tn

.A.
U) U)

::J

C 0

0

I-

0

0::
en

z

-0.;--.

0
OJ

en Ia
G) Ia

U

:s

i2

0 :iE

~

CI)

0

JY

o

10

fi1

n::

0

«

6J

0.

E
(J

0

E expressamente
serao passiveis

proibido

reproduzir,

no todo au em parte, sob qualquer na [egislayao em vigor.

forma au meio, NOMEADAMENTE FOTOCOPIA, esta obra. As transgressoes das penatlzacoes previstas

lndlce
MENSAGEM DO AUTOR

Visite a Silabo na rede

11 13

www.silabo.pt

AGRADECIMENTOS

Capitulo 1.__ . _.

~~ __. " ~_'_.""'~ __._. ., __ ~_

lntroducao
lrnportancia da estatlstlca

17 18 19
au nao rnetrlca

o que e a Estatistiea?
Escalas de medfda Eseala de medfda qualitaliva Esealas Editor: Manuel Robalo Escalas Norninals Ordinais quantitativa ou metrica

19 19 20 20
21 21

Escala de medida FICHA TECNICA: Titulo: lntroducao Escalas

intervalares de razao au racio

a Analise

de Dados

Escalas

Autor: Ricardo Ramos Pinto © Edigoes Silabo. Lda. Rsvisac dos toxtos: Sara Ramos Pinto Capa: Pedro Mota 1" Edicao Lisboa, 2009. lmpressao e acabamenlos: Europress, Lda. Deposito Legal: 293028/09 ISBN: 978-972-618-533-8

Variavels aleat6rias
Alguns concertos Exereicios importantes

22

24
25

adicionais

Capitulo 2

Estatistica Oescritiva
EOlyOES SILABO. LOA.

R. Cidade de Manchester,
1170-100 Fax: Lisboa

2

o que e a Estatistiea
Descricao tabelar

Oescritiva?

29 29

Tel.:218130345
218166719
a-mail: silabo@silabo.pt www.sllabo.pt

Dascricao Medidas

parametrlca de tendencla (Me) central

31 32 32 36 39 40 40
41

CapItulo 3

_

Media Mediana Moda (Mo) Medidas de tendsncla nao central

Conceito de Probabilidade

o que e uma
Conceito Defini9ao Dsfinicao

probabilidade? aleatorla, espaco de resultados e aconlecimento

87 B7 88

de axperiencla classica

Quartis Decis Perce ntis Medidas de dispersao

ou de Laplace

41
42 42 45
de variacao ou intervalo inlerquartis de varlacao

frequencista

90 92
de acontecimentos condicionada total

DefiniC;:80 axlornatlca Conceito Conceilo Teorema Teorema Exercicios de independencia de probabilidade da probabilidade de Bayes adlclonais

Variancia Desvio padrao Ampfitude Amplitude Coeficiente Medidas

97 9B

49 49
50 51

100 103
104

de assimetria de asslrnatrla de assirnetrla de assimetria de Pearson de Fisher de Bowley

Coeficienles Coeficiente Coeficiente Medidas

52
54

56
57 58

Capitulo 4

--_._--_.

~

..--.--"--~-""

---

de curtose

ou achatamenlo de curtose

Distribuic;6es de Probabilidade
Fun9ao de probabilidade Fun9ao de distribuigeo Valor esperado Principais acumulada de uma varlavel aleatorla
l

Coeficiente Coeficiente Descricao grafica

percentllico

de curtose de Fisher

59
61 61 64

111 112 116
discretas

Histograma Pol1gono de frequenclas Box Plot Grafico de caule e folhas Graflco de dlsparsao Estatistica Descriliva com SPSS

e variancia

dlstrlbulcoes

de probabilidade

para variaveis

65
68

118 119
122

Distribuic;:ao Uniforme Distribuic;:ao Bernoulli Dlstrlbulcao Dlstribulcao Dlstribulcao Principals Binomial Hlperpeometrlca de Poisson de probabilidade para variavels continuas

69
71 72

124 128 133 138
138 141 145
Padrao

Procedimento Procedimento Procedimento Exercicios

Frequencies Descriptives Explore

74 76
79

dlstrlbulcoes

Distribuic;:ao Uniforme Distrlbulceo Distribuigeo Dlstribuicao Exponencial Normal Normal

adicionals

150

~_~""~_~_.- ~~~~ Tabelas de Distrlbulcao Distribuic." __ ~C_.-"-"" parametrica? 175 175 176 176 _"_"_"" ._~~ __ " _ Amostragem Para que serve a amostragem? Representatividade Amostragem Intencional Bola de neve (Snowball) Por Quotas Por Conveniencla ltlnerarlos Amostragem alaatorios e aleatoriedade Exercfcios adicionais 165 165 167 167 167 168 168 Anexo A Cria9ao de uma Base de Dados em SPSS o que nao aleatoria e 0 SPSS? e desvantagens da utllizacao do SPSS 0 SPSS? 213 213 214 214 215 215 217 218 221 223 de dados e resultados Vantagens Como esta estruturado SPSS Editor Data View Variable Estrutura lntroducao View SPSS Viewer (Random Route) 168 169 169 170 170 171 171 172 aleatoria Aleatorla Simples Sistematica Estratificada Por Clusters Multi·Etapas Multi-Faslca dos menus de dados de Dados Transforrnacao lrnportacao e exportacao de dados de dados 224 224 226 226 lrnportacao Exportagao Exportag80 de resultados Ca2itu~ __ ~_.Dlstribuleao Dlstrlbulcao Exercicios t-Student Qui-Quadrado 154 157 159 Suflciencla Robustez 177 178 181 adicionais Estirnacao por intervalos Determinag80 da dlrnensao da amostra para populacoes finitas 197 201 205 Factor de correccao Cae_ftulo5 " __ ~~ .:ao Binomial Valores Valores da Func.~"C._" ~ _ Anexo B Estlmacao Parametrlca o que e a esumacao Esfimacao pontual Eficiencia Conslstancla _~-".-.:ao de Probabilidade da Funeao de Distribulcao Acumulada Nao enviesamento 229 229 241 177 .

Estrategia que a curto prazo aparenta ser vlavel.de 5 anos . bastando para isso adoptar desafio de escrever um livro que ccncillasse uma aborda- gem mais instrumental da analise de dados. subsfltuindo-a. conduz osinvesligadores a apllcacao de instrumentos de analise quantitativa que possibilitem a identificaQ80 de regularidades de comportamento que de outra forma seriam imperceptiveis. sentem a necessidade de suportar as suas decisoes e oplnioas em algo mais fiavel do que a sua intuir. mas nao dispoe de uma preparacao rnaternafica especifica. Algumas dessas pessoas. simultaneamente. par urn lado. Na area acsdernica. pude constatar que estrateqlas pedag6gicas adequadas. pois ha um minima que BIBLIOGRAFIA RECOMENDADA 289 291 e necessarlo saber e compreender sob pena de 0 leltor ficar llmltado a decorar algumas receitas. e em contextos raals. estao convictos de que lsso as impede de efecluarem uma analise mais profunda dos dados com que trabalham assente em ferramentas de analise quantitativa.:aoque se baseiam em estudos cada vez mais abrangentes. sempre que possivel..:aoou uma mera analise qualttativa de alguns indicadores. Marquis de Laplace. <d~ notavel que uma cilmcia que teve inicio em conslderacoes sabre as jogos de azar se tenha tornado no objeclo mais importante do conhecimento hurnano. Este livro destina-se a quem precisa de se iniciar na analise de dados. e a cada vez maior exigencia de quantificacao mesmo nas areas das clenclas socials e hurnanas. nao tendo uma preparacao especifica em maternatlca. com a cornpreensao des conceitos fundamentais envolvidos. par outro.. se revela desastrosa.Dlstribuicao Poisson Val ores da FunQ80 de Probabilidade Valores da FunQ80 de Dlstribuicao Acumulada Dlstrlbuicao Normal Padrao Valores da FunQao de Dlstribulcao Acumulada Valores da Fun980 de Distribuig80 Acumulada Normal Padrao Valores dos Quantis da FunQ80 de Distribui980 Acumulada Valores da FunQ80 de DistribuiQao Acumulada Normal Padrao Dlstributcao r-Student Valores dos Quantis da FunQ80 de Dlstrlbulcao Acumulada Valores da FunQ80 de Dlstrjbuicao Acumulada i-Student Dlstribulcao Qui-Quadrado Valores dos Quantis da FunQ80 de Dlstrlbulcao Acumulada Valores da FunQ80 de Distribuir. preparar 0 PAGINAS WEB INTERESSANTES leitor para a cornpreensao . nas rnals variadas areas profissionais. Procura ser uma porta de entrada para a analise quantitativa e. Procure] reduzir ao minima a linguagem rnaternatlca. Decidi entao abracar 0 e posslvel ensinar analise quantitativa de dados.:80Acumulada Qui-Quadrado 253 253 263 273 273 274 275 276 277 277 278 279 279 280 Cada vez mais pessoas.como docente numa faculdade de Ciemcias Sociais. mas sem com isto cornprcmeter aquilo que considero fundamental. a pessoas com pouca preparacao rnatematica. o desenvolvimento de projectos de investigar. par outras abordagens.. Thr'mrie Ana/ytique des ProbabWles Mensagem do autor Anexo C Solu~6es dos exercicios adicionais Capitulo 1 Capitulo 2 Capitulo 3 Capitulo 4 Capitulo 5 283 283 286 287 288 Na minha curta experiencia . mas que a longo prazo.» Pierre Simon.

deste nicas de amostragem uma descrlcao tabelas (Capitulo 5) e das ferramentas com a pacote das suas fun95es cuJo exemplo e de vida me servem de a leitor nao famiHarizado bastante delalhada estatisticas essenciais estatlstico podara encontrar de probabili- inspiracao. sem sxcepcao livro. fundamentals 3) e de dlstribulcao da infer€mcia 4). a Ora. Pedro de dever cumprido de que este livro a todos. pols todos na concretizacao Rarnoa Ribeiro.. Ap6s a comdas tee6). e na esperance e de forma lao aberta chegasse eriando dade podem tarnbarn ser encontradas Termine com a sentimento dos leitores. pols sem eles este livro tarnbern . Em particular acadernlco que tive ao longo do de gostaria de agradecer tern uma cota parte Nos capitulos a analise de dados dos de e aos seus concellos principais preensao anexo. Maio de 2009 que fez aos textos apalativos.ramospinto@gmail. Sara Ramos Pinto pela magnifica Nao posse deixar de agradecer Ricardo Ramos Pinto ricardo. seguindo-se uma abordagem dos conceitos a estudo (Capitulo (Anexo 2) e uma expticacao de frsquencias (Capitulo sera inieiado de estimacao SPSS. sem duvloa. Robalo par lao prontamente condtcoss a quem tern que lldar com distrlbuicoes em anexo (Anexo B). multo menos publico a todos os alunos a quem live 0 prazer com quem live nao teria de dar aulas durante proficuas conversas side possivel. Manuel neste projecto. As dos fundamentos estatlstica. ao Dr. cinco anos e a todos as coleqas sabre estes temas. sem a qual estes seriam. a todos as professores eles. mas que pressupoern ao escrever conheeste livre e que nao dispoern. toda a equipa responsavel das Edi95es Mota e extensivel a que e a grande revisao para que a de uma pequena contrlbulcao para tornar a analise de dados mats acessfvel pela boa apresentacao graflca do livro. Termino com um agradecimento estes ultimos deste livre.com Lisboa. na pessoa Esle agradecimento do Sr.de outras cimentos obras de qualldade de que muilos leilores existentes no mercado. Fernando constante de cornecar par agradecer acaderntco. cornecarel par fazer uma lntroducao Agradecimentos Gostaria meu percurso responsabilidade ao Prot. Em A). indicadores (Capitulo probabilidade fundamentals descritivos (Capitulo (Capitulo 1).. 0 meu objectivo ele seja um principio seguintes e nao um ftm . E devido mesmo tarnbern um agradecimento ter acreditado ao conhecimento Sflabo.

Capitulo 1 tntroducao indice tmportancia da eslatistica Subgrupos da EstaUstica Escaras de medida Variaveis aleatcrias Objectivos No final desle capitulo devera ser capaz de: • Explicar a que e a estatlstlca e para que serve. conceitos fundamentais para a cornpreensao da estatistica. . • Expliear as diterencas entre estatlstica descritiva a inrerenda estatlstica: • Compreender a natureza das diferentes escalas de medida. procurando-se explicar ao leitor a que e e para que serve a estatlstica. a nlvel pessoal e profissional. Resumo a capitulo 1 tern um caracter Jntrodutorio. enquanto se espera transmitir a ideia de que esta nao e alga abstracto a distants. Sao tamMm abordados e detalhadamente explicados as conceltos de ascala de medida e de variavel alestcrla. mas sim uma ferramenta que esta presente e inlitencia mesmo as rnais pequenas sccoes do dia-a-dia. • Compreender 0 conceito de vartavel aleatoria e explicar as seus dlterentas tipos.

ate aos modern as suportes electronlcos.:aopotenciaram esta realidade. por rnals simples que seja.INTRODlH. par um lado. A titulo de exemplo. mas os conceltos empregados e as tecnlcas que suportam as conclus6es sao essencialmente as mesmas. e bombardeada diaria- mente com os resultados de uma serie de analtses estatisticas. varies sao que diariamente exemplos. aliado as exigenciaslde eflcacla. Apesar da diversidade de nomes e terminologias existentes. fazendo da estatlstica a alvo de urn cada vez maior destaque nas sociedades modernas. criando uma sociedade global em e gerada e arquivada uma quantidade extraordlnaria de inforrnacao. 0 progresso tecnologico e a globalizac. Estatistica Cornerclal. EstaUstlca Economlca e Estatistica Social (no caso das ciencias sociais). As lnterpratacdes das analises efectuadas pelas diferentes areas do conhecimento Sao muitas vezes diferentes. constantemente divulgadas nos meios de comunicacao social. todas . descrlcao. Todos os dias sao compilados milhares de Gigabytes de lnforrnaeao sobre os mais variados assun!os. Qualquer pessoa. atravas de uma enorme multiplicidade de canals. no entanto. analise e correlacao deste manancial de dadas.. condicionar as comportamentos e as escolhas.C. que permitam retirar lnformacao utll dos dados tipo de inforrnacao que se procura e os dados anallsados sao de natureza distinta. mas antes 0 resultado de um conjunlo de facto- res onde as anallses estatisticas tem um papel de relevo. quer seja a nivel pessoal. auxiliar a tamar declsoes e. a simples dlsposlcao das produtos nas prateleiras de um hipermercado nao e feita ao acaso. faz com seja vital 0 reCUfSOa ferramentas anallticas.dos registos egipcios de prisioneiros de guerra datados de 5000 A. estima-se que circulem por dia algumas dezenas de milhar de rnllhoes de emaHs em todo 0 mundo e que a total de informa- gao que circula anualmente na Internet ascenda as centenas de Terabytes. assumindo-se como urna verdadeira ciencia multidisciplinar. quer seja a nivel proflsslonal. como par exemplo: BioestaHstica. Em certas areas a estatistica assume urn papel de tal forma relevante. A vastidao de lnformacao que existe presentemente em tome de qualquer assunto.Ao 17 lmportancla da estatistica Oesde tempos imemoriais que 0 Homem se dedica 05 a recolha e cornpllacao de dados . existentes. porque 0 0 que. Ainda que as pessoas por vezes nao se apercebam. A vida numa sociedade moderna implica uma constante tornada de decis6es. que muitas vezes assume uma terminologia especializada. A face mais rnediatlca da estatlstica sao as sondagens. por outro lado. A astatlstica esta presente nas rnais variadas areas do conhecimento. que visam. a estatlstica asta presente no seu dia-a-dia mesmo nos mais Infimos detalhes. toma vital a exlstencia de tecnicas de organizag80.

nacexiste uma qual 8 obtido a partir da des- forma logica de ordenar os diferentes resultados. pois sao eslas que verdadeiramente auxlliarn a tomada de decis6es. A infarencia assenta. compreender estes conceitos. Basta abrirmos um jomal ou ligarmos a televisao.18 'NTRDDU~ AD A ANALI SE DE OADOS INTRDDU~AD 19 estas «estatlsticas» assentam nos mesmos conceitos fundamentais e recorrem ao mesmo conjunto de ferramentas dedutivas. resultante do facto de todos os fenornenos terem um certo grau de imponderabilidade assoclado. asslm. se possam prever comportamentos futuros. em tres grandes pilares. representa apenas uma pequena parte. e essendal e urn ramo da Matematlca ver e analisar dados. de forma a que. As escalas qualitativas podem ser de dots tipos distinlos. sendo uma ferramenta que permite estudar quanlitativamente a influencia das caraclerlstieas de uma dada populacao -alvo. tabelas e graficos usados para 0 e a seu registo. assim. procura descrever e resumir os dados registados . A inferencia estatfstica procura estabelecer conclus6es para a populacao em geral com base no conhecimento parcial da mesma. de forma a Iacllltar a sua compresnsao. Mas nao 8 so na cornunlcacao social que este fenorneno se verifica . uma vez obter certezas absolutas. de uma parte. A inferencia estatislica procura conlrolar e minimizar a incerteza associada a esta extrapolacao da parte para que 0 e impossivel todo. a descricao deta- o que e a Estatistica? A Estatistica Ihada da amostra representativa. Os dados resuttantes do registo de um qualquer fenomeno apresentam particulartdades multo proprias que os tornam pratieamente unlcos na sua forma. 0 graficos. com base na dascricao e expllcacao de comportamentos passados. para sermos alvos facais de uma serie de graficos e indicadores estatlstlcos. No entanto. descre- 0 conceito de probabilidade e 0 0 coneeito de varia- vel aleatoria. a saber. 56 existe uma estatistica. existe sempre um erro assoclado. 0 Escalas Nominais Caracterizam-se por serem escalas qualitativas em que nao existe uma ordem para os resultados que 0 Ienomeno em estudo pode ter. testar hipoteses e encontrar corretacces entre fen6menos do quotidiano. A maioria dos programas lnforrnatlcos de auxHio a possivel agrupar os dados a gestao tipo de esealas de medidas que foram usadas no seu registo. de uma forma muito simples. segundo 0 designada por estatistica descritiva. Escala de rnedida qualitativa au n~o rnetrlca Os dados resultantes do registo de um fenornano atravas de uma eseala qualltativa. orqanizacao e apresentacao dos dados de uma pesquisa (estatistica descritiva). residindo essencialmente nas Ferramentas de orqanlzacao e correlacao desles. antes de se lnlciar astudo da lnferencla estatlstica.esla e normalmente que impliea que as formas de os registar tarnbern ten ham de ser distintas. A estatistica modern a nao se limita a um conjunto de nurneros. Assim. apesar da sua grande dlssemlnacao e medlatizacao. atraves de indicadores e Escalas de medida Os fenomenos do quotidiano sao de natureza muito diversa. normalmenle designados por dados qualitativos. pols. mas sim por etiquetas que representam os resultadospossiveis nomina is ou ordinals. mesmo que representatlva. sendo a segunda composta por um conjunto de ferramentas que permilem efecluar previs6es. em dois grandes campos: a estatistica descritiva e a inferencia estatlstica ou estatistica dedutiva. ou seja. Estas escalas de madida encon- cricao de uma amostra representativa da pcpulaceo. A face mais vlslvel da estatistica e claramenle a que.:ao mais evidente que pode existir entre dols conjuntos de dados natureza rnetrlca ou nao metrica da eseala de medida usada para 0 rem resumos da lnforrnacao compilada atraves de graficos e tabelas com indicadores relevantes. determinando correlacoes entre estes. apresenta- A distinr. nao sao representados nurnaros.tarnbern no mundo empresarial toda a informacao 8 descrita graficamente e atraves de indicadores. As potencialidades da estatistica vao muito para alern da simples analise descrltiva dos dados. resumo. A estatlstica divide-se. estao preparados para. na realidade. prever 0 comportamento do todo. Sempre que se procura a partir . A estallstica descritiva. que tem por objectivo organizar. por 0 para acontecimento em causa.

a de medlda. A razaod~serdesta para 0 primelro que se passarrnosos valores de 5QoF e6B"F. ernque Satisfeito) .. neste caso. independentemente do valor zero na assim no to po da ope- Totalmente insatisfeito Insatisfeilo Satisfeito Muito satisfeito Tatalmente satisfeito da unidade eseala cadeia.e. em que ri~sdiferentesesealas ponto zerotern com agua. cuja unlca diferenc. i. registada em termos de preclsao.aorelativa relativada arbhrariedadedaposleao temperatura demedida difarante. a tambern segundo um determinado e a de do segundo. de poslcao o exemplo um individuo.20 INTRODU. Muito Satisfeito eTotalmente Escalas de razao ou raclo Sao ascalas rnstrtcas em que 0 ponto zero os valores. OF a temperatura mente.. para alern da criterio.. Um exemplo do usa de uma escala de razao ou raclo dlstanola. tarnbern de esealas os resultados segundo urn determinado entre estes.. dado que. urn nivel Urn exemploclassicodous0cJeumaescalaintervalare 0 registo de tempe- uma ordem entre 05 resultados permita estabelecer uma e posslvel As e possivel esta- raturas. Existem dais tipos distintos rnedlda. passem de qualquer outra unidade mesma que as duas dlstancias jardaou aflrrriar que Beja ellta ao dobrodadi$tancia verdadeira. tisi~ito. Se tomarmoscamo (140 km) e entre Tomar Estaafirmagil. logleo. para alern do nurnero de vezes que eada resultado oeorre. 0 que se deve unlcarnente a urna posigil.e. Oexemplotipico satisfac..g. SatisfElito. em termos de inforrnacao. DC eUF) 0 Como consequencla dssta definir urn criordinais que lmportancia. rnetricas em que a POSiy80 relativa do ponto zero e arbitraria. sera sempre 0 dobro do valorporrespondente Tomar e Lisboa.. escala com 5 niveis (e. podemos com a toda a sequranca del Tomar do que esta Lisboa. polegada. sendo possivel aplicar qualquer racao rnatematica aos dados obtidos. se tiverrnos dois recipientes aparente contradla ter os recipiente. identifrcar quantificar e ordenar as dlferencas A escala quantitativa. a poslcao i. atraves usando de uma escala quantiuma escala qualitativa.·sepode aflrrnar que 0 primsiro tern valores de DC para OF. ou seja. ordem de a urn crlterio logico.. ~ distandaa~tre uma vez que sao representados permitir permite rnetrtcas. encontram-se assim. existentes (e. Totalmente Insatisfeito.g. . uma1 o dobroda gao uma posic. relativa do valor zero na eseala pode variar com as unldadas Escalas Ordinais Sao escalas belecer terio qualitativas em que.o relativa do ponto zero. escolhida para exprimir relativa nao varia. que se designam por intervalares e de razao ou racio.:a reside na locallzacao relativa do valor zero na escala..:~ode menteseutilizauma dautilizag80 urncllente de uma escala ordinal e 0 registodo n[ve] de normallnsa- em ralacaoa urn qualquer' servleo. nao.oe a ssr expresses eXElrnploas distanclas ea rnedlcao de uma entre Tornar a Llsboa faci!mente e Bej!'t-(<!BO km). no nivel mais baixo. As esealas de razao ou facio encontram-se em termos da precisao da lnformacao.AO A ANALlS~ DE DADOS I NTRODU. possivel dispor os resultados a frente escalas ponto zero. Escala de medida quantitativa ou metrlca Os dados resultantes tativa distinguem-se do registo de urn fenomano dos dados recolhidos par valores. uma vez que a lnforrnacao Escalas intervalares Sao escalas se resume apenas ao nurnero de vezes que cada resultado mais eomum do usa de uma sscala nominal em que os resultados posslveis sao masculine posslvel ocorreu. e absoluto. passamos €I segundo nais. Como sa pode constatar quando 'astemperamras sao expressas em do saqundcreciplenteesta lange de ser 0 dobra da do prt- melro.AO 21 trarn-se.. respectiva- das escalas nornlcrlterio ope s· outroa 2QoC. e 0 registo do genero au feminino.. 0 valor da distan~ja· entre Tomar e· Baja. recorrendo posslvels.porqlle em mHha.

nao sao nurneravels._.. de resultados plo diz-se numeravel nurneravet._~~- ~ .. nao em termos do seu valor absoluto. nurnericos.}. que 0 utlllzador lenha consclencla que. cescricao nurnerica cujo dos resultados resultado nao possiveis de de urn processo conhecidos e eonhecido possiveis que as de um Variavel Quantitativa todos os seus resultados Contrnua . alguns._ •• ~_. estabelecer 0 que faz com que se tomem dados quallestamos Sao exemplos de vanavels aleatorias: 0 lancarnento para ordenar os intervalos uma escala ordinal... e ordinal.... esta a nurneravel.conjunto de resultados finito ou infinito nurneravel.". que tem de crlancas E importante como resultados posslvels 4. 4.. portanto. Da analise apasar podem possivel tomar dos exemplos sempre variam referfdos nurnerlcos. Nao sendo ohrlqatorio que os resultados sejam eles mesmo sempre . __ . 5. reglstada. ao contrario valor infinito Os resultados das variavels das anteriores. . Variavel Qualitativa Varlavels aleat6rias Uma varlavet uma sxperlencia antecipadamente alsatoria alaatoria.._-_..__'_.6.~ . que. a temperatura do ar. para um determinado um numero unlco. aleatorlas superiormente.6numero sob a forma de intervalos. _ __.. Compara!. podem tomar de contagens. Apesar dos resultados ser representados um crlterio numericamente.._~. 1e sempre urn nurnero par variavais Em con sequencia. bastanle em clrna. 3.____r_.----.._.. e uma t. de serem as varlaveis aleatorias exemplo. -. Escalas qualitativa nominal ~_. 0 conjunto do segundo exemSem- ! ~'~~ -~. de valor. 0 conjunto (por exemplo ~"-. especialmente em questionarlos. sao seja ele finito au infidiseretas normalreferidas uma de desiqna-sa par discreta.AO A AI~ALlSI' DE OADoS INTRODUCAo 23 alsatorio nao forem nurneros. acon- de uma lista com alguns intervalos fenornanos tativos. que a lnforrrtacao cialmente recolhida.conjunto de fBSU llados infinilo e nan nurneravel (continuo). e ao qual ssta associado resultados possiveis um certo greu de incerteza. os valores {1.~ .~~~- i --·-~~-~ Escalas quantitativas Escalas qualltativa ordinal . 0 resultado no terceiro e quarto exemplo.~. porque nao e llrnitado pre que 0 conjunto nito. e sempre infinito..que podetomarqualquervalor positivo.. 3. o peso de um animal au objeeto. que tern como resultados posslvels os val ores {1. e infinito._ •.e.~-.nao existe ordenacao entre categorias. urn codigo numerlco Uma variavel tecimento._. sempre que recolhe fazendo dados com de um dado. .-_.. unlco a cada resultado posslvel. 2. podemos as resultados distinta.ao dos diferentes tipos de eseala. 2.. estas designam-se aleatortas Nominal . que naseem num dia.. que pode tomar quaJquer positivo au negativo. se encontre usando a urn nivel substan- inferior ao que estaria se fosse recolhida uma escala rnetrlca. 5. sejam Discreta .-. de resultados e finito. que faeilmente constatar que._-.. .22 INTnOOut. que 0 registo da idade au dos renmas atraves para as lipo de acontecimento dimentos dos inquiridos seja feito. a variav~1 aleatoria tara corresponder E frsquente. entre qualsquer dais valores possiveis. 6}. de resultados e discriminar tad as as valores que a variavel ou seja.:. 0 eonjunto de uma varlavel As varlavels a tarnbern mas.._. em termos da preclsao da informa\iao de forma No caso do primeiro pode tomar. esta a usar uma escala qualltaflva em terrnos de praclsao.. Figura 1. uma funcao faz eorresponder a cada resultado posslvel e possivel par intervalos. perante em causa poderem registo sao representados Como possfveis neste aleatorta e. vez que resultados 2) existe qualquer real e nao apanas de resultado's continuas. porque.~_~.-. mas nao so.embora 1 1 Ordinal - e possivel ordenar as categorias segundO um determinado critsrlo. mente.

consoante uma caracteristica comum a todos as elementos da Tahela 1.. Feminine Masculine Masculine Masculine Masculine Feminino Masculine Masculine < 25 =-50 [25. 50] [30. Na tabela em baixo sao apresentados as respostas dos motaristas a algumas das respostas do question aria aplicado. a letter nao famiHarizado com a pacote estatfstico SPSS.. respectivamente. Apes a cornpreensao dos conceltos fundamentals da interencia estatlstica..2. 30] [30. 1. a sua natureza e ao tipo 1. sera iniciado a estuda das tecnlcas de amostragem (Capitulo 5) e das ferramentas de estimacao (Capitulo 6)..:oas de trabalho' Medias Medias Elevadas Baixas Elevadas Baixas Balxas Medias Medias Medias Baixas Elavadas Elevadas Medias Medias Idada .vel aleat6ria. 50 [25. 50 Nos capitulos seguintes comegar-se-a par se fazer uma abordagem dos principais indicadores descritivos (Capitulo 2). 50] <25 [25... - ...... urn subconjunto de individuos da populacao -alvo. Alguns conceitos importantes Populacao alva au estudada. Unidades estatistlcas. 50] . As princlpals disfribuicdes de frequencla serao abordadas de forma sucinta e praqmatica (Capitulo 4). a sua . seguida de uma explicagao dos conceitos de probabilidade (Capitulo 3). 30] [25. podera encontrar uma descrtcao bastante detalhada das suas fungoes fundamentais (Anexo A).. as elementos que cornpcern a populacao -alvo e a amostra. As tabelas estatlstlcas essenciais a quem tern que Iidar com dlstrlbuicoes de probabllidade. -64 70 86 77 82 60 94 97 75 86 79 55 52 73 99 (kg) .-~0 2 0 2 Ntimero 2 3 0 2 e aplicado aos dados de uma populacao au amostra. 50] ::> defllhos ..~''~~'-'~ Peso . arnostra. 3D] [30. Em anexo..24 IN1ROOUCAO A ANALISE DE DADOS INTRODUCAO 25 As escalas nominal e ordinal estao associadas as variavels qualitativas com a mesmo nome. urn operador au indicador que ajuda na producao de uma vlsao global dos dados. Amostra. podendo ser discretas au continuas. urn canjunto de elementos distintos com pelo menos uma caracteristica em comum..1. Variii.. Parametro. podem tam bern ser encontradas em anexo (Anexo 8). 0 pararnetro pode ser populacional ou amostral. 50] [30._.. -:. Caracterize a varlavel Condigdes de Trabalho no que diz respeito natureza e ao tipo de escala de medida utilizada. Respostas dos 15 funclonarlos de um questlonarlo da GestoCondomix a algumas questoes de caracterlzacao socloeconomica Genera COfldit. Exercicios adicionais 1. 30] 2 2 2 0 «Corne avalla as condtcees de Irabalho na ernpresa?». ('1 Masculine Masculine Masculino Feminine Feminine Masculine Masculine .. --''-''~.. enquanto que as escalas de intervalo e de razao estao associadas as varlaveis quantitativas. Caracterize a variavel Genera no que diz respeito de escala de medida utilizada. A empresa de logistica Cargix realizou urn estudo com vista a caracterizacao s6cioecon6mica dos seus 15 motoristas.. 50 [30..

Caraclerize a variavel Idade no que dlz respeito a sua a sua natureza e ao tipo de escala de medida utilizada. . a seja possivel que e a Descrit.7.ao Objectivos Estatlstlca Descritiva? tabelar pararnetrica grafica transformar a varlavel Genera nurna varlaval da mesma natuindi- reza da varlavel que como a faria..ao Descrit.oes de traba/ho? Justifique. mas sirn a dsscricao detalhada das principals formas de descrlcao tabelar. Resumo Este capitulo tem como principal objectivo axptlcar ao leitor 0 que e e para que serve a estatlsttca descritiva. procurando dota-lo do conhecimento necessarto a reallzacao da analise descri!iva de qualquer conjunto de dados. natuindique transformar Numero a variavel 'dade numa varlavsl Caso da mesma reza da varlaval como a faria.4. ou achatamento: • Representar graficamenle qualquer tipo de dados. Caracterize a variavel Numero de filhos no que dlz respeito a sua natureza e ao tipo de escala de medida utilizada. dispersao. Quais as diferencas exlstentes vartavel sao da lnformacao regislada? 1.ao Descrit. Sera possivel de filhos? Justifique. natureza da varlaval Genera? Caso seja possivel indique • Construir e interpretar tabelas de frequencias: • Determinar e interpretar as principals medidas de tocanzacao. 1. Caso seja possivel No final desle capitulo devera ser capaz de: a variavel transformar Condir.6es de trabal/lo Justifique. 1. nurna variaval da • Explicar 0 que e a eslatistica descriliva e para que serve. Caracterize a variavsl Peso no que diz respeito natureza e ao tipo de Capitulo 2 escala de medlda utllizada. Sera possivel mesma Condir.3.26 INTROOUl.. em termos ea Estatistica Descritiva indice Idade? Estarao exactamente da preci- Justifique. 1. Sera possivel entre a variavel Condiq6es de traba/ho ao mesmo nivel.9. grafica e pararnetrtca. Caso seja possivel a faria. Nao se procura com este capitulo efectuar uma descricao exaustiva de todas as ferramentas de analise descritiva.10. a varlavel Peso numa variavel da mesma natureza indique como Justifique.8. 1. • Interpretar as principais formas de representacao de dados em eslatis!ica descritiva.6. Sera possivellransformar da variavelldade? 1. 1.5.ilO A ANAL ISE nt DAOOS 1. assirnetria e curtose como 0 faria.

devido ionto de partida.29 stica Descritiva? [ m ramo da Estatistica que tem por objective organizar. sendo contern apenas inforrnaeao relativa ao nurnero de 'reu. 'magao ralaclonada-corn scrigao tabelar u ordinals). a qual sao usadas tabelas para resumir os dados. . a \ham a totalidade dos dados.Jrupos. constituindo normalmente a forma mais intuitiva de descricao grafica. seja possivel ter uma dos. o de dois conceitos chave: ~fOtabelar so sera util para variaveis nominais. Antes de se avancar mais na descrlcao tabelar. r e dados com que frequentemente se trabalha tomam traves da obssrvacao directa dos mesmos. histograma. que.a mesma dirnensao da tabela que contern a totalidade etas. e f rever os dados. caso contrarlo. ordinals . ou seja. quando se fala de ps normalmente a tabelas de frequencla. conacos no caso de dados qualitativos. podendo alguns destes parametres ser. etc. Assim. recorrendo a diversas tecnlcas.) ~. condensando a informacao neles conallse de apenas alguns valores. comummente classifi. Este tipo de descrlcao sera apenas viavel quando ntes nao for muito elevado. a tabela de . permi- e essencialmente indi- titativos. ~ qual sao usados graficos (barras. A descricao pararnetrica ' na qual sao esUmados os valores de certos params- etros existentes abordam diferentes aspectos. numsro de vezes que cada indicada para dados e particularmente 0 a sua facilidade de analise.

quantitativa procura-se. pelo que a maioria neste a descricao encontrar dos resultados tera pouca de condensar tera frequencia utilidade. no caso de termos e algumas dlrnensao rentes (variavels tera A tabela de fraquenclas empresa Fabrlx do estado civil de um grupo de 200 trabalhadores Tabela 2. dos resultados das.. e possivel Contudo. dos dados. exislentes dividem-se medidas a informacao grandes contida grupos: nos dados. que representa resultado se repete. os resultados na tabela. Tabala de frequenclas para 0 estado civil de urn grupo alternativa cura dados. que a grande maioria dos200 85.30 INTRODUc. neste grupo de civil "'. da tabela a labela que de frequenclas resultante dos de Uma conlenha existindo a totalidade de dad os. atravss cujo valor proaspecto dos de.5%) e que 05 empregados representando de dlsperaao. indicam onde se observacoes. se estes sao multo distintos sao em numsro sernelhante. . que urn determinado resultados.085 0. que consiste no nurnero de vezes que urn delermi- nado resultado _ Frequ€mcia se repete. 20Dtrabalhado s genericamente par de observacoes. a absoluta contida 1. solteira(o). respeclivamente. mepidas de As principals em quatro locahzacao. que se designam Da anallsa. e a deterrnlnacao uma medida pararnetrica resumir de para metros ou indicadores. verie absolutas fraquencias. permitindo ler facilmente uma ideia geral doest~do ·civil destes 200 trabalhadores. Medidas de assimetria e medidas de achatamento. e apresentadana tabelar a necessidade nos dados. as segundas obviamente par frequenclas dependente As primeiras acumuladas. ordinais e discretas com poucos dife- frequencia sao adicionados das frsquenclas apresentados e relativa. sao designadas 0 valor das frequencias e da ordem par que forem ordenados simples de cada resultado. condensar bastante as dados recorrendo uma grande quantidade a urna tabela de frede resultados nurnero total de observacoes e ao valor 1. que no caso das variaveis norninais. A analise desta tabela de frequencias e bastante mais simples do que a ana- lise da tabela base com os resultados 0 peso de cada urn dos 200 trabaJhadores relativa (f). relativo do rnrmero de vezes com 0 total de lnquiridos. Para alern destas e tambern de cada um dos resultados usual rspresentar-se par frequencias as frequensimples acumuladas cias em termos acumulados. au seja. 8. Assim. da praticamente caso. de um determinado portanto. que procuram conjunto de dados. re 56 exislemtres tlpos deestado -.5% e 6%.:iiO A ANALISE DE DADOS fSTA11STICA DeSCRITIVA 31 _ Frequ€mcia absoluta (F). empregados sao soltelros ou divorciados quantis Medidas e dividem as dados em grupos com [gual nurnero que dao ideia da variabilidade uns dos outros ou nao. respectivamente. • Medidas de tend{mcia nao central. de dlspersao.da tabela de fraquenclas podemos concluir que. aclrna na tabela.e.a saber. quando cornparado Numa tabela de frequenclas os valores ficados. continuas a mesma dlscretas). uma forma alternativa possivel lntorrnacao Tabela 2.855 0. e/ou relatives para a variavel em causa. das frequenclas tipica sao apresentados. em: sintetizar concentrarn num unlco valor 0 a maioria das SoUeira(o) Casadalo) Divorciada(o) 17 171 de localizagao que se subdividem 188 200 • Medidas de tend{mcia central. os valores acumulaao uma vez que. 12 i. absoluta a Descrlcao parametrlca Vimos resultados quencias. cGlSada(o)edivor~iada(~) casados (171 .085 0.200 trabalhadores da empresa Fabrix Frequ(inda Acumulada Absolula 17 Relallve 0.06 nurnero de medidas. resultado Os valores do ultimo corresponderao. ouseja.94 funcionar como Na descricao de um reduzido medidas medidas Estado Civil Frequiincia Simples Absolula Relat!v8 0.

. SEI retlrar do grupo 0 trabalhador mais novo. 0 valorenc~nlrado para a media nao corresponde a idade de nsnhum dos14 trabalhadores. grau de TabalaSiIdades de 14 trabalhadores da empresa Fabrlx 35 achatamento de uma curva de dlstrlbuicao de frequenclas. distribuigao de frequenclas. . o que.. que permitem avallar 0 Na Tabela3 sgo apresentadas as idades de 14 trabalhadoresda ernpresa '. As Ires princlpais medidas de tandencia central sao a media. temuma •. da media e da mediana sao iguais. Uma distribuleao de frequenclas diz-se slmetrica quando os valores da moda. X= X1+X2+ n . irao apenas ser abordadas as principals.. continua a ser uma inlluencla bastante . obtern-se aseguinte media: '.valorrn8ximo. mas 15S0 nao e impeditivo que este represente as idades destes trabalhai:Jores. 13 Media Corresponde a soma dos valores correspondentes a todas as observacoas divi- did a pelo nurnero total de observacees que constituem as dados em causa. . .. 0 'qqeeumvalorsignificat(varnenteinferior ao obUdoparao grupodos14.. que permitem avaliar 0 grau de assimetria de uma Fabrix.3 anos.•~-:\ 43 Medidas de tend€mcia central Como a proprio nome indica estes parametres procuram localizar a centro dos dados. Retlrando do..grandeinfluencla no valor da media... . . a median a e a moda.·. 0 . ·+Xn 13 n Em que: n .· . 36 23 32 Existem varias formas de quantlficar cada um destes tlpos de medidas. uma vez que e em torno dele qU8 se concentram a maioria dos rnesmos...::!__ = .. ..valor da enesirna observacao. a media passara a ser 35. '" 476 14 = 34 A idade media deste grupo de 14 trabalhadores e portanlo de 34 anos. mas como uma descricao exaustiva de todas esta fora do ambito deste livro. ssndo bastante superior aos restantes valores. 24 36 ..2 anos.. em vez do trabalhador mais velho.numero total de observacces: := ---f3 :: 31. 17 35. X '" .-. _ Medidas de curtose au achatamenta. .. as quais sao frequentemente utllizadas quando se pretende representar urn conjunto de dados par um unlco valor.2 405 Xi ..sendo uma varlaeao menor. grupo a trabalhador mais velho (71 anos) e recalculandoa media para os rsstantss 13 trabalhadores. Se. ' Aidade media deste grupo de 13 trabalhadores passou a ser de 31..1 .!. assumindo-se que este valor tem a capacidade de os representar a tad as. LX.32 INTRODUCAO A ANAL ISF DE DADOS ESTATlsTICA DESCRITIVA 33 _ Medidas de asstmetrta.

76 0. '---:' Absolutii' -r. X I(Xj. faltando pouco rnals de uma vez em cada encontrado.:.9 anos.15 0.. 'Frequ~nclaAcumulada . 0 valor dernedla ern media.••. fJ - frsquencia relativa correspondente Xi. ou seja.tc::'=C!.:a de urn vel..01 5 3 .05 + 4 x 0. de um grupo de10U trabalhadores da empress Fabrix doeriea .-----. Ihes retira alguma capacidade de representacao F Tabela 4. Neste caso.nao resultado ccservado.44 .92 0. Retirando dogrupo dos 14 Irabalhadores um trabalhador com uma idade lntermedia (35 anos).XnJfI_ n nurnero total de observacoes: diferentes.:a. os valores interrnedlos tern uma lnfluencia bastante inferior aos extremes.0. - com que esta seja a medida algumas utiHzada. no caso do valor de lodas alguns valodos poder nao corresponder da variavel ser discreta. '.. x '" X1' Em que: F1 + X2 .) = n- '" 0 xO.76 +1x 0..01 .:Ao A ANALISE DE DADOS ES.frequencia absoluta correspondente a observacao a observacao Xi.44 +3x 0.nurnero de resultados XI .03 i6 91 92 97 . R~latlva _'.-. + . dadas..34 INTRODUr.-.97. no entanto.l--:-::-::-.=..15 + 2 x 0.Fil = -. F:2.76 15 0.ATlsTICA OESCRITIVA 35 significativa. 0.:adeste grupo de 100 trabalhadores e de 0. A tabsla de frequencias .: A facilidade principais raz5es de calculo e a simplictdade que fazem de interpretacao da media sao duas das de tendenclacentrat mats .. grupode para o. tras rneses. ~-'---'----'---'----:C-·""·.-···c-. X =I(x/' .-r--. No entante.' •.!tiva -.44. ao contra rio dos anteriores.A media de faltasrnsnsals por mes porrnoUvos por doeri r. estes irabalhadores. resultado observado ou mesmo 2 0 valor da media depende.91 0. dastacam esta medida tern tambern dependeneia a nenhum desvantagens. das quais se 0..-.--~-.. a variagao do valor da media e minima. .valor da eneslrna observacao: FJ . Tabela defrequfmcias para 0 numeromcnsaldefaltaspor . nao chegamafaltar s6 naD corresponde uma vez a nenhurn dec!oenr. enviesado per apenas 0 que pode colocar em causa a sua capacidade de representacao .numeromensal defaltas pordoenr. Rel. .. 1=1 5 f. a media para esle novo grupo de 13 traba- Ihadores passara a ser de 33. res extremos. ouseja.~_ 100 Ox 76 =. a sua grande dos valores extremos e 0 facto de 0 seu valor posslvel. as observacces. pode ser fortemente naturalmente.comotambern nao eurn resullado posslve] desta variano C8S0 de variavels discretas e dos dados em causa .: 0. teremos: '".100 + 4x3 No caso de termos os dados expressos numa tabela de frequencies. oquese verificacom algumafrequencia 100 traba!hadores da smpresa Fabrlx e apresentadanaTabe!a4. .05 0. -.- 0.." 44 =100= 5 + 1x 15 + 2 x 1+ 3 x 5 ". . ~_.03 '" a .

. alguns dos rnaiores extremos e a media Na grande esla e 31.e. Para facilitar a dlstlncao entre as medias populacional .. . dos casos a media faz com normalmente seja designada por media. variavel de dados analisados teoricamente. dos casos.36 IN lHODUQAO A ANALI SE OE OAOOS ESTATISTICA Oi. a media dlz-se populacional. +1 Me·". .. 6" Idade diz-se amostral... sera utillzado de uma populacao das populacces e 0 alfabeto finita. . no caso da media. sltuacao. representativa esteve sempre orderncrescenta. .rdadesdeum grupo. Sempre que for necessarlo. tipos de media. que as dados 0 que se verifiea da populacao nesta na rnaiorta das siluar. . igual nurnero de observacoes forma crescents dois grupos que eslava e inferiores.. ordenadas par ordam crescente Numero impar de dados A mediana sera 0 valor que ocupa a poslcao nurnero S" ~-2~·-' em que n cortes- 6' 35 7" 36 8" n+1 Idade 17 19 21 29 31 42 ponde ao nurnero total de observacoas.:oes sera 0 valor correspondente . este criteria sera estendido A media descrita neste capitulo. A media determinada Tabela 5~fdadesdj! urn grupo d~Ttraba[haQores da empresa Fabrix.. .. 0 que corresponde a idade a dependencla e harmonica.· P· y . a media 7' 42 nada exactamente da mesma possa ser determinada na maioria amostral.sao apresentadasas ldadas de B traball1adores·daempresa Fabrix dispostas por ordem crescente. (nominais ou ordinais) nao faz sentido No caso das varlavels qualitativas qualquer media. ·ordenadaS porqrclem crescente . Mediana (Me) ao resultado que divide superiores 0 conjunto Corresponde dos dados Ordenando ao meio. dos resultados Em todas subentendido em causa. trabalhadgres . apenas particulares. A mediana que ocuparn a media dos valores das observacoes as poslcoss + 1. no caso da mediana. Existem em ignorar dos valores multo 0 que outros A mediana da.idade dastes 7trabalhadores de urn dos trabalhadores. e menores geometrica maloria valores.-.. as formulas e exemplos constituiam apresentados uma amostra para a media. l.n_.. de uma arnostra representativa. uma vez que os valores que estas tomam nao sao valores para as suas categorias.:SCRITIVA 37 A media e a (mica medlda urn born estimador. . como a media aparada.. ou decrescente. vlsando aplica-sa reduzir aplicavels designa-se par media aritmetlca.. quantitativa da maioria corresponder e determipopulacional a 31 35 36 da populacao em causa.de8trabaihadores da empresa Fabrix. para qualquer a dirnensao 0 alfabeto contudo. em causa era 0 valor das observacoes. Embora... excessiva grego torna esta e latino para a tarefa dificil e dispendiosa.. segunda.:oes.. em causa e a frequsncia TabeJa6. que conslste em sltuacoas arltmetlca. da empresa . com as cbservacoas de NaTabela6. Numero par de observat. No caso do conjunto forma. mas apenas c6digos numerlcos calcular reais. dos resultados. 0 0 que esta com igual nurnero de observaeoas. totalidade de tend€mela central que satisfaz as propriedades de permitindo-Ihe ser usada para inferir sobre a populacao a partir NaTabala 5 sao apresentadas Fabrix disp()siaspor as idades de7 .' e . tral por tros. a mediana sera 0 resultado Enquanto que divide os dados em que.051"ao-· 2 para a primeira A media populacional e normalmente representada por iJ e a media amosa outros pararne- X .

---'-+ .u avezque .-~: . da moda torna-se evidente excepto a partir da observacao de uma tabela classlfi- 2 2 A dstermlnacao A tabela de frequenclas para 0 nurnero de pessoas par agregado familiar de um grupode 200 trabalhadores da empresa Fabrix e apresenlada de frequanclas ou de urn histograma. .19 0. c··2 -o. AD A ANALISE DE DADOS ES1 ATiSilCA DESCRITIVA 39 A mediana nao e afectada e uma medlda bastante mats robusta do que a media.. Tabela da. e este seja superior aos res- e 3. correspondentes a sernelhanca do que se passa com a mediana.31 0. 0 que a torna numa rnedlda bastante mais robusta do que a media..0.76 e..tElr~se:amalsdo valor de frequsncla que urna moda. a partir dos resultados de ser usada para inferir sobre a populacao representativa.-.. ~. ····2 ..:.e.. uma vez que pelos valores extremes.--_c_----~ +1} _ -r variavels devido a lnexlstencia ordinals.. Me posiCao -....-.r::j:~~i::I~e:~~:~:.~ . cia dos resultados neste caso 0 que esta em causa e a fraquen- e nao 0 seu valor...r~~::~e~·0 A mediana do nurnerode • dores pessoas porElgregadofamiHardestes corresponde nern a \/aIOrdospadQs. .--+ 081980.esda que todOSCl$ que se. A moda Tabela 7. cados em intervalos.··· •• ··.ou seja. .~rnpr~S~F9bH~q[Je roiapre~entado na Tabela 5.. pode ser determinada Para variavels para quaisquer nominais dados que possarn quantitatlvas..5. --' -"-. tarnbern pelo que. 22 40 38 0. 0 quenao tado posslveL .~presente~ornesIll0 ····:. _'-c .aade . 62 100 152 Retomemos grupode Ta6elaf..N° de pessoas Frequenclil Simples Absolute Relatlva . 0 exemplo do numero de pessoas por agregado familiar de urn na 200 trabalhadores da ernpresa Fabrix que fol apresenlado ~. ·. 200 trabalhapem a um resuli'9lJe.i>[~#HI1~dRkta~freqLlenciade "1. de um criterio que permila as propriedades as dados. ~·exemplo Mo'" 3 por agregado familiar deste grupode esle resultado apresentaa da...r~~n:0:. 0... valores em causa. selarn iguais. nao existe nenhu m resultado S:a~~r::~:i:. pelo que pode ser determinada. --' porr:~7t.50 ..26 ~D0 Am0cladonumerodepessoas ..20 FreqlJincia Acumulada AbSoJuta __ ~~_ti_va~ _c .·~~22· .11 0.2-'" . 0 que nao eorresponde temos nurnero par a de as Moda (Mo) Corresponde ao resultado que rnals vezes se repete.ce umgrupo .' 3 4 5 0. no caso de os dados estarem na Tabela 7._·_···_·· ..•.' 200 Ira- 200 . 0 valor da medlana nao cciincidecomnenhumdos excepto nos cases em que os dois valoresintermedios. 0 que a impede A mediana nao satisfaz de um born estimador. a sernelhanca da mediana.5 2 . >( 200 .. trl major frequencla . 200> "p" ".verifjca-l. . pouco influenciada pelos valores extre- mos..: ...29~~ider~ndo · ••.. . ·.. ··. posicao.:i1._.···1··)·· :c. Sempreque dados. 3+ 4 =3.~~dC ---. de 7.-·. e 3D. t~n~~§.trabalhado.baihadorese3. posicoes !:!_ e !:!_ + 1 .38 INTRODU!.• : :._ .. determinar ser ordenaquer para a mediana A mediana dos. + POSicaO( ~ quer para variavais nao e possivel ordenar c"-~~---2-''''_c.ii6~~~~·m8~s~0li~jer. .frcquenclas para 0 numera de pessoas por agregado familiar de um grupCl de 200 trabalhadonis daemprasa Fabrlx '. de uma amostra A mediana de idade desles Btrabalhadores ldade de nenhum dos trabalhadores. ..

3. 100 grupos. au poder existir mais do Ql '" Posir. num deslg- = 2 .QaempresaFabrixquefoi familiar de urn apresantado na Sao as resultados observacoes.:a de a dlvisao dos dados ser efectuada em 10 Percentis Retomemos . do numsro de pessoas por agregado . :" de poder ser determinada para qualquer conjunto para dados nomia tem a desvantagem da mediana. . .. 1° QUARTIL valores do 1°.:a de a divlsao . ':". de poder nao existir pelos valores inclusive extremos e Comoo nurnsro total de dadosepar(200}. res- pectivarnente. 2° QUARTIL (02) ..2° e 30 quartil deslegrupode 200 Irabalhadores sao. a qual coincide que acurnula ate si e acima de 5150% Deds Sao 05 resultados observaccss.temos: . que dividem os dados em 10 grupos com igual rnimero de e sempre com a mediana.r5) + Posicao 2 (200 x 0. que acurnula apenas com a diferem. procuram no caso de varies localizar os dados. Os Quartis Sao os resultados observacnss.ao .5+ 1) Medidas de tend€mcia nao central Estes parametres unlco valor.40 INTI10DU~AO A ANALISE DE DADOS ESTAT!STlCA DESCRITIVA 41 A moda apresenta nais. ate 51 75% e aeima de 51 Oeterminam-se de forma identlca ao que foi descrito para a mediana 3° QUARTIL (03) .Valor da observacao 25% das observacoss. para os quartls.5) . mas atravas nados par quantis.75 + 1) Os Ires principals decls e per- cuja determinacao e em tudo identica ao que foi descrito para a mediana. grupos. de dados. que dividem as dados em 4 grupos com igual numero de 2.'-: que uma mod a para 0 mesmo a semslhanca Para alam desta desvantagem. (200xO.25)+ Posigao(200 )(O'25:i~1) nao satisfaz as propriedades de urn bam estirnaa partir dos resulta- 2 dor. 3+4 + Poslgao 2·· (200 x 0.Valor da observacao das observacoes. centis. no entanto. mod a. 0 que a impede dos de uma amostra de ser usada para inferir sobre a populacao representativa.. =35.oexemplo grtJP~ de200 Tabsla7 .5 e 4. com a unica diferanca de as dados serem divididos em mais do que 2 grupos. das medidas anterior- valores distrlbuldos quantis OJ = Posigao (200 )( Q. como mente. para os quartis. a vantagem de ser pouco afectada tipo de dados.Valor da observacao que acumula ate sl 25% e acima de si 75% das observacoes. 02 '" Me '" POSig80 (200 x 0. (01) . nao at raves da centralizacao de tsndencia designam-se central descritas pelos dados generlcamente par quartis. apenas que dividem 05 dados em 100 grupos com igual nurnero para a mediana ser efecluada de e em trabalhadorss Oeterminam-se de forma identica ao que foi descrito dos dados com a diferenc..

