Livro Probabilidade Estatistica 2a Ed

voltar
sumrio
Probabilidade e Estatstica
Sonia Maria Barros Barbosa Correa
2 Edio
voltar
sumrio
voltar
sumrio
PUCMINAS, 2003
Pontifcia Universidade Catlica de

Minas Gerais
Gro Chanceler
Dom Serafim Fernandes de Arajo
Reitor
Prof. Pe. Geraldo Magela Teixeira
Design Grfico e diagramao:

Simone Nogueira / Slvia Fonseca (Trainee I)
Reviso:
PUC Minas Virtual
PUC Minas Virtual
Reproduo proibida. Art. 184 do Cdigo Penal

e Lei 9.610 de 19 de fevereiro de 1998.
Diretora de Ensino a Distncia

Maria Beatriz Ribeiro de Oliveira Gonalves
Todos os direitos reservados

PONTIFCIA UNIVERSIDADE
CATLICA DE MINAS GERAIS
Coordenao Acadmico-pedaggica
Stela Beatris Trres Arnold (coordenadora)
Agnela da Silva Giusta
DIRETORIA DE ENSINO A DISTNCIA
Liana Portilho Mattos
R. Esprito Santo, 1.059 - 12 andar Centro

CEP 30160-922 - Belo Horizonte - MG
Telefone: (0xx31) 3273-7898 - Fax: 3274-2805
http://www.virtual.pucminas.br
e-mail: ead@pucminas.br
Maria Ceclia de Ruiz Combat Stortini

Mercia Moreira
Wilba Lcia Maia Bernardes
Coordenao Tecnolgica
Luiz Flvio F. B. Oliveira (coordenador)
ATENDIMENTO E INFORMAES:
Antnio Bosco de Oliveira Jnior
Belo Horizonte: (0xx31) 3274-1862

Demais localidades: 0300 313 3 313*
e-mail: atendimento@virtual.pucminas.br
Eduardo Marques Duarte

Guilherme C. V. Costa
Mrcio Tlio Morato
* O custo da ligao 0300 de R$ 0,27/min, para telefones fixos,

ou de R$ 0,63/min, para telefones celulares, e ser pago pelo
usurio. Os valores indicados no incluem impostos
(ref. 30/06/03). Valores sujeitos a alteraes sem aviso prvio.
Confira os valores atualizados em
http://www.virtual.pucminas.br/0300
Rosiane C. M. Oliveira
Simone Nogueira
Tlio Nogueira
Coordenao da rea de Televiso
Iara Cordeiro de Melo Franco (coordenadora)
FICHA CATALOGRFICA
Elaborada pela Biblioteca da
Pontifcia Universidade Catlica de Minas Gerais
Assessoria de Comunicao e Marketing

Jnia Cludia Carvalho (assessora de comunicao)
Carolina Franco
Correa, Sonia Maria Barros Barbosa

C824p
Gerncia de Projetos
Eduardo Silva Ladeira
Probabilidade e estattica / Sonia Maria

Barros Barbosa Correa. 2 ed. - Belo Horizonte: PUC Minas Virtual, 2003
116 p.
Secretaria
Eloisa A. T. Lott Carvalho (secretria)
Bibliografia
Cludio Elias Marques
1. Probabilidade. 2. Estatstica matemtica.

3. Amostragem (Estatstica). I. Pontifcia Universidade Catlica de Minas Gerais.
II. Ttulo.
Cristina Maria Isoni Auad

Jacqueline C. Carvalho
CDU: 519.2
Bibliotecria - Eunice dos Santos - CRB 6/1515
Impresso no Brasil
voltar
sumrio
voltar
sumrio
sumrio
Unidade 1 Natureza e Fundamentos do Mtodo Estatstico........................
07
1.1 - Introduo Estatstica ........................................................
07
1.2 - Importncia da Estatstica .....................................................
08
1.3 - Grandes reas da Estatstica ..................................................
09
1.4 - Fases do Mtodo Estatstico ...................................................
12
1.5 - Sries Estatsticas ...............................................................
15
1.6 - Apresentao de dados

Tabelas e Grficos: Construo e Interpretao ..........................
22
Unidade 2 Amostragem ....................................................................
28
2.1 Importncia da Amostragem...................................................
28
2.2 Conceitos Fundamentais .......................................................
29
2.3 Amostragem Aleatria Simples................................................
31
2.4 Amostragem Aleatria Estratificada .........................................
32
2.5 Amostragem por Conglomerado ..............................................
34
2.6 Amostragem Sistemtica ......................................................
34
Unidade 3 Distribuio de Freqncia .................................................
37
3.1 Conceitos .........................................................................
37
3.2 - Elementos de uma distribuio de freqncia: amplitude total,

limites de classe, amplitude do intervalo de classe, ponto mdio
da classe, freqncia absoluta, relativa e acumulada ....................
40
3.3 - Regras Gerais para a elaborao de uma distribuio de freqncia...
44
3.4 - Grficos representativos de uma distribuio de freqncia:

histograma, polgono de freqncia e ogiva ................................
voltar
sumrio
45
voltar
sumrio
Unidade 4 - Medidas de Posio ...........................................................
48
4.1. Introduo.........................................................................
48
4.2. Mdia aritmtica simples e ponderada e suas propriedades ..............
49
4.3. Moda: Dados agrupados e no agrupados em classes.......................
50
4.4. Mediana: Dados agrupados e no agrupados em classes ...................
52
4.5. Mdia Geomtrica: Dados agrupados e no agrupados em classes.......
54
4.6. Mdia Harmnica: Dados agrupados e no agrupados em classes ........
54
4.7. Separatrizes: Quartis, Decis e Percentis .....................................
55
Unidade 5 Medidas de Disperso ........................................................
59
5.1 Disperso .........................................................................
59
5.2 Assimetria .......................................................................
61
5.3 Curtose............................................................................
63
Unidade 6 Probabilidade ..................................................................
65
6.1 Experimento aleatrio, espao amostral e eventos .......................
65
6.2 Probabilidade:Definio clssica; Probabilidade e

freqncia relativa .............................................................
70
6.3 Tipos de eventos ................................................................
70
6.4 Axiomas de Probabilidade .....................................................
72
6.5 Probabilidade condicional e independncia de eventos .................
74
Unidade 7 Variveis Aleatrias ..........................................................
78
7.1 Conceito de varivel aleatria ...............................................
78
7.2 Distribuio de probabilidade .................................................
79
7.3. Funo de densidade de probabilidade.......................................
79
7.4. Esperana matemtica, varincia e desvio padro: propriedades .......
79
7.5. Distribuies discretas: Hipergeomtrica, Binomial e Poisson............
80
7.6. Distribuio contnua: Normal - propriedades, distribuio

normal padro, a Normal como aproximao da Binomial ................
85
voltar
sumrio
voltar
sumrio
Unidade 8 - Inferncia Estatstica .........................................................
93
8.1. Populao e amostra; Estatsticas e parmetros;

Distribuies amostrais .........................................................
93
8.2. Estimao .........................................................................
96
8.3. Testes de Hipteses .............................................................
100
Unidade 9 Correlao e Regresso Linear .............................................
106
9.1. Diagrama de disperso ..........................................................
107
9.2. Correlao Linear ................................................................
107
9.3. Coeficiente de Correlao Linear .............................................
108
9.4. Regresso Reta de regresso .................................................
112
Referncias Bibliogrficas ..................................................................
116
voltar
sumrio
voltar
sumrio
voltar
sumrio
voltar
sumrio
UNIDADE 1
Natureza e Fundamentos do Mtodo Estatstico
1.1.
1.2.
1.3.
1.4.
1.5.
1.6.
Introduo Estatstica
Importncia da Estatstica
Grandes reas da Estatstica
Fases do Mtodo Estatstico
Sries Estatsticas
Apresentao de dados Tabelas e Grficos:
Construo e Interpretao
Nesta unidade, sero abordados temas relacionados ao mtodo estatstico. Oferecer exemplos de tabelas e grficos que podem representar, de
forma sinttica, as informaes obtidas atravs de processos de pesquisa, so objetivos especficos desta unidade, que tem o propsito de:
Demonstrar a importncia da Estatstica na vida diria;
Mostrar como podemos utiliz-la de forma correta;
Ensinar como compor tabelas a partir de dados numricos;
Ensinar como representar dados numricos em grficos.
1.1. Introduo Estatstica

A palavra estatstica lembra, maioria das pessoas, recenseamento. Os censos
existem h milhares de anos e constituem um esforo imenso e caro feito pelos
governos, com o objetivo de conhecer seus habitantes, sua condio socioeconmica, sua cultura, religio, etc. Portanto, associar estatstica a censo perfeitamente
correto do ponto de vista histrico, sendo interessante salientar que as palavras
estatstica e estado tm a mesma origem latina: status.
A estatstica tambm comumente associada s pesquisas de opinio pblica, aos
vrios ndices governamentais, aos grficos e s mdias publicados diariamente na
imprensa. Na realidade, entretanto, a estatstica engloba muitos outros aspectos,
sendo fundamental na anlise de dados provenientes de quaisquer processos onde
exista variabilidade.
PUC Minas Virtual
voltar
sumrio
voltar
sumrio
possvel distinguir duas concepes para a palavra ESTATSTICA: no plural (estatsticas), indica qualquer coleo de dados numricos, reunidos com a finalidade de
fornecer informaes acerca de uma atividade qualquer. Assim, por exemplo, as
estatsticas demogrficas referem-se aos dados numricos sobre nascimentos,
falecimentos, matrimnios, desquites, etc. As estatsticas econmicas consistem
em dados numricos relacionados com emprego, produo, vendas e com outras
atividades ligadas aos vrios setores da vida econmica. No singular (Estatstica),
indica a atividade humana especializada ou um corpo de tcnicas, ou ainda uma
metodologia desenvolvida para a coleta, a classificao, a apresentao, a anlise e
a interpretao de dados quantitativos e a utilizao desses dados para a tomada
de decises.
1.2. Importncia da Estatstica

O mundo est repleto de problemas. Para resolvermos a maioria deles, necessitamos de informaes. Mas, que tipo de informao? Que quantidade de informaes? Aps obt-las, que fazer com elas? A Estatstica trabalha com essas informaes, associando os dados ao problema, descobrindo como e o que coletar, assim
capacitando o pesquisador (ou profissional ou cientista) a obter concluses a partir
dessas informaes, de tal forma que possam ser entendidas por outras pessoas.
Portanto, os mtodos estatsticos auxiliam o cientista social, o economista, o engenheiro, o agrnomo e muitos outros profissionais a realizarem o seu trabalho com
mais eficincia.
A Estatstica uma parte da Matemtica que fornece mtodos para a
coleta, organizao, descrio, anlise e interpretao de dados, viabilizando a utilizao dos mesmos na tomada de decises.
Vejamos alguns exemplos:

Os estatsticos do governo conduzem censos de populao, moradia, produtos
industriais, agricultura e outros. So feitas compilaes sobre vendas, produo,
inventrio, folha de pagamento e outros dados das indstrias e empresas. Essas
estatsticas informam ao administrador como a sua empresa est crescendo, seu
crescimento em relao a outras empresas e fornece-lhe condies de planejar
aes futuras. A anlise dos dados muito importante para se fazer um planejamento adequado.
PUC Minas Virtual
voltar
sumrio
voltar
sumrio
Na era da energia nuclear, os estudos estatsticos tm avanado rapidamente e,

com seus processos e tcnicas, tm contribudo para a organizao de empresas
e utilizao dos recursos do mundo moderno.
Em geral, as pessoas, quando se referem ao termo estatstica, desconhecem que o
aspecto essencial o de proporcionar mtodos inferenciais, que permitam concluses que transcendam os dados obtidos inicialmente.
1.3. Grandes reas da Estatstica

Para fins de apresentao, usual se dividir a estatstica em trs grandes reas,
embora no se trate de ramos isolados:
Estatstica Descritiva e Amostragem Conjunto de tcnicas que objetivam coletar, organizar, apresentar, analisar e sintetizar os dados numricos de uma populao, ou amostra;
Estatstica Inferencial Processo de se obter informaes sobre uma populao
a partir de resultados observados na amostra;
Probabilidade - Modelos matemticos que explicam
os fenmenos estudados
pela Estatstica em condies normais de experimentao.

Em estatstica, utilizamos extensamente os termos: populao, amostra, censo,
parmetros, estatstica, dados discretos, dados contnuos, dados quantitativos e
dados qualitativos; que estaremos definindo abaixo para maior compreenso::
Populao: uma coleo completa de todos os elementos a serem

estudados.
Amostra: uma subcoleo de elementos extrados de uma populao.
Censo: uma coleo de dados relativos a todos os elementos de

uma populao.
Parmetros: uma medida numrica que descreve uma caracterstica de uma populao.
Estatstica: uma medida numrica que descreve uma caracterstica

de uma amostra.
Dados contnuos: resultam de um nmero infinito de valores possveis que podem ser associados a pontos em uma escala contnua de
tal maneira que no haja lacunas.
PUC Minas Virtual
voltar
sumrio
voltar
sumrio
Dados discretos: resultam de um conjunto finito de valores possveis,

ou de um conjunto enumervel de valores.
Dados quantitativos: consistem em nmeros que representam contagens ou medidas.
Dados qualitativos:podem ser separados em diferentes categorias

que se distinguem por alguma caracterstica no-numrica.
Amostragem
o processo de escolha da amostra. a parte inicial de qualquer estudo estatstico.
Consiste na escolha criteriosa dos elementos a serem submetidos ao estudo. Geralmente, as pesquisas so realizadas atravs de estudo dos elementos que compem uma amostra, extrada da populao que se pretende analisar.
Exemplo 1.1. Pesquisas sobre tendncias de votao
Em pocas de eleio, comum a realizao de pesquisas com o objetivo de se conhecer as tendncias do eleitorado. Para que os resultados
sejam de fato representativos, toma-se o cuidado de se entrevistar um
conjunto de pessoas com caractersticas socioeconmicas, culturais, religiosas, etc. to prximas quanto possvel da populao qual os resultados da pesquisa sero estendidos. A escolha da amostra, a redao do
questionrio, a entrevista, a codificao dos dados e a apurao dos resultados so as etapas deste tipo de pesquisa.
Populao e amostra
O estudo de qualquer fenmeno, seja ele natural, social, econmico ou biolgico,
exige a coleta e a anlise de dados estatsticos. A coleta de dados , pois, a fase
inicial de qualquer pesquisa.
sobre os dados da amostra que se desenvolvem os estudos, visando a fazer inferncias sobre a populao.
Exemplo 1.2. Avaliao de um programa de ensino
Toma-se certo nmero de pares de turmas: a um conjunto de turmas
ensina-se um assunto por um novo mtodo e, ao outro, pelo mtodo
clssico. Aplica-se uma prova a ambos os grupos. As notas observadas
PUC Minas Virtual
voltar
10
sumrio
voltar
sumrio
nesses conjuntos de turmas constituem a nossa amostra. Se os resultados do novo mtodo forem melhores, iremos aplic-lo a todas as turmas, isto , populao. A partir da amostra, estabelecemos o que
conveniente para a populao, ou seja, fazemos uma inferncia sobre a
populao.
Exemplo 1.3. Renda mdia per capita em diversas regies do pas
Toma-se um conjunto de indivduos em cada regio, escolhidos ao acaso, e sobre esse grupo so feitos os estudos. Os indivduos assim escolhidos constituem a amostra e os resultados nela observados sero estendidos populao.
Estatstica Descritiva
a parte mais conhecida. Quem v o noticirio, na televiso ou nos jornais, sabe
quo freqente o uso de mdias, ndices e grficos nas notcias.
Exemplo 1.4. INPC (ndice Nacional de Preos ao Consumidor)
Sua construo envolve a sintetizao, em um nico nmero, dos aumentos dos produtos de uma cesta bsica.
Exemplo 1.5. Anurio Estatstico Brasileiro
O IBGE publica esse anurio apresentando, em vrias tabelas, os mais
diversos dados sobre o Brasil: educao, sade, transporte, economia,
cultura, etc. Embora simples, fceis de serem entendidas, as tabelas so
o produto de um processo demorado e extremamente dispendioso de
coleta e apurao de dados.
Exemplo 1.6. Anurio Estatstico da Embratur
A Embratur publica esse anurio apresentando, em vrias tabelas e grficos, os mais diversos dados sobre Turismo Interno e dados sobre entrada de turistas estrangeiros no Brasil.
PUC Minas Virtual
voltar
11
sumrio
voltar
sumrio
Estatstica Inferencial (ou Indutiva)

A tomada de decises sobre a populao, com base em estudos feitos sobre os dados da amostra, constitui o problema central da inferncia estatstica.
Exemplo 1.7. Suponha que a distribuio das alturas de todos os habitantes de um pas possa ser representada por uma distribuio normal.
Mas no conhecemos de antemo a mdia da distribuio. Devemos,
pois, estim-la.
Exemplo 1.8. Anlise financeira. Os analistas financeiros estudam dados
sobre a situao da economia, visando explicar tendncias dos nveis de
produo e de consumo, projetando-os para o futuro.
Exemplo 1.9. Ocorrncia de terremotos. Os gelogos esto continuamente coletando dados sobre a ocorrncia de terremotos. Gostariam de
inferir quando e onde ocorrero tremores, e qual a sua intensidade. Trata-se, sem dvida, de uma questo complexa, que exige longa experincia geolgica, alm de cuidadosa aplicao de mtodos estatsticos.
Probabilidade
O processo de generalizao, que caracterstico do mtodo indutivo, est associado a uma margem de incerteza. A existncia da incerteza deve-se ao fato de que a
concluso, que se pretende obter para o conjunto de todos os indivduos analisados
quanto a determinadas caractersticas comuns, baseia-se em uma parcela do total
das observaes. A medida da incerteza tratada mediante tcnicas e mtodos que
se fundamentam na Teoria da Probabilidade. Essa teoria procura quantificar a
incerteza existente em determinada situao.
1.4. Fases do Mtodo Estatstico

Quando se pretende empreender um estudo estatstico completo, existem diversas
fases do trabalho que devem ser desenvolvidas para se chegar aos resultados finais
de um
estudo capaz de produzir resultados vlidos. As fases principais so as
seguintes:
Definio do problema
PUC Minas Virtual
voltar
12
sumrio
voltar
sumrio
Planejamento
Coleta de dados
Apurao dos dados
Apresentao dos dados
Anlise e Interpretao dos dados
Definio do problema
A primeira fase do trabalho consiste em uma definio ou formulao correta do
problema a ser estudado. Alm de considerar detidamente o problema objeto do
estudo, o analista dever examinar outros levantamentos realizados no mesmo
campo e que sejam anlogos, uma vez que parte da informao de que se necessita pode, muitas vezes, ser encontrada nesses ltimos.
Planejamento
O passo seguinte, aps a definio do problema, compreende a fase do planejamento, que consiste em se determinar o procedimento necessrio para se resolver
o problema e, em especial, como levantar informaes sobre o assunto, objeto do
estudo. preciso planejar o trabalho a ser realizado tendo em vista o objetivo que
se pretende atingir. nessa fase que ser escolhido o tipo de levantamento a ser
utilizado. Sob esse aspecto, pode haver dois tipos de levantamento:
Levantamento censitrio, quando a contagem for completa, abrangendo todo o
universo;
Levantamento por amostragem, quando a contagem for parcial.
Outros elementos importantes que devem ser tratados nesta mesma fase so:
Cronograma das atividades, atravs do qual so fixados os prazos para as vrias
fases;
Custos envolvidos;
Exame das informaes disponveis;
Delineamento da amostra, etc.
PUC Minas Virtual
voltar
13
sumrio
voltar
sumrio
Coleta dos dados

