Apostila Estatistica v2.0 PDF

FACULDADE DE TECNOLOGIA DE SOROCABA
APOSTILA DE ESTATSTICA
CURSO: PROCESSAMENTO DE DADOS

Ao escrever esta Apostil a no pretendi outra coi sa, seno
proporcionar aos alunos da disciplina ESTATSTICA, a faci lidade
de dispor de notas de aulas dos temas do Programa da Disciplina.

O acompanhamento das aulas e a pesqui sa em Bibl iografia sobre o assunto,
tornam-se necessri as para o adequado aproveitamento do curso.

PROF. OSNI PAULA LEITE

NDICE

1.0 DEFINIES DE ESTATSTICA ......................................................................... 1
1.1 POR QUE ESTUDAR ESTATSTICA?......................................................... 1
1.2 A NATUREZA DOS DADOS ........................................................................ 1
1.3 TIPOS DE DADOS ....................................................................................... 2
1.4 TIPOS DE LEVANTAMENTOS .................................................................... 3
1.5 PLANEJ AMENTO DE EXPERIMENTOS ..................................................... 4
EXERCCIOS: E-1...................................................................................................... 5

2.0 AMOSTRAGEM................................................................................................... 6
2.1 DEFINIES................................................................................................ 6
2.2 AMOSTRAGEM ALEATRIA BASEADA EM NMEROS ALEATRIOS
(RANDMICOS) ................................................................................................ 8
2.3 OUTROS PLANOS DE AMOSTRAGEM...................................................... 9
2.4 AMOSTRAGEM POR J ULGAMENTO (NO PROBABILSTICA) ................ 9
2.5 AMOSTRAGEM PROBABILSTICA ........................................................... 10
2.5.1 AMOSTRAGEM SISTEMTICA............................................................... 10
2.5.2 AMOSTRAGEM ESTRATIFICADA ......................................................... 11
2.5.3 AMOSTRAGEM POR CONGLOMERADO............................................. 11
RESUMO.......................................................................................................... 11
EXERCICIOS: E-2.................................................................................................... 13

3.0 ANLISE EXPLORATRIA DE DADOS........................................................... 14

4.0 DISTRIBUIO DE FREQNCIA ................................................................... 15

5.0 REPRESENTAO GRFICA DAS VARIVEIS QUANTITATIVAS ............... 19

6.0 APRESENTAO GRFICA ............................................................................ 20
6.1 DIAGRAMA DE ORDENADAS................................................................... 20
6.2 DIAGRAMA DE BARRAS........................................................................... 21
6.3 DIAGRAMA DE CRCULOS....................................................................... 22
6.4 DIAGRAMA DE SETORES CIRCULARES ................................................ 23
6.5 DIAGRAMA LINEAR .................................................................................. 25

6.6 O PICTOGRAMA................................................................................................ 26

7.0 MONTAGEM DE UMA DISTRIBUIO DE FREQNCIAS ........................... 27
7.1 HISTOGRAMA E POLIGONO DAS FREQNCIAS................................. 31
7.2 HISTOGRAMA E POLIGONO DAS FREQNCIAS RELATIVAS ............ 32
7.3 POLIGONO DE FREQNCIA ACUMULADA OU OGIVA........................ 33
7.4 POLIGONO DA FREQNCIA ACUMULADA RELATIVA ........................ 34

8.0 TIPOS DE DISTRIBUIO................................................................................ 35
8.1 DISTRIBUIO SIMTRICA OU EM FORMA DE SINO........................... 35
8.2 DISTRIBUIO ASSIMTRICA................................................................. 36
8.3 DISTRIBUIO MODAL, AMODAL, BIMODAL E MULTIMODAL ............. 37
8.4 APRESENTAO TIPO RAMO-E-FOLHAS.............................................. 38

9.0 MEDIDAS DE POSIO OU DE TENDNCIA CENTRAL ............................... 40
9.1 MDIA ARITMTICA SIMPLES ................................................................. 40
9.2 MDIA ARITMTICA PONDERADA.......................................................... 41
9.3 MEDIANA (x).............................................................................................. 41
9.4 MODA (
x
)............................................................................................... 43

10.0 MEDIDAS DE VARIABILIDADE (DISPERSO).............................................. 44
10.1 AMPLITUDE TOTAL (R.T.) ...................................................................... 44
10.2 DESVIO PADRO.................................................................................... 45
10.2.1 DESVIO PADRO AMOSTRAL (S) ....................................................... 45
10.2.2 DESVIO PADRO DA POPULAO () ............................................... 46
10.2.3 REPRESENTAO GRFICA DO DESVIO PADRO.......................... 46
10.2.4 SISTEMATIZAO PARA O CLCULO................................................ 47
10.3 VARINCIA.............................................................................................. 48

11.0 DISTRIBUIO NORMAL .............................................................................. 49
EXERCCIOS: E-3.................................................................................................... 55

12.0 PROBABILIDADE............................................................................................ 56
12.1 ESPAO AMOSTRAL E EVENTOS......................................................... 57
12.2 TRS ORIGENS DA PROBABILIDADE................................................... 58

12.3 A MATEMTICA DA PROBABILIDADE ................................................... 59
EXERCCIOS: E-4.................................................................................................... 62

13.0 TECNICAS DE CONTAGEM........................................................................... 63
13.1 O PRINCIPIO DA MULTIPLICAO........................................................ 64
13.2 PERMUTAO, ARRANJ O E COMBINAO. ....................................... 65
13.3 REGRAS DE CONTAGEM....................................................................... 68
EXERCCIOS: E-5.................................................................................................... 69

14.0 DISTRIBUIO DE PROBABILIDADES......................................................... 70
14.1 DISTRIBUIO BINOMIAL...................................................................... 72
EXERCICIOS: E-6.................................................................................................... 76

14.2 DISTRIBUIO DE POISSON......................................................................... 77
EXERCICIOS: E-7.................................................................................................... 79

15.0 CORRELAO................................................................................................ 80
15.1 INTRODUO ......................................................................................... 80
15.2 RELAO FUNCIONAL E RELAO ESTATSTICA ............................. 80
15.3 DIAGRAMA DE DISPERSO................................................................... 81
15.4 CORRELAO LINEAR.......................................................................... 82
15.5 COEFICIENTE DE CORRELAO LINEAR........................................... 85
15.6 CUDADOS COM OS ERROS COM A INTERPLETAO DE
CORRELAO ................................................................................................ 87
EXERCICIOS: E-8.................................................................................................... 88

16.0 REGRESSO LINEAR .................................................................................... 91
16.1 AJ USTAMENTO DE CURVAS ................................................................. 91
16.2 MTODO DOS MNIMOS QUADRADOS ................................................ 92
16.3 ANLISE DE REGRESSO..................................................................... 95
EXERCCIOS E-9......................................................................................................98
1

ESTATSTICA

1.0 DEFINIES DE ESTATSTICA

Etimologicamente a palavra estatstica vem de status expresso latina que
significa, sensu lato, o estudo do estado. Os primeiros a empregarem esse termo
foram os Alemes seguidos pela Itlia, Frana, Inglaterra e ainda por outros paises.

Para Levasseur a estatstica : O estudo numrico dos fatos sociais.

Yule define estatstica como: Dados quantitativos afetados marcadamente por uma
multiplicidade de causas.

Uma definio mais usual nos dias de hoje seria: Um mtodo cientifico que permite
a anlise, em bases probabilstica, de dados coligados e condensados

Ou ainda podemos dizer que : A coleta, o processamento, a interpretao e a
apresentao de dados numricos que pertencem ao domnio da estatstica

1.1 POR QUE ESTUDAR ESTATSTICA?

Por hora podemos dizer que o raciocnio estatstico largamente utilizado no
governo e na administrao; assim, possvel que, no futuro, um empregador venha
a contratar ou promover um profissional por causa do seu conhecimento de
estatstica.

1.2 A NATUREZA DOS DADOS

O dados estatsticos constituem a matria prima das pesquisas estatsticas, eles
surgem quando se fazem mensuraes ou se restringem observaes.
Estatsti ca descri tiva: Trata-se da descrio e resumo dos dados.

2

Probabilidade: um estudo que envolve o acaso.

Interferncia: a analise e interpretao de dados amostrais (Amostragem).

Model o: So verses simplificadas (Abstraes) de algum problema ou situao
real.

1.3 TIPOS DE DADOS

Quantitativos Contnuos
Discretos

Quali tativos Nominais
Por postos

As variveis contnuas podem assumir qualquer valor num intervalo contnuo. Os
dados referentes a tais variveis dizem-se dados contnuos. Ex. Peso, comprimento,
espessura onde usa-se a mensurao.

As variveis di scretas assumem valores inteiros de dados discretos so os
resultados da contagem de nmeros de itens. Ex. alunos da sala de aula, nmero de
defeitos num carro novo, acidentes de uma fbrica.

Os dados nominais surgem quando se definem categorias e se conta o nmero de
observaes pertencentes a cada categoria. Ex.: atuam dentro das variveis
Qualitativas as quais devemos associar a valores numricos para que possamos
processar estatisticamente. Ex.: cor dos olhos (azuis, verdes, castanhos), sexo
(masculino e feminino), desempenho (excelente, bom, sofrvel, mau) etc.

Os dados por postos consistem de valores relativos atribudos para denotar ordem:
primeiro, segundo, terceiro, quarto, etc. Ex.: concurso de beleza se classificam em
1,2,3 colocadas.

3

TABELA: 1 A mesma populao pode originar diferentes tipos de dados.

TIPOS DE DADOS

POPULAES CONTNUOS DISCRETOS NOMINAIS POR POSTO
Alunos de administrao idade/peso N. De classes Homens/Mulheres 3 grau

1.4 TIPOS DE LEVANTAMENTOS

Os levantamentos podem ser classificados em contnuos, peridicos e ocasionais:

CONTNUO: Quando os eventos vo sendo registrados medida que
ocorrem.Exemplos os registros civis dos fatos vitais (nascimento, bitos e
casamentos).

PERIDICOS: Acontecem ciclicamente. Exemplo o rescenceamento, feito no
Brasil a cada dez anos.

OCASIONAIS: So aqueles realizados sem a preocupao de continuidade ou
periodicidade preestabelecidas, exemplos a maioria dos trabalhos de investigao
cientifica.

DADOS PRIMRIOS: Quando o investigador no encontra dados publicados
adequados ao seu estudo, parte para a realizao de um inqurito, isto , os dados
so levantados diretamente na populao no momento da investigao.

DADOS SECUNDRIOS: Quando o investigador para verificar as sua hipteses de
trabalho utiliza- se de dados j existentes, arquivados, registrados ou publicados.
Podem ser at mesmo dados gerados pelo Departamento de Estatsticas de
Populaes da Fundao Instituto Brasileiro de Geografia e Estatstica (IBGE).

4

1.5 PLANEJAMENTO DE EXPERIMENTOS

1. Definio do problema: Um Estudo ou Uma Anlise

2. Formular plano para coleta de dados adequados

3. Coligir os dados

4. Analisar e interpretar os dados

5. Relatar as concluses

5

EXERCCIOS: E-1

1- Identifique os seguintes exemplos em termos de tipos de dados:

a- 17 gramas

b- 3 certos, 2 errados

c- 25 segundos

d- 25 alunos na classe

e- tamanho de camisa

f- Km/litro

g- O mais aprazvel

h- O mais lento

i- 5 acidentes no ms de maio

2- Responder as perguntas:

a- Defina o termo Estatstica.

b- Responder a pergunta: Por que estudar estatstica?

c- Dar exemplos de como um administrador pode se beneficiar do conhecimento
de Estatstica?
6

2.0 AMOSTRAGEM

AMOSTRAGEM VERSUS SENSO: Uma amostra usualmente envolve o estudo de
uma parcela dos tens de uma populao, enquanto que o censo requer o estudo
de todos os tens.
Restries ao Censo:
- Custo
- Populaes infinitas
- Dificuldade nos critrios (Preciso)
- Produtos de testes Destrutivos (fsforos, munies)
- Tempo despendido (atualizao)
- Tipos de informaes mais restritivas

Casos de excesso:
- Populaes pequenas
- Amostras grandes em relao a populao
- Se exige preciso completa
- Se j so disponveis informaes completas

2.1 DEFINIES

POPULAO: o conjunto de indivduos (ou objetos), que tem pelo menos uma
varivel comum observvel.
AMOSTRA: qualquer sub-conjunto da populao extrada para se realizar estudos
estatsticos

.

POPULAO

AMOSTRA
7

A estatstica indutiva a cincia que busca tirar concluses probabilsticas
sobre a populao, com base em resultados verificados em amostras retiradas
dessa populao.