Estas medidas. a sua somando rnedia. . ao quadrado Uma forma os valores este problema pais a dos da empresa Fabrix consiste variancla desvios total. ldades deum grupo de6 trabalhadores urna boa medida em elevar e definida de dispersao. sentativa por apresentada para a variancia a totalidade so e valida quando em causa. um complemento essencial a lnforrrtacao obtida a partir das medidas dade. . uma vez que permite avaliar a sua representaUvi- n -1 Em que: n . a sua maior ou menor dispersao. deixando de se anular. confida a qual n. a variancla populacional sera a2 e a amostral ( ou seja. liar a concentracao rnitern avaliar diminui que procuram medir a variabilidade presente num conjunto ao permitirem central. dos desvios que se obtsm de os samar. a designar-se par variancla da idade destes 6 trabalhadoresde empresa Fabrix. idade media destes 6 trabalhadores 1 n Em que: n 6 nXi - nurnero total de observacoes: valor da eneslrna observacao.Ao A ANALISF DE DADOS ~S. faz sentido existlrao que a sempre desdos dados seja medida considerando destes em tome da valor da eneslma media das X- n observacoes de valor superior e negativos.ATisTICA Dl:SCRITIVA 43 Medidas de dlspersao Sao parametres dados. dos dados em torno de uma medida de localizacao desta para representar dos mesmos.X + X2 . de tendencia central.1 com 0 aumento nas medi- das de dispersao e. Variancia Sendo a media a medida variabilidade sua media. populacional e amostral. em vez de e necessaria passando dividir 0 somatorio dos desvios ou amostral. pelo que 0 soma Iorio dos desvios possivel de contornar nao Tabela 8. apenas de dados se corresponde Sempre que a varlancla e determinada da populacao 0 que raramente para uma amoslra do quadrado corrigida repreUrnavaz determlnadaarnadla. ter-se-a como a media e determinada. assim. de avaper- Para facilitar criterlo representada a distinyao por entre as varianclas para a media. a totalidade A lnforrnacao da dlspersao -)2 ( X1 . antes sempre 0 sornatorlo Na Tabela 8 sao apresentadas daempresa Fabrix.42 INTRODU£.J . a quadrado desta forma todos as desvios se tornam positivos. sera utllizado a referido anteriormente ou seja. por S2. a dispersao de locatlzacao central. - /:1 LXi --= 6 !. pass:'l8ser possivel determinar a varlancla da populacao. '--'. Devido e a esta e sempre a forma au seja. as idades de urna amostra de 6 trabalhadores zero. A formula analisados verifica.-"6--"-' '~.30 + 42 + 35 + 20 + 36 + 23 = --. . e dividindo pelo seu nurnero 30 42 20 36 23 Teremos que comeear par determinara da empresa Fabrix.X -)2 + . obsarvacoes vias positivos dos desvios Como a media de locallzacao e uma medlda central mais utilizada. como sendo a medida relativamente de todos os valoras. Asslrn.rurmero total Xi - de observacoes: observaeao: (amostral). em relacao e inferior ao da media. (populacional). n-t n.-= 0 conjunto .media das n observacoes .~ (Xn .X) -2 a capacidade dos dados. X =-.

32j2 aD-1 351. 5 a media e passivel determinar a variancla do numero familiar. - frequencia absoluta fJ .32 Oepais de determinada No caso de os dados las da vartancla estarem expressos numa tabela de frequenclas. dests grupo de 200 trabalhadores da par 8gregado populacional (a2) e amostral (52) serao ligeiramente diferentes.52 199 . uma vez que 0 seu valor vern expresso nas unidades a . Em primeira lugar . .valor da eneslma observacao: correspondente F.77 . 200- 1 +4Bx(5-3.2).media das n observacoes (populacional).ncia das idades deste grupo de 6 trabalhadores e de 69.( A varlancta do numero de pessoas por agregado familiar desia amostra de 200 trabalhadores e de 1. (amostral).77 pessoas''.24 = A variii. i=l 5 = 1 x 0.:. (XI n -1 1=1 n a - X) .26 + 5 x 0.1.(35-:31)2'1-(2Q-31L~:t96731)2 + (23-31)2 6-1 348 = ~~.=1 .6 anos".32j2 +52x-3.X)2 .ROOUCAO A ANALISE Do DADOS ESTATisliCA DESCRITIVA 45 Retomemos grupa 0 example do nurnsro de pessoas par agregada da empresa familiar de urn na de 200 trabalhadares Fabrix que foj'apresentada 6 -1 (30-:31)2 + (42_31)2 ~._ 2 A varlancla Em que: apresenta como maior desvantagem a sua dificuldade da variavel de lnterpretaao quadrado. D'i(X. vao. . Como !J . X.44 IN .'" 5 69.32j2 +40x(2-3. ~ -. = 3. agregado familiar deste grupo de 200 trabalhadores X = Z)X.32j2 +28x(3~3. as formude pessaas empresa Fabrix.6 Tabala 7.numero XI ..2 + 3 x 0.19 + 4 x 0. faz com que a varian cia nao venha expressa mas sim no seu quadrado. o facto de os desvios em relacao a media serem elevados ao quadrado nas unidades antes de da varia- serem somados vel em causa. X- media das n observacces se pode constatar nos resultados .32)2 22X(1-3. n- nurnero total de observacoss: de resultados diferentes..11 + 2 x 0.frequencia relativa correspondente a observacao a observacao Desvio padrao X. e necessaria Ii) = determinar a nurnero media de pessoas por da empresa Fabrix.

31)2+ (36:= 31)2: (2~~31)2.31)~.C = 1...8.. Assim. grupo de 200 trabalhadores TabeJa 7.3. da 11 .I>.46 INTRODur.... ...~.32)2 "rSzX(4 _3. (amostral). ANALISE DE DAOOS ESTA.32j2 +40x(2.O /.34.32)2 +48}..cesvlo capacidade de de anos.media das n observacdes (populacional). dlflculta 0 facto de termos 0 valor da variancla expresso No caso de os dados estarem do desvio padrao populacional expresses numa tabela de frequenciaa. X- media das s""V~71~~ .is e de 31 anos eo . . X- a ..... de resultados diferenles.33 . ? que foi apresentado '348 --s-= .3'lX(3-3..TlSTlCA DESCRITIVA 47 dos dols exemplos nas unidades rio encontrar dades quadrada apresentados. Em que: n- nurnero total de obssrvaeoes: Em que: Xi .-. representa~este conjunl" de dados.--~"-~-- = J ~"~~. . Por esta razao... (amostral) .a. r-~(XJ-X)2 . f..2"~.media das empresa Fabrix quefol relativa correspondente x.. a formulas ao quadrado a sua lnterpretacao. Tal como no caso da varlancia.(5-3. .34 " A mBdiadasidadesdeslegrupode padrao e 61rabalhadorl.. n- nurnero total de observacoes. uma nova medida de dispersao que fosse expressa por desvio padrao da variaval. " media tern uma razoavsl .JJ~ =\ / Relomemos 0 exemplo do numero de pessoas par agregado da empresa Fabrix familiar de urn na -31)2+(42 :=31)2+ (35:..0 .valor da eneslrna obsarvacao: ~ . foi necsssanas mesmas e consiste uni- (a) e amostral (s) serao ligeiramente diferentes.:..valor da eneslrna observacao: F.-.numero media das n observacdes X."-~.." . Esta veio a ser designada na ralz da varlancia...... n n observacoes obssrvacoes (populacional). 8.. .frequanola das idades de uma amostra de 6 Irabalhadores apresantado naTabala 8.. termos 0 desvio padrao para uma populacao (c) e 0 desvio padrao para uma amostra. :rrl-1 --. Retomemos 0 exernplo frequancla absoluta correspondente a observacao a observacao Xi....~~~.-~'----~'~~~~~--' _ Vi 22x(1-3.. ' .32)2 ----~ .

depende do valor de todas as A amplitude que constitui.01 . Xmax .. Em que: Xmax Xmin - maior valor presente nos dad os. Retornemosoexejnplo das idades de. reduz significativamente a sua capacidade de medlcao da dlsparsao. por outro. podendo facilmente induzir em erro quem estiver a interpretar 0 facto de ser a unlca medida de dispersao seu valor.34 pessoas e 0 desvio padrao a de 1. simultaneamente. Amplitude lnterquartil Em que: 01 .Xmin e por vezes usada 0 a a amplitude 0 ou inter- vale de vanacao. ainda para rnals. 6. Neste caso. 20 :. Esta grande dependencia dos valores extremes faz com que a amplitude seja uma medida multo pouco robusta. uma vantagem e uma desvantagem. '" 03 . capaz de satisfazer as propriedades de urn bom estimadar (0 que Ihe permite ser usada para inferir sobre a populacao a partir dos resultados de uma amostra representativa) fazem com que zada. mas apenas c6digos numericos para as suas categorias. a sernelhanca da media. 0 padrao. A amplitude interquartis desvio padrao seja a medida de dlspsrsao mais utili- A sernelhanca do que se passa com a media.~9. AmpJUude= Xmax .. rsforca a sua capacidade de medir a dispersao dos dados. uma vez que os valores que estas tamam nao sao valores reais. a qual consiste na dlferenca entre maior e menor valor pre- '" J ~..valor do 1" quartil. diferindo do desvio padrao no sentido em que a dlspersao nao avaliada em torno de uma medida de localizacao central. 0 Amplitude interquartis Consiste numa abordagem diferente da forma de medir a dispersao de urn conjunto de dadas.AO A ANAI. uma emostra. a capacidade da media para representar 0 grupo e bastante inferior do que no exemplo das idades.ISE DE OADOS ESTATisTICA OESCAITlVA 49 Amplitude au intervala de varlacao Uma outra medida de dlsparsao que sente nos dados. 22 A amplitude das idades deste grupo de 6 trabalhadores de 22 enos.de 6 trab<llhadoresdk. e nao faz sentido calcular esta medlda para varlavels qualltatlvas (nominais ou ordinals). na medida em que se. situacao que colaca em causa a sua capacldade de medigao da dlspersao. pode ser fartemente enviesado por apenas alguns valores extremes. contudo. OJ . por um lado. 757. A slrnpllcldade de lnterpretacao e 0 e a medida de dlspersao mais facil de calcular.33 pessoas. Amplitude:. recorrendo a e definida como sendo a diferenga entre as valores cor- respondentes aos 1° e 3" quartis.··-) '" 1 '33. massim medidas de localizacao nao central. extremas. a o valor do desvio obsarvacoes. 200 -1 A media do nurnero de pessoas por agregado familiar desta amostra de 200 trabalhadores e de 3. 0 facto de se considerarem apenas duas observacnes e. tarnbern no caso do desvio padrao. empresaFabriJ( que foi apresentado na Tabala 8.valor do 3" quartil. menor valor presente nos dados.Xmin = 42.Q--(1 '.:.48 INfRODUC.

!!.desvio padrao amostral. Pelo contrario. a cada para dados qualitativos ordi- dados em torno da sua media. OJ - Q1 := 4. determinar as 1° e 3" quartls interquartis. de se expressar relatlva. a maior maior do lado esquerdo. independente das unidades e da ordem de sao iguars.34_ = 0.. 11 ou s 5< -se que e asslrnetrica a esquerda a direita ou que concentra-se uma cauda maior do lado direlto. nao de dlspersao tem a vantagem de ser bastante robusta par ser pouco o valor do coeficiente de variacao e uma medida do grau de dlspsrsao dos pelos valores extremos. sen do que. ficando cauda au que tem assimetria negativa. para a direila. cas idades de urna arnostra de 6 trabalhadores na Tabe~ B. das unidades e da abso- Medidas de assimetria ou seja. a 0. e neeessario que 0 resultado numero. 0 que impede diferentes. a rnalor parte das diz- ordem de grandeza o qual e das unidades da vartavel e atravss do coeficiente e a media. uma tern assimetria desviada sempre que a curva de distribuicao parte das observacoes se encontrar ou seja. permitindo Quanta comparar quaisquer conjuntos de dados. correspondente hornoqeneo quando a seu coeficiente pols so assim se pode determinar a dlferanca entre os dais. de envolver entre 0 desvio todos as dados. sernpre que esta igualdade Considerando como eixo de sime- Uma forma tria a Iinha recta vertical bulcao se atastar que passa no valor da media. Coeficiente Todas ordem de variac. dados e razoavelmente considerando-se.27 31 trabalhadorss o valor da amplitude interquartis depende posslvels. padrao do valor de duas observacoes procura e da o coeficiente de varla980 das ldades deste grupo deB frequencla solucao apesar de cad a urn dos resultados Em certa medida. au seja. de variacao. positiva. e de de compromisso. da empresa Fabrixque fol apresentado cv= ~ '" X 8. Esta medida infiuenciada Apesar nals.ao de dlsparsao referidas sao dependentes em causa.27. para um dos quartis seja um dos dados em torno da media. a distrlbulcao e definido como sendo a razao entre 0 desvio padrao de dlstrlbuicao observacoes se encontrar concentra-se cv= .desvio padrao populaclonal: Relomemos TabalaZ. 0 seu desvio em relacao a uma distrlbuicao Uma dlstrlbulcao media e da mediana fica se esta perante a variabilidade dos dados retirando a infiuencia da de frequeneias uma sltuacao as medidas de grandeza dos val ores da variavel ou dificulta lutas. 0 seu valor e calculado e a amplitude. diz-se que e assimetrlca a esquerda a direfta. sernpre que a curva da distridiz-se asslrnetrlca. normalmente. ser uma em que. ou seja.2 = 2 familiar desta Retomemos 0 sxemplo A amplitude interquartis do nurnero de pessoas por agregado amostra de 200 trabalhadores e de 2 pessoas.lpo de 200· trabalhadores XAmplitude Interquartil = media amostral.50 INTROOUCAO A ANALISE D~ DADOS ESTATISTICA OESCRITIVA 51 Em que: cr .. deste eixo. dispersao grandeza a cornparacao do seu valor para conjuntos e necessaria de dados de slrnetrica. sao medidas Procuram medir 0 grau de deformacao de uma distribulcao de frequanclas.media populacional. a dlspersao relativa deste conjunto de dados e de 27%. seja posslvel ter uma medida diz-se simetrica de assimetria. . 0. 0 exemplo do numero de pessoas por i3gregado famiJiarde da empress Fabrix que foi apresentado um na fJ . na medida a partir do valor de ape- nas duas observacoes. Sempre que a curva desvlada para a esquerda. ficando ou seja. e possivel de ser posstvel menor for a valor do coeficiente de variacao maier sera a concentracao que um conjunto de de varlacao e inferior determinar a amplitude tendo em conta que. gl'1. quando as valores da moda. tal. ou seja.25. s . da nao se veri- Para que esla cornparacao de natureza dos dados.

media populacional.l . ~-.l . que a moda for menor do que a mediana e esta. Como mesmo a deterrninacao da moda por vezes de determinar... men or do que a media (moda para a asquerda. no caso de variavels continuas. 1° Coeficiente de assimetria de Pearson estara desviada <: para a direita.3 e + 3. media amostral. Sk1 (1 OU 2 = 0. do que a mediana a dlstribulcao Sempre esta. dos dados. -Eixo do slmetrta desvio padrao populacional. significa que a distribuicao J A dlstribulcao de frequencies pode tarnbem ser representada graficamente atraves de urn histograme. menor do que a moda (media <: mediana <: moda). Exemples de distribui!. maier seria assimetria fosse influenciada padronizada com a desvio da dlstribulcao. sendo 0 seu significado Sk« ou 2 < 0. padrao.:ao tem assimetria . forma: variar pela dispersao entre a media e a moda foi e conhecida como 1° entre . logo exlstira uma assimetria negativa.:80 estara desviada positiva.52 INTRODUCAO A ANALISE DE OADOS ESTATisTICA DESCRITIVA 53 A forma mais simples tria e atraves da analise de avaliar 0 desvio de uma dlstribuicao das diferenc. na ccnstatacao a diferenc. quanta da assimetria rnaior fosse foi proposta par Pearson e conea nao s . teoricamente. per sua vez. X- s . media e mediana. Sk1 ou 2 > 0. madiana <: media). ou de urn grafteo de banras. asslrnetrlca. XCoeficientes de assimetria de Pearson A primeira sistia forma de quanfiflcacao de que.L . a distribuiC.:8o de locallzacao a sirnersferte coeficiente hoje de assimetria de Pearson e devido a frequentemente a sua simpJicidade de ealculo ainda utilizada. slmetrlca: positlva. das: moda.:a entre a media rnoda.1 " Me = Mo Assimetria positiva constataeao de que numa distribulcao moderadamente a media e a mediana moda.:as entre as tres medidas Sempre que a rnedla for menor em reiaC. por 2° coeficiente e aproximadamente Pearson levanta propos alguns uma problemas. Para que a rnadlcao a diterenca de asstmetria da assimetria o valor dos coeficientes de assimelria de Pearson pode. segunda podendo medida de ser lrnposslvel designada assimetria. ou~~-~ X~Mo s uma assimetria aFigura 2. de assimetria de Pearson. significa interpretado da seguinte Esta medida que a dlstribulcao tem assimetria e perfeitamente negativa. OU3(X-!-!~t s ~" Me<:Mo a- desvio padrao populacional. significa que a dislribuic. Me ~ mediana.desvio padrao arnostral: Mo~moda. par sua vez. no casn de variavels dlscretas. que se baseia na --~ ~ . -~~~J.Me) a Em que: I.oes de fraquenclas 1 com diferentes graus de assimetria Simetria . a dlferenea entre entre a media ea um terce da dlstancla Assirnetria negativa 2° Coeficiente de assimetria de Pearson _~ ~~J _ I I I I 3(J. media amostral.media populacional.desvio padrao amostrai. logo sxistira Em que: I.. ~t-.

. ' . .7.. slmetrlca: positiva..' .50=_0.7~nDs. s . oex~mplodo grupo .. .de 200Jrabafhadoresdasrnpresa Fabrix.6. assimelria uma clara vantagem aos coeficientes de Pearson..6 anos. n- nurnero total de obsarvacoss observacao: Xi .. ....••.. desvio padrao populacional... 200 x (63960) ...desvio padrso 3(X-Me) s o valor do coeficiente de assimetria de assimetria de Fisher tern uma interpretacao de Pearson: tem assimetria e perfeitamente tem assimetria negativa.(20'0-. _X ~Mo '·s '... signifiea que a dlstribuicao 0.:aoapresenta uma signi~cativa assirnetrla negativa. para a ldade...... .54 INTRODU<. ou superiores 0. 3 (n-1)(11.-1)(200 -2)x7.6 3(46. Cju~aprese[J!a.valor da eneslrna Sk 1 .. . amostral.•..-'2)s . .-46~7)3. X- media amostral...media populacional. _ .. . 200 . 0 coeficiente de 1 au a+ 1.AO A ANALISE DE DADOS ESTATisllCA DESCRITIVA 55 Nao a- e frequente superior a+ 0 aparecimento de curvas de frequ§ncia assimetrias com assimetria inferiores inferior a- No caso assimetrla de os dados analisados constituirem uma usando amostra. considerando-se fortes valores 0. em que a determmacao mas referidos anteriormente....6 de Fisher e normalmente determinada uma expressao diferente.6anO~~~(~i. 46..uma urn desvlo padraq de da empresaFabrix madlana de48 apresenta para a idade Em que: anos.7. Tanos.43 .•..> valor da enesima J-l . ' .um<l mediacie 46....7-. resultante por coeficienle de assimetria nuos.. os proble- SkFislJer Hetom~mos. a medida de Fisher. Em que: urn desVi~padrao.' '7. de ". SkFisher Urn grupo de 200trab~lhadtJres uma medi(jde 46.' nXi a- numero total de observacoes: observacao: .(·F63960. ..-0. signifiea que a dlstribuicao SkFislJef tribuic.. significa que a dlstribulcao SkFisher:> Coeficiente de assimetria de Fisher A assimetria tambern pode ser medida designa-se com base no terceiro vulgarmente momenta centrado o coeficienle 0 que de assimetria representa de Fisher dispensa a deterrnlnacao em relacao da moda e da de mediana.•.. 48) =. 7.51 .('iJ . '. :::.6" . identiea a referida para 0 coeficiente o valor de ambosus coeficientes deassirnetrla de Pearson indica que a dis- SkFisher <: 0. uma moda de 5Danos e 7.. particularmente destas no case de termos dados quantitativos medidas de locatlzacao apresenta conti- na media.. = 0.•.•.

No que dlz respeito gorias: 0 .1 e + 1.25. ques·concordarite com as con•• o clu~i:iesobUdas anteriormente partirdos coeficlerites de asslrnatria de a Pearson. au se estao dlspersos por uma amplitude grande de valores.:_:-_ = Coeficiente de assimetria de Bowley Este coeficiente apresenta uma fonna alternativa de medir a assimetria baseada apenas na mediada enos 1° e 3" quartis.:ap (200 x 0. ou seja...:ao(200 ~ 0.STIlTISTICAESCRtTlVA O 57 o Valor do coefiCiemtede assimetrla de Fisher illdica que a distrlbui~ao apres.-=.tiv8. Me . Em que: Q. - MESOCURTICAS Curva que apresenta um achatamento rnedlo.. :': '.2'c.. ou seja.···•··· •••• ··. Em primeirolugare neceesarlodeterrranar.2sj+PClSiI180 (200 XO.0 . . Medidas de curtose ou achatamento A curtose o valor do coeficiente de assimetria de Bowley pode.significativa assimetria negl3. de frequenclas. SkBawley = --0. 2···· 2 - LEPTOCURTICAS Curva menos achatada do que a curva de referencia.·exemplodonurnero depessoas •• oragregado ·.u~1Signific1tivaaSSitT1~trl~neg~ti\la..familiarde urn p gn.ipo 200trabalhadoresdaempresa F<lbDX de quef()fapresenlqdo na Fabela 7.:' Retome~os·. sendo seu signlficado interpretado da seguinte forma: SkaOW(8Y< 0. significa que a distribuh.valor do 3° quartil.mediana.75+ 1) = 4 + 4 = 4 2 2 . . ..75)+Posic.±_2L == .os quartis e a mediana. - PLATICURTICASCurva mais achatada do que a curva de refarancla.. .. ldentico ada curva de referencia. quando comparada com uma curva de referencla com a mesma a sua curtosa. se os resultados mais frequentes se concentram nos valores mais centra is. . como tal.:ao e perfeitamente slmetrica: 0.enta·.< Conhecendo. Posic. Q3 . As medidas de curtose procuram medir varlancla. permitindo ter uma ideia da intensidade das frequenclas na vizlnhanca dos valores centrals. apresenta uma forma bastante plana. i.valor do 10 quarti1.-. significa que a dlstrlbuicao tern assimetria positiva.AO A ANALISE OE DADOS !.Q1--- Q3 + 0:- 2Me o valor do coeflciente de assimetriade Bowley indica que a distribui980 apre·senta uma.qu8rtisecta. Posic. teo ricamente.e. significa que a dtstrlbulcao tern assimetria negativa.:. dispensando.'. apresenta uma forma em pica mais pronunciada. 2 + 2 = 2 .. dOS. SkBow(ey SkBolVley> grau de achatamento de uma curva de dlstrlbuicao = 0.SkBol~leY •• ~~.osval()res. uma curva pode ser classificada em tras cate- .. cCleficientedeassirnetri<lde Bowley... a deterrninacao da media ou do desvio padrao.:ao(200xO. rTledianaEf!is6i~pncaraJormul<lc!o . variar entre 0 a uma medida do grau de achatamento de uma distribuicao de fre- quencias.56 INTRODUr.

. Conhecendo osquartise dos percenlis n scessarios e 56 'aplloar. e ..ofamiliar de urn grupo de :WD trabalhadores da empress Fabrix que f[Ji:~presentado na Tabela 7.1 + 1) ~ 2·· ~-.eficienlepercentilico de curtose..1) + Poslc. senda que a medlda resultante comummente designada par coeficiente de momenta de curtose.PlO) 03 . agreg~d. . Em que: 01 ... 0 o significado KPerr:enti/ico KPnrcentllico I(PercnnWico> do valor do coeficiente percenlilico de curtose pode ser interpretado da seguinte forma: < 0..valor do 90 pencentil. co. signifiea que a dlstrlbuicao e platlcurtica. Pno ...263.• .:ao(200 x 0.9 2 + 1)5 == -.valor do 1" quartil. /~~~~l.263.valor do 3 quartil.58 Figura 3.. -2-·-·= 5 +5 . . signifiea que a dlstribuicao e rnasocurtlca: 0. = 0. atravas do coeficiente percenlilico de curtose..-.263. signifiea que a dlstribulcao e leptocurtiea.eptocurtica -~ Platicurtlca Posi9BO(20ox 0..valor do 10° pencentil. . D PtO . Coeficiente percentilico de curtose A forma mais simples de avaliar 0 grau de curtose de uma curva de dlstribuicao e PosiCBO(200x 0.9)+Posh. .. graus de curtese Comeca-se por deterrninar os valores dos 10 e 3Dquarlis edos 10" e 900 perc cehQs. Retornemos 0 exemplodo numsro de pessoaspor..oes corn dlferentes INTRODU~Ao A ANALISE DE DADDS ESTATiSTICA DESCFln IVA 59 de frequencies . Exemples de distrlbul.:ao(2DOxO. Coeficiente de curtose de Fisher o grau de curtose pode tarnbern ser medido com base no quarto momenta cen- trado na media e a medlda resultante media. 2(F9o .· . ~~~ . a formula do .

4> 24553n e representada a sua fre- e proporcional a frequencla e proporcional da classe de resultados que representa._2}(200~3)x7..desvio padrao populacional. circulares e de dispersao..2)(n .. . signifiea que a dlstrlbulcao e platicurtica..2)(n ._ 4 3(n _1)2 ·········8. identificando comportamentos diferenciados e observacces aberrantes.L_.6 •. apllcavel a varlavels contlnuas.. assim. .nurnero total de obsarvaeoes: Xi ..:aoe masocurtica: KFis/ler < 0.. (n .··coef~iente. E um tipo particular de grafico de barras.1)(200.valor da anaslma observacao: J. de. . KFisher . um desvio padrao de 7.--.. serao apenas abordados as principals representac. __ ~. .:_".:::. "'::':':-':::_::_":":"-:'.desvio padrao arnostral.'. s .-.valor da eneslrna observacao: Descri ~ao grafica A rnaioria das pessoas tem bastante mais facHidade em analisar imagens do que nurneros. ':': . n 1)~(Xi . significa que a distribuir. o significado do valor do eoeficiente de curtose de Fisher pode ssr interpretado da seguinte forma: KFI$her:> KFlshDr'" 0. a coeficiente de curtose de Fisher e normalmente determinada usando uma sxprassao diferente. urna media._':< Em que: n . j~l (XI -4:6.->-_:.._. Existem inurneros tipos de representacoes graficas.----~---_.:6esgn3ficas espec[ftcas da estatistica.. sendo as mais conhecidas.de46 .1)(n .media populacional. No caso de todas as classes terem a mesma amplitude. no eixo dos XX (au abcissas)..•. enquanto que a sua largura a amplitude da mesma. a rspresantacao gn3fica permite analisar as tendencias globais dos dados com muito maior facilidade.'····meritel~pt(}CUrtica..··~~Ior ··dO·.-'-'-~. em que.·qU~a··.6 anos ell . signifiea que a distribuicao e laptccurtica: 0.7)= .3)s4 (n .:ao . e . tlma abordagem exaustiva da rspresentacao qraflca de dados esta fora do ambito deste livre.. pelo que.7 anos.nurnero total de observacoas: XI .'_ .curtose··deFisher··indica. X- media amostral...•. No caso de as dados analisados constituirem uma amostra. os graficos de barras. A area de cada barra 21iO.. sao representados as diferentes resultados verificados agrupados em classes e no eixo dos YY (ou ordenadas) quencla absoluta ou relativa. .· clara.. . que apresenta paraaidade.l .·distribuir. . ~::..'-~. a .60 INrRODUr.iiO A ANALISE DE DADOS coTA rrsnc» OESCRITIVA 61 KFlsher .3) n(n + - X) Em que: n .200(200+1)X2455~~T4 (200.. Histograma Retomemos 0 exemplo do grupode 200 trabalhadores da empresa Fabrix. a frequencia absoluta ou rela- ._ -"=-="".

a laitura do grafico se usa a mesma bastante amplitude A distribuit. yaO sem significado relevante.resultante dlferentes a escolha demaslado da amplitude estreitas das classes. qusnte) correspondea valores mals baixos. free .:80 ---" e claramente assimetrica. de modo a tornar continuldade Na construcao factor determinante. tomando na rnaloria das siluay6es.Ao A ANALISE DE DAOOS ES1 AIls.. no eixo dos Xx. hislogramas os programas au relative..sse . com classes . . rendlmentos entre €1000 e €150D.. mai~.62 !NTRODUc.se tome aparenlemente da amplitude das equilibrada do urn valor que maxilnformatlcos a aulomaticamente. . efectuam. para todas as classes. no mercado da amplitude para construir das classes. normalmente. deixa de fazer senpassa a ser passive! A representacao e passa a ser as uma vez que com classes de vartacees demasiado arnplas tende a perder-se de classes. Hlstograma !. axpllclta As a sem espayamento entre si.. 0 que maloria dos rencirnentca dos 200 trabalhadores nurna aproxlrnacao sao representadas dos dados. no eixo dos YY. da dlstribuiyao de frequemcias dos dados.-: . lnforrna- verificados. " estando 0 rendimenlo des trabalhaa grande . classes. muita informayao. e representada a sua frequancia mize a qualidade disponiveis optlmlzacao obtida. de cada deixa urna vez que. Normalmente. o resutta barras histogram a e uma representacao da forma grafica da tabela de frequencias. A classe modal . dores concent~adonos . sao representados todas elas garantir da tntormacac uma escolha e. par histograma aleatorlas . mas. a altura da barra. urn dos resultados de ser designada e frequente que._. Ograficodebarras do estado civil d~um na Figura e~pr~saFaQrjxeaprese~t~do 5. razao pela qual.IeA DESCRITIVA 63 Iiva passa <3 ser proporcional mais facll. e um No caso de a variavel tido falar em frequancla determinar grafica a frequencia frequencies ser qualltatlva ou quantitativa discreta. Existem visando de um histograma. {rila. grupo de 200 trabalhadores da o hlstoprarna do rendimento de urn grupode 200 trabalhadores da empresa Figura 5. do rendlmentode 200 trabalhadores Figura 4.j~slando entre os€1 000 e os €2000.'. Gratfco de barras do estado civil de 200 trabalhadores Fabrix e apresentado na Figura 4. destas abordagens para a deterrninacsc considerado diferentes absolute um gr<3fico de barras. resultados verificados em que.. .

64

INlflODUCAQ

A ANAliSE

DE DADOS

ESTATISTICA

DESCAITIVA

65

Poligono de frequencias
E, tal
como
0

A .dlstribuiyaoe claramepte. tlssimetric~, estando .. .. endimeptp dos trabalha0r

histograma, uma representacao grafica da dlstrlbulcao de frequen-

cias dos diferentes resultados presentes nos dados. 0 po1igono de frequencias aplicavel a variaveis continuas, em que, no eixo dos XX, e, no eixo dos Yr', para

a

a

representado

0

ponto

dores.concsntrado nos valoresrntlis baiX()s.A r:las.semOdaf(dass~. rnals frequente) corresponde a .rendhnent()s.eri!re€lOOO .• €15oo':.estando.a grande e maioria des rendirnentos dos 200 trabalhadoresentre as €1000 e as €2000. ._"'_'.:.
", ' , '.,-, ,.' " ' ".-, ,',' ',"

medic das classes resultantes do agrupamento des diferentes resultados verificados

a representada

a sua frequancla absoluta ou relativa.

A construcao de urn poligono de frequencias
0

histograma. Inicialmente,

a

a muito idenUco ao que foi descrito

nacessario agrupar os dados em classes e, de

A informacao obtida sobre a forma como as frequencias dos resultados se distri-

seguida, determinar a frequencla de cada uma del as. A dlferenca entre estas duas representagoes graficas reside no facto de, no histograma, os valores das frequencias serem representados atraves de barras, enquanto que, no caso do pollgono de fraquencias, estes sao representados por pontos, a ser posteriormente unidos por rectas.

buem e em tudo identica

a

obtlda a partir de um histograma, apenas com urn dife-

rente aspecto graJico. No caso do poHgono de frequanclas, e mais evidente a aproxlmacao da forma da dlstrlbulcao de fraquenclas dos resultados.
A representacao gr<3ficade um mesmo conjunto de dados atraves de um poll-

gono de frequanclaa e de urn histograma nao

a multo uW, uma vez que

resulta numa

dupllcacao de inforrnacao. Contudo, pode ser bastante util recorrer a estas duas representacoes gn.'lficas no caso de, por exemplo, se pretender representar, na rnesrna figura, as fraquenclas simples e acurnuladas, sejam elas absolutas ou relatide 200 trabalhadores vas. Pode, neste caso, representar-se as frequsnclas simples atraves de uma hlstograma e as frequsnclas acumuladas atraves de um pollgono de trequsnclas, mesmo tipo de representacao gn.'lficapara os dots tipos de fraquenclas.
0

o poligono de frequenclas do rendimento de umgrupo da ernpresa Fabrix a apresentado na Figura 6.
Figura 6; poUgonode frequenci as do rendimento

que
0

resulta numa figura bastante mars simples de interpretar do que se for usado de 200 trabalhad~res

Box Plot
E um
tipo de representacao grafica especifica da'estatistica descritiva, que permite visualizar de forma bastante intuitiva cinco importantes parametres (minima, 1° quartil, mediana, 3° quartil e maximo) e identificar potenciais valores aberrantes (outliers). A lntorrnacao pode tambern ser completada com a reprassntacao da media, normalmente atraves de um ponto.

A lnformacao apresentada num Box Plot e bastante abrangente, uma vez que
estao representadas medidas de tendsncia central e nao central, sendo que da anallse do grafico

e possivel

obter alguma lnforrnacao sobre a assimetria des dados. que permite a cornparacao de dols ou rnals conjuntos de

Atraves da analise desta representacao grafica e possfval ter uma vlsao bastante

o

2000

4000

BODO

abrangente dos dados,

0

dados apenas a partir da analise dos seus Box Plol. Esta realidade faz do Box Plot urn excelente complemento ao Histograma, especialmente nas sltuacoes em que se pretenda comparar diferentes conjuntos de dados.

Rendlmento(€)

66

INTRODU(,:AD

A ANALISE

DE DADOS

ESTAllSTICA

OESCRITIVA

67

Para que seja possivel construir um Box Plot e necessaria cornecar

par ordenar
Para 0 mesmo grupo de 200 ernpreqados da empress FapirJsao apresentados agora na Figura a,dois BoxPlot para 0 tempo a queciid~empregado js. trabalha na empresa, correspondendo 0 primeiro 80S' empregados e 0 segundo as empregadas.

crescenlemente as dados para de pais identificar os valores correspondentes aos 10 e 3° quartis, que correspondem, respectivamente, a face inferior e superior da caixa.

o eixo

dos YY expressa os valores dos dados em questao,

pelo que, a altura da os

caixa, que corresponde

a amplitude

interquartis, depende simultaneamente dos valoA caixa representa sempre 50% dos dados,

res absolutos e das frequencies.

quais correspondem aos valores centrals, pois esta contern os dados que se situam entre os 1° e 3° quartis. A I1nhano interior da caixa indica a locallzacao representam, respectivamente, a menor e
0

da mediana.

FiguraB,l3oxPJot.

doteiTlPo....•.... de servlco de 200 trabalhadores . ~ •............

as traces horizontals no extrema das linhas que saem da base e do topo da caixa maior valor que nao

e

considerado da caixa.

outlier, l.e., valores menores ou maiores do que 1,5 vezes a cornprirnento potencial outlier.

Qualquer valor abaixo au acima destes traces horizontais deve ser considerado um

Sempre que esta linha nao seja equidistante dos extremos da caixa, tal deve ser interpretado como indicativo de um certo grau de assimetria dos dados, tanto maior quanto maior for
0 0

qual sera

desvio da mediana.

Figura 7. Representa!;ao generica de um Box Plot Potencial aullier

o
"'-.1."

25% dos valores estao aeimada caixa

I

••.

Maiorvalor que nao e outlier,i.e., valores menaresdo que 1,5ve:zes a amplitudeinterquartis Comparando.osdois Box Plot apresent~d[)Spodemosverificarque, para este ~~----3° Quartilau Percentil75 grupo.de20DlrabalhCidores, o tempo de trCibCilho.lla eiTlPre:saebastante direrente para o~ hornense p~raCisOlulheres. As principajsdiferel1~as ~ao;. . .•''''''; A medians paraos Homense superior '--,-- medianados A
.-... ----~ 10 Quartilou Percentil 25

.. c-l-50% das valores estao denlro da caixa

I
I

~ .~.~-" ~ Mediana

a das

Mulheres~.

.

I -------- ··-----1·-- --.. -------..
1 25% dos valores estan abaixo da caixa
I

Homensencontra-se

pratlcarnente no. centro' da .. claral11ente rnals .' do que a das

carxa.enquantoqueno.casoda~Mulheresesla

.proxima do.extrerno infe;jordacaixa.·

--A
t.e., valores maioresdo que 1.5vezes

caixados'iomerisebaslant~maiSCOmprida

"

.T ..

1

Menorvalor que nao e outlier,

Mulheres e,alemdisso,cornegaem ern.valores bastante sup~riDres.·.· -

valores inferiorese tennina .. '.

o
Potencial
outlier

a amplitudeinterquartis

as veloresmlnlmo e maximo para os Hornens, sao, respeclivamente, bastante rnenores e maiores dos que as valores para as Mulheres. Existe urn potencial oufliersuperior para as Mulheres.

68

ItHRODUCAo

A ANALISE

DE DADOS

ESTA

ns

IICA

Dr,SCAITIVA

69

Apesar .de a rnedlanadas Mulheresserinfertor,inaosepodecjizer

que.no

-:' graficodecatJlee 0

folhasdajdade .de urn grupo de 140· trabalhadores da
"",.,-,_,,,_._,.,.-,

global trabalhem na empresa .h~.rnenoste.mpodo ql1€!ol';Homens, urna vaz que ... suascaixas .se .. obrapoem emteflll0l'; do.eix?dof YY.OqUe· aeonas s tece e que no caso dasllltJlheras a variabilld~d€!dosdados e significativamente rnenor, patente na diferen!(a dealturaefltre as dllas caixas. O. facio de amadlana das rnulheres estar bastanternaispr6xilTladoextremoinferior da caixaindica-ncis que.os 25%dedados irnedjat<lme.~teinfariDres· mediana a 113m uma variabHidade.bastante .rnenor do. cjueos25"fi,de dados irnedlatamentesuperiores amedian~, au seja, osdadosdistriiJuem-se de forma assirnstrlca. No casodosHomens a variabHidadedos25% de dados imediatamenle .inferiores a mediana .e multo ldentica .aos 250/0de dados irnedlalamente supariores, 0 que implica que o valordallle.?ian;3seJa multo identico ao da media e que os dados tenham uma distribui!(80 qU;;lsesimetriea.

:.:_.:: ..:., ...-::';:.:.'.,: ....-'_:'.::_.::.:-::::: ..,::",':-,'_'-_-,:,-'.,',:,::.:,.-.",:":,_'.::::_::_-',.',""

_.:,:: ..:,:,.::',

FigUra9.iGraficode··caule.efolhasdaidade de 140 trabalhadoras, .. ..
'_.,',':
-

,"

-

,,",,"

:."

,.,".

7.. 2.

1778888i

...

·.··3.•••006.~4444~55555677778BB8~8~.99999
4,0001.11112222333344444466666667777788888899999 54··.·5.000000011111111222222223333333333444444<145555555566666 .• 2 1 6;44 .

CadaHnhaeorrespondea agrllpadoselTltlassesriom

uma Ciasse,.estando neste caso ClS resultados umaamplilucle det a anos. A primeira finha cor29 anos.a qual tem frequeneia 7 ee 28,28 e 28, .. ..
,

Graffeo de caule e folhas
A lntormacao apresentada num graJico de caule e folhas

resPo~(jeaclassfdasidadesentre20e compcistap~lcisvalores 21,27,27,28;
"

_.

-,'

..

_'.-'.'

.,_'.

-.

-,-,,--:--"_

..

.'. dislribuil(aodasidadesdostrabalhadorese A

ligeiramsnte asslrnetrica. A

e identica a

de um hisdlte-

tograma, apenas com um pouco mais de detalhe e uma apresentacacqrafica

rente. Tal como este ultimo, 56 se a aplica a varlavels continuas. No caso do grafico de caule e folhas para alarn das classes dos diferentes resultados e as suas frequenclas, sao tarnoem representados os valores das observac;:6es que constituern cada uma das classes. as valores de cads observacao sao decompostos em duas partes, em que ultimo dlgito

elas.selTlais frequente corre$pcincle a idades entre. os 50 e os 59 anos, . seguidadepartClpela ciassecjos4DSOs 49anos. Agral1de rnaioria dOS140 trabaIHa.d()~es entre 40e()s59an~s. t~1Tl

a

0

separado dos restantes. Cada linha corrssponde a uma classe,

Gr€tfico de dlspersao
Consiste na repressntacao dos dados de uma variavel em func;:aode outra, permite, de uma forma multo lntuitlva, a ldentlticacao de relacoes entre causa.
05 0

estando as observacoes, cujos valores apenas diferem no ultimo dlgito, agrupadas na mesma classe. a grafieo que define a classe (todos clonal

a construldo

colocando no lnicio de cada Ilnha

0

valor

que

05

dlqltos com excepcao do ultimo). seguido do ultimo

digito de eada observaeao da classe em causa. 0 comprimento das linhas

a esquerda

a frequencla

e proper-

dados em

E

importante ter a nocao de que se trata apenas de uma primeira analise

das classes. Para facilitar a leitura do grafieo, pode ser colocada,

limitada ao eonjunto de dados analisados e que quaisquer qenerafizacoes ou quantiflcacoes das relacoes existentes terao que ser suportadas por outras ferramentas
estatlstlcas.

das linhas, a rrequencia de cada uma das classes, evltando-se assim a grafico goo no sentido contrario ao dos ponteiros do reloqlo, ficamos

constante contagem do nurnero de observacoes. Rodando
0

com uma representac;:ao semelhante a urn histograma, mas sem se perder a informacae sobre a valor de cada uma das observacoes.

€1000 e os€2000.Ao A ANALISE OE DADOS ESTATISTICA DrSCRlTlVA 71 Na Figura 10 estao represenladas duas caractertsticas (Randimento e Tempo de Servico) de um grupo de 20 Irabalhadores da empresa Fabrix.:otern rendimenlosentre €1000 e €8000. a sua grande utillzacao em o SPSS apresenla Ires procedirnentos distintos para a estatlstlca deseritiva. Analisando ografico. alnda que parcial.000 4000 6000 8000 10000 RendimentoiUquido(€) a 10 20 30 40 Tempode servilto(anos} o grafico de dlspersao. entre estes Ires . que existe uma relaqao entre os valores de rendimento iIlquldo e liquido de cada trabalhador. Grilfico de dlspersao do randimento em funt.70 INTRODut. apresenlado naFigura. verifica-sequeos trabalhador€ls corn.temum aspeclo lolalmente diferente do grafico da Figura 10.1 I 0-1 0 . Figura 11. em termos de funcionalldadas. faeando cada urn deles a descrieao tabelar.verifica-se que os trabalhadorescorn cerca de 30 anosde servh. concentrando-se em tomo de umadasdiagonais d~gr~fico. grafiea e pararnatrica) torna lrnposslvel a abordagem de todos.t 0 Jj 0° CO Y3' \) 0 ) " ~-~"-I~·~ :1.ao do rendimento liquido para um grupo de 200 Irabalhadores' Figura 10. Esta~sta multo menDs dlsparsa.11.apresenlauma nuvem de pontes bastante dispersa. claramente. a qual nao evidenci"lqualquerlendencia coerente naforrna como 0 rendirnento varia Gom 0 tempo de servi90.. A nuvem de pontes do graficodedlspersaopara 0 Estatistica Descritiva com SPSS A grande variedade de programas lnformattcos existente no mercado para efeetuar a anallse descritiva de qualquer conjunto de dados nas Ires vertentes descritas (tabelar. assirn. rendimento e rendimento Ilquido. por cenlrar a nossa atencao no SPSS. A prirneira vista.rendimentos entre os . grafica e parametrlca. a que faz com que exista alguma sobreposlcao entre estes. a exlstencla de sobrepcslcao de fungoes. Gratico de dispersao do randimento em funl(ao do tempo 6000 de servico para urn grupo de 200 irabalhadores o §!: "t:J 0 ·S g 0 4000 - o (] CJ ~ B c w i:' II> E 'C c 0: w E '0 c 0:: CJ 2000J .AnaUsando 0 grafico do ponte de vista do rene dlrnento. verfflca-se. Optou-se. tern desde 3 a 40 anos de servi90. Da mesrnaforma.olhando para o qraflcodo ponte devisla do tempo deservi90. devido diversas areas clentlflcas e profisslonals.

Botao Statistics . mas a sua razao de ser €I a de que estes se destinam a ser aplicados em contextos dlterentes. Aa possibilitar a obtencao de uma visao geral dos dad os. bastante Llteis para a caracterizacao da grande maioria das variaveis. assimetria e curtose referidas anteriormente..'DOS ESTATiSTICA D::SCRITIVA 73 procedimentos pode parecer estranha.. Figura 12. 1 I r". Procedimento Frequencies E urn bom ponto de partida para qualquer analise descrltiva._ ~ - o None o... a apllcacao deste procedimento pcdera servir de base a outras anallses mais detalhadas. Janela Statistics do procedimento Frequencies .. que abrange praticamente todos as medidas de localizegao.i$ grama e efectuar os seguintes passos: Analyse ~ Descriptive Statistics. i----·--- Valiable['I: • Medida de curtose ou achatamento. vanancra. dispersao. uma vez que disponibillza um vasto leque de ferramentas de dascricao tabelar. • Medidas de dtspersao (desvio padrac.. Janela principal do procedfmento Frequencies • Medidas de tendencla nao central (Quartis.)... Para accionar 0 procedimento Frequencies e necessaria ir aos menus do pro- DKultn. '"' • Medidas de lendencia central (media. o HiItogramo: OSalchl!lt. a tabela de frequenclas absolutas e relativas.. '"' Frequencies . • Medida de assirnatria. Janela Charts do procedimento Frequencies ! [ CMeelJ i1.. algumas representaeoes gn§ficas e uma vasta gama de parametres. amplitude. surge a opcao de ser apresentada a tabela de frequenclas assim como tres botoes que dao acasso a mais opcces. are group midpoint: E importante salientar DMinimum DMaxinrum DS£meM Distribution DSkewneos que e 0 unico procedimento que permite obter tabelas de frequencies. _-) I wi I .· [Reset J 1 Figura 14. grafica e pararnetrica.. I I '"I' i-'. mediana e moda).-"!~: I . a titulo opcional e para cada variavel escolhida._ .tTwe o Pie charI. Decis e Percentis). DMean o MediM o DMode DSum procedimento apresenta. Figura 13.72 INTADDU~AO A ANALISE DE D. . Na janela principal do procedimento Frequencies.. DValue. . etc .

.~II I ~~..h more (hen n calegoues of ca!egOl~~ Ma". especlalmente .£. Figura 17. Janela Options do procedlmento Descriptives Procedimento Descriptives Foi concebido para efectuar a cornparacao de rnultiplas variavels.. dispersao. estabelecendo um nurnero maximo de categorias. Flltrar as variavels em estudo. ~. msen:..-.) Botao Format .! '.. Para accionar 0 procedimento Oescriptives grama e efeetuar os seguintes passos: e necessarto ir aos menus do pro- Analyse ~ Descriptive Statistics . 1 . surge a opcao de serern sal.l. : : : #.&31 ~ : '7 i~Fi§~.eenciing () Descending mean.:. -.II .. Os valores padronlzados astao todos expressos na mesma escala.imum 05.=-~~. variavais quando se trata de um elevado nurnero.AO A ANALISE DE DADOS ESTAiisTICA DESCRlilVA 75 Botao Charts .VehicieWeight(lb.. mesmo no caso de terem escalas de medida e/ou ordens de grandeza bastante diferentes. ~.-... J : i :. WI.n~e 0 SupPle.y Older o Minimum DMe. Ih""ol'. a possibilidade de determinar valores padronizados para as valores das observacoes deslgnados por z scores.. SJ De~cending v~lue$ -() Oescend:ngcounts: -. Contudo.U::~·:". A!cnnding value.. • Graflco circular. It• Grafico de barras. os z scores determinados para as variaveis seleccionadas asslm como um botao que da acesso a rnals opcoes..."'... apresenta uma Opg80 especifica..-g~i~{~:. Di1f.. • Escolha do crtterlo de ordenacao das varlavels na tabela de frequencies. Janela Format do procedimento Frequencies o . os resultados podem ser apresentados numa tabela de frequencia com todas as variaveis (Compare variables) ou uma tabela de frequsncla por cada varlavel (Organize output by variables). o Multiple V~lioble. • Histograma.." L~S:~:~dal_d~~v:~:'_:~::'_ .. II> Descriptlves .' Timeto Accel"." Compare vali"ble. ~.': Figura 16. vos. Figura 15. como varlavels.. _... >-:. c) A. permitindo a sua cornparacao directa.~-~-~-.. oulpul -~. ~~:on_!_-_l_ No caso de existlr rnals do que uma variavel.plecome! ..:' Engine Di. pois fomece uma tabala unlca para todas as seleccionadas... Este procedimento apresenta um leque de opcoes bastante mais reduzido do que os outros dois.. Janela principal do procedimento Descriptives I Continue bl' vl!1iable! rc..mum number _~=-. multlplas varlavels quantitatlvas (escala intervalar ou de razao). 0 DIg. mean SWariable fi" OAiphabetlo o procedimento Oeseriptives e partlcularmente indicado para a cornparacao de Cl A. calculando apenas as principais medidas de tendencia central. assimetria e eurtose. Na janela principal do procedimento Oeseriptives. Ij' :J' [TI : dJ Modol Year [maduk! [ iii COun!lY 01 Origin [01.i'l ~ ~ table.74 INTRODUC.te I.' i ..sIlNI~"""r!!.===== _ ~j II 'II ____ :#' Ho"eD""'..~ending count.

. • Medidas de dlspersao (desvio padrao.< " e necessarlo ir aos menus do programa e II Batao Statistics .. II• Medida de tendencla central (media)..76 INrRODu~iiO A ANALISE DE DADOS ESTATISTICA DESCRITIVA 77 Batao Options . DOulfie. nao s6 a analise da totalidade das observacoes. Co.).).desde tenha um nurnero reduzldo de resultados diferentes. sera normal mente qualitativa ou discreta.. • Medidas de dispersao (desvio padrao. o Desclipl. mediana e media aparada a 5%).. • Escolha do criteria de ordenacao das variavels na tabela de fraquencla. • Medidas de tendencla central (media. 1.. variancla..iimaIOl.. Para accionar a procedimento Explore efectuar os seguintes passos: Analyse .ive. • Medida de assimetria. o Percentiles ContOlue I ~ ~ Na janela principal do procedimenta Explore.. e necessaria cornacar par escolher > a au as variavets que se pretende analisar (Dependent List) e a variavel factor (Fac" tor List). Janela Statistics do procedimento Explore o pracedimento Explore e especialmente indtcado para anallsar vartaveis quanque titativas (escala intervalar au de razao): cantudo. Figura 16... . variancla. etc .. Este IStatistics···l.====. utilizada para dlvldir as restantes em sub-grupos. • Medida de curtose ou achatamento. designada por varlavel faclor. • Reprasentacao dos cinco maiores e menores valores (Outliers). etc . Nesta janela existe ainda um campo que permite escolher se a descricao sera grafica. Ploh.nfidence intervai for Mean: . amplitude.. • Medidas de tendencla nao central (Percentis). parametrica ou as duas e tres botdes que dao acesso as opcoes de cada um destes tipos de descricao. amplitude. a variavel factor. Figura 19. essencialmenle pela particularidade de permitir. • Medida de curtose ou achatamento. • Medida de assimetria. ) I ~======~=-~=======. Janela princlpal do procedimenta Explore Procedimento Explore referidas anteriarmente (Frequencies e Distlnque-se dos dais pracedimentos Descrfptives).. ) Optiom..Explare .======--=========~~=-==~ e tarnbern 0 unlco procedirnento que permite representar qraflcos Box-Plot e de Caule e Folhas. como tambam a dlvisao das mesmas em sub-grupos e analise em separado... Descriptive Statistics . A divlsao da varlavel em estuda em sub-qrupos obtern-se par interrnedio da utilizacao de uma segunda variavel. 95 o M·e. assim como representar nurna tabela os cinco maiores e menores valores de forma a detectar potenciais outliers.

Assim. e possivel determinar qualquer medida.!t desvio padrao. 0 problema colocar-se-a essenclalmente no caso de lermos dados qualitalivos. apesar de ter um campo onde e possivel 0 SPSS. inclusive aquelas que s6 se aplicam a dados quantilativos (como G) F~clor Ol~on~ o D epOl1dent: D Sletn·and·leaf DH. A varlaval aleatorla. Na labela em baixo sao apresentados as respostas dos empregados a algumas das respostas Para uma correcta analise descritlva com SPSS de qualquer conjunto de dados sera extrema mente impartante ter consciencla de quais sao as medidas que se podem determinar para as dados em causa. Iara sempre corresponder a cada resultado passivel um codlgo nurnerico.plol.-. . Janela Options do procedimento Explore Moda Mediana Media Medidas Medidas Medidas Medidas de de de de tendancta nao cenlral dispersao asslrnetria curtose DU achatamenlo BoUio Options .~Moda -.. A empresa de gestao de condominios GestoCondomix realizou urn estudo com vista a caracterizacao socioeconomica dos seus 15 ernpreqados. • Histograma. wdh te. together togetheJ para registar as dados em analise (ver anexo A). mesmo no caso de a escala usada ser qualitativa.-. Na Tabela 9 sao apresentadas as medldas. ainda que a varlavel em analise seja qualitativa.-. cabendo ao utillzador a responsabilidade de saber quais sao as medidas que podem ser determinadas para cada uma das varavels em analise. ignora essa lnforrnacao quando esta a correr as procedimentos. de entre as que foram descritas anleriormenle. • GrafiGOCaule e Folhas. • Boxp!ot (simples au agrupado). naminais ou ordinals. que podem ser determinadas em funcao da escala de medida usada para registar os dados. Quadro resumo com as medidas que e possivel determinar para cada escata de rnadlda Spreed ###BOT_TEXT###"0.. Janela Plots do procedlmento Explore tal como referida anteriormente. Escala Nominal Escala Ordinal ..~ Moda Mediana Madidas de tendsncla nao central ~-~- Escala Intervalar ou de raz.!{)!)ratn e 0 caso da media au do o HDrtna~!y plot. • Resumo das medidas mais indicadas para cada escaia de medida Exercfcios adicionais 1. uma vez que para dados quantitativos do questlonarlo aplicado. (le.'io Figura 21. so para citar as exemplos mais frequentes).. Tabela 9.$oiptiv= leyel.78 INTRODUG AD A ANALI SE DE DAnos EST ATls IICA DE SCRITIVA 79 Figura 20.. indicar 0 tipo de escala de medida usada 8o.--. • Escoiha da forma de lidar com as nao respostas. Level V1~h Levene r esl BoUio Charts . ----~. a SPSS permltira que sejam determinadas todo a tipos de medidas...