O terceiro passo essencialmente operacional, compreendendo a coleta das informaes propriamente ditas. Nesta fase do mtodo estatstico, conveniente estabelecer uma distino entre duas espcies de dados:
Dados primrios quando so publicados ou coletados pelo prprio pesquisador
ou organizao que os escolheu;
Dados secundrios quando so publicados ou coletados por outra organizao.
Um conjunto de dados , pois, primrio ou secundrio em relao a algum. As
tabelas do Censo Demogrfico so fontes primrias. Quando determinado jornal
publica estatsticas extradas de vrias fontes e relacionadas com diversos setores
industriais, os dados so secundrios para quem desejar utilizar-se deles em alguma pesquisa que esteja desenvolvendo.
A coleta de dados pode ser realizada de duas maneiras:
Coleta Direta quando obtida diretamente da fonte, como no caso da empresa
que realiza uma pesquisa para saber a preferncia dos consumidores pela sua
marca;
Coleta Indireta quando inferida a partir dos elementos conseguidos pela coleta direta, ou atravs do conhecimento de outros fenmenos que, de algum modo, estejam relacionados com o fenmeno em questo.
Apurao dos dados

Antes de comear a analisar os dados, conveniente que lhes seja dado algum tratamento prvio, a fim de torn-los mais expressivos. A quarta etapa do processo ,
ento, a da apurao ou sumarizao, que consiste em resumir os dados atravs de
sua contagem e agrupamento. Pode ser manual, eletromecnica ou eletrnica.
Apresentao dos dados

Por mais diversa que seja a finalidade, os dados devem ser apresentados sob forma
adequada, tornando mais fcil o exame do fenmeno que est sendo objeto de tratamento estatstico.
PUC Minas Virtual
voltar
14
sumrio
voltar
sumrio
H duas formas de apresentao ou exposio dos dados observados, que no se

excluem mutuamente:
Apresentao tabular uma apresentao numrica dos dados. Consiste em
dispor os dados em linhas e colunas distribudas de modo ordenado, segundo algumas regras prticas adotadas pelos diversos sistemas estatsticos. As tabelas
tm a vantagem de conseguir expor, sinteticamente e em s local, os resultados
sobre determinado assunto, de modo a se obter uma viso global mais rpida
daquilo que se pretende analisar.
Apresentao grfica uma apresentao geomtrica dos dados numricos.
Embora a apresentao tabular seja de extrema importncia no sentido de facilitar a anlise numrica de dados, no permite ao analista obter uma viso to
rpida, fcil e clara do fenmeno e sua variao como aquela conseguida atravs de um grfico.
Anlise e interpretao dos dados

Nesta ltima etapa, o interesse maior reside em tirar concluses que auxiliem o
pesquisador a resolver seu problema. A anlise dos estatsticos est ligada essencialmente ao clculo de medidas, cuja finalidade principal descrever o fenmeno.
Assim, o conjunto de dados a ser analisado pode ser expresso por nmerosresumo, as estatsticas que evidenciam as caractersticas particulares desse conjunto. O significado exato de cada um dos valores obtidos atravs do clculo das vrias
medidas estatsticas disponveis deve ser bem interpretado. possvel mesmo, nesta fase, arriscar algumas generalizaes, as quais envolvero, como mencionado
anteriormente, algum grau de incerteza, porque no se pode estar seguro de que o
que foi constatado para aquele conjunto de dados (a amostra) se verificar igualmente para a populao.
1.5. Sries Estatsticas

Define-se srie estatstica como toda e qualquer coleo de dados estatsticos referidos a uma mesma ordem de classificao: quantitativa. No sentido mais amplo,
srie uma sucesso de nmeros referidos a qualquer varivel. Se os nmeros
expressarem dados estatsticos, a srie ser chamada de srie estatstica.
Em sentido mais restrito, pode-se dizer que uma srie estatstica uma sucesso
de dados estatsticos referidos a caracteres qualitativos, ao passo que uma suces-
PUC Minas Virtual
voltar
15
sumrio
voltar
sumrio
so de dados estatsticos referidos a caracteres quantitativos configurar uma Distribuio de Freqncia.

Em outros termos, a palavra srie usada normalmente para designar um conjunto
de dados dispostos de acordo com um carter varivel, residindo a qualidade serial
na disposio desses valores, e no em uma disposio temporal ou espacial de
indivduos.
Tabela um quadro que resume um conjunto de observaes.
Uma tabela compe-se de:
Corpo conjunto de linhas e colunas que contm informaes sobre a varivel
em estudo;
Cabealho parte superior da tabela que especifica o contedo das colunas;
Coluna indicadora parte da tabela que especifica o contedo das linhas;
Linhas retas imaginrias que facilitam a leitura, no sentido horizontal, de dados que se inscrevem nos seus cruzamentos com as colunas;
Casa ou clula espao destinado a um s nmero;
Ttulo conjunto de informaes, as mais completas possveis, respondendo s
perguntas: O qu?- Quando?- Onde?- localizado no topo da tabela.
Fonte referncia de onde se obteve os dados, colocado, de preferncia, no rodap.
As tabelas servem para apresentar sries estatsticas. Conforme varie um dos elementos da srie, podemos classific-la em:
Cronolgicas - Tempo (fator temporal ou cronolgico) a que poca refere-se o
fenmeno analisado;
Geogrficas - Local (fator espacial ou geogrfico) onde o fenmeno acontece;
Especficas - Fenmeno (espcie do fato ou fator especificativo) o que descrito.
As sries tambm so divididas em:
Sries Homgradas - aquelas em que a varivel descrita apresenta variao discreta ou descontnua. So sries homgradas a srie temporal, a srie geogrfica e a srie especfica;
PUC Minas Virtual
voltar
16
sumrio
voltar
sumrio
Sries Hetergradas - aquelas nas quais o fenmeno ou o fato apresenta graduaes ou subdivises. Embora fixo, o fenmeno varia em intensidade. A Distribuio de freqncias ou seriao uma srie hetergrada.
Os dados estatsticos resultantes da coleta direta da fonte, sem outra manipulao
seno a contagem ou medida, o chamados dados absolutos. Dados Relativos so o
resultado de comparaes por quociente (razes) que se estabelecem entre dados
absolutos e tm por finalidade realar ou facilitar as comparaes entre quantidades.
1.5.1. Tipos de Sries Estatsticas Simples (ou de uma entrada)
As sries estatsticas diferenciam-se de acordo com a variao de um dos trs elementos: tempo, local e fenmeno.
PUC Minas Virtual
voltar
17
sumrio
voltar
sumrio
Srie Cronolgica
Tambm chamada de srie temporal, srie histrica, srie evolutiva ou marcha,
identifica-se pelo carter varivel do fator cronolgico. Assim, deve-se ter:
Elemento varivel: poca
Elementos Fixos: Local e Fenmeno
Exemplo:
Tabela 1.1 - Operadora WKX Venda de bilhetes areos
Mercado Interno 1995
Vendas (em milhares
Meses
de reais)
Janeiro
2300
Fevereiro
1800
Maro
2200
Abril
2210
Maio
2360
Junho
2600
Julho
2690
Agosto
3050
Setembro
3500
Outubro
3440
Novembro
3100
Dezembro
2760
TOTAL ANUAL
31510
Fonte: Departamento de Anlise de Mercado
PUC Minas Virtual
voltar
18
sumrio
voltar
sumrio
Srie Geogrfica
Tambm chamada de srie territorial, srie espacial ou srie de localizao, identifica-se pelo carter varivel do fator geogrfico. Assim, deve-se ter:
Elemento varivel: Local
Elementos Fixos: poca e Fenmeno Exemplo:
Tabela 1.2 Operadora WKX - Vendas por Unidade da Federao 1995
Unidades da Federao
Vendas (em milhares de reais)
Minas Gerais
4000
Paran
2230
Rio Grande do Sul
6470
Rio de Janeiro
8300
So Paulo
10090
Outros
420
TOTAL BRASIL
31510
PUC Minas Virtual
voltar
19
sumrio
voltar
sumrio
Srie Especfica
Tambm chamada de srie categrica ou srie por categoria, identifica-se pelo carter varivel de fator especificativo. Assim, deve-se ter:
Elemento varivel: Fenmeno
Elementos Fixos: Local e poca
Exemplos:
Tabela 1.3. Operadora WKX Venda de bilhetes areos por Linha 1995
Linha do Produto
Vendas (em milhares de reais)
Linha A
6450
Linha B
9310
Linha C
15750
TODAS AS LINHAS
31510
Tabela 1.4. Nmero de empregados das vrias classes

de salrios no estado de So Paulo 1998
Classes de Salrios (R$)
Nmero de Empregados
At 80
41 326
De 80 a 119
123 236
De 120 a 159
428 904
De 160 a 199
324 437
De 200 a 399
787 304
De 400 a 599
266 002
De 600 a 799
102 375
De 800 a 999
56 170
1000 e mais
103 788
TOTAL
2 233 542
Fonte: Servio de Estatstica da Previdncia e Trabalho

(Dados alterados para melhor compreenso)
PUC Minas Virtual
voltar
20
sumrio
voltar
sumrio
1.5.2. Tabelas Compostas (ou de dupla entrada)

As tabelas apresentadas anteriormente so tabelas estatsticas simples, onde apenas uma srie est representada. comum, todavia, haver necessidade de apresentar, em uma nica tabela, mais do que uma srie. Quando as sries aparecem
conjugadas, tem-se uma tabela de dupla entrada. Em uma tabela desse tipo so
criadas duas ordens de classificao: uma horizontal (linha) e uma vertical (coluna).
Exemplos:
A) Srie especfico-temporal
B) Srie geogrfico-temporal
A) Tabela 1.5 Populao economicamente ativa
por setor de atividades Brasil
Populao (1 000 Hab.)
Setor
1940
1950
1960
Primrio
8 968
10 255
12 163
Secundrio
1 414
2 347
2 962
Tercirio
3 620
4 516
7 525
Fonte: IPEA
B) Tabela 1.6 Populao Indgena Brasileira
Unidade de
Produo
Produo
1937
1938
1939
Acre
5 007
4 765
4 727
Amazonas
6 858
5 998
5 631
Par
4 945
4 223
4 500
Mato Grosso
1 327
1 285
1 235
333
539
337
Outros Estados
Fonte: Anurio Estatstico do Brasil IBGE - (Dados alterados para melhor compreenso)
PUC Minas Virtual
voltar
21
sumrio
voltar
sumrio
Podem existir, se bem que mais raramente, pela dificuldade de representao, sries compostas de trs ou mais entradas.
Observao:
Nem sempre uma tabela representa uma srie estatstica. Por vezes, os dados
reunidos no revelam uniformidade, sendo meramente um aglomerado de informaes gerais sobre determinado assunto, as quais, embora teis, no apresentam a consistncia necessria para se configurar uma srie estatstica.
Exemplo: Tabela com resumos de dados, mas que no representa uma
srie estatstica.
Tabela 1.8 Situao dos espetculos cinematogrficos no Brasil 1967
Especificao
Dados Numricos
Nmero de cinemas
2 488
Lotao dos cinemas
1 722 348
Sesses por dia
3 933
Filmes de longa metragem

Meia-entrada
131 330 488

89 581 234
Fonte: Anurio Estatstico do Brasil IBGE
1.6. Apresentao de dados - Tabelas e Grficos:

Construo e Interpretao
A representao grfica das sries estatsticas tem por finalidade representar os
resultados obtidos, permitindo que se chegue a concluses sobre a evoluo do
fenmeno ou sobre como se relacionam os valores da srie. A escolha do grfico
mais apropriado ficar a critrio do analista. Contudo, os elementos simplicidade,
clareza e veracidade devem ser considerados, quando da elaborao de um grfico.
Simplicidade o grfico deve ser destitudo de detalhes de importncia secundria, assim como de traos desnecessrios que possam levar o observador a uma
anlise morosa ou sujeita a erros.
Clareza o grfico deve possibilitar uma correta interpretao dos valores representativos do fenmeno em estudo.
Veracidade o grfico deve expressar a verdade sobre o fenmeno em estudo.
PUC Minas Virtual
voltar
22
sumrio
voltar
sumrio
Diretrizes para a construo de um grfico:

O ttulo do grfico deve ser o mais claro e completo possvel. Quando necessrio,
deve-se acrescentar subttulos;
A orientao geral dos grficos deve ser da esquerda para a direita;
As quantidades devem ser representadas por grandezas lineares;
Sempre que possvel, a escala vertical h de ser escolhida de modo a aparecer a
linha 0 (zero);
S devem ser includas no desenho as coordenadas indispensveis para guiar o
olhar do leitor ao longo da leitura. Um tracejado muito cerrado dificulta o exame
do grfico;
A escala horizontal deve ser lida da esquerda para a direita, e a vertical de baixo
para cima;
Os ttulos e marcaes do grfico devem ser dispostos de maneira que sejam
facilmente lidos, partindo da margem horizontal inferior ou da margem esquerda.
Leitura e interpretao de um grfico:
Declarar qual o fenmeno ou fenmenos representados, a regio considerada, o
perodo de tempo, a fonte dos dados, etc;
Examinar o tipo de grfico escolhido, verificar se o mais adequado, criticar a
sua execuo, no conjunto e nos detalhes;
Analisar cada fenmeno separadamente, fazendo notar os pontos mais em evidncia, o mximo e o mnimo, assim como as mudanas mais bruscas;
Investigar se h uma tendncia geral crescente ou decrescente ou, ento, se o
fato exposto estacionrio;
Procurar descobrir a existncia de possveis ciclos peridicos, qual o perodo aproximado, etc.
PUC Minas Virtual
voltar
23
sumrio
voltar
sumrio
Eis os tipos mais comuns de grficos:

Grfico em Linhas
Constitui uma aplicao do processo de representao das funes num sistema de

coordenadas cartesianas
Exemplo: Vendas em Cr$ 1000,00 nos anos de 1971 a 1977 de determinado produto da empresa x.
Vendas em Cr$ 1000,00

500
vendas
400
300
200
100
0
1971 1972 1973 1974 1975 1976 1977
anos
Fonte: Dados Fictcios.
Grfico em Colunas
a representao de uma srie por meio de retngulos, dispostos verticalmente.
Exemplo:Populao Brasileira nas dcadas de 40 a 70.
Populao
100
80
60
Populao
40
20
0
1940
1950
1960
1970
Fonte: Dados Fictcios
PUC Minas Virtual
voltar
24
sumrio
voltar
sumrio
Grfico em Barras
semelhante ao grfico em colunas, porm, os retngulos so dispostos horizontalmente.
Exemplo:Populao Brasileira nas dcadas de 40 a 70
Populao do Brasil
1970
1960
Populao do
Brasil
1950
1940
0
20
40
60
80
100
Fonte: Dados Fictcios
Grfico em Setores
a representao grfica de uma srie estatstica em crculo, por meio de setores.
utilizado principalmente quando se pretende comparar cada valor da srie com o
total.
Exemplo:
Receita (em R$ 1.000.000,00) do Municpio X de 1975-77
Anos
Receita (em R$ 1.000.000,00)
1975
90
1976
120
1977
Total
Fonte: Departamento da Fazenda, Municpio X.
O total representado pelo crculo, que fica dividido em tantos setores quantas so
as partes. Os setores so tais que suas reas so respectivamente proporcionais
aos dados da srie.
PUC Minas Virtual
voltar
25
sumrio
voltar
sumrio
Obtemos cada setor por meio de uma regra de trs simples e direta, lembrando
que o total da srie corresponde a 360.
Total __________360
Parte___________ x
Para 1975:
360 -
360
90 -
Para 1976:
360 - 360
120 -
x = 90
Para 1977:
x = 120
360 - 360
150 -
x = 150
Receita do Municipio X
1975
1976
1977
Fonte: Departamento da Fazenda, Municpio X
Grfico Polar
o grfico ideal para representar sries temporais cclicas, isto , sries que apresentam em seu desenvolvimento determinada periodicidade, como, por exemplo, a
variao da precipitao pluviomtrica ao longo do ano, ou da temperatura ao longo do dia, o consumo de energia eltrica durante o ms ou o ano, etc.
PUC Minas Virtual
voltar
26
sumrio
voltar
sumrio
Exemplo:
Movimento Mensal de Compras de uma agencia em 1972
Meses
Valores (R$1.000,00)
Janeiro
12
Fevereiro
13
Maro
14
Abril
12
Maio
15
Junho
19
Julho
17
Agosto
18
Setembro
14
Outubro
16
Novembro
12
Dezembro
18
Fonte: Departamento financeiro da Agncia (dados Fictcios)
Movimento Mensal de Compras de uma agencia em 1972
Dez
Nov
Jan
20
15
Fev
Mar
10
5
Out
Abr
Set
Mai
Ago
Jun
Jul
Fonte: Departamento financeiro da Agncia (dados Fictcios)
PUC Minas Virtual
voltar
27
sumrio
voltar
sumrio
UNIDADE 2
Amostragem
2.1.
2.2.
2.3.
2.4.
2.5.
2.6.
Importncia da Amostragem
Conceitos Fundamentais
Amostragem Aleatria Simples
Amostragem Aleatria Estratificada
Amostragem por Conglomerado
Amostragem Sistemtica
Nesta unidade, veremos quais as tcnicas que podemos utilizar para

compor uma amostra. So objetivos especficos desta unidade:
Familiarizar o leitor com a terminologia empregada na pesquisa de
um fenmeno;
Identificar os fatores que afetam a quantidade de informaes de um
fenmeno;
Explicar como utilizar a Tabelas de Nmeros Aleatrios (TNA) para
selecionar amostras aleatrias.
2.1. Importncia da Amostragem
Na realizao de qualquer estudo, quase nunca possvel examinar todos os elementos da populao
de interesse. Temos usualmente que trabalhar com uma
amostra da populao. A inferncia estatstica nos d elementos para generalizar,

de maneira segura, as concluses obtidas da amostra para a populao. Mas, para
as inferncias serem corretas, necessrio garantir que a amostra seja
representativa da populao, isto , a amostra deve possuir as mesmas
caractersticas bsicas da populao no que diz respeito ao fenmeno pesquisado.
errneo pensar que, caso tivssemos acesso a todos os elementos da populao,
seramos mais precisos. Os erros de coleta e manuseio de um grande nmero de
dados so maiores do que as imprecises a que estamos sujeitos quando generalizamos, via inferncia, as concluses de uma amostra bem selecionada.
PUC Minas Virtual
voltar
28
sumrio
voltar
sumrio
Em se tratando de amostra, a preocupao central que ela seja representativa.