Entretanto no basta que saibamos descrever convenientemente os dados da
amostra para que possamos executar, com xito, um trabalho estatstico
completo. Antes de tudo preciso garantir que a amostra ou amostras que sero
utilizadas sejam obtidas por processos adequados.
- O que necessrio garantir, em suma, que a amostra seja Representativa da
populao.

Dois aspectos nas amostras so fundamentais, e que do a sua representatividade
em termos:

- Qualitativos: Amostras que representem todas as sub-populaes, quando for o
caso.

- Quantitativos: Que possua quantidade de dados suficientes para representar a
Populao.

Na indstria onde amostras so freqentemente retiradas para efeito de Controle da
Qualidade dos produtos e materiais, em geral os problemas de amostragem so
mais simples de resolver.

Por outro lado, em pesquisas sociai s, econmicas ou de opinio, a
complexibilidade dos problemas de amostragem so normalmente bastante grandes.

- Interfernci a estatstica envolve a formulao de certos julgamentos sobre um
todo aps examinar apenas uma parte, ou a amostra, dele.

A probabilidade e a amostragem esto estreitamente correlacionadas e juntas
formam o fundamento da teoria de interferncia.

- Amostragem o ato de retirar amostra, isto , a ao.
8

- Amostra a quantidade de dados especificado para representar a populao.

Amostragem al eatria permite estimar o valor do erro possvel, isto , dizer quo
prxima est amostra da populao, em termos de representatividade.

Amostragem no aleatria no apresenta esta caracterstica.
H vrios mtodos para extrair uma amostra talvez o mais importante seja a
amostragem al eatria de modo geral, a amostragem aleatria exige que cada
elemento tenha a mesma oportunidade de ser includo na amostra.

Nas Populaes discretas uma amostra aleatria aquela em que cada item da
populao tem a mesma chance de ser includo na amostra.
Nas Populaes contnuas, uma amostra aleatria aquela em que a
probabili dade de incluir na amostra qualquer i ntervalo de valores igual
percentagem da populao que est naquele intervalo.

Populaes finitas: quando, temos constitudo por nmeros finitos, ou fixos de
elementos, medidas ou observaes.
Ex.: Peso bruto de 3000 latas de tinta de um certo lote de produo.

Populaes infi nitas: so aquelas que contm, pelo menos hipoteticamente, um
nmero i nfinito de elementos.
Ex. Produo de carros V.W. produzidos no Brasil e a serem produzidos (universo
volkswagem), processo probabilstico.

2.2 AMOSTRAGEM ALEATRIA BASEADA EM NMEROS
ALEATRIOS (RANDMICOS)

As tabelas de nmeros aleatrios contm os dez algarismos 0,1,2,3,4,......,9. Esses
nmeros podem ser lidos isoladamente ou em grupos; podem ser lidos em qualquer
ordem. A probabilidade de qualquer algarismo aparecer em qualquer ponto 1/10.
Portanto todas as combinaes so igualmente provveis.
9

Conceitualmente, poderamos construir uma tabela de nmeros al eatrios
numerando dez bolinhas com os algarismos de 0 a 9 , colocando-as numa urna,
misturando bem e extraindo uma de cada vez, com reposio, anotando os valores
obtidos.

A titulo de ilustrao poderamos querer selecionar aleatoriamente 15 clientes de
uma lista de 830 de um grande magazine, a finalidade poderia ser :
Estimar a freqncia de compras;
Determinar o valor mdio de cada compra;
Registrar as queixas contra o sistema.

2.3 OUTROS PLANOS DE AMOSTRAGEM

Amostragem probabilstica versus Amostragem no probabilstica

Os planos de amostragem probabilstica so delineados de tal modo que se
conhece a probabilidade de todas as combinaes amostrais possveis. Em razo
disso, pode-se determinar a quantidade de varivel amostral numa amostra
aleatria e uma estimativa do erro amostral. A amostragem aleatria um exemplo
da amostragem probabilstica.

A amostragem no probabilstica a amostragem subjeti va, ou por julgamento,
onde a variabilidade amostral no pode ser estabelecida com preciso,
conseqentemente, no possvel nenhuma estimativa do erro amostral.

A verdade que, sempre que possvel, deve-se usar a amostragem probabilstica.

2.4 AMOSTRAGEM POR JULGAMENTO (NO PROBABILSTICA)

Se o tamanho da amostra bem pequeno; digamos, de uns 5 itens, a amostragem
aleatria pode dar resultados totalmente no representativos, ao passo que uma
pessoa familiarizada com a populao pode especificar quais os itens mais
representativos da populao.
10

Exemplo: Uma equipe mdica deve trabalhar com pacientes que se apresentem
com voluntrios para testar um novo medicamento. Nenhum desses grupos podem
ser considerados como uma amostra aleatria do pblico em geral, e seria
perigoso tentar tirar concluses gerais com base em tal estudo. Todavia, os
resultados poderiam proporcionar uma base para a elaborao de um plano de
amostragem aleatrio para validar os resultados bsicos. Os perigos inerentes
pesquisa mdica , bem como outro tipo de pesquisa, freqentemente obrigam a
limitar a pesquisa inicial a um pequeno grupo de voluntrios.

Exemplo: A aplicao de hormnios em mulheres na menopausa, aps um perodo
de tempo notou-se o aumento das chances de adquirirem cncer de mama, doenas
cardacas etc.

2.5 AMOSTRAGEM PROBABILSTICA

SISTEMTICA
ESTRATIFICADA
CONGLOMERADO

2.5.1 AMOSTRAGEM SISTEMTICA

muito parecida com a amostragem aleatria simples. Podemos ter uma
amostragem realmente aleatri a, escolhendo-se cada K-sima amostra, onde K
obtem-se dividindo o tamanho da populao pelo tamanho da amostra.

K= N onde: N=Tamanho da Populao
n n=Tamanho da Amostra

EX. N=200 e n=10 ento K=200/10 =20

Significa que ser escolhido um item a cada seqnci a de 20 de uma lista. Para
iniciar pode-se usar uma tabela de nmeros aleatrios de 0 a 9 para iniciar os
grupos. Por exemplo se der o 9, escolhemos o 9, 29, 39 ,49 , etc.
11

2.5.2 AMOSTRAGEM ESTRATIFICADA

Pressupe a diviso da populao em sub-grupos Homogneos (Estratos),
procedendo ento a amostragem de cada sub-grupo. Ex.: Para se fazer o inventrio
do estoque, comum termos 10% dos itens representarem cerca de 60% do valor
total em quanto que os 90% restantes representam s 40% do valor total (Curva
A,B,C; Pareto; regra 80/20).

2.5.3 AMOSTRAGEM POR CONGLOMERADO

Pressupe a disposio dos itens de uma populao em sub-grupos heterogneos
(sub-populaes) representativos da populao global. Neste caso cada
conglomerado pode ser encarado como uma minipopulao.
Ex.: Estudo pr-eleitoral para medir a preferncia dos eleitores. (Sub-grupos: sexo,
educao, faixa etria, poder aquisitivo, regio da habitao,etc).

RESUMO

A finalidade da amostra permitir fazer interferncia sobre a populao aps
inspeo de apenas parte dela. Fatores com custo, ensaios destrutivos e
populaes infinitas, tornam a amostragem prefervel a um estudo completo
(Censo) da populao.

Naturalmente espera-se que a amostra seja representativa da populao da qual foi
extrada.

Potencialmente, este objetivo atingido quando a amostragem aleatria.

Para populaes discretas o termo Aleatrio significa que cada item da
populao tem a mesma chance de participar na amostra.

No caso de populaes contnuas, significa que a probabilidade de incluir qualquer
valor de um dado intervalo de valores igual proporo com valores naquele
intervalo.
12

As amostras aleatrias podem ser obtidas:

- Atravs de um processo de mistura, com o embaralhamento de cartas;

- Pela utilizao de um processo mecnico (Misturadores);

- Utilizando-se uma tabela de nmeros aleatrios para proceder seleo de uma
lista.

Em certas condies, podem ser mais eficientes variantes da amostragem aleatria
simples, tais como amostragem sistemtica (peridica), estratificada (sub-grupos
Homogneos), ou amostragem por aglomerados (sub-grupos convenientes e
heterogneos).

A principal vantagem da amostragem al eatria que se pode determinar o grau de
variabilidade amostral, o que essencial na interferncia estatstica.
amostragem no probabilstica falta esta caracterstica.

13

EXERCICIOS: E-2

QUESTES PARA RECAPITULAO

1- Em que circunstncia a amostragem prefervel a um censo completo?

2- Quando se deve preferir um censo a uma amostragem?

3- Defina Amostra Aleatria.

4- Descreva os vrios mtodos de obteno de uma amostra aleatria. Como
escolher o mtodo a ser usado em determinada situao?

5- Explique rapidamente as caractersticas:

a. da amostragem por conglomerado;
b. da amostragem estratificada;
c. da amostragem sistemtica.

7- Que amostragem por julgamento e em que circunstncia deve ser usada?

8- Que amostragem probabilstica e quando deve ser usada?

9- Explique o significado de Amostra Aleatria quando a populao :

a. contnua b. Discreta

14

3.0 ANLISE EXPLORATRIA DE DADOS

Em alguma fase de seu trabalho, o pesquisador se v s voltas com o problema de
analisar e entender uma massa de dados, relevantes ao seu particular objeto de
estudos.

De modo geral, podemos dizer que a essncia da cincia a observao e que seu
objetivo bsico a interferncia. Esta parte da metodologia da cincia que tem
por objetivos a coleta, reduo, anlise e modelagem dos dados, a partir do que,
finalmente, faz-se a interferncia para uma populao, da qual os dados
(amostras) foram obtidos.

15

4.0 DISTRIBUIO DE FREQNCIA

Para cada tipo de varivel existem tcnicas mais apropriadas para resumir as
informaes. Porem podemos usar algumas tcnicas empregadas num caso,
podemos adapt-l as para outros.

Quando se estuda uma varivel, o maior interesse do pesquisador conhecer a
di stribuio dessa varivel atravs das possveis realizaes (valores) da mesma.

Exemplo 1: Dados relativos a uma amostra de 36 funcionrios de uma populao
de 2000 funcionrios da empresa Milsa. Ver resultados anotados na tabela abaixo.

16

TABELA 1
N ESTADO GRAU DE N DE SALRIO IDADE REGIO DE
CIVIL INSTRUO FILHOS (X SAL. MIN) ANOS MESES PROCEDNCIA
1 solteiro 1 grau --- 4 26 03 interior
2 casado 1 grau 1 4,56 32 10 capital
4 solteiro 2 grau --- 5,73 20 10 outro
6 casado 1 grau 0 6,66 28 00 interior
7 solteiro 1 grau --- 6,86 41 00 interior
8 solteiro 1 grau --- 7,39 43 04 capital
14 casado 1 grau 3 8,95 44 02 outro
19 solteiro superior --- 10,53 25 08 interior
20 solteiro 2 grau --- 10,76 37 04 interior
23 solteiro 1 grau --- 12,OO 41 00 outro
24 casado superior 0 12,79 26 01 outro
31 solteiro superior --- 16,22 31 05 outro
33 casado superior 3 17,26 43 07 capital
34 solteiro superior --- 18,75 33 07 capital
35 casado 2 grau 2 19,4O 48 11 capital
36 casado superior 3 23,3O 42 02 interior
17

Exemplo 2: Freqncia e percentagem da amostra de 36 empregados da
empresa Milsa segundo o grau de instruo.

TABELA 2

Exemplo 3: Freqncia e percentagem dos 2000 empregados (Populao) da
empresa Milsa (Censo x Probabilidade)

TABELA 3

Exemplo 4: Freqncia e percentagens dos 36 empregados (Amostra) da empresa
Milsa.

GRAU DE TABULAO FRQNCIA FREQ. RELATIVA
INSTRUO F FR %

1 grau I I I I I I I I I I I I 12 33,33

2 grau I I I I I I I I I I I I I I I I I I 18 50,OO

superior I I I I I I 6 16,67

TOTAL 36 100
GRAU DE FRQNCIA FREQ. RELATIVA FREQ. RELATIVA
INSTRUO F FR % Censo FR % Provvel

1 grau 650 32,50 33,33

2 grau 1020 51,00 50,OO

superior 330 15,50 16,67

TOTAL 2000 100 100
18

TABELA 4
CLASSE DE SALRIOS FRQNCIA FREQ. RELATIVA
F FR %

4 I------- 8 10 27,78

8 I------- 12 12 33,33

12 I------- 16 8 22.22

16 I------- 20 5 13,89

20 I------- 24 1 2,78

TOTAL 36 100

Exemplo 5: Freqncias e percentagem dos empregados da empresa Milsa,
segundo N de filhos.