SO] [30.ao da varia vel Numero de filhos. (c>50n. ::> [30. Comente de cada um dos para metros determlnados. Respostas dos 15 funcionarios de um questionarro I NTRODlJyAO A ANALISE DE (JADOS ~STAT!STICA DESCRITIVA 81 da GestoCondomix a algumas questoes 1.80 Tabela 10.-~~.des qua desernpenha 59 29 1.10. A qualidade foi avaliada do atendirnento atraves prestado numa determinada repartlcao de finances tempo que 15 utentes esperaram para ser atendidos.15.-~------. 2. 2.: 25 [25. Represente Represente Represente Represente graficamente graficarnente graficamente graficarnente as quartis da varlavel as quartis da varlavel as quartis da vartavsl a vanavet Numero Genera Satisfar. 2. urna tabela no que diz respeito a sua ! natureza e ao tipo de escala tipo de escala de medida 1. 1. Represente graficamente graficamente graficamente 1.3. Nrimero de das medidas de localiza- gao.. Construa 1.7. Construa de frequenclas para as seguintes tempos .. «[35. Acha uma tabela de frequencias uma tabela de frequsnclas uma tabela de frequencias construir para a variavel para a varlavel para a varlavel Geneto..11. 35]».~' -~-.. 50] ::> 2 2 2 0 23 18 31 6 6 na empresa?)~..ao Ntsmero de Genero :__.. Represente 1.ao.ao socroeconomica urn des parametres 1.. a variavel Numero parametricamente 0 significado de anos na empresa.: 25 >50 [25.~ 3 15 2 10 S Salisfa980' . Descreva e das medidas de dispersao? a variavel em termos das rnedldas de asslrne- cada um dos parametres determinados.3. ~~... Genera..1. Comente 2. a tabela de frequencies a tabela de frequenclas a tabela de frequencias para a variavsl para a variavel para a varlavel ~'~-~. Construa 1.6.1.2. 1. Construa 1.5.4._~~-~.8. entre das medidas de disper- sao. Descreva que fara sentido uma labela de frequencias Nrimero de anos na empresa? Justifique. 50]». 301 34 13 22 33 26 26 36 11 23 1B 13 «Grau de satlsfa~ao com as fUl'lI. Descreva parametricamente a varlavel E no caso da variavel parametricamente os resultados.___-~. Descreva determinados. os resultados. 3O[ [30. Descreva para a variavel parametricamente os resultados.--.12.6. Satisfar. .~ ~~ Numero de mhos . 30[ [25. 1. de espera: «< 20». Comente 2. Satisfar. 50] . no que diz respeito a sua natureza e ao 2. Comente a significado de a mtormacao resultante da analise cas medidas de locallzacao 2. 5O[ :> --_. Tempos de espera de 15 utentes de uma repartlcao 20 35 23 29 16 S9 de financ. Numero de anos na empresa ~-~~---.4. Descreva parametricamente a variavel Idade.9.5. 50] [30.:. a variavel em termos a variavel em termos /dade. Caraclerize de medida a varlavel utilizada. filhos? 1. Caracterize cada uma das vartaveis utillzada. Represente anos na empresa 1. Comente 0 Significado de cada de caracterizac. Qual a relaeao Genera.'-- Feminlno Masculino Feminino Feminino Mascullno Feminino Masculino Masculino Masculino Feminino Feminino Feminina Feminino Masculine Masculino I 0 2 0 2 Media Media Elevado Baixo Elevado Baixo Baixo Medio Medio Media Baixo Elevada Elevado Medio Media 1.13.:- Idade . 50 Tabela 11. 30[ [30.. parametricamente Camente tria e achatamento.14.as 22 [25.ao 2 3 0 2 B 13 25 30 24 Numero de anos na empresa 50 50 de anos na empresa em funr.. «[20.2..

4.00O €3. Represente potenciais graficamente grafieamente a tabela de frequencias os quartis da variavel determinada e identifique em O. e um estudo apresentada com a lipo de eseala de medida 4.1.000 €150. A empresa vista a de consultoria finance ira ConsultoFinanceirix Na labela realizou em baixo caracterizacao dos seus clientes.6. a variavel em termos das medidas de disper- sao.OOO €10.000 €2. tendo em conta a no que diz respeito a sua natureza e ao 4. as notas finais de 20 alunos na cadeira de Norte Norte Sui €1.000.3. Construa 4.3.00D.000 €10. Descreva Norte Sui Sui parametricamente os resultados.4.DOO €50. Caracterize de medida a variavel utilizada.0DO.000.000.500.OOO.00D €11. para a variavel em O.000 €60. Represente 2.000 €40. 3. «20».000.000. Desereva lnrormacao lnforrnacao cornpilada.000 €12. a existencla de graficamente grafieamente a tabela de frequenclas os quartis da variavel Sui out/iers. Na Tabela Introducao Esl:l cotado em Bolsa? Nao Nao Sim Nao 81m Sim Nao Nao Nao Slm 81m 81m Nao Slm Sim Niio Sim Nao 81m Sim N° do projcctos no ultimo ano 10 12 5 15 25 23 7 17 10 B 15 9 23 6 22 17 12 15) 11 13 Valor des projectos rcallzados ~c ___ a Analise 12 sao apresentadas de Dados. Caracterize cada urna das variavals utillzada.8. uma labela de frequencias grafiearnente 0 cliente Regiao a tabela eonstruida tiplco da empresa na Tabela ConsulloFinanceirix cornpilada 13.000.0DO €250. Construa de frequencias para as seguintes notas: (c[10.000 €150. Qual a rela4(ao entre a inforrnacao resultante da analise das medidas de Norte Centro localizacao 3.000.7. Descreva e das medidas parametrieamenle de dispersao? a varlavel em termos das medidas de assime- Centro Norte tria e achatamento.8.000 €75. a variaval em termos das medidas de locallza- yao.000.000. 15])).OOO €5. 17]».1.DOO €30. «[16. ---~3. 3. «[1B. 191).2. Comente 3. . Represente 3.000.000. Represente 4.000.AO A ANAuSE DE DADDS ESTAT1STICA OESCRITIVA 83 dos clientes da empresa 2. 4.7.OOO €300.2. Analise de Dados 11 10 10 17 16 10 15 11 Centro Norte 8ul Centro Norte 11 15 12 14 10 18 13 10 13 3. Norte Centro «[13. Represente poteneiais Comente os resultados.OOO €35. datarrninada e identlfique na em O. Descreva parametricamente os resultados. a exlstencla de Regliio Tabela 13.12]».82 INTROOUl.000 €100.000 €300.000.5. uma tabela no que diz respeito a sua natureza e ao lipo de eseala Sui Centro 3.000. Comente 3.000.0DO. PrIncIpals caracterlstlcas de consultoria Sector de Mercado lrnoblllarlo Restauracao lmobillarlo tmportacao Industrial Financeiro lrnportacao Industrial Rastauracao Rastauracao Ftnancelro Industrial lmportacao lmobiliarto lrnobihano Industrial Industrial lmportecao Industrial Financeiro flnancelra ConsultoFlnanceirix outliers.000 Tabela 12. Notas finals na cadelra de Introdugao 13 12 12 ii.

espaco de resultados e acontedmento Definiyao classlca ou de Laplace Definiyao frequencisla Definit/ao axiornatica Conceito de lndapendencla de aconteclmentos Conceito de probabilidade condicionada Teorema da probabil1dade total e formula de Bayes Objectiv~s No final deste capitulo devera ser capaz de: • Compreender as conceitos de experiencla aleat6ria.5.:6es existentes para 0 concatto de probabllidade seran sucintamente abordadas. «As empresas coladas em bolsa estao maiorilariamente situadas no sui do pais e sao as rnais lucrativas» 4. justificando. representam 25% do valor total dos projectos realizados pela consultora.5.1. uma vaz que este livro tern um caracter essencialmente pratico. • Compreender 0 conceito de probabilidade condicionada e conseguir aplica-lo em contextos reais: • Compreender 05 teorernas da prohahllidada total e de Bayes e ser capaz de contextos reais. sem esquecer outros conceitos fundamentals que com este estao directamente relacionados. J • Representar e lnterpretar graficamente 0 4. pois conslitui uma forma muito intuitiva de compreender e apllcar os axiomas e teoremas que regulam 0 concelto de probabllidade. Sera ainda abordado 0 conceito de probabilidade condlclonada e os teoremas da probabilfdade total e de Bayes.5.###BOT_TEXT###05 4.5. mas nao Capitulo 3 e 0 rnals oncelto de Probabi Iidade indice rantave!» 4. que solicilaram mais de 10 projectos. «as clientes da zona centro foram as mais rentaveis de lodos» 4. prccurando-sa evilar uma descrtcao rnaternatica excesstvarnente exaustiva.10. em media. conceito de probabilidade atravss de dlagramas de Venn. Resumo 05 apllcar em o objective deste capitulo e introduzir e descrever 0 conceito de probabilidade.» 4. representam menos de 20% dos projectos» 4. se as seguintes aflrrnacoes sao verdadeiras: 4. «Os clientes sltuados no cenlro do pais sao os que geram.5.2.7.4. «Melade dos clientes solicitaram enlre 9 e 17 projectos» 4. .5.5.84 INTRODut. «A maioria dos clientes da empresa ConsultoFinanceirix nao estao cotados em Bolsa» 4.6. • Determinar a probabiJidade da ocorrencia de urn determinado resultado ou conjunto de resultados. de espaco de resultados e de probabilidade e conseguir apllca-los em contsxtos reais. «A maioria des c1ientes da empresa ConsultoFinanceirix sstao sadlados na zona Norte do pals» 4. «as clientes.9. «A maioria dos ciienles do sector tmoblllario ssta colada em bolsa.5. que solicilaram entre 10 e 15 projectos.B.5.3. A represerttacao grafica de probabilidades recorrsndo a diagramas de Venn sera utllizada sempre que possivel.AO A ANALISE Dr: 0. ({OS clienles. As diversas definil. lndique.5. rnais projeclos» o que e uma probabilidade? Conceito de experiencla aleeterta.5. «a sector industrial e a que gera maior nurnero de projectos.5.

um longo caminho. Apesar da tmportancla fundamental deste conceito. tendo-se esfabelecido como um ramo autonorno da matematica. Apesar de usado com bastante lrequencla. A leoria da probabilidade iniciada por estes dois rnaternaticos percorreu. para uma analise quantitativa mais profunda. iniciaram 0 tratamento cienUfico da incerteza de ocorrencia atraves da descricao matemafica do conceilo de probabilldade. que encontra apllcacao nas mais variadas areas do conhecimento. 0 e verdadeira- que dificulla a passagemde urna analise meramenle quali- tativa dos fsnomenos em causa. desde as artes a engenharia. sifuagao que levou a tentar quantificar essa intuito de a tentar controlar. normalmente em relacao a acontecimentos aos quais esta associado um certo grau de incerteza. espaco de resultados e acontecimento o conceito de probabilidade a lndissociavel dos conceitos de expertsncla alsato- ria e espaco de resultados.CONCEITO OE PROBABILlDAOE 87 o que e uma probabifidade? A probabiJidade e urn conceito fundamental em estatistica. Conceito de experlencla aleatorla. este capitulo nao tern como objectivo descrever exaustivamente 0 concalto de probabilidade. Sao lnurneros os exemplos de tentativas de quantilicacao. cuja cornpreensao e imprescindivel a uma correcta recolha e analise de qualquer tipo de dados. Apesar de todo este historial de rnilenios. dos quais as tentativas de previsao dos resultados dos jogos de azar sao as mais apelativas. rnultas vezes nao mente compreendido. . dois maternatlcos franceses. Desde sempre que Incerteza com 0 0 Homem tem sido Iorcado a conviver com a incerteza asso0 ciada a defermlnados acontecimentos. foi apenas em meados do seculo XVII do mllenio passado (1654) que Blaise Pascal e Pierre de Fermat. alnda que do ponto de vista maternatico fiquem algumas colsas por explicar. principalmente do ponto de vista rnatsrnatlco. mas sim procurar efectuar urna analise objectiva e limitada ao essencial. ate aos dlas de hoje. 0 leltor devera flcar a compreender todos os aspectos fundamentais do conceito de probabilidade.

_. . Tomando como exernplo aexperiencla sera composto aleatoria do lancamanto par sals resultados de um dado. Comummente. i.ISE DE DAOOS CONCtlTO DE PRD8ASILIOADE 89 de um acontecimento Por expertencia alaatoria entende-se . que algum dos casos ocorrera nada nos . A"'{3} o nu rnero a tem uma probabilidade de 0. 4. junto do sspaco posslvels. um qualquer aleatoria e normalmente as seguintes representado letra sigma do alfabete Toda a experlenela - que tenha um nurnsro e mutuamente composto fin ito de resultados exclusives. entao.e. 6}).. 2. 2... afirmou a seguinte: Existe uma probabilidade de 0.. de um determinado reais. Se conslderarmos 0 sair um nurnero par. 5. 3.embora todo 0 processo cujo resultado nao e «A probabilidade cases Iavoraveis leva a esperar e 0 quociente provavel. urn resullado pertencente ao espaco de e dada acontecimenlo. este sera composto como aoontecimento rurrneros 2. 5. de resultados composto por urn ou mais resultados Considerando 0 lancarnanto de um dado nao viciado e a experlsncia aleatorla que constste no nurnsro da face que fica voltada para oirna. que pelos . nao se pretende Nestas sltuacoes. 0 acontecimento e urn possiveis. a probabilidade de defisubcon- #0 de resultados.nfi = ~6 "" . igualmente Para uma sxperiencla veis com igual probabilidade de ocorrer possiveis. para uma determinada e experlencla pela mais vezes do que os res- aleatoria o conjunto de todos os resultados possiveis e design ado por espaco de resultados grego (0).33 de sair 0 nLimero 3 ou 0 nLimero 5. . 0 3.nurnsro de resultados . aleatoria tera que respeilar tantes. 4. sob ldentlcas determinar condtcoes.. pass [. 6}). 0 que as torna._Qual a probabilidade de sair 0 nurnero 3? 0'" {1. para nos. mrmero de mas sim a probabilidade de sair um de entre um lote surge a necessidade resultados de alguns dos resultados nir um novo conceito.. 5} de probabilidade e atribuida ao mateana/ytique P(B) nA 2 = . 0 acontecimento nA - A experlencla pode ser repetida em sltuacoes resultado. de ocorrerern expressao: a probabiridade condicoes: 0 espaco de resultados Cada ocorrencia resultados.88 IN1RODUr.» entre 0 nurnaro quando de conhecido posslvsls antecipadamente sejam conhecidos todos OS seus resultados a este e 0 nLimero de casas posslvals. 4.17 de sair. consistem nos valores de 1 ate 6 (0 '" {1.mimero de elementos possiveis. designado par acontecimento. que constituem do espaco A. 4 e 6 (A '" {2. Em que: nA P(A) '" #0. por pelo menos um dos resultados pela seguinte tara que produzir a qual nao e possivel determinar infinitamente antecipadamente. Qual a probabiJidade de salr 0 rulmero 3 ou 5? Deflnlcao classlca au de Laplace A prime ira tentativa matico frances des probabiJites de definir 0 ccncelto B'" [3.3 Pierre-Simon publicada Laplace (1749-1827) que. tern que ser conhecido.e ao qual asta assoclado um carte grau de incerteza. na obra Tneorie em 1812.AO A ANAI.. 6} o espaco de resultados diferentes. 3.

.-".499 0._-_--_ .....90 INTRDDut.:80proposta babilidade.. Tabeta de frequBTlcias paradiversos uma meada .46 0..~. do condude proconside- .:ao dos lancamantos dos apresentados C. 5 50 .6 27 240 2550 25050 0.. A.numero vezes que a axperiencia aleat6ria foi repetida.= n 0 acontecimento lim nA aplicacao..:amento apresentado nunca a moeda do resultado exactos acima. 6} nA= e razoavel assurnir que estes dois valores se aproximam aleatoria 0 nurnero de vezes que a expsriencla na obssrvacao a deflnicao e repetida.•..4 0. .:amentos ccnsecuttvosde 0 conjunto Todos os resultados possiveis tern que ter a mesma probabilidade Todos os resultados tem que ser mutua mente exclusivos.54 0. A repeth.. por Laplace zindo ao surgimento para a definiy80 concelto A deflnlcao frequenclsta uma abardagem ocorrer rando que a probabllidade quencla relativa deste a medida de um resultado e 0 valor rnais empirica. por muitoque· se valoresde resultanesta . A definiy80 importante probabilldade que seja aleat6ria _ _ de probabilidade classica ou de Laplace. poderiamos continuar No exemplo a de que n80 nos permite obter valores do lanc. no calculo de probabilidades. tentativa embora tenha sldo um de Para AlabeladefreqiJenc::ias rnoeda naovlcii3da contributo par ter side a primeira de racionalizar 0 conceito limitada.. de ocorrencia. fosse contestada adopta de uma nova abordagem Este facto levou a que a definimaternaticos.-... .... valor exacto para a probabilldade .. relativaexactamente ..:ao da definiy80 par varies outros Noexernplo~preSenlt3~() .. . lanc.. quando ocorre nBO pode existir a possibilidade de os outros ocorrerem..." Cara Coroa 3 Cara Coroa .... tern a grande desvantagem para a probabilidade.Frequimc!a Relatlva . emvalores nao sera posslvel obterdois dlferentes iguais.:a as seguintes de resultados possiveis condicoes: tem que ser numaravel e fin ito..51 0.nurnero de vazes que se verlficou lancar Indefinidamente de ocorrencia obtermos n .. apesar da sua aparente da moeda sem cara..-r--'.5 de sair um nurnero par... vermear que... facHidade de = n__... PtA) o conceito frequencista de probabilidade.. e apresentada paradi". --.. mais a medida que pre) = nn ~~ 6 = 0. um '__. ou seja..' ..48 0..501 Deflnlcao frequencista Na maioria das sltuacoes ·50000 praucas..frequencia ·tabela. sentada anteriormente 0 que impossibillta a utillzac.. frequencista mente menos limitada do que a definiyao classlca.subconjunto do espaco de ocorrer aumenta de resultados . ria nao sao equlprovavels... ~urnellteon~meradE!lan~amentos.ssta directamente com a sua probabilidade c= {2.-.49 0.•. em causa satisfac.500 5000 2 23 260 2450 0. atraves de um processo uma dedutlvo. e posslvsl . para 0 qual tende a frealeal6ria que 0 nurnero de vezes que a experlencia e repelida. os diversos resultados da expsrlencla classlca aleat6apre- .. na tabela. multo provavelmenle.J\O A ANALISE DE DADOS CONCEITO DE PROBABILIDADE 91 E Qual a probabilidade de sair um nurnero par? lnquestionaval e que a frequencia relativa de um acontecimento relaclonada .. 0 Em que: nA . 4.. ria. ...5 o facto de assentar torna do que se passa bastante na realidade intuitiva e neo numa e aparente- 16gica dedutiva Existe uma probabilidade de 0.52 0.'_:.ersos langamenlosconsecutlvos de urria na Tabelat-l.. .~. tem uma apllcacao posslvel determinar probabilidade e necessario que a experiencla Tabela14.

P(A n B) III a Diagrama de Venn e urna forma de representar relacoss rnaternatlcas e legleas. Diagrama de Venn 1 representando os acontecimentos A e A e um nurnero real Axioma 2. par outro lado. a area do rectanqulo correspondern. -Tearema PtA) 3 = P(AnB)+P(AnB) u B) = P(A .expertenclas em que espaco de resultados tem um nurnero infinito de elementos 0 P(A) PtA) = 1 . peA) + P(B) pea) =0 Se An B '" 0 peA Um acontecimento impassivel tern uma probabilidade nula.. a probabilidade do acontecimento certo e 1. a cada acontecimento A do espaco de resultados de uma exparlencla aleatoria. utilizadas empiricamente. que corresponde ao conjunto de resultados 0 que podem ocorrer sempre que nao ocorre acontecimento A. se A e B sao acontecimentos incompaUveis (A n B '" 0 1) a probabilidade de ocorrer A ou B e a soma das probabiJidades de A e de B. Na obra Foundations of the Theory of Probability publicada em 1933. que tivesse uma salida base rnatematlca. eslabelecimento de algumas regras . careciam de fundarnentacao rnatematlca. Teorema 1 xx parslstla 0 ainda a problema de se encontrar uma definleao para a conceito de probabilidade que.ii.e.que mais nao sao do que as pro- P(A) Relaciona a probabilidade de qualquer acontecimento A com a do seu aeontecimento complementar (Ii). representa subeonjunto de resultados que constituem de ocorrerem acontecirnento A. PIA) > 0. Kolmogorov definiu probabilidade como sendo a funcao P que.axiomas .B) "" P(A n B) "" P(A) . i. . faz corresponder um nurnero real PIA) que verifica as seguintes axiomas: Axioma 1. abrangesse lodos as tipos de experienclas aleatorlas existentes..PtA) = 1- .O A ANALISE OF OADOS CONCEtTO DE PR08ABILlDAOE 93 Definicao axlornatlca No inicio do seculo A partir dos 3 axiomas propostos.:5es classlca e frequenclsta que. um eonjunto que nao contem qualquer elemento. A forma encontrada pelo rnaternatlco russo Kolmogorov (1903·1987) para resolver este problema foi priedades que decorrem naturalmente das deflnicdes classlca e frequencista. Figura 22. dos quais alguns decorrem naturalmente das definit. par um lado. a probabilidade de qualquer acontecimento A nao negativo. A que area das figuras georne!ricas branco e a cinzento e proporclonal a probabilidade corresponda respecUvarnente. os acontecirnentos l. a probabilidade a total (p(n) " 1) e as areas a os aconteci- proba bilidade de ocorreram en 121representa 0 conjunto vazio. 0 a rectanqulo grafieamente conjuntos 0 e as suas respectlvas de resultados e0 0 a cinzento representa espacc cl rculo a branco representam. Tearema 2 pen) '" Axioma 1 3.92 INTRODUC.e. Kolmogorov deduziu uma serle de teoremas (regras).e. incluindo as que resullam em varlavels contlnuas . mentosA eA.

" P(AuBuC) = PtA) = - P(A) :.AO A ANALISE DE OADOS CONCEITO DE PR08AI3IL1DAOE 95 A probabilidade de ocorrer um qualquer acontecimento A. Diagrama de Venn representando os acontecimentos AeB n r--. os acontecimentos A eB . ~-- n I - Teorema 4 A Se 0 c -Teorema6 B =:. Q Figura 26.PCB n C) + peA n B n Cl Relaciona a probabiJidade de ocorrer 0 aconfecimento A. B ou C com a pro- Figura 24. entac. Oiagrama de Venn representando Figura 25. B com a acontecimento probabiJidade de cada urn deles ocorrer e a probabilidade de ocorrerem A e nao ocorrer 0 B (A n B ). Diagrama de Venn representando babilidade de cada urn deles ocorrer e com a probabilidade de ocorrerem conjunfamente aos pares ou as tres. A."~. e igual a soma 0 da - Teorema 5 P(A u B) = P(A) + P(B) . Bee n 1-" _- .. as aconlecimentos A eB Figura 23. com a probabilidade de ocorrer apenas A..~""---~. ou seja.peA n B) peA n C)- babiJidade de B ocorrer sera inferior a de ocorrer A. a pro- + P(B) + P(B) . ocorrer 0 Relaciona a probabilidade de ocorrencia do acontecimento A ou conjuntamente (A n B ). Diagrama de Venn representando 'os acontecimentos .94 INTROOU£. P{B) acontecimento Be urn subconjunto do acontecimento A.PCA n B) 0 probabilidade de este ocorrer conjuntamente com urn segundo acontecimenta B (A n B ).

B)= P(A) =·0..'.. dols acontecimentospertencentes .. • oueta probabUidadedeBocorrer? .3". ':'IAD B . I> = 0.. ..0.. ao rnesrno sspaco de resul- -Clual ..1) P(A .. . ...0..6..:". ..6 A probabilidade de acorrer A au B e deD. Aprobabilid~ded~ElfnbOs6C:(Jrf~r~rn~deO..96 INT~ODUr...4 de nao ocorrernenhum dos acontecimentos.PIA ..7) n _ A tern uma probabiUdade de 0. nem ocorrar BT Nola. . o acontecimento B tern umaprobabllidade de 0. experiencia alsE1t6ria. ) = 8 0. - '.... .1". .1{p(An . Conceito de lndependencla de acontecimentos Em muitas cuja ocorrencia sltuacoes reais surge a necessidade pode ser influenciada de lidar com acontecimentos de urn outro acontecimento. -...1.. '... Existe urna probabilidade de 0.AO A ANALISE DE DADOS CaNGEIIO or: PflOSA81L1DAOE 97 SejamAeH ..3 lIJyJ n1 PIA n B)= t-P(A = 1.P{8).. ( P( A) = 0.-. _' ...7=0..7cl~naOO~rrer(p(~} . - .1= 0.. • Qual a probablHdade de ocorrer Aou B? ! PiA u B)= P(A)+P(Bl--P(A n El} = =0. de nao ocorrer A.. no diagrama de Venn.. .0....... .6 = 0. a probabilidade que 5e pretenda determi- (I) Para que a figura fosse parceptlvel.. determinar.'_..0.PtA n B).' ".4 deocorrer ~ B temuma ...... _ B) . \..3 apenas A sem que B ocorra A probabilidadedeocorrer ~ Qual aprobabllldade e de 0.... A area a bran co corrnsponde a B P( B)= 1 ..". aasinalandc-se a branco nar com a cor cinza._'...4+0.4.aprcbabilidadede acorrer apenas A? tados {Q)eassocfados $abendqque: a rnesma .3 de ocorrer..4- prOtJa~i1idadecfe9. ..4) = 0...::: u B) = = 1.."-.3.. au psla ocorrencia III Como regra geral asslnalar-sa-a. a probabilidade que se pretends optou-se par alterar a c6digo de cores...

·14% 5% 9% 12% 41%. Tolal Escolhendo aoacasoum quadro rnsdio.para A e par probabilidade B pertencentes - A:: {(to trabalhador e umquaoro B :::{{(Otrabalhadof seguranga nopostode achaquea medio))} qualidade dasGondiyoesde higiene e a e designada condicionada. que nenhum dslas possa A e B serem independentes. dois acontecimentos nao tern nenhum ou mutuaOperarlo quando em comum. quando enlende-se par de acontecimentos e condieionar para 0 conceito independente de ocorrencia a ocorrencia de cada urn rnatematlde resulem assim.'_'.26 P(A)". e apresentada do conceito de probabilidade a percepcao que os trabalhadores da ernpresa F abrix lem sobre a qualidade das eondiccesds juntamenle com a explicacao deste conceito.':>:/. esta de definir matematicamente contudo.:'.:':.orma~ao dade de 0 outro esta influencia.:-. A existencia relacionaentre aos Tabe!a 15. mente exclusives cimentos de incompatibHidade de resultados incompativeis comuns Fabrix tern sobraa qualidadedas esta relacionada com a existencia dizem-se resultado de hlglel1e e 5Jlguranga no posto de trabalho i. os dols conceilos 15% B% 3%.::-.:oesdehigieneeasElguranYi'l Ihosaoboas?· . P(BIA) se PtA) S8 P(B) >0 sirnultaneo tera que ser igual ao produto PtA das probabilidades = PtA) de estes ocorrerem. 1% 13% .. mas sao substancialmente dois acontecimentos dois acontecimenlos.'. com probabiJidade forma: nao nula. Quadro Medlo Quadro Superior Se A e B forem independentes Se A e B forem incompativeis 4% ··46% 17% 100% . o conceito de lndependencia de acontecimentos apresentado diferentes. condicionada. do outro.AO A ANALISE DE DADOS CONCEITQ DE PR06A81L1DADE 99 se]a.>- 0 A probabilidade de urn Irabalhadorserquadro e de 0. >0 n B) x P(B) Existe uma forma alternativa dencla de dois acontecimentos. pertencentes ao rnesrno espaco de estes independentes. = P(B). Para dois aeonteestao relacionados A e B.'-:.lpresentadosos resultados de um estudo .98 I NT RODUr.:_'.:.: B ja ocorreu . do quociente e a probabili- entre a probabilidade dade de ocorrer B..:':'.''. a probabiJidade 0 facto da probabifido outro Obtern-sa.''-:'''::. Ccnsfoerendoos ~eguintes ac:onteGlmefltos: A ocorrer sabendo ao mesmo sendo espaco 0 resultado -se que 0 de resulta- '_"'. serao sempre dependentes. para que dois acontecimentos tados.''_. urna definig80 alternativa de lndependencla de acontecimen- nao interferir na probabilidade do outro. Em termos cos. qualquer deles fornecida par um dos acontecimentos que quaisquer pode afectar a probabiliapresentam que urn No caso dos aconlecimentos dade de cada impliea tos. e por vezes confundido Os dois astao conceito de incompatibilidade anteriormente.::- . com 0 higiene e seguran98 no posto de trabalho. estes Sempre do is acontecimentos um dos acontecimentos nao ser afeclada pela ocorrencia dizem-se dependentes. traba- Conceito de probabilidade condicionada A probabiJidade acontecimento dos de urn determinado acontecimento que a qualidlildedas. decorrendo a condlcao de indepen- NaTabela 15sao.qwillaprobabilidade de este achar no postode .condil..: . a inf.. . ocorrer. Em alternativa. a probabilidade ocorrerem P(AIB) = PtA).. 42% 15% 2B% da seguinte - Admlnistratlvo· nao podem ser incompaUveis. .26 que: rnadlo se P(B) .e.:'_'.::_:. dos. sejam considerados A e B. Resultados daempresa de um estudoapercep!(ao que os trabalhadores clmdl!(oes .'.::'._ ':'--''"::-'-'. de as acontecimentos ocorrerem em simultaneo trabalho saoboas»] Sabernos P(AIB) '" PtA n B) P(B) a partida 0.

a probabHidade de A sera igual a soma B... .. dade de entao a probabiJidade e igual a soma da probablll- B ocorrer simultaneamente com cada urn dos acontecimentos B1• B2.. Iotal permite calcular a probabilidade em slrnultaneo de qualquer com uma 0 .. Bn serem incompaUveis.:anopClstCldeJrabalhosa9 0.da amprasa .daao ocorDa formula das probabilidades resulla que: P(BIA) P(B n A) '" ._ Figura 27.26·· . higienee a seguranr..=1 Teorema da probabilidade total o teorema da probabilidade a partir em causa.. probabUidade de B ocorrer..100 INTRODuCAa A ANALISE DE DADOS CONCelTO DE PROBABILIDADE 101 Da analise da Figura 27 Aprobabilidade das.Resultaq"sdeumel>Wdoilo mel. A '" (A n BJ) v (A n B2) v .achar que a qualidade das condicoes de hlqlene e a saquranca no posto de trabalho sao boas. P(AIBi) acontecimento.76% 95% . pode afirmar-se que... no caso de os acontecimentos de A .-'. ao meio de transr Fabrfx. . B2 '''. ~ondiciona.) + P(B2)' P(AIB2) + . .quallpostq de trabalho ~aoboas fad~ d~ A jii· ter slmultanso com cada urn dos acontecimentos = peA n BJ) + peA dada das condigoasd~ higiene e a s~gura~gano peA) n B2) + .': .) ..16.···· .de urn ··~studo.esunadOs··.: As pe~!1lagenSlem oalJlabasean~mera datraba!hadaras de caca catiJgoria u naoc tiu'11aratota!.14 '" .~e transporte utUizado .54 de . . .:..TabeJa••..=1 n n Bj} = "LP(B. u (A n B6) Assim. Clu~d~~sJ~~rio{ Not.) urn quadro medic tern uma probabilidade de 0.. ='.. De uma forma geral. r n . .. f'P(A condicionadas n B6) e.Adrnihistr~Uvo QuadroMedi~ . peA) 0. . da probabilidade de A ocorrer em A probabllidade de umquadrq media ~~eoll1i90ao !leaso acharque a . Dlagrama de Venn representando e uma serle de aconteclmenlos 0 aeontecimento (B1 a Ba) A Inccrnpatlvels Tabela ·. pelcs trapalhadqresdaempresa Fabrix .-= 054 0... peA) = P(BJ)· P(AIS.clper~rici.14. igual a rido.. Bn· peA) n = Ip(A .:".":'_'_-":::.~~ . acontecimento da probabilidade de este ocorrer entre sarle de outros acontecimentos incompativeis si e cuja reunlao contenha Na·.• 1·6s~oiapresentadPs •. . ponde a soma e intuitiva a mterpretacao de que 0 acontecimenlo entre A e os diversos acontecimentos A cortes- de fodas as lnterseccoes B.-.' Logo: peA n Bi) = P(BI) .eondigoesde MUm trabalhador serquadrornedlo e Clc... P(AIB. porte utllizadopelostl'abaJhadClTesclaempresa :':'.-.:harque a qualidade boas ~de . +P(Bs)' P(AIB6) B1.

58 A probabilidade + 0. ..102 INTRODUr.trOC<ltegClrias· -.35 . independenternente = {«Otrabalhadorvaideautom6I1el fissional.de transports na TabeJa 16. .superlor»] para a ernpresa») At B ={«O trabalhador de um trabalhador.26 P(AI).". . . 0 teorerna de Bayes.17 . que urn posterior uma relacao problema de determinar do Teorema P(AIB) uma probabilidade e P(BIA). aconteclmento A sabendo que varies P(BjA2) '" 0. trabalhadoreadministrativo»} '" 0.. Retornernoso -. Considerandq ·~pliquemos os Fabrixapresentado achegar . De Tabel~ 15 satJemos queaprobabilidade .= 0. ' _'". exemplodoestudoao meio .:AO II ANALISE Or: DADOS CONCEITO DE PROBABILlDAOE 103 Qual a probabilidade carro para a empresa? Conslderando de um qualquer trabalhador escolhido ao ecaso ir de P(B) '" P(Bn AI) +P(B n Az) + PCB n A3) + P(B0A4) + = '" P(A1) ..·e: ao acascipertencerac~daiuma.- P(Bi n A) P(Bi IA) : ~-~-~ PtA) _f!( Bd~(_AI§l_ n -. da sua cateportapro.47 de ir de carro para a Teorema de Bayes A probabilidade condlcional referida anteriormente permite obter a probabilidade acontecimentos de ocorrencia B (anteriores de urn qualquer a A) ocorreram.: _'..: .-'_'. P(BjA2) acontecimenlos: osseguintes + P(A3)' P(BjA3) + P(A4) ."-'---'.dasqJa. .95 deir de carro para a Muitas vezes reu (A).95= A3 = {.' : . '_. halhadoresdaempresa a probabllldade de urn Observandoumtrabelhador ser urn quadro superior? .' :. P(AIB])] P(A1l=0. Thomas e importante lidar com a situacao anterior inversa.-. condicionadas . Sabemos _ a partida que: Um operario tem uma probabtlldade de 0.4 7 + 0. qual a probabilidade qualquer trabalhadorirdecarro para~ rnasmcs aconteclmentos definidos noexemplo anterior. L[P(BJ) J=1 . PeloIeorema da probabHida6eloiai pbde~osca!CUlar empresa~ de carro.58.42 x 0. utlllzado pelos tra- .' probabilidades :. P(BIA1) + P(Az) .78 _ Um quaere superlortemuma prcbabilidade de 0.15 xO. de este .78 A1 = {. determinar a probaocarpar bilidade de 0 acontecimento a (B) ter ocorrido. ' ..17 x 0.47 _ Um quadro media tem uma probabilidade empresa de 0..[o trabEilhadore umoperarlo») Az = {"D. P(A3J=(}.26 + 0.35 de ir de carro para a empresa _ Um administrativo empresa tem umaprobabilidade de 0. a posteriori foi resolvido smpresa Bayes atraves de Bayes que estabelece entre as p(Blk) .42· P(AZ) "'O. P(BJA4)= x0..'. lr de carro para a empresa e de 0.O trabalhadnr e um quaorornedlo»} e um quadro.78 de ir de carro para a P(BIA3) =0..Hi .de um Jrabalhadorescolhido profissionais.: 0.. sabendo i.e.

4 de nao ocorrer.2.Aa A ANJiLISE DE DADOS CONCEITO DE PR08A81L1DADE 105 2. A tem uma probabilidade de 0. Sejam A e B dais acontecimentos pertencentes ao mesmo espaco de resultados (0) e associados 4. Qual a probabilidade de sair 3 vezes a resultado cara? 4. A tem uma probabilidade de 0.3.3.2. Sejam A e B dois acontecimentos pertencentes ao mesmo espaco de resultados (O) e associados - a mesma sxperlencta aleat6ria. 3.4. A Carris solicitou a uma empress de consultoria a reallzacao de um estudo com vista - a caracterizacao dos seus clientes.15 de ocorrer. A probabilidade de ocorrer A au Cede 0.1. Qual a probabilidade de nao ocorrer A nern B? 1. A probabllidade de 56 ocorrer Be de 0.1.3. Qual a probabilidade de se fundir apenas 5. Qual a probabilidade de nao ocorrer A? 1. 5. A probabilidade de ambos ocorrerem Ell e 0. Qual a probabilidade de sa fundir qualquer um dos feces de luz? 5. CEllmutuamente exclusive com A e com B. B tem uma probabilidade de 0.4 de ocorrer.1. B tem probabilidade de 0.104 INTHODur.5. Qual a probabilidade de ocorrer A sabendo que B nao ocorreu? 3. Qual a probabilidade de ocorrer A e B? 3. 2.6 de ocorrer.4. doravante designados por A e B.4.3. d A probabilidade de se fundir apenas Be de 0.1. A probabilidade de se fundir A Ell e 0.2.15 de ocorrer.1.1.3.3. Qual a probabilldade de ocorrer B? 2. d 5.1.6. Qual a probabilidade de 56 ocorrer B? 1. A probabilidade de A e B se fundirem simultaneamente 0 1. A tem uma probabilidade de 0. Bee tres acontecimentos pertencentes ao mesmo espaeo de resulta- dos (O) e associados a mesma experiencla aleat6ria. Qual a probabilidade de sair pelo menos uma vez a resultado cara? !o Exercicios adicionais a mesma experiencla aleat6ria. Qual a probabilidade de ocorrer A ou nao ocorrer B? e de 0. d A probabilidade de 56 ocorrer B e de 0. Qual a probabilidade de se fundir A sabendo que a B nao se fundiu? 6. Qual a probabilidade de sair 2 vezes a resultado coroa? 4. Lanca-se uma moeda equilibrada Ires vezes e registam-se os resultados. Qual a probabilidade de s6 ocorrer A? 2. Sejam A.2. Qual a probabilidade de ocorrer qualquer urn dos tres acontecimentos? 4. Qual a probabilidade de B nao se fundir? A? 5. Qual a probabilidade de ocorrer A au B? 1. Uma deterrninada montra possui dois focos de luz.2. Qual a probabilidade de 56 ocorrer A? 1. Qual a probabilidade de 56 ocorrer A? 3.1.15. . A probabilidade de ocorrer A e B Ell e 0. 15% d05 passaqeiros tem menos de 15 anos. 1.1.3.

Sabendo que um dado passageiro e fraudulento. estar sltuada na zona Norte do pais? 9. qual a probabili- exeelente. Qual a probabilidade universe de. ou igual a 50 anos e sao fraudulentos. do universe - entre 20 e 30 anos e de A probabilidade 2. sabendo-se : .1. de a conta de um cliente desta loja nao estar correcta? de 0 cliente que detectou erros na sua conta. mas comete enganam erros em 5% das contas que regista. No caso de se sltuar na zona Centro teve um desempenho suficiente ter de ser lucrativa estao situadas de ser lucrativa e de e de 0. se eneontrar uma empress nao luera9.1. ao acaso ser fraudu- ciente.106 I NT R.4. que a probabilidade zona Norte do pals.EITO DE PROBABILIDADE 107 - 40°{o tern idades entre 15 e 20 anos. seleccionada aleatoria- mente.2. excelente) ~30).9. 7. A empresa posslvel de informatica Informix realizou urn estudo de forma «10. Qual a probabllldade um desempenho 9.3. 35% viajam em sltuacao 5% tern idade superior dos resultados do estudo. 9.1.2. Da analise - e a sua antiguidade na empress [10. Sabendo que urn dado passageiro tem entre 20 e 50 anos.4.85. ser lucrativa e de de uma empresa. Qual a e reeeber dos cllentas. Qual a probabilidade atendido pel a Ana? . seleccionando-se aleatoriamente uma empresa no teve um desempenho e de do estudo efectuado. [20. Qual a probabilidade desempenho suficiente? de um empregado ter entre 10 e 20 anos de servico e B. 0 estudo do pals. rnadlo. na - -se que tem entre 10 e 20 anos de service.:ao entre a avaliaeao de desempenho dos seus empregados e tern menos de 15 anos. a Cristina e a Lucia so se 9. ter urn desempenho com menos de 10 anos de service ter urn dade de este viajar em situacao legal? A probabilidade desempenho 7. sufieiente. a analisar uma (sufi- relac. na zona SuJ. Qual a probabilidade de urn passageiro seleccionado lento e ter entre 15 e 20 anos de idade? 6. viajam em sltuacao legal. Qual a probabilidade em 2% das vezes. Qual a probabilidade de um empregado ter men os de 10 anos de service e um desempenho medic? de urn empregado ter 30~ou mais anos de service e urn de uma empresa lucrativa.05. Qual a probabilidade 8. A Ana atende sabendo-se que tern entre 20 e 30 anos de servlco? de urn empregado com um desempenho excelente ter tes. Qual a probabilidade mesmo tiva? 7.QOUyAO A ANAliSE DE [HODS CDNr.2. a probabilldade Sui. 600 na zona Centro e 200 de urn empregado excelente.8 e. tern diferentes reneiados. sabendo- 0.. 29 ter entre 20 e 30 anos. A probabilidade de urn empregado que e de 0. Sabe-se ainda que.2. que 800 empresas na zona Norte. 20[. sao atendidos os seus desempenhos pela Ana e a Cristina 0 dobro Metade dos cllentes clienles probabtlidade os restantes em partes [guais. ter sido 30 ou mais anos de service? 8. Cristina Dado e Lucia) para registar que estas operadoras sao difee a Lucia dos ellen- 9. atendem experlenclas e nlvels de destreza.5.1. legal e tern idades entre 15 e 20 anos. de 3% dos empregados tern desempenho e mais de 30 anos servlco: de urn empregado suficiente e de 0. verifiea-se 0 seguinte: 50% des empregados tern menos de 10 anos de service: 25% tem en!re10 e 80% de todos os passageiros 20 anos de servlco e 15% tern entre 20 e 30 anos de servlco: 29% dos empregados media. 30% tern idade superior 5% sao fraudulentos a 50 anos. a probabiHdade estudado. qual a probabifidade de -10% dos empregados lem entre 10 e 20 anos de service media e desempenho esle ter menos de 15 anos? 6. tern desempenhosuficiente e 44% tem desempenho 6. no caso de se situar na zona 0. 30[. A empresa Sondagix efectuou revelou urn estudo de mercado ao sector de mediacao situada - A probabilidade de um empregado lmoblllaria.3. . excelente? de um empregado ter um desempenho rnedlo. A loja Coisas as vendas da Casa tern tres empregadas os pagamentos (Ana.

facando a sua descricao nos aspectos que as distinguem e que permitem. Resumo Com este capitulo pretende-se abordar de urna forma pragmatica os conceitos de funcao de probabllldade.:ao acumulada Principals dlstribulcoes de probabitidade para vartavets dlscrstas • UniForme • Bernoulli • Binomial • Hlperqeornetrlca • Poisson Princlpais dlsulbulcoes de probabilidade para variavels continuas • Uniforme • Exponencial • Normal e Normal Padrao • i-Student • Qui-Quadrado Objectives No final deste capitulo devera ser capaz de: • Compreender e distinguir os conceitos de fun~ao de probabilidade. e conseguir apllca-los em contextos raals: • Compreender as diferentes modelos de dlstrlbulcdes de probabilidades exlstantes e conhecer 05 pressupostos assumidos em cada um deles. Serao anallsados os principais modelos sxlstentes. . de fun~ao densidade de probabiJidade e de fun~ao de dtstribulcao acumulada. perante uma sltuacao real. identificar qual 0 modelo correcto a utilizar. • Determinar a probabilidade de ocorrencia de urn qualquer acontecimento.Capitulo 4 Istrtbutcces de Probabilidade indice Fun~ao de probabilidade Fun~ao de dislribuh. • Idenlificar 0 modele de dlatrlbulcao de probabilidades rnais adequado para urna qualquer varlavel alaatcria quantitativa resultante de urn contexte real. fun~ao densidade de probabilldade e Funifao de distrtbulcao acumulada.

Sera posslvel resultados de resultados babilidade este cicio sa relacionarmos directamente numsrlca cada um dos da variavel possiveis aleal6ria .entre designada por funcao de ocorrencia. acon!ecimen!o de outrots) que rslacionar a probabilidade possibi- que a probabilidade de ocorrencia de um determinado com a probabilidade possa aconteci- ser determinada mento(s) suficientes mento de a partir da sua rslacao Apesar qualquer de ocorrer(em). 5. teremos a seguinte funyao de. e Para cada varlavel aleat6ria permite determinar comummente e possivel definir uma funyao de probabilidade. 3. quantitativa! delerminados do espaco a priori. matemauca que estabelece e a sua probabilidade - cada um dos resultados de probabfJidade. 6} Como lodos os resultados dade: possivels sao equiprovaveis e. os valores lnferiores a 1 au superior a 6 sao imposslveis. . lmportantes. a experlsncla aleatoria do lant.«nurnsro da face que fica voltada para clma» o espaco de resultacos sera: 0::: {1.uma dascrlcao de uma expsrlencla aleatoria (capitulo A funyao posslveis 1) . de extremamente probabilidade. 2.:amento de urn dado naD A variavel alsatorta sera: X .probabill- (1) Seguidamenle apenas designada par variavel aleal6ria OU apenas por varlavel.4.DI STRI8UI~OES DE PR08AEIlIDADE 111 Funcao de probabilidade No capitulo permitem litando 3 foram descritas uma serle de regras de acontecimenlos (axiqmas distintos e teoremas) ocorrerem. estas regras nao sao uma vez que exigem necessaria mente 0 conheci- para determinar outro{s) vator(es) quebrar probabilidade.com a sua proesta rslacao . posslvals ocorrer Esla e a probabilidade de cada um dos resultados ponluaL ao espaco e design ada por probabilidade f( x) = j P(X = x) se x pertence de resultados o se x nao pertence ao aspaco de resultados Consideremos viciado.

AO A ANALISE DE DADOS DISTRI BUI!. x) se. qualquer inferior. 5.nurnern 2? P( X =' 2) = f(2) = F(x) = j P(X s x) ao espaco de resultados =__L= 6 o se x nao partance ao espaco de resultados 0 17 ' Quando se lanca 0 dado. A fungao de densidade uma apllcacao uma vez que reais. 4. Assim.sair o.3. e dfficll de probabilidade estabelecer se x entre as seus resultados e sltuacoss = 2 se x=' 3 2 3 se x = 4 Funcao de dlstrlbulcao acumulada Em muitas resultados.x e. de probabilidade uma relaeao posslvel nome determinar indica. exlste uma prababilidade de 0. probabilidade sltuacoas as acontecimenlos 0 que. 2. teremosaseguinte e impossIvel permite nula. de probabilidade. Tem-se o restantes em que asta em causa mas sirn a probabilidade valor. temos: se x = 5 se x z 6 recorrendo continuas. Para dstsrmtnarmos determinar a probabllidade de qualquer resultado ocorrer. se x perlence nao a probabilidade de ocorrer qualquer au inferior a urn determinado Oual a probabllldada de. fo! definida uma 6 f(x}=P(X"'·It) '" se x '" 1. 6} Comotodosos acumulada: resultados pcsslvels saoeqilipravllveis e valores inferiores a fung§o de distribuiqao de estas assumirem qualquer urn dos seus resultados . como na vizitern directa 0 S8 X <1 a densidade J 6 1 3 F(x) = P(X :. 4. lrnpllca a deterrnlnacao repetitivo nao faz sequer sempre de cada urn deles ocorrer e resulta num processo anteriormente.OES DE PRD6A81L1DADE 113 de resultados.5. trabalhar e moroso. sendo necessario com intervalos . a funcao em anallse sao compostos de probabilidade. uma fungao de densidade determinar que.seja sempre determinar 1 ou superior a 6 sao Imposslvels.. Gam 0 objectivo maternatica de ullrapassar estas condicionantes.que teoricamente sendo no caso das variavals de resultados sera: Q::: {i. resultado.iado .t =2 de urn determinado mais teorlca. o espaco A natureza sao sempre quantitativas apenas o proprio nhanca continua em numero continuas de algumas infinito varlaveis aleat6rias faz com que a probabilidade possiveis .. uma fungao de probabilidade.. 2.112 INTRODU!. sentido de sair um valor inferior a 6? fungao de prababilidade para determinar esla probabili- No caso de variaveis Falar em probabilidades como rsfarido a pontuais. 3.«nurnsro da face que fica voltada para clrna» vic. 0 valor da funcao quando a variavsl toma a valor correspondente ao resultado em causa. 5 6 par varies da Qual a probabllldade Se recorrermos dade.17 de sair 0 nurnero 2. basta RetomeITios 0 exemplo do lancamento de uITi dadonao A varlavel aleat6ria sera: X . 6 valores de x segunda funcao que relaciona cada resultado resultado da varlavel com a probaassim uma igual de um qualresultado bllidade de este ocorrer au ocorrer probabilidade quer resultado acumulada ocorrer.

--' - -_.se '.:8o densidade de probabllldads para determinar ssta probabilidade.~--- .:8ode distribulcao acumulada no extrema inferior (a). uma vez que os valores menores do que extremo Qual a probabllidade deaprimeiraavariaacorrerentreas funclonarnantov P(2 ~ X sA) = F(4)~ ' ' . mulada ate 0 A Existe uma probabilidade de 0.--~-: ~-. b]. X s b) 'Aprobabilidadedeo 0.86 do radio furicionar menus de 4h.«tempo da funcionamanto (em horas) de urn radlo» Espac...._-t--.~ . a probabilidade de este ocorrer sera igual 4 a dlfersnca = 0.+ ~ + ._ 66666 = Consideremos a experlenda aleatoria que constste no reqisto do tempo de funcionamento (em horas) de Urn radio. + ocJ de Func.23.:o resultados: n = [0." 4he de = = P(X ::.densidade de..F(a) . " -~.". probabllldada.P(X s a) = F(b) .86-D.114 INTROOuCAo A ANAL1s!' DE IlADoS DISTBIBU1COES OE PROBABILfDAOE 115 P(X ~ 5) = f(1) + f(2) + f(3) + (4) + f(5) = = -1 5 6 1 1 1 1 + -_.63=.. no maxima. 2e as 4 horas de .:ao de acumulada: Se recorrerrnosa funC.'.. r inclusive quando sa trata de urn exemplo multo simples como e 0 do liln9amento deurn dadq. . . temos: P( X ~5)= F(5)"..e-2 No caso de um acontecimento que corresponde a um intervalo interrnedio de resultados.. aofim de 4h de funcionamento? ' PIX ~4) = F(4)= =1.0. sex >0 processo de determinay-aode probabilidades acumuladas torna-se multo menos trabal~oso quando. " . ecorre • fungao . TMiafU[1c:ionarrnaisde . entao a probabilidade de ocorrer sera igual ao valor da funcao de dlstrlbulcao acumulada no extremo superior do intervalo (b) subtraldo ao valor da funC. + . o a Quale probabilidadede a prlmeira Bvariaocorrer.' ... =. P(a::.2:3 Se A for um acontecimento constituldo pelo intervalo de resultados [a.' . ' ..86 entre as valores da probabilidade acu0 funcao de distribulcao acurnulada nos extremos do intervale.. .. b a = D." X . .. b) .'--"'--'-00 ~J-l1-e-~J= " 2tlemenosde .:ao distribuic. mulada no extremo superior do intervalo tera que ser retirada a probabiJidade acuextremo inferior. F(4J = =(1-e" oII~.' ..." . . inferior do intervalo nao pertencem ao aconteclrnento em causa..

.. ~~~~~ ··6. . 2.. ]+ [.--- VarJavel eleat6ria dlscreta ~~~ .c.4} ..· 31 4 . 23 ] ..1. ..+.k·~ 2. . 1). 6· 2! .desvlo padrao do nurnero de exempJaresd\llivrovendidos numrnes?·· . ..2 x ---+ 3 x -. .. - - .... '.24 X.2..2. Para qualquer variavel alaatoria probabllidade . Quantosexemplares do livro de esfaUsticae que a dono.6. f(xi! N f_~ X· +~ i::{X)=)J.. . .f(Xl]-dX ... 6.=1 LX... .2:. 2! . torna posslvel a determinacao . -.. _= .f(X!)] = +~ J[(x-)J. .--. ' ··6 _ J '" 0. . . . TabeJacom as fOrmulas para 0 valor esperado ou media... .) x-. .x = Verhivel aleet6rle continua E(X) '" )J.. +. 2 24 -: + (3 ~ 21)· x -.'_... ..-+ 6 '1! . .. 23 ....·'=1 ".. :41 . . .--. ........' - - . Tabela com as formulas para a varlancla. ((Xi} = .•.6· 1l.3..X .-' ' .:8o probabilidade. .. __ V(X)" rl = 1=1 I[(xi N _)J. ......: J).] .2.xl 2 . . (4 -.(.1)2 x __3_...... [C.)J.. ~ . _-_.1 x -. para 0 caso da varlavel alsatorla ser dlscreta ou continua Valor esperado ou media Variavel alaaterta discrete E(X).116 INTRODUr.. 1~2.X)2 . -.. ..· -.. 21 22.. para 0 caso da variilVel aleatorla ser dlscreta ou continua Veriancla Varlavel alaatnrla continua V(X)=a2 Oual.. da IivrariaLibrix aspera vende(num in~s? k7«mJmeredaex~mplares de urn determinado livre de estatJsticBvendidos par rnes na livrarla Lihrfx» .a media.' . [.x/ .de algumas das medldas descritivas referidas no capitulo 2.2... 2. _-.... -31.:aode por valor esperado.. . .• [ .. . .99 ..Ao A ANALISE DE DADOS DISTRIBUICOES DE PROBABILIDADE 117 Valor esperado e varlancia de uma variavel aleat6ria o conhecimento da descricao rnatarnatlca da forma como as probabilidades se 0 distribuam pelos divarsos resultados da variavel aleatoria. f(x)dx ._. ." - ". de TabeJa18.. _ 6:41· =: Tarnbem e posslvel determinar a varlancla a partir da funC. ··O={1.para a varlavel aleatoria e sem conhecimento de toda a populaeao . que neste caso e posslvel determinar e tambsm designada atraves da func. - TabeJa17..

