 |--|--|--|--|--|--Σ 158 166 174 182 190 198 154 162 170 178 186 194 ---18 25 20 52 30 15 160 2763. 2 a) A soma algébrica dos desvios calculados entre os valores observados e a média aritmética é igual a zero.0 2917.3 8.f i i =1 n i ∑f i=1 n i Fonte: Departamento de Estatística (1990) - Características da Média Aritmética Simples 1a) A Média Aritmética Simples deverá estar entre o menor e o maior valor observado.0 9230. ≤ X ≤ Xmax.0 5565.Dados Tabelados com Valores Ponderados Média Aritmética Ponderada ( X w ).8 8.1990 Altura (cm) Xi fi Xi . desvios = d = x i − µ ∑ d = ∑ ( x i − µ) = zero i =1 i =1 n n 34 .2 5.UFSM Notas (Xi) 7.

log X1+f2 ..+f n.G. a nova média aritmética será igual a média original multiplicada ou dividida por esta constante "k"..X n Xg ∑ = n i =1 fi ∏X i=1 n fi i = ∑ n i =1 fi X1 1 . pode-se usar para calcular a média geométrica a seguinte fórmula: 1 ∑fi Xg = 10i=1 n ( f1.. xi yi = x i ± k ⇓ ⇓ X Y =X±k 4 a) Multiplicando-se ou dividindo-se todos os valores (Xi) da série por uma constante "k" (k ≠ 0).3 a) Somando-se ou subtraindo-se todos os valores (Xi) da série por uma constante "k" (k ≠ 0). quando os valores do conjunto de dados considerado se comportam segundo uma progressão geométrica (P.. . . xi yi = xi × k yi = x i ÷ k ⇓ ⇓ ⇓ X Y = X× k b) Média Geométrica: (Xg): Y = X ÷k A aplicação da média geométrica deve ser feita.. Dados Não Tabelados Xg = n Dados Tabelados ∏X i =1 n i = n X 1..)ou dela se aproximam.logXi n 35 .X 2 .Xn n f f f Usando um artifício matemático. ..X2 2 . logX n ) 1 n ∑fi i =1 = 10 i=1 ∑f i . logX2 +. a nova média aritmética será igual a média original somada ou subtraída por esta constante "k".

: Velocidade Média. . + n X1 X2 Xn • Deve-se observar esta propriedade entre as médias X ≥ X g ≥ Xh 4. Preço de Custo Médio 4.1. as separatrizes seguem a seguinte ordem: Posição = i(n + 1) S  i =1 se for mediana  S = 2 1 ≤ i ≤ 3 se for quartis   S=4 36 .. .c) Média Harmônica (Xh) É usada para dados inversamente proporcionais. Quartis. Decis e Centis ou Percentis) São medidas de posição que divide o conjunto de dados em partes proporcionais. + X1 X2 Xn Dados Tabelados Xh = ∑ ∑ i= 1 i =1 n fi fi Xi = f 1 + f 2 + .. a) Dados não tabelados Antes de determinarmos as separatrizes devemos em primeiro lugar encontrar a posição da mesma. + f n f1 f f + 2 + .2 Emprego da média 1) Deseja-se obter a medida de posição que possui a maior estabilidade.Se o número de elementos for par ou ímpar. quando os mesmos são ordenados.3 Separatrizes (Mediana. 2) Houver necessidade de um tratamento algébrico ulterior.. Ex..1. . Dados Não Tabelados X h = n ∑ n i =1 1 Xi n = n 1 1 1 + + .

1 ≤ i ≤ 9 se for decis   S = 10 1 ≤ i ≤ 99 se for centis   S = 100 Dados Tabelados b) Distribuição de freqüências pontual: segue a mesma regra usada para dados não tabelados c) Distribuição de freqüências intervalar  i. S i = Q i ⇒ 1 ≤ i ≤ 3. 3) A variável em estudo é salário.1. ⇒ posição da separatriz.4 Emprego da mediana 1) Quando se deseja obter um ponto que divide a distribuição em partes iguais. ⇒ freqüência absoluta da classe que contém a separatriz. Si = C i ou Pi ⇒ 1 ≤ i ≤ 99 l Si i.Moda (Mo) É definida como sendo a observação de maior freqüência.n  − Fant  . Fant h fSi 4. ⇒ freqüência acumulada da classe anterior a que contém a separatriz.5 Dominantes .1. ⇒ amplitude do intervalo de classe. 2) Há valores extremos que afetam de uma maneira acentuada a média. 4. Si = Di ⇒ 1 ≤ i ≤ 9 .h  S  +  f Si S i = l Si onde: Si = Md ⇒ i = 1. 37 .n S ⇒ limite inferior da classe que contém a separatriz.

⇒ freqüência absoluta da classe modal.a) Dados não tabelados Ex. fant fpos .h   38 .  ∆1  Mo c = lMo +   ∆ + ∆ .Moda Bruta (Mo b): é o ponto médio da classe de maior freqüência Mo b = X i b) Distribuição de freqüências intervalar .  f pos Mo k = l Mo +  f +f ant  pos  .: 3 5 1 5 5 4 6 1 5 5 4 7 2 6 6 4 8 2 6 6 5 9 3 7 7 5 6 6 7 8 9 ⇒ Mo = 4 (unimodal) / 10 11 12 13 ⇒ Mo = ∃ (amodal) 3 3 4 5 5 5 ⇒ Mo1 = 3 Mo 2 = 5 (bimodal) / 7 8 8 ⇒ Mo = ∃ (amodal) 7 8 ⇒ Mo1 = 5 Mo2 = 6 Mo3 = 7 (multimodal) • Acima de 3 modas usamos o termo multimodal. ⇒ freqüência absoluta da classe anterior a classe modal.Moda de Czuber (Mo c ): O processo para determinar a moda usado por Czuber leva em consideração as freqüências anteriores e posteriores à classe modal. ⇒ amplitude do intervalo de classe.h ⇒   1 2  onde:  ∆ 1 = f Mo − f ant  ∆ 2 = f Mo − f pos l Mo fMo h ⇒ limite inferior da classe modal.Moda de King (Mo k ): O processo proposto por King considera a influência existente das classes anterior e posterior sobre a classe modal. Dados Tabelados a) Distribuição de freqüências pontual . A inconveniência deste processo é justamente não levar em consideração a freqüência máxima. ⇒ freqüência absoluta da classe posterior a classe modal.

2 X • Um distribuição é considerada simétrica quando X ≡ Md ≡ Mo . Porém.1. as três medidas coincidem. a assimetria torna -as diferentes e essa diferença é tanto maior quanto maior é a assimetria. em uma distribuição temos: x = Md = Mo → curva simétrica x < Md < Mo → curva assimétrica negativa Mo < Md < x → curva assimétrica positiva x = Md = Mo M od a M e d ian a M é di a Mo Md x x Md Mo 39 . 4. 2) Quando a medida de posição deve ser o valor mais típico da distribuição. Assim. 4.Moda de Pearson (Mo p): O processo usado por Pearson pressupõe que a distribuição seja aproximadamente simétrica.6 Emprego da moda 1) Quando se deseja obter uma medida rápida e aproximada de posição.1..7 Posição relativa da média. na qual a média aritmética e a mediana são levadas em consideração. mediana e moda Quando uma distribuição é simétrica. Mop = 3 Md .

Desvio extremo . de 1994 .Variância 40 7 6 8 8 10 11 12 13 13 14 15 17 17 18 18 19 21 22 25 3) .Desvio Médio .1.4. D 3. Q1.UFSM Alturas fi 63 15 75 25 84 30 91 20 90 Σ Fonte: Dados Hipotéticos Alturas dos alunos da Turma “Y” no 1 o sem.2 Medidas de Variabilidade ou Dispersão Visam descrever os dados no sentido de informar o grau de dispersão ou afastamento dos valores observados em torno de um valor central representativo chamado média. Q3 . Informa se um conjunto de dados é homogêneo (pouca variabilidade) ou heterogêneo (muita variabilidade).amplitude .Desvio quadrático . de 1994 – UFSM Alturas fi Fi 61 |--65 12 12 65 |--69 23 35 69 |--73 34 69 73 |--77 26 95 77 |--81 15 110 110 110 Σ Fonte: Dados Hipotéticos 4.8 Exercícios Para os dados abaixo calcule: Md. C70 1) 3 4 2) Alturas dos alunos da Turma “X” no 1o sem.Desvio Padrão . As medidas de dispersão podem ser: Absoluta .

assim ficando: i =1 i n Para dados não tabelados d= ∑X i =1 n i −X = X 1 − X + X2 − X +. e no final da concorrência sobraram dois candidatos para uma única vaga.. onde as mesmas tiveram como registro o tempo (em minutos) de execução. TAREFAS OPERÁRIO 1 (TEMPO) OPERÁRIO 2 (TEMPO . Então foi dado 4 tarefas para cada um.Medidas de dispersão Absoluta: .Desvio Extremo ou Amplitude de Variação (H): É a diferença entre o maior e o menor valor de um conjunto de dados H = Xmax− Xmin .. Supomos que uma empresa esteja querendo contratar um funcionário.Para estudarmos as medidas de variabilidade para dados não tabelados usaremos um exemplo prático. + X n − X n n Para dados tabelados 41 .Desvio Médio (d ): Em virtude do ∑ (X i − X ) = 0 .Análise Gráfica 1 55 30 2 45 70 3 52 40 4 48 60 . usamos para calcular o desvio n i =1 médio ∑ X − X = 0 .

.....Desvio Quadrático ou Variância : S 2 (amostra) ou σ 2 (população) Para dados não tabelados: σ2= ∑ (X n i =1 i − X) 2 n = (X (X 1 − X ) + ( X 2 − X ) + . + f n X n − X ∑f i=1 n i ..d = ∑ (f n i =1 i n Xi − X i ) ∑f i =1 = f1 X 1 − X + f 2 X 2 − X + . + f n (X n − X ) 2 2 2 ∑f i =1 n i S2 = ∑ f (X i =1 − X) −1 2 ∑f i =1 n = f1 (X 1 − X ) + f 2 ( X 2 − X ) + . + (X n − X ) n −1 2 2 2 Para dados tabelados σ2 = ∑ f (X n i =1 i n i =1 i −X) i 2 ∑f n i i = f1 ( X 1 − X ) + f 2 (X 2 − X ) + ... + f n ( X n − X ) 2 2 2 i ∑f i=1 n i −1 42 . + ( X n − X ) n 2 2 2 S2 = ∑ (X n i =1 i − X) 2 n −1 = 1 − X ) + (X 2 − X ) + ...

é encontrado na tabela a seguir. Outra forma de calcular o desvio padrão O desvio padrão mede bem a dispersão de um conjunto de dados.Propriedades da Variância 1ª) Somando-se ou subtraindo-se uma constante k a cada valor observado a variância não será alterada. mas perde a eficiência se n>10. . Então. De qualquer 43 ...Desvio Padrão: S (amostra) ou σ (população) Para dados não tabelados: σ = ∑ (X n i =1 i − X) 2 n = (X (X 1 − X ) + (X 2 − X ) + . + ( X n − X ) n −1 2 2 2 Para dados tabelados σ= ∑ f (X n i i =1 n i =1 i −X) i 2 ∑f = f 1 (X 1 − X ) + f 2 (X 2 − X ) + . você pode obter o desvio padrão através da seguinte relação: ˆ σ= R d2 onde R é a amplitude e o valor de d2 . + f n ( X n − X ) 2 2 2 i ∑f i =1 n i −1 • (n .. 2ª) Multiplicando-se ou dividindo-se por uma constante k cada valor observado a variância ficará multiplicada ou dividida pelo quadrado dessa constante.1) é usado como um fator de correção... mas é difícil de calcular. onde devemos considerar a variância amostral como uma estimativa da variância populacional..... que depende do tamanho da amostra. + (X n − X ) n 2 2 2 S= ∑ (X n i =1 i −X) 2 n −1 = 1 − X ) + ( X 2 − X ) + . Este método de calcular o desvio padrão fornece boas estimativas para amostras de pequeno tamanho (n=4. + f n ( X n − X ) 2 2 2 ∑f i =1 n i S= ∑ f (X n i =1 i i −X) −1 2 ∑f i =1 n = f1 ( X 1 − X ) + f 2 ( X 2 − X ) + . 5 ou 6).

078 n 15 16 17 18 19 20 21 22 234 d2 0. D.Fatores para construir um gráfico de controle n 2 3 4 5 6 7 8 9 10 d2 1.3 Medidas de Dispersão Relativa Relativa .V.128 1. e tem por função determinar o grau de concentração dos dados em torno da média.347 3. é essa relação entre a amplitude e o desvio padrão de uma amostra que permite fazer gráficos de controle X − R .Variância Relativa V. ≤ 50% ⇒ a média é representativa C.532 3.391 13 3.Variância relativa .173 3. assimetria e curtose As medidas de assimetria e curtose complementam as medidas de posição e de dispersão no sentido de proporcionar uma descrição e compreensão mais completa das distribuições de freqüências. ≅ 0 ⇒ é a maior representatividade da média (S = 0) 4.640 3.847 2.4 Momentos.970 3. TABELA 1: .336 ----14 3.326 2. Nova York.059 2.532 3.258 24 25 3. Estas distribuições não diferem apenas quanto ao valor médio e à variabilidade.V. mas também quanto a sua forma (assimetria e curtose). 11 12 3.858 Fonte: Montgomery.Coeficiente de Variação de Pearson C. Statical Quality Control.534 2.391 3.C.forma.693 2. = σ S ou x 100 µ X • C. esta comparação revelará o quanto os dados estão próximos ou distantes da média do conjunto de dados. R .= σ2 S2 ou 2 µ2 X . 44 .689 3.Coeficiente de Variação (Pearson) É a medida de variabilidade que em geral é expressa em porcentagem. 1991. Wyley.819 3.778 3.704 2.735 3. .V.407 ----- 4. geralmente utilizada para se fazer a comparação entre dois conjuntos de dados em termos percentuais.

para dados tabelados onde: M0 = 1. conhecidas como momentos.Momentos centrados na média (Mr) O momento de ordem “r” centrado na média. é necessário o conhecimento de certas quantidades. para dados não-tabelados r i Mr ∑ (X − X) = ∑f i fi = ∑d n fi .Para estudar as medidas de assimetria e curtose. m1 = média aritmética. para dados tabelados.1 Momentos São medidas descritivas de caráter mais geral e dão origem às demais medidas descritivas. assimetria e curtose. dispersão. como as de tendência central.Momentos simples ou centrados na origem (mr) O momento simples de ordem “r” é definido como: mr ∑X = n r i . 45 . 4. mr onde: ∑X f = ∑f r i i . M2 = variância (s2). M1 = 0. Conforme a potência considerada tem-se a ordem ou o grau do momento calculado. i para dados não tabelados.4. é definido como: Mr ∑ (X = i − X) r n r i = ∑d n r i . r é um número inteiro positivo. . m0 = 1. .

logo a curva será analisada quanto à sua assimetria.Se As = 0 ⇒ a distribuição será Simétrica. conforme a distribuição. Essa curva. X ≡ Mo ≡ Md . . calculando os coeficientes de assimetria.Se As < 0 ⇒ a distribuição será Assimétrica Negativa . dando-nos o ponto mais alto da curva representativa da distribuição considerada.2 Assimetria Mr sr Uma distribuição de valores sempre poderá ser representada por uma curva (gráfico). Sendo o mais utilizado o Coeficiente de Assimetria de Pearson.Momentos abstratos (αr) São definidos da seguinte forma: αr = onde: s = desvio padrão. pode apresentar várias formas.. vemos que esse ponto sempre corresponde ao valor de ordenada máxima. 46 .Distribuição Simétrica: É aquela que apresenta a X ≡ Mo ≡ Md e os quartis Q1 e Q3 eqüidistantes do Q2 . Se considerarmos o valor da moda da distribuição como ponto de referência.Se As > 0 ⇒ a distribuição será Assimétrica Positiva. X − Mo As = S .4.Distribuição Assimétrica Assimétrica Positiva Assimétrica Negativa Mo < Md < X X < Md < Mo Podemos medir a assimetria de uma distribuição. . . 4.

α3 = M3 s3 O campo de variação do coeficiente de assimetria é: -1 ≤ α 3 ≤ +1 .Curva Platicúrtica: É uma curva mais baixa do que a normal.0 |α3| > 1.4. significando que os valores se acham mais agrupados em torno da moda.2 < |α 3| < 1.Curva Leptocúrtica: É uma curva mais alta do que a normal. para se positivarem as característ icas de uma distribuição de valores: são as chamadas Medidas de Curtose ou de Achatamento.Curva Mesocúrtica (Normal): É considerada a curva padrão. . Apresenta o topo achatado.Intensidade da assimetria: |α3 | < 0. 47 . de altura média. ⇒ ⇒ ⇒ simetria. Apresenta o topo relativamente alto. que nos mostra até que ponto a curva representativa de uma distribuição é a mais aguda ou a mais achatada do que uma curva normal. Falta somente examinarmos mais uma das medidas de uso comum em Estatística.Quando não tivermos condições de calcularmos o desvio padrão podemos usar a seguinte fórmula: As = Q 3 + Q 1 − 2 Md Q 3 − Q1 .3 Curtose Já apreciamos as medidas de tendência central. assimetria fraca.2 0. . de dispersão e de assimetria.Coeficiente momento de assimetria ( α 3): É o terceiro momento abstrato. .0 4. assimetria forte. significando que várias classes apresentam freqüências quase iguais.

6 4.3 10.8 7.0 6.3 7..5 6. e coeficiente de curtose).263 ⇒ a distribuição será Mesocúrtica.0 9.Se α 4 < 3 ⇒ curva Platicúrtica.5 9. .Coeficiente de Curtose K= Q 3 − Q1 2( P90 − P10 ) . 4.6 6.6 9.4 4.0 5.5 9.0 48 .Ano 1999 resultaram as seguintes notas: 4.7 9.3 4.263 ⇒ a distribuição será Leptocúrtica. .Se α 4 = 3 ⇒ curva Mesocúrtica. mediana e moda de czuber).6 8.5 5. Coeficiente momento de curtose ( α 4 ): Corresponde ao momento abstrato de quarta ordem.6 9.0 9.2 5.5 7.Se K < 0.9 9. coeficiente de variação de Pearson).8 8.5 4. assimetria (coeficiente de assimetria.5 6.9 5.1 7.3 5.8 5.7 8.1 6.4 4.9 9. .5 4.0 8.0 7.8 9. 1) De um exame final de Estatística. M α 4 = 44 s onde: M4 = momento centrado de quarta ordem.3 9. .2 6.3 6. aplicado a 50 alunos da Universidade Luterana.4 5.2 9.3 6. dispersão (desvio padrão e variância.7 5. Faça um relatório referente ao comportamento dos dados em função dos resultados obtidos.1 9.Se K > 0.9 8.5 Exercícios Para os exercícios abaixo construa uma tabela de dispersão o suficiente para determinar as medidas de posição (média aritmética.Se K = 0.263 ⇒ a distribuição será Platicúrtica.7 6. Interpretação: .4 7.2 8.Se α 4 > 3 ⇒ curva Leptocúrtica.