TABELA 5
NMERO DE FILHOS FREQNCIA FREQ. RELATIVA
Xi F FR %

0 4 20

1 5 25

2 7 35

3 3 15

5 1 5

TOTAL 20 100

EXERCCIO - Representar a distribuicao de frequencia para Idade e a Regiao de
procedencia dos funcionarios da Empresa Milsa.
19

5.0 REPRESENTAO GRFICA DAS VARIVEIS
QUANTITATIVAS

A representao grfica da distribuio de freqncias de uma varivel tem a
vantagem de, rpida e concisamente, informar sobre a variabilidade da mesma.
Podemos optar por vrios tipos de grficos, porem qualquer que seja ele, devemos
especificar os el ementos essenciais para a sua interpretao, que so:
- o ttulo;
- o corpo;
- o cabeario;
- as colunas indicadoras.
TTULO a indicao que, precedendo a tabela, colocado na parte superior da
mesma. Deve ser preciso, claro e conciso, indicando a natureza dos fatos estudados
(o que), e a poca (quando) em que o mesmo foi observado.
CORPO da tabela o conjunto de linhas e colunas que contem respectivamente,
as sries Horizontais e verticais de informaes. Casa, cela ou clula o
cruzamento de uma linha com uma coluna, onde se tem a freqncia com que a
categoria (ou categorias) aparecem.
CABEARIO parte da tabela em que designada a natureza (as categorias,
as modalidades da varivel) do contedo de cada coluna.
COLUNA INDICADORA parte da tabela em que designada a natureza (as
categorias, as modalidades da varivel) do contedo de cada linha.
Os elementos complementares de uma tabela so:
- Fontes;
- Notas.
FONTE o indicativo, no rodap da tabela, da entidade responsvel pela sua
organizao ou fornecedora dos dados primrios. A razo da presena da fonte no
somente honestidade cientifica, mas tambm permitir ao leitor a possibilidade de
consultar o trabalho original de onde procedem as informaes.
NOTAS so colocadas no rodap da tabela para esclarecimentos de ordem geral.
E so numeradas, podendo-se tambm usar smbolos grficos, sendo comum o
asterisco.
20

6.0 APRESENTAO GRFICA

A apresentao grfica dos dados e respectivos resultados de sua anlise pode
tambm ser feita sob forma de figuras, em geral grficos ou diagramas.

Grficos devem ser auto-explicativos e de fcil compreenso, de preferncia sem
comentrios inseridos.Devem ser simples, atrair a ateno do leitor e inspirar
confiana.
6.1 DIAGRAMA DE ORDENADAS

Para sua construo traada uma reta horizontal (ou vertical) de sustentao; a
partir de pontos eqidistantes na reta, traa-se perpendiculares cujos
comprimentos sejam proporcionais s freqnci as.

freqncias

12

10

8

6

4

2

0

4 I------- 8 8 I-------12 12 I-------16 16 I-------20 20 I-------
24
Salrios
21

6.2 DIAGRAMA DE BARRAS

A mesma distribuio acima poderia ser representada por meio de diagrama que
levasse em conta a magnitude da rea da figura geomtrica, j que a vista
repousa melhor sobre uma superfcie do que sobre uma linha.

freqncias

12

10

8

6

4

2

0

4 I-------8 8 I-------12 12 I-------16 16 I------- 20 20 I-------24
Salrios

22

6.3 DIAGRAMA DE CRCULOS

Alem do retngulo, outra figura geomtrica utilizada o crculo ou conjunto de
crculos. Lembrando que a rea do crculo o produto do nmero irracional =
(3,1416) pelo quadrado do raio (r), isto , C=.r , e desde que as reas dos
diversos crculos devem ser proporcionais s magnitudes das freqncias, isto , C
=. f onde o fator de proporcionalidade, segue-se que:

. f =. r , ou seja, r = .f Se chamar de `, tem-se :

portanto, os raios dos crculos devem ser proporcionais a raiz quadrada das
freqncias das modalidades da varivel.
Assim se quisermos representar graficamente a distribuio da tabela 1.4, os raios
do crculo devero ser:

r1 = 27,78 . `= 5,27 . ` 5,27. 3 = 15.8 mm

r2 = 33,33 . `= 5.77 . ` 5,77. 3 = 17,3 mm

r3 = 22.22. `= 4,71. ` 4,71. 3 = 14,1 mm

r4 =13,89 . `= 3.72. ` 3,72. 3 = 11,1 mm

r5 = 2,78 . ` = 1,66 ` 1,66. 3 = 5,00 mm

A figura abaixo representa esta distribuio, com um ` adotado de 3 mm.

2,7
%

22,22
%

27,78
%

33,33
%
13,89
%
r = `. f
23

6.4 DIAGRAMA DE SETORES CIRCULARES

Outra opo seria atravs de setores circulares, na qual se divide a rea total de um
crculo em subreas (setores) proporcionais as freqncias.
Lembrando que o crculo compreende setores cujas reas (S) so produto do raio (r)
pelo tamanho do arco (a), isto , S = r.a, e com S deve ser proporcional a freqncia
f, tem-se S= .f , onde o fator de proporcionalidade; ento:

.f = r. a

a = . f
r
Se chamarmos de `, tem-se S = `. f , isto , os arcos e os respectivos
r
ngulos centrais de um crculo igual a 360, e sendo F a freqncia total, tem-se

360 = `. F

ou seja: `= 360 Portanto a =360. f
F F

Assim, a distribuio de freqncia da tabela 4 representando faixas de salrios fica:

a1 = 360 x 27,78 =100
100

a2 = 360 x 33,33 =120
100

a3 = 360 x 22,22 =80
100

a4 = 360 x 13,89 = 50
100

S5 = 360 x 2,78 =10
100
24

Diagrama de Setores Circular

.

Diagrama de Setores Circul ar feito automaticamente pelo excel

28%
33%
22%
14%
3%

120

50

100 80
10
25

6.5 DIAGRAMA LINEAR

No diagrama linear deve-se plotar os pontos nos eixos como foi feito no diagrama de
barras e em seguida unir esses pontos por semi-retas contituindo-se desta forma o
diagrama linear.

freqncias

12

x

10 x

x
8

6

x

4

2

x

0

4 I-------8 8 I-------12 2 12 I-------16 16 I------- 20 20 I------- 24
salrios

26

6.6 O PICTOGRAMA

A figura abaixo mostra um exemplo de apresentao pictogrfica de dados temporais
(comumente encontrada em jornais, revistas e relatrios de vrios tipos), no caso abaixo
representa a populao dos Estados Unidos.

1920

1930

1940

1950

1960

1970

1980

1990

Cada smbolo =10 milhes de pessoas

Pictograma da populao dos Estados Unidos

27

7.0 MONTAGEM DE UMA DISTRIBUIO DE FREQNCIAS

A anlise estatstica de dados relativos a uma amostra de uma populao, requer uma
aglutinao organizada de informaes, conforme regras cuja prtica demonstrou serem
eficientes.
Consideremos uma relao de pesos de pacotes de manteiga, em gramas, de uma
amostra de 100 pacotes extrados parcialmente de um processo automtico de
empacotamento.
A especificao de fabricao 215
15
gramas (200 a 230 gramas)

TABELA 6

AMOSTRA PESO AMOSTRA PESO AMOSTRA PESO AMOSTRA PESO AMOSTRA PESO
1 207 21 220 41 210 61 210 81 217
2 213 22 204 42 214 62 220 82 211
3 210 23 213 43 219 63 213 83 213
4 215 24 211 44 215 64 217 84 218
5 201 25 214 45 217 65 214 85 213
6 210 26 217 46 213 66 219 86 216
7 212 27 224 47 218 67 214 87 218
8 204 28 211 48 214 68 215 88 216
9 209 29 220 49 215 69 223 89 206
10 212 30 209 50 212 70 217 90 212
11 215 31 214 51 221 71 213 91 207
12 216 32 208 52 211 72 218 92 213
13 221 33 217 53 218 73 207 93 215
14 219 34 214 54 205 74 210 94 212
15 222 35 209 55 220 75 208 95 223
16 225 36 212 56 203 76 214 96 210
17 215 37 208 57 216 77 211 97 226
18 218 38 215 58 222 78 205 98 224
19 213 39 211 59 206 79 215 99 214
20 216 40 216 60 221 80 207 100 215
O agrupamento destes dados em sub-grupos feito com base nos seguintes conceitos:

28

Amplitude total (R.T.): a diferena entre a medida mxima e a medida mnima. No
caso da amostra de pacotes de manteiga acima, temos:
R.T. = 226 201 =25 gramas
Nmero de classes (d) : o nmero de divises que estipulamos para a Amplitude Total.
Normalmente pode-se usar d = n onde n=nmero de itens na amostra para o
exerccio temos d = 100 10 classes, porem deve-se utilizar sempre que possvel
nmero impar de classes no caso 9 cl asses.

Classe: o intervalo de variao das medidas.

Ampli tude do i ntervalo de classe (R.I.): a diferena entre os valores mximos e
mnimos de cada classe.
Amplitude intervalo de cada classe R.I . = R.T
Nmero de Classes
No caso do exerccio temos:

Amplitude intervalo de cada classe R.I . = 25 =2,7 aprox. 3
7
RI adotado =3 RT adotado =27 diferenca 2 comeca uma antes do menor e termina
um antes do maior valor.

As classes devem ser mutuamente exclusivas, para que no haja duvida na localizao
dos valores das variveis, podemos dai utilizar as seguintes simbologias para os
intervalos:

0 ----I 10 intervalo aberto & fechado, para significar que o intervalo compreende os
valores da varivel maiores do que 0 (excludo) e at 10 (inclusive);

0 I---- 10 intervalo fechado & aberto, para significar que compreende os valores da
varivel a partir de 0 (inclusive) e at 10 (exclusive);
0 ----- 10 Intervalo aberto & aberto, para significar que compreende valores maiores do
que 0 e menores do que 10.

29

0 I----I 10 intervalo fechado & fechado, para significar que compreende os valores da
varivel a partir de 0 (inclusive) e at 10 (inclusive).

TABELA de DISTRIBUIO das FREQNCIAS

Para a facilidade e metodizao do processo de anlise estatstica, monta-se um tabela
que agrupe as informaes obtidas, de forma de Tabela de Freqncias. Para os pacotes
em pauta, teremos a seguinte tabela de freqncias:

TABELA 7

VALOR COMPRIMENTO FREQ. FREQUENCIA FREQUENCIA FREQUENCIA
CLASSE CLASSE
TABULAO
F RELATIVA % ACUM. ACUM. REL.%

1 200 ---I 203 I I 2 2 2 2

2 203 ---I 206 I I I I I I 6 6 8 8

3 206 ---I 209 I I I I I I I I I I 10 10 18 18

4 209 ---I 212 I I I I I I I I I I I I I I I I I I 18 18 36 36

5 212 ---I 215 I I I I I I I I I I I I I I I I I I I I I I I I I I I I 28 28 64 64

6 215 ---I 218 I I I I I I I I I I I I I I I I I I 18 18 82 82

7 218 ---I 221 I I I I I I I I I I 10 10 92 92

8 221 ---I 224 I I I I I I 6 6 98 98

9 224 ---I 227 I I 2 2 100 100

100 100%

30

Onde:

Freqncia (F) = o numero de vezes que as medidas ocorrem no intervalo de classes

Freqncia relativa (FR) = a percentagem da freqncia de cada classe em relao ao
total de elementos.
FR = F d x 100
N

Freqncia acumulada (FA) = a soma das freqncias at o intervalo de classe
considerado.

Ex. Fa5 =F1+F2 +F3 +F3 +F5 2+6+10+18+28 =64

Freqncia acumul ada relati va (FAR) = a soma das freqncias relativas at o
intervalo considerado

Far3 =Fr1 +Fr2 +Fr3 2 +6 +10 =18
31

7.1 HISTOGRAMA E POLIGONO DAS FREQNCIAS

freqncias

28

21

14

7

1 2 3 4 5 6 7 8 9 CLASSES

POLIGONO DE
FREQNCIAS
32

7.2 HISTOGRAMA E POLIGONO DAS FREQNCIAS RELATIVAS

%
28%

21%

14%

7%

0

1 2 3 4 5 6 7 8 9 CLASSES

POLIGONO DE
FREQNCIA
RELATIVA
33

7.3 POLIGONO DE FREQNCIA ACUMULADA OU OGIVA

F.AC.

100

80

60

40

20

01 2 3 4 5 6 7 8 9 CLASSES

POLIGONO DE
FREQNCIAS
ACUMULADA
34

7.4 POLIGONO DA FREQNCIA ACUMULADA RELATIVA

%

F.AC
REL.