99 por rnes Os contexlos reais sao multo diversos.1 ± 0. 0 1 restantes vafores de x . 0 relativamente simples. A descrlcao exaustiva de todos estes modeJos esta fora do ambito deste livro. N facto de a escala que toi utlllzada para registar os resultados da experlencia aleatoria ser de natureza discreta ou contfnua.:ao de probabifidades. Na definic.99 llvros.JO. A natureza continua das varlavels provoca. No caso da distribuig80 uniforme existe apenas um pararnetro. a sua distribuigao de probabilidades seguin!! 0 modelo Uniforme. correspondendo esle modelo - 0 qual e necessariamenle generico para cada tipo de variavel . foram construidos uma serie de modelos para a forma como as probabilidades se dlstribuem pelos vanos resultados da variavel aleatorla e que sao comummente designados por dlstribuicoes de probabilidades.:80aplica-se a sxperlenclas aleal6rias cujos resultados sejam discretos e equiprovavals. como referido anteriormente. ao nurnero de resultados possivets. 0 que conduz a uma divisao dos modefos de distribui9ao de probabifidades entre discretos e continuos. Esta diversldade tem como consequencla a exis- o . Contudo. Distribuigao Uniforme Principals dlstribuicoes de probabilidade para variaveis discretas A utilizacao das funcoes. variavel aleatorta especffica Esta dis!ribuiC. que requer urn elevado conhecimento rnatematlco.:aodestas distribulcces de probabilldades toram assumidos uma serie de pressupostos de forma a crlar urn modelo para cada tipo de vartavel e procurando abranger a maioria das situacoes que surgem em contextos raais. Embora esteja associada a uma familia de variaveis facil de idenlificar. Podemos entao afirmar que 0 e de lencia de uma grande variedade de rnodelos de distrib~ic. Para alern dos pressupostos assumidos exislem ainda.:aoda sua expressao rnatematica para uma Iancamento de urn dado e urn processo bastante complexo e trabalhoso.10ADE 119 c = . ou seja.U(N) Foi referido que todos os modelos de dislribuilf80 lem urn ou mais parametres que permltem ajustar a forrnulacao geral as particularidades da varlavel em causa. A descrteao dos principals modelos de distdbui90es de probabilidades lnlciar-se-a pelos que se aplicam a varlavsis discretas. Com a objectivo de tornar a apllcacao das func.:6es mais simples e acessivel a todos.desvio padrao do nurnero de exemplares do livro vendidos 0. uma profunda alteracao na distribui9aO de probabilidades . X. resuHando numa grande diversidade de variaveis aleatorias.as especificidades de cada contexto. e Alguns exemplos de variavels com dlstribuicao Uniforme sao: Nurnero da face que fica voftada para cima apos nao viciado. f(x):.99 livros. A fungao de probabilidade sera: -1.P(X=<:x)= . a definic. Primeiro nurnero do sorteio do Euromilh6es.99 = 0.deixa de fazer sentido talar em probabilidades pontuais -. seguindo-se os que se aplicarn a variaveis continuas. em cada modelo. que vlsarn descrever a forma como se distribuem as probabilidades pelos diferenles resultados posslveis de uma determinada varlavel. no que dlz respeito a forma como as probabilidades se distribuem pelos resultados possiveis. Urn dos factores que mais influencia a forma como se distribuem as probabilidades lem a ver com 0 a dirnensao do espaco de resultados (N).118 IN1ROouCiio A A~IAlISE DE DilDOS DISTRI8UICOfS DE PROBA811. dono da livraria Librix espera que a venda mensal media seja de 2. peJo que sarao abordados apenas os principais. urn conjunto de parametres que permitem ajustar 0 Se X for uma varlaval aleatorla discreta com N resultados possiveis de igual probabilidade. estas surgem com pouca frequencia em contexlos reals.

X-aprlmEliro rnimero do sortelo do EUfomilh5esu A funr. distribuir. x X.02 A probablndade de.:AO A ANALlSi" DE DADOS OISTRIBUiCOES OE PROBABILIDADE 121 Figura 26.:: XN de. 10 . ..:ao uniforme.. i=l N}2 "XI £... I~_ __~ ~---~ _ .. 1 .U(50) se x "" x-. "X? £""1 i=l N [ __ N 1. 1 .~~ ---~~ x acumulada sera: se x < Xl Consideremos a expariencia aleatoria que consiste no sortalo do primeiro nurnero do Euromilh5es... x):::: I-hx.L N N Xj 1=1 A varlancla sera: N . V(X) == cr2 == . no sortelo do Eurornllhoes..1 ~50>'I. . 19) :::: F(19) 19... sair a valor37? .~ .~L. F(x) P(10 S.. ... 3" .•.02... 0 primeiro nurnero ser um valor entre 10 e 19 e de 0.. no sortelo do Euromilh6es. Qual a probabiHdade de sair urn valorentre 10 e 197 de distribuigao J.. fIx) E( X) == II "" -t .120 INTRODU<. .18..-50"' 10 50 -50 = 9 . 48.". .. Representagao generica de fungao de dlstribuigao Unlforme acumulada de 0. 1 = . a prirnelro nurnaro ser o 37 e Figura 29.. 2.. Reprasentagao generica da fun~ao de probabUidade da distrlbulgao Uniforme o valor esperado au media sera: .= x A probabllidade de. P(X:::: 37) "" f(37) ""50=0. X:...:ao de dlstribuicao 0:::: {1..XN-1 Qual a probabllldade sa x. 49. a variavel Xtem uma o F(x) = P(X::....FnO) =' ... .. 0..18 "" = ~_ = 50. 50} Como lodos as resultados posslveis sao aqulprovavels. __.

-~-'. mas tmportante.~. corresponde definido como sucesso a probabiUdade de.. Representagao generica da fungao de probab11idade de Bernoulli da distribuigao i..._ . logo a probabilidade probabilidade sucesso de cada um ocorrer Por sera igual ao valor de um subtraldo um dos resultados do outro ocorrer. que sao canhotas..=~.. embora e indissoctavel de prova de Bernoulli._.. P('Sucesso') = 1 .. da distribulcao. x~ 1 ocorrer 0 resultado (p). Alguns exemplos Ntimero Ntimero de varlavais com distribulcao de Bernoulli sao: p de clientes. Como Ou de forma mais compacta: e deslgnada por prova de resultados tem dirnensao dois.Ber{p) Tal como pararnetro a distrlbuicao uniforme..1 sl. a sua distribuigao de probabilidades 0 X.~-~~-. convencao.... _. em 1..• . usar proteccoes: Nurnero de oriancas..._. 05 resultados serao complementares entre pX (1 _ p)1-X fix) = PIX = se x = 0.__..-~ -~ .122 IIHRDQUCAO A ANALISE DE DADOS OISTR IBUI(:6ES DE PROBABILIDADE 123 Dlstrlbulcao Bernoulli A distribuicao totalmenle de Bernoulli apllca-se a experlencias aleat6rias com caracterlstlcas uniforme. de operartos.: 0 se x = 1 olspares das que forarn referidas de Bernoulli para a dlstrlbulcao do conceito A distribulcao qual. .:.de -e 0 se x . e 1 (sucesso) -... na prova de Bernoulli. ou nao uma gravala de Bernoulli... a distrfbulceo de Bernoulli tern apenas urn F(x) : P(X< x) : /... funcione como uma unldade de construcao com esta nao deve ser confundido. Quando simples.... interessados em 1....assume o (fracasso) de Bernoulli. diterenca entre 05 conceitos de Bernoulli e 1-p subtil. Toda a experiencla aleatoria que tenha apenas dois resultados possivels . neste caso....: 0. em 1. ---.. 0 A funcao de probabilidade sera: se x . e designado a x) = por { 0 restantes valores de x e 0 outre por insucesso. correspondente ao nurnero de vezes que apenas os valores sequira 0 modelo se x < A funcao de dfstrfbuig80 acumulada sera: x Se X for uma varlavel aleatoria discreta ocorre 0 resultado de sucesso numa prova de Bernoulli .. de Bernoulli prova de Bernoulli.. que querem no desconto de pronto pagamento: _. ~ p se x = 0 se que.. pode dlzer-se aleat6ria que se esta perante conslstlr na verificacao uma prova de Bernoulli que a experiencla de uma determinada {(x) a axperleneia aleat6ria consisttr no registo do nurnero de sucessos uma dfstribulcao e de prova numa A entao diz-se que se esta perante de dlstrlbulcao de Bernoulli..P('lnsucesso') Flgura 30.. De forma sempre condicao..1 que sao exemplo cuja probabllidade espaco 0 lancarnento de uma moeda ou 0 vender seja conhaclda. ..

124 JNTRODUQilo A ANAuSE DE DADOS DISTRI8lJIQQES DE PROBABIL IDADE 125 Figura 31. em cinco. dlz-se que se esta perante uma dlstrlbulcao Binomial. x o facto de a probabilidade de ocorrer 0 resultado definido como sucesso ser f(xl constante. passando a adequar-se urn novo modelo designado por distrlbulcao Binomial. e passar a estar em causa uma sene de vartas provas com igual probabilidade de ocorrer 0 resultado definido como sucesso.__ .. "'-_~_!lI .. " _-_ . Alguns exemplos de varlavels com dlstribuicao Binomial 580: Nurnero de clientes. ~~ __. que sao canhotas..p) nj < n2 <"3 PI ~ P2 ~ P3 Dlstrlbulcao Binomial Sempre que deixar de estar em causa apenas uma prova de Bernoulli.. ..-------=--:c_ .-11-&-11.~:+-..p) A distribui9ao Binomial apresenta A func. • . em dez.. _. a dlstribulcac de probabHidades da variavel em causa deixa de ser descrita pelo modelo de Bernoulli. Representacao . F(x) 1 generica da fun!(ao de dlstrlbul!(ao da dlstribul!(ao uniforme acumulada Se X for uma variavel aleat6ria discreta correspondente ao numsro de vezes que ocorre 0 resuJtado de sucesso em n provas de Bernoulli independentes e com pro0 I babiridade de sucesso igual a p. acrescido do numero de provas de Bernoulli em causa (n).. para diferenles A varlancla sera: v ( X) ::: (j"2 '" P . as provas dlzern-se independentes..t::: ou media sera: p Figura 32.-l3--·~_i"_J..~. Quando a experiencia alsatorla consiste no registo do nurnaro de sucessos numa sene finita de provas de Bernoulli independentes.. IJ ..p)n-x o valor esperado E(X) ::: j. Nurnero de opsrarlos.Bi(n. a sua distribulcan de probabiHdades ssqutra modelo Binomial..____~ .._ .__..iJ-*-'_"~-II __ L4. '\I--# -~-1J-"Lr-' __ · ._ ~+-> x ..:aode probabilidade sera: f(x) = P(X 0 mesmo aan3metro p que existe na distribui- 980 de Bernoulli.. Assim. A 1 I I I PI < P2 < P3 "1 ~ n2 ~ n3 j I -~ -~. Representacao da dlstrlbui!(iio generlca da fun!(ao de probabilidade val ores de " e p Binomial.. (1 . interessados no desconto de pronto pagamento. que querem usar proteccees: Nurnero de criancas. '" x) = C)px (1. X. impfica que os resultados obtidos numa prova ou sequencia de provas nao podem atectar os resultados das provas subsequentes au ser afectados pelas provas que as precederam.. em vinte. .~iJ_!l:-..

03. < n2 < n3 Pl ~ P2 = P3 n.:ao Binomial. 3.«numero de condutores. para dlferentes valores de n e P probabilidadede numa operaf. Nao ha razoes paracrer que a resultado do teste a um condutor sejainfluenciado palo resultadodoscondutClres anterlores..: I \ A variavel X tern asslm urna dislribuil..indeperldentescornpr()~abilidade de sucesso igual a 0. que a que esta ern causa. {1.~~~~.:aostopa 10 eondutores.8. 10} L dade de sucesso e de 0.AO A ANALISE DE DADOS DISTRIBUIr. Cada vel. que acusararn uma taxa de alcool no F(X) 1- sangue aeima do limite Jegalll n. uma vezque setratadeurnaexperh~nciaaleat6riacom apenas dois resultadospossiveis (esta au naoesta aclrnado limite legal).. que e analisada a taxa de alcoolnosangue de urn concutor parasa verlfiear se esta asia aclrna au abalxo doli mite legal.. Representagao da distribuigao generics da fun gao de distribuig80 acumulada Binomial.9. . em 10. :~--~~~--~----~--.(10.O.03.IN1RODUt. PCJis onslsta nurna serie c de 10 provas de 8emDulli. a prababili- F(x) '

I.2.l au media sera: o F(x) "" P(X :.5..~.6.03) Determinar.aoda probalJlliriade ~edida. x) = = n· p A varlancla sera: se 0:. x<n S9 xzn Urn estudo sabre as causas da sinistralidade rqdoviaria conclulu que 3% dos condutores tern umataxa de alcool nosangueachnadCJ!il1litelegaL Qual a Figura 33..eo· nurnero de ve~esqlleesteoeorre. Definindo como sucesso 0 resultado 'eslara~imcldolimitelegal'.-. estamosperante uma prova de Bernoulli. x~ B.1 deles acusar urna taxa de alcool no sangue aeimado limite fagal? X .uma vel. 4.7.+ .0·· .. palo que podemos assumir que as proVaSdeE3ernou!Usaoindependentes.:OES DE PROBABllIDAD[ 127 126 A fUI19ao de dlstrlbulcao acumulada sera: o valor esperado se x < 0 E(X) "" f. -C.

A probabilidade de cada bola que se retira do saco ser branca . B resultado obtido em cada prova influencia os resultados das provas subsequentes e/ou a influenciado 0 Se "air. 8 ~ 2. esta voltasse a ser colocada no saco . a sua dlstribulcao de probabifidades sequlra 0 modelo Hipergeometrico. passando a adequar-se urn novo modelo designado por dlstri- e a amostragem sem reposlcao a partir de uma populacao finita.resultado definido como sucesso . p. uma vez que 0 Se safr P('Sucesso') ~ . indlcando-se em cada caso qual a probabllldade de sucesso.~ 5 Quando a experiencia aleat6ria consiste no registo do nurnero de sucessos numa serie finita de provas de Bernoulli dependentes. 0 numero de bolas brancas em 3 teria uma distrlbuir. Sa sair prsucesso') ••••• ~4 B prSucesso') ••••• ~~" 9 Se saire P('Sucesso') = Dlstrlbulcao Hlperqeornetrlca Nem sempre a probabilidade de ocorrer 0 resultado definido como sucesso a prsucesso') ••••• •••• •••• .5.amostragem com reposi.22B~ Nota: 0 valor bilidade Figura 34. buicao Hiperqaometrica.varia de prova para prova e e sernpre dependente do resultado das provas anterloras. A Figura 34 procura representar a forma como varia a populacao em funyao da bola que sal em cada um dos sorteios. Sa apes a analise da cor da primeira bola. com excapcao da primeira. palas antecedentes. o nurnaro de vezes em que sai uma bola branca. Se X for uma vari~vel aleat6ria discreta correspondente ao nurnero de vezes que ocorre 0 resultado de sucesso em n provas de Bernoulli dependentes. bastando que as provas delxem de ser independentes. Representa~ao de urn processo de amostragem~~emreposh.OES DE PROBA61L1DADE 129 A probablUdadede nUrT)aoperar. n) .stoP<l10condutores.nao val ser igual em todas as provas. 1 dales acusar uma taxa. a probabilidadede sucesso seria constants e igual a 0. estamos perante uma sarle finita de provas de Bernoulli dependentes.:ao Binomial..:ao. Coloeando 5 bolas brancas e 5 bolas pretas dantro de urn saco e considerando a axperlencla aieat6ria que consista em retirar.:ao Sa sair de f(l) tamcem podia ter sldo oblido por eonsulta cas tabetaspara a fun9ilo 00 de proba- apreseruadas Anexo9 .. podendo esta ser infiuenciada pelo resultado observado nas provas anteriores au influenciar as provas subsequentes. quando se liram 3 bolas sem reposicao . 10 constante numa serie de provas de Bernoulli.fazendo C9JTl que no inicio decada prova existissem sempre 5 bolas brancas e 5 bolas pretas. 3 bolas e veriflcar se sao brancas. Uma sltuacao tiplca em que se tem dependsncia numa serie de provas de Bernoulli modelo da distribuicao Binomial B e • •• deixa de ser valido.no sanquo acirna doiimiteleg£ll$ de 0..:_I. sem reposicao.0 que consista numa serle de 3 provas de Bernoulli dependentes -. a probabilidade de salr uma bola branca. Nesta situacao.:aoBinomial. torna-se evidente que a probabllldade de sair uma bola branca .:ao. ou seja.128 INTRODUr.. Como exemplo de variavets com distribuicao Hipergeometrica podemos conslderar as vartavels referidas para a distribuir. x- HG(N. Da analise do esquema apresentado. 2.AO A ANALISE DE DADOS OISTRIBUI£. Sempre que tal se verifica..resultado definido como sucesso . segue uma dlstribuiyao Hipargeometrica.de alcool. diz-se que se esta perante uma serle de provas de Bernoulli dependentes. PCSUCBSSO') ~ -95 •••• prsucesso'j Se satr ~ .

2.oes gemhicas da fun!. as provas de Bernoulli sao dependenles. . Como as 5 lampadas forarn._- N -1 A ernpresaFabrix 5%das produz lampadas de xenon para autornovelse anunciaque sao <Is lampadas mais fiavels do rnercado. 5J urna lampadapara sedeterminarseesta aprevez 0 resul- F(x) ::: P(X :::.:: n clefeil()s de fabrlco'e esta ern na e 0 numero de vezes que este ocorrs.upenas (amostragem defei!os de tabrtco. 0 corresponde.fabrleo» Q ={1.nd~ FIgura 36.3.p)_. Definindo cornosucesso tendo ~mcontB.4.~)) (J n.uma al~at6ria com apenasd~isresulladospossjde fabrico). A fung80 de dtstrlbulceo acumulada sera: maxlmo. aprobabilidade de sucssso primalra prova e de 0.se j=o (~) N~)(N(1 . contudo. Qual a probabilidade defabrico? de serem anallsadas ~5 Jampadas sern reposicao) e. retiradas sern reposiyao. se em 5.l = n· p A varian cia sera: VeX) = cr 2 = N-n np(1 .«nurnero de lampadas.05.:ilO A ANALISE DE DADOS DISTRI8UI.ao de probabll!dade da dlstrfbuigao Hipergeometrlca o valor esperado ou media sera: "fix) E(X) = J. x Cadavez que .. nurn late de 40lampadas. x) L -~~----------. Representa!. Repressntacoes genericas da funyiio de dlstrlbuiyiio Hipergeometrfca acumulada da distribuigiio p tem. a probabilidade prova. de ocorrer 0 resultado como sucesso. mas apenas na pnrneira A fun980 de probabilidade sera: f(x) ::: P(X x Figura 35.J 0:::. que~etfl3tade tado'apresenlar causa estarnos perante urna provadeBerl1oulll.no suas iarnpadas apresentam de. uma delas apresentardeteltos X . em que foram de!ectadosdefeitos o x x <0 ..130 INTRDI1U. urn significado ligeiramente diferente..:OES OE PROBA8111DADE 131 A distribui98o'Hipergeometrica existem pararnetro na distribui9ao Binomial. no maximo. garantidoque. apresenta acrescidos definido as mesmos da dlmensao parametres da n e p que populaeao (N).analisada <n senta defeilos ~e fabrico.qlJe analisadas ()qu~ umasxperlencia vels (apresenta pu nso defeitos se x.

media de ocorranclas Alguns exemplos de ocorrenclas de um certo acontecimento seja constante. malar do que a da amostra. de atendimento. dimensao consequ€mcia. x . ao nurnero media de ccorrencias A funcao de probabilidade 20 durante 0 intervale sera: de tempo ou espaco = 11'" n . au e da amostra. correspondente considerado.05.Poi(lt. uma oistrtbuicac de Bernoulli Hipergeometrfca. e-~' x! .987 defeitos de fabrico Se X for uma variavel aleat6ria de.05 = 1 f(x) Quando se analisa urna arnostra de 20 larnpadas sera sspectavet que apenas urna delas apresente defeitos de tabrico. nas proquando a Em a da populacao nurna serie de 5 provas sucesso igual a 0. durante um dado intervalo de de doentes = A probabilidade 0. dependentes com probabilidade menor sera a influencfa vas subsequentes. 20) E(Y) It. - N° de avarias rnaqulna. assim.05. 5) pedida: a ser aceltavel que as provas Binomial da probabilidade que permite assumir a modelo de distribuil..:ao para a variavel Dlstribulcao de Poisson A dlstribuicao de tempo de Poisson desde durante e indieada urn intervalo em axperlenclas sejam aleat6rias independentes que consistam e 0 numero no registo do numsro au espaco. uma amostra de 20 larnpadas (recolhidas sem rapostcao)._". pelo menos. quanta maior for a populacao maier for a diferenga do resultado Considera-se e/ou menor a amostra entre a dlrnensao que a lnfluencia 10 vezes assumir retlrada a partir desta.lUIGOES DE PR08ABILIDADE !33 Quando A variavel X tem.- AX . 0.p = x 0. 0. numa dada = 0. da populacao passa de cada uma das provas de Bernoulli se tornadssprezavel. em 20. nurn dado volume de I1quido.} A distribuig80 de Poisson apresenta urn unico pararnetro Y"'C" {(numera de larnpadas. de Poisson num dado intervalo que as ocorrencras de variavais com distribulcao sao: a um dado balcao - W de pessoas que chegam. uma larnpada apresentar discreta corresporicente de Poisson. num dado intervale de tempo. ao numero de ocorrena sua dis- e de eias de urn certo aconteclrnsnto tribulcao de probabilidades num dado intervalo de tempo ou sspaco. pais consiste de seja. num dado intervalo de lempo. no maximo. em que foram detectados defeit05 de fabrlco» Y> HG(40.763 + 0. que ocorrem.224 = - N° de microorganismos N° de ehegadas tempo.132 IN TRODUGAO A ANAlIS!' DF DADOS DISTRI!. sao independentes. a urn dado hospital. = P(X = x) '" . quan- sequlra 0 modelo Analisando las lampadas com defeitos de fabrico sera espeetavel encontrar? X. Deterininallao e. 0.HG(40. em causa.987.05.

. F(x) 1 I = 1• -1 .ao acumuJada da dlstrlbul~ao de Poisson...134 INTRODU<. cujo numero de Poisson.. Representaltao generica da funltao de distribui!.. A empresa Fabrix tern uma linha telsfonlca lit Gi.. 5..~:} X..3..15)= '" 1 . 0 sis- or - C! "".. o F(x} = P(X :5 x<0 X ..BO da probabilidade pedida: PIX Figura 38. x < n 0..~'1 de chamadas atendidas par hora segue urns distrlbuiyao tema foi dimenslonado atende em media para atender um maximo de 15 charnadas par hora e 10..9513 = 1. para diferentes vaJores de A o valor esperado ou media sera: E{X)=Il=A A fix) A variancia sera. {1. de surgir urn diaemque Qual a probabifidade A fungao de dlstribuicao acumulada sera: nao conslga.4... Representa~ao generica da fun~ao de probabilidade da distrfbui!tao de Poisson.Poi(10) se x ? n Delermina!.-".F(15) = Ii.1 C2 oO~r~~··+10 0.I.. para a I!nha de apoio eo cliente da empresa Fabrlxi x) = se 0 ::. para diferentes valores de" > 15)"" 1-P{X::.~~_ + '" 10 141_~_i-1O_ + ~~gl_5_1i_-_1.2.dar se a call center dalinha de apolo " " rasposta aD fluxo da chamadas? etectuadas.·_"_:_ ~'..~ --'-'-~ de apolo ao cllente.0487 .AO A ANALISE DE DAD OS DISTRI6UICOES DE PROBABILIDADE 135 Figura 37.~r..0 ~-" • =1- J = ~-:-. . _:-t_'.-~.«nurnaro de chamadas por hora. I = 0.-(Io-~..

de frequancias desta segue tarnbarn pouco provavel que tal suceda. W .«mirnero de chamadas sfeciuadas. para a linha de apolc au a Y .de duas horas. Enquanto estas condicdes se mantiverem existe necessidade nao de POisson e a media de ocorrenclas que a constituem. de se redimensionar a call center. Y .POi(AY) B.«rnirnero de chamadas efectuadas. No example proposto.ao (2h). a rnlrnero media de chamadas passar tambern para a dobra (20). ao cliente da empresa Fabrbo X . ternos: W . par hora. em causa ser 0 resultado entao a dlstribulcao da soma de duas variavels com 0 e muito distribuicao modelo de Poisson. ao cliente da empresa Fabrix a apresentar reclamacoes» [ago tinhamos a seguinte variavel com distribulcao de Poisson: X . U Y . au seja.0487.136 INTRODUC:AO A ANALISE DE DADOS DISTRIBUIC:OES DE PRDBA81L10ADE 137 No caso de a variavel A probabilidade consegue de surgir um dia em que a call center da linha de apoio nao dar resposta ao fluxo de charnadas e de 0.. no Intervale . continua em causa tern como consequencia de Poisson.«nurnero de chamadas efectuadas.POi(4) y . nas duas situacoes. par hora.«numsro de chamadas apresentar reclarnacoes» a seguir 0 modele de efectuadas. para a linha de apoio ao clients fnfarma¢ao au a apresentar recta- da empresa Fabrix asolicitar pedfdosde macoes tera tarnbem uma distribuiyao de Poisson com media de 8. para a linha de apoio ampresa Fabrix. a alteracao mas nao afecta a natureza da distrlbuicao as ocorque de Num perfodo de uma hora.Poi( 4 + 3 = 8) Y.POi(AX+Y = AX + Ay) A alteracao do intervalo de tempo au espaco em que sao contabiHzadas rencias do acontecimento medio de ocorrenclas. sera a valor resultante da soma des valores das varlavels Nora: 0 valor de F (15) tarnbem podia ter sklo oblido por consuaa dns tabelas para a bui. para a linha de apolo ao cliente da empresa Fabrix» A dislribuiQao de frequanclas variavel da Y continua ao cliente da empresa Fabrix a sollcitar pedidos de informacao w = X+Y Poisson.«nurnero de chamadas afectuadas. a numero de chamadas empresa para a linha de apoio da de reclarnacoes do nurnero medic Fabrix a solicltar pedidos de inforrnacao segue uma dlstrlbulcao de frequenclas a seguir 0 modelo sera proporcional ocorrenclas consldsrados a A alteracao do valor do numero de tempo diferenca entre os intervalos au espaco Poisson com media de 4 e a nLimero de chamadas a apresenlar segue uma dlstribuicao de Poisson com media de 3.aa acumulada apresentadas no Ane~o rUri~§O de dlstri- xX I- POi(AX) /I. X .POi(20) . sendo a unlca diferenya 0 facto de. com intervalo com a dobro da durac. para a linha de apoio Y. para a linha de apoio ao cliente da empresa Fabrix a solicltar pedidas de lnfcrrnacao» Retomemos 0 exemplo do numsro de chamadas para a linha de apoio da X . par hara.Poi(3) o numero de charnadas efectuadas.POi(10) Considerando par hera. a intervalo de tempo considerado era de uma hera. um Intervale de duas horas. par hora.

_ . b ..b) sequira 0 modele Uniforme. Representagao entre os geoerica da funyao de distrlbulcae Uniforme acurnulada da dlstrlbuiyao - 0 comprimento um comprlmenlo de urna mesa cujas de 1._-_. Representacao r I j tribulcoes de probabilidade de grande ocorrem mals relevantes por permitirem descrever continua.05 m. continuar um continuo de e. A funcao densidade de probabilidade sera: se a ((x) = P(X = x) = b-a sx ::.. aspeclflcacoes do fabricante garantem Figura 40.~-.. tratando-se resultados dade. . ! I ~~ ~-..---.. constante Se X for uma varlavel resultados com probabilidade a e b. apenas serao abordadas as dis0 Figura 39. ~~--. comportamento dos fen6menos aleat6rios de natureza que frequentemente no nosso quotldiano. de valores de probabiliF(x) =: ° P(X :5 x) = x ::. Os pressupostos discrete.05litros. A funcao de distrlbuig80 acumulada sera: se sao em muito identlcos de uma variavel ao modelo sendo a unica diferenca a existir um continuo facto de. a sua distribuicao de probabllidades X-U(a.95 e 1. ! Dlstribulcao Uniforme Esta dlstriouicao numa escala num determinado de dlstribulcao apilca-se intervalo a experienclas aleatorias cujo resultado assumidos seja registado neste modelo 0 ~-~ . Alguns exemplos possivels alaatorla.138 INTRODUCAo A "'NAuSE DE DADOS DISHHBUICil ES DE PROBA81L1DADE 139 generica da fun~ao densfdade de probabilidade da dlstribulcao Uolforme Principals dlstrlbulcoes de probabilidade para variavels continuas A semelhanea do caso das varlavels consideradas parte discretas.20m com um erro maximo aleat6ria continua de 0. consequentemente..a a <x <b x-a b-a se de varlaveis com distrlbulcao Uniforme sao: esta 0 volume calibrada de llquido para garantir nurna garrafa de sumo cuja linha de enchimento se x ~ b um volume entre 0._----_. A dlstribuicao extremes Uniforme apresenta dais parametres a e b correspondentes de ocorrerem do intervale de resultados em Que a probabiHdade e cons- aos tante e nao nula.~ o se x <8 /\ x > b .-_. +.-- ----_ continua e em que a probabilidade de ocorrer um qualquer resultado e constante.

05kg X.0 1 . = 1 '" 0 x ::.S. de urn pacote ter urn peso superior ao indicado na 0 tempo de vida de uma rnaqulna ate que ocorra a primeira consecutivos resultante - 0 espar.S A probabilidade D.95_ 1.Bo Uniforms.AO A ANALISE DE IJADOS DISTRI8UIGOES DE PR08A31 L IOADF.05kg. correspondente ou de espaco ao rnsdlo de ocorrsncias de tempo conside- constante. o modelo de urn pacote de arroz em kg» 1.F(1) = '" 1--__:!__:_ = 0.0.5 = = D.95.«peso Q '" [0. segue norrnalmente a primeira 0 modelo ocoirenclas passa-se uma varlavel ExponenclaL A empresa Fabrix tern urna linha de enchimento da llnha de enchimento. de se encontrar um pac ole de arroz com mats . brada para encher as pacotes com 1kg e com urn erro maximo de 0. num rolo de flo. A funcao densidade de probabiJidade sera: Exponencial apresenta durante urn unlco pararnetro 0 lntervalo Como a probabilidade e 1\. do registo do intervalo de que Se X for uma variavel tempo separa ou de espaco duas ocorrenclas Exponencial. 141 140 o valor esperado '" ). a varlavel X tern uma dislribuir.Exp(l\) A distrlbulcao numero rado. d 1kg e de e .05 . ~~ nistorlai de funcionamento sabe-se que ~ proba~ll1de arro axistente tern dade de todos os pesos contldos dentro do intervalo igual probabilidade de ocorrerem. de pacotas de arroz callAlguns - e a sua dlstribuicao exemplos de variavels com distribulcao Exponencial sao: avaria.)( . ou do intervalo de natureza mas slm 0 intervalo que separa duas continua de tempo ou de espaco ate consecutivas.INTRODUr.05) de probabilidade 1) pedida: f(x)=P(X=x)= 1) ".amento entre dois defeitos aleatorla conseculivas. continua Qual a probabilidade embalagem (1kg)? ate que se verifique a primeira ocorrencia ou do intervale a sua dlstribulcac de probabilidades sequira x . x . = 1= P(X::. 0 que esta em causa o 2 '" --12~- (b-a) 2 o numero ocorrencia de ocorrenclas.·e -i.l ou media sera: Distribui~aoExponencial Ja foi referido que a dlstrlbuicao consistam de Poisson de tempo E(X) = a+b 2 e indicada em sttuacoss desde onde as experiencias acontecimento independentes alaatcrias no registo do numero Quando de" ocorrenclas de urn certo sejam nao €I a ter num dado lntsrvalo e com numero ou espaco. que estas A variancia V( X) sera: = rnedio constante.95 1 .05] do peso do pacote se sltuar entre 0. De/erminaqao P(X:> 1.0.95kg e 1.95. se x > se 0.U(0.

...II' • ~ • .. 0 sistema foidimensionado para atender charnadas por hera e atends em media 10.... em media.. '..:S DE PRDa"6IlIDA DE 143 .ao expooenclal para dlferentes valores a~umUlada e P(X> 5)=1-p(X =1-F(5) S.17 =6 E(.::..[ se x > 0 { Como oca/J center alende. consecufivas estao separadas por um intervalo E(X) = 11 ::: ..AD A ANALISE DE OADDS DISTRIBUICO.4274.. em minutes..5726 = 0...+"....)' "" It.-~-.:.. 0..Exp(O....===--=--=--==~-::-:. dois cllantes? '-. dois .. -- /. duas charnadas de tempo de 6 minutos. 85 charnadas de . 5)= = A F(X)l 1J.. . que decorre entre as chamadas de dois clientes» il= [0..:_ '.-. 1 A . Represental(ao gemirlca da fUOl(ao de distrlbUil(a~ da distrlbuh. Figura 41..pnr de POisson.1 < ).17 (1%0)' se x :..' xA funcao de dlstribuicao acumulada sera: «tempo." ~. '. 0 nurnero de charnadas atendidas. " rnais de 5 minutosenlre as chamadasde. .. por hora.. -.2 < 1.4274 A probabilidade depassarem clientes e de 0. 'Representacao generlca da funl(ao d ens 'dade de probabiUdade I A da dlstribuil(ao exponencial para dlferentes valores de A variancia sera: V(X) fix) = 0'2 Retomemos a exemplo da linha telef6nica de apoio ao cliente da ernpresa hora..+ x Qual oternpo mediDentreduaschamadas 1 = ~~.. .-I -:.. ' o valor esperado OU media sera: Em media.17) Delerminallao da probabilldade pedida: Figura 42. +~- -- . segue uma distribulcao urn maximo de 15 Fabrix.._---..:.3 QOnsecutivas? ~~---~-." " ".. = .X.. _ • _ M • ~ I = 1-0. / _... 10 chamadas que par minute atendera ern media. de passarem rnais de 5 minutos entre.probabilidade . _...~...2 INIRoou<.:0 x . lsso lmplica 0... Qual a...

. o) > 91X :.al a. probablll.t ~ a e caracjertstlcas . sabendo que a ultima chamada foi hi! 4 minutos e Igu. A sua apllcacao de probabilidade a uma das distribuit.l.(1 _ = A funt. forma tarnbern designada 0 que da amnesia. i. que decorre entre as chamadas de dais clientes» D '" [0. 4) '" P (X = 1 . d 5 m'lnutos entre as chamadas de dols chentes que dade de passarern mars e e 0.N(J. e .17~5 ) = 1 .5726 =< = rex) = P(X = 0. que correspond em.I I ntao a probabilidade de lavel aleatona com dlstnbUl9ao exponenc a.a5 de d~i~ clientes. em minutos. as areas cientificas. Se X for Exponenc'lal goza da propriedade a distrlbulcao . 5) = A distrfbuicao pectivamen!e. resem causa. sa (os menos S + tate decorrer pe decorreu s sem ocorranclas. Normal apresenta dais parametres da variavel I.4274 x) '" --~~ crJ2n:' 1 . Qual a probabilldade de passarern mais de 9 minutos entre as chamadas de a telef6nica 0 exemp (0 da linh de apoio ao cliente da empresa nas como curva um sino. assume um papel de destaque. como sera dernonstrado..apresenta uma forma multo caracteristica. uma van -' bendo que ja se verificar a pr6xima ocorrenCia. sabendo que a ultima chamada tol hi! 4 minutos? ~ A altura de um portuquas ~ masculino.e ---2-" 20" XE !R A probabilidade de passarern mais de 9 minutos entre as ~~amad.4274. se s.P{ X S.AO A ANAI. a media e ao desvio padrao =1-F(5)= tica em estudo na populacao..Exp(O.l e c.:ao de densidade mals utllizadas. na cadeira de lntroducao X _ «tempo. aleat6ria continua cuja dtstribulcao de probabilldades segue X. + ""[ X. e-O. . da media de ocorrencias por unidade de tempo ou ~~ sspaco ser Dlstrlbulcao Normal A distribui9ao ou Gausslana sem duvida destaque naturais menta como Normal. pratlcamente todas processos Sao inurneros de dlstribulcao os exemplos humanas Normal.:oes uma das mats Importantes.devido a da sua funt.OES DE Pfl08ABILIDADE 145 144 Em rasultado constante. "' .e. Alguns exernplos normal de probabifidade . .0. normaldlversas A rapresentacao vezes referida fica da func. . de Gauss -e um lugar de abrangendo .:ao densidade de probabifidade sera: (X-Il)2 = 1 . flslco-qutrnlcos pelo modelo tate se verificar a primeira ocorrencia.INIRoouC. par vezes. de fsnornenos estatlsgraapea P(X > s + tlX > s) '" P(X > t). semelhante de varlavels com dlstrtbulcao do genero Normal sao: dais cltentes.ISE DE DAOOS ors rrn GUIC.cujo comports- pode sar descrito Na lnferencla tlca.:ao de densldade Retomemos Fabrix. a Seja X uma vartavel a modelo Normal.17) DeierminayBo P (X da probabi/idade pedida: > 5) = A nota de um aluno que lenha obtido aprovacao Analise de Dados. e igual probabilidade de no lnlclo decorrer palo menos par dlstribuicao Ihe confers e vasta. da caracterlst.

= 113 o valor esperado E(X) au media sera: valor de a.~-~ -~~ . tornando-a mais achatada ou mais em bico. au. · . 0 valor de a... par outras palavras.._-~x .. ·. Quanta maier for 0 J :. -...146 INTRODUCAO A ANALISE DE DADOS DIST~lBUICOES DE PRO~ABILI DAD[ 147 Figura 43: Representalfiio geniirica da funlfao densidade de probabllidade (J da dlsfrlbuleao Normal.. A variancia sera: V( X) = 0"2 . Par esta razea diz-se que a dlstribuicao Normal ssta centrada no valor da media da variavel (\-I)._c. __x -. au seja.l e A funy80 de distribuiyao acumulada sera: 4- F(x) 111 < 112 < 113 Cl"1 m = P(X s x) f( x) = _---. apenas afecta a forma da curva...12 = 113 I = = Cl"3 / ~~~~~ -- ---'-_--~--' x -~ --...-ll = ). A variacao do valor de IJ nao atecta em nada a forma da curva. . Figura 44. _-02 111 = )... quanta maior for a "'11 dispersao dos dados. para difflrentes valores de I..-l1 <: 112 < 113 .12 --.~-'-"-7'---'__--I I I I I I I '(xl I 1 UL_~ ~~ .-. IX e crfu -~ 1 _(i-11)2 202 di XE iR 02 = 03 ...l e (J 4- --"----~--~~--_. · •" \ Cl"1 < 02 < 0"3 / ~. Como se pode observar na Figura 43..>--:-:=-----. rnals achatada e a curva... F(x) 1 ... 0 valor de IJ corresponde ao maximo da curva. Representa(f1io generlca da fun(fao de dislribui"ao acu Id d d' lib' T mu a a a IS r urcao Normal. a ponte onde a funyao densidade de probabilidade toma a valor maximo. a dlstribulcao Normal apresenta a particularidade dos seus parametres influenciarem a forma da funcao densidade de probabiHdade de forma totalmante dlstinta. pelo contrario. apenas a desloca ao longo do eixo das abclssas. x I t .. / .. ---.-°1 J. para diferentes valores de I.' . mais distribuidas estao as prababilidades palos varlos resultados passive] e rnenos concentradas estao em tome da media./ '/ Cl"1 < 02 < 03 J.

qual 8 probabHldadedea mercado? empresa nao consegulr dar resposta ao U X + Y . ou Sabendo que a fabrica tem uma capacidade par mes. de gas de refrigeraqao empresa Fabrix para utilizaqao em areas ~t. qual a probabilidade mercado? maxima de.+ 10 = 90.c.N ().lx X _ «procuramensal. resposta a solicitaqao do merc~do. com urn desvio padrao de 3m3 par rnes.1-0.N(80. de gas de refrigem.'t + (f~ Fabrix parauUlizaqao em frigorificosn n = [0. com uma media e um desvlo padrao que pod em ser determinados que a constituem. a que a procura exeeda a sua capaeidada maxima de producao.. e aproximadamente a vender a seu gas de reFrigeral{2o para cuja procura no rriercado Sabemos que e explieada Determinagao da probabWdade pedida: Para que a empresa nacessario nao consigadar proeura media e de 10m3 por rnes.~ apr(Jximadamente .iyao produ~ido pela empresa ras» Fabrix para~imza92o em frigorffieas e areas conqelado- W = X+Y W .3) =0.1587 de a empresa nao consepulr dar res- A procura total. 10) A empresa Fabrix pretende cornecar a utllizacao em areas congeladoras. em m3. entao a distribuiqao das variaveis de frequenclas tambern segue pelqmadelode . degas de refrigaraqao produzido pela ± ). ANALISE DE DADOS DIS1RIAU!f.OES DE PROBABILlDAOE 149 Se uma variavel A procura no mercado do g$5 derefrigeraqaa para utilizaq60 em frigorfficoseexplicada saberncs um desvio padrao Sabendo de 10m3 par meso .:ao Normal. par rnes. Normal.+ =I X .INTROUUr.8413= mensal.(fy ) .N (80.P(X de a empresa nac conseguir dar resposta ao s: 90) = x .:AO 8 r. que exceda os 90m3 par meso P(X > 90) = 1.)102 +32' = 10.«procura mensal.Ly:rc.4) . partir dos parametres que a fabrica tern um8sapacidade maxima de producao de 90m X . par mes. i0) produzido pela em m3..«procura -:::.de gas de refrigerayao tera tarnbern uma distribuiqao Normal. em m3.N().N (u y .producao de 90m3 seja. pelo modelo de di6tribuir. com 3 de 80m for 0 resuJtado da soma ou da diferenca de duas varlavels desta com 0 dlstribulcao modelo Normal.F(90) = empresa Fabrix para utilizaqao em frigoi'ifieos» X-N(BO: Y . arnpresa em m3. produzido p~la ~m~r~sa Fabrlx dlst~bUlqao ~ormal. a que a procurarnedla .Jngeladoras)) Y-N(10. de gas de refrigeraqao produzida pela = 1 .1587 Existe urna probabilidada posta ao mereado. de 0. W .L o x x: ) 1\ Y .«procura mensal..

rao Normal Padrao A distribuiQ80 bulgeo Normal Normal Padrao nao e mais do que a distribuigao padrao numa em 1.-~ (1-.r<3o. it x2 =1.1. xZ= N(f.e .. A ((x) j Distribuit.. F(90) = 1 = 1[ ---.~..~--" e~2 XE lR = 1. J A funcao densidade f(x) de probabilidade sera: . --..=-' 10.'---l> fixou 0 valor da media em 0 e do desvio x Padrao. = P(Z = x).5. Qualquer varlaval com pode ser transformada normal variavel dlstribuicao em que se com distriNormal pelo seu A funyao de distribuicao acumulada sera: """'-------. apenas com a dlleranca se encontrarem a sollcitacao do mercado de producao. pelo que podemos concluir que talvez seja arriscadotentar satisfazer a procura de ga5 refrigerante para areas oonqetadoras.:: -v 27t r. Seja Z1 uma vartavsl aleat6ria necessario que a procura exceda a sua capacldadel118xima seja. .ao densidade de probabilidade Nanna! padrao da dlstrlbulcao A probabllidade de a empresa nao conseguir dar resposta ao mercado e de 0. = · •. as variavels Normal Padrao sao representadas Normal e das restantes distribuieties... e ou oe media e desvio padrao (parametres da dlstribulcao) 1.. 9 Z> N(O. respectivamente. que exceda os 90m3 por meso P(W > 90} = 1.4brc J . bastando para lsso subtral-la a sua media (IJ) e dividir 0 resultado valor de desvio padrao (a).1) .5 90) '" contlnua euja distribuiQao de probabilidades se ue o modelo Normal Padrao.5 Figura 45..4d.$0)2 90 .-. em vez da letra X que e com distribuino case da utilizada .150 INTRODUCAO A ANALISE DE DAllOS OISTRIBUICOES DE PROBA81L10AOE 151 A... Representacao gemirfca da fun!. pela letra Z.a) U 1 F( x ) = P(Z s x) = -~-~ ~ N(O.5 = = 0. -·2-· 2X10. J-= e x --- j2 2 di XE~ J<_=~ c (ll cao P ~r urna questao de convencao e com objectivo de facilitar a distln. 0. ' •. distribuiQao No~~al Padrao apresenta as mesmas formulas para as funcoes de os valores da fixes aos valores Determinagao da probabi/ldade ped/da: Para que a ernpresa nao consiqa dar resposta densidade de probablftdada e dislribuiQao.P(W .

:ao para a utjlizayao de distribulceo Normal.---> x P(X > 90) = 1 . uma vasta com a dlstriTinhamos distribulcao Padrao. de gas de refriqeracao produzldo pela empresa Fabrix para utillzacao em friqorfflcos» .AO A ANALISE DE OADOS 0lSTRIBUIC6ES DE PRORABlllDAllE 153 Figura 46.0. 10) da probabi/idade pedida: do rnarcado Determinagao Para que a empresa nao consiga dar resposta a sotlcltacao necessaria que a procura exceda a sua capacidade seja.---! I n= X- [0. P(X > 90) resolvido a problema recorrendo posslvel a fungao de dlstribulcao acurnu- o valor da funcao assim vel. + 00 [ N(80. 1 = = 1 . da relacao 0 que par consulta das tabelas da fun9aO de dislribui9§0 para a Normal com as tabelas na medida e normals que existe entre valavsis fun9ao de distrlbuicao e possivel ler 0 valor de qualquer = = 1 . em forma lada da Normal..j2n [ Ie -00 90 --' (i-BO)2 --~2~ 2~10 • dl.:ao de dlstribuil.152 INTAODUi.. F(x) --------~.8413= -=0.F(90) S 90) = = o valor esperado =0 sera: '" 1 ou media sera: = E(Z) A varlancla V(Z) 1 1-'~--~~· 10. au ---~ ~---.. da distrlbui903o Normal da distribui9ao em que.1587 de dlstrlbuleao abranger. .P(Z Retomemos pelomodelo () examplo da empresa Fabrix que vende a seu gas de refrigeem frigorificos.1587 de a empresa nao conseguir dar resposta ao rnercado par rnes.8413 = '" 0. Padrao faz com que. em m3. p( ~~L::.P(X 1- ::.. a que normalmente acumulada e efectuado Esta clara vantagem se trabalhe normals urn problema. pratica. ::.. apenas nao constitui quando comparado da Normal Padrao.. na Normal proveito Padrao. que excsda os 90m3 par mas. acumulada depende apenas do valor da variatabelar. cuja procura no mercado e explicada rar.1-0. 90) = 90 1 acumulada nas tabelas da Normal Padrao.. tirando padrao. mas acumulada e igualmente resolve-lo atravss da fungo3o de gama de val ores num reduzido buigao Normal. psrmltindo quando numaro representado de tabelas. Rapresentacao generica da funl.P(X = 1 . qual a probabilidade de a empresa nao conseguir dar resposta ao e de 0. Sabemos que a procura media de 3 aproximadamente 80m3 par rnes com um desvio padrao de 10m par meso Sabendo mercado? que a fabrica tem uma capacldada maxima de producao de 90m 3 A probabilidade e ". -/°_) = " 1 . 1).----.1587.---'-'1[ --"---. e maxima de producao.:iio Normal padriio acumulada da distribul9ao x- «procura mensal.---.

para dlferentes valores de k A dislribUiyao normal padrao disso sao exemplo as sondagens.154 INTRODUCAO A ANALISE DE DADOS DISTRIBUICbES DE PR06ABIL 1DADE 155 generlca da fun9ao densidade de probabilidade t-Student. Representa9ao da distribuigiio estando na base de vartas ferramentas estatfsticas utilizadas fre-quentemente.. A funcao densidade de probabilidade sera: Figura 4B... ou seja. X yoes normalmente dlstribuldas..~~""'_-. sendo apensa de notar uma maior extensao das caudas.em sltuacoes em que e necessario trabalhar com amostras de reduzida dirnensao. estando estes directamente relacionados com a dlrnensao da amostra utilizada. quando comparada com a Normal Padrao.:. A distribuicao i-Student permite resolver 0 problema da estirnacao do valor da media de popula- _~_.. -f. _-... ~=~_ __. At-Student e como tal A funcao de distrlbulcao acumulada sera: F(x) essencialmente utilizada em inferencia estatlstica . para diferentes valores de k XE lR F(x) .._. x) '" Seja X uma varlavel aleat6ria continua cuja distrlbulcao de probabilidades segue o modelo I-Student. recorrendo a amostras de pequena dlrnensao em que se verifica um desvio em relacao a dlstribulcao normal. Figura 47._ .~_~ __ --. ---10X . 1 + x( In- '2)- ( 2 n+1 ) di X E lR A dlstribuiyao I-Student apresenta um unlco pararnetro k correspondente ao numero de graus de liberdade. = P(X ::.:::"""'~~o. Representacao da distrlbui9iio generica da fungiio de distribuigao i acumulada t-Student. e regularmente utlllzada em inferencla ssta-tlstlca...-"~- --_ . como Distrlbuicao t-Student A funyao de dlstribuicao acumulada t-Student apresenta uma forma sirnatrica semelhante a um sino .e centrada no valor zero. apresenta uma probabilidade superior de ocorrerem os resultados extremos..

-"---~ --. nem e centrada no valor zero.. confere-Ihe urn I x r( ~ ).~ Seja X uma variavel aleat6ria continua cuja distrlbulcao de probabilidades segue o modelo Qui-Quadrado.tal 'como no caso da i-Student dfrectamente relacionados com a dimensao da amostra ulilizada._------~ x .ao densidade de probabilidade a medida Vimos anleriormente que qualquer vartavat com dlstribulcao Normal pode ser que 0 valor de transforrnada numa variavel com distrlbuicao Normal Padrao. estando estes . este passa a ter uma dlstribuicao Qui-Quadrado.N(Il. X. Figura 49.. 2( ~ ) o S9 X ( 2 J:r.N(O. ou seja. a rnedida que aumenta a dirnensao da amostra. f(x) = P(X = x) = o facto de ser essenciaimente utiHzada em inferencia estatistica. nao apresenta uma forma slrnetrica. ao contrarto da Normal Padrao e da r-Studant..:aoQui-Quadrado apresenta urn untco parametro k.. . sendo muitas vezes apelidada de distribuiQao amostral. . para 1 e 100 graus de liberdade x . e(- 2 >: ) se x z 0 <0 caracter particular quando se pretende trabalhar com amostras de pequena dirnensao.156 IN fROOUCiio " ANAL ISE DE DAOOS DISTRI8UI COES DE PR08A81L10ADE 157 o valor esperado E(X) =0 ou media sera: Dlstrlbulcao Qui·Quadrado A funQao de distribuic.:aodensidade de probabllidade sera: ".. da func.1) U t1 N(O:1) Z2 =( X ~ 11 r- x~ ----. bastando para isso subtrai-Ia ao valor da sua media e dividir 0 resultado pelo valor do seu desvto padrao.X~ A distribuic. A varlancla sera: V(X) = __!5_ k-2 se k > 2 A distrlbulcao t-Student aproxirna-se da Normal Padrao k aumenta.:ao acumulada Qui-Quadrado.cr} U Z = X-Il -" cr .. Elevando este quociente ao quadrado. cornparacao da dlstrlbuicao t-Student com a de Normal padrao.. apresentando uma forma de sino dislorcida em que a variavel em causa apenas assume valores positivos. correspondente ao t100 N(O: 1) nurnero de graus de liberdade.-1). A func.

Qual a probabilidade }( ~-1) . Qual a probabilidade 2.8? de palnels determinado anteriormente coloear ao longo da 3. x) = nao viciado. Um vendedor 15 pessoas de sair um valor entre 2 e 4. que de enciclopedlas anda de porta em porta e consegue.1. a probae de 0.INTRODUCAO A ANALiSE DE DADOS DISTRIBUI<. Ihe abram a porta. inclusive? de sair um valor superior a 3? par dia. 1.2. minima de paineis que e necessario de urn qualquer a 0. Qual a probabifidade de num qualquer Qui·Quadrado clopedia? 2.:amento de um dado de 6 faces de sair 0 resul!ado 2? = P(X ::.3. Representayiio de dlstribuil(iiO generica da funl(iio de distribuicrao acumulada para diferentes valores de k 2. Qual 0 nurnero estrada que a prababilidade automobilista ver pelo menos urn d~s paine is seja superior 3.:OES DE PROBA81L10flOE 159 158 Figura 50: Representa9ao da dlstrlbui!)ao generica da fungao densidade de probabilidade o valor esperado ou media sera: Qui. Qual a probabilidade 1.1. a distribuicao sendo utilizada Qui-Quadrado na estirnacao e essencialmente da varian cia da em inferencia populacao e em testes de hip6teses populacao.2. No Ie 23.:ao de distribuiy80 F(x) acumulada sera: Exercicios adlciorrals 1. dia el~ vender palo menos uma enci- bifidade de vender uma enclclopedla Figura 51. Em cada casa em que Ihe abrem a porta.05. Assumindo que se instalou 0 nurnero qual a probabilidade de um automobilista ver urn painel? .3. )-+) di o sa x :<: a 1. Qual a probabilidade de num qualquer dia ale vender 10 ericiclopadias? ser visto par urn A F(x) \ 3.Quadrado para dlferentes valores de k E(X) = k A variancta sera: V(X) = 2k Tal como utilizada no caso da i-Student estatistica. que envolvam ou nao 0 valor da variancla da A fum.2. Considere se x < 0 a lanc.1. a probabilidade automobilista de um determinado painel publicitario '1 e de para 0.