00 68.00 54.30 97.00 81.00 90.10 99.00 77.50 93.2) Os dados a seguir refere-se a altura em centímetros de 70 alunos da PUCC. turma 6.25 78.00 85.50 68.00 66.25 104.35 100.50 80.50 59.30 63. 153 162 168 172 179 188 193 154 162 168 173 179 188 194 155 163 169 173 180 189 194 156 163 169 174 182 189 195 158 164 170 174 183 190 197 160 164 170 175 184 191 197 160 165 170 175 185 192 199 161 166 171 176 186 192 200 161 167 171 177 186 192 201 161 167 172 178 187 192 205 3) Os dados a seguir referem-se aos salários anuais pagos em dólares a 60 funcionários da Empresa “PETA S.80 109.10 101.50 94.50 70.00 96.00 107.20 62.00 103.50 60.50 62.00 87.00 98.50 83.90 69.30 56.30 67.A.00 91.70 82.10 65.50 95.30 75.00 105.00 64.50 89.00 108.00 100.00 54.00 72.50 66. ano 2000.10 52.00 58.20 53.00 61.10 49 .40 55.20 102.00 56.00 88. 50.00 58.50 64.” em 1997.00 76.00 92.00 57.

espaço amostral e eventos. Um experimento aleatório apresenta as seguintes características: a .1 Modelos Matemáticos Podem-se destinguir dois tipos de modelos matemáticos: 6. 6.os resultados podem repetir-se n vezes ( n → ∞ ) . um modelo determinístico emprega "Considerações Físicas" para prever resultados. um modelo probabilístico emprega uma mesma espécie de considerações para especificar uma distribuição de probabilidade.1.1. Em outras palavras. O modelo determinístico requer o uso de parâmetros pré-determinados em equações que definem processos precisos. os resultados surgem ao acaso.1 Modelos Determinísticos Refere -se a um modelo que estipule que as condições sob as quais um experimento seja executado determinem o resultado do experimento. podendo admitir repetições no futuro. 50 . Determina o "grau de credibilidade" dos acontecimentos. 5. Em outras palavras.5 P roba bilid ad e e Va riá veis Aleatória s 5. (Modelos Estocásticos). 5.2.2 Conceitos em Probabilidade Os conceitos fundamentais em probabilidade são experimentos aleatórios.1 Experimento aleatório (Ω ) Qualquer processo aleatório.2 Modelos Não Determinísticos ou Probabilísticos São aqueles que informam com que chance ou probabilidade os acontecimentos podem ocorrer. capaz de produzir observações.

2. de um experimento aleatório. Pode-se ter operações entre eventos da mesma forma que com conjuntos.embora não se possa prever que resultados ocorrerão. Ex.2.Enumerável Quando os possíveis resultados puderem ser postos em concordância biunívoca com o conjunto dos números naturais (N) (caso das variáveis aleatórias discretas). 51 . e somente se. Quanto ao número de elementos pode ser: 5. como mostra a seguir.1 Finito Número limitado de elementos. 4. c .: R 5.4 Operações com Eventos 5.2.2.2.2.Não Enumerável Quando os possíveis resultados não puderem ser postos em concordância biunívoca com o conjunto dos números naturais (caso das variáveis aleatórias contínuas).b . 6} 5. pode ser sub-dividido em: a . é o evento que ocorrerá se.1 A união B Símbolo utilizado "U ". 2.: S = {1.2 Espaço Amostral (S) É o conjunto de resultados possíveis.2. aparece uma certa regularidade nos resultados. pode-se descrever o conjunto de resultados possíveis. 5.a medida que se aumenta o número de repetições.3 Evento (E) Um evento (E) é qualquer subconjunto de um espaço amostral (S). 3.2.: N b . 5. A ou B ou ambos ocorrerem.4.2 Infinito Número ilimitado de elementos. Ex. 5. Ex.

2 . S A A B FIGURA 6.4.2 A interseção B Símbolo utilizado "I ".3 .4.S A B FIGURA 6. _ S A FIGURA 6.2. e somente se A não ocorrer. e somente se. é o evento que ocorrerá se.Evento A união B 5.Evento A interseção B 5.1 .3 Complementar de A Simbologia " A ".2. é o evento que ocorrerá se.Evento complementar de A (A ) _ 52 U B . A e B ocorrem simultaneamente.

1 Eventos Mutuamente Excludentes São ditos eventos mutuamente excludentes.5.3 Eventos Independentes São aqueles cuja ocorrência de um evento. e conseqüentemente. FIGURA 6. 53 .5.Eventos mutuamente excludentes 5. FIGURA 6. A I B ≠ ∅ . isto é.2. A I B é o conjunto vazio (∅).2. não possui efeito algum na probabilidade de ocorrência do outro.5.2. quando a ocorrência de um implica ou não ocorrência de outro. não pode ocorrer juntos.5 . são aqueles que ocorrem ao mesmo tempo.5.2 Eventos Não Excludentes ou Quaisquer São ditos eventos não excludentes quando a ocorrência de um implica na ocorrência do outro. isto é.Evento não excludentes 5.5 Tipos de eventos 5.4 .2.

A I B = ∅.2. P(B) P (A ) = 2 4 P( B) = 2 4 P(A I B ) = 1 4 5. se A e B forem Quaisquer. 5. dá-se a seguinte definição: ( ) PA ( B) = P(A I B) P(B) ( ) onde P(B) > 0.4 Eventos Dependentes ou Condicionados Existem varias situações onde a ocorrência de um evento pode influenciar fortemente na ocorrência de outro. Se P(B) = 0. se (A) e (B) são eventos.5.5 Eventos Coletivamente Exaustivos São aqueles que ocorrem se nenhum outro ocorrer. 2.: A e B eventos Quaisquer S = { 1. 54 . Assim. deseja-se definir uma quantidade denominada probabilidade condicional do evento (A) dado que o evento (B) ocorre.5. ou sob a forma simbólica P A . 4 } A = {1. logo. B Assim. P (A I B) = P( A ) .A I B ≠ ∅ .2. 2 } B = { 2. se A e B forem Mutuamente Excludentes. 3. P(B) Ex. tem-se que P A B não é definida. 4 } A I B = { 2} P(A I B ) = P( A ) .

Qual deve ser o número de repetições do experimento (Ω).3 Conceitos de Probabilidade 5. de forma tal que a probabilidade é definida como sendo: P(E) = lim n→∞ fr (E) .3. f r ( E) = número de ocorrências do evento (E) . então: 55 . quando o experimento for realizado.1 Conceito Empírico de Probabilidade O problema fundamental da probabilidade consiste em atribuir um número a cada evento (E). número de repetições do experimento ( Ω) Surgem. onde "n" é o número de repetições do experimento Ω. 5.3.AI BICID = ∅ FIGURA 6. sendo os mesmos mutuamente excludentes. no entanto. dois problemas: a .A sorte ou habilidade do experimentador poderá influir nos resultados.6 . o qual avaliará quão possível será a ocorrência de "E".2 Definição Clássica ou Enfoque "A priori" de Probabilidade Se existe "a" resultados possíveis favoráveis a ocorrência de um evento "E" e "b" resultados possíveis não favoráveis. b . Uma possível maneira de tratar a questão seria determinar a freqüência relativa do evento E (fr(E)).Evento coletivamente exaustivos 5.

assim. Assim. de acordo com o item (3..Se A e B são eventos mutuamente excludentes. A 2.P(S) = 1. Prova: Seja um evento A = ∅. A = A U ∅. A e ∅ são mutuamente excludentes.. A cada evento (E) associa-se um número real representado por P(E) e denominaremos de probabilidade de E. c .P(E) = a . seja (S) um espaço amostral associado a (Ω). muitas vezes. então: P(A U B) = P(A) + P(B). se inspiram em resultados experimentais e que. satisfazendo as seguintes propriedades: a . 5. +P(An) ou P( U A i ) = i=1 n ∑ P(A ) .. Os axiomas. como A I ∅ = ∅. então P(∅) = 0. então: P(A1 U A 2 U . An são eventos mutuamente excludentes dois a dois. d .4 Teoremas Fundamentais Teorema 1 . então: P(A) = P(A U ∅) P(A) = P(A) + P(∅) 56 . U An ) = P(A1) + P(A2) + . b .3..Se ∅ for evento vazio. definem a probabilidade de forma que possa ser confirmada experimentalmente. 5.4).0 ≤ P(E) ≤ 1.3 Definição Axiomática Seja (Ω) um experimento. .Se A1.3..2. i i=1 n As propriedades anteriores são conhecidas como axiomas da teoria da probabilidade..3.. a+b onde os resultados devem ser verossímeis (possível e verdadeiro) e permite a observação dos valores da probabilidade antes de ser observado qualquer amostra do evento (E).

mas A e A são mutuamente excludentes.P(∅) = P(A) .Decomposição de eventos quaisquer em mutuamente excludentes Tem-se então que: (A U B) = A U (B I A ) 57 _ . então: P(A U B) = P(A) + P(B) .P(A I B) Prova: Para provar o Teorema 3 devemos transformar A U B em eventos mutuamente excludentes.P(A) P(∅) = 0. então: P(A U A ) = P(S) P(A U A ) = P(A) + P( A ) P(A) + P( A ) = 1 logo. P(A ) = 1 . conforme a FIGURA 6.Se o evento A for o evento complementar de A. Teorema 2 . _ _ _ _ _ _ _ _ _ FIGURA 6 . Teorema 3 .P(A).Se A e B são eventos quaisquer. Prova: A U A = S. então P(A )=1-P(A).

Decorrências do Teorema 3: Sejam A.P(AI B) .P(A I B).P(AI B I C)] P(A U B U C) = P(A) + P(B) + P(C) . A n eventos quaisquer: _ _ _ _ _ ( -) _ ( --) 58 .P[(AI C) U (BI C)] P(A U B U C) = P(A) + P(B) + P(C) .P(BI C) + P(AI B I C) Sejam A1 .P(A I B) .P(AI B) .P(AI C) .. .P(A I B) substituindo-se a equação (..) na equação (--) tem-se: P(A U B) = P(A) + P(B) ..P[(A U B) I C] P(A U B U C) = P(A) + P(B) + P(C) . B e C eventos quaisquer: P(A U B U C) = P[(A U B) U C] P(A U B U C) = P(A U B) + P(C) . A2 .[P(AI C) + P(BI C) .e B = (A I B) U (B I A ) logo pela propriedade (c) temos: P(A U B) = P[A U (B I A )] P(A U B) = P(A) + P(B I A ) e P(B) = P[(A I B) U (B I A )] P(B) = P(A I B) + P(B I A ) ou P(B I A ) = P(B) .

+ ( −1) n −1 P(A1 I A 2 I.. U A n ) = ∑ P(A i ) − i =1 n i < j =2 ∑ P(A i I A j ) + i j n i < j< k = 3 ∑ P(A I A i n j IAk ) + − i < j <k <l = 4 ∑ P(A I A n I A k I A l ) + .. RESUMO Mutuamente Excludente s ⇒ P(A U B) = P(A) + P(B) U  AIB =∅   + (OU)  Quaisquer ⇒ P(A U B) = P(A) + P(B) .P(A 1 U A 2 U. I A n )...P(A I B)  A IB ≠ ∅   Independentes ⇒ P(A I B) = P(A) x P(B) I  AIB ≠∅   x (E) Dependente s ⇒ P(A I B) = P(A) x P(B/A)   59 ...

6) d) somente a mulher estar viva? (0. (1/50) 2) Numa bolsa com 5 moedas de 1. a) se ela tiver olhos castanhos. metade dos homens e metade das mulheres possuem olhos castanhos. (10/21) 3) Uma urna contém 5 bolas pretas.4 e de sua mulher é de 0.50.36) 6) Faça o exercício anterior considerando 0. Qual a probabilidade de retirar 2 pretas e 1 vermelha ? a) sem reposição (1/4) b) com reposição (9/40) 4 ) Numa classe há 10 homens e 20 mulheres. 7/10 cobrando uma única vez.6 .2 a chance da mulher estar viva e compara os resultados. qual a probabilidade de ter olhos castanhos ? (3/5) (3/8) 60 . 4/5. qual a probabilidade de também ter cabelos castanhos? b) se ela tiver cabelos castanhos.00 e 10 moedas de 0. 25% olhos castanhos e 15% olhos e cabelos castanhos.50. (1/6) c) todos errarem. 7) Uma urna contém 5 fichas vermelhas e 4 brancas. a) qual a probabilidade da segunda também ser branca ? (3/8) b) qual a probabilidade da 2ª ser vermelha ? (5/8) 8) Numa cidade 40 % da população possui cabelos castanhos. Qual a probabilidade de que: a) ambos estejam vivos no período ? (0. sem reposição e constatou-se que a 1ª é branca.4 Exercícios 1) A probabilidade de 3 jogadores marcarem um penalti é respectivamente: 2/3.5 a chance do homem estar vivo e 0. (28/75) b) apenas um acertar.24) b) somente o homem estar vivo ? (0.5. Uma pessoa é selecionada aleatoriamente. Ache a probabilidade de uma pessoa escolhida ao acaso ser homem ou ter olhos castanhos. (2/3) 5) A probabilidade de um homem estar vivo daqui a 20 anos é de 0. Três bolas são retiradas. Extraem-se sucessivamente duas ficha. Qual a probabilidade de ao retirarmos 2 moedas obter a soma 1. a) todos acertarem.16) c) ao menos a mulher estar viva ? (0. 3 vermelhas e 2 brancas.

Qual a probabilidade do problema ser resolvido : a) somente pelo primeiro ? b) ao menos por um dos alunos ? c) por nenhum ? 61 . (5/17) 10) Um grupo de pessoas está assim formado: Masc. Sabendo-se que ele joga basquete. uma pessoa do grupo. 36% jogam basquete e 12% praticam os dois esportes. (15/80) e) ser mulher se for argentino. ao acaso. (18/80) d) uruguaio do sexo feminino. Sabendo que os alunos tentam solucionar o problema independentemente.9) Um conjunto de 80 pessoas tem as características abaixo: MASCULINO FEMININO TOTAL BRASILEIRO 18 20 38 ARGENTINO 12 05 17 URUGUAIO 10 15 25 TOTAL 40 40 80 Se retirarmos uma pessoa ao acaso. qual a probabilidade de que ela seja: a) brasileira ou uruguaia. qual a probabilidade de que também jogue vôlei ? 12) A probabilidade de um aluno resolver um determinado problema é de 1/5 e a probabilidade de outro é de 5/6. Médico 21 12 Engenheiro 13 08 Veterinário 15 17 Escolhendo-se. (9/16) c) brasileiro do sexo masculino. (63/80) b) do sexo masculino ou tenha nascido na argentina. Femin. qual a probabilidade de que seja: a) Uma mulher que fez o curso de medicina ? b) Uma pessoa que fez o curso de medicina ? c) Um engenheiro dado que seja homem ? d) Não ser médico dado que não seja homem ? 11) Num ginásio de esportes. 26% dos frequentadores jogam vôlei. Um dos frequentadores é sorteado para ganhar uma medalha.

i = 1. .7 . k Aj   j =1 k ( -) P(B I A i ) = P(A i )... k UA i =1 k i = S.  A   i como ( --) 62 . .. k eventos. FIGURA 6.. Ak formam uma partição de S.5 Teorema de Bayes Definição: Seja S um espaço amostral e A1..Diagrama representativo do Teorema de Bayes Seja B um evento qualquer de S. . 2. A2 .P B  . Ai I A j = ∅ .P B  . 2.5. A5 .. onde: B = (B I A 1 ) U (B I A 2 ) U..... Diz-se que A 1 .. formam uma partição de S se: A i ≠ ∅. Ak .U (B I A k )   P(B) = ∑ P(A j ). A3 .. A4 . . j = 1. A 2 .. A 2 .... .. i ≠ j A1. A k .

63 . De uma caixa escolhida aleatoriamente. Definição: Seja (Ω) um experimento aleatório e seja (S) um espaço amostral associado ao experimento.) temos: P(A i ).P B   A  A  i P i  = k .  B   B  ∑ P(A j ). 2. estaremos interessado na mensuração de alguma coisa e no seu registro como um número. . seja um número. que associe a cada elemento s ∈ S um número real x(s).P A j    j =1 Exemplo: Urna Cores Azul Branca Preta U1 3 1 5 U2 4 3 2 U3 3 3 3 Escolhe-se uma urna ao acaso e dela extrai-se uma bola ao acaso.. é denominada variável aleatória.. Uma função de X. 1 branca e 5 pretas. Qual a probabilidade dela ter saído da urna: U1 ? U2 ? U3 ? 2) Temos 2 caixas: na primeira há 3 bolas brancas e 7 pretas e na segunda.  B   P(B) ( ---) substituindo as equações (. em muitas situações experimentais. j = 1. Qual a probabilidade de que tenha saído da primeira caixa ? segunda caixa ? 5. verificando-se que ela é branca.. Contudo. k .) e (--) na equação (--. selecionou-se uma bola e verificou-se que é preta.6 Variáveis aleatórias Ao descrever um espaço amostral (S) associado a um experimento (Ω) especifica-se que um resultado individual necessariamente.P(B I A i ) P A i  = .

.. 5. A função de probabilidade para uma variável aleatória discreta é chamada de função de probabilidade no ponto.A. 5. P(xi)). Caso encontrarmos x(s) em forma de intervalo ou um conjunto de intervalos. 2. representada por P(X = x) ou P(x). é o conjunto de pares (xi. n.FIGURA 1 . .Representação de uma variável aleatória Uma variável X será discreta (V.1 Função de Probabilidade de uma V..D.D. FIGURA 6. ou seja. 64 . conforme mostra a FIGURA 9.A..) se o número de valores de x(s) for finito ou infinito numerável. teremos uma variável aleatória contínua (V..7.1 .C.D.).A. .A.7 Função de Probabilidade A probabilidade de que uma variável aleatória "X" assuma o valor "x" é uma função de probabilidade. i = 1.Distribuição de probabilidade de uma V..

isto é: F(X) = P( X ≤ x i ) Propriedades: F(X) = 1 a) xi ≤ x ∑ P( x ) i 2 a) F(−∞) = 0 3 a) F(+∞ ) = 1 4 a) P(a < x ≤ b) = F(b) − F(a) 5 a) P(a ≤ x ≤ b) = F(b) − F(a) + P(X = a ) 6 a) P( a < x < b) = F(b) − F(a ) − P( X = b) 7 a) F(X) é contínua à direita ⇒ xlim F(X ) = F(X o ) → x0 8 a) F(X) é descontínua à esquerda. .D. nos pontos em que a probabilidade é diferente de zero..6. xn.A. Definição: Seja X uma V.7.3 Esperança Matemática de V.Para cada possível resultado de x teremos: 0 ≤ P( X) ≤ 1. Define-se Função de Repartição da Variável aleatória X. como sendo a probabilidade de que X assuma um valor menor ou igual a xi. 5.. .2 Função de Repartição para V. . isto é. para P(X = xo ) ≠ 0 9 a) A função não é decrescente.D. no ponto xi . 2.A.. n.. Seja X uma variável aleatória discreta. Então. com valores possíveis x1...D. ∑ P(X ) = 1 i =1 i ∞ 5. denotado por E(X) é definido como 65 . F(b) ≥ F(a) para b > a..A.. .. i = 1. x2... x→ x 0 lim F(X) ≠ F(X o ).. . o valor esperado de X (ou Esperança Matemática de X). Seja P(xi) = P(X = xi).

