Escolar Documentos
Profissional Documentos
Cultura Documentos
Métodos Quantitativos Aplicados A Negócios
Métodos Quantitativos Aplicados A Negócios
OS
QU
APL
ICA ANTI
TAT
DO
IVO
SA
S
NEG
C
IOS
TO
D
OS
QU
APL
ICA ANTI
TAT
DO
IVO
SA
S
NEG
C
IOS
Edio revisada
2008 IESDE Brasil S.A. proibida a reproduo, mesmo parcial, por qualquer processo, sem autorizao por
escrito dos autores e do detentor dos direitos autorais.
CIP-BRASIL. CATALOGAO-NA-FONTE
SINDICATO NACIONAL DOS EDITORES DE LIVROS, RJ
________________________________________________________________________________
B788m
Bracarense, Paulo Afonso, 1957Mtodos quantitativos aplicados a negcios / Paulo Afonso Bracarense, Ubiratan Vieira
Guimares. - 1.ed., rev. - Curitiba, PR : IESDE Brasil, 2012.
320p. : 24 cm
Inclui bibliografia
ISBN 978-85-387-3091-0
1. Negcios 2. Investimentos 3. Investimentos - Anlises. I. Guimares, Ubiratan
Vieira. I. Ttulo.
12-6746.
CDD: 332.6
CDU: 336.76
17.09.12 02.10.12
039220
________________________________________________________________________________
sumrio
sumrio
Anlise de dados
19
19 | Problema
23 | Conceitos fundamentais
26 | Variveis categorizadas
29 | Variveis quantitativas
36 | Medidas estatsticas
Amostragem
95
95 | Problema
96 | Conceitos fundamentais
99 | Tipos de amostragem
103 | Tabela de nmeros aleatrios
105 | Principais tcnicas de amostragem
111 | Tamanho da amostra
rio
61
Estimao
129
129 | Problema
130 | Conceitos fundamentais
133 | A distribuio normal
143 | Distribuio amostral das mdias
146 | Distribuio amostral das propores
148 | Estimao por ponto
151 | Intervalo de confiana
156 | Testes de hipteses
156 | Hiptese nula versus hiptese alternativa
173
173 | Problema
174 | Conceitos fundamentais
179 | Construindo a reta de regresso
188 | Verificao da bondade do modelo
201 | Predio e intervalos de predio
sumrio
sumrio
Teoria da deciso
213
213 | Problema
214 | Conceitos fundamentais
216 | Critrios de escolha utilizando distribuio a priori
221 | Representao atravs de diagrama de deciso
223 | Estabelecimento de distribuies de probabilidades
229 | Tomada de decises baseada na utilidade esperada
230 | Tomada de deciso com probabilidades a posteriori
249
249 | Problema
250 | Conceitos fundamentais
254 | Mtodo dos mnimos quadrados ordinrios
260 | Modelo de mdias mveis
273 | Outros mtodos de previso
Anexos
289
Referncias
319
rio
Apresentao
Mtodos Quantitativos
Aplicados a Negcios
Mtodos Quantitativos
Aplicados a Negcios
Introduo conceitos
e aplicaes
Por que escrever mais um livro de Estatstica? De fato a literatura j fornece incontveis livros desse ramo da matemtica. Alguns mais tericos, outros
mais prticos. H tentativas inclusive de se escrever livros de estatstica sem
matemtica. H outros que se utilizam fartamente de um referencial complexo na matemtica para a discusso dos conceitos e das tcnicas estatsticas.
A grande preocupao dos autores foi oferecer comunidade estatstica e
principalmente no estatstica elementos que as auxiliassem na tarefa da
tomada de decises.
Pblico-alvo
Os livros de estatstica so bem diferentes, pois tratam a mesma questo
com abordagens diversas. O que leva um autor a escolher o tipo de abordagem,
a profundidade das discusses e o quanto de ferramental matemtico utilizar
depende fundamentalmente de seu pblico-alvo. Esta a chave da questo.