preciso que a amostra, ou as amostras que vo ser usadas sejam obtidas por processos adequados.
Assim que decidimos obter informaes atravs de um levantamento amostral, temos imediatamente dois problemas:
Definir cuidadosamente a populao de interesse;
Selecionar a caracterstica que iremos pesquisar.
Dados coletados de forma descuidada podem ser to inteis que nenhum processamento estatstico consegue salv-los.
2.2. Conceitos Fundamentais
O conceito de populao intuitivo; trata-se do conjunto de indivduos ou objetos
que apresentam em comum determinadas caractersticas definidas para o estudo.
Amostra - um subconjunto da populao.
Amostragem - so procedimentos para extrao de amostras que representem bem a populao.
Riscos - a margem de erro motivado pelo fato de investigarmos parcialmente (amostras) o universo (populao).
Populao-alvo - a populao sobre a qual vamos fazer inferncias baseadas na amostra.
Para que possamos fazer inferncias vlidas sobre a populao a partir de uma amostra, preciso que essa seja representativa. Uma das formas de se conseguir
representatividade fazer com que o processo de escolha da amostra seja, de alguma forma, aleatrio. Alm disso, a aleatoriedade permite o clculo de estimativas
dos erros envolvidos no processo de inferncia.
Quanto extrao dos elementos, as amostras podem ser:
Com reposio - quando um elemento sorteado puder ser sorteado novamente;
Sem reposio - quando o elemento sorteado s puder figurar uma nica vez na
amostra.
Basicamente, existem dois mtodos para composio da amostra: probabilstico e
no probabilstico (intencional).
PUC Minas Virtual
voltar
29
sumrio
voltar
sumrio
O mtodo de amostragem probabilstica exige que cada elemento da populao

possua determinada probabilidade de ser selecionado. Normalmente, possuem a
mesma probabilidade. Assim, se N for o tamanho da populao, a probabilidade
de cada elemento ser 1/N. Somente com base em amostragens probabilsticas
pode-se realizar inferncias sobre a populao, a partir dos parmetros estudados na amostra. So elas:
Amostragem Aleatria Simples;
Amostragem Aleatria Estratificada;
Amostragem Sistemtica;
Amostragem por Conglomerado.
Por serem as principais tcnicas estudas, sero mais detalhadamente exploradas no
item 2.3.
Os mtodos no probabilsticos so amostragens em que h uma escolha deliberada dos elementos que compem a amostra. No se pode generalizar os resultados das pesquisas para a populao, uma vez que as amostras no probabilsticas no garantem a representatividade da populao. So elas:
Amostragem Acidental;
Amostragem Intencional;
Amostragem por Quotas.
Amostragem Acidental - formada por elementos que vo aparecendo, que so

possveis de se obter at completar o nmero de elementos da amostra.
Ex: Pesquisa de opinio, em que os entrevistados so acidentalmente escolhidos.
Amostragem Intencional - formada por elementos escolhidos por determinado
critrio, ou seja, escolhe-se intencionalmente um grupo de elementos que iro
compor a amostra.
Amostragem por Cotas - Classificao da populao em termos de propriedades
que se sabe serem relevantes para a caracterstica a ser estudada. Determinao
da proporo da populao para cada caracterstica com base na constituio conhecida, ou estimada, da populao. Fixao de quotas para cada observador, ou
entrevistador, a quem tocar a responsabilidade de selecionar interlocutores ou
entrevistados, de modo que a amostra total observada, ou entrevistada, contenha a
proporo de cada classe.
PUC Minas Virtual
voltar
30
sumrio
voltar
sumrio
2.3. Amostragem Aleatria Simples

A amostragem aleatria simples um processo para selecionar amostras de tamanho n dentre as N unidades em que foi dividida a populao. Sendo a amostragem realizada sem reposio, que o caso mais comum, existem (N,n) possveis
amostras, todas igualmente provveis. As amostras aleatrias podem ser escolhidas por diversos mtodos, inclusive por tabelas de nmeros aleatrios (TNA) e de
computadores para gerar nmeros aleatrios Na prtica, a amostra aleatria simples escolhida unidade por unidade. As unidades da populao so numeradas de
1 a N. Em seguida, escolhe-se, na tabela de nmeros aleatrios (TNA), (ou por
computador) n nmeros compreendidos entre 1 e N. Esse processo equivalente a
um sorteio no qual se colocam todos os nmeros misturados dentro de uma urna.
As unidades correspondentes aos nmeros escolhidos formaro a amostra.
Observao:
1. Um exemplo de TNA encontra-se no final da unidade 2.
2. A TNA (Tabela de Nmeros Aleatrios) consiste em tabelas que apresentam seqncias dos dgitos de 0 a 9 distribudos aleatoriamente nas linhas(horizontais)
e colunas (verticais). Para obtermos os elementos da
amostra usando a TNA, sorteamos uma linha e uma coluna qualquer para
comearmos a leitura. Por exemplo: escolho 3 linha 15 coluna o digito
encontrado 5. A leitura da tabela pode ser feita horizontalmente (da direita para a esquerda ou vice-versa), verticalmente (de cima para baixo ou vice-versa), diagonalmente (no sentido ascendente ou descendente). A opo, porm, deve ser feita antes de iniciado o processo.
Assim, em nossos exerccios, avaliaes e trabalhos, utilizaremos sempre a TNA
lendo na vertical,
de cima para baixo, considerando sempre as colunas da
esquerda para a direita.

Exemplo de utilizao da TNA
Procure os 10 primeiros nmeros na TNA comeando a leitura na 9 linha e na 5 coluna (lembre-se que cada dgito representa uma coluna.
(Resposta: 1, 0, 0, 1, 8, 4, 7, 0, 1, 3)
3. Para retirar amostras em populaes com mais de 10 itens, necessitaremos ler
as colunas quantos dgitos comporem o nmero total de itens da populao. Exemplo: para retirarmos 5 amostras de uma populao com 300 itens, temos
PUC Minas Virtual
voltar
31
sumrio
voltar
sumrio
que ler trs colunas para conseguirmos valores entre 001 e 300. Se o nmero
sorteado superar o nmero de elementos rotulados, abandona-se o nmero sorteado, prosseguindo-se o processo. Considerando 9 linha e 5 coluna temos
como resposta : 124,056,094,143,014.
Outras tcnicas de amostragem so preferveis aleatria simples, pois levam
em considerao a composio da populao, facilitando o trabalho de seleo
de amostras e aumentando a preciso.
Exemplo:
Vamos obter uma amostra representativa de 8 itens para a pesquisa da
estatura de noventa alunos de uma escola. Utilize a TNA (3 linha e 8
Coluna).
Resoluo:
Numeramos os alunos de 01 a 90;
Iniciamos o processo de sorteio dos itens da amostra na TNA considerando as colunas 8 e 9, pois 90 so dois dgitos;
A amostra ser os alunos correspondentes aos nmeros: 46, 58, 16,
51, 88, 09, 89, 14.
2.4. Amostragem Aleatria Estratificada
Uma amostra estratificada obtida separando-se as unidades da populao em
grupos no superpostos chamados estratos, e selecionando-se independentemente
uma amostra aleatria simples de cada estrato. Existem dois tipos de amostragem
estratificada:
De igual tamanho;
Proporcional.
No primeiro tipo, sorteia-se igual nmero de elementos em cada estrato. Esse processo utilizado quando o nmero de elementos por estrato for aproximadamente
o mesmo.
PUC Minas Virtual
voltar
32
sumrio
voltar
sumrio
No outro caso, utiliza-se a amostragem estratificada proporcional, cujo processo de

calcular o nmero de amostras por estrato :
N N de unidades da populao
n N de unidades das amostras
Na N de unidades do estrato A
na N de amostras de A
Na na
n
= na = .Na
N n
N
Exemplo:
Supondo, no exemplo anterior, que, dos noventa alunos, 54 sejam meninos e 36 sejam meninas, vamos obter uma amostra proporcional estratificada de 10%.
Resoluo:
So, portanto, dois estratos (sexo masculino e feminino) e queremos
uma amostra de 10% da populao;
Calcula-se o nmero de amostras de cada estrato.
Sexo
Populao
10%
Nmero de amostras
54
5,4
36
3,6
Total
90
9,0
Numeramos os alunos de 01 a 90, sendo que de 01 a 54 correspondem meninos e de 55 a 90, meninas. O prximo passo o mesmo do
exemplo anterior.
PUC Minas Virtual
voltar
33
sumrio
voltar
sumrio
2.5. Amostragem por Conglomerado

Uma amostra por conglomerado uma amostra aleatria simples na qual cada unidade de amostragem um grupo, ou um conglomerado de elementos.
O primeiro passo na amostragem por conglomerado especificar conglomerados
apropriados. Os elementos em um conglomerado tendem a ter caractersticas similares, portanto, o fato de novas medidas serem tomadas num conglomerado no
implica necessariamente aumento de informao sobre o parmetro populacional.
Como regra geral, o nmero de elementos num conglomerado dever ser pequeno
em relao ao tamanho da populao e o nmero de conglomerados dever ser
razoavelmente grande.
Na amostragem por conglomerado a populao dividida em grupos. E selecionamse amostras aleatrias simples de grupos e, ento, todos os itens dos grupos (conglomerados) selecionados faro parte da amostra.
Exemplo:
Em um levantamento da populao de uma cidade, podemos dispor do
mapa indicando cada quarteiro e no dispor de uma relao atualizada
dos seus moradores. Pode-se, ento, colher uma amostra dos quarteires e fazer a contagem completa de todos os que residem naqueles
quarteires sorteados.
2.6. Amostragem Sistemtica
Quando os elementos da populao j se encontram ordenados, no h necessidade de se construir o sistema de referncia. Nesses casos, a seleo dos elementos
que constituiro a amostra pode ser por um sistema imposto pelo pesquisador.
Em geral, para se obter uma amostra sistemtica de n elementos de uma populao de tamanho N, K deve ser menor ou igual a N/n. No possvel determinar K,
precisamente, quando o tamanho da populao desconhecido, mas pode-se supor
um valor de k de tal modo que seja possvel obter uma amostra de tamanho n. Em
vez da amostragem aleatria simples, pode-se empregar a amostragem sistemtica
pelas seguintes razes:
a amostragem sistemtica mais fcil de se executar e, por isso, est menos
sujeita a erros do entrevistador do que aqueles que acontecem na aleatria simples;
PUC Minas Virtual
voltar
34
sumrio
voltar
sumrio
a amostragem sistemtica freqentemente proporciona mais informaes por

custo unitrio do que a aleatria simples.
Diretrizes para calcular as amostras:
1 - Estabelecer o intervalo de amostragem K:
K=
N
n
OBS: Para valores de K=N/n , arredondar para o valor inteiro menor.

2 - Iniciar aleatoriamente a composio da amostra.
b inicio (n de ordem inicial sorteado na TNA).
OBS:
0<b K
3 - Composio da Amostra:
1 item b
2 item b + K
3 item b + 2k
Exemplo:
1 Suponhamos uma rua contendo quinhentos prdios, dos quais desejamos obter uma amostra formada de vinte prdios. (TNA, 3Linha e 5
Coluna)
Soluo:
a)
Calcular K (intervalo de amostragem)
b)
K=500/20, K=25
c)
b= 12 (valor encontrado na TNA)
d)
Composio da amostra
1 item 12
2 item 12 + 25 = 37
3 item 12 + 2*25 = 62
20 item 12 +19*25 = 487
PUC Minas Virtual
voltar
35
sumrio
voltar
sumrio
Tabela de Nmeros Aleatrios

COLUNA
01
02
03
04
05
06
07
08
09
10
9486
3155
6136
7249
0071
1558
2204
7285
1735
2709
9821
9878
2824
9182
9871
4775
5318
8390
1248
0561
11
12
13
14
15
3522
6074
3359
6030
8669
16
17
18
19
20
21
22
23
24
25
13
17
21
6074
3359
6030
8669
6678
1699
8337
9134
9807
4397
1432
8244
4256
7423
0140
1652
3867
9863
1910
1135
0995
8952
3870
1768
9522
2555
6184
9486
3155
6136
0941
1432
8244
4256
7423
5569
0995
8952
3870
1768
5800
0157
0084
5725
8147
7249
0071
1558
2204
7285
9182
9871
4775
2318
8390
6678
1699
8337
9134
9807
4397
5569
0995
8952
3870
0140
1652
3867
9863
1910
1135
5800
0157
0084
5725
9522
2555
6184
9486
3155
6136
7249
0071
1558
2204
0995
4765
2018
9821
9878
2824
9182
9871
4775
5318
1735
2709
3522
6074
3359
6030
8669
6678
1699
8337
26
27
28
29
30
7425
8961
3298
2276
9557
3566
8175
6173
4898
8114
6151
0879
1741
2394
1576
4731
6945
3874
1098
9767
31
32
33
34
35
8650
2885
1841
4638
1320
1920
8101
8626
8030
7033
2533
1467
0344
0018
1218
36
37
38
39
40
1488
4353
7816
8600
1057
5803
4347
5817
9738
1550
6790
8565
9764
5415
8773
25
LINHA
0157 0071
0084 1558
5725 2204
8147 7285
0995 1735
4765 2709
2018 3522
9821 6074
9878 3359
2824 6030
29
33
37
41
45
49
9871
4775
5318
8390
1248
0561
0941
1432
8244
4256
6678
1699
8337
9134
9807
4397
5569
0995
8952
3870
0140
1652
3867
9863
1910
1135
5800
0157
0084
5725
9522
2555
6184
9486
3155
6136
7249
0071
1558
2204
0995
4765
2018
9821
9878
2824
9182
9871
4775
5318
1735
2709
3522
6074
3359
6030
8669
6678
1699
8337
8669
6678
1699
8337
9134
7423
0140
1652
3867
9863
1768
9522
2555
6184
9486
8147
0995
4765
2018
9821
7285
1735
2709
3522
6074
8390
1248
0561
0941
1432
9134
9807
4397
5569
0995
1248
0561
0941
1432
8244
4256
7423
0140
1652
3867
9807
4397
5569
0995
8952
3870
1768
9522
2555
6184
1910
1135
5800
0157
0084
5725
8147
0995
4765
2018
3155
6136
7249
0071
1558
2204
7285
1735
2709
3522
9878
2824
9182
9871
4775
5318
8390
1248
0568
0941
3359
6030
8669
6678
1699
8337
9134
9807
4397
5569
8244
4256
7423
0140
1652
3867
9863
1910
1135
5800
8952
3870
1768
9522
2555
6184
8486
3155
6136
7249
6489
8029
9321
4063
1486
2491
9119
3748
5393
7161
2765
5990
7507
0226
5606
8525
1063
0170
8144
6295
7849
9444
0568
4778
3503
1488
8320
9112
7471
5050
8833
1740
1275
1764
9549
2597
6131
0924
4939
2500
1333
9907
3054
8063
9666
7755
0080
4344
7760
5605
5324
7962
7446
9819
4206
3731
5999
0867
4276
2878
3414
9562
6157
0650
0230
2153
5819
8935
3516
1740
3815
1562
4413
5159
4553
0626
6793
2363
9236
8729
5718
2065
7187
3257
5827
8679
0239
8980
1694
7176
6801
8253
2488
7157
8703
9368
2231
8789
8426
3003
0465
8789
7387
7152
4302
4819
4231
2172
8705
4034
0065
2585
0896
5829
2478
7633
0157
1038
0164
1078
3950
2037
6047
8330
0429
2109
7835
9539
9152
7189
7027
1320
3510
6045
0778
5824
8999
1343
8129
3260
5057
9181
8098
2293
5969
PUC Minas Virtual
voltar
36
sumrio
voltar
sumrio
UNIDADE 3
Distribuio de Freqncia
3.1. Conceitos
3.2. Elementos de uma distribuio de freqncia: amplitude total,
limites de classe, amplitude do intervalo de classe, ponto
mdio da classe, freqncia absoluta, relativa e acumulada
3.3. Regras Gerais para a elaborao de uma distribuio
de freqncia
3.4. Grficos representativos de uma distribuio de freqncia:
histograma, polgono de freqncia e ogiva
Vamos considerar, nesta unidade, o estudo detalhado da distribuio de

freqncia, que a forma pela qual podemos descrever os dados estatsticos resultantes de variveis quantitativas. So objetivos desta unidade:
Compor uma distribuio de freqncia com ou sem intervalos de
classe;
Determinar o quadro de freqncias, eles so teis para condensar
grandes conjuntos de dados, facilitando o sua utilizao;
Representar uma distribuio de freqncia atravs de histograma,

polgono e ogiva.
3.1. Conceitos
Ao analisarmos um conjunto de dados, devemos determinar se temos uma amostra ou uma populao. Essa determinao afetar no somente os mtodos utilizados, mas tambm as concluses, pois se estamos trabalhando com uma amostra os
resultados encontrados so estimativas da populao.
Nem sempre possvel compreender o significado contido numa amostragem por
simples inspeo visual dos dados numricos coletados. Entretanto, entendemos
que o sucesso de uma deciso depender da nossa habilidade em compreender as
informaes contidas nesses dados. O objetivo deste estudo mostrar a organizao, apresentao e anlise grfica de uma srie de dados, matria prima das distribuies de freqncias e dos histogramas. Freqncia de uma observao o
PUC Minas Virtual
voltar
37
sumrio
voltar
sumrio
nmero de repeties dessa observao, ou seja, quantas vezes determinado fenmeno acontece.
Os dados podem ser classificados como:
Dados brutos so os dados originais, que ainda no se encontram prontos

para anlise, por no estarem numericamente organizados. (Tambm so conhecidos como Tabela Primitiva).
Exemplo: Nmero mensal de aparelhos defeituosos na Empresa X.
1995
1996
1997
1998
Rol so os dados brutos, organizados em ordem crescente ou decrescente.

Exemplo: Considerando o exemplo anterior temos:
PUC Minas Virtual
voltar
38
sumrio
voltar
sumrio
Dados discretos a varivel discreta quando assume valores em pontos da

reta real.
Exemplo: nmero de erros em um livro: 0,1,2,3,4,....
nmero de filhos de vrios casais: 1,2,3,4,.....
quantidade de acidentes em determinada rodovia: 4,10,12,15,....
Dados contnuos a varivel pode assumir, teoricamente, qualquer valor em

certo intervalo da reta real.
Exemplo: peso de alunos: 55,5 kg; 61,0kg; 63,4 kg; 68,1 kg.......
distncia entre cidades: 35,5 km; 48,6 km; 100,10 km; ....
Dados Tabelados no agrupados em classes os valores da varivel aparecem individualmente.