.P(x i ) ou V(X) = E(X 2 ) − E( X) 2 ∞ ∞ 2 i =1 onde E (X 2 ) = ∑ x 2 P( xi ) e a raiz quadrada positiva de V(X) é denominada o desvio-padrão i de X.E( X) = ∑ xi P(xi ) ∞ se a série E( X) = ∑ xi P(xi ) convergir absolutamente. e denotado por σ x. i =1 FIGURA 6.D.C. Define-se a variância de X. onde a curva limitada pela área em relação ao valores de x será igual a 1.A.7. denotada por V(X) ou σ2x.C.4 Variância de uma V. 5.A. a função de probabilidade será contínua. i =1 i i ∞ este número é também denominado o valor médio de X.D.5 Função de Probabilidade de uma V. isto é. Definição: Seja X uma V.A. No instante em que X é definida sobre um espaço amostral contínuo. Se quisermos calcular a probabilidade de X assumir um valor x entre "a" e "b" devemos calcular: P(a ≤ x ≤ b) = ∫ f(x) dx a b 66 .7. 5.2 . se i =1 ∞ i =1 ∑ |x | P(x ) < ∞ . da seguinte maneira: V(X) = ∑ ( xi − E(X)) . ou expectância de X.A.Distribuição de probabilidade de uma V.

como sendo: F(X) = ∫ f ( x) dx −∞ x • P(a ≤ x ≤ b) = P(a < x < b) = P(a < x ≤ b) = P(a ≤ x < b) 5.Pelo fato de que a área representa probabilidade. e somente se.C. ∫ +∞ −∞ | x | f(x) for 67 .f(x) dx -∞ +∞ pode acontecer que esta integral imprópria não convirja.d.p. Definição: Seja X uma V. Definição: A função f(x) é uma Função Densidade de Probabilidade (f. b a P(a ≤ x ≤ b) = ∫ f(x) dx .A.d.7.A. Seja X uma variável aleatória contínua. ∫ +∞ −∞ f(x) dx = 1 . e a mesma tem valores numéricos positivos.7 Esperança Matemática de uma V. definida nos reais quando f (x) ≥ 0 . logo a função precisa estar inteiramente acima do eixo das abscissas (x). f(x).C. X.6 Função de Repartição para V.) para uma V. Conseqüentemente. no ponto xi . com f. Define-se Função de Repartição da Variável aleatória X.A.C. O valor esperado de X é definido como E(X) = ∫ x.C. finita.7. 5.A. diremos que E(X) existirá se.p.

iii) Use as propriedades para determinar: a) P(0 < x < 2).1 0 0 1 2 Representação gráfica 68 .A.5 0. c) P(0 < x ≤ 2).C.8 Exemplos . ii) construir a função de repartição e represente graficamente.6 0. d) F(1).4 0.d. A variância de X é: V(X) = ∫ onde ( x − E(X) )2 f(x) dx ou V(X) = E(X 2 ) − −∞ E(X 2 ) = ∫ x2 f(x) dx −∞ +∞ +∞ E( X) 2 5.3 0.5.p.8 Variância de uma V.A. de uma função distribuição de probabilidade (f. b) P(0 ≤ x ≤ 1).2 0. Definição: Seja X uma V.7.).C.Variável Aleatória Discreta Seja X o lançamento de duas moedas e descrever o experimento em função da obtenção do número de caras: i) determinar a função de probabilidade e represente graficamente. e) F(2) iv) E(X) e V(X) i) 0.

5 6 4 2 69 . i i =1 ∞ 1 2 2 1 6 +1 . + 1 .ii) F(x) = 0 se x<0 F(X) = 1/4 se 0 ≤ x < 1 F(X) = 3/4 se 1 ≤ x < 2 F(X) = 1 se x ≥ 2 iii) Representação gráfica a) P (0 < x < 2) = F ( 2) − F (0) − P ( X = 2) = 1 − 3 1 1 1 1 3 − = 4 4 4 3 b) P(0 ≤ x ≤ 1) = F(1) − F( 0) + P( X = 0) = 4 − 4 + 4 = 4 c) P(0 < x ≤ 2) = F( 2) − F( 0) = 1 − 4 = 4 1 3 d) F(1) = 3/4 e) F(2) = 1 iv) Esperança Matemática E( X) = ∑ xi P(xi ) = 0 . = 1 4 4 4 i =1 ∞ 1 2 1 Variância 2 E(X 2 ) = ∑ x 2 P( xi ) = 0 . + 2 . + 22 . = 4 4 4 4 V(X) = E(X 2 ) − E( X) 2 = 4 − 4 = 4 = 0.

1 3 1 iii) Determine P  ≤ x ≤  e P  ≤ x < 1     4 4 4  iv) E(X) e V(X) i) ii) para x<0 ⇒ F(X ) = ∫ 0 dx = 0 −∞ x x −∞ x 0 1 +∞ x para 0 ≤ x < 1 ⇒ F(X ) = ∫ 0 dx + ∫ 2x dx = 0 + x 2 para x ≥ 1 −∞ 0 1 [ ] x 0 = x2 ⇒ F (X ) = ∫ 0 dx + ∫ 2x dx + ∫ 0 dx = 0 + x 2 [ ] 1 0 +0 =1 70 .. para qualquer outro valor i) represente graficamente função densidade de probabilidade. ii) determinar a função de repartição e represente graficamente. para 0 < x < 1 f (x ) =   0.Variável Aleatória Contínua Seja X uma variável aleatória contínua: 2x.

b) P(1 ≤ x ≤ 2). c) P(1 < x ≤ 3). b) Calcule usando as propriedades: b. e) F(2) c) E(X) e V(X) 2) No lançamento simultâneo de dois dados.5 1  4 4 4 4 16 4 4 ∫ 3 [ ] 3 2 2 iv) E(X) = E(X2 ) = ∫ 1 x f(x) dx = 1 0 ∫ 1 x 2x dx = 1 0 ∫ 1 2 x2 f(x) dx = 1 0 2 31 2 x = 3 0 3 2 41 1 x = 4 0 2 [ ] ∫ x2 f(x) dx = 0 ∫ x 2 2x dx = 0 ∫ 2x 3 f(x) dx = 0 [ ] logo. a) Determine sua função de repartição e represente graficamente.1) a) P(1 < x < 3). considere as seguintes variáveis aleatórias: 71 . d) F(1). V(X) = E(X 2 ) − [E(X)] = 2 1  2 9 −8 1 −  = = 2  3 18 18 2 5.Representação gráfica iii) 3 8 1  3 1 P ≤ x ≤  = 14 2 x dx = x2 4 =   −   = = 0.9 Exercícios 1) Admita que a variável X tome valore 1. 2 e 3 com probabilidades 1/3. 1/6 e 1/2 respectivamente.

5 < Z < 34) d) Determine E(W). a) Construir a distribuição de probabilidade através de uma tabela e gráfico das seguinte variáveis: i) W = X . V(W). 3. E(Z).5) v) P (Z = 3) vi) P (A ≥ 11) vii) P (20 ≤ Z ≤ 35) viii) P 3. Y b) Construir a função de repartição das Variáveis W. 72 . V(A) e V(Z) 3) Uma variável aleatória discreta tem a distribuição de probabilidade dada por: P(X ) = K x para x = 1.Y ii) A = 2 Y iii) Z = X . e) E(Z) e V(Z). E(A). A e Z c) Aplicar as propriedades e determinar: i) P (-3 < W ≤ 3) ii) P (0 ≤ W ≤ 4) iii) P (A > 6) iv) P (Z ≤ 5. b) Determinar F(Z) e traçar o gráfico.X = número de pontos obtidos no 1o dado. 5 e 7 a) calcule o valor de k c) E(X) b) Calcular P(X=5) d) V(X) 4) Seja Z a variável aleatória correspondente ao número de pontos de uma peça de dominó. Y = número de pontos obtidos no 2o dado. c) Calcular P(2≤ Z < 6). d) Calcular F(8). a) Construir a tabela e traçar o gráfico P(Z).

b) Calcule P x ≤ 2    c) E(X) e V(X)  1 6x (1 − x ).C. ii) P(1< x < 1. 0 ≤ x ≤ 2 .p. iii) E(X) e V(X). caso contrário   1 i) Ache a função de repartição e esboce o gráfico. caso contrário  i) Ache a função de repartição e esboce o gráfico. ii) Determine E(X) e V(X). b) Determine k. 0 < x < 1  0. c) Determine F(X) e faça o gráfico d) E(X) e V(X) 8) A função de probabilidade de uma V.A. X é f (x ) =  a) Determine F(X) e represente graficamente. 7) Uma variável aleatória X tem a seguinte f. 6) Seja f (x ) =  2 x. caso contrário 73 .  3  0.2 5) Seja f (x ) =  2 (1 − x ).5).  0. 0 < x < 1 .: x<0 0≤x<2 2≤x<4 x≥4 f(x) = 0 f(x) = k f(x) = k(x .d.1) f(x) = 0 a) Represente graficamente f(x).

p.9) Uma variável aleatória X tem a seguinte f. 10) Dada a função de repartição: F(X) = 0 para x < -1 F(X) = x +1 2 x<0 0 ≤ x < 500 500 ≤ x < 1000 x ≥ 1000 para -1 ≤ x < 1 para x ≥ 1 F(X) = 1  1 a) Calcule: P  − 2 ≤ x ≤ 2  .d. b) P (250 ≤ x ≤ 750).: f(x) = 0 f(x) = Ax f(x) = A(100 .x) f(x) = 0 a) Determine o valor de A. b) P(X = 0)   1 74 .

P(A).A. logo X pode assumir: X = 0 se ocorrer fracasso e X = 1 se ocorrer sucesso. se for fracasso. onde P(A)= p e P(A ) = q. P(A). 144424443 1444 2444 3 4 4 4 4 x sucessos n. . Seja X o número de sucesso em uma única tentativa.D. Supondo que em uma única tentativas o número de casos possíveis sejam: A..6 Distrib uições de Proba bilid ade Após termos visto as definições de V.. P(A ). A. ..C.. P(A). .. com P(X = 0) = q X= 1. P(A) P(A).. se for sucesso. temos: P(A I A I... ..1 Distribuição de Bernoulli Consideramos uma única tentativa de um experimento aleatório podemos ter sucesso ou fracasso nessa tentativa. onde p + q = 1. Seja "p" a probabilidade de sucesso e "q" a probabilidade de fracasso. .P(A) .. . A..I A I A I A I .x fracassos _ 75 . ... P(A).1. citaremos as principais distribuições de probabilidade relacionadas a estas variáveis.1 Distribuições Discretas de Probabilidade 6. A .P(A ).P(A)... .A.P(A ) ... I A) = P(A). . A. e V.. . com P(X = 1) = p . ou ainda: 0.. A 14 24 3 14 244 4 4 4 3 x sucessos n-x fracassos sendo os resultados independentes. 6.

P(1) E(X) = 0.nessa condição a variável aleatória X tem distribuição de Bernoulli. de forma que nenhum outro resultado fora delas é possível 76 . P(0) + 1.(1 .q + 1. de modo a deixar bem claro a qual categoria pertence determinada observação.2 Variância da Distribuição de Bernoulli V(X) = E(X 2 ) − E( X) 2 onde E (X 2 ) = ∑ x 2 P( xi ) i i =1 ∞ 2 E(X ) = x1 P(x1 ) + x2 P( x2 ) 2 E( X 2 ) = 0.1.1.q + 1.p ) 2 V(X) = p .p E (X) = p 6. e sua função de probabilidade (f. p.p = p logo V(X) = p − p 2 V(X) = p. As categorias devem ser mutuamente excludentes.1 Esperança Matemática da Distribuição de Bernoulli E( X) = ∑ xi P(xi ) i =1 ∞ E( X) = x1 P(x1 ) + x2 P(x 2 ) E(X) = 0.1.1.2 Distribuição Binomial O termo "Binomial" é utilizado quando uma variável aleatória esta agrupada em duas classes ou categorias.q n− x . e as classes devem ser coletivamente exaustivas.) (função de probabilidade) é dada por: P(X = x) = p x . q 6.1. 6.

x) falhas em (n .x) tentativas é dado por qn-x. p x q n− x x   como P(X) segue uma Distribuição de Probabilidade.Sejam.1.1 Esperança Matemática de Distribuição Binomial E( X) = ∑ xi P(xi ) i =1 ∞ n E(X) = x. E (X) = x. "p" probabilidades de sucesso e "q" probabilidades de falha. 4 a) Todas as tentativas devem ser independentes. ou seja p + q = 1. 2 a) Cada tentativa deve resultar numa falha ou sucesso.1)!(n . ∞ n! ∑ p x q n− x x(x . ou seja para s = x . temos (x -1)!(n . 6.∑  p q   x =1  s  77 .x)! x =1 ∞  n .1 e x = s + 1.x =   =  x  x! (n − x)!   logo. temos: ∞ ∞  n ∑ P(X = x i ) = 1 ou ∑1  x  p x q n− x = 1   i =1 x=   0 logo. onde o número de vezes em que pode ocorrer x sucessos e (n-x) falhas é dado por: n n! C n.x)! x =1 E (X) = n. A probabilidade de x sucessos em x tentativas é dado por px e de (n .2. ∞ (n -1)! ∑ p x q n−x . 3 a) As probabilidades de sucesso devem ser iguais para todas as tentativas. a probabilidade de ocorrer x sucessos com n tentativas será n P(X = x) =  p x q n −x x   Propriedades necessárias para haver uma utilização da Distribuição Binomial: 1 a) Número de tentativas fixas.1 s +1 n− (s+1) E(X) = n.

p 6.(1 .s)! x =1 x =1   ∞   n − 1 ∞ s  n .1 s (n −1) −s E(X) = n.p ∑   p .n ∑ p s .s)! s!(n -1. temos: x.x ∑ p xq n −x .∑   s  p .1.1. p.2 Variância de uma Distribuição Binomial V(X) = E(X 2 ) − E( X) onde 2 E(X 2 ) = ∑ x 2 P( xi ) i ∞ n! E(X ) = x.(np) 2 V(X) = n.2.1)! E(X 2 ) = s.q 78 .p q  x =1   ∞  n .1 s n −1−s  n −1− s E(X 2 ) = n.q   x =1  s  14 4 2444 4 3 1 E(X) = n .p s  + ∑ p q   s ∑ p . p.p q    144 x =244 43 144 24 4 3  1 x =1  s   4 4 4   (n−1)p 1   2 E(X ) = n.p q n−1− s + n∑ p s. para s = x -1 e x = s +1.∞  n . p ( n − 1) p + 1 E(X2 ) = n.( x − 1)!(n − x)! x=1 ∞ n! E (X 2 ) = ( s + 1) ∑1 ps+1q n−( s+1) s!(n − ( s + 1) )! x = ∞ ∞ (n -1)! (n . p ( np − p + 1 2 i =1 ∞ E( X 2 ) = n 2 p 2 − np 2 + np V(X) = n 2 p 2 − np 2 + np .1 s (n−1) −s E(X) = n.p) V( X) = n. p q n−1−s s!(n .

p + 2. . .( n − 1).(n . 1 − n. x! Se p → 0 e n >> x logo.q n Quando numa distribuição binomial o tamanho "n" das observações for muito grande e a probabilidade "p" de sucesso for muito pequena.. P(x) = n x x n −x p q .1 (−p) + . . contando-se apenas com a sua ocorrência.p)  n( n − 1)  2 P(x) = 1 − n. P (x) = (n. a distribuição não pode ser aplicada.1.3 Distribuição de Poisson p. q n − x ≈ q n = (1 − p) assim.p)  ( n.6. Se n → ∞ em conseqüência n >> x assim. n! = n. x!   x 2  (n..1.Uma vez não conhecido o número total de eventos.. a probabilidade de sucesso "p".x + 1) ≈ n x (n − x)! logo.p) P(x) ≅ + .2. A aplicação da distribuição segue algumas restrições: . a probabilidade x de ocorrência de um determinado número de observações segue uma Distribuição de Poisson.3 Esperança Matemática e Variância para a Probabilidade de Sucesso (p) de uma Distribuição Binomial E(p) = p e V(p) = 6.p + x!  2!  n 79 .( n − 2). p) x (1 − p) n x! x (n... ou seja..Somente a chance afeta o aparecimento do evento.

1 e x = s + 1 temos: x(x .1. P(x) = λxt .1)! ∞ e-λ λs+1 E (X) = ∑ s! x =1 ∞ e -λ λs E(X) = λ ∑ s! x =1 1 24 4 3 E (X) = ∑ x 1 ∞ i =1 ∞ E(x) = λ 6.(n.2 Variância da Distribuição de Poisson V(X) = E(X 2 ) − E( X) 2 onde E (X 2 ) = ∑ x 2 P( xi ) i ∞ E( X 2 ) = ∑ x.1.1 Esperança Matemática da Distribuição de Poisson E( X) = ∑ xi P(xi ) e -λ λx x! x =1 -λ x ∞ e λ E( X) = ∑ . e-λ x! fornece a probabilidade de x falhas no período de tempo t.3. tempo) e t o tempo. logo o número médio de falhas será λ t . pode-se dizer que λ é a taxa média de falhas (falha / unid. x x =1 i =1 ∞ e -λ λx .3. P( x) = A probabilidade de zero falhas no tempo t é a confiabilidade do componente em função do tempo. substituindo s = x . assim. P(0) = R(t) = e −λ t 6. p) x e -n.1)! 80 .p por λ e considerando-o como sendo o número médio de ocorrência expresso em unidades de tempo.p x! Substituindo o valor esperado n. substituindo s = x -1 e x = s + 1 temos: x =1 (x .

com 100 perguntas.e -λ λs+1 s! x =1 ∞ e -λ λs E(X 2 ) = λ ∑ (s +1) s! x =1   ∞  ∞ e -λ λs e -λ λs  E(X 2 ) = λ ∑ s +∑  x =4 s! 1 x =1 1 24 3 1 2s!  4 4 3  E(X)  1   E (X 2 ) = ∑ (s + 1) ∞ E(X) 2 = λ2 + λ V(X) = λ2 + λ − ( λ ) 2 V(X) = λ 6. calcular a probabilidade de um casal com 6 filhos ter: a) 4 filhos e 2 filhas b) 3 filhos e 3 filhas 2) Em 320 famílias com 4 crianças cada uma. c) X vencer mais da metade das partidas. calcule a probabilidade de: a) X vencer exatamente 3 partidas. b) 3 meninos c) 4 meninos 3) Um time X tem 2/3 de probabilidade de vitória sempre que joga. qual a probabilidade de um aluno. d) X perder todas as partidas. 5) Num teste de certo-errado. respondendo as questões ao acaso. b) X vencer ao menos uma partida. quantas se esperaria que tivessem: a) nenhuma menina. Se X jogar 5 partidas. 4) A probabilidade de um atirador acertar um alvo é 1/3. acertar 70% das perguntas ? 81 . b) não acertar nenhum tiro. qual a probabilidade de: a) acertar exatamente 2 tiros. Se ele atirar 6 vezes.2 Exercícios 1) Admitindo-se o nascimento de meninos e meninas sejam iguais.