Muito bem, dessa forma devemos ento localizar nosso livro em razo do
nosso pblico-alvo. Este livro foi escrito para profissionais das mais diferentes reas do mundo dos negcios: economistas, contadores, engenheiros de
produo, administradores ou qualquer outro profissional chamado a tomar
decises e que esteja no nvel de gerncia ou pretenda alcan-lo. E mais, esperamos que o nosso pblico esteja realmente disposto a utilizar as tcnicas
oferecidas no livro em seu dia a dia.
O livro foi composto para um curso esbelto, no sentido de que pretende
fornecer os elementos mnimos necessrios para a utilizao de seu contedo
em poucas horas. Por isso, a seleo dos assuntos oferecidos, que so somente uma amostra do vastssimo campo da Estatstica, foi feita rigorosamente,
com as tcnicas mais utilizadas na ao gerencial. Mas h de ficar muito claro
que no se trata de um manual de aplicaes simplificado e essencialmente
prtico. O grande destaque o rigor conceitual na aplicao das tcnicas que
foram apresentadas sempre atravs de aplicaes em problemas corriqueiros da administrao.
Este material parte integrante do acervo do IESDE BRASIL S.A.,
mais informaes www.iesde.com.br
Linguagem matemtica
Toda cincia tem sua linguagem prpria, assim, a Estatstica tem a sua e a
Matemtica tambm. Navegaremos por esses mares nem sempre sem turbulncias. Duas questes devem ser colocadas a respeito dessas linguagens.
A primeira o reconhecimento de que o emaranhado de notaes, notadamente na Estatstica, muitas vezes conduzem a confuses. Procuramos
amenizar um pouco essa dificuldade apresentando uma notao nica para
todas as tcnicas, expondo o significado de cada uma delas e mantendo-as
sempre mais prximas do que o mais usual, de forma que estudos complementares nas bibliografias sugeridas no se tornem mais um entrave para o
aprofundamento do conhecimento dos assuntos tratados.
A segunda questo de linguagem, e isso agora diz mais respeito matemtica, que procuramos evitar a retirada de concluses atravs de conceitos puramente matemticos. O caminho de usar a prpria matemtica para
induzir ou deduzir concluses sim muito frtil para quem tem o domnio
dessa linguagem. O que voc enxerga quando olha a expresso a2 = b2 +
c2? Se isso quer dizer mais ou menos a mesma coisa do que esta sequncia
de smbolos , voc no deve se preocupar muito. Essas letras no so
do alfabeto grego nem so runas, so letras do alfabeto cirlico. Um mate10
11
Esse limite tem que ser compreendido para no correr o risco de pensar
que o modelo possa substituir a realidade. E mais, a grande maioria dos compndios estatsticos alerta para o fato de que ela, a Cincia Estatstica, um
servidor leal quando usada com prudncia e sem arrogncia. Ela compe o
espectro das peas de evidncia na soluo de problemas que devem auxiliar o tomador de decises aliada ao conhecimento terico da matria em
estudo, da experincia extraestatstica e mesmo da intuio de quem deseja
administrar bem ou praticar a boa cincia. Como pea de evidncia, ela serve
mais para dar suporte do que fazer descobertas. Na fbula descrita pelo escritor escocs Andrew Lang, ele recomenda usar a Estatstica como o bbado
usa o poste, mais para apoio do que para iluminao.
A forma bsica dos modelos construdos para os fenmenos que comportam incerteza e so tratados atravs de modelagem matemtica : Y = f(x) + .
Nesse modelo, f(x) a componente determinstica e , a componente aleatria.