Exemplo, considerando os dados da tabela anterior:
N de aparelhos
com defeitos
N de meses
06
11
09
08
08
05
01
Total
48
PUC Minas Virtual
voltar
39
sumrio
voltar
sumrio
Dados Tabelados agrupados em classes - os valores da varivel no aparecem individualmente, mas agrupados em classes.
Notas
N de alunos
0 |--- 20
020
20 |--- 40
065
40 |--- 60
230
60 |--- 80
160
80 |--- 100
025
Total
580
3.2. Elementos de uma distribuio de freqncia:

amplitude total, limites de classe, amplitude do intervalo de classe,
ponto mdio da classe, freqncia absoluta, relativa e acumulada
3.2.1.
Amplitude total (A) - a diferena entre o maior e o menor nmero

do rol.
Exemplo: Estatura de 40 alunos do Colgio A em cm. (Dados ordenados
em ordem crescente, por colunas)
150
154
155
157
160
161
162
164
166
169
151
155
156
158
160
161
162
164
167
170
152
155
156
158
160
161
163
164
168
172
153
155
156
160
160
161
163
165
168
173
A = 173 150 = 23
PUC Minas Virtual
voltar
40
sumrio
voltar
3.2.2.
sumrio
Nmero de classes (K) e Classe (i) no existe regra fixa para se

determinar o nmero de classes. Podemos utilizar:
A Regra de Sturges, que nos d o nmero de classes em funo do nmero de

valores da varivel:
K = 1+ 3,3. log n , onde n o nmero de itens que compe a amostra;

Ou
K = 5 para n 25 e k n , para n > 25.

Exemplo: considerando o exemplo anterior n=40
Pela formula de Sturges: K= 1+3,3log40 = 6,28 K=6

Adotando K = n , temos k = 40 =6,3 K=6
3.2.3.
Amplitude de um intervalo de classe (h) ou simplesmente intervalo de classe a medida do intervalo que define a classe.
h=A/K
Exemplo, considerando o exemplo anterior:
H = 23/ 6 = 3,83 h = 4
3.2.4.
Limites de Classe denominamos limites de classe os extremos de

cada classe. Assim temos:
limite inferior (linf) e

limite superior (Lsup)
Observao: Vamos trabalhar com intervalos fechados esquerda e abertos
direita; isso significa que valores iguais ou superiores ao limite inferior so considerados nessa classe e valores iguais e/ou superiores ao limite superior so considerados na classe abaixo.
PUC Minas Virtual
voltar
41
sumrio
voltar
sumrio
Exemplo: Do exemplo anterior, temos:
Classes
150 | 154
154 | 158
158 | 162
11
162 | 166
166 | 170
170 | 174
40
Na segunda classe, temos:
L2=158
l2 = 154
3.2.5.
Ponto Mdio da Classe - (xi) , como o prprio nome indica, o

ponto que divide o intervalo de classe em duas partes iguais. Para
obtermos o ponto mdio de uma classe, calculamos:
xi =
linf + Lsup
2
Exemplo: considerando a segunda classe do exemplo anterior, temos:
x2 =
154 + 158
= 156 x 2 = 156
2
3.2.6. Freqncias
Freqncias simples ou absoluta da classe i (ni) - so os valores que realmente representam o nmero de dados de cada classe. A soma das freqncias
simples igual ao nmero total dos dados.
n2 = 9 .
PUC Minas Virtual
voltar
42
sumrio
voltar
sumrio
Freqncias relativas (fi) so os valores das razes entre as freqncias

simples e o nmero total de dados.
fi =
ni
n

f2 = 9/40=0,225 .
Obs: as freqncias relativas permitem a anlise ou facilitam as
comparaes.
Freqncia acumulada (Ni) o total das freqncias de todos os valores

inferiores ao limite superior do intervalo de uma dada classe:
Exemplo: Considerando a freqncia acumulada da quarta classe (N4),
temos:
N4= n1+n2+n3+n4= 4+9+11+8 = 32
Freqncia acumulada relativa (Fi) a freqncia acumulada da classe,

dividida pela freqncia total da distribuio.
Fi =
Ni
n
Exemplo: para o exemplo anterior, F4 = 0,8 .

NOTA Usualmente, denominamos:
Freqncia relativa acumulada crescente da classe i Fi.
Obs: Fi pode ser entendido como sendo a percentagem de observaes abaixo
do limite superior da classe i.
Freqncia relativa acumulada decrescente da classe i Fi.
Obs: Fi e a porcentagem de observaes acima do limite inferior da classe i.
PUC Minas Virtual
voltar
43
sumrio
voltar
sumrio
3.3. Regras Gerais para a elaborao de uma distribuio de freqncia

Os principais estgios na construo de uma distribuio de freqncia para dados
amostrais so:
1. Encontrar a amplitude total do conjunto de valores observados;
2. Escolher o nmero de classes;
K = 1 + 3,3 log n ou k = n
3. Determinar a amplitude do intervalo de classe;
h=
A
k
4. Determinar os limites de classe;

5. Construir a tabela de freqncias.
Exemplo:
Calcule as freqncias e o ponto mdio dos dados abaixo:
Alturas de 50 estudantes do sexo masculino da Univesidade XYZ
33
35
35
39
41
41
42
45
47
48
50
52
53
54
55
55
57
59
60
60
61
64
65
65
65
66
66
66
67
68
69
71
73
73
74
74
76
77
77
78
80
81
84
85
85
88
89
91
94
97
Soluo: Amplitude : A = 97-33 = 64

Nmero de Classes : K = 50 7
Intervalo de classe : h =64/7 10
PUC Minas Virtual
voltar
44
sumrio
voltar
sumrio
Classes
Ni
fi
Fi
xj
30 | 40
0,08
0,08
35
40 | 50
10
0,12
0,20
45
50 | 60
18
0,16
0,36
55
60 | 70
13
31
0,26
0,62
65
70 | 80
40
0,18
0,80
75
80 | 90
47
0,14
0,94
85
90 |100
50
0,06
1,0
95
50
3.4. Grficos representativos de uma distribuio de freqncia:

histograma, polgono de freqncia e ogiva
Uma distribuio de freqncia pode ser representativa graficamente pelo histograma, pelo polgono de freqncia e pelo polgono de freqncia acumulada (Ogiva
de Galton).
Histograma formado por um conjunto de retngulos justapostos, cujas bases
se localizam sobre o eixo horizontal, de tal modo que seus pontos mdios coincidem com os pontos mdios dos intervalos de classe.
As larguras dos retngulos so iguais s amplitudes dos intervalos de classe.

As alturas dos retngulos devem ser proporcionais s freqncias das classes,
sendo igual a amplitude dos intervalos.
Histograma
ni
12
30
40
50
PUC Minas Virtual
voltar
60
45
70
80
90
100
sumrio
voltar
sumrio
Polgono de freqncia um grfico em linha, sendo as freqncias marcadas

sobre perpendiculares ao eixo horizontal, levantada pelos pontos mdios dos intervalos de classe.
Para realmente obtermos um polgono (linha fechada), devemos completar a figura,
ligando os extremos da linha obtida aos pontos mdios da classe anterior primeira
e da posterior ltima, da distribuio.
Polgono de Freqncia
ni
12
35
45
55
65
75
85
95
Ponto mdio
Polgono de freqncia acumulada traado marcando-se as freqncias acumuladas sobre perpendiculares ao eixo horizontal, levantadas nos pontos correspondentes aos limites superiores dos intervalos de classe.
Polgono de Freqncia Acumulada
F
50
47
40
31
18
10
4
30
100
40
50
PUC Minas Virtual
voltar
60
46
70
80
90
sumrio
classes
voltar
Observao:
Uma
distribuio
sumrio
de
freqncia
sem
intervalos
de
classe
representada graficamente por um diagrama onde cada valor da varivel

representado por um segmento de reta vertical e de comprimento proporcional
respectiva freqncia.
ni
12
PUC Minas Virtual
voltar
47
sumrio
xi
voltar
sumrio
UNIDADE 4
Medidas de Posio
4.1.
4.2.
4.3.
4.4.
4.5.
Introduo
Mdia aritmtica simples e ponderada e suas propriedades
Moda: Dados agrupados e no agrupados em classes
Mediana: Dados agrupados e no agrupados em classes
Mdia Geomtrica: Dados agrupados
e no agrupados em classes
4.6. Mdia Harmnica: Dados agrupados
e no agrupados em classes
4.7. Separatrizes: Quartis, Decis e Percentis
Nesta unidade, veremos as tendncias caractersticas de cada distribuio, destacando as medidas de posio central, que recebem tal denominao pelo fato de os dados observados tenderem, em geral, a se agrupar em torno dos valores centrais. So objetivos desta unidade:
Calcular as medidas de posio central;
Diferenciar as medidas - moda, mdia e mediana;
Utilizar as separatrizes para melhor interpretar os resultados.
4.1. Introduo
Nas sees anteriores, vimos a sintetizao dos dados sob a forma de tabelas, grficos e distribuies de freqncias. Agora, vamos destacar o clculo das medidas
que possibilitam localizar a maior concentrao de valores de uma dada distribuio, isto , se ela se localiza no incio, no meio ou no final, ou, ainda, se h uma
distribuio por igual. Tais medidas possibilitam comparaes de sries de dados
entre si pelo confronto desses nmeros.
No entanto, para ressaltar as tendncias caractersticas de cada distribuio, isoladamente, ou em confronto com outras, necessitamos introduzir os elementos tpicos da distribuio, que so:
Medidas de posio;
Medidas de variabilidade ou disperso;
Medidas de assimetria;
Medidas de curtose.
PUC Minas Virtual
voltar
48
sumrio
voltar
sumrio
As medidas de posio mais importantes so as medidas de tendncia central, que

destacamos:
A mdia aritmtica;
A mediana;
A moda.
As outras medidas de posio so as separatrizes, que englobam:
A mediana;
Os quartis;
Os decis;
Os percentis.
Primeiramente, vamos estudar as principais medidas de tendncia central, depois

veremos as separatrizes e, na prxima unidade, as medidas de Disperso, Assimetria e Curtose.
4.2. Mdia aritmtica simples e ponderada e suas propriedades
o quociente da diviso da soma dos valores da varivel pelo nmero deles. A mdia (aritmtica) , de modo geral, a mais importante de todas as medidas descritivas.
Dados no tabelados
n
x=
xi : valor observado
n : nmero total de observaes
xi
i =1
Exemplo: Suponha que o tempo de vida til de 10 aparelhos de telefone so:

10
29
26
28
15
23
17
25
20. Qual a mdia de vida til
destes aparelhos?
Soluo:
X = 10 + 29 + 26 + 28 + 15 + 23 + 17 + 25 + 0 + 20 = 193
x = 193 = 19,3 ,
x=
n
10
portanto mdia de vida til dos aparelhos so 19,3 anos.
PUC Minas Virtual
voltar
49
sumrio
voltar
sumrio
Dados Tabelados
Sem intervalo de Classe

n
x =
x n
i
i =1
Xi : valor observado
ni : n de observaes por classe
n : n de observaes totais
Com intervalo de Classe

n
X =
x i ni
x i : ponto mdio da classe
i =1
ni : n de observaes
s vezes, a mdia pode ser um nmero diferente de todos os da srie de dados

que ela representa.
4.3. Moda (Mo): Dados agrupados e no agrupados em classes
o valor que ocorre com maior freqncia em um conjunto de dados, e que denominado valor modal. Baseado nesse contexto, um conjunto de dados pode apresentar mais de uma moda. Nesse caso, dizemos ser multimodais; caso contrrio,
quando no existe um valor predominante, dizemos que amodal.
Dados no tabelados: o valor modal o predominante na distribuio.
Exemplo: Nos valores abaixo, qual o valor modal?
3
10
11
12
13
Soluo: Mo= 9
Dados tabelados
Sem intervalo de Classe: O valor modal o valor que possuir maior freqncia.
Exemplo:
Classes
PUC Minas Virtual
voltar
50
sumrio
voltar
06
11
sumrio
09
08
08
05
01
48
Soluo: o valor predominante o nmero 1, que ocorreu 11 vezes.

Temos, portanto, Mo=1.
Com intervalo de classe: tratando-se de dados agrupados em classe, a moda

no percebida to facilmente como nos casos anteriores. Para calcular o valor modal nesses casos, podemos utilizar os seguintes processos:
1 Processo: Frmula de Czuber
Mo = linf + hMo
nmo nant
(nmo nant ) + (nmo n post )
onde constatamos:
Classe Modal: Classe de maior freqncia
n
mo:
freqncia simples da classe modal
nant : freqncia simples anterior classe modal

npost : freqncia simples posterior classe modal
linf: limite inferior da classe modal
hMo: intervalo de classe modal
2 Processo: Frmula de Pearson
M o = 3Md 2 X
onde constatamos:
Md = Mediana
X
= Mdia
PUC Minas Virtual
voltar
51
sumrio
voltar
sumrio
Exemplo - Determinar a moda para a distribuio:
Classes
0|--- 1
1|--- 2
2|--- 3
3|--- 4
4|--- 5
ni
10
17
43
Soluo: Utilizando a frmula de Czuber
a classe modal a classe 2|----3

linf = 2
hMo = 1
nMo = 17
nant = 10
npost =8
Substituindo esses valores na frmula, encontramos: Mo= 2,44
4.4. Mediana (Md): Dados agrupados e no agrupados em classes
A mediana uma medida de posio. , tambm, uma separatriz, pois divide o
conjunto em duas partes iguais, com o mesmo nmero de elementos. O valor da
mediana encontra-se no centro da srie estatstica organizada, de tal forma que o
nmero de elementos situados antes desse valor (mediana) igual ao nmero de
elementos que se encontram aps esse mesmo valor (mediana).
Dados no tabelados
Para uma srie com nmero mpar de itens: a mediana corresponde ao valor
central.
EMd - elemento mediano: indica a posio da mediana.
n mpar
EMd = (n+1)/2
Md = X (E Md )
A mediana ser o termo de ordem (n+1)/2.
PUC Minas Virtual
voltar
52
sumrio
voltar
sumrio
Para uma srie com nmero par de itens: no h termo central nico, mas,
sim, dois termos centrais. A mediana ser dada por:
n par
EMd = n/2
Md =
X (E Md ) + X (E Md +1)
2
A mediana ser a mdia aritmtica entre os termos centrais.

Dados tabelados:
Neste caso, o problema consiste em determinar o ponto do intervalo em que est
compreendida a mediana.
Sem intervalo de classe: devemos, primeiro, obter a localizao da mediana

na srie atravs do termo de ordem:
E MD =
n
2
Uma vez localizada a posio da mediana, devemos verificar o valor numrico da

varivel correspondente a essa posio.
Com intervalo de classe: localizada a classe mediana, calculamos o valor da

mediana pela frmula:
Md = linf + hMd
Nant
nMd
onde temos:
linf: limite inferior da classe mediana.
hMo: intervalo de classe mediana.
nMd : freqncia simples absoluta na classe mediana.
Nant : freqncia acumulada absoluta anterior classe mediana.
Classe Mediana: classe onde est o elemento mediano.
PUC Minas Virtual
voltar
53
sumrio
voltar
sumrio
4.5. Mdia Geomtrica (MG): Dados agrupados e no agrupados em classes

Dados no tabelados
A mdia geomtrica de um conjunto de N nmeros x1, x2,x3,......xn a raiz de ordem N do produto desses nmeros:
M G = N x1.x2 . x3 .....xn
Dados agrupados
Sem intervalo de classe

Xi : valor observado
ni : n de observaes da classe
M G = N x1n1 x2 n 2 x3 n3 ....xn n n
Com intervalo de classe
M G = N x1n1 x 2 n2 x 3 n3 ....x n nn
x i : ponto mdio
ni : n de observaes
4.6. Mdia Harmnica (Mh): Dados agrupados e no agrupados em classes

Sejam x1, x2, x3,......xn, valores de x, associados s freqncias absolutas n1, n2,
n3,......nn, respectivamente.
A mdia harmnica de X definida por:
Mh =
n
=
n1 n 2 n 3
nn
+
+
+ ........ +
x1 x 2
x3
xn
n
n
i =1
ni
xi
Para dados no agrupados n = 1.

Para dados agrupados sem intervalo de classe xi o valor da varivel.
Para dados agrupados com intervalo de classe xi o ponto mdio da classe.
PUC Minas Virtual
voltar
54
sumrio
voltar
sumrio
4.7. Separatrizes: Quartis, Decis e Percentis

So valores que ocupam determinados lugares de uma distribuio de freqncia.
Podemos classific-las em:
Quartis: dividem a distribuio em 4 partes iguais
Qi = quartil
i=1,2,3
Q1 = 1 quartil, valor situado de tal modo na srie que uma quarta parte (25%)
dos dados menor que ele e as trs quartas partes restantes (75%) so maiores.
Q2 = 2 quartil, evidentemente, coincide com a Mediana (Q2 = Md).

Q3 = 3 quartil, valor situado de tal modo que as trs quartas partes (75 %) dos
termos so menores que ele e uma quarta parte 25 % maior.
3n
N ant
4
.h
Q3 = lQ3 +
nQ3
N ant
4
.h
Q1 = lQ1 +
nQ1
Onde temos:
linf : limite inferior da classe do quartil considerado
hQ: intervalo de classe do quartil considerado
nQ : freqncia simples absoluta do quartil considerado

Nant : freqncia acumulada anterior classe do quartil considerado
Decis: dividem a distribuio em 10 partes iguais
Di = decil
i=1,2,3, , 9
1 Passo: Calcula-se em que K = 1,2,3,......,9;

2 Passo: Identifica-se a classe DK , pela Nac ;
3 Passo: Aplica-se a frmula:
DK = l DK
lDK: limite inferior da Classe Dk

N : tamanho da amostra
h : amplitude da classe
nDK: freqncia da classe
N(ant): freqncia acumulada da classe
KN
N ( ant )
10
h
+
nDK
PUC Minas Virtual
voltar
55
sumrio
voltar
sumrio
Percentis:: dividem a distribuio em 100 partes iguais.