000 km sem estourar nenhum pneu ? 8) Certo posto de bombeiros recebe em média 3 chamadas por dia. c) mais do que uma boa. c) 75 chamas num dia. escolhidas ao acaso. b) receber 3 ou mais chamadas num dia. b) 1 suicídio. 7) Uma fabrica de pneus verificou que ao testar seus pneus nas pistas. Em uma cidade de 100. numa amostra de 100 lâmpadas. b) 100 erros em 200 páginas. b) receber 4 ou mais chamadas em 90 minutos.000 km.000 hab. 82 . Calcular a probabilidade de: a) receber 4 chamadas num dia. havia em média um estouro de pneu a cada 5. encontre a probabilidade de que um dado ano tenha havido: a) nenhum suicídio.000 km haja no máximo um pneu estourado ? b) Qual a probabilidade de um carro andar 8.6) Se 5% das lâmpadas de certa marca são defeituosas. Encontre a probabilidade de que uma dada página contenha: a) nenhum erro. Qual a probabilidade: a) receber exatamente 3 chamadas numa hora. c) 22 chamadas numa semana. 10) Na pintura de paredes aparecem defeitos em média na proporção de 1 defeito por metro quadrado. Qual a probabilidade de aparecerem 3 defeitos numa parede 2 x 2 m? 11) Suponha que haja em média 2 suicídios por ano numa população de 50. a) qual a probabilidade que num teste de 3.000 habitantes. achar a probabilidade de que. 12) Suponha 400 erros de impressão distribuídos aleatoriamente em um livro de 500 páginas. 9) A média de chamadas telefônicas em uma hora é 3. c) 2 ou mais suicídios. tenhamos: a) nenhuma defeituosa (use binomial e poisson) b) 3 defeituosas.

1 .a) (b + a) E(X) = 2(b − a) E( X) = (b + a) 2 83 .3.1 Distribuição Uniforme É uma distribuição de probabilidade usada para variáveis aleatórias contínuas.Representação de uma Distribuição Uniforme 6. b .6.a 2 a b2 − a 2 E (X) = 2(b − a) ( b .1.3. e sua função densidade de probabilidade é dada por:  1  f(x) =  b − a  0  se a ≤ x ≤ b se x < a ou x > b . FIGURA 6.1 Esperança Matemática da Distribuição Uniforme E(X) = ∫ x f(x) dx −∞ b +∞ E(X) = ∫ a x 1 dx b-a b 1 x2  E(X) =  b . definida num intervalo a.3 Distribuições Contínuas de Probabilidade 6.

d.) for da forma: 1 2π σ − 1  x −µ    2 σ  2 f(x) = e .1. Uma variável aleatória X. usado tanto para variáveis aleatórias discretas como contínuas.6.−∞ < x < +∞ 84 .2 Distribuição Normal ou Gaussiana É um modelo de distribuição contínua de probabilidade.3.a)(b 2 + ab + a 2 ) E( X 2 ) = 3(b − a) 2 b + ab + a 2 2 E( X ) = 3 2 2 b + ab + a 2  b + a  V(X) = −  3  2  b2 + ab + a 2 b 2 − ab + a 2 V(X) = − 3 4 2 2 4b + 4ab + 4a − 3b 2 − 6ab − 3a 2 V(X) = 12 b2 − 2ab + a2 V(X) = 12 2 V(X) = (b − a) 2 12 6.3.p.2 Variância da Distribuição Uniforme V(X) = E(X 2 ) − E( X) E(X 2 ) = ∫ x 2 f(x) dx −∞ +∞ 2 E(X 2 ) = ∫ x 2 b a 1 dx b-a 1 b 2 x dx b .a ∫a b 1 x3  2 E(X ) =  b-a 3 a E(X 2 ) = b3 − a 3 E(X ) = 3( b − a) (b . que tome todos os valores reais -∞ < x < +∞ tem distribuição normal quando sua função densidade de probabilidade (f.

no lugar de I usaremos I². 0 < r < + ∞ e 0 < a < 2 π .d.2. 6. Como − ∞ < s < + ∞ e − ∞ < t < + ∞ . legítima para f(x)≥0. ∫− ∞ −∞ 2π σ Para calcular esta integral usaremos um artifício.3. ou seja. logo fazendo t = x− µ temos: σ t − +∞ +∞ 1 f(x) d(x) = ∫ e 2 dt = I .1 Propriedades da Distribuição Normal a) f é uma f. t s +∞ − 1 +∞ −2 2 I = ∫ e dt . ∫− ∞ e 2 ds 2π −∞ I = 2 ∫ +∞ −∞ f(x) d(x) = 1 1 2π ∫ ∫ -∞ +∞ +∞ -∞ e − (t 2 +s 2 ) 2 dt ds introduzindo coordenadas polares para realizar o cálculo dessa integral dupla. portanto 1 2π I = 2π ∫0 2 ∫ +∞ 0 2 re − r2 2 dr dα r 1 2π − 2  2 I = e  dα 2π ∫0 0  +∞ 1 2π − ( 0 − 1) dα 2π ∫0 1 2π I2 = α0 2π I2 = 85 .p.Os parâmetros µ e σ seguem as seguintes condições: −∞ < µ < + ∞ e σ > 0 . temos: s = r cosα e t = r senα conseqüentemente o elemento de área ds dt se torna r dr dα.

Semelhança de um sino.∂ z = e x = z σ +µ. . σ σ z − 1 +∞ E(X) = ( σ z + µ ) e 2 dz ∫ 2π −∞ z z − +∞ +∞ − 1 1 2 2 E(X) = σ ∫ z e dz + µ ∫−∞ e dz −∞ 2 3 2π 14 4 2π 2 144 44 3 −∞ zero um E(X) = ∫ x +∞ 1 1  x −µ  −   2 σ  2 86 . 1 2π = 1 2π b) O aspecto gráfico da função f tem: .3.Distribuição Normal em função da µ e σ 6. logo I = 1 como queríamos mostrar.2.A área total da curva equivale a 100%. .I2 = I² = 1 .2 .2 Esperança Matemática da Distribuição Normal E(X) = ∫ x f(x) dx −∞ +∞ e dx σ 2π x−µ ∂x fazendo z = .A área total da curva equivale a 100%. FIGURA 7. . unimodal e simétrico em relação a média µ.A especificação da média µ e do desvio padrão σ é completamente evidenciado.

2 2 2 V(X) = σ² 87 . ∂z = e x = z σ +µ. σ σ z − +∞ 1 2 2 E(X ) = σ ∫ ( σ z + µ) e 2 dz σ 2π −∞ −∞ E(X ) = ∫ x 2 +∞ 2 1 1  x −µ  −   2 σ  2 E(X ) = 2 − +∞ 1 σ 2 ∫ z 2 e 2 dz + −∞ 2π z − − +∞ +∞ 1 1 2µ σ ∫ z e 2 dz + µ 2 e 2 dz ∫ −∞ 14243 2π 2π − ∞ 1442443 zero um z z E(X 2 ) = 1 2π σ2 ∫ +∞ −∞ z2 e − z 2 dz + µ 2 integrando por partes temos que ∫ u dv = u dv .E(X) = µ 6.∫ v du z =u 2 dv = e − z2 2 du = 1 dz E(X ) = 2 v = −e 1 2π 2 2 z − 2 − 2 dz z 2 z  − +∞ 2 2  − ∫−∞ − e dz + µ  −∞ z +∞ σ z e E(X 2 ) = 0 + σ 2 − +∞ 1 2 ∫− ∞ − e 2 dz + µ 2π 4 144 24 4 3 4 um E(X ) = σ + µ logo.3.2.3 Variância da Distribuição Normal V(X) = E(X 2 ) − E( X) 2 E(X 2 ) = ∫ x 2 f(x) dx −∞ +∞ e dx σ 2π x−µ ∂x fazendo z = .

f(z).Complemento da Distribuição Normal Padronizada Fazendo z = x−µ e z ~ N(0.4 Distribuição Normal Padronizada Tem como objetivo solucionar a complexidade da f(x) através da mudança de variável.4 . 2π −∞ com E(z) = 0 e VAR(z) = 1.2.6. onde: z = número de desvios padrões a contar da média x = valor arbitrário µ = média da distribuição normal σ = desvio padrão da distribuição normal Estas probabilidades estão tabeladas e este caso particular é chamado de Forma Padrão da Distribuição Normal.3.1) temos que σ 2 1 +∞ − z2 f(z) = ∫ e . 88 . FIGURA 7.

A distribuição t é simétrica em relação a sua média.3. (R = 776 dias) 3) Um produto pesa.30 m.50 e 1. Xgeral = 1000.75 m d) entre 1. 6. com desvio padrão de 2 g. Sgeral = Vgeral = 28. Vgeral = 50Vp + Vc . para ϕ > 2. É embalado em caixas com 50 unidades. Sabe-se que as caixas vazias pesam 500 g.70 m b) mais que 1. quando se tem amostras com tamanhos inferiores a 30 elementos. N ~ (0.83 m 2) A duração de certo componente eletrônico tem média 850 dias e desvio padrão 45 dias.6.3 Distribuição “t” de Student Trata-se de um modelo de distribuição contínua que se assemelha à distribuição normal padrão. A média da distribuição é zero e sua variância é dada por: VAR t ϕ = σ 2 t ϕ = [ ] ( ) ϕ ϕ−2 . com desviopadrão de 25 g.80 m c) menos que 1. em média. Admitindo-se uma distribuição normal dos pesos e independência entre as variáveis dos pesos do produto e da caixa. Ë utilizada para inferências estatísticas. Qual a probabilidade do componente durar: a) entre 700 e 1000 dias b) menos que 750 dias c) mais que 850 dias d) Qual deve ser o número de dias necessários para que tenhamos de repor 5% dos componentes.58 m f) exatamente 1.60 m e desvio padrão 0. 73 (R = 0.4 Exercícios 1) As alturas dos alunos de uma determinada escola são normalmente distribuídas com média 1.54 e 1.04093) 89 . A distribuição t também possui parâmetros denominado "grau de liberdade .1). particularmente.ϕ". 10 g. calcule a probabilidade de uma caixa cheia pesar mais de 1050 g.48 m e) menos que 1. Encontre a probabilidade de um aluno escolhido ao acaso medir: a) entre 1.

4) Em uma distribuição normal 28% dos elementos são superiores a 34 e 12% inferiores a 19. Encontrar a média e a variância da distribuição. (R = X = 29. 03, S2 = 73. 44 ) 5) Suponha que a duração de vida de dois equipamentos E1 e E2 tenham respectivamente distribuições N(45 ; 9) e N(40 ; 36). Se o equipamento tiver que ser usado por período de 45 horas, qual deles deve ser preferido? (R = E1 ) 6) A precipitação pluviométrica média em certa cidade, no mês de dezembro, é de 8,9 cm. Admitindo a distribuição normal com desvio padrão de 2,5 cm, determinar a probabilidade de que, no mês de dezembro próximo, a precipitação seja (a) inferior a 1,6 cm, (b) superior a 5 cm mas não superior a 7,5 cm, (c) superior a 12 cm. 7) Em uma grande empresa, o departamento de manutenção tem instruções para substituir as lâmpadas antes que se queimem (não esperar que queimem para então substituí -las). Os registros indicam que a duração das lâmpadas tem distribuição N(900 ; 75) (horas). Quando devem ser substituídas as lâmpadas de modo que no máximo 10% delas queimem antes de serem trocadas? (R = 889 horas) 8) Os registros indicam que o tempo médio para se fazer um teste é aproximadamente N(80 ; 20) (min.). Determinar: a) a percentagem de candidatos que levam menos de 60 min ? b) se o tempo concedido é de 1h, que percentagem não conseguirá terminar o teste ? 9) A profundidade dos poços artesianos em um determinado local é uma variável aleatória N(20 ; 3) (metros). Se X é a profundidade de determinado poço, determinar (a) P(X < 15), (b) P(18 < X < 23), (c) P (X > 25). 10) Certa máquina de empacotar determinado produto oferece variações de peso com desvio padrão de 20 g. Em quanto deve ser regulado o peso médio do pacote para que apenas 10% tenham menos que 400 g? Calcule a probabilidade de um pacote sair com mais de 450 g. [R = a) µ = 425.6 b) 0.11123 )]

90

7 Amo st ra ge m
7.1 Conceitos em Amostragem Inferência Estatística - é o processo de obter informações sobre uma população a partir de resultados observados ma Amostra. Amostragem: É o processo de retirada de informações dos "n" elementos amostrais, na qual deve seguir um método adequado (tipos de amostragem).

7.2 Plano de Amostragem 1 o ) Definir os Objetivos da Pesquisa 2 o ) População a ser Amostrada - Parâmetros a ser Estimados (Objetivos) 3 o ) Definição da Unidade Amostral - Seleção dos Elementos que farão parte da amostra 4 o ) Forma de seleção dos elementos da população

91

Aleatoria Simples Sistematica  - Tipo de Amostragem   Estratificada  por Conglomerados 

5 o ) Tamanho da Amostra Ex.: Moradores de uma Cidade (população alvo)

 própria  Objetivo: Tipo de Residência  alugada emprestada 
Unidade Amostral: Domicílios (residências)

um piso  dois pisos tres ou mais pisos 

Elementos da População: Família por domicílio
aleatoria simples  Tipo de Amostragem:  sistematica estratificada 

7.3 Tipos de Amostragem 7.3.1 Amostragem Simples ou Ocasional É o processo mais elementar e freqüentemente utilizado. Todos os elementos da população tem igual probabilidade de serem escolhidos. Para uma população finita o processo deve ser sem reposição. Todos os elementos da população devem ser numerados. Para realizar o sorteio dos elementos da população devemos usar a Tabela de Números Aleatórios . 7.3.2 Amostragem Sistemática Trata-se de uma variação da Amostragem Aleatória Ocasional, conveniente quando a população está naturalmente ordenada, como fichas em um fichário, lista telefônica, etc. Ex.: N = 5000 n = 50, então r =

N = 10, (P.A. de razão 10) n

Sorteia-se usando a Tabela de Números Aleatórios um número entre 1 e 10, (x=3), o número sorteado refere-se ao 1 o elemento da amostra, logo os elementos da amostra serão:

92

seleciona-se uma amostra aleatória de cada uma subpopulação (estrato). ou tornam-se extremamente difícel que se identifiquem seus elementos. na qual pode-se distinguir subpopulações mais ou menos homogêneas. salário. denominados estratos. e seja "n" o número de elementos de uma amostra.. Após a determinação dos estratos. e guardarem a proporcionalidade em relação a variabilidade de cada estrato.. etc.4 Amostragem por Conglomerados (ou Agrupamentos) Algumas populações não permitem.3. Tipos de variáveis que podem ser usadas em estratificação: idade. edifícios. e uma contagem completa deve ser feita no conglomerado sorteado. r 7. o número de amostras possíveis será: 93 . As diversas subamostras retiradas das subpopulações devem ser proporcionais aos respectivos números de elementos dos estratos. procedência. 7.4 Amostragem "COM" e "SEM" reposição Seja "N" o número de elementos de uma população. então: Se o processo de retirada dos elementos for COM reposição (pop.. mas podemos identificar subgrupos da população.3. finita (f > 5%) ). Em tais casos. uma amostra aleatória simples desses subgrupos (conglomerados) podem ser escolhida. organizações.3 Amostragem Estratificada É um processo de amostragem usado quando nos depararmos com populações heterogêneas.. obtendo-se uma estratificação ótima.3 13 23 33 43 .. classes sociais. 7. sexo. infinita (f ≤ 5%) ). o número de amostra s possíveis será: no de amostras = N n Se o processo de retirada de elementos for SEM reposição (pop. a n = a1 + ( n − 1).A. Para determinar qualquer elemento da amostra podemos usar a fórmula do termo geral de uma P. etc. famílias. Agregados típicos são: quarteirões. profissão. agências.

no de amostras = C N . n = Ex.4} ⇒ x = 4.5 {2. 2. 4} n=2 no de amostras = C 4.: Processo de Amostragem Aleatória Simples (Distribuição Amostral das Médias) .2} ⇒ x = 2.1} {4. 4} Para ilustrar melhor as estatísticas amostrais usaremos o processo com reposição. .3} {1.2} ⇒ x = 2.1} ⇒ x = 15 .4} {3.4} {2.: Supondo N = 8 e n = 4 N! n! (N .5 {4.3} ⇒ x = 3.4} {3.4} {4.n = N! 8! = C8.0 {4.3} ⇒ x = 3.0 {4.5 {2.3} {1. 3.2} ⇒ x = 3.1} {3.5 {4.2 = no de amostras = N n = 4 2 = 16 {1.0 94 .2} {1.0 {3. {11} {2.3} ⇒ x = 2. 4} n=2 .3} {3.2} {2.1} .(com reposição) N = { 1.4} ⇒ x = 3.4} 4! =6 2! 2! {1.5 {1.3} ⇒ x = 2.n )! com reposição: n o de amostras = N n = 8 4 = 4096 sem reposição: no de amostras = C N .2} {3.3} {2.3} {4. {2.5 {1.n )! 4! 4! Ex.1} ⇒ x = 2. 4} {2. {31} ⇒ x = 2.0 {3.2} {4.3} {2.4} ⇒ x = 2.0 . 2. {11} ⇒ x = 1.0 {2.2} {1.(sem reposição) N = { 1.5 {3.4 = = 70 n ! ( N .0 {1.4} ⇒ x = 3. 3.2} ⇒ x = 1.

5 2.0 3.6 Estatísticas Amostrais .5 16 -Variância ou VAR( x ) = E x 2 − [ E ( x)]2 onde E x 2 = ( ) n 2 i ( ) ∑ x P( X = x ) i i=1 95 .5 3.7.5 Representações de uma Distribuição Amostral .0 Σ .0 2.Tabela xi 1.Esperança Matemática µ( x ) = E( x) = ∑x i =1 n i P(X = xi ) = 40 = 2.Gráfico P(X = xi ) 1/16 2/16 3/16 4/16 3/16 2/16 1/16 16/16 7.0 1.5 4.

a despeito de sua larga utilização. além de possibilitar maior precisão nos respectivos resultados.1 Introdução Os pesquisadores de todo o mundo.7. 1978). dentro de um menor tempo. como devido ao aspecto econômico dessas investigações. na realização de pesquisas científicas. 2 o ) Verificar o nível de mensuração da variável: nominal. ao contrário. conduzidos com um menor custo operacional. utilizam as técnicas de amostragem no planejamento de seus trabalhos. são consideradas duas dimensões: 1 a) Dimensionamento da Amostra. Se possível mais do que uma. Na teoria da amostragem. CRUZ. em qualquer setor da atividade humana. A técnica da amostragem. 1965. 2 a) Composição da Amostra. ainda necessita de alguma didática mais adequada aos pesquisadores iniciantes. 3 o ) Considerar o tamanho da população: infinita ou finita 4 o ) Se a varíavel escolhida for: . em sua totalidade determinada população em estudo.7. não só pela impraticabilidade de poderem observar. do que ocorre com os trabalhos realizados pelo proceso censitário (COCHRAN.7 TAMANHO DA AMOSTRA 7. ou roteiro da entrevista e escolher uma variável que julgue mais importante para o estudo.7.intervalar e a população considerada infinita. ordinal ou intervalar. σ n=   d  2 96 .2 Procedimentos para determinar o tamanho da amostra 1 o ) Analisar o questionário. 7. numericamente. você poderá determinar o tamanho da amostra pela fórmula:  Z .