A tarefa do tomador de decises verificar, com base em alguma teoria que
envolva o assunto pesquisado, quais podem ser as alternativas para f(x) que
expliquem variaes de Y, e fazer suposies sobre o comportamento de que
o auxiliem no entendimento das variaes devidas ao acaso.
de incerteza associada a um fenmeno que no geral pode ser compreendido como alguma espcie de jogo em que fazemos apostas. As decises so
ento tomadas com base em quanto estamos dispostos a pagar no caso de
perdermos a aposta realizada. Naturalmente, se as consequncias de nossa
deciso errada forem muito graves, optaremos por apostar menos ou somente apostar com um certo grau mnimo de incerteza.
As tcnicas estatsticas utilizam-se fartamente de levantamento de dados
para a compreenso do fenmeno em estudo. Esses dados podem ser relativos a toda uma populao ou a uma parte dela chamada de amostra. Desejamos, obviamente, que a amostra represente a populao como um todo. Faremos observaes na amostra e a partir delas desejaremos fazer inferncias
para a populao. Veremos fartamente como isso pode ser feito, com rigor
cientfico, de forma a nos assegurarmos de que podemos compreender um
comportamento da populao a partir do comportamento da amostra.
13
Essa parte da estatstica chamada de inferncia estatstica ou de estatstica indutiva. Ela ser tratada no captulo 5, sobre estimao, em que trs
procedimentos sero estudados. O primeiro deles a chamada estimao
por pontos, na qual calculamos um valor na amostra, por exemplo, a mdia
de uma varivel, que dever servir como uma estimativa da mdia da populao. O segundo procedimento, chamado de estimao por intervalos
ou construo de intervalos de confiana, consiste em criar em torno do
valor do estimador pontual um intervalo em que esse valor possa estar
contido; associaremos esse intervalo a um certo nvel de confiana, relacionado com uma medida de probabilidade. E o terceiro procedimento
o de se fazer alguma afirmao sobre o valor de uma medida na populao atravs do estabelecimento de uma hiptese e ento realizar um teste
sobre essa declarao associado a uma certa probabilidade de estar-se errando na deciso. Esse procedimento conhecido como teste de hipteses
estatsticas.
O contedo at esse ponto do livro o mnimo obrigatrio a qualquer
livro que pretenda apresentar o principal da teoria que envolve a enormidade de procedimentos estatsticos que podem servir de auxlio na tomada
de decises. a partir desse ponto que os autores de livros de estatstica
devem decidir, de acordo com as necessidades do pblico que querem atingir, quais so as tcnicas teis para cumprir o seu objetivo. Optamos por trabalhar com trs tcnicas que podem ser amplamente utilizadas no auxlio
tomada de decises gerenciais para profissionais interessados nos chamados negcios.
No pretendemos com essa opo sugerir que essas tcnicas sejam suficientes. Muito pelo contrrio, gostaramos de poder estimular os leitores a
buscarem um maior aperfeioamento com a pesquisa na literatura de outras
tcnicas tambm teis. Contamos que esse marco introdutrio, disponvel
at o captulo 5, fornea instrumentos ao leitor para novas aventuras. No entanto, a nossa prtica no trabalho de aplicao de mtodos estatsticos aplicados a negcios nos leva a apresentar essas tcnicas neste livro por compreendermos que cobrem bem uma possvel lacuna no gerenciamento.
Elas so apresentadas nos captulos de 6 a 8. No captulo 6 discutiremos
Anlise de Regresso e Correlao, no captulo 7 a Teoria de Deciso Estatstica e no captulo 8 a Anlise de Sries Temporais e Modelos para Previso de
Demanda.
15
16
Anlise de dados
Problema
O departamento de Recursos Humanos da empresa ABC deseja readequar os salrios de seus funcionrios a partir de uma nova poltica de cargos e
salrios. A primeira providncia do coordenador do departamento foi verificar o perfil dos funcionrios da empresa.
Solicitou para um estudo preliminar a relao dos funcionrios em que
deveria constar algumas variveis para esse primeiro estudo: ordem de contratao, sexo, idade, salrio e setor.