Pi = centil
i=1,2,3, , 99
1 Passo: Calcula-se em que K = 1,2,3,4,............98,99

2 Passo: Pela Nac identifica-se a classe Pi
3 Passo: Aplica-se a frmula
PK = l PK
lPK: limite inferior da classe

em que, K = 1,2,3,...,98,99.
N : tamanho da amostra
N(ant): freqncia acumulada anterior classe
h : amplitude da classe
nPK: freqncia da classe
KN
N ( ant )
100
h
+
n PK
Exemplo:
1- Num acampamento infantil, foram obtidas as seguintes estaturas:
Estaturas
120|--- 128
128|---136
136|--- 144
144|--- 152
152|--- 160
frequencia
12
16
13
Calcule:
a) O 1 Quartil (Q1);
b) o 4 Decil (D4);
Soluo:
Primeiro vamos estruturar a tabela de distribuio de Freqncias, como estamos trabalhando com intervalos de classe , temos que calcular os pontos mdios de cada classe. Depois iremos utilizar as frmulas para cada item que queremos calcular.
PUC Minas Virtual
voltar
56
sumrio
voltar
sumrio
Estaturas (cm)
Xi (Ponto mdio)
120|--- 128
124
128 |--- 136
12
18
132
136 |--- 144
16
34
138
144 |--- 152
13
47
148
152 |--- 160
54
156
Total
54
a) Calculo de Q1,
Para calcular Q1, temos que primeiro identificar a classe que esta o valor, para
isto consideramos :
N 54
=
= 13,5 , que vamos neste momento arredondar para 14, pela frequencia
4
4
acumulada procuramos a classe que encontra o 14 elemento, que a 2 classe
com limites de 128 |--- 136.
Agora usamos a formula para calcular Q1
N ant
4
.h
Q1 = lQ1 +
nQ1
Onde:
linf : limite inferior da classe do quartil considerado = 128
hQ: intervalo de classe do quartil considerado = 8
nQ : freqncia simples absoluta do quartil considerado = 12
Nant : freqncia acumulada anterior classe do quartil considerado =6
Substituindo estes valores na expresso acima temos
Q1 = 128 +
(13,5 6) * 8 = 133
12
PUC Minas Virtual
voltar
57
sumrio
voltar
sumrio
b) Calculo de D4
Primeiro identificamos a classe que esta o valor;
KN 4 x54
=
= 21,6 = 27 , atravs da freqncia acumulada identificamos a clas10
10
se que encontra o 27 , que a 3 classe com limites de 136 |--- 144
Agora usamos a frmula
DK = l DK
KN
N ( ant )
10
h
+
nDK
onde:
lDK: limite inferior da Classe Dk = 136
N : tamanho da amostra = 54
h : amplitude da classe = 8
nDK: freqncia da classe = 16
N(ant): freqncia acumulada da classe anterior = 18
Substituindo estes valores na expresso acima temos:
D4 = 136 +
(21,6 18) * 8 = 137,8

16
PUC Minas Virtual
voltar
58
sumrio
voltar
sumrio
UNIDADE 5
Medidas de Disperso
5.1. Disperso
5.2. Assimetria
5.3. Curtose
A interpretao de dados estatsticos exige que se realize um nmero

maior de estudos, alm das medidas de posio. Nesta unidade, veremos que as medidas de disperso servem para verificar a representatividade das medidas de posio, que o nosso principal objetivo.
5.1. Disperso
So medidas estatsticas utilizadas para avaliar o grau de variabilidade, ou disperso, dos valores em torno da mdia. Servem para medir a representatividade da
mdia.
Absoluta
Amplitude (A)
Varincia (S2)
Desvio padro (S)
Relativa
Coeficiente de Variao (CV)
PUC Minas Virtual
voltar
59
sumrio
voltar
sumrio
Amplitude Total (A)

a diferena entre o maior e o menor dos valores da srie. A utilizao da amplitude total como medida de disperso muito limitada, pois sendo uma medida que
depende apenas dos valores externos, instvel, no sendo afetada pela disperso
dos valores internos.
Varincia (S2)
A varincia leva em considerao os valores extremos e os valores intermedirios,
isto , expressa melhor os resultados obtidos. A varincia relaciona os desvios em
torno da mdia, ou, mais especificamente, a mdia aritmtica dos quadrados dos
desvios.
Dados Brutos
_
S =
2
( xi x)
Dados Agrupados
xi2 ni
xi ni
S2 =

n 1
n 1
i =1
n 1
Onde temos que:
Para dados agrupados sem intervalo de classe, xi o valor da varivel.

Para dados agrupados com intervalo de classe, xi o ponto mdio da classe.
Para dados amostrais, o denominador n-1; para dados
populacionais, usamos no denominador o valor de n.
Sendo a varincia calculada a partir dos quadrados dos desvios, ela um nmero
em unidade quadrada em relao varivel em questo, o que, sob o ponto de
vista prtico, um inconveniente; por isso, tem pouca utilidade na estatstica descritiva, mas extremamente importante na inferncia estatstica e em combinaes
de amostras.
PUC Minas Virtual
voltar
60
sumrio
voltar
sumrio
Desvio Padro (S)

O desvio-padro a medida mais usada na comparao de diferenas entre conjuntos de
dados, por ter grande preciso. O desvio padro determina a disperso dos valores em relao mdia e calculado por meio da raiz quadrada da varincia.
S = S2
Coeficiente de Variao (CV)

Trata-se de uma medida relativa de disperso til para a comparao em termos
relativos do grau de concentrao. O coeficiente de variao a relao entre o
desvio padro (S) e a mdia x . da mdia de sries distintas.
CV =
S
x
Diz- se que uma distribuio tem:

Baixa disperso: CV
15%
Mdia disperso: 15%< CV<30%

Alta disperso: CV
30%
5.2. Assimetria
Estas medidas referem-se forma da curva de uma distribuio de freqncia,
mais especificamente do polgono de freqncia ou do histograma.
Denomina-se assimetria o grau de afastamento de uma distribuio da unidade de
simetria.
Em uma distribuio simtrica, tem-se igualdade dos valores da mdia, mediana
e moda.
PUC Minas Virtual
voltar
61
sumrio
voltar
sumrio
Simetria
X = Mo = Md
Toda distribuio deformada sempre assimtrica. Entretanto, a assimetria pode

dar-se na cauda esquerda ou na direita da curva de freqncias.
Em uma distribuio assimtrica positiva, ou assimetria direita, tem-se:

Assimetria direita (ou positiva)
Mo < Md < X
Mo Md X
Em
uma
distribuio
assimtrica
negativa,
ou
assimetria
predominam valores inferiores Moda.

Assimetria esquerda (ou negativa)
X < Md < Mo
X Md Mo
PUC Minas Virtual
voltar
62
sumrio
esquerda,
voltar
sumrio
Existem vrias frmulas para o clculo do coeficiente de assimetria. As mais utilizadas so:
1 Coeficiente de Pearson
AS =
Mo: valor modal (moda)

S : Desvio padro
X : Mdia
x Mo
S
2 coeficiente de Pearson
AS =
Q1 + Q3 2Md
Q3 Q1
Q1 : valor do 1 Quartil
Md : valor da Mediana
Quando
AS = 0, diz-se que a distribuio simtrica.
AS > 0, diz-se que a distribuio assimtrica positiva ( direita)
AS > 0, diz-se que a distribuio assimtrica positiva ( direita)
5.3. Curtose
Curtose o grau de achatamento (ou afilamento) de uma distribuio em comparao com
uma distribuio padro (chamada curva normal). De acordo com o grau de curtose, classificamos trs tipos de curvas de freqncia:
Mesocrtica: uma curva bsica de referncia chamada curva padro ou curva normal;
PUC Minas Virtual
voltar
63
sumrio
voltar
sumrio
Platicrtica: uma curva mais achatada (ou mais aberta) que a curva normal;
Leptocrtica: uma curva mais afilada que a curva normal;
Para medir o grau de curtose utiliza-se o coeficiente:
Q3 Q1
K=
2(P90 P10 )
P10 : valor do percentil 10
P90 : valor do percentil 90
Se K= 0,263, diz-se que a curva correspondente distribuio de freqncia

mesocrtica.
Se K > 0,263, diz-se que a curva correspondente distribuio de freqncia
platicrtica.
Se K < 0,263, diz-se que a curva correspondente distribuio de freqncia

leptocrtica.
PUC Minas Virtual
voltar
64
sumrio
voltar
sumrio
UNIDADE 6
Probabilidade
6.1. Experimento aleatrio, espao amostral e eventos
6.2. Probabilidade: Definio clssica; Probabilidade e
freqncia relativa
6.3. Tipos de eventos
6.4. Axiomas de Probabilidade
6.5. Probabilidade condicional e independncia de eventos
Nesta unidade, vamos ver que a probabilidade expressa por meio de valores numricos as possibilidades da ocorrncia dos resultados de um
fenmeno. So objetivos desta unidade:
Definir e determinar os possveis espaos amostrais de determinados
fenmenos;
Determinar a probabilidade de ocorrncia de um determinado fenmeno.
Formar um conhecimento slido dos valores probabilsticos que sero
utilizados nas prximas unidades.
6.1. Experimento aleatrio, espao amostral e eventos

Introduo
Todas as vezes que se estudam fenmenos de observao, cumpre-se distinguir o
prprio fenmeno e o modelo matemtico (determinstico ou probabilstico) que
melhor o explique.
Os fenmenos estudados pela estatstica so fenmenos cujo resultado, mesmo em
condies normais de experimentao, varia de uma observao para outra, dificultando dessa maneira a previso de um resultado.
A observao de um fenmeno casual recurso poderoso para se entender a variabilidade do mesmo. Entretanto, com suposies adequadas e sem observar diretamente o fenmeno, podemos criar um modelo terico que reproduza de forma bas-
PUC Minas Virtual
voltar
65
sumrio
voltar
sumrio
tante satisfatria a distribuio das freqncias quando o fenmeno observado

diretamente. Tais modelos so os chamados modelos de probabilidades.
Os fenmenos determinsticos conduzem sempre a um mesmo resultado quando as
condies iniciais so as mesmas. Ex: tempo de queda livre de um corpo. Mantidas
as mesmas condies, as variaes obtidas para o valor do tempo de queda livre de
um corpo so extremamente pequenas (em alguns casos, desprezveis).
Os fenmenos aleatrios podem conduzir a diferentes resultados e mesmo quando
as condies iniciais so as mesmas, existe a imprevisibilidade do resultado. Ex:
lanamento de um dado.
Podemos considerar os experimentos aleatrios como fenmenos produzidos pelo
homem.
Lanamento de uma moeda honesta;
Lanamento de um dado;
Lanamento de duas moedas;
Retirada de uma carta de um baralho completo, de 52 cartas;
Determinao da vida til de um componente eletrnico.
A anlise desses experimentos revela que:
Cada experimento poder ser repetido indefinidamente sob as mesmas
condies;
No se conhece em particular valor o do experimento a priori, porm pode-se descrever todos os possveis resultados as possibilidades;
Quando o experimento for repetido um grande nmero de vezes, surgir
uma regularidade.
Para a explicao desses fenmenos (fenmenos aleatrios), adota-se um modelo
matemtico probabilstico.
Para melhor entendimento desta unidade, interessante relembrar alguns conceitos bsicos no estudo das probabilidades tais como:
Espao Amostral
Um dos conceitos matemticos fundamentais utilizados no estudo das probabilidades o de conjunto. Um conjunto uma coleo de objetos ou itens que possuem
PUC Minas Virtual
voltar
66
sumrio
voltar
sumrio
caracterstica(s) comum(ns). importante definir cuidadosamente o que constitui o

conjunto em que estamos interessados, a fim de podermos decidir se determinado
elemento ou no membro do conjunto.
Conjunto uma coleo bem definida de objetos ou itens.
A probabilidade s tem sentido no contexto de um espao amostral, que o conjunto de todos os resultados possveis de um experimento. O termo experimento sugere a incerteza do resultado antes de fazermos as observaes. Os resultados de um experimento (ex: a ocorrncia de um raio, uma viagem etc.) chamamse eventos.
Evento Aleatrio (E)
qualquer subconjunto de um espao amostral. tambm o resultado obtido de
cada experimento aleatrio, que no previsvel.
Espao Amostral (S)
Espao amostral de um experimento aleatrio o conjunto de todos os possveis
resultados desse experimento.
Exemplos de Espaos Amostrais:
S = { c, r }
( composto de 2 eventos)
S = { 1, 2, 3, 4, 5, 6 }
S = { (c, r), (c, c), (r, c), (r, r)}
Genericamente, se o n de pontos (elementos do espao amostral) amostrais de

um espao amostral finito n, ento o nmero de eventos dado por 2n.
Exemplo: No lanamento de 5 moedas, o nmero de pontos amostrais
(resultados possveis) 25 = 32. Portanto, S= 32.
O complemento de um evento constitudo de todos os resultados no espao amostral que no faam parte do evento.
Os eventos so mutuamente excludentes, quando no tm elemento em comum.
Ou se no podem ocorrer simultaneamente.
PUC Minas Virtual
voltar
67
sumrio
voltar
sumrio
Exemplo:
Na extrao de uma s carta, os eventos a carta de copas e a carta
de ouros so mutuamente excludentes, porque uma carta no pode
ser ao mesmo tempo de copas e de ouros.
J os eventos a carta de copas e a carta uma figura no so mutuamente excludentes, porque algumas cartas de copas so tambm figuras.
Muitas vezes, til representar graficamente um espao amostral, porque isso torna mais fcil visualizar-lhe os elementos.
Os eventos A e A so complementares.
A
S
Os eventos A e B so mutuamente
excludentes porque no se interceptam.

S
Os eventos A e B no so mutuamente excludentes,

pois tm alguns elementos em comum.
Operaes com Eventos Aleatrios

Consideremos um espao amostral finito:
S = { 1 , 2 , 3 .... n }
PUC Minas Virtual
voltar
68
sumrio
voltar
sumrio
Sejam A e B dois eventos de S, as seguintes operaes so definidas:

A) Reunio A B O evento reunio formado pelos pontos amostrais que pertencem a pelo menos um dos eventos.
A B = {1 () S / 1 A ou 1 B }
S
o evento que ocorre se A

ocorre ou B ocorre, ou ambos ocorrem
B) Interseo A B O evento interseo formado pelos pontos amostrais que

pertencem simultaneamente aos eventos A e B.
A B = {i S i A e i B }
o evento que ocorre se A e

B ocorrem
Obs: Se A B = , A e B so eventos
mutuamente exclusivos
C) Complementao S A = Ac o evento que ocorre se A no ocorre.
Ac = {i S i A}
AC
A
PUC Minas Virtual
voltar
69
sumrio
voltar
sumrio
6.2. Probabilidade: Definio Clssica; Probabilidade e freqncia relativa

Dado um experimento aleatrio, E e S o espao amostral, probabilidade de um
evento A P(A) - uma funo definida em S que associa a cada evento um
nmero real, satisfazendo os seguintes axiomas:
0 < P(A) <1
P(S) = 1
Se A e B forem eventos mutuamente exclusivos, ( A B)=), ento:
P (A B)=P(A)+P(B)
Chamamos de probabilidade de um evento A (A S) o nmero real P(A), tal que:
P(A) =
Nmero de Casos Favorveis ( A) NCF(A)

=
Nmero Total de Casos
NTC
6.3. Tipos de eventos

Chamamos de evento qualquer subconjunto do espao amostral S de um experimento aleatrio.
Assim, qualquer que seja E, se E S (E est contido em S), ento E um evento
de S.
Evento Certo aquele que ocorre em qualquer realizao do experimento aleatrio.
Se E = S, E chamado evento certo.
Evento Elementar aquele formado por um nico elemento do espao amostral.
Se E S e E um conjunto unitrio, E chamado evento elementar.
Evento Impossvel - aquele que no ocorre em nenhuma realizao de um experimento aleatrio. Se E = , E chamado evento impossvel.
Evento Complementar seja um evento A qualquer, o evento A (chamado de
complementar de A), tal que A=S-A, ou seja, um outro conjunto formado pelos
elementos que pertencem a S e no pertencem a A.
PUC Minas Virtual
voltar
70
sumrio
voltar
sumrio
Eventos Equiprovveis
Quando se associa a cada ponto amostral a mesma probabilidade, o espao amostral chama-se equiprovvel ou uniforme. Os eventos Ei,i=1,2,3......n so equiprovveis quando P(Ei)=P(E2)=P(En)=P, isto , quando todos tm a mesma probabilidade de ocorrer: P=1/n.
Se os n pontos amostrais (eventos) so equiprovveis, a probabilidade de cada um
dos pontos amostrais 1/n .
r
1
P ( A) = r P ( A) =
n
n
Exemplo:
Retira-se uma carta de um baralho completo de 52 cartas. Qual a probabilidade de sair um rei ou uma carta de espadas?
Soluo:
P( A B) = P ( A) + P( B) P ( A B )
Eventos mutuamente exclusivos
Dois eventos A e B so denominados mutuamente exclusivos se eles no puderem
ocorrer simultaneamente, isto , A B = .
Evento impossvel
Exemplo:
E = Jogar um dado e observar o resultado. Sejam os eventos A= ocorrer
n par e B= ocorrer n mpar.
S = {1,2,3,4,5,6}
Ento, A e B so mutuamente exclusivos, pois a ocorrncia de um nmero par e mpar no pode ser verificada em decorrncia da mesma experincia.
PUC Minas Virtual
voltar
71
sumrio
voltar
sumrio
6.4. Axiomas de Probabilidade

1 Se o conjunto vazio (evento impossvel), ento P()=0.
2 Teorema do evento complementar: Se Ac o complemento do evento A, ento:
P(Ac) = 1 P(A)
3 Teorema da soma: Se A e B so dois eventos quaisquer, ento:
P(A B) = P (A) + P (B) P (A B)
Se tomssemos apenas P(A B) = P (A) + P (B), estaramos, considerando duas
vezes a probabilidade de interseo.
Teoria da Contagem
Dados dois eventos, o primeiro dos quais pode ocorrer de m maneiras distintas e o
segundo pode ocorrer de n maneiras distintas, ento os dois eventos conjuntamente podem ocorrer de m.n maneiras distintas. O clculo da probabilidade de um evento reduz-se a um problema de contagem. Assim que a Anlise Combinatria
tem fundamental importncia para se contar o n de casos favorveis e o total de
casos. Para problemas simples ou com poucos elementos, pode-se contr o nmro
de resultados de forma direta, sem necessidade de recorrer s frmulas matemticas da anlise combinatria. Para problemas menos simples, recorre-se s combinaes e arranjos para determinar o nmero de casos.
Combinao
o
O Nmero de combinaes de r elementos combinados p a p sendo

p<r e calculado por:
r
r!
Cr ,p = =
p p! (r p )!
Notao: O Smbolo fatorial ! denota o produto dos inteiros positivos em ordem
decrescente. Por exemplo, 6! = 6.5.4.3.2.1= 720. Por definio , 0! = 1.
PUC Minas Virtual
voltar
72
sumrio
voltar
sumrio
Exemplo: Quantas comisses de trs pessoas podem ser formadas com

um grupo de dez pessoas?
10 10.9.8.7!
C10,3 = =
= 120
3.2.7!
3
Podemos ter 120 comisses diferentes compostos com 3 pessoas.
Arranjos
O nmero de arranjos de r elementos calculado por:
Ar , p =
r!
(r p)!
Exemplo: Considerando um grupo de dez pessoas, quantas chapas diferentes podemos ter para uma eleio de presidente, tesoureiro e secretrio?
A10,3 =
10!
3628800 3628800
=
=
= 720
(10 3)!
7!
5040
Podemos ter 720 chapas diferentes.