65 → (1 . q d2 onde: Z = abscissa da normal padrão $ p = estimativa da verdadeira proporção de um dos níveis da variável escolhida.α ) Z = 1. se a variável escolhida for parte da empresa. fixado um nível de confiança (1. σ2 . você poderá determinar o tamanho da amostra pela fórmula: n= $ $ Z2 .nominal ou ordinal.0 → (1 . Por $ exemplo.5% Z = 2. p .57 → (1 . O erro amostral é a máxima diferença que o investigador admite suportar entre µ e x .α) = 90% Z = 1.96 → (1 .α) = 99% Geralmente usa-se Z = 2 σ = desvio padrão da população. σ 2 onde: Z = abscissa da normal padrão σ 2 = variância populacional N = tamanho da população d = erro amostral . p poderá ser a estimativa da 97 .α) = 95% Z = 2.onde: Z = abscissa da curva normal padrão. onde poderá ser determinado por: • Especificações Técnicas • Resgatar o valor de estudos semelhantes • Fazer conjeturas sobre possíveis valores d = erro amostral. .α) = 95.intervalar e a população considerada finita. você poderá determinar o tamanho da amostra pela fórmula: n= Z 2 . e a população considerada infinita. N d 2 ( N − 1) + Z2 . expresso na unidade da variável. isto é: µ − x < d . expresso na unidade variável.

p . isto é: π − p < d . assim deverá optar pelo maior valor de "n". você terá o maior tamanho da amostra. dessa forma. e a população considerada finita.Se o investigador escolher mais de uma variável. N 2 $ $ d ( N − 1) + Z2 . σ 2 (x) . expresso em decimais. p $ $ será expresso em decimais ( p = 30% → p = 0. admitindo-se constantes os demais elementos. você poderá determinar o tamanho da amostra pela fórmula: n= onde: Z = abscissa da normal padrão N = tamanho da população $ p = estimativa da proporção $ $ q = 1− p $ $ Z2 .30). 7. O erro amostral neste caso será a máxima $ $ diferença que o investigador admite suportar entre π e p .1 Distribuição amostral das médias Se a variável aleatória "x" segue uma distribuição normal: x ~ N µ(x). admita p = 0.8 Distribuições amostrais de probabilidade 7. todavia. .8.50.$ verdadeira proporção de grandes empresas do setor que está sendo estudado. poderá acontecer de ter que aplicar mais de uma fórmula. existem fórmulas específicas segundo o critério de composição da amostra. q d = erro amostral Estas fórmulas são básicas para qualquer tipo de composição da amostra. onde z = ( ) x − µ(x ) σ ( x) 98 . . em que π é a verdadeira proporção (freqüência relativa do evento a ser calculado a partir da amostra.nominal ou ordinal. p . $ $ q = 1− p d = erro amostral. pois. q . $ $ • Quando não tivermos condições de prever o possível valor para p .

1. finita) n Quando a amostra for > 5% da população   devemos usar um fator de correção.    N  σ 2 ( x) N . onde p = proporção populacional. Extrai -se uma amostra de 49 observações. Logo temos: 99 . qual a probabilidade amostral das garrafas mal cheias estar entre 9% e 12%. O exemplo n o 2 pode ser resolvido usando a distribuição amostral das proporções.: Uma população muito grande tem média 20.1.8.2 da média populacional ? Ex2 .: Um processo de encher garrafas de coca-cola dá em média 10% mal cheias com desvio padrão de 30%.4 .  n   7.2 Caso SEM reposição (pop.0 e desvio padrão 1.µ ( x ) = µ (a média amostral é igual a média populacional) e σ ( x ) = Padrão Amostral) 7.1 Caso COM reposição (pop. Responda: a) Qual a média da distribuição amostral ? b) Qual o desvio padrão da distribuição amostral ? c) Qual a porcentagem das possíveis médias que diferiram por mais de 0. Extraída uma amostra de 225 garrafas de uma sequência de produção de 625. onde n N -1  N -1  Ex1 .n  N -n é o fator de correção x ~ N µ( x).  .8. p = média da distribuição amostral das proporções. infinita) σ ( x) (Desvio n  σ 2 ( x)  x ~ N µ( x).

2 cm.60306 100 .7. qual é a probabilidade de uma amostra de 10 "flashes" retirados de uma população de 500 "flashes" apresentar vida média que difira por mais de 30 min.9 Exercícios 1) Uma fabrica de baterias alega que eu artigo de primeira categoria tem uma vida média de 50 meses. a) Que porcentagem de uma amostra de 36 observações acusaria vida média no intervalo de um mês em torno da média ? b) Qual será a resposta para uma amostra de 64 observações? c) Qual seria o percentual das médias amostrais inferior a 49. Se o processo segue uma distribuição normal. R = 0. Os copos são embrulhados individualmente. A espessura média das moedas é de 0.98316 b) Qual a probabilidade de obter uma média amostral que se afaste por mais de 0. qual a probabilidade de extrair uma amostra de 25 cerejas de um lote de 169 e encontrar uma média amostral superior a 3. N -1 Ex1: Uma máquina de recobrir cerejas com chocolate é regulada para produzir um revestimento de (3% em relação ao volume da cereja). N -1 onde N -n é usado para população finita. a) Que percentagem de médias amostrais estará no intervalo ± 0. e desvio padrão de 4 meses. n N-n . da média. R = 0.4%.8 meses com n =100? 2) Um varejista compra copos diretamente da fábrica em grandes lotes. Se um grande lote contém 10% de quebrados (lascados) qual a probabilidade do varejista obter numa a mostra de 100 copos 17% ou mais defeituosos? 3) Deve-se extrair uma amostra de 36 observações de uma máquina de cunhar moedas comemorativas. que percentagem esperamos nos intervalos abaixo: a) de 50% a 65% b) maior que 53% c) de 65% a 80% 5) Se a vida média de operação de um "flash" é 24 horas. Periodicamente o varejista inspeciona os lotes para determinar a proporção dos quebrados ou lascados. Tomada uma amostra de 10 pessoas de uma população muito grande.00164 4) Suponha que uma pesquisa recente tenha revelado que 60% de uma população de adultos do sexo masculino consistam de não-fumantes.004 em torno da média? R = 0.005 cm da média do processo ? R = 0. 7. com distribuição normal e desvio padrão de 3 horas.01 cm.2 Distribuição amostral das proporções p=p e σp = p(1 − p ) .8.44828. com desvio padrão de 0.

ou seja. .Variância Amostral 8.. . é construir um intervalo de confiança para esse parâmetro com uma probabilidade de 1− α (nível de confiança) de que o intervalo contenha o verdadeiro parâmetro...x2. .x2. Xn) uma amostra aleatória e (x1 . (n > 30 → Z) Seja X ~ N µ. o erro que se estará cometendo ao afirmar que o parâmetro está entre o limite inferior e o superior calculado..2 Estimação Intervalar Uma outra maneira de se calcular um estimativa de um parâmetro desconhecido. . Principais estatísticas: .. Dessa maneira α será o nível de significância.8 Estimação de Parâme tros É um processo de indução. xn ) é uma estatística.Proporção Amostral . então y = H(x1 . 8. σ2 ( ) 101 .1 Estimação Pontual É usada quando a partir da amostra procura-se obter um único valor de certo parâmetro populacional..Média Amostral .. isto é.2.. Esta inferência só será válida se a amostra for significativa.1 Intervalo de confiança para a média (µ) com a variância (σ 2 ) conhecida.Tipos de Estimações de Parâmetros i) Estimação Pontual ii) Estimação Intervalar 8.. na qual usamos dados extraídos de uma amostra para produzir inferência sobre a população. X2. a) Estatísticas Seja (X1. obter estimativas a partir dos valores amostrais. xn) os valores tomados pela amostra.

ou seja: n  σ2  X ~ N  µ. x (média amostral) tem distribuição normal de média σ µ e desvio padrão . z = X−µ tem distribuição N (0. 64 1 − α = 95% ⇒ z α 2 = ± 1.: Os níveis de confiança mais usados são: 1 − α = 90 % ⇒ zα 2 = ± 1. 96 1 − α = 99 % ⇒ z α 2 = ± 2.1) σ n Então. P − z α 2 ≤ z ≤ + zα 2 = 1 − α ( )   x−µ P − zα 2 ≤ ≤ +z α 2  = 1 − α σ n    σ σ  P − zα 2 − X ≤ µ ≤ + zα 2 − X = 1 − α   n n σ σ   P X − z α 2 ≤ µ ≤ X + zα 2  = 1 − α (Pop. Infinita)  n n Para caso de populações finitas usa-se a seguinte fórmula:  σ P X + Z α 2 n  N-n σ ≤µ≤ Zα2 N -1 n N-n  = 1 − α (Pop. Finita) N -1 Obs.58 1 − α = 85% ⇒ zα 2 = 102 .   n Portanto.Como já vimos anteriormente.

8. o que constituirá um erro. lembrando que: S2 = ∑ (x i =1 n i − x) 2 n −1 onde n -1 = graus de liberdade  σ2  X ~ N µ.: Seja X a duração da vida de uma peça de equipamento tal que σ = 5 horas.02 ó µ ó 500. no caso com (ϕ = n -1) graus de liberdade 103 .98) = 95%. t = X−µ tem distribuição N (0. Isto não é o mesmo que afirmar que 95% é a probabilidade do parâmetro µ cair dentro do intervalo.2.2 Intervalo de confiança para a média (µ) com a variância (σ 2 ) desconhecida ( n ≤ 30) Neste caso precisa-se calcular a estimativa S (desvio padrão amostral) a partir dos dados.1) S n t= X−µ σ z N ( 0. Admita que 100 peças foram ensaiadas fornecendo uma duração de vida média de 500 horas e que se deseja obter um intervalo de 95% para a verdadeira média populacional. Obs. pois µ é um parâmetro (número) e ele está ou não no intervalo.: Podemos dizer que 95% das vezes. o intervalo acima contém a verdadeira média populacional. R = P (499.Ex. = = S S S S n σ σ Esta distribuição é conhecida como distribuição "t" de Student.   n Portanto.1) .

α 2 = t 9 . 11.α / 2 N −1 n N −n N −1   = 1 − α (Pop.2. X= ∑ xi i =1 n n = 8. 8.27 ≤ µ ≤ 10. 12. 8. α 2 ≤ µ ≤ X + t ϕ. Construir um intervalo de confiança paraµ com um nível de 95%. 6.:Quando n>30 e σ for desconhecido poderemos usar S como uma boa estimativa de σ.α / 2  n  N−n S ≤ µ ≤ X + t ϕ. 7.α 2 = 1 − α ( )  s s  P X − t ϕ. Infinita)  n n Para caso de populações finitas usa-se a seguinte fórmula:  S P  X − t ϕ . 6. Esta estimação será melhor quanto maior for o tamanho da amostra. Finita)   Ex. 9 foi extraída de uma população aproximadamente normal. logo: 104 . α 2  = 1 − α (Pop.: A seguinte amostra: 9.262 R = P( 7. X−µ S n P − t ϕ .α 2 ≤ t ≤ + t ϕ . ϕ porém menos "achatada" sua média vale 0 e a variância em que ϕ é o grau de liberdade ϕ−2 (ϕ > 2) t ϕ .α 2 = Então.3 Intervalo de Confiança para Proporções $ $ Sendo p o estimador de π. 9.7 S2 = ϕ = 5% ∑ (x i =1 n i − x) 2 n −1 ≅4 S≅ 2 ϕ = 10 -1 = 9 t ϕ . 2.O gráfico da função densidade da variável "t" é simétrico e tem a forma da normal. 10.13) = 95% Obs. onde p segue uma distribuição normal.5% = ±2.

q  $ p ~ N  p.n   $ $ p ~ N  p.2. infinita) $ $  p.$ $  $ p.   n  (pop. ou seja: S2 . q  N .4 Intervalo de Confiança para Variância Como o estimador de σ2 é S 2 pode-se considerar que . finita)  ˆˆ p. σ2 logo o intervalo será: X2 ~ Z n−1 ( n − 1)S2 σ2 tem distribuição Qui 105 . Determine um intervalo de confiânça de 95% para a verdadeira proporção populacional sabendo que os mesmos foram retirados de uma população de 1000 componentes.q σ p = $ p−π  ˆ n logo Z = onde  caracterís tica σp $ X= p = ˆ  n número de elementos da amostra  P (ˆ − Z α 2 σ p ≤ π ≤ ˆ + Z α 2 σ p ) = 1 − α (Pop. Finita) $ $ N −1 N −1   Ex.: Uma centena de componentes eletrônicos foram ensaiados e 93 deles funcionaram mais que 500 horas.1 (pop. 8. Infinita) p p ˆ ˆ Para caso de populações finitas usa-se a seguinte fórmula:  N −n N −n $ $ P p − Zα 2 σ p ≤ π ≤ p + Zα 2 σ p  = 1 − α (Pop.quadrado.    n  N .

12. 10. 6.2. 7. 9 foi extraída de uma população aproximadamente normal. 9.(Erro Padrão) 2 Erro Padrão? VAR (X 1 − X 2 ) = (+ 1) VAR X1 + (− 1) VAR X 2 2 2 = 2 σ1 σ 2 + 2 n1 n2 106 .5 Intervalo de Confiança para a diferença Entre duas Médias: Usualmente comparamos as médias de duas populações formando sua diferença: µ1 − µ 2 Uma estimativa pontual desta diferença correspondente: X1 − X 2 a) Variâncias Conhecidas µ1 − µ 2 = (X 1 − X 2 ) ± Zα . 8.χ2 = χ2 α inf Assim temos: 1− . ϕ 2 χ2 = χ2 sup α 2 . 11. 6. 8.ϕ  ( n − 1)S2 ( n − 1)S2  = 1 − α 2 P ≤σ ≤  2 X2  Xsup  inf   Ex. Construir um intervalo de confiança para σ 2 com um nível de 95%.: A seguinte amostra: 9.

160. 190.8.: se σ1 e σ2 são conhecidas e tem um valor em comum. 161.: De uma turma (1) foi extraída uma amostra de 6 alunos com as seguintes alturas: 150.logo o erro padrão = σ2 σ2 1 + 2 n1 n2 2  σ2 σ 2 σ1 σ 2  1 P( X1 − X2 ) − Z α 2 + 2 ≤ ( µ1 − µ 2 ) ≤ ( X1 − X2 ) + Z α 2 + 2  = 1− α n1 n 2 n1 n 2     Obs. 178.847) b) Variâncias Desconhecidas Em geral conhecemos duas variâncias populacionais (σ 2 e σ 2 ). 167. e da classe 2 foi extraída uma amostra de 20 alunos obteve-se uma nota média de 6. logo: Erro Padrão: σ 1 1 + n1 n 2 Ex. 163. LS=2. 107 . introduziremos uma fonte de erro compensada pela distribuição "t":  S2 S2 S2 S2  P( X1 − X2 ) − t α 2 1 + 2 ≤ µ 1 − µ 2 ≤ ( X1 − X 2 ) + t α 2 1 + 2  onde ϕ = n1 + n2 − 2 n1 n2 n1 n 2     Obs.0. Contruir um intervalo de 95% de confiança para a verdadeira diferença entre as médias populacionais.: Seja duas classes muito grande com desvios padrões σ 1 = 1. Construir um intervalo de 95% de confiança para a verdadeira diferença das médias populacionais. Extraída uma amostra de 25 alunos da classe 1 obteve-se uma nota média de 7. 1 2 Como as amostras serão pequenas. 182. 152. 21 e σ 2 = 2. poderemos usar para o Erro Padrão o seguinte critério: Erro Padrão: SC 1 1 + n1 n2 onde Sc é o desvio padrão conjunto SC = ( n1 − 1)S12 + ( n2 − 1)S2 2 n1 + n2 − 2 Ex1 . R = (LI=0. 172. 180. 166.753. 13 . De uma segunda turma foi extraída uma amostra de 8 alunos com as seguintes alturas: 165.: Se as variâncias populacionais são desconhecidas mas as estimativas são iguais. 153. Se as mesmas são 1 2 desconhecidas o melhor que podemos fazer é estimá-las por meio de variâncias amostrais S2 e S2 .

79.942.1 0. 58. 2) Um conjunto de 12 animais de experiência receberam uma dieta especial durante 3 semanas e produziram os seguintes aumentos de peso (g): 30.6 σ 2. LS = 33. 82.: Em uma pesquisa realizada pelo Instituto Gallup constatou que 500 estudantes entrevistados com menos de 18 anos. De uma segunda máquina foi extraída uma amostra de 10 peças. Determine um intervalo de 90% de confiança para a média. 24. 34. 69% acreditam nessa modificação.58. 32. com desvio padrão de 7 min.3 Exercícios 1) Ao se realizar uma contagem de eritrócitos em 144 mulheres encontrou-se em média 5. S = 5. 77. supondo que as máquinas foram construídas pelo mesmo fabricante . 36. colhida num período de 3 semanas. Construir um intervalo de confiança para a diferença entre as proporções destas subpopulações usando α=5%. 78. 33.LI = 27. 32.35 milhões e desvio padrão 0. Determine os limites de confiança de 99% para a média populacional. 76. 50% acreditam na possibilidade de se verificar uma modificação na América.09. e que dos 100 estudantes com mais de 24 anos. acusou uma média de 30 min.0893. 108 . 40. 22.0 37. Construa um intervalo de 95% de confiança para o verdadeiro tempo médio de consulta. 75. LS=0.2905) 8. Construir um intervalo de 99% de confiança para a diferença entre as médias populacionais. 56.: De uma máquina foi extraída uma amostra de 8 peças. 28 e 30. 78..6 Intervalo de Confiança para a Diferença entre duas Proporções  $ $ $ $ $ $ $ $ pq pq pq p q $ $ $ $ P (p1 − p2 ) − Z α 2 1 1 + 2 2 ≤ π 1 − π 2 ≤ ( p1 − p 2 ) + Z α 2 1 1 + 2 2 n1 n2 n1 n2    = 1− α  Ex.1 Tamanho da Amostra 16 36 25 100 a) b) c) d) 4) Numa tentativa de melhor o esquema de atendimento. 80. 60.218 3) Construa um intervalo de 95 % de confiança para um dos seguintes casos: Média Amostral 16. 8.2.5 2. 80. com os seguintes diâmetros: 75. 60.0 3. um médico procurou estimar o tempo médio que gasta com cada paciente. R=(LI=0.4413 milhões de glóbulos vermelhos. Uma amostra aleatória de 49 pacientes.0 0.Ex2 . 62. com os seguintes diâmetros: 54. R ⇒ X =30.5 0. 65. 63. 26.

sendo α = 5%. 6) Uma amostra aleatória de 100 fregueses da parte da manhã de um supermercado revelou que apenas 10 não incluem leite em suas compras.5) Solicitou-se a 100 estudantes de um colégio que anotasse suas despesas com alimentação e bebidas no período de uma semana.536 e LS = 13.00. c) construir um intervalo de 95 % de confiança para a média.08%. LI = 0.579) (LI = 12. obtiveram-se as seguintes medidas para os diâmetros: 10 13 14 11 13 14 11 13 14 11 13 14 12 13 14 12 13 15 12 13 15 12 13 15 13 13 16 13 13 16 a) estimar a média e a variância.02. se há 100 pessoas na fila. b) construa um intervalo de 98% de confiança para a verdadeira proporção. Construa um intervalo de 98% de confiança para a verdadeira proporção dos que não estão usando capacetes neste projeto. (α = 5%). (LI = 12.3003 e LS = 3. sendo α = 5%. LS = 14. LS = 0. se há 500 pessoas na fila.581 e LS = d) Construir um intervalo de confiânça para a variância populacional. O resultado foi uma despesa de $40.056. a partir do qual se pudesse desprezar o fator de correção finita. contruir um intervalo de confiança para a média e para a variância ao nível de significância de 90% para as amostras.13 e 2. R ⇒ 13.664) 10) Supondo populações normais.88% b) construir um intervalo de 90% de confiança para a verdadeira proporção dos fregueses que não compram leite pela manhã. c) construa um intervalo de 98% de confiança para a verdadeira proporção. a) b) c) 2 12 25 3 12 25 4 15 27 5 15 28 5 16 30 6 16 33 109 6 17 34 7 18 35 8 20 36 8 22 9 22 23 n = 11 n = 12 n=9 .28 8) De 48 pessoas escolhidas aleatoriamente de uma longa fila de espera de um cinema. LS = 95.12%. sendo α = 5%.00 com um desvio padrão de $10. R ⇒ σP = 0. supondo que a amostra tenha sido retirada de uma população de 100 peças. a) qual seria a estimativa percentual dos fregueses que compram leite pela parte da manhã. Há 500 estudantes no colégio.92% 7) Uma amostra aleatória de 40 homens trabalhando num grande projeto de construção revelou que 6 não estavam usando capacetes protetores.704) 13. a) qual deveria ser o tamanho da fila. R ⇒ LI = 5. Construa um intervalo de 95% de confiança para a verdadeira média. colhida uma amostra (n = 30) de certa peça. 25% acharam que o filme principal continha demasiada violência.05 b) construir um intervalo de confiança para a média. R ⇒ LI = 84. 9) Em uma fábrica. (LI = 1.