100 %

80 %

60 %

40 %

20 %

0 %1 2 3 4 5 6 7 8 9 CLASSES

POLIGONO DE
FREQNCIAS
ACUMULADA
RELATIVA
35

8.0 TIPOS DE DISTRIBUIO

As distribuies de freqncia podem se apresentar de diversas formas conforme as
figuras a seguir:

8.1 DISTRIBUIO SIMTRICA OU EM FORMA DE SINO

A distribuio simtrica quando os valores se distribuem igualmente em torno da mdia
(X)

A) Normal

B) Alongada

36

C) Achatada

8.2 DISTRIBUIO ASSIMTRICA

aquela em que as freqncias dos valores medidos, se distribuem de forma desigual
em torno da mdia.

A) Assimtrica Positiva

37

B) Assimtrica Negativa

8.3 DISTRIBUIO MODAL, AMODAL, BIMODAL E MULTIMODAL

Chamamos de moda numa distribuio, ao valor da medida ou classe que corresponde
freqncia mxima. Sob o critrio da moda as distribuies classificam-se em:

A) DISTRIBUIO MODAL Quando a distribuio tem freqncia mxima ela
denominada modal.

mo

B) DISTRIBUIO AMODAL Quando a distribuio no tem moda

38

C) DISTRIBUIO BIMODAL Quando a distribuio tem duas modas.

mo mo

D) DISTRIBUIO MULTIMODAL Quando a distribuio tem mais de duas modas

mo mo mo

8.4 APRESENTAO TIPO RAMO-E-FOLHAS

Uma alternativa para o uso da tabela de distribuio de freqncias usar o grfico do
tipo ramo-e-folhas.
Podermos estudar a partir de um exemplo prtico:
Observamos os seguintes nmeros de passageiros em 50 viagens de um avio que faz
ponte area Rio - So Paulo:

39

61 52 64 84 35 57 58 95 82 64

50 53 103 40 62 77 78 66 60 41

58 92 51 64 71 75 89 37 54 67

59 79 80 73 49 71 97 62 68 53

43 80 75 70 45 91 50 64 56 86

SOLUO:
F F.A.
3
5 7 2 2

4
0 1 3 5 9 5 7

5
0 0 1 2 3 3 4 6 7 8 8 9 12 19

6
0 1 2 2 4 4 4 4 6 7 8 11 30

7
0 1 1 3 5 5 7 8 9 9 39

8
0 0 2 4 6 9 6 45

9
1 2 5 7 4 49

10
3 1 50

A MEDIANA NESTE CASO SER X = 64

40

9.0 MEDIDAS DE POSIO OU DE TENDNCIA CENTRAL

Como o prprio nome indica, a medida de tendncia central visa a determinar o centro da
distribuio. Esta determinao, porem, no bem definida da parece razovel
chamarmos de tendncia central.

So medidas de tendncia central:

MDIA ARITMTICA SIMPLES/PONDERADA;

MEDIANA;

MODA.

9.1 MDIA ARITMTICA SIMPLES

Dada uma distribuio de freqncias, chama-se de mdia aritmtica desta destituio, e
representa-se por a soma de todos os valores da varivel, dividida pelo nmero de
variveis n.

= x
n
n
Sendo: x
i= 1

Exemplo: Calcular a mdia aritmtica simples de 8, 3, 5, 12, 10.

= 8 + 3 +5 +12 +10 = 38 = 7,6
5 5

41

9.2 MDIA ARITMTICA PONDERADA

K
xi .fi
i= 1
=
K
x fi
i= 1

onde: f =freqncia dos nmeros x =nmeros

Exemplo: Calcular a mdia ponderada dos nmeros 5, 8, 6, 2 os quais ocorrem com as
freqncias 3, 2, 4 e 1, respectivamente

Nmeros x = 5, 8, 6, 2
Freqncias f = 3, 4, 2, 1

= 3x5 + 4x8 + 2x6 + 1x2 = 57 = 5,7
3+4+2+1 10

9.3 MEDIANA (x)

Se ordenarmos uma seqncia de nmeros do menor para o maior e se a quantidade
desses nmeros for impar, ento a mediana ser o valor do meio, ou a mdia dos dois
valores do meio caso a quantidade de nmeros seja par.

O smbolo que usamos para representar a mediana x l-se x til .
No caso de calculo da mediana quando estamos trabalhando com distribuio de
freqncia determinamos o valor mais provvel dessa distribuio a partir de:

x =Freqncia acumulada total = FA (para nmeros pares)
2 2

42

Ou ainda A posio DA MEDIANA definida por {n+1 } -simo elemento quando n
2
mpar temos um nmero inteiro e d a posio da mediana;

Exemplo: Determine a posio da mediana para a) n=15 b) n=45 c)n=88

a) n+1 =15+1 =8, e a mediana o valor do 8 elemento;
2 2
b) n+1 = 45+1 =23, e a mediana o valor do 23 elemento;
2 2
c) n = 88 = 44 e a mediana o valor correspondente ao valor do 44elemento.
2 2

No caso do exerccio da distribuio dos 100 valores de peso de pacotes de manteiga
temos:

X = n = 100 = 50, e a mediana o valor do 50 elemento
2 2

FA
0 2 8 18 36 64 82 92 98 100
X
200 203 206 209 212 215 218 221 224 227

50

(64 36) (215 212)
(64 50)

36 64
212 215
50
valor
43

= 14 x 3 = 1,5
28
portanto a mediana ser 212 + logo, X = 212 +1,5 =213,5

9.4 MODA (
x
)

Em um conjunto de nmeros a moda o valor que ocorre com mai or freqncia, isto , o
valor mais comum.
Exemplos:
1) 2, 2, 3, 7, 8, 8, 8, 9, 10
moda=8
2) 1, 2, 3, 4, 5, 6, 7, 8, 9, 10
moda = (no existe moda)
3) 2, 2, 4, 4, 4, 5, 6, 7, 8, 8, 8, 9
moda =4 e 8

Para o exemplo do exerccio das distribuies de freqncias dos pacotes de
manteiga temos que a moda o ponto mdio da classe modal, localiza-se a classe
modal como sendo a classe com maior freqncia e em seguida determina-se seu
ponto mdio.

Classe modal a 5 classe, portanto moda = 212 +215 = 213,5
2

44

10.0 MEDIDAS DE VARIABILIDADE (DISPERSO)

As medidas de disperso indicam se os valores esto relativamente prxi mos uns
dos outros, ou separados. Podemos dizer que disperso o grau com o qual os
valores numricos de uma distribuio tendem a se distanciar em torno de um valor
mdio.

Em todos os casos, o valor zero indica ausnci a de disperso; a disperso aumenta
proporo que aumenta o valor da medida (amplitude,desvio-padrao, varincia).

xx x x x x xxx xxx xx x x

a) pequena di sperso

xx x x xxx x x x x x x x x xx x x xxx x x x xx x x x x xx

b) grande disperso

10.1 AMPLITUDE TOTAL (R.T.)

a medida mais simples de disperso. a diferena entre o maior e o menor valor
das observaes.

R.T. = Xmax Xmin
Embora exista simplicidade de clculo, existem duas restries ao seu generalizado:

1- Utiliza apenas uma parcela das informaes contidas nas observaes. O seu
valor no se modi fica mesmo que os valores das observaes variem, desde que
conservem os seus valores Mximo e mnimo.

2- Depende do nmero de observaes na amostra. Em geral o valor da amplitude
cresce quando cresce o tamanho da amostra.
45

X min.I I x max.
R.T. =pequeno

X min. I I X max.
R.T. =Grande

10.2 DESVIO PADRO

medida que determina a variao dos valores observados em torno da mdia da
distribuio, e representa a distncia do ponto de inflexo da curva at a linha da mdia.

10.2.1 DESVIO PADRO AMOSTRAL (S)

O desvio padro da amostra representa a disperso da amostra e dada pela equao:

S = (X1- ) + (X2- ) + (X3- ) + ..... +(Xn- )
n

46

Onde: Xi = Medidas individuais
S = ( Xi - )
n n = Nmero de elementos ou
valores

10.2.2 DESVIO PADRO DA POPULAO ()

O desvio padro da populao representa a o grau de disperso da populao em torno
da mdia representado por , tambm representa a distncia do ponto de inflexo, e
dado pela expresso:

= (X1- ) + (X2- ) + (X3- ) + ..... +(Xn- )
n - 1

= ( Xi - )
n - 1

10.2.3 REPRESENTAO GRFICA DO DESVIO PADRO

+
47

10.2.4 SISTEMATIZAO PARA O CLCULO

Para sistematizar o clculo do desvio padro de uma amostra utilizado o seguinte
procedimento:

1- Calcular o valor da mdia;
2- Montar a tabela abaixo

observaes Xi

Xi -

(Xi - )
medidas

1 X1 X1 - (X1 - )
2 X2 X2 - (X2 - )
3 X3 X3 - (X3 - )
. . . .
. . . .
. . . .
n Xn Xn - ( Xn - )

(Xi- )

3-Aplicam-se as frmulas:

S = ( Xi - )
n

= ( Xi - )
n - 1

48

10.3 VARINCIA

Varincia da populao a soma dos quadrados dos desvios de cada observao em
relao mdia de x , divide-se por n 1. Indica-se a Varincia da Populao por .
Podemos fazer a mesma analogia com a Vari ncia da Amostra dada por S.

Frmula da vari nci a da Amostra
n
( Xi - )
S = i = 1
n

Frmula da vari nci a da Populao

n
( Xi - )
= i = 1 onde n 1 =nmero de graus de liberdade
n - 1

Como medida de disperso, a Varincia tem a desvantagem de apresentar unidade de
medida igual ao quadrado da unidade de medida dos dados. Se os dados esto em
metros, a Varincia fica em metros quadrados.
O desvio padro por sua vez, fica com valor na mesma da unidade da varivel.

49

11.0 DISTRIBUIO NORMAL
(ou de GAUSS, ou de LAPLACE, ou ai nda, dos ERROS DAS OBSERVAES)

uma distribuio contnua e simtrica, cujo grfico tem a forma de um sino. A
distribuio normal o resultado da atuao conjunta de causas aleatrias.

Parmetros da Distribuio Normal

Mdia da Populao
Determinam o formato da curva
Desvio padro da populao

Equao da Funo de Probabilidade A equao da funo de probabilidade dada
pela expresso:
- ( x - )
2
f(x) = 1 e
2

Do estudo de estatstica conclumos que:

- a varivel x pode assumir qualquer valor real no intervalo - < x < +
F (x)

x- 3

x- 2 x- 1

x +1

x+ 2

x+ 3

50

- a varivel x obedecer a uma Distribuio Normal, se a probabilidade de que um valor
x seja menor ou igual a outro xo for:
- ( x - )
x0 2
P( x < x0 ) = f(x0) = 1 e dx
2 -

- a integral da expresso representa a rea compreendida entre - e xo.

- +

Portanto:

A probabilidade de ocorrncia de um valor menor ou igual rea abaixo da curva, entre
os valores - e xo .
Os valores = 3,1416 e e ( nmero neperiano) =2,718 so constantes numricas.

CARACTERISTICAS DA CURVA DE DISTRIBUIO NORMAL

A curva normal obedece necessariamente s seguintes caractersticas:

a- A mdia o valor da varivel x para o qual a f(x) mxima.

F (x)

X0

51

b- O desvio Padro , a distncia entre a mdia e o ponto de inflexo da curva.

c- A rea total sob a curva normal igual a 1, pela prpria equao da probabilidade.

d- Em virtude da simetria as reas direita e esquerda do valor so iguais

DISTRIBUIO NORMAL PADRONIZADA

Se tomarmos a equao auxiliar:

Z = X -

o que significa adotar como origem dos z o ponto em que x = e como unidade de
escalados z e o desvio padro , teremos transformado a expresso da funo das
probabilidades na distribuio normal reduzida:

- z
2
f(z)= 1 e
2

Considerando, a partir da equao auxiliar:

dz = 1
dx
dx = . dz

Portanto a funo da probabilidade, em funo de Z, ser dada pela expresso:
52

- z
z 2
f(z)= 1 e dz
2 -

As reas sob a curva permanecem as mesmas, mas agora podem ser tabuladas em
funo dos valores de Z (Ver figura abaixo, eixo dos Z). Basta construir a tbua das reas
para os valores I(z), na tbua 1.

Por exemplo, a rea desde Z=0, at Z=1,0 I(1,0) =0,3413 ou 34,13% da rea total da
curva; conseqentemente, dentro do intervalo 1 temos 68,26% da rea total da curva.