Um auxiliar administrativo apresentou o seguinte quadro como resultado:
Nmero de
ordem
Nome
Sexo
Idade
Salrio
(R$)
Setor
A. L. Ferraz
49
1.714,00
Oper.
R. Abreu
48
1.701,00
Oper.
R. S. Reis
64
1.589,00
Oper.
N. Farias
37
1.418,00
Oper.
J. L. Jansen
42
1.000,00
Aux. Adm.
U. S. Machado
40
3.732,00
Tc.
F. Nogueira
21
1.330,00
Oper.
M. Pinheiro
33
1.307,00
Oper.
M. A. da Silva
39
1.282,00
Oper.
10
P. A. B. Costa
42
1.260,00
Oper.
11
H. F. Minho
39
975,00
12
N. M. de Lima
32
1.256,00
Oper.
13
C. F. Loureiro
22
1.185,00
Oper.
Aux. Adm.
19
Anlise de dados
Nmero de
ordem
20
Nome
Sexo
Idade
Salrio
(R$)
Setor
14
M. E. M. Ferreira
21
3.535,00
Tc.
15
J. A. Isaias
37
2.956,00
Tc.
16
J. Martins
24
1.179,00
Oper.
17
A. P. Ribeiro
28
966,00
18
L. C. Batista
32
3.204,00
19
A. F. dos Santos
31
881,00
20
C. A. Brando
38
3.080,00
Adm.
21
D. J. Feltrin
23
2.872,00
Tc.
22
L. S. Prestes
22
826,00
23
J. L. Campos
46
1.010,00
24
S. I. Magalhes
34
708,00
25
P. R. Gonalves
47
2.960,00
Adm.
26
M. I. Machado
42
2.797,00
Tc.
27
M. Paran
32
1.001,00
Oper.
28
U. V. Guimares
29
2.315,00
Adm.
29
E. M. Moreira
41
5.572,00
Ger.
30
A. P. de Andrade
30
2.372,00
Tc.
31
L. R. de Souza
51
4.829,00
Ger.
32
R. T. Moraes
23
1.826,00
Adm.
33
J. Pilloto
20
540,00
Oper.
34
F. C. Lopes
27
489,00
Oper.
35
C. A. Meier
33
479,00
Oper.
36
H. O. Silveira
22
1.904,00
37
K. D. Almeida
41
659,00
38
M. J. D. Colares
34
1.827,00
39
R. F. L. Silvrio
24
472,00
Oper.
40
M. N. Messias
20
640,00
Aux. Adm.
Aux. Adm.
Adm.
Aux. Adm.
Aux. Adm.
Oper.
Aux. Adm.
Tc.
Aux. Adm.
Tc.
Anlise de dados
Os dados apresentados foram organizados de forma a oferecer ao coordenador do departamento de Recursos Humanos as informaes que revelassem
a distribuio dos salrios segundo as variveis: (I) nmero de ordem, no sentido que o mais antigo na casa recebeu o nmero 1 e o mais novo o nmero
40, no importando muito o tempo de contratao, uma vez que a empresa
foi constituda h pouco tempo, (II) o sexo, (III) a idade, (IV) o salrio e (V)
o setor, dividindo os funcionrios segundo as funes: operacional (Oper.),
auxiliar administrativo (Aux. Adm.), tcnico (Tc.), administrativo (Adm.) e gerncia (Ger.), sendo uma gerncia tcnica e outra administrativa.
O coordenador analisou a tabela e verificou imediatamente que os funcionrios mais antigos eram na sua maioria do setor operacional, exceto dois auxiliares administrativos. Observou tambm que poucos funcionrios ganhavam
menos do que R$1.000,00 e que havia uma pequena predominncia de funcionrios do sexo masculino. Viu que o Reis de fato era o funcionrio mais velho,
com 64 anos, e que a empresa no tinha nenhum funcionrio com menos de 20
anos. Verificou tambm que ele prprio era o dcimo oitavo contratado como
tambm que entre os administradores era o mais antigo e que o seu salrio
era o maior comparado com seus pares, R$3.204,00. Concluiu, finalmente, que
da forma como os dados foram apresentados estava com dificuldade de tirar
maiores informaes sobre a distribuio de cargos e salrios.