258 17) A média salarial semanal para uma amostra de n = 30 empregados em uma grande firma é X = 180.0190.000167 13) O tempo de reação a uma injeção intravenosa é em média de 2.0208. 0. Construa um intervalo de confiança de 99 % para a média salarial dos funcionários. a) Determine um intervalo de confiança de 99 % para o tempo médio de conversão. para grupos de 20 pacientes. LI = 0. Determinar um intervalo de confiança de 95% para µ e σ² . 0. 7 .1 min. supondo: X= ∑X n i  X ∑ X2i −  ∑n i      e S2 = n−1 2 12) Dados os seguintes conjuntos de medias. σ 2 ) em que µ e σ² são desconhecidos.4%. Construir um intervalo de confiança de 95 % para a proporção dos terminas da firma que apresentam sinal de ocupado.00001. R ⇒ LI = 3.021 LS = 0. e ∑ X2i = 27.00 com desvio padrão S = 14. 0.1 min. LS = 0. Até agora foram convertidas 40 máquinas. a) Estime o número de bicicletas com pneus vazios: b) Construa um intervalo de 99 % confiança para a população das bicicletas com pneus vazios.00. 0.0229. 0. O tempo médio de convers ão foi de 24 horas com desvio padrão de 3 horas. com desvio padrão de 0.01467. 110 ..3 . LI = 0.0053. S = 0. Construa um intervalo de confiança de 90 % para o tempo médio para toda a população dos pacientes submetidos ao tratamento.0253. Determinar o intervalo de confiança de 95 % para a proporção de todos os homens na comunidade que preferem a lâmina do cliente.0105.40 na amostra prefere lâminas de barbear fabricadas por seu cliente em vez de qualquer outra marca. determinar um intervalo de 99% de confiança para a variância populacional e para a média populacional.0206. 14) Uma firma esta convertendo as máquinas que aluga para uma versão mais moderna.11) Sendo X uma população tal que X ~ N(µ. Uma firma possui 800 terminais. LS = 0. 0. 0.026653.0276 R⇒ X =O.0152. acusou 7 com pneus vazios. b) Para uma amostra de 60 máquinas. b) LI = 0.0193.6% 16) Uma amostra de 50 bicicletas de um estoque de 400 bicicletas. 0. 0. LS = 21. como ficaria o intervalo de confiança de 99 % para o tempo médio de conversão 15) Seis dentre 48 terminais telefônicos dão respostas de ocupado.0244. 18) Uma empresa de pesquisa de mercado faz contato com uma amostra de 100 homens em uma grande comunidade e verifica que uma proporção de 0.. Uma amostra de tamanho 15 forneceu os seguintes valores ∑ X i = 8. R ⇒ a) 56.

acusou altura média de 10. Construir um intervalo de 95% de confiança para a diferença entre as médias antes e depois do tratamento.19) Uma pequena fábrica comprou um lote de 200 pequenas peças eletrônicas de um saldo de estoque de uma grande firma.0 cm. Em uma segunda fábrica.5 cm com desvio padrão de 5. foi medida a capacidade toráxica antes e após determinado tratamento. A primeira amostra oriunda de 200 sementes. obtendo-se os dados a seguir. Construir um intervalo de 99% de confiança entre as médias das populações. Construir um intervalo de confiança entre as alturas médias das populações ao nível de 95% de confiança. Pessoa A B C D E Capacidade Toráxica Antes (X) Após (Y) 2750 2850 2360 2380 2950 2930 2830 2860 2250 2320 111 . Branco Preto 8 9 18 12 10 5 10 10 14 14 12 6 Construir um intervalo de 95% de confiança para: a) a média da população branca. Estimar a proporção de todas as peças que são defeituosas no carregamento utilizando um intervalo de confiança de 99 %. e a média da população preta. 21) Uma amostra aleatória de 120 trabalhadores de uma grande fábrica leva em média 22.9 cm e desvio padrão 2. 22) Extraíram-se amostras independentes de adultos brancos e pretos. que acusaram os seguintes tempos (em anos) de escolaridade. constatou-se que 5 eram defeituosas. com S2 de 4 min2.0 min com S2 de 10 min2.0 min.0 cm. A segunda amostra. para executar a mesma tarefa. para executar determinado serviço. gasta em média 19. 20) Duas amostras de plantas foram cultivadas com dois fertilizantes diferentes. acusou uma altura média de 10. Para uma amostra aleatória de 50 peças. de 100 sementes. b) a diferença entre as médias entre brancos e pretos 23) Em uma amostra aleatória de cinco pessoas. uma amostra aleatória de 120 operários.

LS = 0. ao invés de "interromper a gravidez". 30 famílias de uma amostra aleatória de 150 declararam ser uma intenção comprar um carro novo dentro de um ano.24) Extraída duas amostras de professores homens e mulheres. R = LI = 0. R = LI = 0.08379 b) Repetir a (a) para os votantes que não tiveram opinião. 25) Em uma pesquisa efetuada em com 1650 americanos foram consultados sobre o seguinte tema: "A mulher grávida pode procurar um médico e interromper a gravidez.0725 26) Numa pesquisa sobre intenção do comprador brasileiro. Uma outra amostra de 160 famílias 25 declararam a mesma intenção. É a favor ou contra esta decisão?" Uma semana mais tarde foram consultados 1650 americanos foram consultados sobre o mesmo assunto . R = LI = 0.0275. exceto que a pergunta "a favor do aborto.π 2.0 2 S1 = 16 Mulheres n2 = 5 X 2 = 11. a qualquer momento durante os três primeiros meses.01628.0 S 2 = 10 2 a) a média da diferença entre os salários. LS = 0. As respostas foram as seguintes: Pergunta "Interromper a gravidez" "A favor do aborto" A favor 46% 41% Resposta Contra 39% 49% Sem opinião 15% 10% a) Seja π 1 a proporção dos votantes a favor do 1o caso (interromper) e π 2 a proporção dos votantes a favor do 2 o caso (aborto). c) a média do salário das mulheres. Construir um intervalo de 95% de confiança para a diferença π 1 . Construir um intervalo de 99% de confiança para as diferenças entre as proporções. obteve-se os seguintes resultados quantos aos salários em milhares de dólares: Construir um intervalo de 95% de confiança para: Homens n1 = 25 X1 = 16.1527 112 . b) a média do salário dos homens.0727. LS = 0.

9.1. e por H1 a hipótese alternativa. ou quanto à natureza da distribuição de uma variável populacional. Aqui formula-se uma hipótese quanto ao valor do parâmetro populacional. A hipótese nula expressa uma igualdade. pode-se inferir sobre a população.3 Tipos de Hipóteses Designa-se por Ho. Ou seja. enquanto que a hipótese alternativa é dada por uma desigualdade (≠ .65 m. >). H: σ 2 = 500 2 .1 Principais Conceitos 9.1 Hipótese Estatística Trata-se de uma suposição quanto ao valor de um parâmetro populacional. H: p = 0.65 m. No caso da inferência através de Intervalo de confiança.25 d) A distribuição dos pesos dos alunos da nossa faculdade é normal.1. ou seja. 113 .2 Teste de Hipótese É uma regra de decisão para aceitar ou rejeitar uma hipóteses estatística com base nos elementos amostrais. isto é: H: µ = 1. realizado com os dados amostrais. 9.9 Teste de Hip óte ses Trata-se de uma técnica para se fazer inferência estatística. a partir de um teste de hipóteses. < . c) A proporção de paulistas fumantes é 25%. isto é.1. busca-se "cercar" o parâmetro populacional desconhecido. chamada hipótese nula. 9. e pelos elementos amostrais faz-se um teste que indicará a ACEITAÇÃO ou REJEIÇÃO da hipótese formulada. a hipóteses estatística a ser testada. São exemplos de hipóteses estatísticas: a) A altura média da população brasileira é 1. b) A variância populacional dos salários vale $ 500 2.

de fato verdadeira. β. A aceitação de uma hipótese falsa constitui um "erro tipo II".α) H o falsa Erro Tipo II ( β) Decisão Correta (1 .1. 114 . A rejeição de uma hipótese verdadeira é chamada "erro tipo I".4 Tipos de erros Há dois tipos de erro ao testar uma hipótese estatística. por α e A probabilidade α do erro do tipo I é denominada "nível de significância" do teste. Os possíveis erros e acertos de um teste estão sintetizados abaixo: Realidade H o verdadeira Erro Tipo I ( α) Decisão Aceitar H o Rejeitar Ho Decisão correta (1 . falsa.Exemplos: H 0: Θ = θ0   H 1: Θ ≠ θ 0 H 0: Θ = θ0   H 1: Θ > θ 0  H 0 : Θ = θ0   H 1: Θ < θ 0 Teste Bicaudal ou Bilateral Teste Unilateral Direito Teste Unilateral Esquerdo 9. respectivamente. As probabilidades desses dois tipos de erros são designados. de fato.β) Observe que o erro tipo I só poderá acontecer se for rejeitado Ho e o erro tipo II quando for aceito Ho . ou aceitar uma hipóteses quando ela é. Pode-se rejeitar uma hipóteses quando ela é.

passo: O procedimento para realização dos testes de significância é resumido nos seguintes 1 o ) Enunciar as hipóteses H 0 e H 1. . considerando α e a variável do teste.9.2 Teste de significância Os testes de Significância considera somente erros do tipo α. 3. calcular o valor da variável do teste. Admitindo: . . sócio-econômicas. 9. e identificar a variável do teste.1 Teste de significância para a média 1. 4 o ) com os elementos amostrais. Fixar α. Enunciar as hipóteses: µ ≠ µ 0 (a)  H1 : µ > µ 0 (b) µ < µ (c)  0 H 0 : µ = µ0 2. (a) (b) (c) 115 . determinar as RR (região de rejeição) e RA (região de aceitação) para Ho. 2 o ) fixar o limite do erro α. pois são os mais usados em pesquisas educacionais. 5 o ) concluir pela aceitação ou rejeição do H0 pela comparação do valor calculado no 4o passo com RA e RR. a variável teste será "Z" (n>30).Se a variância populacional σ 2 for conhecida. 3 o ) com o auxílio das tabelas estatísticas.Se a variância populacional σ2 for desconhecida. a variável teste será "t" de Student com ϕ = n -1 (n ≤ 30). .2. Com o auxílio das tabelas "Z" e "t" determinar as regiões RA e RR.

2 2 2 2 OBS. não se pode rejeitar Ho.2 Teste de significância para a proporção 1. Com o auxílio da tabela "Z" determinar as regiões RA e RR. Escolhendo a variável normal padrão "Z". Ex. Calcular o valor da variável: Z cal = X − µ0 σ n t cal = X − µ0 S n onde: X = média amostral µ 0 = valor da hipótese nula 5.: Os dois registros dos últimos anos de um colégio. obtendo-se média 118 e desvio padrão 20.Se a variável teste (calculada) cair fora da região de aceitação (RA) rejeita-se Ho. Conclusão para a situação ( a ) . rejeita-se Ho. Admitir α = 5%. 2 2 2 2 .Se a variável teste (calculada) cair dentro da região de aceitação (RA) não se pode rejeitar Ho .2.4. uma amostra de 20 notas. 116 . ao acaso. tirou-se.Se Zcal < − Z α ou Zcal > +Z α ou t cal < − t α ou t cal > + t α . para efetuar o teste. . Para testar a hipótese de que a média de uma nova turma é a mesma. 3. Fixar α.Se − Z α ≤ Zcal ≤ + Zα ou − t α ≤ t cal ≤ + t α .: Para qualquer tipo de teste de significância devemos considerar: . (R = aceita-se Ho ) 9. Enunciar as hipóteses: π ≠ p 0 (a)  H1 : π > p 0 (b) π < p (c)  0 Ho : π = po 2. atestam para os calouros admitidos uma nota média de 115 pontos (teste vocacional).

Testar essa hipótese ao nível de 2%.3 Teste de significância para a varância 1. Conclusão para a situação (a) .(a) 4. q0 n onde f = X n onde: f = freqüência relativa do evento na amostral X = característica dentro da amostra po = valor da hipótese nula 5. (R = rejeita-se Ho ) 9. rejeita-se Ho.Se Zcal < − Z α ou Zcal > +Z α .2. Enunciar as hipóteses: Ho : σ 2 = σ2 0 σ 2 ≠ σ 2 (a) 0  H1 : σ 2 > σ 2 (b) 0 σ 2 < σ 2 (c) 0  2. 117 .Se − Z α ≤ Zcal ≤ + Z α . se em 1000 nascimentos amostrados aleatoriamente.6 . não se pode rejeitar Ho .: As condições de mortalidade de uma região são tais que a proporção de nascidos que sobrevivem até 60 anos é de 0. 2 2 . Escolhendo a variável qui-quadrado com ϕ = n -1. 2 2 Ex. verificou-se 530 sobreviventes até 60 anos. Calcular o valor da variável: (b) (c) Z cal = f − p0 p0 . Fixar α.

3. inf sup .ϕ (c) Para ( a ) temos: χ2 = χ2 α χ2 = χ2 inf sup α 2 Para ( b ) temos: χ 2 = χ 2 . não se pode rejeitar Ho.Se χ 2 < χ 2 ou χ 2 > χ 2 . ϕ 2 (b) .4 Teste de significância para igualdade de duas médias 1 o caso) Se as variâncias populacionais σ2 forem conhecidas e supostamente iguais.Se χ 2 ≤ χ cal ≤ χ 2 . Com o auxílio da tabela "χ 2 " determinar as regiões RA e RR. ϕ inf 4. Admitindo-se α = 5%. (a) 1− . Conclusão para a situação (a) . ϕ sup α 2 Para ( c ) temos: χ2 = χ1−α.3. Calcular o valor da variável: χ2 = cal ( n − 1)S 2 σ2 0 onde: S2 = variância amostral σ 2 = valor da hipótese nula 5. tirou-se uma amostra de 25 elementos obtendo-se S2 = 18. rejeita-se Ho.2. independentes e normais.: Para testar a hipótese de que a variância de uma população é 25. Enunciar as hipóteses: Ho : µ1 = µ2 ou µ1 .µ2 = d µ 1 ≠ µ 2 H1 :   µ1 − µ 2 ≠ d 118 . (R = aceita-se H o) 10. a variável teste será "Z" (n1 + n 2 > 30) . efetuar o teste de significância unicaudal a esquerda. 1. cal inf cal sup Ex.

σ = 3000 Km. 2. 3. Fixar α. Escolhendo a variável normal padrão "Z". 3. Conclusão: Optar pela aceitação ou rejeição de Ho . Um taxi testou 50 pneus do tipo A e 40 pneus do tipo B.onde d é a diferença admitida entre as duas médias. 2. independentes e normais. testar a hipótese de que a vida média dos dois tipos é a mesma. 4. Enunciar as hipóteses: Ho : µ1 = µ2 ou µ1 . Adotando um risco de 4% e que existe uma diferença admitida de 200 Km entre as marcas. σ = 2500 Km. e para o tipo B.µ2 = d onde d é a diferença admitida entre as duas médias. Ex.: Um fabricante de pneus faz dois tipos. a) As estimativas diferentes 1. Calcular o valor da variável: µ 1 ≠ µ 2 H1:   µ1 − µ 2 ≠ d 119 . (R = rejeita-se Ho ) 2 o caso) Se as variâncias populacionais σ 2 forem desconhecidas. 4. Escolhendo a variável "t" de Student. Calcular o valor da variável: Zcal = (X 1 − X2 ) − d σ2 σ2 1 + 2 n1 n2 5. Fixar α. Com o auxílio da tabela "Z" determinar as regiões RA e RR. Para o tipo A. obtendo 24000 Km e 26000 Km de duração média dos respectivos tipos. a variável teste será "t" (n1 + n2 ≤ 30) com ϕ = n1 + n2 -2. Com o auxílio da tabela "t" determinar as regiões RA e RR.

O tipo A registrou uma média de 80 min para secagem com desvio padrão de 5 min.000 km. Conclusões: Optar pela aceitação ou rejeição de Ho . Adotando α = 5% testar a hipótese da igualdade das médias.: Dois tipos de tintas foram testados sob as mesmas condições meteorológicas. registrou uma média de 80. em 6 partes amostradas. Ex. (R = aceita-se Ho ) 120 . Calcular o valor da variável: t cal = µ 1 ≠ µ 2 H1:   µ1 − µ 2 ≠ d (X 1 − X2 ) − d 1 1 + n1 n 2 onde S C = ( n1 − 1)S2 + ( n2 − 1)S2 1 2 n1 + n 2 − 2 S c. 2. b) As estimativas iguais 1. Com o auxílio da tabela "t" determinar as regiões RA e RR.µ2 = d onde d é a diferença admitida entre as duas médias. Conclusões: Optar pela aceitação ou rejeição de Ho . 5.t cal = (X 1 − X2 ) − d S2 S2 1 + 2 n1 n2 5. em cinco partes amostradas. Adotando α = 5% testar a hipótese da igualdade das médias.000 km rodados com desvio padrão de 5. Fixar α. O tipo A fabricado pela fabrica A. Escolhendo a variável "t" de Student. O tipo B. 3. Enunciar as hipóteses: Ho : µ1 = µ2 ou µ1 .000 km com desvio padrão de 6. uma média de 83 min com desvio padrão de 4 min. 4.500 km em 12 carros amostradas. O tipo B fabricado pela fábrica B. Ex.: Dois tipos de pneus foram testados sob as mesmas condições meteorológicas. em 6 carros amostradas. registrou uma média de 88.