OBS: Quando queremos selecionar r elementos de um conjunto de n elementos
distintos sem levar em conta a ordem, estamos considerando combinaes, quando
contamos separadamente ordenaes diferentes dos mesmos elementos temos
arranjos.
PUC Minas Virtual
voltar
73
sumrio
voltar
sumrio
6.5. Probabilidade Condicional e Independncia de Eventos

Probabilidade Condicional
O evento em que ambos, A e B, ocorrem chamado A interseo B; portanto, a
probabilidade do evento A ocorrer, dado que B ocorreu, de:
P( A B) =
P( A B)
P (B )
Isso significa que a probabilidade de A ocorrer, dado que B ocorreu, igual probabilidade de ocorrncia simultnea de A e B dividida pela probabilidade de ocorrncia de B. (Note-se que essa definio no se aplica quando P(B)=0, porque ento estaramos dividindo por zero).
Exemplo:
Dois dados so lanados. Consideremos os eventos
A={(x1,x2) / x1+x2=10} e B={(x1,x2) / x1 > x2},
onde x1 o resultado do dado 1 e x2 o resultado do dado 2. Avaliar
P(A); P(B); P(A/B) e P(B/A).
Soluo:
P(A)= 3/36 =1/12
P(B) =15/36 =5/12
P(A/B)=1/15
P(B/A)=1/3
Teorema do Produto
A probabilidade da ocorrncia simultnea de dois eventos, A e B, do mesmo espao amostral, igual ao produto da probabilidade de um deles pela probabilidade
condicional do outro, dado o primeiro.
PUC Minas Virtual
voltar
74
sumrio
voltar
P( A B) =
sumrio
P( A B)
P (B )
P (B A ) =
P( A B)
P ( A)
Independncia Estatstica
Um evento A considerado independente de um outro evento B se a probabilidade
de A igual probabilidade condicional de A dado B.
Exemplo: Em um lote de 12 peas, 4 so defeituosas, 2 peas so retiradas uma aps a outra, sem reposio. Qual a probabilidade de que
ambas sejam boas?
A={a 1 pea boa}
B={a 2 pea boa}
P(A B)= P(A). P(B/A)= 8/12.7/11=14/33
Isto , se P(A)=P(A/B) evidente que, se A independente de B, B
independente de A; P(B)=P(B/A). Se A e B so independentes, ento
temos que
P(A B)=P(A).P(B)
Regra de Bayes
Sejam A1, A2, A3,......An, n eventos mutuamente exclusivos tais que A1 A2 An =
S.
Sejam P(Ai) as probabilidades conhecidas dos vrios eventos e B um evento qualquer de S, tal que so conhecidas todas as probabilidades condicionais P(B/Ai).
P ( Ai / B) =
P( Ai ).P( B / Ai )
P ( A1 ).P ( B / A1 ) + P( A2 ).P( B / A2 ) + ...... + P( An ).P( B / An )
OBS: O Teorema de Bayes tambm chamado de Teorema da Probabilidade a Posteriori. Ele relaciona uma das parcelas da probabilidade total com a prpria probabilidade total.
PUC Minas Virtual
voltar
75
sumrio
voltar
sumrio
uma generalizao da probabilidade condicional ao caso de mais de dois eventos.

Exemplos:
1. Sendo P(A) = 1/3, P(B)= e P(A B)=11/12, calcular P(A/B).
Soluo:
Como P ( A / B ) =
P( A B)
, devemos calcular P(A B).
P( B)
Como P(A B) = P(A) + P(B) - P(A B),

temos: 11/12= 1/3 + - P(A B)
P(A B)= 2/12=1/6
logo, P(A/B) =
1/ 6 2
=
3/ 4 9
2. Em certo colgio, 5% dos homens e 2% das mulheres tm mais do que

1,80 m de altura. Por outro lado, 60% dos estudantes so homens. Se um
estudante selecionado aleatoriamente e tem mais de 1,80m de altura,
qual a probabilidade de que o estudante seja mulher?
Soluo:
Temos que :
P(Ma/H) = 0,05
(Probabilidade de Homem ter mais de 1,80 m)
P(Ma/M) = 0,02
(Probabilidade de Mulher ter mais de 1,80 m)
P(H) = 0,6
(Probabilidade de ser homem)
P(M) = 0,4
(Probabilidade de ser mulher)
P(M/Ma)= ?
(Probabilidade de ser mulher dado que tem mais que 1,80 m)
PUC Minas Virtual
voltar
76
sumrio
voltar
sumrio
Utilizando a Regra de Bayes temos:
P( M ) * P( Ma / M )
0,4 * 0,02
=
P( M ) * P( Ma / M ) + P ( H ) * P( Ma / H ) (0,4 * 0,02) + (0,6 * 0,05)
0,008
P ( M / Ma) =
= 0,21 = 21%
0,038
P ( M / Ma) =
3. Trs mquinas, A, B e C produzem respectivamente 40%, 50% e 10% do

total de peas de uma fbrica. As porcentagens de peas defeituosas nas
respectivas mquinas so 3%, 5% e 2%. Uma pea sorteada ao acaso e
verifica-se que defeituosa. Qual a probabilidade de que a pea tenha vindo da mquina B? E da mquina A?
Soluo
Temos que :
P(A) = 0,4
P(B) = 0,5
P(C)= 0,10
P(D/A) = 0,03
P(D/B) = 0,05
P(D/C) = 0,02
P(B/D) = ?
Utilizando a Regra de Bayes temos:
P( B) * P( D / B)
P( A) * P ( D / A) + P( B) * P( D / B) + P(C ) * P ( D / C )
0,5 * 0,05
P( B / D) =
0,4 * 0,03 + 0,5 * 0,05 + 0,1 * 0,02
0,025
P( B / D) =
= 0,641 = 64,1%
0,039
P( B / D) =
PUC Minas Virtual
voltar
77
sumrio
voltar
sumrio
UNIDADE 7
Variveis Aleatrias
7.1.
7.2.
7.3.
7.4.
Conceito de varivel aleatria

Distribuio de probabilidade
Funo de densidade de probabilidade
Esperana matemtica, varincia e desvio padro:
propriedades
7.5. Distribuies discretas: Bernoulli, Binomial e Poisson
7.6. Distribuio contnua: Normal - propriedades, distribuio
normal padro, a Normal como aproximao da Binomial
Muitos experimentos aleatrios produzem resultados no-numricos.

Antes de analis-los, conveniente transformar seus resultados em nmeros, o que feito atravs da varivel aleatria, que uma regra de
associao de um valor numrico a cada ponto do espao amostral. Portanto, variveis aleatrias so variveis numricas s quais iremos associar modelos probabilsticos. Veremos que uma varivel aleatria tem
um nmero para cada resultado de um experimento e que uma distribuio de probabilidades associa uma probabilidade a cada resultado numrico de um experimento.
7.1. Conceito de varivel aleatia
Sejam E um experimento e S o espao associado ao experimento. Uma funo X,
que associe a cada elemento s S um nmero real X(s), denominada varivel
aleatria.
R
s
Varivel
Aleatria
X(s)
Exemplo:
E: lanamento de duas moedas;
X: n de caras obtidas nas duas moedas;
PUC Minas Virtual
voltar
78
sumrio
Simetr
voltar
sumrio
S={(C,C), (C,R), (R,C),(R,R)}

X=0 corresponde ao evento (r,r) com probabilidade
X= 1 corresponde ao evento (r,c), (c,r) com probabilidade 2/4
X= 2 corresponde ao evento (c,c) com probabilidade .
Empregamos a termo varivel aleatria para descrever o valor que corresponde ao resultado de determinado experimento.
As variveis aleatrias tambm podem ser discretas ou continuas e temos as seguintes definies:
Variveis Aleatrias Discretas Admite um nmero finito de valores ou
tem uma quantidade enumervel de valores.
Variveis Aleatrias Continuas pode tomar um nmero infinito de valores, e esses valores podem ser associados a mensuraes em uma escala contnua.
7.2. Distribuio de probabilidade
Uma vez definida a varivel aleatria, existe interesse no clculo dos valores das
probabilidades correspondentes.
O conjunto das variveis e das probabilidades correspondentes denominado distribuio de probabilidades, isto :
{(xi,p(xi), I=1,2,.n}
7.3. Funo de densidade de probabilidade
a funo que associa a cada valor assumido pela varivel aleatria a probabilidade do evento correspondente, isto :
P(X=xi)= P(Ai), i=1,2,.,n

7.4. Esperana matemtica, varincia e desvio padro: propriedades
Existem caractersticas numricas que so muito importantes em uma distribuio
de probabilidades de uma varivel aleatria discreta. So os parmetros das distribuies, a saber:
Esperana matemtica (ou simplesmente mdia) - E (x) um nmero real,
tambm uma mdia aritmtica;
PUC Minas Virtual
voltar
79
sumrio
voltar
sumrio
Varincia - VAR (x) a medida que d o grau de disperso (ou de concentrao) de probabilidade em torno da mdia. O fato de conhecermos a mdia de
uma distribuio de probabilidades j nos ajuda bastante, porm, precisamos de
uma medida que nos d o grau de disperso de probabilidade em torno dessa
mdia.
Desvio Padro DP(X) a raiz quadrada da varincia.
7.5. Distribuies discretas: Bernoulli, Binomial e Poisson
Uma funo X, definida sobre o espao amostral e assumindo valores num conjunto
enumervel de pontos do conjunto real, dita uma varivel aleatria discreta.
Uma varivel aleatria X do tipo discreto estar bem caracterizada se indicarmos os
possveis valores x1, x2, , xk que ela pode assumir e as respectivas probabilidades
p(x1), p(x2), , p(xk), ou seja, se conhecermos a sua funo de probabilidade (x;
p(x)), onde
p(x) = P(X = x)
Dada a v.a. discreta X, assumindo os valores x1, x2, , xk , chamamos esperana
matemtica de X ao valor:
E ( X ) = x p( x)
Chamamos varincia de X ao valor:
Var ( X ) = E ( X 2 ) [ E ( X )] 2
onde
E ( X 2 ) = x 2 p( x)
E de desvio padro de X a
DP( X ) = Var ( X )
PUC Minas Virtual
voltar
80
sumrio
voltar
sumrio
Distribuies Discretas de Probabilidade

1. Distribuio de Bernoulli
Seja um experimento aleatrio E realizado repetidas vezes, sempre nas mesmas
condies, de tal forma que o resultado pode ser um Sucesso (s) (se acontecer o
evento que nos interessa) ou um Fracasso (f) (se o evento no se realizar).
Seja X a varivel aleatria: Sucesso ou Fracasso
X x1 = 1 (sucesso)
x 2 = 0 (fracasso)
ou
P(X) p(x 1 ) = p
p(x 2 ) = 1 p = q
P ( x = 0) = q
P(x = 1 ) = p
Essas condies caracterizam um conjunto de Provas de Bernoulli ou um experimento de Bernoulli, e sua funo probabilidade dada por:
P ( X = x) = p x .q 1 x
Principais caractersticas
1
Mdia:
E ( X ) = xi P( xi ) = 0.q + 1. p = p
i =0
Varincia:
Var ( X ) = E ( X 2 ) [ E ( X )]2
1
E ( X 2 ) = xi2 P ( xi ) = 0 2 q + 12 p = p
i =0
Var ( X ) = p p 2 = p (1 p) = pq
PUC Minas Virtual
voltar
81
sumrio
voltar
sumrio
2. Distribuio Binomial
Uma varivel aleatria tem distribuio binomial quando o experimento ao qual
est relacionada apresenta apenas dois resultados (sucesso ou fracasso). Este modelo fundamenta-se nas seguintes hipteses:
n provas independentes e do mesmo tipo so realizadas;
cada prova admite dois resultados Sucesso ou Fracasso;
a probabilidade de sucesso em cada prova p e de fracasso 1- p = q
Define-se a Varivel X que conta o nmero de sucesso nas n realizaes do experimento.

(X pode assumir os valores 0, 1, 2, 3, ......., n.)
Fazendo sucesso corresponder a 1 e fracasso, a 0, temos:
Para X = 0 , uma seqncia de n zeros : 000000....000.
P ( X = 0) = q.q.q.q.q.....q = q n
Para X = 1, uma seqncia do tipo: 1000....0; 01000....0; 001000...0; sero n

seqncias, cada uma com um nico sucesso e n-1 fracassos:
P ( X = 1) = n. p.q n 1
Para X= x, tem-se x sucessos e (n-x) fracassos, correspondendo s seqncias
com x algarismos 1 e n-x zeros. Cada seqncia ter probabilidade
p x q n x
h seqncias distintas, tem-se:

x
n
P( X = x) = p x q n x
x
PUC Minas Virtual
voltar
82
Expresso geral da
distribuio Binomial
sumrio
e como
voltar
sumrio
Principais caractersticas:
Mdia: E ( X ) = n. p
Varincia: Var ( X ) = n. p.q

Exemplo: Uma moeda no viciada lanada 8 vezes. Encontre a probabilidade de:
a)
dar 5 caras;
b)
pelo menos uma cara;
c)
no mximo 2 caras.
Soluo:
a) x = sair cara, p=0,5 ( probabilidade do sucesso de X), q= 0,5 ( probabilidade do fracasso de X0, n = 8 ( nmero de repeties do evento).
P ( X = 5) =
8!
40320
.0,5 5.0,585 =
.0,58 = 0,21875 = 21,88%
5!(8 5)!
120.6
b) P(x1)= 1 { P(X=0)} = 1-{ qn} = 1- 0,58 = 0,9960 = 99,6%
c) P(X2) = P(X=0)+ P(x=1) + P(X=2) , utilizando as frmulas dos itens anteriores calcula-se as probabilidades.
3. Distribuio de Poisson
Consideremos a probabilidade de ocorrncia de sucessos em um determinado intervalo. A probabilidade da ocorrncia de um sucesso no intervalo proporcional ao
intervalo. A probabilidade de mais de um sucesso nesse intervalo bastante pequena em relao probabilidade de um sucesso.
PUC Minas Virtual
voltar
83
sumrio
voltar
sumrio
Seja X o nmero de sucessos no intervalo; temos, ento:
P( X = k ) =
e .k
k!
onde a mdia.
A varivel X assim definida tem distribuio de Poisson.

A distribuio de Poisson muito usada na distribuio do nmero de:
Carros que passam por um cruzamento por minuto, durante uma certa hora do
dia;
Erros tipogrficos por pgina, em um material impresso;
Defeitos por unidade (m, m, m, etc.,,) por pea fabricada;
Colnias de bactrias numa dada cultura por 0,01mm, numa plaqueta de microscpio;
Mortes por ataque de corao por ano, numa cidade;
Problemas de filas de espera em geral, e outros.
Principais caractersticas:
Mdia: E ( X ) =
Varincia: Var ( X ) =
OBS: Muitas vezes, no uso da binomial, acontece que n muito grande e p muito
pequeno. Podemos, ento, fazer uma aproximao de binomial pela distribuio de
Poisson, da seguinte forma:
= np
Exemplo: Em mdia, so feitas 2 chamadas por hora para certo telefone. Calcular a probabilidade de se receber no mximo 3 chamadas em 2
horas e a probabilidade de nenhuma chamada em 90 minutos.
Soluo:
= 2 por hora, para 2 horas = 4
P(X3)= P(X=0)+P(X=1)+P(X=2)+P(X=3)
PUC Minas Virtual
voltar
84
sumrio
voltar
P(X3) =
sumrio
e .0 e .1 e .2 e .3
+
+
+
0!
1!
2!
3!
e 4 .4 0 e 4 .41 e 4 .4 2 e 4 .4 3
+
+
+
1
1
2
6
4
4
4
4
4
P(X3) = e + 4e + 8e + 10,666e = 23,66e = 0,4334 = 43,34%
P(X3) =
Agora para 90 minutos =3 ( 1 hora (60 minutos) =2)

P(X=0)=
e 3 .30
= e 3 = 0,0498 = 4,98 %
1
7.6. Distribuio contnua: Normal - propriedades, distribuio normal

padro, a Normal como aproximao da Binomial
Uma varivel aleatria, cujos valores so expressos em uma escala contnua,
chamada de varivel aleatria contnua.
Podemos construir modelos tericos para v.a.s contnuas, escolhendo adequadamente a funo de densidade de probabilidade (f.d.p.), que uma funo indicadora da probabilidade nos possveis valores de X.
Assim, a rea sob a f.d.p. entre dois pontos a e b nos d a probabilidade da varivel
assumir valores entre a e b, conforme ilustrado na figura 1, apresentada a seguir.
P(a<X<b)
Figura 1 Probabilidade como rea sob a curva entre dois pontos
PUC Minas Virtual
voltar
85
sumrio
voltar
sumrio
Portanto, podemos escrever:

b
P (a < X < b) = f ( x)dx

a
Da relao entre a probabilidade e a rea sob a funo, a incluso, ou no, dos extremos a e b na expresso acima no afetar os resultados. Assim, iremos admitir
P ( a < X < b) = P ( a X < b) = P ( a < X b) = P ( a X b)

Teoricamente, qualquer funo f(x) que seja no negativa e cuja rea total sob a
curva seja igual unidade, isto ,
f ( x)dx = 1
caracterizar uma v.a. contnua.
Dada a v.a. contnua X, assumindo os valores no intervalo entre a e b, chamamos
valor mdio ou esperana matemtica de X ao valor
b
E ( X ) = x f ( x)dx
a
Chamamos varincia de X ao valor
Var ( X ) = E ( X 2 ) [ E ( X )] 2
onde
b
E ( X 2 ) = x 2 f ( x)dx
a
e de desvio padro de X a
DP( X ) = Var ( X )
Se X uma v.a. contnua com f.d.p. f(x), definimos a sua funo de distribuio
acumulada F(x) como:
x
F ( x) = P ( X x) =
f (t )dt
PUC Minas Virtual
voltar
86
sumrio
voltar
sumrio
1 - Distribuio Normal
A distribuio normal a mais importante das distribuies de probabilidades. Conhecida como a curva em forma de sino, a distribuio normal tem sua origem
associada aos erros de mensurao. sabido que quando se efetuam repetidas
mensuraes de determinada grandeza com um aparelho equilibrado, no se chega
ao mesmo resultado todas as vezes; obtm-se, ao contrrio, um conjunto de valores que oscilam, de modo aproximadamente simtrico, em torno do verdadeiro valor. Construindo-se o histograma desses valores, obtm-se uma figura com forma
aproximadamente simtrica. Gauss deduziu matematicamente a distribuio normal
como distribuio de probabilidade dos erros de observao, denominando-a ento
lei normal dos erros.
Supunha-se inicialmente que todos os fenmenos da vida real devessem ajustar-se
a uma curva em forma de sino; em caso contrrio, suspeitava-se de alguma anormalidade no processo de coleta de dados. Da a designao de curva normal.
A observao cuidadosa subseqente mostrou, entretanto, que essa pretensa universalidade da curva, ou distribuio normal, no correspondia realidade. De fato,
no so poucos os exemplos de fenmenos da vida real representados por distribuies no normais, curvas assimtricas, por exemplo. Mesmo assim, a distribuio
normal desempenha papel preponderante na estatstica, e os processos de inferncia nela baseados tm larga aplicao.
A distribuio normal tem sua funo de densidade de probabilidade dada por
f(x) =
(x )2
exp
2 2
< x <
Como pode-se observar atravs da equao acima, a distribuio normal inclui os

parmetros e , os quais possuem os seguintes significados:
: posio central da distribuio (mdia, x)

: disperso da distribuio (desvio padro, x)
2
Se uma varivel aleatria X tem distribuio normal com mdia e varincia ,

2
escrevemos: X N( , ).
A figura 2 ilustra uma curva normal tpica, com seus parmetros descritos graficamente.
PUC Minas Virtual
voltar
87
sumrio
voltar
sumrio
f(x)
: mdia
: desvio padro
Figura 2 - Curva normal tpica
Propriedades da distribuio normal

Para uma mesma mdia e diferentes desvios padro , a distribuio que tem
maior desvio padro se apresenta mais achatada, acusando maior disperso em
torno da mdia. A que tem menor desvio padro apresenta pico mais acentuado e
maior concentrao em torno da mdia. A figura 3 compara trs curvas normais,
com a mesma mdia, porm, com desvios padro diferentes. A curva A se apresenta mais dispersa que a curva B, que por sua vez se apresenta mais dispersa que a
curva C. Nesse caso, A > B > C.
Distribuies normais com o mesmo desvio padro e mdias diferentes possuem a
mesma disperso, mas diferem quanto localizao. Quanto maior a mdia, mais
direita est a curva. A figura 4 ilustra o fato, onde a curva A possui mdia maior
que a curva B (A > B).
B
A
Figura 3 - Distribuies normais com mesma mdia e desvios padro diferentes
PUC Minas Virtual
voltar
88
sumrio
voltar
sumrio
Figura 4 - Distribuies normais com mesmo desvio padro e mdias diferentes
Como descrito anteriormente, a probabilidade de uma varivel assumir valores entre a e b igual rea sob a curva entre esses dois pontos. A determinao dessas
probabilidades realizada matematicamente atravs da integrao da funo de
densidade de probabilidade entre os pontos a e b de interesse. No caso da normal,
a integral no pode ser calculada exatamente e a probabilidade entre dois pontos
s pode ser obtida de forma aproximada, por mtodos numricos. Essa tarefa
facilitada atravs do uso da distribuio normal padro definida a seguir.
No caso da distribuio normal, algumas dessas reas - com os pontos a e b, funo da mdia e do desvio padro so bastante difundidas e esto representadas na figura 5:
99.73 %
95.46 %
68.26 %
-3
-2
+2
+3
Figura 5 - Probabilidades da distribuio normal
Portanto, 68,26% dos valores populacionais caem entre os limites definidos como
mdia mais ou menos um desvio padro ( 1); 95,46% dos valores caem entre
PUC Minas Virtual
voltar
89
sumrio
voltar
sumrio
mdia mais ou menos dois desvios padro ( 2); e 99,73% dos valores caem
entre mdia mais ou menos trs desvios padro ( 3).
A distribuio normal padro
A distribuio normal particular com mdia 0 e desvio padro 1 chamada de distribuio normal padro e costuma ser denotada por Z.
2
Se X N( , ), ento, a varivel aleatria definida por
Z=
ter uma distribuio N(0,1). Essa transformao ilustrada pela figura 6:
X
-3
-2
+2
+3
X-
-3
-2
-1
Z
1
Figura 6 - Transformao de uma N(
,2) para uma N(0,1)
A rea esquerda de um valor especificado da N(0,1) encontra-se tabelada.