Chamou um dos administradores e pediu que ele organizasse um pouco
melhor os dados e que em termos gerais no importava o nome das pessoas.
Foi prontamente atendido e recebeu o seguinte novo quadro:
Nmero de
ordem
Salrio
(R$)
Ger.
29
5.572,00
51
Ger.
31
4.829,00
40
Tc.
3.732,00
21
Tc.
14
3.535,00
37
Tc.
15
2.956,00
23
Tc.
21
2.872,00
42
Tc.
26
2.797,00
30
Tc.
30
2.372,00
Sexo
Idade
41
Setor
Mdia salarial
5.200,50
21
Anlise de dados
22
Nmero de
ordem
Salrio
(R$)
Tc.
36
1.904,00
34
Tc.
38
1.827,00
32
Adm.
18
3.204,00
38
Adm.
20
3.080,00
47
Adm.
25
2.960,00
29
Adm.
28
2.315,00
23
Adm.
32
1.826,00
49
Oper.
1.714,00
48
Oper.
1.701,00
64
Oper.
1.589,00
37
Oper.
1.418,00
21
Oper.
1.330,00
33
Oper.
1.307,00
39
Oper.
1.282,00
42
Oper.
10
1.260,00
32
Oper.
12
1.256,00
22
Oper.
13
1.185,00
24
Oper.
16
1.179,00
46
Oper.
23
1.010,00
32
Oper.
27
1.001,00
20
Oper.
33
540,00
27
Oper.
34
489,00
33
Oper.
35
479,00
24
Oper.
39
472,00
42
Aux. Adm.
1.000,00
39
Aux. Adm.
11
975,00
28
Aux. Adm.
17
966,00
Sexo
Idade
22
Setor
Mdia salarial
2.749,38
2.677,00
1.130,12
Anlise de dados
Setor
Nmero de
ordem
Salrio
(R$)
Sexo
Idade
31
Aux. Adm.
19
881,00
22
Aux. Adm.
22
826,00
34
Aux. Adm.
24
708,00
41
Aux. Adm.
37
659,00
20
Aux. Adm.
40
640,00
Mdia salarial
831,88
Com o novo quadro pde verificar uma srie de novas informaes, tais
como mdia salarial e nmero de funcionrios por categoria, e tambm que
havia uma certa coerncia dentro de cada categoria com relao ao tempo
de servio e salrio, ou seja, funcionrios mais antigos da mesma categoria
recebiam salrios maiores. Mas sobre sexo e idade e as suas relaes com as
demais informaes ainda havia muita dificuldade em tirar concluses.
Esse tipo de problema colocado no dia a dia do tomador de decises.
Os dados individuais, por mais bem organizados que estejam, trazem poucas
informaes. necessrio que sejam sintetizados atravs de tabelas, grficos
e medidas que possam resumir a informao de uma forma agregada.
Conceitos fundamentais
A Estatstica Descritiva, que mais modernamente, com a incorporao de
novas tcnicas, chamada de Anlise Exploratria de Dados, pode suprir a
necessidade de uma primeira organizao dos dados de forma a transform-los verdadeiramente em informao.
As tcnicas utilizadas na explorao dos dados tiveram uma evoluo
muito grande com o advento da computao e particularmente de programas que facilitam essas tarefas. Para o senso comum, a Estatstica resume-se
a esse trabalho. Veremos nos captulos seguintes que esse somente um
primeiro importante passo na organizao das informaes para aquisio
do conhecimento de modo a auxiliar a tomada de decises.