Escolhendo a variável "F" com ϕ 1 = n1 . Conclusões: Optar pela aceitação ou rejeição de Ho . Fixar α.q 1−2 n onde p1 = $ X1 X X + X2 $ $ . Ex. ϕ 1 ) 121 .1 graus de liberdade no denominador. Calcular o valor da variável: Z cal = $ $ p1 − p2 $ $ p1−2 .2.6 Teste de significância para igualdade de duas variâncias 1. p2 = 2 . ϕ 2 ) = 1 Fα (ϕ 2 .5 Teste de significância para igualdade de duas proporções 1. Com o auxílio da tabela "F" determinar as regiões RA e RR. Enunciar as hipóteses: 2 H 0: σ1 = σ 2 2 H 1: σ 2 ≠ σ 2 1 2 2.2. Fsup = Fα (ϕ 1.9. Homens X1 = 70 n1 = 200 Mulheres X2 = 50 n2 = 200 9. e ϕ 2 = n2 . São os seguintes os resultados da amostra aleatória independente de homens e mulheres: Admita α = 10%. 3. Fixar α. 4. Com o auxílio da tabela "Z" determinar as regiões RA e RR. ϕ 2 ) Finf = F1− α ( ϕ1 . p1−2 = 1 n1 n2 n1 + n 2 5.: Deseja-se testar se são iguais as proporções de homens e mulheres que lêem revista e se lembram do determinado anúncio. Escolhendo a variável normal padrão "Z". Enunciar as hipóteses: H o : π1 = π2 H 1: π 1 ≠ π 2 2.1 graus de liberdade no numerador. 3.

Conclusões: S2 1 S2 2 Optar pela aceitação ou rejeição de Ho .m.87 9.79 15. De acordo com índices passados. a fim de que o conteúdo de oxigênio seja suficiente para manter a vida aquática.p. Calcular o valor da variável: Fcal = 5. (bilateral) 2) Os resíduos industriais jogados nos rios.59 8. que proibiu os pescadores norte americanos de jogarem suas redes na plataforma continental desse país.57 13.89 12. Produza uma redução na quantidade de Kg de lagosta que chega aos Estados Unidos. (Partes por milhão) de oxigênio dissolvido. absorvem oxigênio. Ex.93 8. Uma lei estadual exige um mínimo de 5 p.: Dois programas de treinamento de funcionários foram efetuados. Os 21 funcionários treinados no programa antigo apresentaram uma variância de 146 pontos em sua taxa de erro. cada rede traz em média 14 Kg de lagosta. Espera -se que uma recente medida tomada pelo governo das Bahamas.02 11.96 19. em Kg (Use α = 5%) 7. No novo programa. revelaram os índices (em partes por milhão) de oxigênio dissolvido: 122 . recolhida após a vigência da nova lei. pode-se concluir que a variância é diferente para os dois programas? 9. muitas vezes. que chega aos Estados Unidos.06 Estes dados mostram evidências suficientes de estar ocorrendo um decréscimo na quantidade média de lagostas pescadas por barco.28 10.57 17.4.53 10.91 11.89 15. durante a maré baixa.68 5. reduzindo assim o conteúdo do oxigênio necessário à respiração dos peixes e outras formas de vida aquática.3 Exercícios 1) O crescimento da indústria da lagosta na Flórida nos últimos 20 anos tornou esse estado americano o 2o mais lucrativo centro industrial de pesca. indicou os seguintes resultados. depois do decreto do governo das Bahamas? Teste considerando α = 5%.57 19.47 10.96 17.6 18. Seis amostras de água retiradas de um rio.29 16. Uma amostra de 20 barcos pesqueiros. Sendo α = 10%. 11 funcionários apresentaram uma variância de 200.

5 5. O desvio padrão é de 20 psi. teste a hipótese para α = 5%.0 4. b) Repita o teste. 3) A Debug Company vende um repelente de insetos que alega ser eficiente pelo prazo de 400 horas no mínimo.378g. e desvio padrão de 1. c) Testar a hipótese de que a proporção de mulheres é de 50%. teste a hipótese para α = 5%. usando α = 5%. contra a alternativa que a duração é inferior a 400 horas. usando α = 2%.9 5.4. a) Teste a afirmativa da companhia. b) Testar a hipótese de que a proporção dos adultos que tiveram melhor resultado nas aplicações musculares é de 85%.1 4. d) Testar a hipótese de que a proporção de pessoas submetidos a droga A é de 65%. constatou-se o seguinte ganhos médio de peso 40 g. 5) Uma pesquisa feita alega que 15% dos pessoas de uma determinada região sofrem de cegueira aos 70 anos. 7) Um processo de fabricação de arame de aço dá um produto com resistência média de 200 psi. se esse valor é o mesmo (bilateral) b) Supondo que a variância dessas pessoas é de 1. Uma análise de 90 itens aleatoriamente inspecionados acusou uma média de eficiência de 380 horas. considerando um desvio padrão populacional de 90 horas. sendo α = 3%.7 Estes dados são evidência para afirmar que o conteúdo de oxigênio é menor que 5 partes por milhão? Teste considerando α = 5% e α = 1%.9 5. Numa amostra aleatória de 60 pessoas acima de 70 anos constatou-se que 12 pessoas eram cegas. usando α = 4%. se esse valor é o mesmo (bilateral). ao nível de 1%.8 g2. 4) Ao final de 90 dias de um dieta alimentar envolvendo 32 pessoas. O engenheiro de controle de qualidade deseja elaborar um teste que indique se houve ou não variação na média do 123 . 6) A tabela abaixo mostra a quantidade de pessoas que obtiveram o melhor efeito perante a aplicação de duas drogas: Droga A Sexo Masculino Feminino Total muscular intravenosa Droga B muscular 21 20 41 10 12 22 22 25 47 Total 53 57 110 a) Testar a hipótese de que a proporção de homens submetidos a droga A é de 35%. a) Supondo que o ganho de peso médio dessas pessoas é de 45 g. seu desvio padrão é de 60 horas. Teste a alegação para α = 5% contra p > 15%.

67. 9) Um laboratório de Análises Clínicas realizou um teste de impurezas em 9 porções de um determinado composto.4. Uma análise de 9 itens escolhidos aleatoriamente acusou uma média de eficiência de 380 horas. 10. 10) Uma experiência tem mostrado que 40% dos estudantes de uma Universidade reprovam em pelo menos 5 disciplinas cursada na faculdade. Use um nível de significância de 5%. c) Testar a hipótese de que a variância é um usando α = 5%.12 a) Testar a igualdade das duas médias usando α = 4%. a) Teste a alegação da companhia. usando α = 1%. a) estimar a média e a variância de impurezas entre as porções. 8) A DeBug Company vende um repelente para insetos que alega ser eficiente pelo prazo de 400 horas no mínimo.44. b) Testar a hipótese de que a média de impureza é de 10. 10.71 σ 12 = 43 σ 22 = 28 X 2 = 4. Suponha normal a população das resistências.processo.63. 10.7. usando uma amostra de 25 arames obteve-se uma média de 285 psi. 10. b) Testar a igualdade das duas variâncias usando α = 5% 124 . obtendo-se a seguinte tabela: Sexo Machos Fêmeas Tamanho da Amostra 41 31 Variância 43. 10. 10.56.75 mg.60.5 Testar a igualdade das duas variâncias usando α = 10%. poderíamos concluir quanto a proporção populacional.73. e o desvio padrão amostral é de 60 horas. Se 40 de 90 estudantes fossem reprovados em mais de 5 disciplinas.32. usando α = 5%. contra a alternativa que a duração é inferior a 400 horas no mínimo ao nível de 1%. b) Repitas o item (a) sabendo que o desvio padrão populacional é de 90 horas.2 29.. 10. Os valores obtidos foram: 10. 10. 11) Para verificar a eficácia de uma nova droga foram injetados doses em 72 ratos. 12) Sendo Amostra 1 Amostra 2 n1 = 60 n2 = 35 X 1 = 5.

55 55 | --. ou seja.25 25 |--. Divide-se em três tipos: 125 . Há diferença entre as proporções de eleitores favoráveis ao candidato naqueles dois estados? use α = 5%. concluir que os dois processos sejam diferentes? 9. Este teste é chamado de teste do Qui-quadrado.55 55 |--.40 40 |--. Supermercado 1 2 3 4 5 6 Marca A 14 20 2 11 5 12 Marca B 4 16 28 9 31 10 14) Da população feminina extraiu-se uma amostra resultando: No de mulheres Renda (em $1000) 10 |--. usando α = 5%. 300 eleitores de São Paulo e 400 do Rio de Janeiro.13) Na tabela abaixo estão registrados os índices de vendas em 6 supermecados para os produtos concorrentes da marca A e marca B. 16) Estão em teste dois processos para fechar latas de comestíveis. Testar a hipótese de que a diferença das médias no índice de vendas entre as marcas é zero.4 Teste do Qui-quadrado χ 2 Anteriormente foi testado hipóteses referentes a um parâmetro populacional ou mesmo a comparação de dois parâmetros. aleatoriamente. 15) Uma empresa de pesquisa de opinião seleciona. o processo 1 gera 50 rejeições. Pode ao nível de 5%. são os testes paramétricos. 75 eleitores de SP e 120 do RJ responderam afirmativo. b) Testar ao nível de 5% a hipótese de que a diferença entre as variâncias valha 0. enquanto o processo 2 acusa 200 rejeições. nem de suas respectivas estimativas. Numa seqüência de 1000 latas. O teste do Qui-quadrado é usado quando se quer comparar freqüências observadas com freqüências esperadas.25 25 |--. e pergunta a cada um se votará ou não num determinado candidato nas próximas eleições. Agora será testado aqueles que não dependem de um parâmetro populacional.40 40 |--.70 70 |---85 8 15 12 7 3 a) Testar ao nível de 10% a hipótese de que a d iferença entre a renda média dos homens e das mulheres valha $ 5000.70 70 |---85 7 12 10 6 4 da população masculina retirou-se uma amostra resultando: Renda (em $1000) No de homens 10 |--.

- Teste de adequação do ajustamento - Teste de Aderência - Teste de Independência (Tabela de Contingência) 9.4.1 Procedimentos para a realização de um teste Qui-quarado (χ 2 ) 1 o) Determinação das Hipóteses: Ho : Fo = Fe 2 o) Escolha do Nível de Significância (α) 3 o) Estatística Calculada H1: Fo ≠ Fe

χ

2 cal

=∑
i =1

k

(Fo

− Fe ) Fe

2

4 o) Estatística Tabelada: 5 o) Comparar o

χ 2 = χ 2 ,α tab ϕ
2

χ2 cal

com χ tab e concluir:

6 o) Conclusão: Se Se

χ2 cal χ2 cal

≤ χ tab → aceita -se Ho
2

> χ tab → rejeita-se H o
2

126

9.4.2 Teste de adequação do ajustamento Suponhamos uma amostra de tamanho n. Sejam E1, E2, ..., Ek, um conjunto de eventos possíveis da amostra. Eventos E1 E2 : Ek Total Freq. Obs. Fo1 Fo2 : Fok n

Este teste é indicado para verificar se as freqüências observadas dos k eventos (k classes em que a variável é dividida) concordam ou não com as freqüências teóricas esperadas. As freqüências esperadas (Fei) são obtidas multiplicando-se o número total de elementos pela proporção teórica da classe i (n. pi). Para encontrar o χ cal , necessita-se do nível de Significância (α) e dos graus de liberdade (ϕ), os quais podem ser obtidos da seguinte forma:
2

1 o) ϕ = k - 1, quando as freqüências esperadas puderem ser calculadas sem que façam estimativas dos parâmetros populacionais a partir das distribuições amostrais. 2 o) ϕ = k - 1 - m, quando para a determinação das freqüências esperadas, m parâmetros tiverem suas estimativas calculadas a partir das distribuições amostrais. Pearson mostrou que, se o modelo testado for verdadeiro e se todas as Fei ≤ 5%, estas deverão ser fundidas às classes adjacentes. Ex1.: Deseja-se testar se o número de acidentes numa rodovia se distribui igualmente pelos dias da semana. Para tanto foram levantados os seguintes dados ( = α 5%).
Dia da Semana No de Acidentes Dom Seg Ter Qua Qui Sex Sab

33

26

21

22

17

20

36

Resolução: Ho : As freqüências são iguais em todos os dias H1 :As freqüências são diferentes em todos os dias

127

Dia da Semana No de Acidentes pi Fe = n . p i

Dom

Seg

Ter

Qua

Qui

Sex

Sab

k=7

33 1/7 25

26 1/7 25

21 1/7 25

22 1/7 25

17 1/7 25

20 1/7 25

36 1/7 25

175
---

---

χ2 = calc

(33 − 25)2 + (26 − 25)2
25 25

+ ... +

(36 − 25) 2
25

= 12

χ 2 = 12 cal

χ 2 = χ 2%, 6 = 12. 5 tab 5

Conclusão: Como o χ 2 < χ2 , aceita-se Ho, ou seja, para α = 5%, as freqüências cal tab podem ser iguais. Ex2.: O número de livros emprestados por uma biblioteca durante certa semana está a seguir. Teste a hipótese que o número de livros emprestados não dependem do dia da semana, com α = 1%.
Dia da Semana No de Livros
2

Seg

Ter

Qua

Qui

Sex

110

135

120

146

114

2 R = χ2 = 7.29 ; χ tab = χ1%, 4 = 13. 28 cal

9.4.3 Teste de aderência É usada a estatística χ 2 quando deseja-se testar a natureza da distribuição amostral. Por exemplo, quando se quer verificar se a distribuição amostral se ajusta a um determinado modelo de distribuição de probabilidade (Normal, Poisson, Binomial, ...), ou seja, verifica-se a boa ou má, aderência dos dados da amostra do modelo. Ex1.: O número de defeitos por unidade de uma amostra de 100 aparelhos de TV produzidos por uma linha de montagem apresentou a seguinte distribuição:
No de Defeitos No de Aparelhos 0 1 2 3 4 5 6 7

25

35

18

13

4

2

2

1

Verificar se o número de defeitos por unidade segue razoavelmente uma distribuição de Poisson, com α = 5%. Resolução: Ho : A distribuição do no de defeitos/unidade segue uma Poisson H1 : A distribuição do no de defeitos/unidade não segue uma Poisson

128

329 18 0.55) p3 = = 0. ou seja. 81 tab 5 Conclusão: Como o χ 2 ≤ χ 2 .24 4 3 2 4 − 5 −6 − 7 = 3. 129 . pi 0 1 2 3 4 5 6 7 n 25 0. 3 = 7.55) p5 = = 0.255 13 0.2 32.55) = 0.1 1.55) p7 = = 0.001 6! * = Fei ≤ 5%.474 k = 5 (número de classes após agrupament o) ϕ = k −1 − m = 5 −1−1 = 3  m = 1 (número de estimadore s usados) (X ) χ 2 = χ 2%.132 3! e −1 .f i i =1 n i p0 = e −1.55 (1..016 5! p6 = e −1.55) = 0.004 6! 6 6 e −1.55 4 p4 = e −1 .1* 100 Para calcular pi.55 (1.55) p1 = = 0.051 4! 5 e −1 .329 1! p2 = e −1 .6* 0. 55 (1.5 13.55 (1.2 32.2 )2 + (35 − 32. temos: pi = e −µ µi (Distribuição de Poisson) i! µ=X= ∑X .55 (1.212 0! 0 1 n = 1. a distribuição do cal tab número de defeitos/unidade pode seguir uma Distribuição de Poisson.212 35 0.55) = 0. + (9 − 7.9) 2 21. logo deve ser agrupada com a classe adjacente. aceita-se Ho.55) = 0. χ2 = calc (25 − 21.55 (1.255 2! 2 3 e −1.132 4 0.No de Defeitos No de Aparelhos pi Fe = n .4* 0.9 25.016 2 0. 55 (1.9 + . para α = 5%.004 1 0.55 (1.2 )2 1 7..2 5.001 100 1.000 21.051 2 0.

14 6. 96 = −1.8)) 2 144414 .332 0. fi i =1 n n = 168 .123 0. com α = 5%.5 33 . 67 162 − 168 .66 1.174 174 |--.175 0. ou seja.14 |--. 04 6.2)2 (( 20 + 2) − (17.0.5 4. "Z" -∞ |--.66 |--.2 1444 22 .5 + 4. Altura (cm) 150 |--.1.1 = 3.96 ∑ f .162 162 |--. 84 tab 5 Conclusão: Como o χ 2 ≤ χ 2 .6 12.14 -0. p i 2.04 |--.67 Z1 = Z2 = 156 − 168. 96 = 0.8 100. 67 Z3 = χ2 = calc 168 − 168.38 (( 4 + 12) − (2.76 0.-1.3 29. 130 . 65 6.1-2 = 1   m = 2 (número de estimadore s usados) ( X) (S) χ 2 = χ 2%.Ex2.5 33.: Verificar se os dados das distribuição das alturas de 100 estudantes do sexo feminino se aproxima de uma distribuição normal.+ ∞ Prob (área) 0. para α = 5%.3)) 2 (22 − 29.186 k=6 No de Estudantes 4 12 22 40 20 2 100 Transf.295 0.2 17.5) 2 (40 − 33.04 -1.-1.156 156 |--.94 -1.0 Resolução: Ho : A distribuição da altura das estudantes do sexo feminino é normal H1 : A distribuição da altura das estudantes do sexo feminino não é normal Para calcular pi.96 = −0.m = 4.3 444 4 4 2 3 5 −6 k = 4 (número de classes após agrupament o) ϕ = k.168 168 |--.6 + 12. temos: Zi = x −µ (Distribuição Normal Padrão) S S= µ=X= ∑ X i . 67 180 − 168.180 180 |--. 94 6.1.048 * 1.75 |--. a distribuição da cal tab altura das estudantes do sexo feminino é normal.94 |--. aceita-se Ho. 76 6.026 * 0.9 444 4 4 2 3 1− 2 29 .-0. 67 + + + = 3. 96 = 1. 67 Z4 = Z5 = 174 − 168.(X n i =1 i i − X) n−1 = 6. 96 = −1.000 Fe = n .

ii) quando a freqüência total for menor que 20 (n ≤ 20). χ2 = ∑ cal i =1 k (Fo − Fe ) Fe 2 Feij = (soma da linha i )(soma da coluna j) total de observações Obs.4 Tabelas de contingência – Teste de independência Uma importante aplicação do teste χ 2 ocorre quando se quer estudar a relação entre duas ou mais variáveis de classificação. Use α = 1%. A representação das freqüências observadas.1). onde L é o número de linhas e C o número de colunas da tabela de contingência. nesse caso.4. Município X Y A 28 44 Níveis de Renda B C 42 30 78 78 D 24 76 Ho : As variáveis são independentes H1 : As variáveis são dependentes X Y Total (c) A 28 44 72 B 42 78 120 C 30 78 108 D 24 76 100 Total ( l ) 124 276 400 Fe11 = 124 x72 = 22. Ho : As variáveis são independentes (não estão associadas) H1 : As variáveis não são independentes (estão associadas) O número de graus de liberdade é dado por: ϕ = (L .1) (C . 68 400 131 .: Em tabelas 2 x 2 temos 1 grau de liberdade. Ex. iii) quando a freqüência total (20 ≤ n ≤ 40) e algumas freqüências esperadas for menor que 5.9. 32 400 Fe21 = 276x72 = 49. O teste do χ 2 não é indicado em tabelas 2 x 2 nos seguintes casos: i) quando alguma freqüência esperada for menor que 1. onde para n ≥ 50 pode ser omitida. pode ser feita por meio de uma tabela de contingência.: Verifique se há associação entre os níveis de renda e os municípios onde foram pesquisados 400 moradores. por isso utiliza -se a correção de Yates. Neste caso aplica-se o teste exato de Fischer.