Se procurarmos a probabilidade de encontrarmos um valor de x dentro do intervalo
0,95 onde a media, o desvio padro da populao, teremos:

P(- Z0 < Z <Z0) =P ( 0,95 < Z < + 0,95 )
Iz1 =0,3289 It=0,6578 ou 65,78%.

Apresentamos na tabela abaixo alguns dos mais importantes intervalos de distribuio
normal para aplicaes em exerccios de probabilidade na curva normal.

TBUAS DE REAS DA CURVA NORMAL

A partir da equao auxiliar Z = X - podemos transformar valores de x em

valores de z e em seguida construir uma tabela com resultados das integrais, que
corresponde rea sob a curva xo intervalo de 0 a Z0 identificada por Iz0.

53

-3 -2 -1 0 1 2 3 Z

Transformao de X em Z

F (x)

x- 3

x- 2 x- 1

x +1

x+ 2

x+ 3

Xo Z= X -
Zo

- 0

+1 +1- 1

+2 +2- 2

+3 +3- 3

- 1 - - -1

- 2 - 2 - -2

- 3 - 3 - -3

54

I Zo

0 Zo

AREAS I ZO = P (0 z Z0) para Z0=(x - )/
Z0
I Z0
Z0
I Z0
Z0
I Z0
Z0
I Z0
Z0
I Z0
Z0
I Z0
0,00 0,0000 0,60 0,2257 1,20 0,3849 1,80 0,4641 2,40 0,4918 3,00 0,4987
0,05 0,0199 0,65 0,2422 1,25 0,3944 1,85 0,4678 2,45 0,4929 3,05 0,4989
0,10 0,0398 0,70 0,2580 1,30 0,4032 1,90 0,4713 2,50 0,4938 3,10 0,4990
0,15 0,0596 0,75 0,2734 1,35 0,4115 1,95 0,4744 2,55 0,4946 3,15 0,4992
0,20 0,0793 0,80 0,2881 1,40 0,4192 2,00 0,4772 2,60 0,4953 3,20 0,4993
0,25 0,0987 0,85 0,3051 1,45 0,4279 2,05 0,4798 2,65 0,4960 3,25 0,4994
0,30 0,1179 0,90 0,3159 1,50 0,4332 2,10 0,4821 2,70 0,4965 3,30 0,4995
0,35 0,1369 0,95 0,3289 1,55 0,4394 2,15 0,4842 2,75 0,4970 3,35 0,4996
0,40 0,1554 1,00 0,3413 1,60 0,4452 2,20 0,4861 2,80 0,4974 3,40 0,4997
0,45 0,1736 1,05 0,3531 1,65 0,4505 2,25 0,4878 2,85 0,4978 3,50 0,4998
0,50 0,1915 1,10 0,3643 1,70 0,4554 2,30 0,4893 2,90 0,4981 3,70 0,4999
0,55 0,2088 1,15 0,3749 1,75 0,4599 2,35 0,4906 2,95 0,4984 3,90 0,5000

55

EXERCCIOS: E-3

1- Trace uma curva normal e sombreie a rea desejada a partir das informaes:

a- rea direita de z=1,0
b- rea da esquerda de z=1,0
c- rea entre z=0 e z=1,5
d- rea entre z=0 e z=- 2,9
e- rea entre z=1,0 e z=2,0
f- rea entre z=-2,0 e z=2,0
g- rea entre z=2,5 e z=3,0

2- Ache os valores de z correspondentes as seguintes reas:

a- rea esquerda de para Iz =0,0505
b- rea esquerda de para Iz =0,0228
c- rea esquerda Iz=0,4505 e rea da direita Iz =0,4861

3- Uma distribuio normal tem media 50 e desvio padro 5. Que percentagem da
populao estaria provavelmente dentro dos intervalos:

a- P ( x 60)
b- P ( 35 x 62)
c- P ( 55 x 65)
d- P ( x > 55)
e- P ( 35 x 45)

4- Suponha uma renda mdia de uma grande comunidade possa ser razoavelmente
aproximada por uma distribuio normal com media anual de R$ 10.000,00 e
desvio padro de R$ 2.000,00.

a- Que percentagem da populao ter renda superior a R$ 15.000,00?
b- Numa amostra de 50 assalariados, quantos podemos esperar que tenham
menos de R$ 8.000,00 de renda?
56

12.0 PROBABILIDADE

O problema fundamental da estatstica consiste em lidar com o acaso e a incerteza.
Chama-se probabilidade de um acontecimento a razo entre o nmero de casos
favorveis ao mesmo e o nmero total de acontecimentos possveis.

Assim quando se considera uma populao limitada de P indivduos, a probabilidade de
cada um ser escolhido, ao acaso, de 1/P.

Lapl ace definiu probabilidade como: O quociente do nmero de casos favorveis sobre o
nmero de casos igualmente possveis.
Por exemplo, se jogarmos uma moeda no viciada para o ar, de modo geral no
podemos afirmar se vai dar cara ou coroa.

Porm existem apenas dois eventos possveis: sair cara ou coroa Nesse exemplo
existe um caso favorvel a esse evento em dois casos possveis. A P (K) = ou 50%.

Considerando-se cara como sucesso e coroa como fracasso e representando-se o
acontecimento favorvel como P e o no favorvel como Q, temos as razes:

P= e Q =
Sendo P+Q = 1
Ento P= (1 - Q) e Q = (1 - P)

A probabilidade de um evento A, denotada por P (A), um nmero de 0 a 1, que indica a
chance de ocorrncia do evento A. Quanto mais prxima de 1,00 P(A), maior a
chance de ocorrncia do evento A, e quanto mais prxima de Zero, menor a chance de
ocorrncia do evento A.

Um evento impossvel atribui-se a probabilidade Zero.

Um evento certo tem probabilidade de 1.
As probabilidades podem ser expressas, inclusive por valores decimais, fraes e
percentagem como: 20%; 2 em 10; 0,2; ou ainda 1/5.
57

Alm do uso na interpretao de jogos de azar, usa-se ainda a probabilidade mediante
determinada combinao de julgamento, experincia ou dados histricos, para predizer
Quao Provvel a ocorrncia de determinado evento futuro.

H numerosos exemplos de tais situaes no campo dos Negcios e do Governo. A
previso da aceitao de um novo produto, o clculo dos custos de produo, a
contratao de um novo empregado, o preparo do oramento, a avaliao do impacto de
uma reduo de impostos sobre a inflao tudo isso contm algum elemento de Acaso.

12.1 ESPAO AMOSTRAL E EVENTOS

Consideremos o experimento que consiste em extrair uma carta de um baralho de 52
cartas. H 52 eventos elementares no espao amostral. Quanto aos eventos podemos
classific-los em:

ESPAO AMOSTRAL

COMPLEMENTO Cartas vermelhas e cartas pretas

No se interceptam cartas de
MUTUAMENTE EXCLUDENTE copas e cartas de paus

NAO SO MUTUAMENTE Cartas de copas e figuras, tem
EXCLUDENTE elementos em comum.

Cartas de paus, ouro, copas e
COLETIVAMENTE EXAUSTIVO A B C D espadas

A
A B
A B
58

12.2 TRS ORIGENS DA PROBABILIDADE

H trs maneiras diferentes de calcular ou estimar probabilidades, O mtodo Cl ssico,
quando o espao amostral tem resultados igualmente provveis. O mtodo Empri co, que
se baseia na freqncia relativa de ocorrncia de um evento num grande nmero de
provas repetidas; e o mtodo Subjetivo, que utiliza estimativas pessoais baseadas num
certo grau de crena.

OBJ ETIVO SUBJ ETIVO

CLSSICO EMPRICO Opinio Pessoal
(resultados igualmente provveis) (dados histricos)

O Mtodo Clssico

Os jogos de azar (lanamento de moedas, jogo de dados, extrao de cartas)
usualmente apresentam resultados igualmente provveis.
Nestes casos temos:

P(cada resultado) = 1
Nmero de resultados possveis

Se cada carta de um baralho de 52 tem a mesma chance de ser escolhida, ento a
probabilidade de extrair cada uma delas de 1/52 : P (A) =1/52 1,92%.

Da mesma forma a probabilidade de termos uma cara no lanamento de uma moeda
ou 50%. O mesmo ocorre com uma coroa, ou seja ou 50%.

No caso de um dado temos a probabilidade de dar qualquer nmero: 1,2,3,4,5,6 de 1/6
ou de 16,66%.

De forma geral vale tambm a expresso:

59

P(A) = Nmero de resultados associados ao evento A
Nmero total de resultados possveis

Por exemplo, a probabilidade de extrao de uma dama, de acordo com esta definio,

P (dama) = 4 damas = 4 = 1 = 7,69%
52 cartas 52 13

Analogamente, a probabilidade de obter nmero mpar no lance de um dado

P(mpar) = 3 faces = 3 ou 50%
6 faces possveis 6

12.3 A MATEMTICA DA PROBABILIDADE

Muitas aplicaes de estatstica exigem a determinao da probabilidade de
combinaes de eventos. H duas categorias de eventos de interesse, A e B, no espao
amostral.

Pode ser necessrio determinar P(A e B), isto ; a probabilidade de ocorrncia de ambos
os eventos.

Em outras situaes, podemos querer a probabilidade de ocorrncia de A ou B P(A ou B).

Clculo da Probabi lidade da ocorrncia de dois eventos independentes P(A e B)

Se dois eventos so independentes, ento a probabilidade da ocorrncia de ambos
igual ao produto de suas probabilidades individuais:
P(A e B) = P(A) . P(B)
Exemplo J ogam-se duas moedas equilibradas.Qual a probabilidade da ocorrncia de
ambas darem cara?
razovel admitir que os resultados das duas moedas sejam independentes um do outro.
Alm disso, para moedas equilibradas, P(cara)= . Logo p(cara e cara) ser:

60

1 moeda 2moeda
x = ou 25%

Clculo da Probabilidade da ocorrncia de dois eventos mutuamente excludente
P(A ou B ocorrer)

Se dois eventos mutuamente excludentes, a probabilidade de ocorrncia de qualquer um
deles a soma de suas probabilidades individuais. Para dois eventos A e B temos:

P(A ou B) = P(A) + P(B)
Exemplo, qual a probabilidade de aparecer cinco ou seis numa jogada de um dado
equilibrado?
P(cinco) ou P(seis) = P (5) + P(6) = 1 + 1 = 2 = 33,33%
6 6 6

Clculo da Probabilidade da ocorrncia de dois eventos no mutuamente
excludente P(A ou B ou ambos ocorrero)

Suponhamos a probabilidade de extrao de uma carta de paus ou um dez de um
baralho de 52 cartas . Como possvel que uma carta seja simultaneamente de paus e
um dez, os eventos no so mutuamente excludentes. Assim devemos excluir a
probabilidade de interseo. Ento temos:

P(paus) = 13 , P(dez)= 4 , P( dez de paus) = 1 ,
52 52 52
P(paus ou dez,ou ambos) = P(paus) + P(dez) - P(dez de paus)

= 13 + 4 - 1 = 16
52 52 52 52

61

NAIPE

PAUS OUROS COPAS ESPADA
PRETA VERMELHA VERMELHA PRETA

K

K

K

K

Q

Q

Q

Q

J

J

J

J

10

10

10

10

9

9

9

9 a carta um dez

8

8

8

8

7

7

7

7

6

6

6

6

5

5

5

5

4

4

4

4

3

3

3

3

2

2

2

2

A

A

A

A
Carta de paus
Os eventos paus e dez se i nterceptam.

Regra de probabilidade

P (A e B), para eventos independentes (Multiplicao) P(A) x P(B)

P (A ou B), para eventos mutuamente excludentes (Soma) P(A) +P(B)

P (A ou B ou ambos ocorrero), para eventos no mutuamente excludentes
P(A) +P(B) - P(A intercepta B)

62

EXERCCIOS: E-4

1- Extrai-se uma s carta de um baralho de 52. Determine a probabilidade de obter:
a- Um valete
b- Uma figura
c- Uma carta vermelha
d- Uma carta de ouros
e- Um dez de paus
f- Um nove vermelho ou um
oito preto
2- Relacione os resultados possveis do lance de um s dado. Ache a probabilidade e
adicione-as.
3- J oga-se uma vez um dado equilibrado; determine a probabilidade de obter:
a- um seis
b- cinco, seis ou sete
c- um nmero par
d- um nmero menor que quatro
4- Doze fichas so numeradas de 0 a 12 e colocadas numa urna. Escolhida uma
aleatoriamente, determine a probabilidade de sair:
a- o nmero 3
b- um nmero impar
c- um nmero menor que quatro
d- o nmero dez
5- J oga-se um par de dados equilibrados:
a- Qual a probabilidade de ambas as faces serem seis?
b- Qual a probabilidade de ambas as faces serem dois?
c- Qual a probabilidade de ambas as faces serem pares?
6- Sejam P(A) =0,30, P(B) =0,80 e P(A e B) =0,15.
a- A e B so mutuamente excludentes? Explique.
b- Determine P(A ou B).
7- Sejam A e B mutuamente excludentes, P(A) =0,31 e P(B) =0,29.
a- A e b so coletivamente exaustivos? Explique.
b- Determine P(A ou B).
c- Determine P (A e B)
8- J oga-se uma moeda trs vezes. Qual a probabilidade de aparecer coroa trs
vezes? Qual a probabilidade de no aparecer coroa nas trs vezes?