Fundamentalmente, a anlise de dados compreende trs frentes: organizao de tabelas, construo de grficos e sntese dos dados atravs do
clculo de medidas estatsticas.
23
Anlise de dados
Anlise de dados
Apresentao grfica
Os dados de uma tabela estatstica podem ser apresentados atravs
de grficos estatsticos, devendo o tipo de grfico ser compatvel com a
natureza dos dados. Os principais grficos so: o grfico de colunas ou de
barras, o grfico de setores ou pizza, o grfico de bastes, o grfico de linhas
e o histograma.
Existem, na anlise exploratria de dados, algumas apresentaes grficas que auxiliam a compreenso do comportamento dos dados, como
o ramo e folhas, o esquema de cinco nmeros e o diagrama de caixas ou
Box-plot.
O detalhamento da utilizao de cada tipo de grfico ser ainda assunto
deste captulo.
Medidas estatsticas
A utilizao de medidas estatsticas serve para resumir os dados atravs de
valores representativos. Existem quatro tipos de medidas utilizadas: medidas
de posio, de disperso, de assimetria e as de achatamento ou de curtose.
As medidas de posio objetivam verificar pontos que representem o conjunto de dados. Elas podem ser medidas de tendncia central, como a mdia,
por exemplo, que mostra em torno de que ponto os dados se concentram
ou as separatrizes, que informam o valor em que os dados se dividem em
quatro, dez ou cem partes.
As medidas de disperso mostram a intensidade de concentrao dos
dados em torno de medidas de tendncia central. As principais medidas de
disperso so a varincia, o desvio-padro e o coeficiente de variao.
As medidas de assimetria so utilizadas para verificar se os dados so simtricos em relao a um valor central, e as de curtose para verificar se o grfico
de dados concentra-se em valores prximos ao eixo X ou se distanciam dele.
Essas ltimas medidas de achatamento so de menor interesse na anlise de
dados, e no sero tratadas neste livro.
25
Anlise de dados
Variveis categorizadas
As variveis categorizadas so medidas de atributos, como sexo, grau de
instruo, setor de trabalho, categoria profissional, preferncia eleitoral etc.
Os indivduos esto relacionados a alguma categoria dentro de cada varivel, como sexo e categoria dos empregados da empresa ABC.
Nmero
Perc.
Fem.
19
47,5%
Masc.
21
52,5%
Total
40
100,0%
26
Fem.
Sexo
Masc.
Anlise de dados
Grfico de barras
Distribuio por sexo
Masc.
Sexo
Fem.
10
15
Nmero
20
Grfico de setores
Distribuio por sexo
Fem.
48%
52%
Masc.
Nmero
Perc.
Gerncia
5,0%
Adm.
12,5%
Tc.
20,0%
Aux. Adm.
20,0%
Oper.
17
42,5%
Total
40
100,0%
27
Anlise de dados
Grfico de colunas
Categoria dos empregados da Empresa ABC
18
16
14
Nmeros
12
10
8
6
4
2
0
Gerncia
Adm.
Tc.
Aux. Adm.
Oper.
Grfico de setores
Categoria dos empregados da Empresa ABC
5%
13%
Gerncia
42%
20%
Adm.
Tc.
Aux. Adm.
Oper.
20%
28
Anlise de dados
Variveis quantitativas
As variveis quantitativas, sejam elas discretas ou contnuas, so apresentadas atravs da chamada distribuio de frequncias. Nos dois casos podemos construir distribuies de frequncias, que, como o prprio nome
indica, informam, atravs de tabelas, quais so os valores da varivel e qual a
frequncia de ocorrncia de dados para cada um desses valores.
No caso de varivel contnua, ou mesmo de varivel discreta com um
grande nmero de possibilidades, comum a construo de classes em que
mais de um valor contemplado.