4. 0 numero de garrafas de champanhe vendidas. Calcule a probabilidade de. 11. Determine a probabilidadede 9. 0 nurnero de veiculos que passam. Calcule a probabilidade de 0 numero de vsfcutos que passarn num qual.78 litros.2.75I1tros? 7. inclusive. A adega Vinhex tem urna Iinha de enehimento de garrafas de vinho. Numa determinada exploracao agricola produz-se rnacas Royal Gala. num bar da Praia da Comporta apresenta uma dlstribuicao de Poisson com media de 5. para tratar de um mesmo assunto. -<". Num delerminado concelho. num determinado call center segue uma dlstrlbutcao Poisson com media de 8. existirem 7 dias em que se vendem menos de 6 garrafas de champanhe.OES DE PROBA8111DAOE 161 4.3.5kg e um desvio padrao de 0. terem passado no maximo 450 veiculos.1.2. em cada 20 pessoas que chegam de finances em causa. 0 Rogario tern alguns problemas crcnicos no joelho direito.:. 0 call center no maximo mimero de garrafas de agua vendidas em determinado dia a independente 8. pelo que joga apenas 40% dos jogos numa temporada. num qualquer dla. 4. 10. escolhidos aleatoriamente. . 15 garrafas de champanhe. quer minuto estar entre 90 e 110. ter esperado entre 80 e 100 min. 0 atendimento ao publico decorre entre as 10h e as 17h nos dias utels. que 0 7.2kg. 4.2. Calcule a probabilidade de num dia.1. Admita que 0 do nurnero vendido noutro dia qualquer. 6. A estrela do Palmelense eo seu avancado Rogerio. 0 numero de cbarnadas recabldas. Calcule a probabilidade de uma maca ter entre 150 e 20og. nao existir nenhuma com urn consumo superior a 10m3. 0 consumo de agua por habltacao segue uma distri- buicao normal com uma media de 9. quando este joga. 5.75 lltros? 6. Sabendo qua 0 bar asta aberto 15 dias por rnes.3.5m3 e urn desvio padrao de 2m3. enquanto que. peso das calxas de madeira onde sao transportadas as rnacas num determinado mss. calcule a probabilidada de. qual a probabilidade de existir alguma garrafa com urn volume de vlnho inferior a 0.1.73 e 0.1. Considerando que cada caixa leva 20 macss. cujo peso segue uma distribulcao normal com media de 176g e desvio-padrao de 93g. Qual a probabilidade de. 5. em cada 20 mayas. 9. call center rnals do que 6 pessoas. numa semana. que 0 nurnero de galas marcados pelo Palmelense.160 INrnODur. Numa caixa de 6 garrafas eseolhida ao acaso. Sabendo que o volume de vinho numa garrafa segue uma dlstribulcao uniforme entre 0. Admita que. eseolhldo aleatoriamente. escolhidos alealoriamente. existirem 3 dias em que telefonam para 0 0 dlstribuicao Normal com uma media de 100 e urn desvio padrao de 20. 7. Calcule a probablUdade de em 5 perfodos de 1 minuto.2. no minimo. 11m3 ? 9. Admita que os jogos sao ind ependentes. conhece uma distribuiyao de Poisson de valor medic 1. haver uma que espere rnais de 1h2omin. na Ponte 25 de Abril tem uma essa pessoa. Calcule a probabilidade de num balrro com 15 habltacoes. 7.3.2. por minuto. Admita..5kg. 5. se venderem entre 3 e 6 garrafas de ehampanhe. pelo menos metade destas terem mais de 200g. Calcule a probabilidade de. por dla.1. uma determinada pessoa leve de ir duas vezes segue uma distrlbuiyao normal com urna media de 1. Qual sera a probabiHdade de uma garrafa escolhida ao aeaso ter um volume de vinho inferior a 0.1.I.3. 8. 10. em 2 dias. ligarem 5 pessoas para center. 6.2. 5.3. ainda.3. terem sido vendidas. Calcule a probabilidade de em 15 minutos existirem 3 ou mais perfodos de 1 minuto em que passam menos de 80 veiculos. estando frequentemente impedido de jogar. numa habltacao.. A sua Influencia e tal. Calcule a probabilidade de. ligarem para 12 pessoas. Calcule a probabilidade de. 8. 9. conhece uma call dlstribuleao de Poisson de valor medlo 2.o A ANALISE DE DADOS OISTRI8UI.1. determine a probabilidade de uma caixa cheia de rnacas pasar rnals de 5. Calcule a probabiHdade de. Qual a probabiHdade de inferior a 135m3? 0 0 eonsumo de agua ser superior a a rsparttcao consumo total de um bairro com 15 habitacoas ser a reparticao de financas. 10. no total das duas vezes. 8. Calcule a probabilidade de urna pessoa ehegar as 15:40 e ja nao ser atendida.2. 0 tempo de espera numa determinada rspartlcao de flnancas segue uma distribuicao Normal com uma media de 60min e um desvio padrao de 10min. por dia. Calcule a probabilidade de em 4 dias. quando aste nao joga. 10.

qual a probabiHdade do Pal me- lense maroar palo men os 2 golos? jogo.05 P(X > G) = 0.2. marcar rnals de 20 golos na pro- do Palmelense xima apoca. A probabilidade rem 7 com veneimento 12. n~o esque~endo as mdlSSOGlaVelS conceitos de representatividade e aleatoriedade. industrial de Setubal da empresa 113mum salarto indice no grafico que e apresentado em Para que serve a amDstragem? Representatividade e aleaforiedade . Determine a proba- 11. • Compreender e distinguir as conceitos de aleatoriedade e de representalividade. existi- 12.05 Amostragem alaatorla • Aleatoria Simples • Sistematica • Estratiftcada x • Par Clusters • Mulli-Etapas • Multi-Fasica 12. as pontes a. Qual industrial. que no final desta epoca a probabilidade 0 11. auferir um salario superior industrial de Selubal? de um outro que trabalha na unidade . eujo salario desta unidade e urn desvlo-padrao tem 1000 trabalhadoResumo C~m este capitulo p~et~nde-. Serao tam.5..~e ~bordar ~e uma forma pragmatica a processo de amostragem.AO A AN AliSE DE DADOS 11. da empresa Sondalix seleceionados melhor pagos? ao acaso.1. asslnalados 50% dos trabaihadoras 12. Qual 12. A unidade industrial res. Qual 0 salarlo 0 salario rnais elevado no grupo dos 1000 trabalhadores plor pagos? Objectiv~s No final deste capitulo devera ser capaz de: • Compreender 0 processo de amostragem. • Distinguir 05 diversos metodos de amostragem aleatoria e nao aleatorta. 0 Palmelense bilidade marcou 2 golos num determinado Capftulo 5 do Rogerio ter jogado.4. bee Amostragem na~ aleatoria • Intencional • Bola de neve (Snowball) • Por QUotas • Par Conveniencia • ltenerarlos aleatorios (Random roule) f(X)l I P(X <: a) = 0. que sera constituida por 15 jogos. 0 salario dos 2500 trabalhadores Sondalix segue uma dlstrlbuicao inferior a €1000 e 5% ultrapassam da unidade Normal. Determine baixo. Num jogo em que 0 Rogerio nao jogue.3. bem descrltos de forma suclnta as principais rnetodos de amostragem alealoria e nao aleatorta segue uma distrlbulcao de €200.3.62 IN mODlIi. as €2000. percebendo a sua utilidade e limitacoes. em 20 trabalhadores superior de Aveiro a €1500. escolhldo normal com uma media de €1000 de um trabalhador ao a probabilidade ao acaso.2. Sabendo calcule Rogerlo vai deixar de jogar futebol.1. mats baixo no grupo dos 125 trabalhadores de.L mostragam 12.

essenciais ao funcionamento das sociedades modernas.). na maioria dos casas. na medlda em que as torna nao so rnals baratos (reduz a consumo de recursos). e Representatividade e aleatoriedade Oualquer amostra devera representar 0 melhor posslvel a populacao.AMOSTRAGEM 165 Para que serve a amostragem? Par daflnlcao. mas esta definiyao pouco nos dlz sabre a sua ufilidade. Toda a analise de inferencla estatlstica assenta no pressuposto de que a arnostra e representativa da populacao em estudo. fisicamente possiveis (populaeoes impossiveis de delimitar). for necessario reallzar um censo. tornando viaval a reallzacao de inLimeros estudos soclals. maior sera a diterenca enlre a reafidade e as conolusoes obtidas a partir da analise dos dados provenientes da mesma. possibilita a reallzacao de uma sene de estudos (sondagens. A amostragem e. a avallacao do grau de representatividade de uma amostra 56 pela cornparayao da lnformacao contlda na amostra com a informayao abtida atraves da analise de tada a populacao. par muito que 0 investigador se empenhe na selscyaO de uma arnostra representativa. como urn dos pilares onde assents a infefenda estatisfica. Par outro lado. em populacoes de grandes dimensoas. tern urn papel fundamental no nosso dia-a-dla. portanto. Indlssoclavel do can- ceito de representatividade. A amostragem. uma amosfra um subconjunfo de elementos de uma populay80. politicos. As caracteristicas de uma populacao dependem de lnumeros factores que. mas con- tendo apenas urn pequena parte dos seus elementos. a delimltacao da populacao.A represenlatividade e urn pifar fundamental e posslvel da amostragem. estudo de mercado. uma vez que. a desconhecimento de urn factor apenas sera a . Cantudo. econornicos. muitas vezes. quando bem aplicada e com uma correcta analise dos dados. pelo que. a amostre so tern utilidade pratlca se liver a capacidade de representar a populacao de onde fol extraida. A amostragem. a que impede a realizacao de urn censo. Desta forma. a pessoa responsavel pela recolha dos dados desconhece quase totalmente. como. quanta men or for a representatividade da amostra. tornando-o financeiramente pouco viavel. como se de uma «populacao em ponto pequeno» se tratasse. Como se compreende. Numa grande variedade de situayoes terns-sa diffdl. au mesmo lmposstvel. etc. para avaliar a qualldade da amostra. a reahzacao de urn censo consorrie' uma conslderavel faUa dos recursos. a amastragem fica desprovida de qualquer utilidade se. permitindo aferir a qualidade e utifidade de uma amostra. entre outros.

Os diferentes rnatcdos de amostragem existentes dividem-se em dots grandes 0 Bola de neve (Snowball) Este metoda de amostragem corneca com a selecyao lntencional de um grupo de elementos. 0 0 de esta seleC9130se basear em criterlos subjectivos podem rnais facilmente _ quando comparados com os metodos aleatorios . em processos mais simples. impede a existancla de crlterios subjectivos. designados por amostragem aleatoria.. as criterios de seleccao sao puramente subjectivos e totalmente dependentes do investigador. quando a amostra atinge a dimensao da populacao a representatividade grupos: os que respeitam aleatorla. e perfeita. Existem varies rnetcdos de amostragem nao aleatoria. nas quais. estes rnetodos mostram-se multo dependentes das clrcunstanclas de quem efectua a selaccao da amostra. 0 que. rapldos e com menor custo.166 INTROOUCAO A ANALISE DE DADOS AMOS 1 AAGEM 167 bastanle para'cornprometer a represenlatividade da amostra. aos quais sera solicttada a recornendacao de outros individuos pertencentes conceito de aleatoriedade. i. que pela sua especificidade tendem a estar bastante dispersas. Outro factor crucial para a represenfatividade de uma amostra e a sua dirnsnsao (nurnero de elementos que a constituem). preferencialmente. elevada representatividade. nao podem sxlstlr elementos da populacao a quem seja negada a possibilidade de serem seleccionados para integrar a amostra. Apresenta. 0 facto de nao ser dada a todos os elementos da populaeao a oportunidade de serem escolhidos para a amostra e 0 e considerada aleatorta se a forma como esta foi setec- cionada garantir que todos os elementos da populacao tern uma probabilldade diferente de zero de serem escolhidos. Contudo. a conceito de representatividade de uma amostra e indissociavel do conceito de aleatoriedade. garante de uma do esquema de aumenlo da dirnensao da amostra leva sempre a urn aumento da sua represenlatividade. e os que nao respeitam estes conceito. com uma seleccao sem crltertos dos ele- facto mentos que constiluem a amostra. importante alertar que a alealoriedade. dos quais serao apenas abordados as prlncipais. 0 investigador apenas controla a selsccao dos prirnei- ros elementos sendo os restantes gerados pela propria dlnarnlca do processo. pode provocar grandes enviesamentos na lnformacao recolhida. 0 que os toma bastante populates e multo utilizados. contudo.conduzir a maiores enviesamen. por si so. a desvantagem de as pessoas recomendarem. familiares e amigos. vlndo a tornar-se mais dellneada ao logo do processo. Independentemente amostragem utilizado. . Como resultado. sendo as seus elementos dificeis de locallzar e contactar. A aptlcaeao destes rnetodos resulta. aleatoria. tos na lnrorrnacao recolhida. Uma amostra Amostragem nao aleatorla as metod 05 de amostragem nao aleatoria caracterizam-se pela ausencia de um conjunto de regras elaras e objectivas que determinem a forma de seleccionar os elementos para a amostra. contudo. designados por amostragem nao a mesma populacao. que exclui boa parte da populacao. erradamente entendido como a seleccao ao acaso. as diversas tecnicas de amostragem desenvolvidas visam garantir a mais passive] a representativldade da amostra.e. Uma amostra seleccionada desta forma nao e considerada e sempre Intencional Esta e a forma mats simples e menos aleatoria de amostragem. nao e. Este rnatodo e muito utll para pequenas populacoes. muitas vezes. uma vez que se baseiam em criterlos subjectivos e pragmatlcos. Urn exemplo tlpico de aplicacao errada do conceito de aleatoriedade sao as entrevistas de rua. Por outras palavras. A dirnensao da amostra tambern nao e conhecida no inicio. na medida em que crla um conjunto de regras rigidas para a seleccao da amostra. No limite. A aleatoriedade. considerando que se tratam dos elementos mais representativos da(s) caracterlstica(s) em esludo na populacao. tendendo estes a apresentar comportamentos semelhantes. so podem ser escolhidas as pessoas que passem naquele local durante urn determinado intervalo de tempo. a conceito de aleatoriedade e. embora aumente a probabilidade de lsso acontecer. apesar de as pessoas serem escolhidas sem nenhum crlterio. logo a amostras menos representativas. Ainda que sem garantias de sucesso. tornando 0 processo rnals reprodutfvel. em que a investigador simplesmente escolhe intencionalmente 05 elementos da amostra.

par vezes. e utilizado frequentemente a rnetodo de amastragem dos itinerarios princlpais (random route). local de resldencla. em que e escolhido. Apesar da aparente aleatoriedade do processn. Sao definidas uma serle de regras que 0 entrevistador tern de seguir por forma a descobrir quais as moradas seguinles onde devera entrevistar pessoas. etc . A princlpal dlficuldade consiste. na obtencao de uma listagem completa dos elementos que comp5em a popUlagao . em cada eslrato amostragem por quotas crita mais Amostragem aleat6ria Para que urn rnetodo de amostragem seja conslderado aleatorto. . Na amostragem aleatoria simples e dada igual oportunidade a todos os elementos da populacao de serem seleccionados para a amostra. Depais. a processo e tarnbem multo senslvel ao incumprimento das regras por parte do entrevistador. um ponto de partlda. normalmente. normalmente uma morada de partida au urn ponto de referencia facilmente ldentiflcavel (igreja. A e a versao nao aleatcrla da amostragem estratificada des- a frente. demorada e/ou de fiabilidade questionavel. de forma alaatoria. Apesar desla clara mals-valia.. com trequsncia. A Ilstagem comum. esquadra da pollcla. Urn oulro tipo de dificuldade com que a amostragem aleatorla se depara e 0 e da investigador pouca influencia na escolha. todos tern a mesma probabiJidade de integrar a amostra.e. dispendiosa. limitada a populacoas pequenas ou em que exista uma llstagem de todos as seus elementos. minimizando a influencla do investigador no processo. e necessario e seleccianada. ). de persecucao lmposslvel. Como os ele- mentos nao padem ser substituldos. urn certo nurnero ou percentagem de elementos. e a mais a lrnplernentacao 0 desle rnetodo. uma serie de obstaculos de todos os elementos da populaeao que 50S 0 entrevistador para influenciar a escalha da amostra com cri- terios subjectivos. As amastras resultantes sao. 0 que e dificil de detectar.. ficando muitas vezes 0 entrevistador circunscrito a uma pequena area geografica. levantam-se. que podem mesmo chegar a Inviabilizar a sua utilizayao. grandes quantidades de nao respostas que podem provocar graves enviesamentos.. geram-se muitas vezes. nao aleatona.. Por convenlencta Neste metodo de amastragem os elementos sao escolhidos par convenlencla au par faciHdade de acesso por parte do investlgador. permitindo controlar enviesamentos e melhorar a represenlatlvidade da amostra. problema das nao respostas. uma vez que a complexidade torna dlspendiosc de tempo e recur- processo assume em muitos dos casas e. este nao assegura que todos os elementos da populacao ten ham uma real probabilidade de ser selecclonados. foram desenvolvidos diversas tecnicas de amostragem alealoria. criando uma listagem ordenada e numerada a ser usada na realtzacao de urn sorteio dos elementos para a arnostra. que tern uma probabilidade diferente de zero de integrar a amostra. normal mente. A existencla destas regras assegura a ausencla de subjectividade na seh:lc~ao dos elementos.uma tarefa que se torna muitas vezes complicada. portanto.. Apesar da sua aparentemente simplicidade. i.168 INfRODUCAO A ANALISE OE DADOS AMOSTFIAGEM 169 Por Quofas A amostragem por quotas cornsca com a dlvisao da popuiacao em estratos segundo uma determinada caracterlstlca dos elementos (par sxemplo: genera. Quanto mais rlgrdas estas regras. denominado quota. faixa etaria. pouco representativas populacao e a informayao recolhida bastante enviesada. tendo 0 as tecnlcas de amostragem aleatoria apresentam algumas desvantagens. estes rnstodos permitem estlmar as margens de erro nas previs5es efectuadas. de forma que exista um conjunto de regras claras e objectivas que assegure que todos os elementos da populacao tern oportunidade de ser seleccianados. e por diversas razces. ou seja.). Para que seja possivel garanlir esta condlcao €I necassario idenliflcar lodos as elementos da populacao. Com 0 objective de minorar todas estas desvantagens e simultaneamente potenclar ltlnerarlos aleatorlos (Random Route) Em estudos de mercado a probabilidade de se obter uma boa representalividade. etc . A selecyao dos elementos essencialmente fruto das clrcunstanclas. menos liberdade tera 0 Aleatorla Simples l. A aplicacao da amostragem aleatorla simples esta. Como consequencla.

ainda que 0 grau de repre- sentatividade esteja directamente relacionado com a qualidade e rslevancia do crlte- . e dividldo em sub-clusters. garantindo que as eslratos estao represenlados na mesma proporcao em que se encontram na populacao. que sera do processo. sendo essa a razao de este matodo ser tarnbern designado par amostragem quasi-aleatorla. 0 processo lermina com a apllcacao do metoda de amostragem simples aos elementos contidos e posslvel controlar 0 nurnero de elementos representativos de cada urn dos estratos que integram a amostra. podem ser exemplos partir de um subgrupo da populacso. A amostragem por clusters dispensa. sendo que as reslantes sao obtidos pela soma a de crlterios de estratitlcacao: a genero. Multi-Etapas A amostragem rnultl-etapas nao e mais do que uma cornblnacao dos rnetodos de amostragem por clusters e aleatorta simples. o valor k.:ar par determinar a valor de k. If = N n A semalhanea do que o investigador vimos para a amostragem eslratificada. eleterceiro e rio que penmite fazer a divisao da poputacao em grupos sera necessaria mente de uma natureza diferente do assumido para a estratlflcacao.. seguindo-se a seleccao aleatona de alguns. a partir da dlrnensao 0 grupos mutuamente exclusivos.a necessidade de efectuar uma Jistagem de todos as elementos da populacso. denominados estratos. Este procasso resulta em amostras mais representativas da populaeac. ser exemplos de clusters: as bairros. a populacao corneca par ser dlvidida em devera comer. par sua vez. que deverao ser relativamente hornopeneos em termos da varlavel au conjunto de vanevels em estudo. i. Os crtterios de estratlflcacao podern ser multo variados mas tern ssrnpre de assegurar que a reunlao de todos as grupos abarea todos as elementos da populacao. sendo a amostra composta por todos as elementos contidos nos clusters seleccionados.:a e que os clusters nao se pretendern hornoqenecs (como no caso dos estratos). A diferenc. A esta etapa podem seguir-se diversas outras identicas. assim sucessivamente. podem Estratificada Na amostragem eslratiflcada a populacao corneca par ser dividida em grupos mutuamente exclusivos. eta. sendo seleccionados todos os n elementos da amostra. obter-se-a a segundo. a sxistencia de uma listagem completa de todos os elementos da populacao. apenas a primeiro elemento e escolhido de forma aleatoria. Desta forma. etc. 0 0 estudo. denominados clusters. deve seleccionar aleatoriamente um elemento da populacao entre 1 e k. mas. Se considerarmos 0 menlo e adicionando If ao segundo elemento enter-se-a . deverao ser 0 da amostra pretendida e da dirnensao da populacao. assim como que cada elemento pertence apenas a urn grupo. sendo que a diferenca esta no que se define como cluster. requerendo apenas urna fistagem dos clusters em que a populacao foi dividida. Seguidamente serao selecclonados elementos de cada estrato segundo a rnetodo de amostragem aleatoria Simples. cada urn dos clusters seleccionados na etapa anterior. sendo os restantes determinados de forma sistematica par aolcao do intervalo da amostra. depende da dlmensao da Por Clusters A amostragem par clusters procura minorar uma dificuldade presents em todos os mstodos de amostragem aleatorta referidos anteriormente . Como se pode constatar. com a homogeneidade existente denlro de exemplo de uma sondagem elelloral. as predlos. primeiro elemento e escolhido aleatoriamenle a Se considerarmos dencla. exemplo de uma sondagem eleitoral nurna cidade. Adicionando 0 ponto de partida 0 mais possivel raproducoes em pequena escala da populacao . seguindo-se a seleccao alea!6ria de alguns deles.:AO A ANALISE Or: oADOS AMOSTRAGEM 171 Sistematica Na amostragem sistematica de um valor fixe (k) 0 rio de estratiflcacao para cada eslrato. Uma vez crlada esta listagem. a faixa etaria. A primeira etapa do processo lnlcla-se . Apesar de todos as elementos da popula- 9ao poderem ser escolhidos. pelo contrario. a dlstrito ou concelho de rasi- posicao do anterior. amostra (n) e da dlrnensao da populacao (N).e. tarnbern designado por intervale da arnostra.170 I 'JTRO 0 lH. assim.tal como na amostragem por clusters . bastara efectuar uma amoslragem aleatoria simples de alguns dos clusters.0 crite- valor k ao ponto de partida.. ou seja. estes nao tem todos a mesma probabilidade de a se~. Em seguida.com a fistagem de todos clusters que constituem a populacao.

Em cada concelha escolhido seriam seleccionadas algumas freguesias e. neste capltulo sera ahordado 0 lema da estlmacao pararnetrica.oble~9ao d~ boas estimativas. A amostragem rnultl-faslca nao deve ser confundida com a amostragem multi-etapas. A amostra seria canstitufda pelos eleilores seleccionados nesta ultima etapa. a unidade amostral muda de etapa para etapa. 0 processo poderia cornecar pela seleccao aleat6ria de alguns distritos. . em cada um destes. Se considerarmos a exemplo de uma sondagem eleiteral referido anteriormente. 0 desvlo padrao. • Eslimar a media. Estima~ao Parametrica o que e a estirnacao pararnetrlca? Estirnacao pontual Estlrnacao per intervalos Determlnacao da dimensao da amostra Factor de correccao para populacoas finitas Objectlvos No final deste capitulo devera ser capaz de: • Compreender 0 conceito de estimalfao pararnetrtca. uma indice ~. como por exemplo a idade. seguida. finalmente. Da analise desta lnformacao preliminar resultaria uma segunda amostra. A principal diferenga reside no facto de que. etc. Multi-Fasica Este processo de amostragem divide-se em duas fases distinlas. na segunda. centrando a descricao na sua utilidade e no processo de . Da amostragem multi-fasica resultaria uma primeira amostra. da qual podia ser recolhida tnformacao preHminar. a ser analisada com maior grau de prafundidade. genera. Numa primeira fase e aplicada uma amostragem aieatoria simples e seleccionada uma primelra amostra. Consideremos 0 exemplo de uma sondagem eleltoral e uma amostragem em 4 Capitulo 6 etapas. selacclonando-se as elementos que constituem a amostra. asslm como 0 processo palo qual sa dimensiona uma amostra de forma a garantJr um dado valor de erro maximo na estlmacao do pararnetro em analise. a variancla e a prcporcao de qualquer populacao a partir de uma amostra. enquanto na primeira se trabalha sempre com a mesma unidade amostral. a qual e utilizada para reglstar Inforrnacao preliminar. 0 metoda e composto por um mlnimo de 2 etapas. Resumo an en 0 0 0 jecttvo de reduzir ao essenclal as questoas te6ricas. A lnformacao recoIhida serve para elaborar uma listagem das posslvels elementos que participarao na segunda fase do processo. em cada uma delas seriam seleccionadas alguns eleilores. Serao analisados os processes de estima9ao pontual e de estlmalfao por intarvalos. a qual js viria a ser inquirida de modo a que a informacao recolhida seja mais detalhada e em maior quanUdade. A partir desta listagem e entao seleccionada segunda amostra. M t d b" .172 INTRODUCAo A ANALISE DE DAIlOS em cada um dos clusters flnals. pela seleccao alaatorla de alguns concelhos. passando na etapa final a ser coincidente com a unidade estaUstica em estudo. t • Detennlnar qua~ ~ dimensao que uma amostra dave ter: de forma a garanlir um determinado valor de erro rnaxrrno na estlmacao de um detenninado pararnetro. filiagao partidaria.

uma estatlstlca amostral (uma formula). tal como referido anteriormente. ou identificando um intervalo de valores (por intervalos).. e possivel tlrar conclusoes sobre tendanclas na populacao por aplicacao da estatistica descritiva aos dados.ar~-··l Medidas descrltives A estirnacao pararnstrlca permite obter uma estimativa do valor dos parametres desconhecidos da populacao.procura. que nao pode depender de nenhum dos parametres deseonhecidos. A estimativa do valor dos parametres pode ser obtida par lnterrnedlo de estimadores (pontual). Representacao gemirrca do procedirnento que e necessarlo efectuar para estirnar urn parametrc populacional Parametres desconhecidos < Estim. em que toda a populacao compreende 0 corpus em analise. contudo. obter a melhor estimativa possivel para a valor de um determinado pararnetro populaeional.ES '!MACAO PARAMETRICA 175 o que e a estlmacao pararnetrlca? No Capitulo 2 foram descritas uma serie de medidas. sendo alcancada atraves da associacao de um estimador a cada pararnetro populaeionaL Um estimador e. procura-se estabelecer conclusoss para a popula9ao com base no conhecimento parcial da mesma. partindo das rnedldas descritivas obtidas a partir de uma amostra. Nestas sltuacoes. que permitem descrever e resumir a lntormacao contida num conjunto de dados. e exemplo a estimagao Figura 52. sendo esle obtido a partir da aplicagao de ferramentas da lnferencia estatlstica. os dados analisados provsrn de arnostras. a partir da informa- gao contida na amostra. a sernelhanca do que aconleee no caso da estatfstica descri- tiva. a reallzacao de censos e poueo frequente. pelo que. Estimagao pontual A estirnacao pontual . e que nos da urna estimativa do valor de urn pararnetro . Quando os dados resultam de um censo.como 0 proprio nome indica . como disso pararnetrica. na maioria dos casos.

Representaltao amostras provenientes A generlca de estimador da mesrna populacao.. e Eficiencia Urn estimador e diz-se eficiente se.Ao A ANALISE DE DADDS ESTIMA<. podendo existir tantos valores distintos quanta as amaslras utilizadas..provenientes da mesma populacao .Xn 8 e usualmente } e os valores resultantes da sua Figura 54. Urn estmador e dlz-sa consistente se 0 seu enviesamento e a sua variancia tenderern para zero com a aumento da dimensao da amoslra.176 INTRODU<.Ao PARAM~TRICA 177 poputaclonal._-l .resultara em varias estimativas para 0 valor do mesma pararnetro populacional.. __ _--_-. tiver variancia minima. Representa"ao generica de urn estimador pontual nso envlesado ( 91 ) e de urn envlesado (92 ) Figura 55. Representa"ao gel!erlca de urn estlmador pontual mais eflclente (91 ) e de urn menos eficiente ( 02 ).. a saber: r:1 r'I I I Nao enviesamento Urn estimadar 1 e diz-se nao enviesada au centrado para E( e) '" 8 0 pararnatro e se 0 seu Consistfmcia . . uma variavel alsatorla func.:::""'-'--' -___.para que pro" duza boas eslimativas - I r I I .E(81) = I 0 o Suflclencia -""~----_. 0 estimador de urn dado pararnetro populacional representado genericamente par e '" e( Xl . . .:1 .:aoda amastra..~. portanta.:aalgumas propriedades. sao designados por estimativas (e)..: . \ ! I I i I I I f J / f I I I \ \ \ \ \ I n" 1000 ! E(82 ) I n= n = 10 100 .. valor esperado for igual ao valor do pararnatro.. Figura 53. consistente quando aplicado a tres dimensiies mas com dlferantes j f I:\ • -:-"--"'~_'~_:_.._-- _. Urn eslimador e. ~" --"'----"'--. sendo nao enviesado.1 I~ 1'1 I: I I e necessaria que satisfac. Ambos os estimadores sao nao enviesados A apllcacao a arnostras. . Urn estimador 8 dlz-ss suficiente se utitizar tada a lnformacao disponivel na amostra relevanle para a estlmacao do valor do parametro 8.:l 1.. A apllcacao do mesmo estimador a varias amostras ...:::. Para que urn estimador seja adequado a urna sstlmacao pontual . e A diterenca entre 0 valor esperado do estimador e 0 do pararnatro e designada por enviesamenlo do estirnador.

Fahrix» para estimar o processo cional envolve em anos. __ _ 2JXj - n x) .> 20 sao apresentadas as ldades de 14 trabal~ac!ores r da empresa .. Para que nao seja necesexistem 23 25 40 sarlo testar estimadores de estlrnadores dar. da empresa Fabrfx e pode ser utilizado ao acaso. .. a partida.· g •. mais conhecido 0 Metodo se sabe respeitarem e 0 Matodo Veroslmllhance. Tabela 20. quando se rnantarn razoavelmente nao envie- para uma vasta gama de dlstrtbulcces populaclonals. na estlmacao pontual. Ida des de 14 trabalhadores Um estimador bom estimador que respeite razoavelmente estas propriedades a considerado um 30 27 42 24 35 36 18 '-<. a o pararnatro em causa e apllca-lo aos dados da amostra Na tabela seguinte tros populacionais.abrjx. estimadorma empresa Fabrix.32+40 14 Estlmador mats adequado = 448 14 = 32 Media (u) A estlrnatlva pontual da ldade T)l$dia. 0 .e de32 anos. Variancla (02) . eriflca-sa v que is . _ .ad~quado . NaTabela Fabrix. simples. para cada parametro cuja abordagem populadetalhada Apresente uma estimativa empresa Fabrix. P desvlo padrao·populacional =~ eo desviopadrao n em estudo. sao indicados os mais adequados para obter a estimativa. ainda utilizados dos Minimos dos Momentos.ladoresda empresa F.1 Apresente Desvio Padrao (a) lhadoresda NaTabela1 Proporcao (TI) it= uma estimativa pontual para o desvlo padrao da '. Contudo.178 !N IRODlJCAo A ANAuSE DE DADOS ESTIMACAo PARAMETRICA 179 Robustez . para os principais pararne- Tabela 19. 0 processo varies procedimentos os criterios da Maxima para a construcao de um bom estlrnamas sao 35 45 32 que. dos IrabCiIJ. 0 Metodo da Estlrnacao Linear e 0 Metodo Quadrados..=1 . 2 n. amostral. obtida atraves desta arnostra de14 idades. Um estimador sado e eficiente e diz-se robusto. pontual para aldade media dostrabalhadoresd~ . de definig80 dos melhores estimadores maternatica. Wola: np corresponde ao numero de elementos de ernostra com a ceracterlstica ._. Quadro resumo com os estimadores dos principals Pararnatro populaclnnal parametres mals adequados populacionais a astlmacao pontuaJ 30+42+35+18+36+23+25 +27 +24 +36+35 +45 +. X . deum trabalhador daempresa uma complex a rnanlpulaeao deste livro.-itidade. bastando cai fora do ambito parametres e bastanle a apllcacao destes na sstlrnacao do valor de escolher 0 estimador mais adequado para Na TabeJa 19 veriflca-se media populacional e a media que 0 estimedor mais adequado arnostral.

:. de um born estimador..180 INTRODUCAO A ANALISE DE DAOOS ESTIMACAo PARAM~TRICA 18 j Estlmacao por intervalos A esfimacao pontual.. obtlda atrav8sdesta 0. da processo dadeiro Quando A estirnatlva procura assegurar que 0 valor desta ssta a rnals proximo populacional. da populacao obter~se-iarn tantos valores diferentes trabalhando com arnostras que respeitam as propriedades o processo cral. lnformacao pararnetro dadeiro garantem sobre 0 erro que pode estar a . mas sim encontrar Oesta forma. conheca relacionada para que seja possivel e necessaria da varlaval determinar a probabilidade de conhecer aleatoria a distnbuiyao de probablll- 0. Na Tabela 1Q verifica-se que porcao populacional 0 a construcao de um Intervale astirnador rnais adequado para astlmar a pro- populacional e controlado cuja probabJlidade e defrnido do pararnatro. variavel parametres A estimativa sendo necessaria a distribui~ao uma segunda tem idade inferior a 30 anos.e. :+{32- 32)2. de conter 0 verdadeiro pelo investigador. esta em causa valor do de Neste caso.P= do valor do para metro que nos quantificar 0 grau de conflanca = _-5 = 14 =: Como vlrnos anleriormente. ou seja. cornsca com a saleocao a estirnar da varlavel ful- aos seus dados. que se pretende trabalhadores da empresa com a varfavel aleatoria e designada inicial e com a parametro fulcral e depende mar. obter a valor exacto sabre a incerteza com determinada probabilldade assoclada de 0 canter. ter uma ldsia do par intervalos. dades e os parametres pretende da empresa Fabrix que e de tenham impasse. a astlrnacao da estlrnatlva. Como 0 que se crla-se uma situar. 05 valores nao seriam multo dtstlntos. processo a lacuna apontada agora a estimacao asscclar uma abordagem uma margem totalmente erro.:ao oa trabalhaooree que 36% dos e populacionais um dos encontrar em causa. 32)2 + (42 _32)2+ .. As propriedades se obtern necessarlas uma estlmava 13 '" 7.85 mini mizar esta diferenya. . ).1 = _802 . da potencial diferenea valor do pararnetro. sabe-se possivel quantificayao pontual do desvio padraodB Idade dOS trabalhadores de 141dades. e as respectivos e que... mas tarnbem da lntormacao que se tem sabre a populacao.( 40 _32)2 14. valor do parametro assoclado esle nao possul quaisquer nlsrnos que permltarn grau de conflanca A estlrnacao pontual. Esta variavel as mesmos estimadores repre- por varlavel nao s6 do para metro a estrmar.. ji.:.36. eaplicados arnostra de 14 ldades. necessariamente. estlrna-se idade inferior a 30 anos. essa que exige 0 conhecimento do pararnetro e a ldentiflca- e com astimadores gao da lnformacao que se detern sabre a populacao. apesar da sua simplicldade uma grande lacuna de aptlcacao (depols de construldo 0 eatlmador). variavel de estlrnacao por intervalos co~tudo. Nesle permitlndo a de estlmacao. procurando colmatar distinta..".:>. nao um lntervalo passamos a ter empresa Fabrix que tern idade inferior a 30 anos. smpresa Fabrix. ei3proporyaoamostral.:ao de trabalhadores da estimativa pararnetro se procurar valores inforrnacao permits adopts pontual quantificar a estimativa.36 pontual da propon.:ao de aleatorla para a qual se esteja estl- estimar parametres populaclonals. contudo. obtidaatravesdestaamostra e de 7. Apresente umaestimativapontualPi3ra apropon. um determinado acontecimento. au seja. este erro de estlrnacao. apresenta pelo facto de nao dar qualquer na estimacao a um bom do valor do estimador que 0 do verrnecaentre a estimativa obtida e 0 ver- (30. muito provavelmente. que este procura da mesma.ercometido populacional. Se fossem recolhidas quantas sentativas as amostras outrasamostras utilizadas. mas nada nos dlzern sabre a pontuaJ.85 enos. l.

.·. igual a 0. I.. uma vez que quantimaior for 0 nivel de e posslvel muito fica a confianc. populaclonal: da varlavel fulcral e fixado 0 nivel de confianc.. probabilidade estar acima neste C8S0 0. --.. metade da probabiHdade de estar fora. 0. na estimativa.variancia Conhecida resta apenas bilidade a distrlbulcao determinar os extremos do intervale dos valores a assumir pela variavel e a de igual ao nivel de confianca.. r.:. da amostra.. sera igual tecer sera.1) N .. .025. ..fn Em que: x -)l _ N(0. Quanto do intervalo... • X- media das n observacoss que constituem a amostra. neste caso. tern-se a seguinle varlavel fulcral: r. Em primeiro lugar em condicoss a construcao 0 intervalo e necessarto para a variavsl fulcra!.1) .:a esco!hido aumentar balxos de nivel rnaior sera a amplitude deste pols 56 assim pratlco..·~. :.:a em 95%.. N fiC ell.. .:a que se pode depositar confianc. a probabiJ1dade elevados aceites como conter 0 valor exacto do paramelro. . . sendo de 95% 0 mais comum.. neste easo. a ou seja... Escolhida de iniciar construir a varlavel fuleral e fixado 0 nivel de confianc. ·. para a variavelfulcral.~!!!----------1l~n._ I intervalo conter 0 valor exacto do pararnetro 0 intervalo quem constr6i e designa-se por nlvel de confianca. recair Se a probano intervalo fulcra I poderem a .x-. Considerando que se pretende e recorrendo media de uma populacao Normal com varian cia conhecida a arvore estimar a de decisao apresenlada na Figura 56.N(O. nNan dlrnensao .182 INTRODUCAO A ANALISE DE DADOS EST1MACAO PARAMETRICA 183 Figura SI:i.·.:a estamos do intervalo de confianca.sle. flxar a probabilidade Este valor e escolhido de 0 por Sim ~ __~~..dimensao da populacao. sntao a probabllidade que 0 intervale inferior abatxo do extremo de tal nao aeonesta centrado. razoavais entre 90% e 99%. nao tem qualquer a lntervatos valores interesse com grandes Valores de significancia mas valores Sao uni0 valor excessivamenle versalmente conduzem amplitudes..media populacional.Arvore de decisao para a escolha de varlavel fulcral adequada Depois de seleccionada a varlavel fulcral. e necessario populacional."-~ 11.. Considerando de um valor se encontrar do extremo superior.95.05.

p[ ~~. ([l( Z %) '" 0. Para isso basta procurar nas tabelas para a fungao de distrtbulcao acurnulada valor a que corresponde uma probabilidade de %. uma tabela com uma valor de provalor da variavel (0 p ( -z~ < -rrnX-11 < z% ""0. a variavel fulcral tern uma distribuigao Normal padrao e esta dlstrlbuicao e slmetrlca extremos do intervalo de contianca. conhecendo babilidade. neste case. . se obtenha a probabilidade da variavel ser inferior a esse valor. Em que: -Z% . em que que esla em causa e a probabili- dade de a varlavel ser menor au igual a urn determinado resultado. J ~ 0. . leitura rnals directa por estar construfda de forma a que. que neste caso a Normal padrao. 1~ 1- "'( Z r.96 e posslvel e 0 determinar os extremos do intervalo para a varlavel ful- lJ -Za/ 12 = -1.extremo inferior do intervalo de confianca para a variavel fulcral: Z% . suttar a labela dos quantis da distrtbuicao da variavel fulcral. Atraves da func. sabendo 0 valor de urn resultado. quando se consulta uma tabela de quantis situay80 mais comum e necessa0 cuidado de verificar primeiro qual a probabilidade em causa.:aode distribulcao acumulada da varlavel fulcral.025 lJ ~. Neste livro sera tida em conslderacao a forma mais comum de construir tabelas de quantis.96 oral. Contudo.025 Zr. a sua utilizagao mostra-se pouco pratlca para a obtencao dos Como. 1~ 1 .J ~ 0. 1 = 0.1~ 1 . da tabela para a funyao de dlstribulcao. Za/ '" 1.ilo P/\RAMHRICA 185 Figura 57: Reprasentalfao do Intervalo de conflanca para a varlavel fulcral i I I pX ~-- [ rtn - Jl > loy. na medlda em que obriga a trabalhar com a labela de forma contraria para a qual foi ccnstrulda.975 -l~ o la.extrema inferior do intervalo de confianca para a variavel fulcral. < Zr. u 12 "r. ou seja. Conludo. 1 [ X Jl < p[ ~~.184 IN lfiOOUCiio A ANALISE DE OADOS ESTIMAf.95 1 Inverso da tabela de fungeo de dlstri- buigao acumulada).025 a probabilidade de um valor estar fora do intervalo de confianca para a variavel fulcral. a a = 1 . > Zr..p[ }.025 p ~fJin~--loy. 1~ 1 .nivel de conflanca tabela dos quantis pode tambern ser definida tendo' em conta a probabilidade da variavsl em causa ser menor au igual a um determinado valor. A e a de a tabela ter side construida tendo em conslderacao a oposto 0 probabilidade de a variavel ser maior ou igual a um dado resultado..-. = 0. se obtenha rio ter sempre 0 0 e centrada em zero..corresponde {}. 0 valor do extrema inferior do intervalo e possivel 0 con- sera slmstrlco ao valor do extremo superior. Em alternativa.' /2 Como a tabela para a funcao de distribulcac acumulada esta construida de modo a que.~( Z r.. a .

. -In [ = 0. para os intervalos de conflanca.1:. a transforrna-Io nurn intervalo de confianya para 0 pararnetrc a astirnar (neste_casopr'e . Tabela 21.rn JI1 !J [ Como se pode constatar a partir do processo de deducao da expressao apresentada em cima. --.L < 1. Jim (J . *? + Xy.1) -rn!J < -11 < - X.+ 196· ~--~--) rn = 0.f5)- .1) )(-11 p( -1..+ Ze» . _ P[-1'96 . Quadro resume com as expressiies genericas ld 'ntervalo de conflanca para a variavel fulcral. resta apenas Uma vez cons t rUI 0 0 1 .. < _~_=.)l '"' }>: .96' 7~--.X + 1..96' P~-X ( - . -.tao fi nca para a varhivel fulcral do Intervalo d e con ra '" . X 12 inter- apresentada em baixo. e apresentada uma labela resume com as expressoss geneTicas para as intervalos de confianr.N(O. Representat.- cr/'..95 ~1)S2 2 _ X2 n-1 P (". I -0 maternatica da expressao a sdia) Esta transformay8o faz-se par rnarupu aca .96 .J .-.1. ]/ef = 11 o ] X . todas elas . vel fulcraJ.96] ~J. ·-~n·-~·)" '-/n " f5-n -P(1.95 Ivn .:a que resullam de cada uma das variavels fulcrais apresenta- {'. tendo como objectiv~ 0 isolamento do parametro a esttmar. que resullam de cada na Figura 56 uma das var!iiveis fulcrals apresentadas Varlaver Fulcral Intervalo de Confiano.Xy. Yin - .INTRODUCAO A ANALISE OE DAOOS ES./n-1 JlcI.96 . No caso de urna varlavel com dlstribulcao Normal e vartancla conhecida.95 X -11 -- u .)( -:-..se deduzern de forma identica que fol descrlto anteriormente . e irnpoeslvel encontrar uma expressao que n80 dependa da varia0 -z% -1.Z~I . sentada em cima.IMACAO PARAMETR!CA 187 186 Figura 58. Contudo.95[11 = 1X - U 1.N(O. 196 X u !J " -In_.96 ' -i~ l . 0 t valo de conflanca para a media e dado pela expressao .96· -J.U = 0. a que faz com que exlstarn varias expressoes diferentes.inclusive nos casas em que De seguida pararnatro a estlmar 80 e a variancla ou a proper- yaO papulacional . N{O.:a . _- /'.95 = das na TabeJa 21.96 o • I 1. c u < -X~ + 1.J~C:C" < X -).95 ]/0. .1) 0.1L_ < 1.96 < ~.96 .96) 0. < '.

.16 0 Xa/ I .84 1.59 1. ldentlflcacao a lnformacao sobre a variavet.. = 1 7 14 ' '" 0.106 ..75 1.025 Na Tabela 22 sao apresentadas Fabrix.025 :> Sabendo que a altura dos trabalhadoresda distribu ida. obtern-se os valores de -2. de liberdade.70 1.67 1. LX. -r- t13 Finalmente.025.. 4. X= M_____. por consulta da Tabela 21.~) lj X% '" 0.:" a de 0._. de urn trabalhador da ernpresa Fabrix» X tern uma dlstrlbuicao sentada na Figura 56 Normal. 5. empresa Fabrix a norrnalrnente uma esti rnativa par lntervalos para a altura media dos = Quantil(0. Construir 0 intervalo 0 intervalo de conflanca de confianca para a varlavel fulcral.025) X . que se pretende estimar. a populacao e Figura 59.78 Sabe-se Enlrando que a probabllldade de X ser maior do que 1.16 e 2.:ao t-Student com 13 graus para 05 amostra tern uma dirneneao de 14. 2. Escolha do nivel de conflanca. Construir para 0 pararnetro 0.025 0.16 Tabela 22.consulta da arvore de declsao apre- a posslvel ldentificar avartavel fulcral rnals adequada.:a para a varlaval em estudo. a varlavel futcral e assumindo a posslvel construir 0 intervalo de confianc. 0 com o valor de probabilidade na tabela de quantls obtern-se 1. Listar toda de um Intervale de conflanca existente pode ser sistematizada respeitante em 5 atapas: a amostra.- X-)1 I~.16. a posslvel abler a express~o que permita determinar a intervale de-confianca urn nivel de contianca de 14 para a rnedla populacionaL . Representacac de intervale de contlanca para a vari{lvel fulcral da variavel fulcral mais adequada. 3.«altura.60 extremo superior do intervalo de confianca. respectlvarnente. '-.64 1. apresente trabalhadores. /2 • 2.CAo PARAMETRICA 189 A construcao 1.82 1.61 1.63 1. em metros.. Par .72 Xu. a varlanclapopulacional a desconhecida a ea valor do extremo inferior sera 0 simetrico do obtido para 0 extremo supe- rior. Idades de14 trabalhaderesdaempresa Fabrix 1. P(X X. as alturas de 14 trabalhadores da empresa -X.188 INTAODU9AO A ANAII SE OF DADOS ESTIMf./ n SI_ extremes inferior e superior do intervale de confianca para a variavel fulcraL .55 1.90 1./ 12 I -2. Uma vez conhecida 95%. Consultando atabela dos quantis para a distribuit.

epossivelconstruk .. A construcao segundo variavel a mesma de intervalos metodologia.64me 1. amostral conslstira relalivamente a cada urn metros...06.76 -1.7 2 .entacatirmar 1. Podernos. daum trabalhador dointervalo dasmpresa . 1. . Determine. -*.. quando comparada com a estldo Retomemosoexemplodasalturas apresentadasnaTabela 22.dopan'3metro estara entre 1.76. e de que overdadeiro valor . Como 0 erro cometido este e normal mente design ado por erro da dlspersao dos valores depende da arnostra 0 erro amostral nao e rnais do que uma medlda Assirn.1...761 A estlmativa Fabrix. Tomando como estimative a ponto rnedlodo lntervalo.amostral assoclado.216...0....64 + 1.1.. Ponto rnedlo do intervalo . se tomarmos na distancta Estime a variancia e odesvio . X . X-ccaltura.. dos extremos ° erro como estimativa deste 0 ponto central tando 0 erro associado aestlrnativa... .· . B.7m. permitindo um valor de erro.. na estirnacao amostral.arvorsds ~aFigJr~56~posf._[·= Relomemosoexemplodas apresentadasna Tabela 22... do intervalo.76m..i· adeqJ~da.. Fabrix» do intervalo.7±0. 1.106 -.J14" + x'l~' in [ = ..64.traba- Ihadares efectuada anteriormente.a estlmatlva da altura media dos. da empresa Fabrix valor do parametro. Erro arnostral= = ]1. a incerteza associada a estimacao dos 14 trabalhadores .. ~..!1empresa Fabrix " . padrao da altura dos trabalhadores.a varianc(a populacfonale 14.. alturaS dos 14 trabalhadores d.em Comecemos . .._·_':':··. palaconstruyao de confianca para a variancia ..~.AO A ANALISE DE DADOS ESTI MAt. ointervalode . " --. estimativa e bastante baixo.. dos trabalhadores devera ssr de o erro associado..64 24. e que esta permite quantificar associar-lhe utilizada. . macao pontual.190 INTROOUc.obtida por intervalos da altura media dostrabalhadoresda ernpresa . Xtem sentad" umEidistribIJ19~qNorrTlal.conheddaavarii3velfulcrale 95%.. =1. . made para a media}.--· assurnindo urn nivel deconfian~~d~·· conflanca para 8 variavel em ~stUdo: . que a altura media.. ?orconsultacla Figura 60.• descqnhecidaeiOj d~cis~oa~re-... podemos afirmar que a altura media dos trabalhadores devers ser de 1.06m... . = 0..oerro. Representacao generica de um Intervalo de conflanca Erro amostral 8ll1ostratel11. '17 +216 .06 atraves desta arnostra de 14 trabalhadores e para.i..Jveliclentifi~arEi variavel fulcr~llTlais Erro amostral Extremo inferior Ponto rnedlo Extremo superior Umavez .urn nlvel de conflanca de 95%. 0. ..":-. A grande rnais-valla da sstlmacao por intervalos.AO f'ARAMEl RICA 191 1195[~ = JX - x% .urnadfmensaode . _ J17 . (inferior a 3. de confianya mas com as para oulros parametres resultantes processa-se do facto de a dlferencas fulcral ser diferente. apresen- que 0 para metro pode assumir. peloqua estamos perante urna boa estimativa. .5% do valor esfi.

1.de 0. 0 nao sera a slmetrlco do extreme extreme inferior do intervalo de confianca = A estimativa empress jO.D116m2. u Xa = Quantil( 0. Assim.obter ointervalo de confianltClpara 0 dasvlo padrao basta determlnar tis obtern-se 0 extremo inferior do Intervalo de conflanea.01 ! 24.00591: O.106 o Xa Xb L 5.) '" 1.da altura dos trabalhadoras devera = 0.00591 2 = 0.:Ao PARAMETRICA 193 Figura 61.0176 No caso do extreme inferior sabe-se que a probabiHdade de X ser superior a Erro amostral 0.0292 = 0. 0.7 Como a distrlbulcao superior. e de que 0 verdadeiro entreD .valores. .00591. e de 0.192 INrRODUCAo A ANALISE 01' DADOS ESTIMAr. valor do pararnetro estara JJ Xb '" Quantil(O.025 U P(X 2: X.975 a raiz qoadrada des extremes do interValo para a variancla. 0292m2.0292 .-~.975) . . P(X>Xb) = 0.0.975.. porconsultada Tabela2.7'.. Para se.0116 Xa e.01 e 24.025) Ponto rnadlo do intervalo« 0.e Sabe-se Enirando Qui-Quadrado nao e slrnetrica ou centrada em zero.0176 ± 0. 0.0292[ necessarto obter da tabela de quantlsarnbos de X ser maior do que Xb os. para a variavel para 65 extremes lnferlor e superior do intervale de?onfia~9~ fulcraL Finalmente.025 Fabrix..0.e poss[velobter .<rJspectivamente. P(X'" Xa) a varlancla. R~preSetlta9aQ do Intervale de confianca para a varlavel fulcral Consultando a tabela dos quantis para a distribui9aoQuicQuadrado cam 13 graus de Uberdada.025". obtida atraves destaamostra de 14 talhadores e para um nivelde conflanca cia 95%. obtemcseosvaJores de 5.025.00591 m2eD. por intervalos da variancla da altura dos trabalhadarss da que a probabilidade com' aste valor de probabilidade na tabsla de quantls cbtern-seo extreme superior do intervalo de confianca. aexpresaao qua permtte determinaro intervalo de Gonfiar19<l para a media paptilacionaL = 0. Entrando com esta valor de probabilidade na tabela de quanPodemosentaoafirmarque ser de 0.

•.. P(X > Z~i) /2 = 0. .. . .171[ '. ..0?69..20. X . a variavel fulcral .. de 35 trabalhadClres 98 91 100 daempresa Fabri:x.171-:.094m .a varlavel fulcral e..dos 95%.:.. = 0.do parameuo Ponto medic dointervalo ... estara -N( 0...1) valor . Fabrlx com peso superior a 70kg. 2 + 0.124 Uma vez conhecida.«nurnero de trabalhadores 70kg)) .AQ PARAMETRiCA 195 Apresente uma estimative para a propofl:.rvore klentlficar "'''''''. X tern uma dislribuigao = ]0.. .amostra..171 .005 84 11 Za/ /2 = Quanti/(O. =0.'O A ANALISE DE DADOS ESOIMAI... 0. .0941 Figura 62...0767me 0.-'::- . 67 51 ss .. :_:_.. que a probabilidad~de Xser melordo.··de14talhadores. NaTl'lbela23 sao apresantados os pesos de 35 trabalhadores da ernpresa Tabela23. assumindo umnfvel de "nr"''''n~~ 99%... 0 vercadeirc trabalhadores da ·······~lT1presaFabrix..0769 . rda. '.. Erroamostral = 0... obtidaatravesdesta.. ··p$raul11r1rveldeconfl~n~cle .~es .005) ..a varianola populacional e 35..124 ±O. da empresa Fabri~' com peso sUperior a .. e de que.....O..'.pr Collsultadaa. e posslvel construlr 0 intervalo de confiBlwa parae variavel em ..0769 . Representa!.. .ao de trabalhfdpres ..--' .194 INTROOUC..que na 52 96 Entrando com 0 valor de prab~bllldade extrema superior do intervalo de confianca. ..171m.P.ao do lntervalc de confianca padrao daaltura dos trabalhadores ...UII'''>f'Ir''' de e a amostra tern urna dimensacde apresentada na Figura 56 e pbsslvel quada.Podemosentao para a varlavelfulcral devera ser de 0.. _ de Bemmiur... <Ae~tjmativa porintervalosdo desvio padrao da altura..13 85 85 109 Sabe-se :'.. da empresa .. anrrnarque 0 desvio ...········entreD.