63

13.0 TECNICAS DE CONTAGEM

Para utilizar o mtodo clssico (A Priori) da probabilidade, preciso conhecer o nmero
total de resultados possveis de um experi mento.

Uma das possibilidades o uso das rvores de deciso, mas quando o numero de
resultados grande, essa lista se torna muito trabalhosa; necessrio ento recorrer a
formulas matemticas para determinar o numero total de resultados possvei s.

Suponhamos que um estudante esteja fazendo um teste de 20 questes do tipo
verdadeiro-ou-falso . Suponhamos ainda que ele, no tenha estudado nada, esteja
dando todas as respostas na base do palpite. Qual a probabilidade de ele responder
corretamente todo o teste?

A primeira coisa a fazer determinar o numero total de resultados possveis.

Em segundo lugar devemos explorar suas diversas verses. Imaginemos que o teste
consista de apenas:

Uma questo temos V ou F
Duas questes temos VV, VF, FV, FF
Trs questes temos VVV, VVF, VFF, VFV, FVF, FVV, FFV, FFF

Conclue-se:
Numero de questes : 1 2 3 4
Numero de resultados : 2 4 8 16

Nota-se que se, o numero de itens for grande, a listagem se tornara praticamente
impossvel.

Em seguida podemos ver um di agrama de rvore para determinar todos os arranjos
possveis.

64

QUESTO N1 N2 N3 RESULTADOS

V V VVV
V F VVF
F V VFV
. F VFF
V V FVV
F F FVF
F V FFV
F FFF

Alem disso, o que realmente necessario determinar o numero total de resultados;
nada se tem a ganhar identificando cada resultado.

13.1 O PRINCIPIO DA MULTIPLICAO

O diagrama mostra que cada questo dobra o numero total de resultados possveis.(com
duas alternativas V ou F) temos:
NUMERO DE QUESTOES TOTAL DE RESULTADOS
1 2=2
2 2 x 2 =4
3 2 x 2 x 2 =8
4 2 x 2 x 2 x 2 =16

Se fossem quatro escolha para cada questo:
NMERO DE QUESTES TOTAL DE RESULTADOS
1 4 =4
2 4 x 4 =16
3 4 x 4 x 4 =64
Para solucionar o exerccio do teste, teremos:

65

2 x 2 x 2 x 2 x 2 x . . . . . . . x 2 = 2
20
= 1.048.576 ou 1 .
1 2 3 4 5 . . . . . . . . . . 20 1.048.576

De um modo geral, se ha n decises seqenciais, cada uma com m escolhas, o
numero total de resultados m
n
.

13.2 PERMUTAO, ARRANJO E COMBINAO.

Quando a ordem em que os elementos se dispem importante, o numero total de
resultados possveis conhecido como Arranjo ou Permutao. Quando a ordem no
interessa, o numero total de resultados possveis designado como Combinao.
Para o uso na analise combinatria usaremos o numero fatorial representado pelo
smbolo ! como por exemplo 4! le-se Quatro Fatorial e significa 4 x 3 x 2 x 1 =24.

Outros exemplos:
5! = 5 x 4 x 3 x 2 x 1 = 120
12! =12 x 11 x 10 x 9 x 8 x 7 x ..............x 1 = 479.001.600

Os fatoriais crescem de modo extremamente rpido, medida que aumenta o numero-
base.
Felizmente, quase nunca necessrio utilizar-se completamente os fatoriais, pois eles
aparecem em grupos, permitindo cancelamentos:

5! = 5 x 4 x 3 x 2 x 1 = 5! 1 = 1
7! 7 x 6 x 5 x 4 x 3 x 2 x 1 7 x 6 x 5! 7 x 6 42

4! = 4 x 3 x 2 x 1 = 4 x 3 x 2! = 4 x 3 =12
2! 2 x 1 2!

5! = 5 x 4 x 3! = 5 x 4 = 20 = 10
2! 3! 2 x 1 x 3! 2 x 1 2

s vezes os fatoriais podem envolver soma e subtrao. Exemplos:
66

( 5 - 3 )! = 2! e no ( 5! - 3! )
( 9 - 2 )! = 7!
( 3 + 1)! = 4!
8! = 8! = 8 x 7 x 6 x 5! = 8 x 7 x 6 = 56
3 ( 8 3 )! 3! . 5! 3 x 2 x 5! 3 x 2

O fatorial de zero igual a um 0! = 1.
O fatorial de 1 igual a um 1! = 1.

ARRANJOS

So agrupamentos que podem variar pela ordem ou natureza dos elementos. Quando se
consideram n elementos distintos tomados x a x chamamos arranjo ou agrupamentos
enerios que se podem formar com esses n elementos, dispomos de todas as formas
possveis de modo que dois arranjos quaisquer difiram ao menos pela ordem dos
elementos.

Assim, os arranjos possveis com as letras A, B e C so A 3,2 (3 elementos dois a dois)
A 3,2 = AB; BA; AC; CA, BC; CB.

E com os nmeros: 2, 6 e 8 podem ser feitos os seguintes arranjos A 3,2
A 3,2 = 26; 28; 62; 68; 82; 86.

Outro exemplo: Se ha sete cavalos num preo, quantos arranjos ha considerando 1,2 e
3 lugares?
A n,x = n!
( n x )!

Ou sej a, 7 elementos tomados 3 a 3
A 7,3 = 7! = 7! 7 x 6 x 5 x 4! = 7 x 6 x 5 = 210
( 7 3 )! 4! 4!

PERMUTAO

67

Denomina-se permutao aos arranjos de objetos tomados n a n. Neste caso cada
objeto entra s uma vez em todos os grupos.

Em geral o numero de permutaes distintas com n itens, dos quais n1 so
indistinguveis de um tipo, n2 de outro tipo, etc, :
n1, n2, ....nK
Pn = n!
(n1!) (n2!) (n3!) ......(nk!)

Exemplo: Quantas permutaes distintas de 3 letras podemos formar com as letras:
R R R R U U U N
4 3 1

Soluo
Ha 8 letras : 4Rs 3Us 1N dai:
4, 3, 1
P8 = 8! = 280
(4!) (3!) (1!)

COMBINAO

Chama-se combinao quando no interessa a ordem para denotar o numero de
agrupamentos distintos possveis.

Exemplo: a escolha de 2 tipos de vegetal de um cardpio com 5 ti pos. A escolha de
batata e cenoura a mesma que cenoura e batata.

De um modo geral, para agrupamentos de tamanho x extrados de uma lista de n itens, o
numero de combinaes possveis :

C n,x = n! n
x! (n - x )! x

68

Quantos comits distintos, de 3 pessoas cada um, podemos formar com um grupo de 10
pessoas?

C10,3 = 10! =10 x 9 x 8 x 7! =120
7! 3! 3 x 2 x 7!

De quantas maneiras podemos formar um comit de 1 mulher e 2 homens, de um total
de 4 mulheres e 6 homens.

Mulheres Homens = 4! 6! = 4 x 15 = 60
( C 4,1 ) ( 6,2 ) 3! 1! 4! 2!

13.3 REGRAS DE CONTAGEM

REGRA DA MULTIPLICAO: o produto do numero de escolhas para uma seqncia de
decises m
n
onde m =numero de escolhas n =decises seqenciais

ARRANJOS: numero de agrupamentos em que interfere a ordem

A n,x = n!
( n x )!

PERMUTAO COM REPETIES (OU DISTINGUIVEIS): alguns itens so idnticos, e
a ordem importante.

n1, n2, ....nK
Pn = n!
(n1!) (n2!) (n3!) ......(nk!)

COMBINAES: a ordem no importa.

C n,x = n! n
x! (n - x )! x
69

EXERCCIOS: E-5

1- Calcule:
a- 2! b- 3! c- 10! d- 1! e- 0!

2- Calcule:
a- 3 b- 4 c- 5 d- 9
2 4 1 6

3- Determine o numero de arranjos:
a- A 3,2 b- A 4,4 c- A 5,1 d- A 9,6 e- A 1,0

4- Um vendedor de automveis deseja impressionar os possveis compradores com o
maior numero de combinaes diferentes possveis. Um modelo pode ser dotado
de trs tipos de motor, dois tipos de transmisso, cinco cores externas e duas
internas. Quantas so a escolhas possveis?

5- Em um determinado Estado, as placas de licena constam de trs letras e quatro
algarismos. Quantas placas diferentes podemos formar admitindo-se o uso de
todas as (26 letras) e os (10 algarismos)?

6- Quantas permutaes distintas podem ser feitas com as letras da palavra
BLUEBEARD ?

7- Se um torneio de basquetebol consiste de 36 times, de quantas maneiras podem
ser conquistados os trs primeiros lugares?

8- De quantas maneiras diferentes podemos escolher um comit de cinco pessoas
dentre oito?
9- A Pizzaria do J oe oferece as seguintes escolhas de pizza: presunto, cogumelos,
pimento, enchovas e muzzarella. De quantas maneiras podemos escolher dois
tipos diferente de pizza?

70

14.0 DISTRIBUIO DE PROBABILIDADES

Introduzidas s noes fundamentais sobre a teoria das probabilidades, pode-se passar
s chamadas Distribuies de Probabilidades.
Uma distribuio de probabilidades uma distribuio de freqncia relati va para os
resultados de um espao amostral (isto , para os resultados de uma varivel aleatria);
que mostra a proporo das vezes em que a varivel aleatria tende a assumir cada um
dos diversos valores.
Consideremos a varivel aleatria Numero de caras em duas jogadas de uma moeda
eis a lista dos pontos do espao amostral e os valores correspondentes a v.a.:
(K = cara e C = coroa)
Resultados Valor da v.a.
CC 0

CK 1

KC 1

KK 2

Se a moeda equilibrada, P(K) =P(C) =.As probabilidades dos diversos resultados
so:
RESULTADOS PROBABILIDADE DO RESULTADO NUMERO DE CARAS P(X)

1 . 1 1
CC = 0 0,25
2 2 4

1 . 1 1
CK = 1 0,25
2 2 4
0,50
1 . 1 1
KC = 1 0,25
2 2 4

1 . 1 1
KK = 2 0,25
2 2 4

71

Assim, pois, a distribuio de probabilidades para o numero de caras em duas jogadas
de uma moeda so:

NUMERO DE CARAS P(X)

0 0,25

1 0,50

2 0,25
1,00

Note-se que a soma de todas as probabilidades 1,00, como de esperar, pois os
resultados apresentados so mutuamente excludentes e col etivamente exaustivos. A
mesma distribuio pode ser apresentada em forma acumulada.

NUMERO DE CARAS P(X ou menos)

0 0,25

1 0,75

2 1,00

72

Graficamente, as distribuies de probabilidade e acumulada se apresentam:

P
1,00 R 1,00
O 1,OO
B
A
P B
R 0,75 I 0,75
O L 0,75
B I
A D
B A
I 0,5 D 0,5
L 0,5 E
I
D A
A C
D 0,25 U 0,25
E 0,25 0,25 M 0,25
U
L
A
0 D 0
0 1 2 A 0 1 2
NUMERO DE CARAS NUMERO DE CARAS

14.1 DISTRIBUIO BINOMIAL

Suponhamos agora o experimento E4= Lanamento de 4 moedas. A tabela abaixo
mostra todas as possibilidades de combinaes cara/coroa, os eventos que estas
combinaes originam e os valores correspondentes da varivel aleatria X : Numero de
vezes que sai Cara .
73

POSSIBILIDADE MOEDA N EVENTO VALOR DE X
N 1, 2, 3, 4 ( N DE VEZ QUE SAI CARA)
1 C C C C 0K e 4C 0

2a C C C K 1K e 3C 1
2b C C K C
2c C K C C
2d K C C C

3a C C K K 2K e 2C 2
3b C K K C
3c K K C C
3d C K C K
3e K C K C
3f K C C K

4a K K K C 3K e 1C 3
4b K K C K
4c K C K K
4d C K K K

5 K K K K 4K e 0C 4

Utilizando as regras do produto para eventos independentes (e) e da adio para
eventos mutuamente exclusivos (ou) possvel calcular as probabilidades associadas
aos valores de X.