Utilizando-se a transformao acima, podemos obter as probabilidades para
2
qualquer N( , ). O procedimento ilustrado atravs do exemplo abaixo.

Exemplo:
Extrudados tubulares possuem tenso de escoamento (tenso a partir da qual o
material se deforma plasticamente), que segue uma distribuio normal com mdia
de 210 MPa com desvio padro de 5 MPa. Em notao estatstica, X N(210 ,52).
desejado que tais extrudados tenham tenso de escoamento de pelo menos 200
MPa. Portanto, a probabilidade do extrudado no atingir a especificao desejada :
PUC Minas Virtual
voltar
90
sumrio
voltar
sumrio
Soluo:
200 210
P(X < 200) = P Z <

= P(Z < -2).
5
A figura 7 mostra a transformao realizada e a rea desejada.
P(X<200)
180
190
200
210
220
230
240
-2
P(Z<-2)
-6
-4
Figura 7 - Probabilidade do extrudado no atingir a especificao desejada
Para clculo dessa probabilidade, utilizamos a tabela de distribuio normal padronizada ( que esta no apndice do livro indicado na bibliografia bsica). Observe que
a tabela traz apenas a P(Z<z) para z no negativo (z 0). As propriedades que se
seguem podem ser deduzidas a partir da simetria da densidade em relao mdia
0, e so teis na obteno de outras reas no tabuladas.
P(Z>z) = 1 - P(Z<z)
P(Z<-z) = P(Z>z)
P(Z>-z) = P(Z<z)
PUC Minas Virtual
voltar
91
sumrio
voltar
sumrio
P(Z < -z)
1 - P(Z < z)
-z
Figura 8 - reas correspondentes na distribuio normal
Utilizando as relaes apresentadas acima, a probabilidade do extrudado no atender especificao

P(X < 200) = P(Z < -2) = P(Z > 2) = 1 - P(Z < 2)
que, atravs da tabela da N(0,1) igual a
P (X < 200) = 1 - 0,97725 = 0,02275.
= 2,275%
PUC Minas Virtual
voltar
92
sumrio
voltar
sumrio
UNIDADE 8
Inferncia Estatstica
Distribuies amostrais
8.2. Estimao
8.3. Testes de Hipteses
Trata-se do processo de obter informaes sobre uma populao a partir

de resultados observados na amostra.
De modo geral, tem-se uma populao com grande nmero de elementos e deseja-se, a partir de uma amostra dessa populao, conhecer o
mais prximo possvel algumas caractersticas da populao.
Toda concluso tirada por uma amostragem, quando generalizada para
a populao, vir acompanhada de um grau de incerteza ou risco.
Ao conjunto de tcnicas e procedimentos que permitem dar ao pesquisador um grau de confiabilidade, de confiana nas afirmaes que faz
para a populao, baseadas nos resultados das amostras, damos o nome de Inferncia Estatstica.
O problema fundamental da Inferncia Estatstica, portanto, medir o
grau de incerteza ou risco dessas generalizaes. Os instrumentos da
Inferncia Estatstica permitem a viabilidade das concluses por meio de
afirmaes estatsticas.
Distribuies amostrais
Se um conjunto de dados consiste de todas as observaes possveis (concebveis
ou hipotticas), chamado uma populao; se um conjunto de dados se consiste
apenas de uma parte dessas observaes, chamado uma amostra.
PUC Minas Virtual
voltar
93
sumrio
Simetr
voltar
sumrio
Um dos principais objetivos da maioria dos estudos, anlises ou pesquisas estatsticas fazer generalizaes seguras - com base em amostras em relao s populaes das quais se extraram as amostras.
Definies
Parmetro: a medida usada para escrever uma caracterstica numrica populacional. Genericamente representado por . A mdia (), a varincia (2) e o coeficiente de correlao () so alguns exemplos de parmetros populacionais.
Estimador: tambm denominado estatstica de um parmetro populacional. uma
caracterstica numrica determinada na amostra, uma funo de seus elementos.
Genericamente, representado por . A mdia amostral (x) e a varincia amostral
(s2) so alguns dos exemplos de estimadores.
POPULAO
PARMETROS:
AMOSTRAS
ESTIMADORES:
Distribuio Amostral
Considere todas as possveis amostras de tamanho n que podem ser extradas de
determinada populao. Se para cada uma delas se calcular um valor do estimador,
tem-se uma distribuio amostral desse estimador. Como o estimador uma varivel aleatria, pode-se determinar suas caractersticas, isto , encontrar sua mdia,
varincia, desvio-padro.
As distribuies amostrais so fundamentais para o processo de inferncia estatstica.
Distribuio amostral da Mdia
Sabe-se que x' =
x
n
(mdia aritmtica) um estimador da mdia populacional .
O estimador x uma varivel aleatria; portanto, busca-se conhecer sua distribuio de probabilidade.
PUC Minas Virtual
voltar
94
sumrio
voltar
sumrio
Teorema 1 A mdia da distribuio amostral das mdias, denotada por (x),

igual mdia populacional .
E (x) = (x) =
Assim, provado que a mdia das mdias amostrais igual mdia populacional.
Teorema 2 Se a populao infinita, ou se a amostragem com reposio, ento
a varincia da distribuio amostral das mdias, denotada por 2(x), dada por:
VAR ( x ' ) =
2
x'
Teorema 3 Se a populao finita, ou se a amostragem sem preposio, ento

a varincia da distribuio amostral das mdias dada por:
( x' ) =
2
2 N n
x' =
n N 1
N n
N 1
Sendo que: (x) =

Teorema 4 - Se a populao tem ou no distribuio normal com mdia e varincia 2, ento a distribuio das mdias amostrais ser normalmente distribuda com
mdia e varincia
2
n
Esses quatro teoremas provam que a mdia amostral (x) tem distribuio normal
com mdia igual mdia da populao () e varincia dada por
es infinitas, assim como
2 N n
para populaes finitas.

n N 1
x' N ;
n
2 N n
x' N ;

n
N
ou
PUC Minas Virtual
voltar
95
sumrio
para popula-
Ou, ainda:
voltar
sumrio
com distribuies padronizadas dadas por:
xi
Zi =
Zi =
ou
xi
N n
N 1
Exemplo:
Temos uma populao de 5000 alunos de uma faculdade. Sabemos que
a altura mdia dos alunos de 175 cm e o desvio padro, de 5 cm. Retiramos uma amostra sem reposio, de tamanho n = 100. Qual o valor
do desvio padro amostral?
Soluo:
X : N (175 ,
Ento
x =
25 cm)
= 175cm
= 5cm
()
x = E x = 175
N n
5 5000 25
=
= 0,4988
N 1 10 5000 1
8.2. Estimao
H dois tipos fundamentais de estimao: por ponto e por intervalo.
Estimao pontual
O problema da estimao pontual surge quando estamos interessados em alguma
caracterstica numrica de uma distribuio desconhecida (ex: mdia, varincia) e
desejamos calcular, a partir de observaes, um nmero que inferimos que seja
uma aproximao da caracterstica numrica em questo.
Para ilustrar alguns dos problemas com os quais nos deparamos quando estimamos
a mdia de uma populao com base em dados amostrais, vamos recorrer a um
PUC Minas Virtual
voltar
96
sumrio
voltar
sumrio
estudo em que planejadores industriais procuraram determinar o tempo mdio que

um adulto leva para montar um rob fcil de montar. Com uma amostra aleatria, obtm-se os seguintes dados (em minutos) para 36 pessoas que montaram o
rob:
17
13
18
19
17
21
29
22
16
28
21
15
26
23
24
20
17
17
21
32
18
25
22
16
10
20
22
19
14
30
22
12
24
28
11
A mdia desta amostra x = 19,9 minutos. Na ausncia de qualquer outra informao, podemos tomar esta cifra como uma estimativa de , o verdadeiro tempo
mdio que um adulto leva para montar o rob.
Esse tipo de estimativa chamada estimativa pontual, pois consiste de um nico
nmero, ou um nico ponto na escala dos nmeros reais. Embora se trate da forma
mais comum de expressar estimativas, ela deixa margem para no poucas questes. Por exemplo, no nos diz em quantas informaes a estimativa se baseia,
nem tampouco nos informa sobre o tamanho possvel do erro.
Estimao por intervalo
A estimao por pontos de um parmetro no possui uma medida do possvel erro
cometido na estimao, da surge a idia de construir os intervalos de confiana,
que so baseados na distribuio amostral do estimador pontual.
Uma maneira de expressar a preciso da estimao estabelecer limites que, com
certa probabilidade, incluam o verdadeiro valor do parmetro da populao. Esses
limites so chamados limites de confiana: determinam um intervalo de confiana, no qual dever estar o verdadeiro valor do parmetro. Logo, a estimao por
intervalo consiste na fixao de dois valores tais que (1 - ) seja a probabilidade de
que o intervalo, por eles determinado, contenha o verdadeiro valor do parmetro.
: nvel de incerteza ou grau de desconfiana

1 - : coeficiente de confiana ou nvel de confiabilidade.
Portanto, nos d a medida da incerteza desta inferncia (nvel de significncia).

Logo, a partir das informaes de amostra, devemos calcular os limites de um in-
PUC Minas Virtual
voltar
97
sumrio
voltar
sumrio
tervalo, valores crticos que em (1 - )% dos casos inclua o valor do parmetro a

estimar e em % dos casos no inclua o valor do parmetro.
Intervalo de confiana (IC) para a mdia populacional ()
quando a Varincia (2) conhecida.
Como se sabe, o estimador de x. Tambm conhecida a distribuio de
probabilidade de x:
x' N ;
n
2
x' N ;
n
para as populaes infinitas,
N n
para as populaes finitas.
Assim, para o caso de populaes infinitas, a varivel padronizada de x ser:
Z =
x'
n
Fixando-se um nvel de confiana 1 - , tem-se:
Ou seja:
P Z Z Z = 1
2
2
PUC Minas Virtual
voltar
98
sumrio
voltar
sumrio
Substituindo-se o valor de Z, tem-se:
x'
P Z
Z
=1
2
2
Resolvendo-se as duas inequaes para , tem-se o intervalo de confiana para a

mdia populacional () quando a varincia (2) conhecida:
P x' Z
x '+ Z
=1
2 n
2 n
Como poder ser verificado, a aplicao da frmula extremamente simples. Fixase o valor de 1 - , ou (1 - )100= %, e observa-se na tabela de distribuio normal padro o valor das abscissas que deixam /2 em cada uma das caudas. Com
os valores de x (mdia amostral), =desvio padro da populao, que neste caso
conhecido, e n (tamanho da amostra), constri-se o intervalo.
Para o caso de populaes finitas, usa-se a seguinte frmula:

P x ' Z
2 n

N n
x '+ Z
N 1
2 n
N n
=1
N 1
Exemplo:
A durao da vida de uma pea de equipamento tal que =5 horas.
Foram amostradas 100 dessas peas, obtendo-se a mdia de 500 horas.
Deseja-se construir um intervalo de confiana para a verdadeira durao
mdia da pea com um nvel de 95%.
Soluo:
= 5 ; n = 100 x=500
PUC Minas Virtual
voltar
(1 - )100=95%
99
sumrio
voltar
sumrio
o grfico da distribuio normal padro ser:
2,5%
2,5%
95%
-1,96
1,96
lembre-se que para descobrir a abscissa 1,96, entrou-se na tabela de

distribuio normal padronizada com o valor 0,475 = 47,5 , j que a tabela de faixa central.
Substituindo na formula :
P x' Z
x '+ Z
=1
2 n
2 n
5
5
P 500 1,96
500 + 1,96
= 95%
100
100
Efetuando os clculos temos:

P(499,02 500,98) = 95%
8.3. Testes de Hipteses

Trata-se de uma tcnica para se fazer inferncia estatstica. Ou seja, a partir de um
teste de hipteses realizado com os dados amostrais, pode-se fazer inferncias sobre a populao.
Principais conceitos
Hipteses Estatstica Trata-se de uma suposio quanto ao valor de um parmetro populacional, ou quanto natureza da distribuio de probabilidade de uma
varivel populacional. So exemplos de hipteses estatsticas:
a)
Os chips da marca A tm vida mdia H : = 0;
PUC Minas Virtual
voltar
100
sumrio
voltar
sumrio
b)
O nvel de inteligncia de uma populao de universitrios H : = 0;
c)
O ao produzido pelo processo A mais duro que o ao produzido pelo processo B:A > B;
d)
A altura mdia da populao brasileira de 1,65m, isto : H :=1,65m;
e)
A varincia populacional dos salrios vale R$ 5.0002, isto : H :2=5.0002 ;
f)
A proporo de paulistas com a doena X de 40 %, ou seja: H : p=0,40;
g)
A distribuio dos pesos dos alunos da nossa faculdade normal;
h)
A chegada de navios ao porto de Santos descrita por uma distribuio de

Poisson.
Formulamos duas hipteses bsicas:

Ho: hiptese nula ou da existncia;
H1: hiptese alternativa.
Testamos hipteses para tomarmos uma deciso entre duas alternativas. Por essa
razo, o Teste de Hiptese um Processo de Deciso Estatstica.
Tipos de Hiptese Designa-se por H0, chamada hiptese nula, a hiptese estatstica a ser testada, e por H1 a hiptese alternativa. A hiptese nula expressa uma igualdade, enquanto a hiptese alternativa dada por uma desigualdade.
Exemplo:
H 0 : = 1,65m
para testes bilaterais (d origem a um teste bicaudal)
H1 : 1,65m
H 0 : = 1,65m
para testes unilaterais direita (d origem a um teste unilateral direita)
H1 : > 1,65m
H 0 : = 1,65m
para testes unilaterais esquerda (d origem a um teste unicaudal esquerda)
H1 : < 1,65m
O procedimento padro para a realizao de um Teste de Hipteses o seguinte:

Define-se as hipteses do teste: nula e alternativa;
Fixa-se um nvel de significncia ;
Levanta-se uma amostra de tamanho n e calcula-se uma estimativa 0 do parmetro ;
PUC Minas Virtual
voltar
101
sumrio
voltar
sumrio
Usa-se para cada tipo de teste uma varivel cuja distribuio amostral do estimador dos parmetros seja a mais concentrada em torno do verdadeiro valor do
parmetro;
Calcula-se com o valor do parmetro 0, dado por H0, o valor crtico, valor observado na amostra ou valor calculado (Vcalc);
Fixa-se duas regies: uma de no rejeio de H0 (RNR) e uma de rejeio de H0
ou crtica (RC) para o valor calculado, ao nvel de risco dado;
Se o valor observado (Vcalc) Regio de No Rejeio, a deciso a de no rejeitar H0;
Se Vcalc Regio Crtica, a deciso a de rejeitar H0.
Devemos observar que quando se fixa , determinamos para os testes bilaterais,
por exemplo, valores crticos (tabelados), V, tais que:
P(|Vcalc|< V)=1 - RNR
P(|Vcalc| V)= RC
Testes de Hipteses para a Mdia de Populaes

normais com varincias (2) conhecidas
Testes Bilaterais
De uma populao normal com varincia 36, toma-se uma amostra casual de tamanho 16, obtendo-se x=43. Ao nvel de 10%, testar as hipteses:
H 0 : = 45
H1 : 45
Soluo: Como o teste para mdia de populaes normais com varincia conhecida, usaremos a varivel Z: N(0,1) como critrio.
2=36
x=43
n=16
PUC Minas Virtual
voltar
102
sumrio
voltar
Z=
sumrio
x ' H 0
'
x' =
Como o teste bilateral e =10%, a Regio de No Rejeio, (RNR), :

P(|Z|< Z)=1 - P(|Z|<1,64)=0,90
Z=Z5%=1,64
E a Regio de Rejeio (RC) dada por
P ( Z Z ) = P ( Z 1,64) = 0,10
Como Zcalc=-1,33
Temos que Zcalc RNR
Logo, a deciso no rejeitarmos H0, isto , a mdia de 45, com 10% de risco de
no rejeitarmos uma hiptese falsa.
Testes Unilateral (Monocaudal) Esquerda

Uma fbrica anuncia que o ndice de nicotina dos cigarros da marca X apresenta-se
abaixo de 26 mg por cigarro. Um laboratrio realiza 10 anlises do ndice obtendo:
26,24,23,22,28,25,27,26,28,24. Sabe-se que o ndice de nicotina dos cigarros da
marca X se distribui normalmente com varincia 5,36 mg2. Pode-se aceitar a afirmao do fabricante, ao nvel de 5%?
PUC Minas Virtual
voltar
103
sumrio
voltar
sumrio
H 0 : = 26
H1 : < 26
RNR= (-1,64; +)
RC = (- ; -1,64]
Zcalc RNR
No se rejeita H0, isto , ao nvel de 5% podemos concluir que a afirmao do fabricante falsa.
Testes Unilateral (Monocaudal) Direita