/2 In .. Ij - r~ n~~ .. - . 0.' Ij I~66(1-0.66(1-0. ~possi'lelobieraexpressao que dos extremes Esta Influencia ou seja.' 087-045 Extremo E rro amos t ra I -------"----~ 2' = 0. . a dirnensao da arnostra na Tabela esta presente influencia Consultandn a tabela dos quantis para adislrlbuil. do extremo inferior sera 0 sirnetrico ao obtldo para 0 extrema supe- Determlnacao da dlmensao da amostra Como se pode constatar os intervalos conflanca.. influencia 0 valor do erro amostral..1) qenerica para 0 intervalo de contlanca e dado pel a expressao apre- jO. obtern- 21.In 2 _cr_ = Zal .S7! em baixo.N(O...45: 0.58 e 2. Superior - cometido na astimacao da media e = dada pela expressao 066 apresentada Erro am astral =.58.. associado da amostra padamente no valor do erro arnostral..66D_ 35 = 'YJn A exprsssao sentada X-jl. = _~ n 35 efectuar a estlrnacao. de 35 talhadores e para uf]1 valor do pararnetro estara que a verdadeiro A expressao genenca . por consulta da Tabela 21. para os exuernos inferior e a dlrnensao sempre Como consequenda dlrnensao superior do intervalo de conflanca para a.87 . ~.. 0.c.ao Normal padrao._ = ~23 . = 2 x Za/ ..66) 35 . .. = = Jo .--=- cr ~. .196 IN TAOOuCAo II ANALISE DE DADOS ESTIMACAO PARAMETRICA 197 o valor rior. 0 66+2 58." para 0 erro maximo em baixo. _ P 70k9 = ~npeso > .. n = [ tern-sa a varlavsl em baixo.. Finalmente. 0 valor genericas do intervalo para de -se as valores de -2. 58. obtida atraves destaarnostra nlvel de contianca de 99%...Z".. 72 ! . V I. em todas as express5es da arnostra. p(1-p) p + ZtV' /2 " J 1 p(1-p) ---[ vartancia conhecida a estimar arvore a media de uma populacao de daclsao apresentada Normal com na Figura 56.._-_!:.21 com peso superior 2 Extremo Inferior ~----- f Podemos entao afirmar que a proporcao de trabalhadares a 70kg devera ser de 66% ± 21%.66 sobre 0 valor maximo Considerando do erro de estlrnacao. Ponto media do intervalo da empresa Fabrix e de .4~.. ..variavel fulcral. por quem pretende ao facto de esta ser definida antecipermite ter algum controlo permite determinar 0 intervalo de conflanca para a media pcpulaclonal. 66-2 .._. A estimativa por intervalos da proporeao de trabalhadores com mais de 70kg. respecnvarnente../ 2 '. 0. que se pretende e recorrendo fulcral apresenlada J/99 [ ~ = J p . entre 87% e 45%. =~0. de confianca cia. .

! . -11 v: p-n . se obtenham express5es diferentes.AD PARAMI'TRICA 199 Como se observe e posslvel encontrar comelido fulcrais no processo de deducao da expressao apresentada em cima. para qUOjntoslrabalhadoressera daaltura mediadestes. p .~s=-.i . e apreda do arro amostral.:. nivel mediante um deterrninado garantrr valor de desvio urn deterrninado a quaJquer pessoa urn a erro maximo tantes No caso das resexpresuma tabela de conflanca. . que resultam de cada uma das vartavels fulcrais na Figura 56 Erro Amostral Erro Arnostral uma !abela resumo com as expressoes para a deterrnina<.1) Erro Amostral = Za/.1)s 2 .p) ~/~2 ~. Quadro resumo com as axprossoss apresentadas genericas para a determlnacao da dlrnensao da amostra.ao dimensao x rrn -!l _ N(O. (1 . . nm .' Xu '--~'2-'.. para que. apresentada em cima permite se possa calcuio determinar a dlrnensao que a amospadrao valor e uma expressao na estlrnacao e parametres que relacione do para metro populacionals. 1 _ 'i n s %n . Quadro resume cern as expresscee apresentadas Variavel Fulcral genericas para a determinacao mento sentada e id€mtico. com as express5es genericas para a determlnacao do erro amostral.Xn-1 . .r72 'in s Variavel Fulcral Dimensao da am ostra (J -'~- X -11 X _. necessario se pOSp8 asssqurar urn erro "lTln~:tr lri. De seguida.05m? .1) = Zr:.n-- ~-~ X-)l Yrn . [1 . com 0 A expressao tra deve determlnado amostral. 0 procedi- Tabala 24. .---' xi .' !'.~'~ abler uma nova expressao do valor que permita determiprelendido.N(O.-~ 1J n= )2 Erra Amastra! " Zr:. . co /2 n = [ -E-rr-o~A'-=-m-o-stral ]2 Retomsmos apresentado n exernpto da altura media' dos Irabalhadores anterlormente(Tabela 22).. s [ -.. parametres genericas populacionais.198 1NTRODU~AO A ANALISE DE DADOS EST IMAr.!. que resullam de cada uma das varlavals fulcrais na FIgura 56 Erra Amostral "" X(1/2 .15) V.. de forma a garantir .N(O. No caso das restantes deve ter..-_ Erro Amostral ~ )2 (n ::._. em bora se obtenham e apresentada Atravas e posslvel determinar De sequida.1) n= z._-~ Erro Amostral X% .' entrevistar.N(O.. O..Erra Amastral = -_. 7'n (l Tahala 25. a dlmansao populacionaL da amostra ter.. resume 0 procedimento e identlco._~.-'-~--. . desle simples de errn variaveis sees diferentes... da Erro Arnostrar' nar a dlrnensao vanancla da amostra (n) a partir de erro arnostral e do valor de Zu/.N(O:1) Reorganizando expressao da Tabela a expressao 24) apresentada em clrna (corresponde e possivel a primelra n= Z~ . [-~~(!. /2 Zrx/ . dim en sao minima que a amostra maximo de erro amostral. embora da arnostra.1) 2 (n . fulcrais um determinado valor variaveis e.

200

INTRODlH,AO

A

ANA!

ISE DE DAnos

ESTIMM,;Ao

PARAMETRICA

201

Consjderando

que se continua a pretender estimar a media com um nivel de

A estlrnacao

a dlrnansao da amostra, requer 0 conhecimento

da proporl,;8o Para que este

significancia de 95%,lem-se:

amostral, 0 que irnplicarta ter recolhldo a amostra prsvlarnente. clelo vicioso possa ser quebrado proporcao, desfavoravel

n

=.(';_.'. x..Arnostral ._: ('.3,16 S)2 %.... J ~.~. lErro .... -.. y 0,05
=> X

0 comum nestas situar;6es
(gera a rnalor arnostra).

e nscessano assumlr e conslderar-se

urn dado valor para a
0 valor de urn estudo

anterior ou, case este nao exista, consldsrar-se

0 valor 0,5, por sar 0 rnals

Para que seja posslvel estimar a dlrnansao da arnostra. cer 0 desvio

e necessario

conhe-

Neste case, por ter sido previamente trabalhadores,

padrao arnostral, 0 que impHcaria ter recolhido a arnostra preum dado valor para 0 desvio padrao, 0 comum em a valor de urn estudo anterior ou, caso urn valor razoavel. uma amostra previa da altura de 14

a

racolhida uma arnostra do peso de 35 uma proporcao 0,66 valores aeima de

qual foi identiflcada

70kg, vamos assumir este valor para a analise em curso. 2,582 x 0,66 x (1 - 0,66) = ~-~-----~-.-~0,052 = 597,5

vlarnente. Asslrn. estamos perante urn ciclo vicloso. que apenas podera ser quebrada seassurnirmos situar;:oes como esta

e consldsrar-se

n

=

esle nao exista, eonslderar-se Neste

caso,

como tinha sido recolhida

trabalhedcres,

a qual

roi identificado

urn desvlo padrao de 0,106m, assurniPara que, na esttmacao da proporl,;ao trabalhadores com peso superior a 70kg, se garanta um erro amostral maximo de 5%, sera necessarto uma amostra de pelo menos 598 pesos. recofher

remos este valor para 0 presente estudo,

Para que, na 8s!imaqao erro amostral

da altura media dos trabalhadcres, recolher

se garanla

urn

maximo de 0,05m sera nscessario

uma arnostra de

pelo rnenos 21 alturas.

Factor de correccao para populacoes finitas
Retomemos
0 exemplo

da proporr;:ao de trabalhadores anteriormente

da empresa

Fabrix

com peso superior a 70kg aprasentado Quantos trabalhadores

[Tabela 23).

Da analise das equacoas Sera que a dimansao

apresentadas da populacao

em cima, ressaftam nao influencia

a segulntes

questoes:

sera necessario entrevistar para que, na estimaqao da que 113mpeso superior a 70kg, se assegure um

a quaJidade

da estimativa

proporr;:ao de trabalhadores

(erro amosfraJ) e consequentemente Sera que uma arnostra

a dim en sao ideal da amostra? 100 representa de 1.000.000? de uma amosde essa A resposta de iguaJ forma uma

erro amostral maximo de 5% ? Considerando de significancia que 5e continua a pretender estimar a proporcao com um nlvel de 99%, tern-se:

de dlrnensao

populacao

de 1.000 e uma populacao

z~

Houve ja oportunidade tra, rnalor

de referir que, quanto maier for a dlrnensao contudo, surge agora tambern da dimensao da populacao, limites.

,fi

.(1 - 15)
2

e

a sua representafividade; depender que slrn, mas dentro

a questao

n '" ~,~~-,,--ErroAmostral 2,582

=

representatividade obviamente maior quanto

e:

de delerminados

A influ€mcia da amostra

sera tanto

x

p(1 -P)

rnalor for a proximidade

entre as dlrnensoas

e da popula-

0,052

9130,

I.2.l au media sera: o F(x) "" P(X :.5..~.6.03) Determinar.aoda probalJlliriade ~edida. x) = = n· p A varlancla sera: se 0:. x<n S9 xzn Urn estudo sabre as causas da sinistralidade rqdoviaria conclulu que 3% dos condutores tern umataxa de alcool nosangueachnadCJ!il1litelegaL Qual a Figura 33..eo· nurnero de ve~esqlleesteoeorre. Definindo como sucesso 0 resultado 'eslara~imcldolimitelegal'.-. estamosperante uma prova de Bernoulli. x~ B.1 deles acusar urna taxa de alcool no sangue aeimado limite fagal? X .uma vel. 4.7.+ .0·· .. palo que podemos assumir que as proVaSdeE3ernou!Usaoindependentes.:OES DE PROBABllIDAD[ 127 126 A fUI19ao de dlstrlbulcao acumulada sera: o valor esperado se x < 0 E(X) "" f. -C.

A probabilidade de cada bola que se retira do saco ser branca . B resultado obtido em cada prova influencia os resultados das provas subsequentes e/ou a influenciado 0 Se "air. 8 ~ 2. esta voltasse a ser colocada no saco . a sua dlstribulcao de probabifidades sequlra 0 modelo Hipergeometrico. passando a adequar-se urn novo modelo designado por dlstri- e a amostragem sem reposlcao a partir de uma populacao finita.resultado definido como sucesso . p. uma vez que 0 Se safr P('Sucesso') ~ . indlcando-se em cada caso qual a probabllldade de sucesso.~ 5 Quando a experiencia aleat6ria consiste no registo do nurnero de sucessos numa serie finita de provas de Bernoulli dependentes. 0 numero de bolas brancas em 3 teria uma distrlbuir. Sa sair prsucesso') ••••• ~4 B prSucesso') ••••• ~~" 9 Se saire P('Sucesso') = Dlstrlbulcao Hlperqeornetrlca Nem sempre a probabilidade de ocorrer 0 resultado definido como sucesso a prsucesso') ••••• •••• •••• .5.amostragem com reposi.22B~ Nota: 0 valor bilidade Figura 34. buicao Hiperqaometrica.varia de prova para prova e e sernpre dependente do resultado das provas anterloras. A Figura 34 procura representar a forma como varia a populacao em funyao da bola que sal em cada um dos sorteios. Sa apes a analise da cor da primeira bola. com excapcao da primeira. palas antecedentes. o nurnaro de vezes em que sai uma bola branca. Se X for uma vari~vel aleat6ria discreta correspondente ao nurnero de vezes que ocorre 0 resultado de sucesso em n provas de Bernoulli dependentes. bastando que as provas delxem de ser independentes. Representa~ao de urn processo de amostragem~~emreposh.OES DE PROBA61L1DADE 129 A probablUdadede nUrT)aoperar. n) .stoP<l10condutores.nao val ser igual em todas as provas. 1 dales acusar uma taxa. a probabilidadede sucesso seria constants e igual a 0. estamos perante uma sarle finita de provas de Bernoulli dependentes.:ao Binomial..:ao. Coloeando 5 bolas brancas e 5 bolas pretas dantro de urn saco e considerando a axperlencla aieat6ria que consista em retirar.:ao Sa sair de f(l) tamcem podia ter sldo oblido por eonsulta cas tabetaspara a fun9ilo 00 de proba- apreseruadas Anexo9 .. podendo esta ser infiuenciada pelo resultado observado nas provas anteriores au influenciar as provas subsequentes. quando se liram 3 bolas sem reposicao . 10 constante numa serie de provas de Bernoulli.fazendo C9JTl que no inicio decada prova existissem sempre 5 bolas brancas e 5 bolas pretas. 3 bolas e veriflcar se sao brancas. Uma sltuacao tiplca em que se tem dependsncia numa serie de provas de Bernoulli modelo da distribuicao Binomial B e • •• deixa de ser valido.no sanquo acirna doiimiteleg£ll$ de 0..:_I. sem reposicao.0 que consista numa serle de 3 provas de Bernoulli dependentes -. a probabilidade de salr uma bola branca. Nesta situacao.:aoBinomial. torna-se evidente que a probabllldade de sair uma bola branca .:ao. ou seja.128 INTRODUr.. Como exemplo de variavets com distribuicao Hipergeometrica podemos conslderar as vartavels referidas para a distribuir. x- HG(N. Da analise do esquema apresentado. 2.AO A ANALISE DE DADOS OISTRIBUI£. Sempre que tal se verifica..resultado definido como sucesso . segue uma dlstribuiyao Hipargeometrica.de alcool. diz-se que se esta perante uma serle de provas de Bernoulli dependentes. PCSUCBSSO') ~ -95 •••• prsucesso'j Se satr ~ .

2.oes gemhicas da fun!. as provas de Bernoulli sao dependenles. . Como as 5 lampadas forarn._- N -1 A ernpresaFabrix 5%das produz lampadas de xenon para autornovelse anunciaque sao <Is lampadas mais fiavels do rnercado. 5J urna lampadapara sedeterminarseesta aprevez 0 resul- F(x) ::: P(X :::.:: n clefeil()s de fabrlco'e esta ern na e 0 numero de vezes que este ocorrs.upenas (amostragem defei!os de tabrtco. 0 corresponde.fabrleo» Q ={1.nd~ FIgura 36.3.p)_. Definindo cornosucesso tendo ~mcontB.4.~)) (J n.uma al~at6ria com apenasd~isresulladospossjde fabrico). A fung80 de dtstrlbulceo acumulada sera: maxlmo. aprobabilidade de sucssso primalra prova e de 0.se j=o (~) N~)(N(1 . contudo. Qual a probabilidade defabrico? de serem anallsadas ~5 Jampadas sern reposicao) e. retiradas sern reposiyao. se em 5.l = n· p A varian cia sera: VeX) = cr 2 = N-n np(1 .«nurnero de lampadas.05.:ilO A ANALISE DE DADOS DISTRI8UI.ao de probabll!dade da dlstrfbuigao Hipergeometrlca o valor esperado ou media sera: "fix) E(X) = J. x Cadavez que .. nurn late de 40lampadas. x) L -~~----------. Representa!. Repressntacoes genericas da funyiio de dlstrlbuiyiio Hipergeometrfca acumulada da distribuigiio p tem. a probabilidade prova. de ocorrer 0 resultado como sucesso. mas apenas na pnrneira A fun980 de probabilidade sera: f(x) ::: P(X x Figura 35.J 0:::. que~etfl3tade tado'apresenlar causa estarnos perante urna provadeBerl1oulll.no suas iarnpadas apresentam de. uma delas apresentardeteltos X . em que foram de!ectadosdefeitos o x x <0 ..130 INTRDI1U. urn significado ligeiramente diferente..:OES OE PROBA8111DADE 131 A distribui98o'Hipergeometrica existem pararnetro na distribui9ao Binomial. no maximo. garantidoque. apresenta acrescidos definido as mesmos da dlmensao parametres da n e p que populaeao (N).analisada <n senta defeilos ~e fabrico.qlJe analisadas ()qu~ umasxperlencia vels (apresenta pu nso defeitos se x.

media de ocorranclas Alguns exemplos de ocorrenclas de um certo acontecimento seja constante. malar do que a da amostra. de atendimento. dimensao consequ€mcia. x . ao nurnero media de ccorrencias A funcao de probabilidade 20 durante 0 intervale sera: de tempo ou espaco = 11'" n . au e da amostra. correspondente considerado.05.Poi(lt. uma oistrtbuicac de Bernoulli Hipergeometrfca. e-~' x! .987 defeitos de fabrico Se X for uma variavel aleat6ria de.05 = 1 f(x) Quando se analisa urna arnostra de 20 larnpadas sera sspectavet que apenas urna delas apresente defeitos de tabrico. nas proquando a Em a da populacao nurna serie de 5 provas sucesso igual a 0. durante um dado intervalo de de doentes = A probabilidade 0. dependentes com probabilidade menor sera a influencfa vas subsequentes. 20) E(Y) It. - N° de avarias rnaqulna. assim.05. 5) pedida: a ser aceltavel que as provas Binomial da probabilidade que permite assumir a modelo de distribuil..:ao para a variavel Dlstribulcao de Poisson A dlstribuicao de tempo de Poisson desde durante e indieada urn intervalo em axperlenclas sejam aleat6rias independentes que consistam e 0 numero no registo do numsro au espaco. uma amostra de 20 larnpadas (recolhidas sem rapostcao)._". pelo menos. quanta maior for a populacao maier for a diferenga do resultado Considera-se e/ou menor a amostra entre a dlrnensao que a lnfluencia 10 vezes assumir retlrada a partir desta.lUIGOES DE PR08ABILIDADE !33 Quando A variavel X tem.- AX . 0.p = x 0. 0. numa dada = 0. da populacao passa de cada uma das provas de Bernoulli se tornadssprezavel. em 20. nurn dado volume de I1quido.} A distribuig80 de Poisson apresenta urn unico pararnetro Y"'C" {(numera de larnpadas. de Poisson num dado intervalo que as ocorrencras de variavais com distribulcao sao: a um dado balcao - W de pessoas que chegam. uma larnpada apresentar discreta corresporicente de Poisson. num dado intervale de tempo. ao numero de ocorrena sua dis- e de eias de urn certo aconteclrnsnto tribulcao de probabilidades num dado intervalo de tempo ou sspaco. pais consiste de seja. num dado intervalo de lempo. no maximo. em que foram detectados defeit05 de fabrlco» Y> HG(40.763 + 0. que ocorrem.224 = - N° de microorganismos N° de ehegadas tempo.132 IN TRODUGAO A ANAlIS!' DF DADOS DISTRI!. sao independentes. a urn dado hospital. = P(X = x) '" . quan- sequlra 0 modelo Analisando las lampadas com defeitos de fabrico sera espeetavel encontrar? X. Deterininallao e. 0.HG(40. em causa.987.05.

. F(x) 1 I = 1• -1 .ao acumuJada da dlstrlbul~ao de Poisson...134 INTRODU<. cujo numero de Poisson.. Representaltao generica da funltao de distribui!.. A empresa Fabrix tern uma linha telsfonlca lit Gi.. 5..~:} X..3..15)= '" 1 . 0 sis- or - C! "".. o F(x} = P(X :5 x<0 X ..BO da probabilidade pedida: PIX Figura 38. x < n 0..~'1 de chamadas atendidas par hora segue urns distrlbuiyao tema foi dimenslonado atende em media para atender um maximo de 15 charnadas par hora e 10..9513 = 1. para diferentes vaJores de A o valor esperado ou media sera: E{X)=Il=A A fix) A variancia sera. {1. de surgir urn diaemque Qual a probabifidade A fungao de dlstribuicao acumulada sera: nao conslga.4... Representa~ao generica da fun~ao de probabilidade da distrfbui!tao de Poisson.Poi(10) se x ? n Delermina!.-".F(15) = Ii.1 C2 oO~r~~··+10 0.I.. para a I!nha de apoio eo cliente da empresa Fabrlxi x) = se 0 ::. para diferentes valores de" > 15)"" 1-P{X::.~~_ + '" 10 141_~_i-1O_ + ~~gl_5_1i_-_1.2.dar se a call center dalinha de apolo " " rasposta aD fluxo da chamadas? etectuadas.·_"_:_ ~'..~ --'-'-~ de apolo ao cllente.0487 .AO A ANALISE DE DAD OS DISTRI6UICOES DE PROBABILIDADE 135 Figura 37.~r..0 ~-" • =1- J = ~-:-. . _:-t_'.-~.«nurnaro de chamadas por hora. I = 0.-(Io-~..

de frequancias desta segue tarnbarn pouco provavel que tal suceda. W .«mirnero de chamadas sfeciuadas. para a linha de apolc au a Y .de duas horas. Enquanto estas condicdes se mantiverem existe necessidade nao de POisson e a media de ocorrenclas que a constituem. de se redimensionar a call center. Y .POi(AY) B.«rnirnero de chamadas efectuadas. No example proposto.ao (2h). a rnlrnero media de chamadas passar tambern para a dobra (20). ao cliente da empresa Fabrbo X . ternos: W . par hora. em causa ser 0 resultado entao a dlstribulcao da soma de duas variavels com 0 e muito distribuicao modelo de Poisson. ao cliente da empresa Fabrix a apresentar reclamacoes» [ago tinhamos a seguinte variavel com distribulcao de Poisson: X . U Y . au seja.0487.136 INTRODUC:AO A ANALISE DE DADOS DISTRIBUIC:OES DE PRDBA81L10ADE 137 No caso de a variavel A probabilidade consegue de surgir um dia em que a call center da linha de apoio nao dar resposta ao fluxo de charnadas e de 0.. no Intervale . continua em causa tern como consequencia de Poisson.«nurnero de chamadas efectuadas.POi(4) y . nas duas situacoes. par hora.«numsro de chamadas apresentar reclarnacoes» a seguir 0 modele de efectuadas. para a linha de apoio ao clients fnfarma¢ao au a apresentar recta- da empresa Fabrix asolicitar pedfdosde macoes tera tarnbem uma distribuiyao de Poisson com media de 8. para a linha de apoio ampresa Fabrix. a alteracao mas nao afecta a natureza da distrlbuicao as ocorque de Num perfodo de uma hora.Poi( 4 + 3 = 8) Y.POi(AX+Y = AX + Ay) A alteracao do intervalo de tempo au espaco em que sao contabiHzadas rencias do acontecimento medio de ocorrenclas. sera a valor resultante da soma des valores das varlavels Nora: 0 valor de F (15) tarnbem podia ter sklo oblido por consuaa dns tabelas para a bui. para a linha de apolo ao cliente da empresa Fabrix» A dislribuiQao de frequanclas variavel da Y continua ao cliente da empresa Fabrix a sollcitar pedidos de informacao w = X+Y Poisson.«nurnero de chamadas afectuadas. a numero de chamadas empresa para a linha de apoio da de reclarnacoes do nurnero medic Fabrix a solicltar pedidos de inforrnacao segue uma dlstrlbulcao de frequenclas a seguir 0 modelo sera proporcional ocorrenclas consldsrados a A alteracao do valor do numero de tempo diferenca entre os intervalos au espaco Poisson com media de 4 e a nLimero de chamadas a apresenlar segue uma dlstribuicao de Poisson com media de 3.aa acumulada apresentadas no Ane~o rUri~§O de dlstri- xX I- POi(AX) /I. X .POi(20) . sendo a unlca diferenya 0 facto de. com intervalo com a dobro da durac. para a linha de apoio Y. para a linha de apoio ao cliente da empresa Fabrix a solicltar pedidas de lnfcrrnacao» Retomemos 0 exemplo do numsro de chamadas para a linha de apoio da X . par hara.Poi(3) o numero de charnadas efectuadas.POi(10) Considerando par hera. a intervalo de tempo considerado era de uma hera. um Intervale de duas horas. par hora.

_ . b ..b) sequira 0 modele Uniforme. Representagao entre os geoerica da funyao de distrlbulcae Uniforme acurnulada da dlstrlbuiyao - 0 comprimento um comprlmenlo de urna mesa cujas de 1._-_. Representacao r I j tribulcoes de probabilidade de grande ocorrem mals relevantes por permitirem descrever continua.05 m. continuar um continuo de e. A funcao densidade de probabilidade sera: se a ((x) = P(X = x) = b-a sx ::.. aspeclflcacoes do fabricante garantem Figura 40.~-.. tratando-se resultados dade. . ! I ~~ ~-..---.. constante Se X for uma varlavel resultados com probabilidade a e b. apenas serao abordadas as dis0 Figura 39. ~~--. comportamento dos fen6menos aleat6rios de natureza que frequentemente no nosso quotldiano. de valores de probabiliF(x) =: ° P(X :5 x) = x ::. Os pressupostos discrete.05litros. A funcao de distrlbuig80 acumulada sera: se sao em muito identlcos de uma variavel ao modelo sendo a unica diferenca a existir um continuo facto de. a sua distribuicao de probabllidades X-U(a.95 e 1. ! Dlstribulcao Uniforme Esta dlstriouicao numa escala num determinado de dlstribulcao apilca-se intervalo a experienclas aleatorias cujo resultado assumidos seja registado neste modelo 0 ~-~ . Alguns exemplos possivels alaatorla.138 INTRODUCAo A "'NAuSE DE DADOS DISHHBUICil ES DE PROBA81L1DADE 139 generica da fun~ao densfdade de probabilidade da dlstribulcao Uolforme Principals dlstrlbulcoes de probabilidade para variavels continuas A semelhanea do caso das varlavels consideradas parte discretas.20m com um erro maximo aleat6ria continua de 0. consequentemente..a a <x <b x-a b-a se de varlaveis com distrlbulcao Uniforme sao: esta 0 volume calibrada de llquido para garantir nurna garrafa de sumo cuja linha de enchimento se x ~ b um volume entre 0._----_. A dlstribuicao extremes Uniforme apresenta dais parametres a e b correspondentes de ocorrerem do intervale de resultados em Que a probabiHdade e cons- aos tante e nao nula.~ o se x <8 /\ x > b .-_. +.-- ----_ continua e em que a probabilidade de ocorrer um qualquer resultado e constante.

05kg X.0 1 . = 1 '" 0 x ::.S. de urn pacote ter urn peso superior ao indicado na 0 tempo de vida de uma rnaqulna ate que ocorra a primeira consecutivos resultante - 0 espar.S A probabilidade D.95_ 1.Bo Uniforms.AO A ANALISE DE IJADOS DISTRI8UIGOES DE PR08A31 L IOADF.05kg. correspondente ou de espaco ao rnsdlo de ocorrsncias de tempo conside- constante. o modelo de urn pacote de arroz em kg» 1.F(1) = '" 1--__:!__:_ = 0.0.5 = = D.95.«peso Q '" [0. segue norrnalmente a primeira 0 modelo ocoirenclas passa-se uma varlavel ExponenclaL A empresa Fabrix tern urna linha de enchimento da llnha de enchimento. de se encontrar um pac ole de arroz com mats . brada para encher as pacotes com 1kg e com urn erro maximo de 0. num rolo de flo. A funcao densidade de probabiJidade sera: Exponencial apresenta durante urn unlco pararnetro 0 lntervalo Como a probabilidade e 1\. do registo do intervalo de que Se X for uma variavel tempo separa ou de espaco duas ocorrenclas Exponencial. 141 140 o valor esperado '" ). a varlavel X tern uma dislribuir.Exp(l\) A distrlbulcao numero rado. d 1kg e de e .05 . ~~ nistorlai de funcionamento sabe-se que ~ proba~ll1de arro axistente tern dade de todos os pesos contldos dentro do intervalo igual probabilidade de ocorrerem. de pacotas de arroz callAlguns - e a sua dlstribuicao exemplos de variavels com distribulcao Exponencial sao: avaria.)( . ou do intervalo de natureza mas slm 0 intervalo que separa duas continua de tempo ou de espaco ate consecutivas.INTRODUr.05) de probabilidade 1) pedida: f(x)=P(X=x)= 1) ".amento entre dois defeitos aleatorla conseculivas. continua Qual a probabilidade embalagem (1kg)? ate que se verifique a primeira ocorrencia ou do intervale a sua dlstribulcac de probabilidades sequira x . x . = 1= P(X::. 0 que esta em causa o 2 '" --12~- (b-a) 2 o numero ocorrencia de ocorrenclas.·e -i.l ou media sera: Distribui~aoExponencial Ja foi referido que a dlstrlbuicao consistam de Poisson de tempo E(X) = a+b 2 e indicada em sttuacoss desde onde as experiencias acontecimento independentes alaatcrias no registo do numero Quando de" ocorrenclas de urn certo sejam nao €I a ter num dado lntsrvalo e com numero ou espaco. que estas A variancia V( X) sera: = rnedio constante.95 1 .05] do peso do pacote se sltuar entre 0. De/erminaqao P(X:> 1.0.95kg e 1.95. se x > se 0.U(0.

...II' • ~ • .. 0 sistema foidimensionado para atender charnadas por hera e atends em media 10.... em media.. '..:S DE PRDa"6IlIDA DE 143 .ao expooenclal para dlferentes valores a~umUlada e P(X> 5)=1-p(X =1-F(5) S.17 =6 E(.::..[ se x > 0 { Como oca/J center alende. consecufivas estao separadas por um intervalo E(X) = 11 ::: ..AD A ANALISE DE OADDS DISTRIBUICO.4274.. em minutes..5726 = 0...+"....)' "" It.-~-.:.. 0..Exp(O....===--=--=--==~-::-:. dois cllantes? '-. dois .. -- /. duas charnadas de tempo de 6 minutos. 85 charnadas de . 5)= = A F(X)l 1J.. . que decorre entre as chamadas de dois clientes» il= [0..:_ '.-. 1 A . Represental(ao gemirlca da fUOl(ao de distrlbUil(a~ da distrlbuh. Figura 41..pnr de POisson.1 < ).17 (1%0)' se x :..' xA funcao de dlstribuicao acumulada sera: «tempo." ~. '. 0 nurnero de charnadas atendidas. " rnais de 5 minutosenlre as chamadasde. .. por hora.. -.2 < 1.4274 A probabilidade depassarem clientes e de 0. 'Representacao generlca da funl(ao d ens 'dade de probabiUdade I A da dlstribuil(ao exponencial para dlferentes valores de A variancia sera: V(X) fix) = 0'2 Retomemos a exemplo da linha telef6nica de apoio ao cliente da ernpresa hora..+ x Qual oternpo mediDentreduaschamadas 1 = ~~.. .-I -:.. ' o valor esperado OU media sera: Em media.17) Delerminallao da probabilldade pedida: Figura 42. +~- -- . segue uma distribulcao urn maximo de 15 Fabrix.._---..:.3 QOnsecutivas? ~~---~-." " ".. = .X.. _ • _ M • ~ I = 1-0. / _... 10 chamadas que par minute atendera ern media. de passarem rnais de 5 minutos entre.probabilidade . _...~...2 INIRoou<.:0 x . lsso lmplica 0... Qual a...

. o) > 91X :.al a. probablll.t ~ a e caracjertstlcas . sabendo que a ultima chamada foi hi! 4 minutos e Igu. A sua apllcacao de probabilidade a uma das distribuit.l.(1 _ = A funt. forma tarnbern designada 0 que da amnesia. i. que decorre entre as chamadas de dais clientes» D '" [0. 4) '" P (X = 1 . d 5 m'lnutos entre as chamadas de dols chentes que dade de passarern mars e e 0.N(J. e .17~5 ) = 1 .5726 =< = rex) = P(X = 0. que correspond em.I I ntao a probabilidade de lavel aleatona com dlstnbUl9ao exponenc a.a5 de d~i~ clientes. em minutos. as areas cientificas. Se X for Exponenc'lal goza da propriedade a distrlbulcao . 5) = A distrfbuicao pectivamen!e. resem causa. sa (os menos S + tate decorrer pe decorreu s sem ocorranclas. Normal apresenta dais parametres da variavel I.4274 x) '" --~~ crJ2n:' 1 . Qual a probabilldade de passarern mais de 9 minutos entre as chamadas de a telef6nica 0 exemp (0 da linh de apoio ao cliente da empresa nas como curva um sino. assume um papel de destaque. como sera dernonstrado..apresenta uma forma multo caracteristica. uma van -' bendo que ja se verificar a pr6xima ocorrenCia. sabendo que a ultima chamada tol hi! 4 minutos? ~ A altura de um portuquas ~ masculino.e ---2-" 20" XE !R A probabilidade de passarern mais de 9 minutos entre as ~~amad.4274. se s.P{ X S.AO A ANAI. a media e ao desvio padrao =1-F(5)= tica em estudo na populacao..Exp(O.l e c.:ao de densidade mals utllizadas. na cadeira de lntroducao X _ «tempo. aleat6ria continua cuja dtstribulcao de probabilldades segue X. + ""[ X. e-O. . da media de ocorrencias por unidade de tempo ou ~~ sspaco ser Dlstrlbulcao Normal A distribui9ao ou Gausslana sem duvida destaque naturais menta como Normal. pratlcamente todas processos Sao inurneros de dlstribulcao os exemplos humanas Normal.:oes uma das mats Importantes.devido a da sua funt.OES DE Pfl08ABILIDADE 145 144 Em rasultado constante. "' .e. Alguns exernplos normal de probabifidade . .0. normaldlversas A rapresentacao vezes referida fica da func. . de Gauss -e um lugar de abrangendo .:ao densidade de probabifidade sera: (X-Il)2 = 1 . flslco-qutrnlcos pelo modelo tate se verificar a primeira ocorrencia.INIRoouC. par vezes. de fsnornenos estatlsgraapea P(X > s + tlX > s) '" P(X > t). semelhante de varlavels com dlstrtbulcao do genero Normal sao: dais cltentes.ISE DE DAOOS ors rrn GUIC.cujo comports- pode sar descrito Na lnferencla tlca.:ao de densldade Retomemos Fabrix. a Seja X uma vartavel a modelo Normal.17) DeierminayBo P (X da probabi/idade pedida: > 5) = A nota de um aluno que lenha obtido aprovacao Analise de Dados. e igual probabilidade de no lnlclo decorrer palo menos par dlstribuicao Ihe confers e vasta. da caracterlst.

= 113 o valor esperado E(X) au media sera: valor de a.~-~ -~~ . tornando-a mais achatada ou mais em bico. au. · . 0 valor de a... par outras palavras.._-~x .. ·. Quanta maier for 0 J :. -...146 INTRODUCAO A ANALISE DE DADOS DIST~lBUICOES DE PRO~ABILI DAD[ 147 Figura 43: Representalfiio geniirica da funlfao densidade de probabllidade (J da dlsfrlbuleao Normal.. A variancia sera: V( X) = 0"2 . Par esta razea diz-se que a dlstribuicao Normal ssta centrada no valor da media da variavel (\-I)._c. __x -. au seja.l e A funy80 de distribuiyao acumulada sera: 4- F(x) 111 < 112 < 113 Cl"1 m = P(X s x) f( x) = _---. apenas afecta a forma da curva...12 = 113 I = = Cl"3 / ~~~~~ -- ---'-_--~--' x -~ --...-ll = ). A variacao do valor de IJ nao atecta em nada a forma da curva. . Figura 44. _-02 111 = )... quanta maior for a "'11 dispersao dos dados. para difflrentes valores de I..-l1 <: 112 < 113 .12 --.~-'-"-7'---'__--I I I I I I I '(xl I 1 UL_~ ~~ .-. IX e crfu -~ 1 _(i-11)2 202 di XE iR 02 = 03 ...l e (J 4- --"----~--~~--_. · •" \ Cl"1 < 02 < 0"3 / ~. Como se pode observar na Figura 43..>--:-:=-----. rnals achatada e a curva... F(x) 1 ... 0 valor de IJ corresponde ao maximo da curva. Representa(f1io generlca da fun(fao de dislribui"ao acu Id d d' lib' T mu a a a IS r urcao Normal. a ponte onde a funyao densidade de probabilidade toma a valor maximo. a dlstribulcao Normal apresenta a particularidade dos seus parametres influenciarem a forma da funcao densidade de probabiHdade de forma totalmante dlstinta. pelo contrario. apenas a desloca ao longo do eixo das abclssas. x I t .. / .. ---.-°1 J. para diferentes valores de I.' . mais distribuidas estao as prababilidades palos varlos resultados passive] e rnenos concentradas estao em tome da media./ '/ Cl"1 < 02 < 03 J.

qual 8 probabHldadedea mercado? empresa nao consegulr dar resposta ao U X + Y . ou Sabendo que a fabrica tem uma capacidade par mes. de gas de refrigeraqao empresa Fabrix para utilizaqao em areas ~t. qual a probabilidade mercado? maxima de.+ 10 = 90.c.N ().lx X _ «procuramensal. resposta a solicitaqao do merc~do. com urn desvio padrao de 3m3 par rnes.1-0.N(80. de gas de refrigem.'t + (f~ Fabrix parauUlizaqao em frigorificosn n = [0. com uma media e um desvlo padrao que pod em ser determinados que a constituem. a que a procura exeeda a sua capaeidada maxima de producao.. e aproximadamente a vender a seu gas de reFrigeral{2o para cuja procura no rriercado Sabemos que e explieada Determinagao da probabWdade pedida: Para que a empresa nacessario nao consigadar proeura media e de 10m3 por rnes.~ apr(Jximadamente .iyao produ~ido pela empresa ras» Fabrix para~imza92o em frigorffieas e areas conqelado- W = X+Y W .3) =0.1587 de a empresa nao consepulr dar res- A procura total. 10) A empresa Fabrix pretende cornecar a utllizacao em areas congeladoras. em m3. entao a distribuiqao das variaveis de frequenclas tambern segue pelqmadelode . degas de refrigaraqao produzido pela ± ). ANALISE DE DADOS DIS1RIAU!f.OES DE PROBABILlDAOE 149 Se uma variavel A procura no mercado do g$5 derefrigeraqaa para utilizaq60 em frigorfficoseexplicada saberncs um desvio padrao Sabendo de 10m3 par meso .:ao Normal. par rnes. Normal.+ =I X .INTROUUr.8413= mensal.(fy ) .N (80.P(X de a empresa nac conseguir dar resposta ao s: 90) = x .:AO 8 r. que exceda os 90m3 par meso P(X > 90) = 1.)102 +32' = 10.«procura mensal.Ly:rc.4) . partir dos parametres que a fabrica tern um8sapacidade maxima de producao de 90m X . par mes. i0) produzido pela em m3..«procura -:::.de gas de refrigerayao tera tarnbern uma distribuiqao Normal. em m3.N().N (u y .producao de 90m3 seja. pelo modelo de di6tribuir. com 3 de 80m for 0 resuJtado da soma ou da diferenca de duas varlavels desta com 0 dlstribulcao modelo Normal.F(90) = empresa Fabrix para utilizaqao em frigoi'ifieos» X-N(BO: Y . arnpresa em m3. produzido p~la ~m~r~sa Fabrlx dlst~bUlqao ~ormal. a que a procurarnedla .Jngeladoras)) Y-N(10. de gas de refrigeraqao produzida pela = 1 .1587 Existe urna probabilidada posta ao mereado. de 0. W .L o x x: ) 1\ Y .«procura mensal..

rao Normal Padrao A distribuiQ80 bulgeo Normal Normal Padrao nao e mais do que a distribuigao padrao numa em 1.-~ (1-.r<3o. it x2 =1.1. xZ= N(f.e .. A ((x) j Distribuit.. F(90) = 1 = 1[ ---.~..~--" e~2 XE lR = 1. J A funcao densidade f(x) de probabilidade sera: . --..=-' 10.'---l> fixou 0 valor da media em 0 e do desvio x Padrao. = P(Z = x).5. Qualquer varlaval com pode ser transformada normal variavel dlstribuicao em que se com distriNormal pelo seu A funyao de distribuicao acumulada sera: """'-------. apenas com a dlleranca se encontrarem a sollcitacao do mercado de producao. pelo que podemos concluir que talvez seja arriscadotentar satisfazer a procura de ga5 refrigerante para areas oonqetadoras.:: -v 27t r. Seja Z1 uma vartavsl aleat6ria necessario que a procura exceda a sua capacldadel118xima seja. .ao densidade de probabilidade Nanna! padrao da dlstrlbulcao A probabllidade de a empresa nao conseguir dar resposta ao mercado e de 0. = · •. as variavels Normal Padrao sao representadas Normal e das restantes distribuieties... e ou oe media e desvio padrao (parametres da dlstribulcao) 1.. 9 Z> N(O. respectivamente. que exceda os 90m3 por meso P(W > 90} = 1.4brc J . bastando para lsso subtral-la a sua media (IJ) e dividir 0 resultado valor de desvio padrao (a).1) .5 90) '" contlnua euja distribuiQao de probabilidades se ue o modelo Normal Padrao.5 Figura 45..4d.$0)2 90 .-. em vez da letra X que e com distribuino case da utilizada .150 INTRODUCAO A ANALISE DE DAllOS OISTRIBUICOES DE PROBA81L10AOE 151 A... Representacao gemirfca da fun!. pela letra Z.a) U 1 F( x ) = P(Z s x) = -~-~ ~ N(O.5 = = 0. -·2-· 2X10. J-= e x --- j2 2 di XE~ J<_=~ c (ll cao P ~r urna questao de convencao e com objectivo de facilitar a distln. 0. ' •. distribuiQao No~~al Padrao apresenta as mesmas formulas para as funcoes de os valores da fixes aos valores Determinagao da probabi/ldade ped/da: Para que a ernpresa nao consiqa dar resposta densidade de probablftdada e dislribuiQao.P(W .

:ao para a utjlizayao de distribulceo Normal.---> x P(X > 90) = 1 . uma vasta com a dlstriTinhamos distribulcao Padrao. de gas de refriqeracao produzldo pela empresa Fabrix para utillzacao em friqorfflcos» .AO A ANALISE DE OADOS 0lSTRIBUIC6ES DE PRORABlllDAllE 153 Figura 46.0. 10) da probabi/idade pedida: do rnarcado Determinagao Para que a empresa nao consiga dar resposta a sotlcltacao necessaria que a procura exceda a sua capacidade seja.---! I n= X- [0. P(X > 90) resolvido a problema recorrendo posslvel a fungao de dlstribulcao acurnu- o valor da funcao assim vel. + 00 [ N(80. 1 = = 1 . da relacao 0 que par consulta das tabelas da fun9aO de dislribui9§0 para a Normal com as tabelas na medida e normals que existe entre valavsis fun9ao de distrlbuicao e possivel ler 0 valor de qualquer = = 1 . em forma lada da Normal..j2n [ Ie -00 90 --' (i-BO)2 --~2~ 2~10 • dl.:ao de dlstribuil.152 INTAODUi.. F(x) --------~.8413= -=0.F(90) S 90) = = o valor esperado =0 sera: '" 1 ou media sera: = E(Z) A varlancla V(Z) 1 1-'~--~~· 10. au ---~ ~---.. da distrlbui903o Normal da distribui9ao em que.1587 de dlstrlbuleao abranger. .P(Z Retomemos pelomodelo () examplo da empresa Fabrix que vende a seu gas de refrigeem frigorificos.1587 de a empresa nao conseguir dar resposta ao rnercado par rnes.8413 = '" 0. Padrao faz com que. em m3. p( ~~L::.P(X 1- ::.. a que normalmente acumulada e efectuado Esta clara vantagem se trabalhe normals urn problema. pratica. ::.. apenas nao constitui quando comparado da Normal Padrao.. na Normal proveito Padrao. que excsda os 90m3 par mas. acumulada depende apenas do valor da variatabelar. cuja procura no mercado e explicada rar.1-0. 90) = 90 1 acumulada nas tabelas da Normal Padrao.. tirando padrao. mas acumulada e igualmente resolve-lo atravss da fungo3o de gama de val ores num reduzido buigao Normal. psrmltindo quando numaro representado de tabelas. Rapresentacao generica da funl.P(X = 1 . qual a probabilidade de a empresa nao conseguir dar resposta ao e de 0. Sabemos que a procura media de 3 aproximadamente 80m3 par rnes com um desvio padrao de 10m par meso Sabendo mercado? que a fabrica tem uma capacldada maxima de producao de 90m 3 A probabilidade e ". -/°_) = " 1 . 1).----.1587.---'-'1[ --"---. e maxima de producao.:iio Normal padriio acumulada da distribul9ao x- «procura mensal.---.

para dlferentes valores de k A dislribUiyao normal padrao disso sao exemplo as sondagens.154 INTRODUCAO A ANALISE DE DADOS DISTRIBUICbES DE PR06ABIL 1DADE 155 generlca da fun9ao densidade de probabilidade t-Student. Representa9ao da distribuigiio estando na base de vartas ferramentas estatfsticas utilizadas fre-quentemente.. A funcao densidade de probabilidade sera: Figura 4B... ou seja. X yoes normalmente dlstribuldas..~~""'_-. sendo apensa de notar uma maior extensao das caudas.em sltuacoes em que e necessario trabalhar com amostras de reduzida dirnensao. estando estes directamente relacionados com a dlrnensao da amostra utilizada. quando comparada com a Normal Padrao.:. A distribuicao i-Student permite resolver 0 problema da estirnacao do valor da media de popula- _~_.. -f. _-... ~=~_ __. At-Student e como tal A funcao de distrlbulcao acumulada sera: F(x) essencialmente utilizada em inferencia estatlstica . para diferentes valores de k XE lR F(x) .._. x) '" Seja X uma varlavel aleat6ria continua cuja distrlbulcao de probabilidades segue o modelo I-Student. recorrendo a amostras de pequena dlrnensao em que se verifica um desvio em relacao a dlstribulcao normal. Figura 47._ .~_~ __ --. ---10X . 1 + x( In- '2)- ( 2 n+1 ) di X E lR A dlstribuiyao I-Student apresenta um unlco pararnetro k correspondente ao numero de graus de liberdade. = P(X ::.:::"""'~~o. Representacao da distrlbui9iio generica da fungiio de distribuigao i acumulada t-Student. e regularmente utlllzada em inferencla ssta-tlstlca...-"~- --_ . como Distrlbuicao t-Student A funyao de dlstribuicao acumulada t-Student apresenta uma forma sirnatrica semelhante a um sino .e centrada no valor zero. apresenta uma probabilidade superior de ocorrerem os resultados extremos..

-"---~ --. nem e centrada no valor zero.. confere-Ihe urn I x r( ~ ).~ Seja X uma variavel aleat6ria continua cuja distrlbulcao de probabilidades segue o modelo Qui-Quadrado.tal 'como no caso da i-Student dfrectamente relacionados com a dimensao da amostra ulilizada._------~ x .ao densidade de probabilidade a medida Vimos anleriormente que qualquer vartavat com dlstribulcao Normal pode ser que 0 valor de transforrnada numa variavel com distrlbuicao Normal Padrao. estando estes . este passa a ter uma dlstribuicao Qui-Quadrado.N(Il. X. Figura 49.. 2( ~ ) o S9 X ( 2 J:r.N(O. ou seja. a rnedida que aumenta a dirnensao da amostra. f(x) = P(X = x) = o facto de ser essenciaimente utiHzada em inferencia estatistica. nao apresenta uma forma slrnetrica. ao contrarto da Normal Padrao e da r-Studant..:aoQui-Quadrado apresenta urn untco parametro k.. . sendo muitas vezes apelidada de distribuiQao amostral. . para 1 e 100 graus de liberdade x . e(- 2 >: ) se x z 0 <0 caracter particular quando se pretende trabalhar com amostras de pequena dirnensao.156 IN fROOUCiio " ANAL ISE DE DAOOS DISTRI8UI COES DE PR08A81L10ADE 157 o valor esperado E(X) =0 ou media sera: Dlstrlbulcao Qui·Quadrado A funQao de distribuic.:aodensidade de probabllidade sera: ".. da func.1) U t1 N(O:1) Z2 =( X ~ 11 r- x~ ----. bastando para isso subtrai-Ia ao valor da sua media e dividir 0 resultado pelo valor do seu desvto padrao.X~ A distribuic. A varlancla sera: V(X) = __!5_ k-2 se k > 2 A distrlbulcao t-Student aproxirna-se da Normal Padrao k aumenta.:ao acumulada Qui-Quadrado.cr} U Z = X-Il -" cr .. Elevando este quociente ao quadrado. cornparacao da dlstrlbuicao t-Student com a de Normal padrao.. apresentando uma forma de sino dislorcida em que a variavel em causa apenas assume valores positivos. correspondente ao t100 N(O: 1) nurnero de graus de liberdade.-1). A func.

Qual a probabilidade }( ~-1) . Qual a probabilidade 2.8? de palnels determinado anteriormente coloear ao longo da 3. x) = nao viciado. Um vendedor 15 pessoas de sair um valor entre 2 e 4. que de enciclopedlas anda de porta em porta e consegue.1. a probae de 0.INTRODUCAO A ANALiSE DE DADOS DISTRIBUI<. Ihe abram a porta. inclusive? de sair um valor superior a 3? par dia. 1.2. minima de paineis que e necessario de urn qualquer a 0. Qual a probabifidade de num qualquer Qui·Quadrado clopedia? 2.:amento de um dado de 6 faces de sair 0 resul!ado 2? = P(X ::.3. Representayiio de dlstribuil(iiO generica da funl(iio de distribuicrao acumulada para diferentes valores de k 2. Qual 0 nurnero estrada que a prababilidade automobilista ver pelo menos urn d~s paine is seja superior 3.:OES DE PROBA81L10flOE 159 158 Figura 50: Representa9ao da dlstrlbui!)ao generica da fungao densidade de probabilidade o valor esperado ou media sera: Qui. Qual a probabilidade 1.1. a distribuicao sendo utilizada Qui-Quadrado na estirnacao e essencialmente da varian cia da em inferencia populacao e em testes de hip6teses populacao.2. No Ie 23.:ao de distribuiy80 F(x) acumulada sera: Exercicios adlciorrals 1. dia el~ vender palo menos uma enci- bifidade de vender uma enclclopedla Figura 51. Em cada casa em que Ihe abrem a porta.05. Assumindo que se instalou 0 nurnero qual a probabilidade de um automobilista ver urn painel? .3. )-+) di o sa x :<: a 1. Qual a probabilidade de num qualquer dia ale vender 10 ericiclopadias? ser visto par urn A F(x) \ 3.Quadrado para dlferentes valores de k E(X) = k A variancta sera: V(X) = 2k Tal como utilizada no caso da i-Student estatistica. que envolvam ou nao 0 valor da variancla da A fum.2. Considere se x < 0 a lanc.1. a probabilidade automobilista de um determinado painel publicitario '1 e de para 0.