Distribuio de frequncias
Vamos estudar inicialmente o caso de uma varivel discreta atravs da
verificao da distribuio de frequncias das idades dos funcionrios. Pode
ser de interesse saber qual a distribuio de idade dos funcionrios com
menos de trinta anos. A tabela da distribuio de frequncias correspondente a esses dados ser:
Distribuio de frequncias dos
funcionrios com menos de 30 anos
Total
Idade
Freq.
20
21
22
23
24
25
26
27
28
29
1
13
29
Anlise de dados
10
00112223344789
01222334477899
0112226789
1
4
Anlise de dados
Histograma
A representao grfica da tabela da distribuio de frequncias, quando
organizada em classes, recebe o nome de histograma. um grfico de colunas adjacentes representando um contnuo.
Distribuio de frequncia das idades
Idade
Freq.
Perc.
20 a 29
14
35,0%
30 a 39
14
35,0%
40 a 49
10
25,0%
50 a 59
2,5%
60 ou +
2,5%
40
100,0%
Total
Histograma
16
Freq.
14
12
20 a 29 anos
10
30 a 39 anos
40 a 49 anos
50 a 59 anos
60 anos ou mais
4
2
0
1
Idade
31
Anlise de dados
Freq.
Freq. rel.
At 1.000,00
11
0,27
De 1.000,00 a 1.999,00
17
0,43
De 2.000,00 a 2.999,00
0,15
De 3.000,00 a 3.999,00
0,10
Acima de 4.000,00
0,05
40
1,00
Total
Histograma
Distribuio salarial
18
16
Freq.
14
12
At 100
10
De 1.000 a 1.999
De 2.000 a 2.999
De 3.000 a 3.999
Acima de 4.000
4
2
0
1
Salrios (R$)
32
Anlise de dados
Salrio (R$)
Freq.
Freq. rel.
X < 1.000,00
11
0,27
17
0,43
0,15
0,10
X 4.000,00
0,05
40
1,00
Total
33
Anlise de dados
Freq.
Freq. rel.
X < 1.000,00
11
0,27
500
11
17
0,43
1.500
28
0,15
2.500
34
0,10
3.500
38
X 4.000,00
0,05
4.500
40
40
1,00
Total
Ponto mdio
Freq. acumulada
34
Anlise de dados
Distribuio salarial
18
16
Freq.
14
12
At 100
10
De 1.000 a 1.999
De 2.000 a 2.999
De 3.000 a 3.999
Acima de 4.000
4
2
0
Salrios (R$)
Srie temporal
Muitas variveis so medidas a intervalos de tempo. O grfico de linhas
a maneira mais adequada de apresentar a evoluo de uma varivel no
tempo. O eixo X sempre ser correspondente a uma escala de tempo.
Quando no h um nmero demasiadamente grande de pontos, a ligao entre os pontos por segmentos de retas ajuda a visualizar o padro de
variao ao longo do tempo.
Suponha que no exemplo da empresa ABC os dados tivessem sido apresentados pelo tempo de casa de cada funcionrio. Uma possvel organizao dos dados seria verificar quantos funcionrios a empresa tinha em cada
um de seus quatro anos de existncia, conforme a tabela abaixo:
Nmero de funcionrios por ano
Anos
Funcionrios
Ano 1
15
Ano 2
20
Ano 3
32
Ano 4
40
35
Anlise de dados
Grfico de linhas
Nmero de empregados por ano
45
40
35
30
25
20
15
10
5
0
Ano 1
Ano 2
Ano 3
Ano 4
Medidas estatsticas
O objetivo de sintetizao das informaes tem sido realizado at aqui atravs de apresentao tabular e grfica dos dados originais ou brutos. A forma
de completar essa tarefa se d atravs do clculo das medidas estatsticas.
Trataremos de trs tipos de medidas: (I) as de posio, (II) as de disperso e
(III) as de assimetria.
Medidas de posio
Trabalharemos aqui com dois tipos de medidas, as de tendncia central e
as separatrizes.