A probabilidade de X=0 obtida pelo conhecimento de termos 4 coroas, sabe-se que a
probabilidade de sair coroa , a probabilidade final ser: 0,5x0,5x0,5x0,5 =0,0625.
-63-
Para o calculo da probabilidade X=1 deve-se trabalhar com o evento 1K e 3C como
temos as opes a,b,c,d, que so mutuamente exclusiva, a regra da soma manda
efetuar a adio 0,0625 +0,0625 +0,0625 +0,0625 ou, o que o mesmo de se efetuar o
produto 4x 0,0625 =0,25.

Desta forma analogamente temos:

74

X EVENTO P(X = x)

0 4 0 4
0 0K e 4C O,0625 =1 X 0,5 X 0,5 = 1 p q

1 3 1 3
1 1K e 3C O,2500 =4 X 0,5 X 0,5 = 4 p q

2 2 2 2
2 2K e 2C O,3750 =6 X 0,5 X 0,5 = 6 p q

3 1 3 1
3 3K e 1C O,0625 =4 X 0,5 X 0,5 = 1 p q

4 0 4 0
4 4K e 0C O,0625 =1 X 0,5 X 0,5 = 1 p q

n =numero de moedas
p =probabilidade de K =P(K) =0,5
q =1 p =probabilidade de C =P(C) =0,5

Podemos usar a formula:

n! = n =combinaes de n individuais tomados x a x.
x! (n x)! x

Generalizando temos;
x n - x
P(x) = n! p . q
x! (n x)!

TOTAL 1,00
75

Distribuio binomial de x (numero de coroas) para n =10

X Numero de n ! Distribuio P(X) probabi lidade % de
Coroas em 10 encontrar a
jogadas x ! (n x) ! Amostral Amostra

10 p(10) = 10!
10! (10 10)! 1 1/1024 = 0,000976

9 p(9) = 10!
9! (10 9) ! 10 1/1024 = 0,009760

8 p(8) = 10!
8! (10 8) ! 45 1/1024 = 0,043940

7 p(7) = 10!
7! (10 7) ! 120 1/1024 = 0,117180

6 p(6) = 10!
6! (10 6) ! 210 1/1024 = 0,205070

5 p(5) = 10!
5! (10 5) ! 252 1/1024 = 0,246090

4 p(4) = 10!
4! (10 4) ! 210 1/1024 = 0,205070

3 p(3) = 10!
3! (10 3) ! 120 1/1024 = 0,117180

2 p(2) = 10!
2! (10 2) ! 45 1/1024 = 0,043940

1 p(1) = 10!
1! (10 1) ! 10 1/1024 = 0,009760

0 p(0) = 10!
0! (10 0) ! 1 1/1024 = 0,000976

10
TOTAL = 2 =1024

76

EXERCICIOS: E-6

Use a formula binomial para responder s questes abaixo:
1- Um fabricante de mesas de bilhar suspeita que 2% de seu produto apresenta
algum defeito. Se tal suspeita correta, determine a probabilidade de que, numa
amostra de nove mesas:
a- Haja ao menos uma defeituosa
b- No haja nenhuma defeituosa

2- Dos estudantes de um colgio, 41% FUMAM CIGARROS. Escolhem-se seis ao
acaso para darem sua opinio sobre o fumo.
a- Determine a probabilidade de nenhuma das seis ser fumante.
b- Determine a probabilidade de todos os seis ser fumante.
c- Qual a probabilidade de ao menos a metade dos seis serem fumantes.

3- Doze por cento dos que reservam lugar num vo sistematicamente faltam ao
embarque. O avio comporta 15 passageiros.
a- determine a probabilidade de que todos os 15 que reservaram lugar
compaream ao embarque
b- Se houve 16 pedidos de reserva, determine a probabilidade de uma pessoa
ficar de fora.

4- Um revendedor de automveis novos constatou que 80% dos carros vendidos so
devolvidos ao departamento mecnico para corrigir defeitos de fabricao, nos
primeiros 25 dias apos a venda. De 11 carros vendidos num perodo de 5 dias, qual
a probabilidade de que:
a- Todos voltem dentro de 25 dias para reparo.
b- S um no volte

5- Suponha que 8% dos cachorros-quentes vendidos num estdio de futebol sejam
pedidos sem mostarda. Se sete pessoas pedem cachorro, determine a
probabilidade de que:
a- Todos queiram mostarda
b- Apenas um no a queira.
77

14.2 DISTRIBUIO DE POISSON

A chamada Distribuio de Poisson ou de Eventos Raros podem ser considerada um
caso limite da distribuio binomial. Quando n grande e p pequeno podemos usar
a aproximao de Poisson para a distribuio Binomial.
difcil dar condies precisas para que se possa usar a aproximao de Poisson, ou
seja, o que significa quando n grande e p pequeno. Como regra geral podemos
usar:
n > 100 e n.p <10

n =Elementos da Populao

p =Probabilidade

Exemplo: n =150 p =0,05
Temos a distribuio de Poisson com:
n.p = 150 . (0,05) = 7,5
A formula a ser usada :

x - n.p
f (x) = (n.p) . e para x = 1, 2, 3, .......
x !

e= 2,718

Exemplo: Sabe-se que 2% dos livros encadernados em uma certa livraria apresentam
defeitos de encadernao. Utilize a aproximao de Poisson da distribuio Binomial para
achar a probabilidade de que 5 entre 400 livros encadernados nessa livraria apresentam
algum defeito de encadernao.

Temos: n = 400 p = 2% = 0,02 x = 5 n.p = 400 . 0,02 = 8
- 8
e = 0,000335
78

temos ento:

x - n.p 5 - 8
f (x) = (n.p) . e = 8 . e = (32768). (0,000335) = 10,977 = 0,0915
x ! 5! 120 120
-67-
Outro Exemplo: Supnhamos que os defeitos em fios para tear possam ser aproximados
por um processo de Poisson com media de 0,2 defeitos por metro
(p = 0,2) .Inspecionando-se pedaos de fio de 6 metros de comprimento, determine a
probabilidade de menos de 2 (isto 0 ,1) defeitos.
Temos : n = 6 p = 0,2 n . p = 6 . 0,2 = 1,2 x =1 e X = 2

0 -1,2
f(0) = 1,2 e = 1 . 0,301 = 0,301
0! 1

1 -1,2
f(1) = 1,2 e = 1,2 . 0,301 = 0,3612
1! 1

P(x<1) =P(0) + P(1) (0,301 + 0,3612) =0,6622

79

EXERCICIOS: E-7

1- Verifique, em cada caso, se os valores de n e p satisfazem as regras empricas
para a utilizao de Poisson como aproximao da Binomial:
a- n = 500 e p =0,001
b- n =100 e p =0,12
c- n =60 e p =0,002

2- Se 0,6% dos detonadores fornecidos a um arsenal so defeituosos, utilize a
aproximao de Poisson para a distribuio Binomial para determinar a
probabilidade de que, em uma amostra aleatria de 500 detonadores, quatro sejam
defeituosos.

3- Em uma certa cidade 3,2% dos habitantes se envolve em, ao menos, um acidente
de carro em um ano. Com o auxilio da aproximao de Poisson para a distribuio
Binomial, determine a probabilidade de que, dentre 200 motoristas escolhidos
aleatoriamente nessa cidade.

a- Exatamente seis se envolvam em ao menos um acidente em um ano;
b- No Maxi mo oi to se envolvam em ao menos um acidente em um ano;
c- Cinco ou mais se envolvam em ao menos um acidente em um ano;

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

80

15.0 CORRELAO

15.1 INTRODUO

At agora nossa preocupao era descrever a distribuio de valores de uma nica
vari vel. Com esse objetivo, aprendemos a calcular medidas de tendncia central e
variabilidade.

Quando porem, consideramos observaes de duas ou mais variveis, surge um novo
problema: as relaes que podem existir entre duas ou mais vari veis estudadas.

Assim, quando consideramos variveis como peso e al tura de um grupo de pessoas, uso
do ci garro e incidncia do cncer, a potencia gasta e a temperatura da gua no
chuveiro,
Procuramos verificar se existe alguma relao entre as variveis de cada um dos pares
e qual o grau dessa relao.

Para isso, necessrio o conhecimento de novas medidas.

Sendo a relao entre as variveis de natureza quantitativa, a correlao o
instrumento adequado para descobrir e medir essa relao.

Uma vez caracterizada a relao, procuramos descreve-la atravs de uma funo
matemtica. A regresso o instrumento adequado par a determinao dos parmetros
dessa funo.

15.2 RELAO FUNCIONAL E RELAO ESTATSTICA

Como sabemos, o permetro e o lado de um quadrado esto relaci onados. A relao
que liga perfeitamente definida e pode ser expressa por meio de uma sentena
matemtica:

P = 4 L P= PERIMETRO L= LADO DO QUADRADO

81

Atribuindo-se, ento, um valor qualquer de L, possvel determinar exatamente o valor
do permetro.

Considerando, agora a relao que existe entre o peso e a estatura de um grupo de
pessoas. evidente que essa relao no do mesmo tipo da anterior, ela bem menos
precisa. Assim, pode acontecer que a estaturas diferentes correspondam a pesos
iguais ou que estaturas iguais correspondam a pesos diferentes.

Porem, em mdia, quanto maior a estatura, maior o peso.

As relaes do tipo perimetro-lado so conhecidas como relaes funcionais.
As relaes do tipo peso-estatura, como relaes estatsti cas.

Quando duas variveis esto ligadas por uma Relao Estatstica, dizemos que existe
uma correlao entre elas.

15.3 DIAGRAMA DE DISPERSO

Consideremos uma amostra aleatria, formada por 98 alunos de uma classe da Uniso e
pelas notas obtidas por eles em Matemti ca e Estatstica:

NOTAS
N MATEMATICA ESTATISTICA
(xi) (yi)

01 5,0 6,0
08 8,0 9,0
24 7,0 8,0
38 10,0 10,0
44 6,0 5,0
58 7,0 7,0
59 9,0 8,0
72 3,0 4,0
80 8,0 6,0
92 2,0 2,0
82

Representando, em um sistema de coordenadas cartesiano ortogonal, os parmetros
(xi ; yi), obtemos uma nuvem de pontos que denominamos DIAGRAMA DE
DISPERSAO. Esse diagrama nos fornece uma idia grosseira, porem til, da correlao
existente:
yi
10 . o

.
o
8 . o o

. o

6 . o o

. o

4 . o

.

2 . o

.

. . . . . . . . . .
2 4 6 8 10 xi

15.4 CORRELAO LINEAR

Os pontos obtidos, vistos em conjunto formam uma elipse em diagonal.

Podemos imaginar que, quanto mai s fina for a eli pse mais ela se aproximar de uma
reta.

Dizemos, ento, que a correl ao de forma elptica tem como imagem uma reta, sendo,
por isso denominada de Correlao Linear.
83

possvel verificar que cada correlao esta associada como imagem uma relao
funcional. Por esse motivo, as relaes funcionais so chamadas Relaes Perfeitas.

yi
10 . RETA IMAGEM o

.
o
8 . o o

. o

6 . o o

. o

4 . o

.

2 . o

.

. . . . . . . . . .
2 4 6 8 10 xi

Como a correlao em estudo tem como imagem uma reta ascendente, ela chamada
de Correlao Linear Positiva.

Assim uma correlao :
a- Linear Positiva se os pontos do diagrama tem com imagem uma reta ascendente;
b- Linear negativa se os pontos tem como imagem uma reta descendentes;
c- Nao-linear se os pontos tem como imagem uma curva.

Se os pontos apresentam-se dispersos, no oferecendo uma imagem definida,
conclumos que no h relao alguma entre as variveis em estudo.
84

Temos: Y

o
oo
ooo
oo
ooooo correlao li near positiva
ooo
ooooo
oo
o
oo
X
Y
o
oo
ooo
oo
ooooo correlao l inear negativa
ooo
ooooo
oo
o
oo

Y X
o
o oo
oo oooo
ooo oo
oo ooo
ooooo o correlao no-l inear
ooo oooo
ooooo ooo
oo oo
o oooo
oo ooo

Y X
oo
o o o o
o o o oooo ooo o ooo
oo ooo oooo oooo oooo o no h correlao
o oo ooo ooooo o
o ooo oo o
ooooo
X

85

15.5 COEFICIENTE DE CORRELAO LINEAR

O instrumento empregado para a medida de Correlao Linear o Coefici ente de
Correlao. Esse coeficiente deve indicar o grau de intensidade da correlao entre
duas variveis e, ainda, o sentido dessa correlao (positivo ou negativo).
Faremos uso do coeficiente de correlao de Person, que dado por :

r = n xi yi (xi ) (yi)
[ n xi (xi)] [ n yi (yi)]

Onde:
n = nmero de observaes
Os valores limites de r so -1 e +1, isto , o valor de r pertence ao intervalo [ -1 e +1].
Assim:

A- Se a correlao entre duas variveis perfei ta e positi va, ento r = +1.