4. 0 numero de garrafas de champanhe vendidas. Calcule a probabilidade de. 11. Determine a probabilidadede 9. 0 nurnero de veiculos que passam. Calcule a probabilidade de 0 numero de vsfcutos que passarn num qual.78 litros.2.75I1tros? 7. inclusive. A adega Vinhex tem urna Iinha de enehimento de garrafas de vinho. Numa determinada exploracao agricola produz-se rnacas Royal Gala. num bar da Praia da Comporta apresenta uma dlstribuicao de Poisson com media de 5. para tratar de um mesmo assunto. -<". Num delerminado concelho. num determinado call center segue uma dlstrlbutcao Poisson com media de 8. existirem 7 dias em que se vendem menos de 6 garrafas de champanhe.OES DE PROBA8111DAOE 161 4.3.5kg e um desvio padrao de 0. terem passado no maximo 450 veiculos.1.2. em cada 20 pessoas que chegam de finances em causa. 0 Rogario tern alguns problemas crcnicos no joelho direito.:. 0 call center no maximo mimero de garrafas de agua vendidas em determinado dia a independente 8. pelo que joga apenas 40% dos jogos numa temporada. num qualquer dla. 4. 10. escolhidos aleatoriamente. . 15 garrafas de champanhe. quer minuto estar entre 90 e 110. ter esperado entre 80 e 100 min. 0 atendimento ao publico decorre entre as 10h e as 17h nos dias utels. que 0 7.2kg. 4.2. Calcule a probabilidade de num dia.1. Admita que 0 do nurnero vendido noutro dia qualquer. 6. A estrela do Palmelense eo seu avancado Rogerio. 0 numero de cbarnadas recabldas. Calcule a probabilidade de uma maca ter entre 150 e 20og. nao existir nenhuma com urn consumo superior a 10m3. 0 consumo de agua por habltacao segue uma distri- buicao normal com uma media de 9. quando este joga. 5.75 lltros? 6. Sabendo qua 0 bar asta aberto 15 dias por rnes.3.5m3 e urn desvio padrao de 2m3. enquanto que. peso das calxas de madeira onde sao transportadas as rnacas num determinado mss. calcule a probabilidada de. qual a probabilidade de existir alguma garrafa com urn volume de vlnho inferior a 0.1.73 e 0.1. Considerando que cada caixa leva 20 macss. cujo peso segue uma distribulcao normal com media de 176g e desvio-padrao de 93g. Qual a probabilidade de. 5. em cada 20 mayas. 9. call center rnals do que 6 pessoas. numa semana. que 0 nurnero de galas marcados pelo Palmelense.160 INrnODur. Numa caixa de 6 garrafas eseolhida ao acaso. Sabendo que o volume de vinho numa garrafa segue uma dlstribulcao uniforme entre 0. Admita que. eseolhldo aleatoriamente. escolhidos alealoriamente. existirem 3 dias em que telefonam para 0 0 dlstribuicao Normal com uma media de 100 e urn desvio padrao de 20. 7. Calcule a probablUdade de em 5 perfodos de 1 minuto.2. no minimo. 11m3 ? 9. Admita que os jogos sao ind ependentes. conhece uma distribuiyao de Poisson de valor medic 1. haver uma que espere rnais de 1h2omin. na Ponte 25 de Abril tem uma essa pessoa. Calcule a probabilidade de num balrro com 15 habltacoes. 7.3.2. por minuto. Admita..5kg. 5. se venderem entre 3 e 6 garrafas de ehampanhe. pelo menos metade destas terem mais de 200g. Calcule a probabilidade de. por dla.1. uma determinada pessoa leve de ir duas vezes segue uma distrlbuiyao normal com urna media de 1. Qual sera a probabiHdade de uma garrafa escolhida ao aeaso ter um volume de vinho inferior a 0.1.I.3. 8. 10. em 2 dias. ligarem 5 pessoas para center. 6.2. 5.3. ainda.3. terem sido vendidas. Calcule a probabilidade de em 15 minutos existirem 3 ou mais perfodos de 1 minuto em que passam menos de 80 veiculos. estando frequentemente impedido de jogar. numa habltacao.. A sua Influencia e tal. Calcule a probabilidade de. ligarem para 12 pessoas. Calcule a probabilidade de. 8. 9. conhece uma call dlstribuleao de Poisson de valor medlo 2.o A ANALISE DE DADOS OISTRI8UI.1. determine a probabilidade de uma caixa cheia de rnacas pasar rnals de 5. Calcule a probabiHdade de. Qual a probabiHdade de inferior a 135m3? 0 0 eonsumo de agua ser superior a a rsparttcao consumo total de um bairro com 15 habitacoas ser a reparticao de financas. 10. no total das duas vezes. 8. Calcule a probabilidade de urna pessoa ehegar as 15:40 e ja nao ser atendida.2. 0 tempo de espera numa determinada rspartlcao de flnancas segue uma distribuicao Normal com uma media de 60min e um desvio padrao de 10min. por dia. Calcule a probabilidade de em 4 dias. quando aste nao joga. 10.

qual a probabiHdade do Pal me- lense maroar palo men os 2 golos? jogo.05 P(X > G) = 0.2. marcar rnals de 20 golos na pro- do Palmelense xima apoca. A probabilidade rem 7 com veneimento 12. n~o esque~endo as mdlSSOGlaVelS conceitos de representatividade e aleatoriedade. industrial de Setubal da empresa 113mum salarto indice no grafico que e apresentado em Para que serve a amDstragem? Representatividade e aleaforiedade . Determine a proba- 11. • Compreender e distinguir as conceitos de aleatoriedade e de representalividade. existi- 12.05 Amostragem alaatorla • Aleatoria Simples • Sistematica • Estratiftcada x • Par Clusters • Mulli-Etapas • Multi-Fasica 12. as pontes a. Qual industrial. que no final desta epoca a probabilidade 0 11. auferir um salario superior industrial de Selubal? de um outro que trabalha na unidade . eujo salario desta unidade e urn desvlo-padrao tem 1000 trabalhadoResumo C~m este capitulo p~et~nde-. Serao tam.5..~e ~bordar ~e uma forma pragmatica a processo de amostragem.AO A AN AliSE DE DADOS 11. da empresa Sondalix seleceionados melhor pagos? ao acaso.1. asslnalados 50% dos trabaihadoras 12. Qual 12. A unidade industrial res. Qual 0 salarlo 0 salario rnais elevado no grupo dos 1000 trabalhadores plor pagos? Objectiv~s No final deste capitulo devera ser capaz de: • Compreender 0 processo de amostragem. • Distinguir 05 diversos metodos de amostragem aleatoria e nao aleatorta. 0 Palmelense bilidade marcou 2 golos num determinado Capftulo 5 do Rogerio ter jogado.4. bee Amostragem na~ aleatoria • Intencional • Bola de neve (Snowball) • Por QUotas • Par Conveniencia • ltenerarlos aleatorios (Random roule) f(X)l I P(X <: a) = 0. que sera constituida por 15 jogos. 0 salario dos 2500 trabalhadores Sondalix segue uma dlstrlbuicao inferior a €1000 e 5% ultrapassam da unidade Normal. Determine baixo. Num jogo em que 0 Rogerio nao jogue.3. bem descrltos de forma suclnta as principais rnetodos de amostragem alealoria e nao aleatorta segue uma distrlbulcao de €200.3.62 IN mODlIi. as €2000. percebendo a sua utilidade e limitacoes. em 20 trabalhadores superior de Aveiro a €1500. escolhldo normal com uma media de €1000 de um trabalhador ao a probabilidade ao acaso.2. Sabendo calcule Rogerlo vai deixar de jogar futebol.1. mats baixo no grupo dos 125 trabalhadores de.L mostragam 12.

essenciais ao funcionamento das sociedades modernas.). na maioria dos casas. na medlda em que as torna nao so rnals baratos (reduz a consumo de recursos). e Representatividade e aleatoriedade Oualquer amostra devera representar 0 melhor posslvel a populacao.AMOSTRAGEM 165 Para que serve a amostragem? Par daflnlcao. mas esta definiyao pouco nos dlz sabre a sua ufilidade. Toda a analise de inferencla estatlstica assenta no pressuposto de que a arnostra e representativa da populacao em estudo. fisicamente possiveis (populaeoes impossiveis de delimitar). for necessario reallzar um censo. tornando viaval a reallzacao de inLimeros estudos soclals. maior sera a diterenca enlre a reafidade e as conolusoes obtidas a partir da analise dos dados provenientes da mesma. possibilita a reallzacao de uma sene de estudos (sondagens. A amostragem e. a avallacao do grau de representatividade de uma amostra 56 pela cornparayao da lnformacao contlda na amostra com a informayao abtida atraves da analise de tada a populacao. par muito que 0 investigador se empenhe na selscyaO de uma arnostra representativa. como urn dos pilares onde assents a infefenda estatisfica. Par outro lado. em populacoes de grandes dimensoas. tern urn papel fundamental no nosso dia-a-dla. portanto. Indlssoclavel do can- ceito de representatividade. A amostragem. uma amosfra um subconjunfo de elementos de uma populay80. politicos. As caracteristicas de uma populacao dependem de lnumeros factores que. mas con- tendo apenas urn pequena parte dos seus elementos. a delimltacao da populacao.A represenlatividade e urn pifar fundamental e posslvel da amostragem. estudo de mercado. uma vez que. a desconhecimento de urn factor apenas sera a . Cantudo. econornicos. muitas vezes. quando bem aplicada e com uma correcta analise dos dados. pelo que. a amostre so tern utilidade pratlca se liver a capacidade de representar a populacao de onde fol extraida. A amostragem. a que impede a realizacao de urn censo. Desta forma. a pessoa responsavel pela recolha dos dados desconhece quase totalmente. como. quanta men or for a representatividade da amostra. tornando-o financeiramente pouco viavel. como se de uma «populacao em ponto pequeno» se tratasse. Como se compreende. Numa grande variedade de situayoes terns-sa diffdl. au mesmo lmposstvel. etc. para avaliar a qualldade da amostra. a reahzacao de urn censo consorrie' uma conslderavel faUa dos recursos. a amastragem fica desprovida de qualquer utilidade se. permitindo aferir a qualidade e utifidade de uma amostra. entre outros.

Os diferentes rnatcdos de amostragem existentes dividem-se em dots grandes 0 Bola de neve (Snowball) Este metoda de amostragem corneca com a selecyao lntencional de um grupo de elementos. 0 0 de esta seleC9130se basear em criterlos subjectivos podem rnais facilmente _ quando comparados com os metodos aleatorios . em processos mais simples. impede a existancla de crlterios subjectivos. designados por amostragem aleatoria.. as criterios de seleccao sao puramente subjectivos e totalmente dependentes do investigador. quando a amostra atinge a dimensao da populacao a representatividade grupos: os que respeitam aleatorla. e perfeita. Existem varies rnetcdos de amostragem nao aleatoria. nas quais. estes rnetodos mostram-se multo dependentes das clrcunstanclas de quem efectua a selaccao da amostra. 0 que. rapldos e com menor custo.166 INTROOUCAO A ANALISE DE DADOS AMOS 1 AAGEM 167 bastanle para'cornprometer a represenlatividade da amostra. aos quais sera solicttada a recornendacao de outros individuos pertencentes conceito de aleatoriedade. i. que pela sua especificidade tendem a estar bastante dispersas. Outro factor crucial para a represenfatividade de uma amostra e a sua dirnsnsao (nurnero de elementos que a constituem). preferencialmente. elevada representatividade. nao podem sxlstlr elementos da populacao a quem seja negada a possibilidade de serem seleccionados para integrar a amostra. Apresenta. 0 facto de nao ser dada a todos os elementos da populaeao a oportunidade de serem escolhidos para a amostra e 0 e considerada aleatorta se a forma como esta foi setec- cionada garantir que todos os elementos da populacao tern uma probabilldade diferente de zero de serem escolhidos. Contudo. a conceito de representatividade de uma amostra e indissociavel do conceito de aleatoriedade. garante de uma do esquema de aumenlo da dirnensao da amostra leva sempre a urn aumento da sua represenlatividade. e os que nao respeitam estes conceito. com uma seleccao sem crltertos dos ele- facto mentos que constiluem a amostra. importante alertar que a alealoriedade. dos quais serao apenas abordados as prlncipais. 0 investigador apenas controla a selsccao dos prirnei- ros elementos sendo os restantes gerados pela propria dlnarnlca do processo. pode provocar grandes enviesamentos na lnformacao recolhida. 0 que os toma bastante populates e multo utilizados. contudo.conduzir a maiores enviesamen. por si so. a desvantagem de as pessoas recomendarem. familiares e amigos. vlndo a tornar-se mais dellneada ao logo do processo. Independentemente amostragem utilizado. . Como resultado. sendo as seus elementos dificeis de locallzar e contactar. A aptlcaeao destes rnetodos resulta. aleatoria. tos na lnrorrnacao recolhida. Uma amostra Amostragem nao aleatorla as metod 05 de amostragem nao aleatoria caracterizam-se pela ausencia de um conjunto de regras elaras e objectivas que determinem a forma de seleccionar os elementos para a amostra. contudo. designados por amostragem nao a mesma populacao. que exclui boa parte da populacao. erradamente entendido como a seleccao ao acaso. as diversas tecnicas de amostragem desenvolvidas visam garantir a mais passive] a representativldade da amostra.e. Uma amostra seleccionada desta forma nao e considerada e sempre Intencional Esta e a forma mats simples e menos aleatoria de amostragem. nao e. Este rnatodo e muito utll para pequenas populacoes. muitas vezes. uma vez que se baseiam em criterlos subjectivos e pragmatlcos. Urn exemplo tlpico de aplicacao errada do conceito de aleatoriedade sao as entrevistas de rua. Por outras palavras. A dirnensao da amostra tambern nao e conhecida no inicio. na medida em que crla um conjunto de regras rigidas para a seleccao da amostra. No limite. A aleatoriedade. considerando que se tratam dos elementos mais representativos da(s) caracterlstica(s) em esludo na populacao. tendendo estes a apresentar comportamentos semelhantes. so podem ser escolhidas as pessoas que passem naquele local durante urn determinado intervalo de tempo. a conceito de aleatoriedade e. embora aumente a probabilidade de lsso acontecer. apesar de as pessoas serem escolhidas sem nenhum crlterio. logo a amostras menos representativas. Ainda que sem garantias de sucesso. tornando 0 processo rnals reprodutfvel. em que a investigador simplesmente escolhe intencionalmente 05 elementos da amostra.

par vezes. e utilizado frequentemente a rnetodo de amastragem dos itinerarios princlpais (random route). local de resldencla. em que e escolhido. Apesar da aparente aleatoriedade do processn. Sao definidas uma serle de regras que 0 entrevistador tern de seguir por forma a descobrir quais as moradas seguinles onde devera entrevistar pessoas. etc . A princlpal dlficuldade consiste. na obtencao de uma listagem completa dos elementos que comp5em a popUlagao . em cada eslrato amostragem por quotas crita mais Amostragem aleat6ria Para que urn rnetodo de amostragem seja conslderado aleatorto. . Na amostragem aleatoria simples e dada igual oportunidade a todos os elementos da populacao de serem seleccionados para a amostra. Depais. a processo e tarnbem multo senslvel ao incumprimento das regras por parte do entrevistador. um ponto de partlda. normalmente. normalmente uma morada de partida au urn ponto de referencia facilmente ldentiflcavel (igreja. A e a versao nao aleatcrla da amostragem estratificada des- a frente. demorada e/ou de fiabilidade questionavel. de forma alaatoria. Apesar desla clara mals-valia.. com trequsncia. A Ilstagem comum. esquadra da pollcla. Urn oulro tipo de dificuldade com que a amostragem aleatorla se depara e 0 e da investigador pouca influencia na escolha. todos tern a mesma probabiJidade de integrar a amostra.e. dispendiosa. limitada a populacoas pequenas ou em que exista uma llstagem de todos as seus elementos. minimizando a influencla do investigador no processo. e necessario e seleccianada. ). de persecucao lmposslvel. Como os ele- mentos nao padem ser substituldos. urn certo nurnero ou percentagem de elementos. e a mais a lrnplernentacao 0 desle rnetodo. uma serie de obstaculos de todos os elementos da populaeao que 50S 0 entrevistador para influenciar a escalha da amostra com cri- terios subjectivos. As amastras resultantes sao. 0 que e dificil de detectar.. ficando muitas vezes 0 entrevistador circunscrito a uma pequena area geografica. levantam-se. que podem mesmo chegar a Inviabilizar a sua utilizayao. grandes quantidades de nao respostas que podem provocar graves enviesamentos.. geram-se muitas vezes. nao aleatona.. Por convenlencta Neste metodo de amastragem os elementos sao escolhidos par convenlencla au par faciHdade de acesso por parte do investlgador. permitindo controlar enviesamentos e melhorar a represenlatlvidade da amostra. problema das nao respostas. uma vez que a complexidade torna dlspendiosc de tempo e recur- processo assume em muitos dos casas e. este nao assegura que todos os elementos da populacao ten ham uma real probabilidade de ser selecclonados. foram desenvolvidos diversas tecnicas de amostragem alealoria. criando uma listagem ordenada e numerada a ser usada na realtzacao de urn sorteio dos elementos para a arnostra. que tern uma probabilidade diferente de zero de integrar a amostra. normal mente. A existencla destas regras assegura a ausencla de subjectividade na seh:lc~ao dos elementos.uma tarefa que se torna muitas vezes complicada. portanto.. Apesar da sua aparentemente simplicidade. i.168 INfRODUCAO A ANALISE OE DADOS AMOSTFIAGEM 169 Por Quofas A amostragem por quotas cornsca com a dlvisao da popuiacao em estratos segundo uma determinada caracterlstlca dos elementos (par sxemplo: genera. Quanto mais rlgrdas estas regras. denominado quota. faixa etaria. pouco representativas populacao e a informayao recolhida bastante enviesada. tendo 0 as tecnlcas de amostragem aleatoria apresentam algumas desvantagens. estes rnstodos permitem estlmar as margens de erro nas previs5es efectuadas. de forma que exista um conjunto de regras claras e objectivas que assegure que todos os elementos da populacao tern oportunidade de ser seleccianados. e por diversas razces. ou seja.). Para que seja possivel garanlir esta condlcao €I necassario idenliflcar lodos as elementos da populacao. Com 0 objective de minorar todas estas desvantagens e simultaneamente potenclar ltlnerarlos aleatorlos (Random Route) Em estudos de mercado a probabilidade de se obter uma boa representalividade. etc . A selecyao dos elementos essencialmente fruto das clrcunstanclas. menos liberdade tera 0 Aleatorla Simples l. A aplicacao da amostragem aleatorla simples esta. Como consequencla.

ainda que 0 grau de repre- sentatividade esteja directamente relacionado com a qualidade e rslevancia do crlte- . e dividldo em sub-clusters. garantindo que as eslratos estao represenlados na mesma proporcao em que se encontram na populacao. que sera do processo. sendo essa a razao de este matodo ser tarnbern designado par amostragem quasi-aleatorla. 0 processo lermina com a apllcacao do metoda de amostragem simples aos elementos contidos e posslvel controlar 0 nurnero de elementos representativos de cada urn dos estratos que integram a amostra. podem ser exemplos partir de um subgrupo da populacso. A amostragem por clusters dispensa. sendo que as reslantes sao obtidos pela soma a de crlterios de estratitlcacao: a genero. Multi-Etapas A amostragem rnultl-etapas nao e mais do que uma cornblnacao dos rnetodos de amostragem por clusters e aleatorta simples. o valor k.:ar par determinar a valor de k. If = N n A semalhanea do que o investigador vimos para a amostragem eslratificada. eleterceiro e rio que penmite fazer a divisao da poputacao em grupos sera necessaria mente de uma natureza diferente do assumido para a estratlflcacao.. seguindo-se a seleccao aleatona de alguns. a partir da dlrnensao 0 grupos mutuamente exclusivos.a necessidade de efectuar uma Jistagem de todos as elementos da populacso. denominados estratos. Este procasso resulta em amostras mais representativas da populaeac. ser exemplos de clusters: as bairros. a populacao corneca par ser dlvidida em devera comer. par sua vez. que deverao ser relativamente hornopeneos em termos da varlavel au conjunto de vanevels em estudo. i. Os crtterios de estratlflcacao podern ser multo variados mas tern ssrnpre de assegurar que a reunlao de todos as grupos abarea todos as elementos da populacao. sendo a amostra composta por todos as elementos contidos nos clusters seleccionados.:a e que os clusters nao se pretendern hornoqenecs (como no caso dos estratos). A diferenc. A esta etapa podem seguir-se diversas outras identicas. assim sucessivamente. podem Estratificada Na amostragem eslratiflcada a populacao corneca par ser dividida em grupos mutuamente exclusivos. eta. sendo seleccionados todos os n elementos da amostra. obter-se-a a segundo. a sxistencia de uma listagem completa de todos os elementos da populacao. apenas a primeiro elemento e escolhido de forma aleatoria. Desta forma. etc. 0 0 estudo. denominados clusters. deve seleccionar aleatoriamente um elemento da populacao entre 1 e k. mas. Se considerarmos 0 menlo e adicionando If ao segundo elemento enter-se-a . deverao ser 0 da amostra pretendida e da dirnensao da populacao. assim como que cada elemento pertence apenas a urn grupo. sendo que a diferenca esta no que se define como cluster. requerendo apenas urna fistagem dos clusters em que a populacao foi dividida. Seguidamente serao selecclonados elementos de cada estrato segundo a rnetodo de amostragem aleatoria Simples. cada urn dos clusters seleccionados na etapa anterior. sendo os restantes determinados de forma sistematica par aolcao do intervalo da amostra. depende da dlmensao da Por Clusters A amostragem par clusters procura minorar uma dificuldade presents em todos os mstodos de amostragem aleatorta referidos anteriormente . Como se pode constatar. com a homogeneidade existente denlro de exemplo de uma sondagem elelloral. as predlos. primeiro elemento e escolhido aleatoriamenle a Se considerarmos dencla. exemplo de uma sondagem eleitoral nurna cidade. Adicionando 0 ponto de partida 0 mais possivel raproducoes em pequena escala da populacao . seguindo-se a seleccao alea!6ria de alguns deles.:AO A ANALISE Or: oADOS AMOSTRAGEM 171 Sistematica Na amostragem sistematica de um valor fixe (k) 0 rio de estratiflcacao para cada eslrato. Uma vez crlada esta listagem. a faixa etaria. A primeira etapa do processo lnlcla-se . Apesar de todos as elementos da popula- 9ao poderem ser escolhidos. pelo contrario. a dlstrito ou concelho de rasi- posicao do anterior. amostra (n) e da dlrnensao da populacao (N).e. tarnbern designado por intervale da arnostra.170 I 'JTRO 0 lH. assim.tal como na amostragem por clusters . bastara efectuar uma amoslragem aleatoria simples de alguns dos clusters.0 crite- valor k ao ponto de partida.. ou seja. estes nao tem todos a mesma probabilidade de a se~. Em seguida.com a fistagem de todos clusters que constituem a populacao.

Em cada concelha escolhido seriam seleccionadas algumas freguesias e. neste capltulo sera ahordado 0 lema da estlmacao pararnetrica.oble~9ao d~ boas estimativas. A amostragem rnultl-faslca nao deve ser confundida com a amostragem multi-etapas. A amostra seria canstitufda pelos eleilores seleccionados nesta ultima etapa. a unidade amostral muda de etapa para etapa. 0 processo poderia cornecar pela seleccao aleat6ria de alguns distritos. . em cada um destes. Se considerarmos a exemplo de uma sondagem eleiteral referido anteriormente. 0 desvlo padrao. • Eslimar a media. Estima~ao Parametrica o que e a estirnacao pararnetrlca? Estirnacao pontual Estlrnacao per intervalos Determlnacao da dimensao da amostra Factor de correccao para populacoas finitas Objectlvos No final deste capitulo devera ser capaz de: • Compreender 0 conceito de estimalfao pararnetrtca. uma indice ~. como por exemplo a idade. seguida. finalmente. Da analise desta lnformacao preliminar resultaria uma segunda amostra. A principal diferenga reside no facto de que. etc. Multi-Fasica Este processo de amostragem divide-se em duas fases distinlas. na segunda. centrando a descricao na sua utilidade e no processo de . Da amostragem multi-fasica resultaria uma primeira amostra. da qual podia ser recolhida tnformacao preHminar. a ser analisada com maior grau de prafundidade. genera. Numa primeira fase e aplicada uma amostragem aieatoria simples e seleccionada uma primelra amostra. Consideremos 0 exemplo de uma sondagem eleltoral e uma amostragem em 4 Capitulo 6 etapas. selacclonando-se as elementos que constituem a amostra. asslm como 0 processo palo qual sa dimensiona uma amostra de forma a garantJr um dado valor de erro maximo na estlmacao do pararnetro em analise. a variancla e a prcporcao de qualquer populacao a partir de uma amostra. enquanto na primeira se trabalha sempre com a mesma unidade amostral. a qual e utilizada para reglstar Inforrnacao preliminar. 0 metoda e composto por um mlnimo de 2 etapas. Resumo an en 0 0 0 jecttvo de reduzir ao essenclal as questoas te6ricas. A lnformacao recoIhida serve para elaborar uma listagem das posslvels elementos que participarao na segunda fase do processo. em cada uma delas seriam seleccionadas alguns eleilores. Serao analisados os processes de estima9ao pontual e de estlmalfao por intarvalos. a qual js viria a ser inquirida de modo a que a informacao recolhida seja mais detalhada e em maior quanUdade. A partir desta listagem e entao seleccionada segunda amostra. M t d b" .172 INTRODUCAo A ANALISE DE DAIlOS em cada um dos clusters flnals. pela seleccao alaatorla de alguns concelhos. passando na etapa final a ser coincidente com a unidade estaUstica em estudo. t • Detennlnar qua~ ~ dimensao que uma amostra dave ter: de forma a garanlir um determinado valor de erro rnaxrrno na estlmacao de um detenninado pararnetro. filiagao partidaria.

uma estatlstlca amostral (uma formula). tal como referido anteriormente. ou identificando um intervalo de valores (por intervalos).. e possivel tlrar conclusoes sobre tendanclas na populacao por aplicacao da estatistica descritiva aos dados.ar~-··l Medidas descrltives A estirnacao pararnstrlca permite obter uma estimativa do valor dos parametres desconhecidos da populacao.procura. que nao pode depender de nenhum dos parametres deseonhecidos. A estimativa do valor dos parametres pode ser obtida par lnterrnedlo de estimadores (pontual). Representacao gemirrca do procedirnento que e necessarlo efectuar para estirnar urn parametrc populacional Parametres desconhecidos < Estim. em que toda a populacao compreende 0 corpus em analise. contudo. obter a melhor estimativa possivel para a valor de um determinado pararnetro populaeional.ES '!MACAO PARAMETRICA 175 o que e a estlmacao pararnetrlca? No Capitulo 2 foram descritas uma serie de medidas. sendo alcancada atraves da associacao de um estimador a cada pararnetro populaeionaL Um estimador e. procura-se estabelecer conclusoss para a popula9ao com base no conhecimento parcial da mesma. partindo das rnedldas descritivas obtidas a partir de uma amostra. Nestas sltuacoes. que permitem descrever e resumir a lntormacao contida num conjunto de dados. e exemplo a estimagao Figura 52. sendo esle obtido a partir da aplicagao de ferramentas da lnferencia estatlstica. os dados analisados provsrn de arnostras. a partir da informa- gao contida na amostra. a sernelhanca do que aconleee no caso da estatfstica descri- tiva. a reallzacao de censos e poueo frequente. pelo que. Estimagao pontual A estirnacao pontual . e que nos da urna estimativa do valor de urn pararnetro . Quando os dados resultam de um censo.como 0 proprio nome indica . como disso pararnetrica. na maioria dos casos.

Representaltao amostras provenientes A generlca de estimador da mesrna populacao.. e Eficiencia Urn estimador e diz-se eficiente se.Ao A ANALISE DE DADDS ESTIMA<. podendo existir tantos valores distintos quanta as amaslras utilizadas..provenientes da mesma populacao .Xn 8 e usualmente } e os valores resultantes da sua Figura 54. Urn estmador e dlz-sa consistente se 0 seu enviesamento e a sua variancia tenderern para zero com a aumento da dimensao da amoslra.176 INTRODU<.Ao PARAM~TRICA 177 poputaclonal._-l .resultara em varias estimativas para 0 valor do mesma pararnetro populacional.. __ _--_-. tiver variancia minima. Representa"ao generica de urn estimador pontual nso envlesado ( 91 ) e de urn envlesado (92 ) Figura 55. Representa"ao gel!erlca de urn estlmador pontual mais eflclente (91 ) e de urn menos eficiente ( 02 ).. a saber: r:1 r'I I I Nao enviesamento Urn estimadar 1 e diz-se nao enviesada au centrado para E( e) '" 8 0 pararnatro e se 0 seu Consistfmcia . . uma variavel alsatorla func.:::""'-'--' -___.para que pro" duza boas eslimativas - I r I I .E(81) = I 0 o Suflclencia -""~----_. 0 estimador de urn dado pararnetro populacional representado genericamente par e '" e( Xl . . .:1 .:aoda amastra..~. portanta.:aalgumas propriedades. sao designados por estimativas (e)..: . \ ! I I i I I I f J / f I I I \ \ \ \ \ I n" 1000 ! E(82 ) I n= n = 10 100 .. valor esperado for igual ao valor do pararnatro.. Figura 53. consistente quando aplicado a tres dimensiies mas com dlferantes j f I:\ • -:-"--"'~_'~_:_.._-- _. Urn eslimador e. ~" --"'----"'--. sendo nao enviesado.1 I~ 1'1 I: I I e necessaria que satisfac. Ambos os estimadores sao nao enviesados A apllcacao a arnostras. . Urn estimador 8 dlz-ss suficiente se utitizar tada a lnformacao disponivel na amostra relevanle para a estlmacao do valor do parametro 8.:l 1.. A apllcacao do mesmo estimador a varias amostras ...:::. Para que urn estimador seja adequado a urna sstlmacao pontual . e A diterenca entre 0 valor esperado do estimador e 0 do pararnatro e designada por enviesamenlo do estirnador.

Fahrix» para estimar o processo cional envolve em anos. __ _ 2JXj - n x) .> 20 sao apresentadas as ldades de 14 trabal~ac!ores r da empresa .. Para que nao seja necesexistem 23 25 40 sarlo testar estimadores de estlrnadores dar. da empresa Fabrfx e pode ser utilizado ao acaso. .. a partida.· g •. mais conhecido 0 Metodo se sabe respeitarem e 0 Matodo Veroslmllhance. Tabela 20. quando se rnantarn razoavelmente nao envie- para uma vasta gama de dlstrtbulcces populaclonals. na estlmacao pontual. Ida des de 14 trabalhadores Um estimador bom estimador que respeite razoavelmente estas propriedades a considerado um 30 27 42 24 35 36 18 '-<. a o pararnatro em causa e apllca-lo aos dados da amostra Na tabela seguinte tros populacionais.abrjx. estimadorma empresa Fabrix.32+40 14 Estlmador mats adequado = 448 14 = 32 Media (u) A estlrnatlva pontual da ldade T)l$dia. 0 .e de32 anos. Variancla (02) . eriflca-sa v que is . _ .ad~quado . NaTabela Fabrix. simples. para cada parametro cuja abordagem populadetalhada Apresente uma estimativa empresa Fabrix. P desvlo padrao·populacional =~ eo desviopadrao n em estudo. sao indicados os mais adequados para obter a estimativa. ainda utilizados dos Minimos dos Momentos.ladoresda empresa F.1 Apresente Desvio Padrao (a) lhadoresda NaTabela1 Proporcao (TI) it= uma estimativa pontual para o desvlo padrao da '. Contudo.178 !N IRODlJCAo A ANAuSE DE DADOS ESTIMACAo PARAMETRICA 179 Robustez . para os principais pararne- Tabela 19. 0 processo varies procedimentos os criterios da Maxima para a construcao de um bom estlrnamas sao 35 45 32 que. dos IrabCiIJ. 0 Metodo da Estlrnacao Linear e 0 Metodo Quadrados..=1 . 2 n. amostral. obtida atraves desta arnostra de14 idades. Um estimador sado e eficiente e diz-se robusto. pontual para aldade media dostrabalhadoresd~ . de definig80 dos melhores estimadores maternatica. Wola: np corresponde ao numero de elementos de ernostra com a ceracterlstica ._. Quadro resumo com os estimadores dos principals Pararnatro populaclnnal parametres mals adequados populacionais a astlmacao pontuaJ 30+42+35+18+36+23+25 +27 +24 +36+35 +45 +. X . deum trabalhador daempresa uma complex a rnanlpulaeao deste livro.-itidade. bastando cai fora do ambito parametres e bastanle a apllcacao destes na sstlrnacao do valor de escolher 0 estimador mais adequado para Na TabeJa 19 veriflca-se media populacional e a media que 0 estimedor mais adequado arnostral.

:. de um born estimador..180 INTRODUCAO A ANALISE DE DAOOS ESTIMACAo PARAM~TRICA 18 j Estlmacao por intervalos A esfimacao pontual.. obtlda atrav8sdesta 0. da processo dadeiro Quando A estirnatlva procura assegurar que 0 valor desta ssta a rnals proximo populacional. da populacao obter~se-iarn tantos valores diferentes trabalhando com arnostras que respeitam as propriedades o processo cral. lnformacao pararnetro dadeiro garantem sobre 0 erro que pode estar a . mas sim encontrar Oesta forma. conheca relacionada para que seja possivel e necessaria da varlaval determinar a probabilidade de conhecer aleatoria a distnbuiyao de probablll- 0. Na Tabela 1Q verifica-se que porcao populacional 0 a construcao de um Intervale astirnador rnais adequado para astlmar a pro- populacional e controlado cuja probabJlidade e defrnido do pararnatro. variavel parametres A estimativa sendo necessaria a distribui~ao uma segunda tem idade inferior a 30 anos.e. :+{32- 32)2. de conter 0 verdadeiro pelo investigador. esta em causa valor do de Neste caso.P= do valor do para metro que nos quantificar 0 grau de conflanca = _-5 = 14 =: Como vlrnos anleriormente. ou seja. cornsca com a saleocao a estirnar da varlavel ful- aos seus dados. que se pretende trabalhadores da empresa com a varfavel aleatoria e designada inicial e com a parametro fulcral e depende mar. obter a valor exacto sabre a incerteza com determinada probabilldade assoclada de 0 canter. ter uma ldsia do par intervalos. dades e os parametres pretende da empresa Fabrix que e de tenham impasse. a astlrnacao da estlrnatlva. Como 0 que se crla-se uma situar. 05 valores nao seriam multo dtstlntos. processo a lacuna apontada agora a estimacao asscclar uma abordagem uma margem totalmente erro.:ao oa trabalhaooree que 36% dos e populacionais um dos encontrar em causa. 32)2 + (42 _32)2+ .. As propriedades se obtern necessarlas uma estlmava 13 '" 7.85 mini mizar esta diferenya. . ).1 = _802 . da potencial diferenea valor do pararnetro. sabe-se possivel quantificayao pontual do desvio padraodB Idade dOS trabalhadores de 141dades. e as respectivos e que... mas tarnbem da lntormacao que se tem sabre a populacao.( 40 _32)2 14. valor do parametro assoclado esle nao possul quaisquer nlsrnos que permltarn grau de conflanca A estlrnacao pontual. Esta variavel as mesmos estimadores repre- por varlavel nao s6 do para metro a estrmar.. ji.:.36. eaplicados arnostra de 14 ldades. necessariamente. estlrna-se idade inferior a 30 anos. essa que exige 0 conhecimento do pararnetro e a ldentiflca- e com astimadores gao da lnformacao que se detern sabre a populacao. apesar da sua simplicldade uma grande lacuna de aptlcacao (depols de construldo 0 eatlmador). variavel de estlrnacao por intervalos co~tudo. Nesle permitlndo a de estlmacao. procurando colmatar distinta..".:>. nao um lntervalo passamos a ter empresa Fabrix que tern idade inferior a 30 anos. smpresa Fabrix. ei3proporyaoamostral.:ao de trabalhadores da estimativa pararnetro se procurar valores inforrnacao permits adopts pontual quantificar a estimativa.36 pontual da propon.:ao de aleatorla para a qual se esteja estl- estimar parametres populaclonals. contudo. obtidaatravesdestaamostra e de 7. Apresente umaestimativapontualPi3ra apropon. um determinado acontecimento. au seja. este erro de estlrnacao. apresenta pelo facto de nao dar qualquer na estimacao a um bom do valor do estimador que 0 do verrnecaentre a estimativa obtida e 0 ver- (30. muito provavelmente. que este procura da mesma.ercometido populacional. Se fossem recolhidas quantas sentativas as amostras outrasamostras utilizadas. mas nada nos dlzern sabre a pontuaJ.85 enos. l.

.·. igual a 0. I.. uma vez que quantimaior for 0 nivel de e posslvel muito fica a confianc. populaclonal: da varlavel fulcral e fixado 0 nivel de confianc.. probabilidade estar acima neste C8S0 0. --.. metade da probabiHdade de estar fora. 0. na estimativa.variancia Conhecida resta apenas bilidade a distrlbulcao determinar os extremos do intervale dos valores a assumir pela variavel e a de igual ao nivel de confianca.. r.:. da amostra.. sera igual tecer sera.1) N .. .025. ..fn Em que: x -)l _ N(0. Quanto do intervalo... • X- media das n observacoss que constituem a amostra. neste caso. tern-se a seguinle varlavel fulcral: r. Em primeiro lugar em condicoss a construcao 0 intervalo e necessarto para a variavsl fulcra!.1) .:a esco!hido aumentar balxos de nivel rnaior sera a amplitude deste pols 56 assim pratlco..·~. :.:a em 95%.. N fiC ell.. .:a que se pode depositar confianc. a probabiJ1dade elevados aceites como conter 0 valor exacto do paramelro. . . sendo de 95% 0 mais comum.. neste easo. a ou seja... Escolhida de iniciar construir a varlavel fuleral e fixado 0 nivel de confianc. ·. para a variavelfulcral.~!!!----------1l~n._ I intervalo conter 0 valor exacto do pararnetro 0 intervalo quem constr6i e designa-se por nlvel de confianca. recair Se a probano intervalo fulcra I poderem a .x-. Considerando que se pretende e recorrendo media de uma populacao Normal com varian cia conhecida a arvore estimar a de decisao apresenlada na Figura 56.N(O. nNan dlrnensao .182 INTRODUCAO A ANALISE DE DADOS EST1MACAO PARAMETRICA 183 Figura SI:i.·.:a estamos do intervalo de confianca.sle. flxar a probabilidade Este valor e escolhido de 0 por Sim ~ __~~..dimensao da populacao. sntao a probabllidade que 0 intervale inferior abatxo do extremo de tal nao aeonesta centrado. razoavais entre 90% e 99%. nao tem qualquer a lntervatos valores interesse com grandes Valores de significancia mas valores Sao uni0 valor excessivamenle versalmente conduzem amplitudes..media populacional.Arvore de decisao para a escolha de varlavel fulcral adequada Depois de seleccionada a varlavel fulcral. e necessario populacional."-~ 11.. Considerando de um valor se encontrar do extremo superior.95.05.

p[ ~~. ([l( Z %) '" 0. Para isso basta procurar nas tabelas para a fungao de distrtbulcao acurnulada valor a que corresponde uma probabilidade de %. uma tabela com uma valor de provalor da variavel (0 p ( -z~ < -rrnX-11 < z% ""0. a variavel fulcral tern uma distribuigao Normal padrao e esta dlstrlbuicao e slmetrlca extremos do intervalo de contianca. conhecendo babilidade. neste case. . se obtenha a probabilidade da variavel ser inferior a esse valor. Em que: -Z% . em que que esla em causa e a probabili- dade de a varlavel ser menor au igual a urn determinado resultado. J ~ 0. . leitura rnals directa por estar construfda de forma a que. que neste caso a Normal padrao. 1~ 1- "'( Z r.96 e posslvel e 0 determinar os extremos do intervalo para a varlavel ful- lJ -Za/ 12 = -1.extremo inferior do intervalo de confianca para a variavel fulcral: Z% . suttar a labela dos quantis da distrtbuicao da variavel fulcral. Atraves da func. sabendo 0 valor de urn resultado. quando se consulta uma tabela de quantis situay80 mais comum e necessa0 cuidado de verificar primeiro qual a probabilidade em causa.:aode distribulcao acumulada da varlavel fulcral.025 lJ ~. Neste livro sera tida em conslderacao a forma mais comum de construir tabelas de quantis.96 oral. Contudo.025 Zr. a sua utilizagao mostra-se pouco pratlca para a obtencao dos Como. 1~ 1 .J ~ 0. 1 = 0.1~ 1 . da tabela para a funyao de dlstribulcao. Za/ '" 1.ilo P/\RAMHRICA 185 Figura 57: Reprasentalfao do Intervalo de conflanca para a varlavel fulcral i I I pX ~-- [ rtn - Jl > loy. na medlda em que obriga a trabalhar com a labela de forma contraria para a qual foi ccnstrulda.975 -l~ o la.extrema inferior do intervalo de confianca para a variavel fulcral. < Zr. u 12 "r. ou seja. Conludo. 1 [ X Jl < p[ ~~.184 IN lfiOOUCiio A ANALISE DE OADOS ESTIMAf.95 1 Inverso da tabela de fungeo de dlstri- buigao acumulada).025 a probabilidade de um valor estar fora do intervalo de confianca para a variavel fulcral. a a = 1 . > Zr..p[ }.025 p ~fJin~--loy. 1~ 1 .nivel de conflanca tabela dos quantis pode tambern ser definida tendo' em conta a probabilidade da variavsl em causa ser menor au igual a um determinado valor. A e a de a tabela ter side construida tendo em conslderacao a oposto 0 probabilidade de a variavel ser maior ou igual a um dado resultado..-. = 0. se obtenha rio ter sempre 0 0 e centrada em zero..corresponde {}. 0 valor do extrema inferior do intervalo e possivel 0 con- sera slmstrlco ao valor do extremo superior. Em alternativa.' /2 Como a tabela para a funcao de distribulcac acumulada esta construida de modo a que.~( Z r.. a .

. -In [ = 0. para os intervalos de conflanca.1:. a transforrna-Io nurn intervalo de confianya para 0 pararnetrc a astirnar (neste_casopr'e . Tabela 21.rn JI1 !J [ Como se pode constatar a partir do processo de deducao da expressao apresentada em cima. --.L < 1. Jim (J . *? + Xy.1) -rn!J < -11 < - X.+ 196· ~--~--) rn = 0.f5)- .1) )(-11 p( -1..+ Ze» . _ P[-1'96 . Quadro resume com as expressiies genericas ld 'ntervalo de conflanca para a variavel fulcral. resta apenas Uma vez cons t rUI 0 0 1 .. < _~_=.)l '"' }>: .96' 7~--.X + 1..96' P~-X ( - . -.tao fi nca para a varhivel fulcral do Intervalo d e con ra '" . X 12 inter- apresentada em baixo. e apresentada uma labela resume com as expressoss geneTicas para as intervalos de confianr.N(O. Representat.- cr/'..95 ~1)S2 2 _ X2 n-1 P (". I -0 maternatica da expressao a sdia) Esta transformay8o faz-se par rnarupu aca .96 .J .-.1. ]/ef = 11 o ] X . todas elas . vel fulcraJ.96] ~J. ·-~n·-~·)" '-/n " f5-n -P(1.95 Ivn .:a que resullam de cada uma das variavels fulcrais apresenta- {'. tendo como objectiv~ 0 isolamento do parametro a esttmar. que resullam de cada na Figura 56 uma das var!iiveis fulcrals apresentadas Varlaver Fulcral Intervalo de Confiano.Xy. Yin - .INTRODUCAO A ANALISE OE DAOOS ES./n-1 JlcI.96 . No caso de urna varlavel com dlstribulcao Normal e vartancla conhecida.95 X -11 -- u .)( -:-..se deduzern de forma identica que fol descrlto anteriormente . e irnpoeslvel encontrar uma expressao que n80 dependa da varia0 -z% -1.Z~I . sentada em cima.IMACAO PARAMETR!CA 187 186 Figura 58. Contudo.95[11 = 1X - U 1.N(O. 196 X u !J " -In_.96 ' -i~ l . 0 t valo de conflanca para a media e dado pela expressao .96· -J.U = 0. a que faz com que exlstarn varias expressoes diferentes.inclusive nos casas em que De seguida pararnatro a estlmar 80 e a variancla ou a proper- yaO papulacional . N{O.:a . _- /'.95 = das na TabeJa 21.96 o • I 1. c u < -X~ + 1.J~C:C" < X -).95 ]/0. .1) 0.1L_ < 1.96 < ~.96 .96) 0. < '.

.16 0 Xa/ I .84 1.59 1. ldentlflcacao a lnformacao sobre a variavet.. = 1 7 14 ' '" 0.106 ..75 1.025 Na Tabela 22 sao apresentadas Fabrix.025 :> Sabendo que a altura dos trabalhadoresda distribu ida. obtern-se os valores de -2. de liberdade.70 1.67 1. LX. -r- t13 Finalmente.025.. 4. X= M_____. por consulta da Tabela 21.~) lj X% '" 0.:" a de 0._. de urn trabalhador da ernpresa Fabrix» X tern uma dlstrlbuicao sentada na Figura 56 Normal. 5. empresa Fabrix a norrnalrnente uma esti rnativa par lntervalos para a altura media dos = Quantil(0. Construir 0 intervalo 0 intervalo de conflanca de confianca para a varlavel fulcral.025) X . que se pretende estimar. a populacao e Figura 59.78 Sabe-se Enlrando que a probabllldade de X ser maior do que 1.16 e 2.:ao t-Student com 13 graus para 05 amostra tern uma dirneneao de 14. 2. Escolha do nivel de conflanca. Construir para 0 pararnetro 0.025 0.16 Tabela 22.consulta da arvore de declsao apre- a posslvel ldentificar avartavel fulcral rnals adequada.:a para a varlaval em estudo. a varlavel futcral e assumindo a posslvel construir 0 intervalo de confianc. 0 com o valor de probabilidade na tabela de quantls obtern-se 1. Listar toda de um Intervale de conflanca existente pode ser sistematizada respeitante em 5 atapas: a amostra.- X-)1 I~.16. a posslvel abler a express~o que permita determinar a intervale de-confianca urn nivel de contianca de 14 para a rnedla populacionaL . Representacac de intervale de contlanca para a vari{lvel fulcral da variavel fulcral mais adequada. 3.«altura.60 extremo superior do intervalo de confianca. respectlvarnente. '-.64 1. apresente trabalhadores. /2 • 2.CAo PARAMETRICA 189 A construcao 1.82 1.61 1.63 1. em metros.. Par .72 Xu. a varlanclapopulacional a desconhecida a ea valor do extremo inferior sera 0 simetrico do obtido para 0 extremo supe- rior. Idades de14 trabalhaderesdaempresa Fabrix 1. P(X X. as alturas de 14 trabalhadores da empresa -X.188 INTAODU9AO A ANAII SE OF DADOS ESTIMf./ n SI_ extremes inferior e superior do intervale de confianca para a variavel fulcraL .55 1.90 1./ 12 I -2. Uma vez conhecida 95%. Consultando atabela dos quantis para a distribuit.

epossivelconstruk .. A construcao segundo variavel a mesma de intervalos metodologia.64me 1. amostral conslstira relalivamente a cada urn metros...06.76 -1.7 2 .entacatirmar 1. Podernos. daum trabalhador dointervalo dasmpresa . 1. . Determine. -*.. quando comparada com a estldo Retomemosoexemplodasalturas apresentadasnaTabela 22.dopan'3metro estara entre 1.76. e de que overdadeiro valor . Como 0 erro cometido este e normal mente design ado por erro da dlspersao dos valores depende da arnostra 0 erro amostral nao e rnais do que uma medlda Assirn.1...761 A estlmativa Fabrix. Tomando como estimative a ponto rnedlodo lntervalo.amostral assoclado.216...0....64 + 1.1.. Ponto rnedlo do intervalo . se tomarmos na distancta Estime a variancia e odesvio . X . X-ccaltura.. dos extremos ° erro como estimativa deste 0 ponto central tando 0 erro associado aestlrnativa... .· . B.7m. permitindo um valor de erro.. na estirnacao amostral.arvorsds ~aFigJr~56~posf._[·= Relomemosoexemplodas apresentadasna Tabela 22... do intervalo.76m..i· adeqJ~da.. Fabrix» do intervalo.7±0. 1.106 -.J14" + x'l~' in [ = ..64.traba- Ihadares efectuada anteriormente.a estlmatlva da altura media dos. da empresa Fabrix valor do parametro. Erro arnostral= = ]1. a incerteza associada a estimacao dos 14 trabalhadores .. ~..!1empresa Fabrix " . padrao da altura dos trabalhadores.a varianc(a populacfonale 14.. alturaS dos 14 trabalhadores d.em Comecemos . .._·_':':··. palaconstruyao de confianca para a variancia ..~.AO A ANALISE DE DADOS ESTI MAt. ointervalode . " --. estimativa e bastante baixo.. dos trabalhadores devera ssr de o erro associado..64 24. e que esta permite quantificar associar-lhe utilizada. . macao pontual.190 INTROOUc.obtida por intervalos da altura media dostrabalhadoresda ernpresa . Xtem sentad" umEidistribIJ19~qNorrTlal.conheddaavarii3velfulcrale 95%.. =1. . made para a media}.--· assurnindo urn nivel deconfian~~d~·· conflanca para 8 variavel em ~stUdo: . que a altura media.. ?orconsultacla Figura 60.• descqnhecidaeiOj d~cis~oa~re-... podemos afirmar que a altura media dos trabalhadores devers ser de 1.06m... . = 0..oerro. Representacao generica de um Intervalo de conflanca Erro amostral 8ll1ostratel11. '17 +216 .06 atraves desta arnostra de 14 trabalhadores e para.i..Jveliclentifi~arEi variavel fulcr~llTlais Erro amostral Extremo inferior Ponto rnedlo Extremo superior Umavez .urn nlvel de conflanca de 95%. 0. ..":-. A grande rnais-valla da sstlmacao por intervalos.AO f'ARAMEl RICA 191 1195[~ = JX - x% .urnadfmensaode . _ J17 . (inferior a 3. de confianya mas com as para oulros parametres resultantes processa-se do facto de a dlferencas fulcral ser diferente. apresen- que 0 para metro pode assumir. peloqua estamos perante urna boa estimativa. .5% do valor esfi.

1.de 0. 0 nao sera a slmetrlco do extreme extreme inferior do intervalo de confianca = A estimativa empress jO.D116m2. u Xa = Quantil( 0. Assim.obter ointervalo de confianltClpara 0 dasvlo padrao basta determlnar tis obtern-se 0 extremo inferior do Intervalo de conflanea.01 ! 24.00591: O.106 o Xa Xb L 5.) '" 1.da altura dos trabalhadoras devera = 0.00591 2 = 0.:Ao PARAMETRICA 193 Figura 61.0176 No caso do extreme inferior sabe-se que a probabiHdade de X ser superior a Erro amostral 0.0292 = 0. 0.7 Como a distrlbulcao superior. e de que 0 verdadeiro entreD .valores. .00591. e de 0.192 INrRODUCAo A ANALISE 01' DADOS ESTIMAr. valor do pararnetro estara JJ Xb '" Quantil(O.025 U P(X 2: X.975 a raiz qoadrada des extremes do interValo para a variancla. 0292m2.0292 .-~.975) . . P(X>Xb) = 0.0.975.. porconsultada Tabela2.7'.. Para se.0116 Xa e.01 e 24.025) Ponto rnadlo do intervalo« 0.e Sabe-se Enirando Qui-Quadrado nao e slrnetrica ou centrada em zero.0176 ± 0. 0.0292[ necessarto obter da tabela de quantlsarnbos de X ser maior do que Xb os. para a variavel para 65 extremes lnferlor e superior do intervale de?onfia~9~ fulcraL Finalmente.025 Fabrix..0.e poss[velobter .<rJspectivamente. P(X'" Xa) a varlancla. R~preSetlta9aQ do Intervale de confianca para a varlavel fulcral Consultando a tabela dos quantis para a distribui9aoQuicQuadrado cam 13 graus de Uberdada.025". obtida atraves destaamostra de 14 talhadores e para um nivelde conflanca cia 95%. obtemcseosvaJores de 5.025.00591 m2eD. por intervalos da variancla da altura dos trabalhadarss da que a probabilidade com' aste valor de probabilidade na tabsla de quantls cbtern-seo extreme superior do intervalo de confianca. aexpresaao qua permtte determinaro intervalo de Gonfiar19<l para a media paptilacionaL = 0. Entrando com esta valor de probabilidade na tabela de quanPodemosentaoafirmarque ser de 0.

•.. P(X > Z~i) /2 = 0. .. . .171[ '. ..0?69..20. X . a variavel fulcral .. de 35 trabalhadClres 98 91 100 daempresa Fabri:x.171-:.094m .a varlavel fulcral e..dos 95%.:.. = 0.do parameuo Ponto medic dointervalo ... estara -N( 0...1) valor . Fabrlx com peso superior a 70kg. 2 + 0.124 Uma vez conhecida.«nurnero de trabalhadores 70kg)) .AQ PARAMETRiCA 195 Apresente uma estimative para a propofl:.rvore klentlficar "'''''''. X tern uma dislribuigao = ]0.. .amostra..171 .005 84 11 Za/ /2 = Quanti/(O. =0.'O A ANALISE DE DADOS ESOIMAI... 0. .0941 Figura 62...0767me 0.-'::- . 67 51 ss .. :_:_.. que a probabilidad~de Xser melordo.··de14talhadores. NaTl'lbela23 sao apresantados os pesos de 35 trabalhadores da ernpresa Tabela23. assumindo umnfvel de "nr"''''n~~ 99%... 0 vercadeirc trabalhadores da ·······~lT1presaFabrix..0769 . rda. '.. Erroamostral = 0... obtidaatravesdesta.. ··p$raul11r1rveldeconfl~n~cle .~es .005) ..a varianola populacional e 35..124 ±O. da empresa Fabri~' com peso sUperior a .. e de que.....O..'.pr Collsultadaa. e posslvel construlr 0 intervalo de confiBlwa parae variavel em ..0769 . Representa!.. .ao de trabalhfdpres ..--' .194 INTROOUC..que na 52 96 Entrando com 0 valor de prab~bllldade extrema superior do intervalo de confianca. ..171m.P.ao do lntervalc de confianca padrao daaltura dos trabalhadores ...UII'''>f'Ir''' de e a amostra tern urna dimensacde apresentada na Figura 56 e pbsslvel quada.Podemosentao para a varlavelfulcral devera ser de 0.. _ de Bemmiur... <Ae~tjmativa porintervalosdo desvio padrao da altura..13 85 85 109 Sabe-se :'.. da empresa .. anrrnarque 0 desvio ...········entreD.

/2 In .. Ij - r~ n~~ .. - . 0.' Ij I~66(1-0.66(1-0. ~possi'lelobieraexpressao que dos extremes Esta Influencia ou seja.' 087-045 Extremo E rro amos t ra I -------"----~ 2' = 0. . a dirnensao da arnostra na Tabela esta presente influencia Consultandn a tabela dos quantis para adislrlbuil. do extremo inferior sera 0 sirnetrico ao obtldo para 0 extrema supe- Determlnacao da dlmensao da amostra Como se pode constatar os intervalos conflanca.. influencia 0 valor do erro amostral..1) qenerica para 0 intervalo de contlanca e dado pel a expressao apre- jO. obtern- 21.In 2 _cr_ = Zal .S7! em baixo.N(O...45: 0.58 e 2. Superior - cometido na astimacao da media e = dada pela expressao 066 apresentada Erro am astral =.58.. associado da amostra padamente no valor do erro arnostral..66D_ 35 = 'YJn A exprsssao sentada X-jl. = _~ n 35 efectuar a estlrnacao. de 35 talhadores e para uf]1 valor do pararnetro estara que a verdadeiro A expressao genenca . por consulta da Tabela 21. para os exuernos inferior e a dlrnensao sempre Como consequenda dlrnensao superior do intervalo de conflanca para a.87 . ~.. 0.c.ao Normal padrao._ = ~23 . = 2 x Za/ ..66) 35 . .. = = Jo .--=- cr ~. .196 IN TAOOuCAo II ANALISE DE DADOS ESTIMACAO PARAMETRICA 197 o valor rior. 0 66+2 58." para 0 erro maximo em baixo. _ P 70k9 = ~npeso > .. n = [ tern-sa a varlavsl em baixo.. Finalmente. 0 valor genericas do intervalo para de -se as valores de -2. 58. obtida atraves destaarnostra nlvel de contianca de 99%...Z".. 72 ! . V I. em todas as express5es da arnostra. p(1-p) p + ZtV' /2 " J 1 p(1-p) ---[ vartancia conhecida a estimar arvore a media de uma populacao de daclsao apresentada Normal com na Figura 56.._-_!:.21 com peso superior 2 Extremo Inferior ~----- f Podemos entao afirmar que a proporcao de trabalhadares a 70kg devera ser de 66% ± 21%.66 sobre 0 valor maximo Considerando do erro de estlrnacao. Ponto media do intervalo da empresa Fabrix e de .4~.. ..variavel fulcral. por quem pretende ao facto de esta ser definida antecipermite ter algum controlo permite determinar 0 intervalo de conflanca para a media pcpulaclonal. 66-2 .._. A estimativa por intervalos da proporeao de trabalhadores com mais de 70kg. respecnvarnente../ 2 '. 0. que se pretende e recorrendo fulcral apresenlada J/99 [ ~ = J p . entre 87% e 45%. =~0. de confianca cia. .