8 400 276x108 = 74.5%.81 2 calc (28 − 22. Salários Alto Médio Baixo Alta 18 26 6 Notas Escolares Baixa Média 5 17 16 38 9 15 R = aceita H o 132 .32 37. maior o grau de associação. 2)2 = 22.3 = 11. Uma medida do grau de relacionamento.. C= χ2 cal 2 χcal + n Quanto maior o valor de C. No de Acidentes No de Dias 0 25 1 19 2 10 3 9 4 4 5 3 2) Testar para α = 5% se há alguma relação entre as notas escolares e o salário.( 2 −1)( 4−1) = χ1%.0 400 Fe22 = Fe23 = Fe24 = 276x120 = 82.. ou seja. para α = 1%. + 69 2 2 χ 2 = χ1%. 48 400 124x100 = 31.5 Exercícios 1) Verificar se os dados se a justam a uma distribuição de Poisson.32)2 + (42 − 37. 2 400 124x108 = 33.2 (76 − 69)2 + . aceita-se Ho.. 52 400 276x100 = 69 400 = 5. α = 2.Fe12 = Fe13 = Fe14 = χ 124x120 = 37. 9. as variáveis são cal tab independentes. associação ou dependência das classificações em uma tabela de contingência é dada pelo coeficiente de contingência.34 tab Conclusão: Como o χ 2 ≤ χ 2 . O máximo valor de C dependerá do número de linhas e colunas da tabela e pode variar de 0 (independência) a 1 (dependência total).

(α = 5%).9 3.1 --. com α = 5%.0 2.2250 2250 |--. Teste a hipótese nula de que a situação de emprego e a de empréstimo são variáveis independentes.3 2. agora.4250 4250 |--. No de Acidentes 1.2750 2750 |--.4 --.7 --. pago ou não.5 --. observada 2 10 26 45 60 37 13 5 2 200 133 . Sexo Masculino Feminino A 50 29 Partido B 72 35 C = 4% 4) Com o objetivo de investigar a relação entre a situação do emprego no momento em que se aprovou um empréstimo e saber se o empréstimo está.32 e o desvio padrão de 0.750 750 |--. Teste a hipótese nula de que as freqüências observadas seguem uma distribuição normal.1750 1750 |--.7 1. obtendo-se a seguinte distribuição: Classes ($) 250 |--. o gerente de uma financeira selecionou ao acaso 100 clientes obtendo os resultados da tabela.3250 3250 |--.3. com α = 5%.4750 Total freq.0 --.2.1250 1250 |--.6 2.2 Total No de Firmas 3 12 14 9 7 5 50 R = Aceita Ho 6) Verifique se a distribuição se ajusta a normal.2. Estado Atual do Empréstimo Em mora Em dia Situação de Emprego Empregado Desempregado 10 8 60 22 R = Aceita H o 5) A tabela indica o número médio de acidentes por mil homens/hora da amostra de 50 firmas obtidas de uma indústria específica. A média desta distribuição é de 2. onde 200 casas de aluguel foram pesquisadas.3) Determine o valor do coeficiente de contingência considerando os dados: α = 1%.8 --.2.2.42.1.3750 3750 |--.

Yi). então. 134 . Nota x Horas de Estudo 10. é o estudo das relações entre as variáveis X e Y. Um indivíduo “i” qualquer apresenta o par de valores (Xi .: Peso x Idade. A amostra consistirá.3 Modelo de Regressão ˆ yi = α xi + β + εi y i ⇒ valor estimado (variável dependente). Vendas x Lucro. β ⇒ coeficiente linear. Simbolicamente a relação é expressa por uma equação de regressão e graficamente por uma curva de regressão. de pares de valores. A equação de regressão tem por finalidade ESTIMAR valores de uma variável.2 Definição Constitui uma tentativa de estabelecer uma equação matemática linear que descreva o relacionamento entre duas variáveis (uma dependente e outra independente). designadas. Nesses casos presume-se que pelo menos duas observações são feitas sobre cada elemento da amostra. ε i ⇒ resíduo. Objetivo visado quando se registra pares de valores (observações) em uma amostra.1 Introdução Muitas vezes é de interesse estudar-se um elemento em relação a dois ou mais atributos ou variáveis simultaneamente. com base em valores conhecidos da outra. ˆ x i ⇒ variável independente. Ex. 10. O problema consiste em estabelecer a função matemática que melhor exprime a relação existente entre as duas variáveis. X e Y.10 REGRESS ÃO E C ORRELAÇÃO 10. α ⇒ coeficiente de regressão (coeficiente angular). um valor para cada uma das variáveis. Para a análise de regressão interessam principalmente os casos em que a variação de um atributo é sensivelmente dependente do outro atributo.

e) Os erros são considerados independentes.1 Gráfico (Diagrama de Dispersão) Tem como finalidade ajudar na decisão se uma reta descreve adequadamente ou não o conjunto de dados.3. [ ε i ~ N (0. d) εi é o erro aleatório.1 Pressuposições Na regressão. os valores de "y" são estimados com base em valores dados ou conhecidos de "x". 28 26 24 Lucro 22 20 18 16 150 250 350 450 Vendas 550 650 750 850 Pelo gráfico podemos observar que a possível reta de regressão terá um coeficiente de regressão (coeficiente linear) positivo. a) A relação entre X e Y é linear (os acréscimos em X produzem acréscimos proporcionais em Y e a razão de crescimento é constante). e "x" variável independente. Ex. ε i representa a variação de Y que não é explicada pela variável independente X. Vendas Lucro 1 201 17 2 225 20 3 305 21 4 380 23 5 560 25 6 600 24 7 685 27 8 735 27 10.: Vendas (x 1000) X Lucro (x100) Obs. b) Os valores de X são fixados arbitrariamente (X não é uma variável aleatória).3. σ 2)]. 135 . com média zero e variância σ 2. c) Y é uma variável aleatória que depende entre outras coisas dos valores de X.10. portanto uma variável aleatória com distribuição normal. logo a variável "y" é chamada variável dependente.

. acrescentamos três novas colunas na tabela dada. Obs. . y i) podemos estabelecer o desvio: e i = y i − yi = yi − ( a + bx i ) ˆ Para facilitar os cálculos da reta de regressão. $ Os valores de "a" e "b" da reta de regressão y = a x + b serão: n∑ xy − ∑ x∑ y i=1 n i =1 i =1 n n n a=  n  n ∑ x −  ∑ x  i =1  i=1 2 2 = Sxy Sxx b = y −a x Para cada par de valores (xi ... y1 ). (x n . yi) que correspondem a n pontos no diagrama de dispersão.y n ) é o Método de Mínimos Quadrados: O método dos mínimos quadrados consiste em adotar como estimativa dos parâmetros os valores que minimizem a soma dos quadrados dos desvios.4 Método para estimação dos parâmetros α e β As estimativas dos parâmetros α e β dadas por “a” e “b”.1 Características 1 a) A soma dos desvios verticais dos pontos em relação a reta é zero. 1 2 3 4 5 6 7 8 Σ Vendas Xi 201 225 305 380 560 600 685 735 3691 Lucro Yi 17 20 21 23 25 24 27 27 184 X2 i 40401 50625 93025 144400 313600 360000 469225 540225 2011501 Yi2 289 400 441 529 625 576 729 729 4318 X i . 2 a) A soma dos quadrados desses desvios é mínima. serão obtidas a partir de uma amostra de n pares de valores (xi. Exemplo: O método mais usado para ajustar uma linha ret a para um conjunto de pontos (x1 .Yi 3417 4500 6405 8740 14000 14400 18495 19845 89802 136 . 10.4.10.

000) + 15.0159 2 8(2011501) − (3691) b = y − a x = 23 .159)(461.38) = 15.66 ˆ y = 0.66 = 22 mil . 0159 ) (400. 137 .a= n ∑ x i yi − ∑ x i ∑ y i i =1 i =1 i =1 n  n  n∑ x 2 −  ∑ x i  i i =1  i =1  2 n n n = 8(89802) − (3691)(184) = 0. O perigo da extrapolação para fora dos dados amostrais. é que a mesma relação possa não mais ser verificada.66 + 0.: Para qualquer tipo de equação de regressão devemos ter muito cuidado para não extrapolar valores para fora do âmbito dos dados.66 Saída do Statistica 28 26 24 y = 15.0159 x Lucro 22 20 18 16 150 250 350 450 Vendas 550 650 750 850 Partindo da reta de regressão podemos afirmar que para uma venda de 400 mil $ podemos obter um lucro de y = ( 0. Saídas do Statistica Obs.0159 x + 15.(0.

SQTotal = ∑ (y i − y) i =1 n 2 A SQTotal pode ser decomposta da seguinte forma: 2 2 ˆ ˆ 2 ∑ ( yi − y) = ∑ (y i − y) + ∑ ( yi − yi ) i =1 i =1 i =1 n n n Essa relação mostra que a variação dos valores de Y em torno de sua média pode ser dividida em duas partes: uma ∑ ( yi − y) que é explicada pela regressão e outra ˆ 2 i =1 n ∑ (y i =1 n i − yi ) . indica a proporção ou percentagem da variação de Y que é “explicada” pela regressão. i =1 i =1  i =1  i com (n . Total = SQRegressão + SQResíduo SQRegress ~o a . ˆ 2 devido ao fato de que nem todos os pontos estão sobre a reta de regressão.2) graus de liberdade. i =1 i =1  i =1  n 2 n 2 i 2 com (n . Essa soma de quadrados será denominada Soma de Quadrados Total (SQTotal). e denominada coeficiente de SQTotal determinação. que é a parte “não explicada” pela regressão ou variação residual.10. SQ Regressão = y ∑ (ˆ i =1 n n n  n  2 − y) = b n ∑ x i yi − ∑ x i ∑ y i  .5 Decomposição da variância Total A dispersão da variação aleatória “y” pode ser medida através da soma dos quadrados dos desvios em relação a sua média y . A estatística definida por r 2 = Note que 0 ≤ r2 ≤ 1. 138 . Fórmulas para cálculo:  n  SQTotal = ∑ ( yi − y) = n∑ y −  ∑ yi  .1) graus de liberdade. Assim: SQ.

rejeita -se H0 e conclui -se que a regressão é significativa. porém com (n . enquanto que a Soma de Quadrados do Resíduo (SQResíduos) segue a mesma distribuição. sintetizada no quadro abaixo: Análise de Variância Causas de Variação Regressão Resíduo Total G. SQ Residuo/n .2 n.10. 1 n. Se o valor de F.(n-2)]. onde β representa o coeficiente de regressão paramétrico.6 Análise de Variância da Regressão A Soma de Quadrados da Regressão (SQRegressão).2) graus de liberdade. segue uma distribuição de χ 2 (qui-quadrado) com (1) grau de liberdade. Esse fato nos permite empregar a distribuição F de Snedecor para testar a significância da regressão. Portanto. calculado a partir do quadro anterior. superar o valor teórico de F com 1 e (n . para o nível de significância α. Para testar a significância da regressão. rejeita-se H0.2) graus de liberdade. o quociente SQRegress ~o/1 QMRegress ~o a a = .2 QMResiduo segue uma distribuição F de Snedecor com 1 e (n . 139 .L.2) graus de liberdade. através da chamada Análise de Variância. formula-se as seguintes hipóteses: H0: β=0 contra H1: β≠0. > Fα [1.1 SQ SQRegressão SQResíduo SQTotal QM QMRegress ~o a 1 QMResíduo n -2 --- F QMRegress ~o a QMResiduo ----- onde QM representa Quadrado Médio e é obtido pela divisão da Soma de Quadrados pelos respectivos graus de liberdade. Se Fcalc.

= F0.00 Causas de Variação Regressão Resíduo Total G. 140 .L.(184) 2 = 688.93 ----- H0: β = 0 e H1: β ≠ 0 Comparando o Fcalc.Yi 3417 4500 6405 8740 14000 14400 18495 19845 89802 ˆ yi = 0.99 ˆ Conclui-se que a regressão de y sobre x segundo o modelo yi = 0. Uma vez estabelecida e testada a equação de regressão.0159x i + 15.66 é significativa ao nível de significância de 5%. = 58.42 63.42000 10.0159x i + 15. 1 6 7 SQ 624.0159[8(89802) − (3691)(184)] = 624.Para o exemplo anterior: Vendas Obs.66 n n  n  SQRegress ~o = a n ∑ x i yi − ∑ x i ∑ yi  a i =1 i =1  i =1  SQRegress~o = 0.00 QM 624. 1 2 3 4 5 6 7 8 Σ Lucro Xi 201 225 305 380 560 600 685 735 3691 Yi 17 20 21 23 25 24 27 27 184 X2 i 40401 50625 93025 144400 313600 360000 469225 540225 2011501 Yi2 289 400 441 529 625 576 729 729 4318 X i .93 com o Ftab. a mesma pode ser usada para explicar o relacionamento entre as variáveis e também para fazer previsões dos valores de Y para valores fixados de X.6) = 5.5 8 688.59587 --- F 58.42 a n  n  SQTotal = n∑ y 2 −  ∑ y i  i i =1  i=1  2 SQTotal = 8(4318) .05 (1.

(184) ] 2 2 [8(89802) .7 Coeficiente de Determinação (r²) É o grau em que as predições baseadas na equação de regressão superam as predições baseadas em y . i =1 i =1  i =1  n 2 n 2 i 2 $ Variância Não-explicada = soma de quadrados dos desvios em relação a reta y VÑE = ∑ (y i =1 n i − yi ) ˆ 2 Para facilitar os cálculos usaremos: n n  n   n∑ xy − ∑ x∑ y COVxy  i=1 i =1 i =1  r2 = = Sxx.Saídas do Statistica 10. indica que aproximadamente 91% da variação do lucro estão relacionados com a variação das vendas. Variância Total = soma dos desvios ao quadrado  n  VT = SQTotal = ∑ ( yi − y) = n∑ y −  ∑ yi  . logo o fato de r² = 0.(3691) ][8(4318) . Syy  n 2  n  2  n 2  n  2  n ∑ x −  ∑ x  n∑ y −  ∑ y   i =1    i=1  i =1    i=1    2 r2 = [8(2011501) . ou ainda é a proporção entre a variância explicada pela variância total.908 (no exemplo).908 O valor de r² varia de 0 a 1. 141 .(3691)(184)]2 = 0. em outras palavras 9% da variação dos lucros não são explicados pelas vendas.

10. valor de r -0. conhecido como "r de Pearson ". ou seja. Esta é a forma mais comum de análise.8. um coeficiente de correlação. envolvendo dados contínuos. . . .1 Características do “r” .Pode assumir valores positivos (+) como negativos (-).quando o r se aproxima de -1 indica pouca dispersão.5 -1 Negativa Negativa Negativa forte moderada fraca Positiva Positiva Positiva fraca moderada forte +1 0 142 . . e uma correlação muito forte e positiva.A magnitude de r indica quão próximos da "reta" estão os pontos individuais. é semelhante ao coeficiente de regressão de uma reta ajustada num diagrama de dispersão. e uma correlação muito forte e negativa.quando o r se aproxima de "zero" indica muita dispersão.quando o r se aproxima de +1 indica pouca dispersão.5 0 +0. e uma ausência de relacionamento.Saídas do Statistica 10.8 Coeficiente de Correlação (r) Tem como objetivo encontrar o grau de relação entre duas variáveis.

que dá o valor percentual da variação de uma variável explicativa em relação a outra variável.660 + . No exemplo temos r = 0. n n  n   n∑ xy − ∑ x ∑ y  Sxy  i =1 i =1 i =1  = S xx . na realidade.10. 10. O valor de "r" pode ser enganoso.2.8.2.2 Medidas de Correlação 10.2 Tratamento Quantitativo É o estabelecimento das medidas de correlação. uma estatística mais significante é o r² (coeficiente de determinação).8.8.1 Tratamento Qualitativo (correlação momento produto) Relação entre as variáveis.95 3 Saída do Statistica LUCRO = 15. mediante a observação do diagrama de dispersão.01591 * VENDAS Correlação: r = . 16 150 250 350 450 Vendas 550 650 750 850 143 .Syy  n 2  n   n 2  n    n ∑ x −  ∑ x  n ∑ y −  ∑ y    i =1   i =1  i =1    i =1 r= Logo podemos observar que o coeficiente de determinação nos dá uma base intuitiva para a análise de correlação.95295 28 26 24 Lucro 22 20 18 Regression 95% confid.

48 x + 35. r² = 40. c) Faça uma análise de variância do modelo.08 . d) Calcule o Coeficiente de Explicação. e) Calcule o Coeficiente de Correlação de Pearson.29%. r² = 53. X = 1o Exame e Y = 2 o Exame Aluno Exame 1 Exame 2 1 82 92 2 84 91 3 86 90 4 83 92 5 88 87 6 87 86 7 85 89 8 83 90 9 86 92 10 85 90 $ R = y = −0. r = +0.637 144 .58%. 98 x + 0.12 . r² = 74.73 X = horas de estudo e Y = Nota da Prova Aluno Horas Nota 1 2 1 2 4 3 3 5 6 4 5 6 5 6 8 6 8 7 7 9 8 8 10 10 $ R = y = 0. 25 . f) Interprete os resultados obtidos. r = +0.3%.48. r² = 82.9 Exercícios Para os dados abaixo: a) Construa um diagrama de dispersão. 79 x +157. b) Determine a reta de regressão. 50 x + 40.86 X = Peso do Pai (kg) e Y = Peso do Filho (kg) Indivíduo Peso Pai Peso Filho 1 65 68 2 63 66 3 67 68 4 64 65 5 68 69 6 62 66 7 70 68 8 66 65 9 68 71 10 67 67 $ R = y = 0.10. r = +0.99%.911 X = Seguro (x 1000 ) e Y = Renda (x100) Indivíduo Seguro Renda 1 20 64 2 16 61 3 34 84 4 23 70 5 27 88 6 32 92 7 18 72 8 22 77 $ R = y = 1. r = -0.

FONSECA. SNEDECOR. Introductory Statistics..S. São Paulo: Edgard Blucher. Probabilidades. Juan Carlos (1997). 4a ed. R. F. São Paulo: Atlas. Estatística aplicada. G. Estatística usando o Excel. (1993). 145 . Statistical Methods. Iowa: Iowa State University Press..A. COCHRAM. W.O. WONNACOTT. G. WONNACOTT. G.1 1 Re fe rê ncia s Bib liográf ica s COSTA NETO. MILONE. LAPONNI. John wiley & Sons. G. W. Curso de estatística. (1995).L.. T. 8rd ed. São Paulo: Lapponi Treinamento e Editora.H. CYMBALISTA. 1989. São Paulo: Atlas. (1990).. New York. J. (1989). MARTINS. M.. ANGELINI. (1994). P. J.

Sign up to vote on this title
UsefulNot useful