B- Se a correlao perfeita e negativa, ento r = -1

C- Se no h correlao entre as variveis ou a relao por ventura no-li near,
ento r = 0.

NOTAS
- Para que uma relao possa ser descrita por meio do Coefi ciente de
Correlao de Person imprescindvel que ela se aproxime de uma funo
Linear. Uma maneira pratica de verificarmos a linearidade da relao a
inspeo do Diagrama de Disperso: se a elipse apresenta salincias ou
reentrncias muito acentuadas, provavelmente trata-se de uma relao
curvil nea.
- Para podermos tirar algumas concluses significativas sobre o comportamento
simultneo das variveis analisadas, necessrio que:
0,6 | r | 1
Se 0,3 | r | < 0,6, h uma correlao relativamente fraca entre as variveis.
86

Se 0 < | r | < 0,3, a correlao muito fraca e, praticamente, nada podemos
concluir sobre a relao entre as variveis em estudo.
-81-
Em seguida vamos calcular o coeficiente de correlao relativos ao exerccio anterior.
O modo mais pratico para obtermos r abrir, na tabela, colunas correspondentes aos
valores de xi yi, xi e yi. Assim:

MATEMATICA ESTATISTICA
(xi) (yi) xi yi xi yi

5,0 6,0 30 25 36
8,0 9,0 72 64 81
7,0 8,0 56 49 64
10,0 10,0 100 100 100
6,0 5,0 30 36 25
7,0 7,0 49 49 49
9,0 8,0 72 81 64
3,0 4,0 12 09 16
8,0 6,0 48 64 36
2,0 2,0 04 04 04
=65 =65 =473 =481 =475

Logo:

r = 10 x 473 65 x 65 = 505 = 550 =0,911
(4.810 4.225) (4.750 4.225) 585 x 525 4.554,18

Dai: r = 0,91 Resultado que indica uma correlao linear positiva altamente significativa
entre as duas variveis.

87

15.6 CUDADOS COM OS ERROS COM A INTERPLETAO DE CORRELAO

Identificamos a seguir trs dos erros mais comuns cometidos na interpretao de
resultados que envolvem correlao.

1- Devemos evitar a concluso de que a correlao implica em casualidade. Um
estudo mostrou uma correl ao entre salrios de professores de Estatstica e o
consumo individual de cerveja. Porem essas duas variveis so afetadas pelas condies
econmicas que envolvem no s o professor de Estatstica, aparece neste caso uma
terceira varivel oculta.

2- Surge outra fonte de erro potencial quando os dados se baseiam em taxas ou
mdias. Quando utilizamos taxas ou mdias para os dados, suprimimos a vari ao entre
os indivduos ou elementos, e isto pode levar a um coeficiente de correlao
inflacionado.

3- Um tercei ro erro diz respeito propriedade de li nearidade. A concluso de que no
h correlao linear significativa no quer dizer que x e y no estejam relacionados de
alguma forma provavelmente possa haver uma correlao no linear.
88

EXERCICIOS: E-8

1- Complete o esquema de clculo do coeficiente de correlao para os valores das
variveis xi e yi :

xi 4 6 8 10 12
yi 12 10 8 12 14

Temos:


4,0 12,0
. .
.
....
12,0 14,0

= = = = =

Logo:

r = .... x ... .... x ... = ......... = ........ =........
(..... .....) (..... ......) ..... x ...... .........

ONDE: r =

89

2- Padronize cada conjunto de escores e calcule o coeficiente de correlao.
A-

34 21
30 22
40 25
34 28
39 15
35 24
42 24
45 22
43 17

= = = = =

B-


3,9 46
4,6 46
6,0 52
2,8 50
3,1 48
3,4 40
4,2 42
4,0 44

= = = = =

90

3- Determine o coeficiente de correlao para os dois conjuntos de valores abaixo:

1 AVALIAO 2 AVALIAO
estudante (xi) (yi ) xi yi xi yi

1 82 92
2 84 91
3 86 90
4 83 92
5 88 87
6 87 86
7 85 89
8 83 90
9 86 92
10 85 90
11 87 91
= = = = =

4- Com os dados abaixo, sobre crimes violentos e a temperatura mdia entre 21 e 2 horas
das noites de sbado numa grande comunidade, monte o grfico para os dados e calcule
o coeficiente de correlao.

Crimes Violentos/ 1000 residentes temperatura mdia (F)
5,0 87
2,2 50
4,1 75
5,4 90
2,8 55
3,0 54
3,6 68
4,9 85
4,1 82
4,2 80
2,0 45
2,7 58
3,1 66
91

16.0 REGRESSO LINEAR

Sempre que desejamos estudar determinada varivel em funo de outra fazemos
sempre uma anli se de regresso.

Podemos dizer que a analise de regresso tem por objetivo descrever, atravs de um
modelo matemtico, a relao entre duas variveis, partindo de n observaes das
mesmas.

16.1 AJUSTAMENTO DE CURVAS

A varivel sobre a qual desejamos fazer uma estimativa recebe o nome de varivel
dependente e a outra recebe o nome de varivel independente.

Assim, supondo X a varivel independente e Y a dependente, vamos procurar determinar
o ajustamento de uma reta a relao entre essa variveis, ou seja, vamos obter uma
funo definida por:
Y =ax + b onde a e b so parmetros.

Sejam duas variveis X e Y, entre as quais exista uma correlao acentuada, embora
no perfeita, como, por exemplo, as do exerccio j apresentado:

MATEMATICA ESTATISTICA
(xi) (yi)
5,0 6,0
8,0 9,0
7,0 8,0
10,0 10,0
6,0 5,0
7,0 7,0
9,0 8,0
3,0 4,0
8,0 6,0
2,0 2,0
92

Cujo Diagrama de Disperso dado por:

yi
10 . RETA IMAGEM o

.
o
8 . o o

. o

6 . o o

. o

4 . o

.

2 . o

.

. . . . . . . . . .
2 4 6 8 10 xi

Podemos concluir, pela forma do diagrama, que se trata de uma correlao retilnea, de
modo a permitir o ajustamento de uma reta, imagem da funo definida por:
Y = ax+ b

16.2 MTODO DOS MNIMOS QUADRADOS

Vamos ento, calcular os valores dos parmetros a e b com a ajuda das frmulas:
a = n Xi Yi - xi . yi
n Xi - (xi)
e
b = Y - a X
93

Onde : n o nmero de observaes

X mdia dos valores de Xi (X = Xi )
n

Y mdia dos valores de Yi (Y = Yi )
n
Nota:
Como estamos fazendo uso de uma amostra para obtermos os valores dos parmetros, o
resultado, na realidade, uma estimativa da verdadeira equao de regresso. Sendo
assim, escrevemos:
Y^ = a X + b

Onde Y^ o Y estimado

A tabela de valores:

MATEMTICA ESTATSTICA
(xi) (yi) xi yi xi

5,0 6,0 30 25
8,0 9,0 72 64
7,0 8,0 56 49
10,0 10,0 100 100
6,0 5,0 30 36
7,0 7,0 49 49
9,0 8,0 72 81
3,0 4,0 12 09
8,0 6,0 48 64
2,0 2,0 04 04

=65 =65 =473 =481

Temos assim
a =10 x 473 65 x 65 = 4730 - 4225 = 505 = 0,8632
10 x 481 (65) 4810 - 4225 585
94

Como:
X =65 =6,5 e Y =56 =6,5
10 10

Vem:
b =6,5 0,8632 x 6,5 =6,5 - 5,6108 = 0,8892,

Donde:
a =0,86 e b =0,89

Logo:
Y
= 0,86 X + 0,89

Para traarmos a reta no grfico, basta determinar dois de seus pontos:
X =0 Y^= 0,89
X =5 Y^= 0,86 x 5 +0,89 =5,19

Assim temos:
yi
10 . o
Y^ = 0,86 X + 0,89
. o

8 . o o

. o

6 . o o

5,19 . o

4 . o

.

2 . o

.
0,89
. . . . . . . . . .
2 4 6 8 10 xi

95

16.3 ANLISE DE REGRESSO

Quando recorremos a uma reta de mnimos quadrados, precisamos saber qual a
preciso dos valores obtidos para a e b na equao de mnimos quadrados?
Qual a preciso da estimativa Y^?

Os valores calculados so apenas estimativas baseadas em dados amostrais e, se
fundamentarmos nosso trabalho em outra amostra de mesmo tamanho n o mtodo de
mnimo quadrado poderia gerar valores diferentes de para a e b , como tambm
poderia gerar valores para Y^ diferentes.

Para prever essas diferenas possvel estabelecermos um intervalo para o qual
possamos afirmar, com certo grau de confi ana valores de Y^.

O clculo desses intervalos segue os mesmos raciocnios visto anteriormente para as
mdias , propores, varincias e desvio padro, e analisaremos a seguir.

96

EXERCICIOS: E-9

1- Aps 6 horas de treinamento, um cachorro cometeu 5 erros em uma exposio
canina, outro cachorro aps 12 horas cometeu 6 erros, e finalmente um outro
cachorro, apos 18 horas, cometeu apenas 1 erro. Denotando por x o nmero de horas
de treinamento e por y o nmero de erros cometidos, qual das duas retas se ajusta
melhor aos trs pontos, no sentido de mnimos quadrados?

a- y =10 - x
b- y = 8 - 1/3 x

2- A tabela a seguir mostra quantas semanas seis pessoas trabalharam em um posto de
inspeo de automveis e quantos carros foram inspecionados entre 12 e 14 horas,
em determinado dia:

Nmero de semanas Nmero de carros
Trabalhadas inspecionados

2 13
7 21
9 23
1 14
5 15
12 21

Para esses dados temos:

x = 36, x = 304, y = 107, y = 2001 e 3040 x.y =721

a- Estabelea a equao da reta de mnimos quadrados que permite predizermos y
em termos de x.

b- Com o auxilio da parte a, estime quantos carros uma pessoa que venha
trabalhando no posto de inspeo ha 8 semanas poder inspecionar?
97

3- Os dados abaixo se referem ao resduo de cloro em uma piscina em vrios
momentos, aps ter sido tratada com produtos qumicos:

X Y
Nmero de Horas Resduo de cloro
(P.P.M.)
0 2,2
2 1,8
4 1,5
6 1,4
8 1,1
10 1,1
12 0,9

Para esses dados temos:

x = 42, x = 364, y = 10, y = 15,52 e x.y =48,6

A leitura de zero horas foi feita imediatamente aps completado o tratamento qumico.

a- Ajuste uma reta de mnimos quadrados que nos permita predizer o resduo de cloro
em termos do nmero de horas aps a piscina ter sido tratada com produtos
qumicos.

b- Com a equao da reta de mnimos quadrados, estime o resduo de cloro na
piscina 5 horas aps ter sido tratada.

c- Com a equao da reta de mnimos quadrados, estime o resduo de cloro na
piscina 8 horas aps ter sido tratada. Por que razo o resultado diverge do valor
1,1 da tabela.

98

BIBLIOGRAFIA

BIBLIOGRAFIA BSICA

FREUND, J ohn E. e SIMON, Gary A. Estatsti ca aplicada economia, administrao e
contabilidade. Porto Alegre: Bookman, 2000.
TRIOLA, Mrio F. Introduo estatstica. Rio de J aneiro: LTC, 1999.

BIBLIOGRAFIA COMPLEMENTAR

KUME, Hitoshi, Mtodos Estatsticos para a Melhoria da Qual idade. So
Paulo:Gente,1993.
RAMOS A.W., CEP para Processos Contnuos e em Batel adas. So
Paulo:E.Blucher, 2000.
BUSSAB, Wilton O e MORETTIN, Pedro A. Estatstica bsica. So Paulo:
Saraiva,2002.
DOWNING Douglas e CLARK J effrey. Estatstica aplicada. So Paulo: Saraiva, 2000.
MILONE, Giuseppe e ANGELINI, Flvio. Estatstica aplicada. So Paulo: Atlas, 1995.
KAZMIER, L.B. Estatsti ca aplicada Economia e Administrao. So Paulo:
McGraw-Hill, 1982.
SPIEGEL, Murray R. Estatstica. So Paulo: Makron Books, 1993. (519.5 S734e)

Apostila Estatistica v2.0 PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Apostila Estatistica v2.0 PDF

Enviado por

Direitos autorais:

Formatos disponíveis

FACULDADE DE TECNOLOGIA DE SOROCABA

Você também pode gostar