! . -11 v: p-n . se obtenham express5es diferentes.AD PARAMI'TRICA 199 Como se observe e posslvel encontrar comelido fulcrais no processo de deducao da expressao apresentada em cima. para qUOjntoslrabalhadoressera daaltura mediadestes. p .~s=-.i . e apreda do arro amostral.:. nivel mediante um deterrninado garantrr valor de desvio urn deterrninado a quaJquer pessoa urn a erro maximo tantes No caso das resexpresuma tabela de conflanca. . que resultam de cada uma das vartavels fulcrais na Figura 56 Erro Amostral Erro Arnostral uma !abela resumo com as expressoes para a deterrnina<.1) Erro Amostral = Za/.1)s 2 .p) ~/~2 ~. Quadro resumo com as axprossoss apresentadas genericas para a determlnacao da dlrnensao da amostra.ao dimensao x rrn -!l _ N(O. (1 . . nm .' Xu '--~'2-'.. para que. apresentada em cima permite se possa calcuio determinar a dlrnensao que a amospadrao valor e uma expressao na estlrnacao e parametres que relacione do para metro populacionals. 1 _ 'i n s %n . Quadro resume cern as expresscee apresentadas Variavel Fulcral genericas para a determinacao mento sentada e id€mtico. com as express5es genericas para a determlnacao do erro amostral.Xn-1 . .r72 'in s Variavel Fulcral Dimensao da am ostra (J -'~- X -11 X _. necessario se pOSp8 asssqurar urn erro "lTln~:tr lri. De seguida.05m? .1) = Zr:.n-- ~-~ X-)l Yrn . [1 . com 0 A expressao tra deve determlnado amostral. 0 procedi- Tabala 24. .---' xi .' !'.~'~ abler uma nova expressao do valor que permita determiprelendido.N(O.-~ 1J n= )2 Erra Amastra! " Zr:. . co /2 n = [ -E-rr-o~A'-=-m-o-stral ]2 Retomsmos apresentado n exernpto da altura media' dos Irabalhadores anterlormente(Tabela 22).. s [ -.. parametres genericas populacionais.198 1NTRODU~AO A ANALISE DE DADOS EST IMAr.!. que resullam de cada uma das varlavals fulcrais na FIgura 56 Erra Amostral "" X(1/2 .15) V.. de forma a garantir .N(O. No caso das restantes deve ter..-_ Erro Amostral ~ )2 (n ::._. em bora se obtenham e apresentada Atravas e posslvel determinar De sequida.1) n= z._-~ Erro Amostral X% .' entrevistar.N(O.. O..Erra Amastral = -_. 7'n (l Tahala 25. a dlmansao populacionaL da amostra ter.. resume 0 procedimento e identlco._~.-'-~--. . desle simples de errn variaveis sees diferentes... da Erro Arnostrar' nar a dlrnensao vanancla da amostra (n) a partir de erro arnostral e do valor de Zu/.N(O:1) Reorganizando expressao da Tabela a expressao 24) apresentada em clrna (corresponde e possivel a primelra n= Z~ . [-~~(!. /2 Zrx/ . dim en sao minima que a amostra maximo de erro amostral. embora da arnostra.1) 2 (n . fulcrais um determinado valor variaveis e.

200

INTRODlH,AO

A

ANA!

ISE DE DAnos

ESTIMM,;Ao

PARAMETRICA

201

Consjderando

que se continua a pretender estimar a media com um nivel de

A estlrnacao

a dlrnansao da amostra, requer 0 conhecimento

da proporl,;8o Para que este

significancia de 95%,lem-se:

amostral, 0 que irnplicarta ter recolhldo a amostra prsvlarnente. clelo vicioso possa ser quebrado proporcao, desfavoravel

n

=.(';_.'. x..Arnostral ._: ('.3,16 S)2 %.... J ~.~. lErro .... -.. y 0,05
=> X

0 comum nestas situar;6es
(gera a rnalor arnostra).

e nscessano assumlr e conslderar-se

urn dado valor para a
0 valor de urn estudo

anterior ou, case este nao exista, consldsrar-se

0 valor 0,5, por sar 0 rnals

Para que seja posslvel estimar a dlrnansao da arnostra. cer 0 desvio

e necessario

conhe-

Neste case, por ter sido previamente trabalhadores,

padrao arnostral, 0 que impHcaria ter recolhido a arnostra preum dado valor para 0 desvio padrao, 0 comum em a valor de urn estudo anterior ou, caso urn valor razoavel. uma amostra previa da altura de 14

a

racolhida uma arnostra do peso de 35 uma proporcao 0,66 valores aeima de

qual foi identiflcada

70kg, vamos assumir este valor para a analise em curso. 2,582 x 0,66 x (1 - 0,66) = ~-~-----~-.-~0,052 = 597,5

vlarnente. Asslrn. estamos perante urn ciclo vicloso. que apenas podera ser quebrada seassurnirmos situar;:oes como esta

e consldsrar-se

n

=

esle nao exista, eonslderar-se Neste

caso,

como tinha sido recolhida

trabalhedcres,

a qual

roi identificado

urn desvlo padrao de 0,106m, assurniPara que, na esttmacao da proporl,;ao trabalhadores com peso superior a 70kg, se garanta um erro amostral maximo de 5%, sera necessarto uma amostra de pelo menos 598 pesos. recofher

remos este valor para 0 presente estudo,

Para que, na 8s!imaqao erro amostral

da altura media dos trabalhadcres, recolher

se garanla

urn

maximo de 0,05m sera nscessario

uma arnostra de

pelo rnenos 21 alturas.

Factor de correccao para populacoes finitas
Retomemos
0 exemplo

da proporr;:ao de trabalhadores anteriormente

da empresa

Fabrix

com peso superior a 70kg aprasentado Quantos trabalhadores

[Tabela 23).

Da analise das equacoas Sera que a dimansao

apresentadas da populacao

em cima, ressaftam nao influencia

a segulntes

questoes:

sera necessario entrevistar para que, na estimaqao da que 113mpeso superior a 70kg, se assegure um

a quaJidade

da estimativa

proporr;:ao de trabalhadores

(erro amosfraJ) e consequentemente Sera que uma arnostra

a dim en sao ideal da amostra? 100 representa de 1.000.000? de uma amosde essa A resposta de iguaJ forma uma

erro amostral maximo de 5% ? Considerando de significancia que 5e continua a pretender estimar a proporcao com um nlvel de 99%, tern-se:

de dlrnensao

populacao

de 1.000 e uma populacao

z~

Houve ja oportunidade tra, rnalor

de referir que, quanto maier for a dlrnensao contudo, surge agora tambern da dimensao da populacao, limites.

,fi

.(1 - 15)
2

e

a sua representafividade; depender que slrn, mas dentro

a questao

n '" ~,~~-,,--ErroAmostral 2,582

=

representatividade obviamente maior quanto

e:

de delerminados

A influ€mcia da amostra

sera tanto

x

p(1 -P)

rnalor for a proximidade

entre as dlrnensoas

e da popula-

0,052

9130,

","doc_promotions_enabled":false,"static_promo_banner_cta_url":""},"eligible_for_exclusive_trial_roadblock":false,"eligible_for_seo_roadblock":false,"exclusive_free_trial_roadblock_props_path":"/doc-page/exclusive-free-trial-props/75400273","flashes":[],"footer_props":{"urls":{"about":"/about","press":"/press","blog":"http://literally.scribd.com/","careers":"/careers","contact":"/contact","plans_landing":"/subscribe","referrals":"/referrals?source=footer","giftcards":"/giftcards","faq":"/faq","accessibility":"/accessibility-policy","faq_paths":{"accounts":"https://support.scribd.com/hc/sections/202246346","announcements":"https://support.scribd.com/hc/sections/202246066","copyright":"https://support.scribd.com/hc/sections/202246086","downloading":"https://support.scribd.com/hc/articles/210135046","publishing":"https://support.scribd.com/hc/sections/202246366","reading":"https://support.scribd.com/hc/sections/202246406","selling":"https://support.scribd.com/hc/sections/202246326","store":"https://support.scribd.com/hc/sections/202246306","status":"https://support.scribd.com/hc/en-us/articles/360001202872","terms":"https://support.scribd.com/hc/sections/202246126","writing":"https://support.scribd.com/hc/sections/202246366","adchoices":"https://support.scribd.com/hc/articles/210129366","paid_features":"https://support.scribd.com/hc/sections/202246306","failed_uploads":"https://support.scribd.com/hc/en-us/articles/210134586-Troubleshooting-uploads-and-conversions","copyright_infringement":"https://support.scribd.com/hc/en-us/articles/210128946-DMCA-copyright-infringement-takedown-notification-policy","end_user_license":"https://support.scribd.com/hc/en-us/articles/210129486","terms_of_use":"https://support.scribd.com/hc/en-us/articles/210129326-General-Terms-of-Use"},"publishers":"/publishers","static_terms":"/terms","static_privacy":"/privacy","copyright":"/copyright","ios_app":"https://itunes.apple.com/us/app/scribd-worlds-largest-online/id542557212?mt=8&uo=4&at=11lGEE","android_app":"https://play.google.com/store/apps/details?id=com.scribd.app.reader0&hl=en","books":"/books","sitemap":"/directory"}},"global_nav_props":{"header_props":{"logo_src":"/images/landing/home2_landing/scribd_logo_horiz_small.svg","root_url":"https://www.scribd.com/","search_term":"","small_logo_src":"/images/logos/scribd_s_logo.png","uploads_url":"/upload-document","search_props":{"redirect_to_app":true,"search_url":"/search","query":"","search_page":false}},"user_menu_props":null,"sidebar_props":{"urls":{"bestsellers":"https://www.scribd.com/bestsellers","home":"https://www.scribd.com/","saved":"/saved","subscribe":"/archive/pmp_checkout?doc=75400273&metadata=%7B%22context%22%3A%22pmp%22%2C%22action%22%3A%22start_trial%22%2C%22logged_in%22%3Afalse%2C%22platform%22%3A%22web%22%7D","top_charts":"/bestsellers","upload":"https://www.scribd.com/upload-document"},"categories":{"book":{"icon":"icon-ic_book","icon_filled":"icon-ic_book_fill","url":"https://www.scribd.com/books","name":"Books","type":"book"},"news":{"icon":"icon-ic_articles","icon_filled":"icon-ic_articles_fill","url":"https://www.scribd.com/news","name":"News","type":"news"},"audiobook":{"icon":"icon-ic_audiobook","icon_filled":"icon-ic_audiobook_fill","url":"https://www.scribd.com/audiobooks","name":"Audiobooks","type":"audiobook"},"magazine":{"icon":"icon-ic_magazine","icon_filled":"icon-ic_magazine_fill","url":"https://www.scribd.com/magazines","name":"Magazines","type":"magazine"},"document":{"icon":"icon-ic_document","icon_filled":"icon-ic_document_fill","url":"https://www.scribd.com/docs","name":"Documents","type":"document"},"sheet_music":{"icon":"icon-ic_songbook","icon_filled":"icon-ic_songbook_fill","url":"https://www.scribd.com/sheetmusic","name":"Sheet Music","type":"sheet_music"}},"categories_array":["mixed","book","audiobook","magazine","news","document","sheet_music"],"selected_content_type":"mixed","username":"","search_overlay_props":{"search_input_props":{"focused":false,"keep_suggestions_on_blur":false}}}},"recommenders":{"related_titles_recommender":{"ids":[116874802,254707713,96934601,44895077,253264900,212863738,244157917,239488191,282766939,263504218,224419023,163646054,224258670,225916486,238704340,224355300,224369806,224410295,293461549,239588474,202691564,211302755,182553141,234028503,224349281,224326250,224426877,254039238,182565115,337536061,249309502,224306619,273440534,273582508,249308781,182546874,250006950,235583696,231689346,224248577,224285255,224252178,235411767,163580087,224270540,249308236,163564256,224248520,182560283,163579056,246897514,163603389,163647832,224266633,216442529,182522032,231689506],"title_link":null,"title":null,"track_opts":{"compilation_id":"kf7SBPjoIumYAhSUM11xvNAyZgQ=","module_id":"ulFtQGIo1iafHIgcO7Mq66Ckk2g=","widget_name":"right sidebar","track_id":"flattened_recommender"}},"footer_recommenders":{"recommenders":[{"ids":[116874802,254707713,96934601,44895077],"title_link":null,"title":"Documents Similar To Introdução à Análise de Dados com recurso ao SPSS","track_opts":{"compilation_id":"kf7SBPjoIumYAhSUM11xvNAyZgQ=","module_id":"Bw59+Vc/wcK8v8EWWift2xPCfkM=","widget_name":"document_carousel"}}]},"seo_new_docs_recommenders":{"recommenders":[]},"documents":{"44895077":{"type":"document","id":44895077,"thumb_url":"https://imgv2-2-f.scribdassets.com/img/document/44895077/108x144/b09f8dfc69/1508084456?v=1","retina_thumb_url":"https://imgv2-2-f.scribdassets.com/img/document/44895077/216x288/9d463bac3c/1508084456?v=1","title":"Guia Pratico de SPSS","short_title":"Guia Pratico de SPSS","author":"helderdias_96231","tracking":{"object_type":"document","object_id":44895077,"track":"flattened_recommender","doc_uuid":"MggH+CZcidmBp8ThEJo4unQEfWE="},"url":"https://www.scribd.com/document/44895077/Guia-Pratico-de-SPSS"},"96934601":{"type":"document","id":96934601,"thumb_url":"https://imgv2-1-f.scribdassets.com/img/document/96934601/108x144/ba578e3765/1371814060?v=1","retina_thumb_url":"https://imgv2-2-f.scribdassets.com/img/document/96934601/216x288/ce11341629/1371814060?v=1","title":"Analise de Dados Com Spss","short_title":"Analise de Dados Com Spss","author":"Paulo Rodrigues","tracking":{"object_type":"document","object_id":96934601,"track":"flattened_recommender","doc_uuid":"8T8jBxT6RLP9tq5WCd2RwEQ01h0="},"url":"https://www.scribd.com/document/96934601/Analise-de-Dados-Com-Spss"},"116874802":{"type":"document","id":116874802,"thumb_url":"https://imgv2-1-f.scribdassets.com/img/document/116874802/108x144/28ff77435f/1371814621?v=1","retina_thumb_url":"https://imgv2-2-f.scribdassets.com/img/document/116874802/216x288/61b5fc456f/1371814621?v=1","title":"analise de dados multivariado","short_title":"analise de dados multivariado","author":"jelskey10","tracking":{"object_type":"document","object_id":116874802,"track":"flattened_recommender","doc_uuid":"4NzTuVGrr8lPtKd69inmpeu2i8Y="},"url":"https://www.scribd.com/presentation/116874802/analise-de-dados-multivariado"},"163564256":{"type":"book","id":163564256,"thumb_url":"https://imgv2-2-f.scribdassets.com/img/word_document/163564256/108x144/19b813ddea/1537782067?v=1","retina_thumb_url":"https://imgv2-1-f.scribdassets.com/img/word_document/163564256/216x288/50918b57c9/1537782067?v=1","title":"Beautiful Ruins: A Novel","short_title":"Beautiful Ruins","author":"Jess Walter","tracking":{"object_type":"document","object_id":163564256,"track":"flattened_recommender","doc_uuid":"Yx6MVBvq8Yad4EjTlwF43dLrzqA="},"url":"https://www.scribd.com/book/163564256/Beautiful-Ruins-A-Novel"},"163579056":{"type":"book","id":163579056,"thumb_url":"https://imgv2-2-f.scribdassets.com/img/word_document/163579056/108x144/b0cc4a522d/1537785274?v=1","retina_thumb_url":"https://imgv2-1-f.scribdassets.com/img/word_document/163579056/216x288/cc1bed9752/1537785274?v=1","title":"The Art of Racing in the Rain: A Novel","short_title":"The Art of Racing in the Rain","author":"Garth Stein","tracking":{"object_type":"document","object_id":163579056,"track":"flattened_recommender","doc_uuid":"xlzf71QmhY4/mHVnoy8i8x67c+k="},"url":"https://www.scribd.com/book/163579056/The-Art-of-Racing-in-the-Rain-A-Novel"},"163580087":{"type":"book","id":163580087,"thumb_url":"https://imgv2-1-f.scribdassets.com/img/word_document/163580087/108x144/865888b820/1537786991?v=1","retina_thumb_url":"https://imgv2-2-f.scribdassets.com/img/word_document/163580087/216x288/a50ec4d378/1537786991?v=1","title":"Bel Canto","short_title":"Bel Canto","author":"Ann Patchett","tracking":{"object_type":"document","object_id":163580087,"track":"flattened_recommender","doc_uuid":"wULF1igQWAfpfaSGEaoBWhWauHk="},"url":"https://www.scribd.com/book/163580087/Bel-Canto"},"163603389":{"type":"book","id":163603389,"thumb_url":"https://imgv2-2-f.scribdassets.com/img/word_document/163603389/108x144/9281c90791/1537790825?v=1","retina_thumb_url":"https://imgv2-2-f.scribdassets.com/img/word_document/163603389/216x288/a0de7e7dea/1537790825?v=1","title":"A Prayer for Owen Meany: A Novel","short_title":"A Prayer for Owen Meany","author":"John Irving","tracking":{"object_type":"document","object_id":163603389,"track":"flattened_recommender","doc_uuid":"KStIxBSL/GszpnN2pfPTWz6MlfY="},"url":"https://www.scribd.com/book/163603389/A-Prayer-for-Owen-Meany-A-Novel"},"163646054":{"type":"book","id":163646054,"thumb_url":"https://imgv2-2-f.scribdassets.com/img/word_document/163646054/108x144/c8eb9eae18/1537782033?v=1","retina_thumb_url":"https://imgv2-1-f.scribdassets.com/img/word_document/163646054/216x288/d6d700f05f/1537782033?v=1","title":"Devil in the Grove: Thurgood Marshall, the Groveland Boys, and the Dawn of a New America","short_title":"Devil in the Grove","author":"Gilbert King","tracking":{"object_type":"document","object_id":163646054,"track":"flattened_recommender","doc_uuid":"nWhWBw8c66hJA+raiD2LkUID8mw="},"url":"https://www.scribd.com/book/163646054/Devil-in-the-Grove-Thurgood-Marshall-the-Groveland-Boys-and-the-Dawn-of-a-New-America"},"163647832":{"type":"book","id":163647832,"thumb_url":"https://imgv2-1-f.scribdassets.com/img/word_document/163647832/108x144/9f4ce0c73a/1537784720?v=1","retina_thumb_url":"https://imgv2-1-f.scribdassets.com/img/word_document/163647832/216x288/c8974e0a45/1537784720?v=1","title":"The Cider House Rules","short_title":"The Cider House Rules","author":"John Irving","tracking":{"object_type":"document","object_id":163647832,"track":"flattened_recommender","doc_uuid":"lqYHMfUBGpWgyLnpKDdIItxaczI="},"url":"https://www.scribd.com/book/163647832/The-Cider-House-Rules"},"182522032":{"type":"book","id":182522032,"thumb_url":"https://imgv2-2-f.scribdassets.com/img/word_document/182522032/108x144/671b9a055b/1537779594?v=1","retina_thumb_url":"https://imgv2-1-f.scribdassets.com/img/word_document/182522032/216x288/ec6eb5c88b/1537779594?v=1","title":"The Bonfire of the Vanities: A Novel","short_title":"The Bonfire of the Vanities","author":"Tom Wolfe","tracking":{"object_type":"document","object_id":182522032,"track":"flattened_recommender","doc_uuid":"+gaGiDH3OlP6sYEIoC5gOSYxrQQ="},"url":"https://www.scribd.com/book/182522032/The-Bonfire-of-the-Vanities-A-Novel"},"182546874":{"type":"book","id":182546874,"thumb_url":"https://imgv2-1-f.scribdassets.com/img/word_document/182546874/108x144/817bab2149/1537786992?v=1","retina_thumb_url":"https://imgv2-2-f.scribdassets.com/img/word_document/182546874/216x288/a6b6573207/1537786992?v=1","title":"The Love Affairs of Nathaniel P.: A Novel","short_title":"The Love Affairs of Nathaniel P.","author":"Adelle Waldman","tracking":{"object_type":"document","object_id":182546874,"track":"flattened_recommender","doc_uuid":"PT4IS0es6gqJ0GnfxrMXPPwkchk="},"url":"https://www.scribd.com/book/182546874/The-Love-Affairs-of-Nathaniel-P-A-Novel"},"182553141":{"type":"book","id":182553141,"thumb_url":"https://imgv2-1-f.scribdassets.com/img/word_document/182553141/108x144/1b40063d80/1537785503?v=1","retina_thumb_url":"https://imgv2-1-f.scribdassets.com/img/word_document/182553141/216x288/098f7f1651/1537785503?v=1","title":"The World Is Flat 3.0: A Brief History of the Twenty-first Century","short_title":"The World Is Flat 3.0","author":"Thomas L. Friedman","tracking":{"object_type":"document","object_id":182553141,"track":"flattened_recommender","doc_uuid":"MpitXYaOs4rLmiNK9th9Bfa8JSs="},"url":"https://www.scribd.com/book/182553141/The-World-Is-Flat-3-0-A-Brief-History-of-the-Twenty-first-Century"},"182560283":{"type":"book","id":182560283,"thumb_url":"https://imgv2-1-f.scribdassets.com/img/word_document/182560283/108x144/229169a793/1537783845?v=1","retina_thumb_url":"https://imgv2-2-f.scribdassets.com/img/word_document/182560283/216x288/fc0b9ebffa/1537783845?v=1","title":"Wolf Hall: A Novel","short_title":"Wolf Hall","author":"Hilary Mantel","tracking":{"object_type":"document","object_id":182560283,"track":"flattened_recommender","doc_uuid":"CaMGWe6eCFIdqA9KsSEmioKAiNY="},"url":"https://www.scribd.com/book/182560283/Wolf-Hall-A-Novel"},"182565115":{"type":"book","id":182565115,"thumb_url":"https://imgv2-1-f.scribdassets.com/img/word_document/182565115/108x144/50e3fc9eb2/1537784443?v=1","retina_thumb_url":"https://imgv2-2-f.scribdassets.com/img/word_document/182565115/216x288/8bbf81282a/1537784443?v=1","title":"The Silver Linings Playbook: A Novel","short_title":"The Silver Linings Playbook","author":"Matthew Quick","tracking":{"object_type":"document","object_id":182565115,"track":"flattened_recommender","doc_uuid":"hj2Tz+8jeL+3EtBz1PQjNohWfaU="},"url":"https://www.scribd.com/book/182565115/The-Silver-Linings-Playbook-A-Novel"},"202691564":{"type":"book","id":202691564,"thumb_url":"https://imgv2-2-f.scribdassets.com/img/word_document/202691564/108x144/f0e6e6416d/1537788668?v=1","retina_thumb_url":"https://imgv2-1-f.scribdassets.com/img/word_document/202691564/216x288/56a5d067c6/1537788668?v=1","title":"Smart People Should Build Things: How to Restore Our Culture of Achievement, Build a Path for Entrepreneurs, and Create New Jobs in America","short_title":"Smart People Should Build Things","author":"Andrew Yang","tracking":{"object_type":"document","object_id":202691564,"track":"flattened_recommender","doc_uuid":"lUPsC8wn9WPb2s/U34pwBJs14Cc="},"url":"https://www.scribd.com/book/202691564/Smart-People-Should-Build-Things-How-to-Restore-Our-Culture-of-Achievement-Build-a-Path-for-Entrepreneurs-and-Create-New-Jobs-in-America"},"211302755":{"type":"book","id":211302755,"thumb_url":"https://imgv2-1-f.scribdassets.com/img/word_document/211302755/108x144/2424de51a2/1537789483?v=1","retina_thumb_url":"https://imgv2-2-f.scribdassets.com/img/word_document/211302755/216x288/09ee7462f3/1537789483?v=1","title":"The Hard Thing About Hard Things: Building a Business When There Are No Easy Answers","short_title":"The Hard Thing About Hard Things","author":"Ben Horowitz","tracking":{"object_type":"document","object_id":211302755,"track":"flattened_recommender","doc_uuid":"vY5K+ijn647GQolY2hjyhhsUnow="},"url":"https://www.scribd.com/book/211302755/The-Hard-Thing-About-Hard-Things-Building-a-Business-When-There-Are-No-Easy-Answers"},"212863738":{"type":"book","id":212863738,"thumb_url":"https://imgv2-1-f.scribdassets.com/img/word_document/212863738/108x144/5bad102ef1/1537787551?v=1","retina_thumb_url":"https://imgv2-2-f.scribdassets.com/img/word_document/212863738/216x288/8fc36df455/1537787551?v=1","title":"The Unwinding: An Inner History of the New America","short_title":"The Unwinding","author":"George Packer","tracking":{"object_type":"document","object_id":212863738,"track":"flattened_recommender","doc_uuid":"4KGbOrrBxNdUCB2aYTzH+3bAhhk="},"url":"https://www.scribd.com/book/212863738/The-Unwinding-An-Inner-History-of-the-New-America"},"216442529":{"type":"book","id":216442529,"thumb_url":"https://imgv2-1-f.scribdassets.com/img/word_document/216442529/108x144/7945e537de/1537783716?v=1","retina_thumb_url":"https://imgv2-1-f.scribdassets.com/img/word_document/216442529/216x288/95db88293e/1537783716?v=1","title":"Lovers at the Chameleon Club, Paris 1932: A Novel","short_title":"Lovers at the Chameleon Club, Paris 1932","author":"Francine Prose","tracking":{"object_type":"document","object_id":216442529,"track":"flattened_recommender","doc_uuid":"gubLtM8e3IYHQ+aqYAAvU/s0RUQ="},"url":"https://www.scribd.com/book/216442529/Lovers-at-the-Chameleon-Club-Paris-1932-A-Novel"},"224248520":{"type":"book","id":224248520,"thumb_url":"https://imgv2-2-f.scribdassets.com/img/word_document/224248520/108x144/57b8f15c1c/1537790791?v=1","retina_thumb_url":"https://imgv2-2-f.scribdassets.com/img/word_document/224248520/216x288/2fc602273a/1537790791?v=1","title":"The Kitchen House: A Novel","short_title":"The Kitchen House","author":"Kathleen Grissom","tracking":{"object_type":"document","object_id":224248520,"track":"flattened_recommender","doc_uuid":"aLBOOCnQ8XPupuoqTH4VwMxR+/E="},"url":"https://www.scribd.com/book/224248520/The-Kitchen-House-A-Novel"},"224248577":{"type":"book","id":224248577,"thumb_url":"https://imgv2-2-f.scribdassets.com/img/word_document/224248577/108x144/d525463c67/1537776259?v=1","retina_thumb_url":"https://imgv2-1-f.scribdassets.com/img/word_document/224248577/216x288/2b59844b99/1537776259?v=1","title":"The Rosie Project: A Novel","short_title":"The Rosie Project","author":"Graeme Simsion","tracking":{"object_type":"document","object_id":224248577,"track":"flattened_recommender","doc_uuid":"hCpcDZcr6OWfFo5nXh0/0lrS4Kw="},"url":"https://www.scribd.com/book/224248577/The-Rosie-Project-A-Novel"},"224252178":{"type":"book","id":224252178,"thumb_url":"https://imgv2-2-f.scribdassets.com/img/word_document/224252178/108x144/68dbc1000d/1537781939?v=1","retina_thumb_url":"https://imgv2-2-f.scribdassets.com/img/word_document/224252178/216x288/57a65a5750/1537781939?v=1","title":"Brooklyn: A Novel","short_title":"Brooklyn","author":"Colm Toibin","tracking":{"object_type":"document","object_id":224252178,"track":"flattened_recommender","doc_uuid":"PL/Nffp3KixTLO2VyWnW3n4vwXs="},"url":"https://www.scribd.com/book/224252178/Brooklyn-A-Novel"},"224258670":{"type":"book","id":224258670,"thumb_url":"https://imgv2-1-f.scribdassets.com/img/word_document/224258670/108x144/3c7a87a449/1537793861?v=1","retina_thumb_url":"https://imgv2-1-f.scribdassets.com/img/word_document/224258670/216x288/ef3c1ca84d/1537793861?v=1","title":"The Prize: The Epic Quest for Oil, Money & Power","short_title":"The Prize","author":"Daniel Yergin","tracking":{"object_type":"document","object_id":224258670,"track":"flattened_recommender","doc_uuid":"wKf6Go7IeCqKHUjzDkJw69BK3+8="},"url":"https://www.scribd.com/book/224258670/The-Prize-The-Epic-Quest-for-Oil-Money-Power"},"224266633":{"type":"book","id":224266633,"thumb_url":"https://imgv2-1-f.scribdassets.com/img/word_document/224266633/108x144/d0de7b5bf4/1537794150?v=1","retina_thumb_url":"https://imgv2-1-f.scribdassets.com/img/word_document/224266633/216x288/a40600a76d/1537794150?v=1","title":"The Perks of Being a Wallflower","short_title":"The Perks of Being a Wallflower","author":"Stephen Chbosky","tracking":{"object_type":"document","object_id":224266633,"track":"flattened_recommender","doc_uuid":"4PcNFg+uLj9ZIJY0EPoyVKfuN5s="},"url":"https://www.scribd.com/book/224266633/The-Perks-of-Being-a-Wallflower"},"224270540":{"type":"book","id":224270540,"thumb_url":"https://imgv2-1-f.scribdassets.com/img/word_document/224270540/108x144/f484685ce1/1537792993?v=1","retina_thumb_url":"https://imgv2-1-f.scribdassets.com/img/word_document/224270540/216x288/f0d4e09ce0/1537792993?v=1","title":"The Master","short_title":"The Master","author":"Colm Toibin","tracking":{"object_type":"document","object_id":224270540,"track":"flattened_recommender","doc_uuid":"zl9qDKXwSFfEO9hF49u7QlqWXr8="},"url":"https://www.scribd.com/book/224270540/The-Master"},"224285255":{"type":"book","id":224285255,"thumb_url":"https://imgv2-2-f.scribdassets.com/img/word_document/224285255/108x144/144bc668f6/1537776192?v=1","retina_thumb_url":"https://imgv2-2-f.scribdassets.com/img/word_document/224285255/216x288/9dbee53a6c/1537776192?v=1","title":"The Flamethrowers: A Novel","short_title":"The Flamethrowers","author":"Rachel Kushner","tracking":{"object_type":"document","object_id":224285255,"track":"flattened_recommender","doc_uuid":"o+y8LhrF6lcmEdi5dzzYiq1U8lE="},"url":"https://www.scribd.com/book/224285255/The-Flamethrowers-A-Novel"},"224306619":{"type":"book","id":224306619,"thumb_url":"https://imgv2-1-f.scribdassets.com/img/word_document/224306619/108x144/7eeca5a1bc/1537790771?v=1","retina_thumb_url":"https://imgv2-2-f.scribdassets.com/img/word_document/224306619/216x288/4a8f75444a/1537790771?v=1","title":"The Light Between Oceans: A Novel","short_title":"The Light Between Oceans","author":"M.L. Stedman","tracking":{"object_type":"document","object_id":224306619,"track":"flattened_recommender","doc_uuid":"pGJFj8mXq6C1tzJ1bq6Ekq7stLU="},"url":"https://www.scribd.com/book/224306619/The-Light-Between-Oceans-A-Novel"},"224326250":{"type":"book","id":224326250,"thumb_url":"https://imgv2-1-f.scribdassets.com/img/word_document/224326250/108x144/b659f5fb6a/1537786890?v=1","retina_thumb_url":"https://imgv2-1-f.scribdassets.com/img/word_document/224326250/216x288/900e8864ca/1537786890?v=1","title":"Steve Jobs","short_title":"Steve Jobs","author":"Walter Isaacson","tracking":{"object_type":"document","object_id":224326250,"track":"flattened_recommender","doc_uuid":"CI/L9mdthzisfV5Vre/cXMMmHH8="},"url":"https://www.scribd.com/book/224326250/Steve-Jobs"},"224349281":{"type":"book","id":224349281,"thumb_url":"https://imgv2-2-f.scribdassets.com/img/word_document/224349281/108x144/4df0918cea/1537795347?v=1","retina_thumb_url":"https://imgv2-1-f.scribdassets.com/img/word_document/224349281/216x288/befa0c6317/1537795347?v=1","title":"How To Win Friends and Influence People","short_title":"How To Win Friends and Influence People","author":"Dale Carnegie","tracking":{"object_type":"document","object_id":224349281,"track":"flattened_recommender","doc_uuid":"z2+Y6kZc9dW2JVeO2PJfR69Nwqo="},"url":"https://www.scribd.com/book/224349281/How-To-Win-Friends-and-Influence-People"},"224355300":{"type":"book","id":224355300,"thumb_url":"https://imgv2-2-f.scribdassets.com/img/word_document/224355300/108x144/0f2130a60a/1537783343?v=1","retina_thumb_url":"https://imgv2-1-f.scribdassets.com/img/word_document/224355300/216x288/9b9b19254a/1537783343?v=1","title":"Grand Pursuit: The Story of Economic Genius","short_title":"Grand Pursuit","author":"Sylvia Nasar","tracking":{"object_type":"document","object_id":224355300,"track":"flattened_recommender","doc_uuid":"tu0+D4FcInTlnTugbsSRz7cAJlQ="},"url":"https://www.scribd.com/book/224355300/Grand-Pursuit-The-Story-of-Economic-Genius"},"224369806":{"type":"book","id":224369806,"thumb_url":"https://imgv2-1-f.scribdassets.com/img/word_document/224369806/108x144/6fb23377a8/1537783341?v=1","retina_thumb_url":"https://imgv2-1-f.scribdassets.com/img/word_document/224369806/216x288/b1d476d0fb/1537783341?v=1","title":"The Emperor of All Maladies: A Biography of Cancer","short_title":"The Emperor of All Maladies","author":"Siddhartha Mukherjee","tracking":{"object_type":"document","object_id":224369806,"track":"flattened_recommender","doc_uuid":"jKVEPwYoUGWz0ZSg+G55vP+zkdA="},"url":"https://www.scribd.com/book/224369806/The-Emperor-of-All-Maladies-A-Biography-of-Cancer"},"224410295":{"type":"book","id":224410295,"thumb_url":"https://imgv2-1-f.scribdassets.com/img/word_document/224410295/108x144/514b1bea0b/1537783195?v=1","retina_thumb_url":"https://imgv2-1-f.scribdassets.com/img/word_document/224410295/216x288/f7c9469e6c/1537783195?v=1","title":"Team of Rivals: The Political Genius of Abraham Lincoln","short_title":"Team of Rivals","author":"Doris Kearns Goodwin","tracking":{"object_type":"document","object_id":224410295,"track":"flattened_recommender","doc_uuid":"YEWTCQoJ/r8ovq7ezMy5CoZBAQg="},"url":"https://www.scribd.com/book/224410295/Team-of-Rivals-The-Political-Genius-of-Abraham-Lincoln"},"224419023":{"type":"book","id":224419023,"thumb_url":"https://imgv2-2-f.scribdassets.com/img/word_document/224419023/108x144/48b209bbb5/1537783164?v=1","retina_thumb_url":"https://imgv2-1-f.scribdassets.com/img/word_document/224419023/216x288/39263c2334/1537783164?v=1","title":"John Adams","short_title":"John Adams","author":"David McCullough","tracking":{"object_type":"document","object_id":224419023,"track":"flattened_recommender","doc_uuid":"PbG7SLOIeQm0gnoJexj97Co6uk0="},"url":"https://www.scribd.com/book/224419023/John-Adams"},"224426877":{"type":"book","id":224426877,"thumb_url":"https://imgv2-1-f.scribdassets.com/img/word_document/224426877/108x144/f22cf865fe/1537780478?v=1","retina_thumb_url":"https://imgv2-1-f.scribdassets.com/img/word_document/224426877/216x288/a73f25e252/1537780478?v=1","title":"Angela's Ashes: A Memoir","short_title":"Angela's Ashes","author":"Frank McCourt","tracking":{"object_type":"document","object_id":224426877,"track":"flattened_recommender","doc_uuid":"NPw5cAUG8bYjdBlbwjcH+e6Ryow="},"url":"https://www.scribd.com/book/224426877/Angela-s-Ashes-A-Memoir"},"225916486":{"type":"book","id":225916486,"thumb_url":"https://imgv2-1-f.scribdassets.com/img/word_document/225916486/108x144/241cf75eb3/1537786261?v=1","retina_thumb_url":"https://imgv2-1-f.scribdassets.com/img/word_document/225916486/216x288/a042fe186a/1537786261?v=1","title":"A Heartbreaking Work Of Staggering Genius: A Memoir Based on a True Story","short_title":"A Heartbreaking Work Of Staggering Genius","author":"Dave Eggers","tracking":{"object_type":"document","object_id":225916486,"track":"flattened_recommender","doc_uuid":"7d00Ly3W7yuzBDrH0Coq20HVcCE="},"url":"https://www.scribd.com/book/225916486/A-Heartbreaking-Work-Of-Staggering-Genius-A-Memoir-Based-on-a-True-Story"},"231689346":{"type":"book","id":231689346,"thumb_url":"https://imgv2-2-f.scribdassets.com/img/word_document/231689346/108x144/7e5fbbde4a/1537776550?v=1","retina_thumb_url":"https://imgv2-2-f.scribdassets.com/img/word_document/231689346/216x288/b7fe80231f/1537776550?v=1","title":"The Blazing World: A Novel","short_title":"The Blazing World","author":"Siri Hustvedt","tracking":{"object_type":"document","object_id":231689346,"track":"flattened_recommender","doc_uuid":"UZr8Mj8ubmbTWjRlvaj0Axga8Xs="},"url":"https://www.scribd.com/book/231689346/The-Blazing-World-A-Novel"},"231689506":{"type":"book","id":231689506,"thumb_url":"https://imgv2-1-f.scribdassets.com/img/word_document/231689506/108x144/640ee9da4e/1537791035?v=1","retina_thumb_url":"https://imgv2-1-f.scribdassets.com/img/word_document/231689506/216x288/ce52320e76/1537791035?v=1","title":"Little Bee: A Novel","short_title":"Little Bee","author":"Chris Cleave","tracking":{"object_type":"document","object_id":231689506,"track":"flattened_recommender","doc_uuid":"PuT3p6Vm5CnH9HVtwp+hguXmQzg="},"url":"https://www.scribd.com/book/231689506/Little-Bee-A-Novel"},"234028503":{"type":"book","id":234028503,"thumb_url":"https://imgv2-2-f.scribdassets.com/img/word_document/234028503/108x144/2c4440aa6c/1537787913?v=1","retina_thumb_url":"https://imgv2-1-f.scribdassets.com/img/word_document/234028503/216x288/cfe54b8013/1537787913?v=1","title":"Bad Feminist: Essays","short_title":"Bad Feminist","author":"Roxane Gay","tracking":{"object_type":"document","object_id":234028503,"track":"flattened_recommender","doc_uuid":"pBgVHGOzev0H4UgFfK50++vWS+s="},"url":"https://www.scribd.com/book/234028503/Bad-Feminist-Essays"},"235411767":{"type":"book","id":235411767,"thumb_url":"https://imgv2-2-f.scribdassets.com/img/word_document/235411767/108x144/b2ad7aa7d5/1537782987?v=1","retina_thumb_url":"https://imgv2-2-f.scribdassets.com/img/word_document/235411767/216x288/1740216c8c/1537782987?v=1","title":"A Man Called Ove: A Novel","short_title":"A Man Called Ove","author":"Fredrik Backman","tracking":{"object_type":"document","object_id":235411767,"track":"flattened_recommender","doc_uuid":"FGwExOZzwSlE5C2genVqNLrF3Lo="},"url":"https://www.scribd.com/book/235411767/A-Man-Called-Ove-A-Novel"},"235583696":{"type":"book","id":235583696,"thumb_url":"https://imgv2-2-f.scribdassets.com/img/word_document/235583696/108x144/a9f15763be/1537789636?v=1","retina_thumb_url":"https://imgv2-2-f.scribdassets.com/img/word_document/235583696/216x288/7c5ab0af0f/1537789636?v=1","title":"We Are Not Ourselves: A Novel","short_title":"We Are Not Ourselves","author":"Matthew Thomas","tracking":{"object_type":"document","object_id":235583696,"track":"flattened_recommender","doc_uuid":"GwKU2NFY851vfCqviN/IBASIIBg="},"url":"https://www.scribd.com/book/235583696/We-Are-Not-Ourselves-A-Novel"},"238704340":{"type":"book","id":238704340,"thumb_url":"https://imgv2-2-f.scribdassets.com/img/word_document/238704340/108x144/2fd0be1590/1537785058?v=1","retina_thumb_url":"https://imgv2-2-f.scribdassets.com/img/word_document/238704340/216x288/191539db56/1537785058?v=1","title":"This Changes Everything: Capitalism vs. The Climate","short_title":"This Changes Everything","author":"Naomi Klein","tracking":{"object_type":"document","object_id":238704340,"track":"flattened_recommender","doc_uuid":"bWmO9pxIDtKvAAJvQzhb9tQDnow="},"url":"https://www.scribd.com/book/238704340/This-Changes-Everything-Capitalism-vs-The-Climate"},"239488191":{"type":"book","id":239488191,"thumb_url":"https://imgv2-2-f.scribdassets.com/img/word_document/239488191/108x144/a9a21bdc0e/1537779946?v=1","retina_thumb_url":"https://imgv2-2-f.scribdassets.com/img/word_document/239488191/216x288/73448c1779/1537779946?v=1","title":"The Innovators: How a Group of Hackers, Geniuses, and Geeks Created the Digital Revolution","short_title":"The Innovators","author":"Walter Isaacson","tracking":{"object_type":"document","object_id":239488191,"track":"flattened_recommender","doc_uuid":"rOjae74c128Lko8uZ2r5M4zM3gU="},"url":"https://www.scribd.com/book/239488191/The-Innovators-How-a-Group-of-Hackers-Geniuses-and-Geeks-Created-the-Digital-Revolution"},"239588474":{"type":"book","id":239588474,"thumb_url":"https://imgv2-2-f.scribdassets.com/img/word_document/239588474/108x144/149fb5e6af/1537789916?v=1","retina_thumb_url":"https://imgv2-2-f.scribdassets.com/img/word_document/239588474/216x288/15f36354f8/1537789916?v=1","title":"Rise of ISIS: A Threat We Can't Ignore","short_title":"Rise of ISIS","author":"Jay Sekulow","tracking":{"object_type":"document","object_id":239588474,"track":"flattened_recommender","doc_uuid":"0lEg84dhGRy25262OhMHsS6jzCM="},"url":"https://www.scribd.com/book/239588474/Rise-of-ISIS-A-Threat-We-Can-t-Ignore"},"244157917":{"type":"book","id":244157917,"thumb_url":"https://imgv2-2-f.scribdassets.com/img/word_document/244157917/108x144/c55ae5929d/1537785375?v=1","retina_thumb_url":"https://imgv2-1-f.scribdassets.com/img/word_document/244157917/216x288/c42f4ff9aa/1537785375?v=1","title":"Yes Please","short_title":"Yes Please","author":"Amy Poehler","tracking":{"object_type":"document","object_id":244157917,"track":"flattened_recommender","doc_uuid":"tbKkXCkz2Inx4C2VRXWBjFsNWLk="},"url":"https://www.scribd.com/book/244157917/Yes-Please"},"246897514":{"type":"book","id":246897514,"thumb_url":"https://imgv2-1-f.scribdassets.com/img/word_document/246897514/108x144/60f21686b1/1537791268?v=1","retina_thumb_url":"https://imgv2-2-f.scribdassets.com/img/word_document/246897514/216x288/4b640ccfe4/1537791268?v=1","title":"The Wallcreeper","short_title":"The Wallcreeper","author":"Nell Zink","tracking":{"object_type":"document","object_id":246897514,"track":"flattened_recommender","doc_uuid":"tiVR5WRHkBf7Mi0GqnwkcjoFB2U="},"url":"https://www.scribd.com/book/246897514/The-Wallcreeper"},"249308236":{"type":"book","id":249308236,"thumb_url":"https://imgv2-2-f.scribdassets.com/img/word_document/249308236/108x144/0b356a7d6a/1537780398?v=1","retina_thumb_url":"https://imgv2-1-f.scribdassets.com/img/word_document/249308236/216x288/cbef455d67/1537780398?v=1","title":"Interpreter of Maladies","short_title":"Interpreter of Maladies","author":"Jhumpa Lahiri","tracking":{"object_type":"document","object_id":249308236,"track":"flattened_recommender","doc_uuid":"YLigIW56pnME1sAP1MLKTdbTcno="},"url":"https://www.scribd.com/book/249308236/Interpreter-of-Maladies"},"249308781":{"type":"book","id":249308781,"thumb_url":"https://imgv2-1-f.scribdassets.com/img/word_document/249308781/108x144/8ccbad3c4a/1537788002?v=1","retina_thumb_url":"https://imgv2-1-f.scribdassets.com/img/word_document/249308781/216x288/b0591f1a45/1537788002?v=1","title":"Life of Pi","short_title":"Life of Pi","author":"Yann Martel","tracking":{"object_type":"document","object_id":249308781,"track":"flattened_recommender","doc_uuid":"Cj4UDErxNuCPGDoP+wRkWTNXL50="},"url":"https://www.scribd.com/book/249308781/Life-of-Pi"},"249309502":{"type":"book","id":249309502,"thumb_url":"https://imgv2-2-f.scribdassets.com/img/word_document/249309502/108x144/06f5527c5d/1537781789?v=1","retina_thumb_url":"https://imgv2-2-f.scribdassets.com/img/word_document/249309502/216x288/ec3bf7c24b/1537781789?v=1","title":"Extremely Loud and Incredibly Close: A Novel","short_title":"Extremely Loud and Incredibly Close","author":"Jonathan Safran Foer","tracking":{"object_type":"document","object_id":249309502,"track":"flattened_recommender","doc_uuid":"LIYFz21MhCSg/LoJ5D7X+nYgcIg="},"url":"https://www.scribd.com/book/249309502/Extremely-Loud-and-Incredibly-Close-A-Novel"},"250006950":{"type":"book","id":250006950,"thumb_url":"https://imgv2-2-f.scribdassets.com/img/word_document/250006950/108x144/2a1edbdeca/1537780946?v=1","retina_thumb_url":"https://imgv2-2-f.scribdassets.com/img/word_document/250006950/216x288/139a0bb438/1537780946?v=1","title":"The First Bad Man: A Novel","short_title":"The First Bad Man","author":"Miranda July","tracking":{"object_type":"document","object_id":250006950,"track":"flattened_recommender","doc_uuid":"NjNCm6BiYMfiF5CyAdtpjEVf/9k="},"url":"https://www.scribd.com/book/250006950/The-First-Bad-Man-A-Novel"},"253264900":{"type":"book","id":253264900,"thumb_url":"https://imgv2-1-f.scribdassets.com/img/word_document/253264900/108x144/dcda7770b5/1537789840?v=1","retina_thumb_url":"https://imgv2-1-f.scribdassets.com/img/word_document/253264900/216x288/ca2dc9eb25/1537789840?v=1","title":"Sapiens: A Brief History of Humankind","short_title":"Sapiens","author":"Yuval Noah Harari","tracking":{"object_type":"document","object_id":253264900,"track":"flattened_recommender","doc_uuid":"H2Nk/FgZjaNlmfKBz2b3gcxclmQ="},"url":"https://www.scribd.com/book/253264900/Sapiens-A-Brief-History-of-Humankind"},"254039238":{"type":"book","id":254039238,"thumb_url":"https://imgv2-1-f.scribdassets.com/img/word_document/254039238/108x144/a8c6c5e065/1537800690?v=1","retina_thumb_url":"https://imgv2-2-f.scribdassets.com/img/word_document/254039238/216x288/0e4e5ae0d4/1537800690?v=1","title":"Leaving Berlin: A Novel","short_title":"Leaving Berlin","author":"Joseph Kanon","tracking":{"object_type":"document","object_id":254039238,"track":"flattened_recommender","doc_uuid":"yIqH/IX9yIUo9z+hf2JiDRtpJzY="},"url":"https://www.scribd.com/book/254039238/Leaving-Berlin-A-Novel"},"254707713":{"type":"document","id":254707713,"thumb_url":"https://imgv2-2-f.scribdassets.com/img/document/254707713/108x144/4ea14de602/1423069420?v=1","retina_thumb_url":"https://imgv2-1-f.scribdassets.com/img/document/254707713/216x288/253087ff60/1423069420?v=1","title":"Livro - Análise de Dados Com SPSS","short_title":"Livro - Análise de Dados Com SPSS","author":"Bruno Zucherato","tracking":{"object_type":"document","object_id":254707713,"track":"flattened_recommender","doc_uuid":"6eSNoHXsFmSMzGhpBYBUni+GCio="},"url":"https://www.scribd.com/document/254707713/Livro-Analise-de-Dados-Com-SPSS"},"263504218":{"type":"book","id":263504218,"thumb_url":"https://imgv2-1-f.scribdassets.com/img/word_document/263504218/108x144/986fa89e8b/1537787611?v=1","retina_thumb_url":"https://imgv2-1-f.scribdassets.com/img/word_document/263504218/216x288/c40eb7e9a8/1537787611?v=1","title":"Elon Musk: Tesla, SpaceX, and the Quest for a Fantastic Future","short_title":"Elon Musk","author":"Ashlee Vance","tracking":{"object_type":"document","object_id":263504218,"track":"flattened_recommender","doc_uuid":"bwUHikYPy6NidSqQeW/SCpo0erM="},"url":"https://www.scribd.com/book/263504218/Elon-Musk-Tesla-SpaceX-and-the-Quest-for-a-Fantastic-Future"},"273440534":{"type":"book","id":273440534,"thumb_url":"https://imgv2-1-f.scribdassets.com/img/word_document/273440534/108x144/b7e49e07d3/1537787686?v=1","retina_thumb_url":"https://imgv2-2-f.scribdassets.com/img/word_document/273440534/216x288/aaec1b2b1a/1537787686?v=1","title":"The Incarnations: A Novel","short_title":"The Incarnations","author":"Susan Barker","tracking":{"object_type":"document","object_id":273440534,"track":"flattened_recommender","doc_uuid":"5CvVilwLq21nXxlHKdikmljMbgs="},"url":"https://www.scribd.com/book/273440534/The-Incarnations-A-Novel"},"273582508":{"type":"book","id":273582508,"thumb_url":"https://imgv2-2-f.scribdassets.com/img/word_document/273582508/108x144/fb92cadae3/1537788503?v=1","retina_thumb_url":"https://imgv2-2-f.scribdassets.com/img/word_document/273582508/216x288/135562ba06/1537788503?v=1","title":"You Too Can Have a Body Like Mine: A Novel","short_title":"You Too Can Have a Body Like Mine","author":"Alexandra Kleeman","tracking":{"object_type":"document","object_id":273582508,"track":"flattened_recommender","doc_uuid":"r79JwTtULoHoY+qeSBAtN3qTXl8="},"url":"https://www.scribd.com/book/273582508/You-Too-Can-Have-a-Body-Like-Mine-A-Novel"},"282766939":{"type":"book","id":282766939,"thumb_url":"https://imgv2-1-f.scribdassets.com/img/word_document/282766939/108x144/1355dd3a71/1537788003?v=1","retina_thumb_url":"https://imgv2-1-f.scribdassets.com/img/word_document/282766939/216x288/076d3f356c/1537788003?v=1","title":"Dispatches from Pluto: Lost and Found in the Mississippi Delta","short_title":"Dispatches from Pluto","author":"Richard Grant","tracking":{"object_type":"document","object_id":282766939,"track":"flattened_recommender","doc_uuid":"kQ5iIqoU3+VJnQrZEaA74OBc/zs="},"url":"https://www.scribd.com/book/282766939/Dispatches-from-Pluto-Lost-and-Found-in-the-Mississippi-Delta"},"293461549":{"type":"book","id":293461549,"thumb_url":"https://imgv2-2-f.scribdassets.com/img/word_document/293461549/108x144/07628d60db/1537783975?v=1","retina_thumb_url":"https://imgv2-2-f.scribdassets.com/img/word_document/293461549/216x288/8d1185b7ff/1537783975?v=1","title":"The New Confessions of an Economic Hit Man","short_title":"The New Confessions of an Economic Hit Man","author":"John Perkins","tracking":{"object_type":"document","object_id":293461549,"track":"flattened_recommender","doc_uuid":"DsfVqntu1akpx4Vfey8dUHvM2Ss="},"url":"https://www.scribd.com/book/293461549/The-New-Confessions-of-an-Economic-Hit-Man"},"337536061":{"type":"book","id":337536061,"thumb_url":"https://imgv2-1-f.scribdassets.com/img/word_document/337536061/108x144/8c1b451da6/1537791429?v=1","retina_thumb_url":"https://imgv2-1-f.scribdassets.com/img/word_document/337536061/216x288/45d81f5c37/1537791429?v=1","title":"The Sympathizer: A Novel (Pulitzer Prize for Fiction)","short_title":"The Sympathizer","author":"Viet Thanh Nguyen","tracking":{"object_type":"document","object_id":337536061,"track":"flattened_recommender","doc_uuid":"57kya63hib5LapX3+KNqGYBhbFk="},"url":"https://www.scribd.com/book/337536061/The-Sympathizer-A-Novel-Pulitzer-Prize-for-Fiction"}}},"seo_roadblock_props_path":"/doc-page/seo-roadblock-props/75400273","signup_context":null,"toolbar":{"search_path":"/search-4gen?allowed_pages=1%2C2%2C3%2C32%2C33%2C34%2C100%2C101%2C102%2C103%2C104&auth_token=JNl%2ByJRjZOT%2B9v4VO4Hq2r0DE8E%3D&authenticity_token=Bz4AFJxMjjqHk4IZLFMXKDv7zLmg17hQVG6nJZJdvKN1WYA6S2UmRAISFEWrsKOJipJ%2Bjzfa%2FazjxeahFnI5sA%3D%3D&expires=1538407276&wordDocumentId=75400273&wordUploadId=78432851"},"renewal_nag_props":null}-->