Um fabricante de lajotas de cermica introduz um novo material em sua fabricaao
e acredita que aumentar a resistncia mdia, que de 206 kg. A resistncia das
lajotas tem distribuio normal, com desvio padro de 12 kg. Retira-se uma amostra de 30 lajotas, obtendo-se X =210 kg. Ao nvel de 10%, pode o fabricante aceitar que a resistncia mdia de suas lajotas tenha aumentado?
H 0 : = 206
H1 : > 206
PUC Minas Virtual
voltar
104
sumrio
voltar
sumrio
RNR=(- ; 1,28)
RC = [1,28; +)
Zcalc RC
Como Zcalc > Z, rejeita-se H0, isto , ao nvel de 10% o fabricante pode concluir
que a resistncia mdia de suas lajotas aumentou.
Erros de Deciso
Tipos de Erro H dois tipos possveis de erro ao testar uma hiptese estatstica.
Pode-se rejeitar uma hiptese quando ela , de fato, verdadeira, ou aceitar uma
hiptese quando ela , de fato, falsa. A rejeio de uma hiptese verdadeira
chamada erro tipo I. A aceitaao de uma hiptese falsa constitui um erro tipo II.
As probabilidades desses dois tipos de erros so designadas, respectivamente, por
e .
A probabilidade do erro tipo I denomidada nvel de significncia do teste.
Resumindo:
Realidade
H0 verdadeira
H0 falsa
Aceitar H0
Deciso Correta (1-)
Erro tipo II ()
Rejeitar H0
Erro tipo I ()
Deciso Correta (1 - )
Deciso
Observe que o erro tipo I s poder ser cometido se se rejeitar H0; e o erro do tipo
II, quando se aceitar H0.
O objetivo, obviamente, reduzir ao mnimo as probabilidades dos dois tipos de
erros. Infelizmente, essa uma tarefa difcil porque, para uma amostra de determinado tamanho, a probabilidade de se incorrer em um erro tipo II aumenta medida que diminui a probabilidade do erro I. E vice-versa. A reduo simultnea dos
erros poder ser alcanada pelo aumento do tamanho da amostra.
PUC Minas Virtual
voltar
105
sumrio
voltar
sumrio
UNIDADE 9
Correlao e Regresso Linear
9.1. Diagrama de disperso
Simetr
9.2. Correlao Linear

9.3. Coeficiente de Correlao Linear
9.4. Regresso Reta de regresso
(ou reta de mnimos quadrados ou reta de ajuste)
Em muitas situaes, torna-se interessante e til estabelecer uma relao entre duas ou mais variveis. A matemtica estabelece vrios tipos
de relaes entre variveis, por exemplo, as relaes funcionais e as
correlaes.
Relaes Funcionais
So relaes matemticas expressas por sentenas matemticas, cujos exemplos
apresentamos a seguir:
rea do retngulo (A=a.b) a relao entre os lados do retngulo;
Densidade de massa (dm= m/v) a relao entre a massa e o volume de um
corpo;
Permetro de uma circunferncia (C=2R) a relao entre o comprimento da
circunferncia e o valor do raio.
Relaes Estatsticas e Correlaes
So relaes estabelecidas aps uma pesquisa. Com base nos resultados da pesquisa, so feitas comparaes que eventualmente podem conduzir (ou no) ligao entre as variveis.
Exemplo: relao entre a idade e a estatura de uma criana, ou a relao entre a classe social de uma pessoa e o nmero de viagens por ela
realizado.
PUC Minas Virtual
voltar
106
sumrio
voltar
sumrio
No estudo estatstico, a relao entre duas ou mais variveis denomina-se correlao. A utilidade e importncia das correlaes entre duas variveis podem conduzir
descoberta de novos mtodos, cujas estimativas so vitais em tomadas de decises.
9.1. Diagrama de disperso

O diagrama de disperso um grfico cartesiano em que cada um dos eixos corresponde s variveis correlacionadas. A varivel dependente (Y) situa-se no eixo
vertical e o eixo das abscissas reservado para a varivel independente (X). Os
pares ordenados formam uma nuvem de pontos.
A configurao geomtrica do diagrama de disperso pode estar associada a uma
linha reta (correlao linear), uma linha curva (correlao curvilnea) ou, ainda, ter
os pontos dispersos de maneira que no definam nenhuma configurao linear;
nesta ltima situao, no h correlao.
100
18
90
16
80
14
70
12
60
10
50
40
30
20
10
Correlao Linear
Correlao Curvilnea
Figura 9.1. Diagramas de disperso
9.2. Correlao Linear

Correlao linear uma correlao entre duas variveis, cujo grfico aproxima-se
de uma linha. uma linha de tendncia, porque procura acompanhar a tendncia
da distribuio de pontos, que pode corresponder a uma reta ou a uma curva. Por
outro lado, , tambm, uma linha mdia, porque procura deixar a mesma quantidade de pontos abaixo e acima da linha.
PUC Minas Virtual
voltar
107
sumrio
voltar
sumrio
25
100
90
80
20
70
60
15
50
40
10
30
20
10
0
0
0
Correlao Linear negativa
Correlao Linear positiva
8,5
18
16
14
7,5
12
10
6,5
8
6
5,5
0
0
10
12
14
No h correlao
Relao curvilnea direta
Figura 9.2. Diagramas de disperso de diversos tipos de correlao.
Para definir se a correlao entre as variveis corresponde a uma linha reta ou a

uma curva, pode-se utilizar modos qualitativos ou quantitativos.
No modo qualitativo, vai imperar o bom senso do pesquisador para verificar qual
o grau de intensidade na correlao entre as variveis; isso significa o estabelecimento de uma relao numrica que medir o nvel da correlao.
9.3. Coeficiente de Correlao Linear (r)

O coeficiente de correlao linear pode ser apresentado como uma medida de
correlao, pois tem como objetivo indicar o nvel de intensidade que ocorre na
correlao entre as variveis. O coeficiente de correlao linear pode ser positivo ou
negativo. O sinal positivo do coeficiente de correlao linear indica que o sentido da
correlao corresponde a uma reta de inclinao descendente, e o sinal negativo
corresponde a uma reta de inclinao ascendente. Uma das formas de medir o coeficiente de correlao linear foi desenvolvido por Pearson e recebe o nome de coefi-
PUC Minas Virtual
voltar
108
sumrio
voltar
sumrio
ciente de correlao de Pearson. O coeficiente de correlao de Pearson mede o

grau de ajustamento dos valores em torno de uma reta.
Coeficiente de Correlao de Pearson (r):
r=
[n x
n xi yi ( xi )( yi )
2
i
][
( xi ) * n yi2 ( yi )
2
Temos
r = o coeficiente de Pearson
n = o nmero de observaes
xi = varivel independente
yi =varivel dependente
O valor do coeficiente de correlao r tem a variao entre +1 e 1, ou seja, est
limitado entre os valores do Intervalo[-1,+1].
r = +1 (correlao positiva entre as variveis);
r = - 1 (correlao perfeita negativa entre as variveis);
r = 0 (no h correlao entre as variveis ou, ainda, a correlao no linear,
caso exista).
Quanto mais prximo o valor de r estiver do valor 1, mais forte a correlao linear.
Quanto mais prximo o valor de r estiver do valor 0, mais fraca a correlao linear.
Em geral, multiplica-se o valor de r por 100; dessa forma, o resultado passa a ser
expresso em porcentagem. Na prtica, estabelecem-se critrios para verificar os
diversos nveis do fraco ao forte, chegando at o perfeito:
0<|r|<0,3 : a correlao fraca e fica difcil estabelecer relao entre as variveis. Em porcentagem: 0<|r|< 30%;
0,3 |r|< 0,6 : a correlao fraca, porm, podemos considerar a existncia de
relativa correlao entre as variveis. Em porcentagem: 30% |r| <60%;
PUC Minas Virtual
voltar
109
sumrio
voltar
sumrio
0,6 |r| <1 : a correlao de mdia para forte; a relao entre as variveis
significativa, o que permite coerncia com poucos conflitos na obteno das concluses. Em porcentagem: 60% |r| 100%.
Exemplo:
Uma pesquisa pretende verificar se h correlao significativa entre o
peso total do lixo descartado, por dia, numa empresa com o peso do
papel contido nesse lixo.
Hotel
H1
Peso
10,4 19,85 21,2 24,3 27,38 58,09 33,6 35,75 38,33
total
H2
H3
Peso do 2,43 5,12
H4
H5
H6
H7
H8
H9
H10
49,14
6,88 6,22 8,84
8,76
7,54 8,47
9,55
11,43
papel
De acordo com os dados, fazemos a representao grfica. Os pares ordenados

formam o diagrama de disperso.
14
Peso do papel
12
10
8
6
4
2
0
10
20
30
40
50
60
Peso total do lixo
Figura 9.3. Correlao entre o peso total do lixo

descartado e o peso do papel contido nesse lixo
PUC Minas Virtual
voltar
110
sumrio
70
voltar
sumrio
Para se verificar o grau de correlao entre as variveis, calcula-se o coeficiente de

correlao linear pela frmula do coeficiente de correlao de Pearson:
r=
[n x
2
i
][
( xi ) * n yi2 ( yi )
2
Peso total (xi)
Peso papel (yi)
xi yi
xi 2
yi 2
H1
10,47
2,43
25,44
109,62
5,90
H2
19,85
5,12
101,63
394,02
26,21
H3
21,25
6,88
146,20
451,56
47,33
H4
24,36
6,22
151,52
593,41
38,69
H5
27,38
8,84
242,04
749,66
78,15
H6
28,09
8,76
246,07
789,05
76,74
H7
33,61
7,54
253,42
1129,63
56,85
H8
35,73
8,47
302,63
1276,63
71,74
H9
38,33
9,55
366,05
1469,19
91,20
H10
49,14
11,43
561,67
2414,74
130,64
288,21
75,24
2396,68
9377,52
623,47
r=
r=
r=
[n x
2
i
][
( xi ) * n yi2 ( yi )
2
10 * 2396,68 288,21 * 75,24

[10 * 9377,52 (288,21) 2 ] * [10 * 623,47 (75,24) 2 ]
23966 ,8 21684 ,9
2281,83
2281,83
=
=
= 0,9206
[93775 ,2 83065 ] * [6234 ,7 - 5661,1]
10 * 710,21 * 573,59 2478 ,57
PUC Minas Virtual
voltar
111
sumrio
voltar
r = 0,921
sumrio
ou
r = 92,1%
Observamos, assim: 0,6 r 1 . Esse resultado indica que h uma forte correlao
entre as variveis ou, ainda, que a correlao entre as duas variveis bastante
significativa. Nesse caso, podemos concluir haver coerncia na afirmao de que
existe correlao entre o peso total do lixo descartado e o peso do papel contido
nesse lixo.
9.4. Regresso Reta de regresso

(ou reta de mnimos quadrados ou reta de ajuste)
A correlao linear uma correlao entre duas variveis, cujo grfico aproxima-se
de uma linha. O grfico cartesiano que representa essa linha denominado diagrama de disperso. Para poder avaliar melhor a correlao entre as variveis,
interessante obter a equao da reta; essa reta chamada de reta de regresso e
a equao que a representa a equao de regresso. O diagrama de disperso
construdo de acordo com os dados amostrais de n observaes e a equao de
regresso dada pela expresso:
Y= aX + b Y = aX + b
X a varivel independente
YY a varivel dependente; na verdade, a varivel correlacionada com a varivel X e sobre a qual se obtm um valor estimado.
Esse tipo de notao, de Y para Y, caracteriza que no se trata de uma relao
funcional para a determinao da reta, e sim de uma relao estatstica, em que a
distribuio est baseada em estimativas de dados colhidos por amostragem.
Sendo a e b os parmetros de equao da reta, esses podem ser calculados por
meio das frmulas:
a=
n xi yi xi * yi
b = y ax
n xi2 ( xi ) 2
PUC Minas Virtual
voltar
112
sumrio
voltar
sumrio
Sendo:
n = nmero de observaes dos dados amostrais
= valor mdio da varivel y; o clculo faz-se pela expresso y =
x = valor mdio da varivel x; o clculo faz-se pela expresso x =
yi
n
xi
n
Exemplo:
Determine a equao da reta de regresso do exemplo anterior, que trata de uma pesquisa entre o peso total do lixo descartado por dia com o
peso do papel contido nesse lixo.
Para a obteno da equao da reta de regresso, elabora-se inicialmente uma tabela contendo nas colunas as variveis dependentes (yi), as independentes (xi) e os
produtos xiyi e xi2.
Clculo do parmetro a da equao da reta:
a=
n xi yi xi * yi
n
xi2
( xi )
10 * 2396 ,68 288 * 75,24 23996,8 - 21684,9

=
93775,2 - 83065
10 * 9377 ,52 ( 288,21) 2
a=
2281,83
= 0,213
10710,2
Clculo do parmetro b da equao da reta:
y=
75,24
= 7,52
10
x=
288,21
= 28,82
10
b = y a x = 7,52 - 0,213 * 28,82 = 7,52 - 6,14 = 1,38

Uma vez calculados os parmetros a e b, pode-se escrever a equao da reta:
Y = 0,213 X + 1,38
PUC Minas Virtual
voltar
113
sumrio
voltar
sumrio
Para o traado de uma reta, basta que se conhea dois de seus pontos. Assim, com
base na equao da reta acima, pode-se estabelecer dois pontos para X e Y.
Para X = 0, temos Y = 1,38
Para X = 50, temos Y = 12,03
De acordo com os pontos P1(0;1,38) e P2(50;12,03), pode-se traar a reta de regresso.
14
y = 0,2131x + 1,3836
12
10
8
6
4
2
0
0
10
20
30
40
50
60
Figura 9.4. Correlao entre o peso total do lixo

descartado e o peso do papel contido nesse lixo
Com base no conhecimento da equao da reta, pode-se interpolar e extrapolar

valores.
Interpolao: a interpolao ocorre quando o valor considerado pertence ao intervalo da tabela, porm, no figura entre os dados coletados.
Supondo-se o valor 15 kg para o peso total do lixo descartado, pode-se estimar o
peso de papel contido nesse lixo. Uma vez que 15 kg no um dado coletado e,
conseqentemente, no pertence tabela de dados, utiliza-se a equao da reta
para determinar o valor correspondente ao peso do papel.
Para 15 kg de lixo descartado, estima-se que haja 4,58 kg de papel contido nesse
lixo.
PUC Minas Virtual
voltar
114
sumrio
voltar
sumrio
Extrapolao: a extrapolao ocorre quando o valor considerado no pertence ao

intervalo da tabela, e tambm no figura entre os dados coletados.
Suponha que o peso do lixo descartado seja de 60 kg. Esse valor no um dado
coletado e nem se encontra dentro do intervalo [10,47, 49,14]. Essa situao
semelhante anterior e utiliza-se a equao de reta para determinar o peso do
papel.
Para 60 kg de lixo descartado, estima-se, por extrapolao, que haja 14,16 kg de
papel contido nesse lixo.
PUC Minas Virtual
voltar
115
sumrio
voltar
sumrio
Referncias Bibliogrficas
BUSSAB, W.O. e Morettin, P.A. Estatstica Bsica. So Paulo: Atual, 1987.

FONSECA, J.S. e Martins, G.A. Curso de Estatstica. So Paulo: Atlas, 1993.
LAPPONI, J.C. Estatstica usando Excel 5 e 6. So Paulo: Lapponi Treinamento e
Editora, 1997.
MORETTIN, L.G. Estatstica Bsica Vol. 2 Inferncia. So Paulo: Makron Books,
1999.
MORETTIN, L.G. Estatstica Bsica Vol.1 Probabilidade. So Paulo: Makron Books, 1999.
STEVENSON,W.J. Estatstica Aplicada Administrao. So Paulo: Harbra, 1996.
TIBONI,C.G. R. Estatstica Bsica para o curso de Turismo. So Paulo: Atlas, 2002.
TOLEDO, G. L. e Ovalle, I.I. Estatstica Bsica. So Paulo: Atlas, 1985.
PUC Minas Virtual
voltar
116
sumrio

Livro Probabilidade Estatistica 2a Ed

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

Livro Probabilidade Estatistica 2a Ed

Enviado por

Direitos autorais:

Formatos disponíveis

voltar

Pontifcia Universidade Catlica de

Design Grfico e diagramao:

PUC Minas Virtual

Reproduo proibida. Art. 184 do Cdigo Penal

Diretora de Ensino a Distncia

Todos os direitos reservados

DIRETORIA DE ENSINO A DISTNCIA

Liana Portilho Mattos

R. Esprito Santo, 1.059 - 12 andar Centro

Maria Ceclia de Ruiz Combat Stortini

Antnio Bosco de Oliveira Jnior

Belo Horizonte: (0xx31) 3274-1862

Eduardo Marques Duarte

* O custo da ligao 0300 de R$ 0,27/min, para telefones fixos,

Assessoria de Comunicao e Marketing

Correa, Sonia Maria Barros Barbosa

Probabilidade e estattica / Sonia Maria

Cludio Elias Marques

1. Probabilidade. 2. Estatstica matemtica.

Cristina Maria Isoni Auad

1.1 - Introduo Estatstica ........................................................

1.2 - Importncia da Estatstica .....................................................

1.3 - Grandes reas da Estatstica ..................................................

1.4 - Fases do Mtodo Estatstico ...................................................

1.5 - Sries Estatsticas ...............................................................

1.6 - Apresentao de dados

Unidade 2 Amostragem ....................................................................

2.1 Importncia da Amostragem...................................................

2.2 Conceitos Fundamentais .......................................................

2.3 Amostragem Aleatria Simples................................................

2.4 Amostragem Aleatria Estratificada .........................................

2.5 Amostragem por Conglomerado ..............................................

2.6 Amostragem Sistemtica ......................................................

Unidade 3 Distribuio de Freqncia .................................................

3.1 Conceitos .........................................................................

3.2 - Elementos de uma distribuio de freqncia: amplitude total,

3.3 - Regras Gerais para a elaborao de uma distribuio de freqncia...

3.4 - Grficos representativos de uma distribuio de freqncia:

Unidade 4 - Medidas de Posio ...........................................................

4.2. Mdia aritmtica simples e ponderada e suas propriedades ..............

4.3. Moda: Dados agrupados e no agrupados em classes.......................

4.4. Mediana: Dados agrupados e no agrupados em classes ...................

4.5. Mdia Geomtrica: Dados agrupados e no agrupados em classes.......

4.6. Mdia Harmnica: Dados agrupados e no agrupados em classes ........

4.7. Separatrizes: Quartis, Decis e Percentis .....................................

Unidade 5 Medidas de Disperso ........................................................

5.1 Disperso .........................................................................

5.2 Assimetria .......................................................................

Unidade 6 Probabilidade ..................................................................

6.1 Experimento aleatrio, espao amostral e eventos .......................

6.2 Probabilidade:Definio clssica; Probabilidade e

6.3 Tipos de eventos ................................................................

6.4 Axiomas de Probabilidade .....................................................

6.5 Probabilidade condicional e independncia de eventos .................

Unidade 7 Variveis Aleatrias ..........................................................

7.1 Conceito de varivel aleatria ...............................................

7.2 Distribuio de probabilidade .................................................

7.3. Funo de densidade de probabilidade.......................................

7.4. Esperana matemtica, varincia e desvio padro: propriedades .......

7.5. Distribuies discretas: Hipergeomtrica, Binomial e Poisson............

7.6. Distribuio contnua: Normal - propriedades, distribuio

Unidade 8 - Inferncia Estatstica .........................................................