As medidas de tendncia central resumem os dados no centro da distribuio. So medidas de tendncia central a mdia aritmtica, a mediana e a
moda.
36
Anlise de dados
A mdia aritmtica
A mdia aritmtica ou simplesmente mdia uma das medidas mais importantes da Estatstica. Alm de resumir os dados, ela servir enormemente
para os propsitos de estimao de caractersticas da amostra para a populao, pois possui as melhores propriedades de um estimador.
Ela a soma dos dados dividida pelo nmero de observaes, e sua expresso matemtica :
x=
x
n
i=1
x1 + x 2 + ... + x n
n
i =1
A mdia aritmtica representa o centro de gravidade dos dados. Alguns cuidados, no entanto, devem ser tomados quando desejamos resumir os dados pelo
valor de sua mdia. Ela muito sensvel a valores extremos. Um nico valor muito
grande ou muito pequeno pode mudar substancialmente o valor da mdia, podendo ela perder sua representatividade. Esses valores extremos so chamados
de valores discrepantes ou outliers e quando eles aparecem em um conjunto de
dados devem receber um tratamento muito especial.
No nosso exemplo temos como valor da mdia das idades dos empregados da empresa ABC o valor 34 anos e a mdia dos salrios de R$1.791,20.
Se considerarmos a idade de 64 anos como um outlier a nova mdia ser
de 33,2 anos, e se considerarmos os salrios R$4.829,00 e R$5.572,00 como
valores muito acima dos demais, teremos uma mdia salarial de R$1.611,76,
quase R$200,00 de diferena com relao primeira mdia.
No primeiro caso a diferena parece no ter sido de grande significncia,
mas para a mdia salarial essa diferena pode ser considerada importante,
mesmo porque ser um elemento importante na anlise de cargos e salrios.
Retirar o salrio dos dois gerentes no clculo da mdia pode ser til para a
construo da nova poltica de cargos e salrios.
Essa sensibilidade da mdia a valores extremos pode ser bem compreendida com a seguinte ilustrao. Se coloco os ps prximos a uma rea gelada
e a cabea prxima a uma rea quente, a temperatura mdia do corpo ser
agradvel.
37
Anlise de dados
A mdia ponderada
Se tivermos o seguinte conjunto de dados: (2, 2, 2, 2, 2, 3, 3, 4, 4, 4) e queremos calcular a sua mdia, a soma dos dados pode ser realizada da seguinte
forma: (2 . 5) + (3 . 2) + (4 . 3) = 10 + 6 +12 = 28. Isso porque a frequncia do 2
5, a do 3 2 e a do 4 3. Observe que a soma das frequncias 10 (5 + 2 + 3),
igual ao nmero de observaes. Podemos expressar esse fato por:
X=
Xf
f
freq.
,
f
X .f
rel
frel
X frel
20 --- 30
24,5
0,35
8,575
30|--- 40
34,5
0,35
12,075
40|--- 50
44,5
0,25
11,125
50|--- 60
54,5
0,025
1,3625
60|---| 70
64,5
0,025
1,6125
34,75
38
Anlise de dados
Salrio (R$)
X < 1.000,00
frel
X frel
500
0,28
140
1.500
0,43
645
2.500
0,15
375
3.500
0,1
350
X 4.000,00
4.500
0,05
225
1.735
A mediana
A mediana o valor que divide o rol em duas partes iguais. O rol definido como a sequncia ordenada de dados. Por exemplo, para o seguinte
conjunto de dados (2, 3, 7, 7, 9) a mediana o nmero 7 que divide o rol em
duas partes iguais.
Quando o nmero de dados muito grande convm definir a posio da
mediana antes de sua determinao. A posio da mediana ser definida por
PMed = (n + 1)/2. No exemplo acima, a posio da mediana ser PMed = (5 + 1)/2 =
6/2 =3, portanto, a mediana ser o terceiro elemento do rol. O valor da mediana ser o do elemento que ocupa a terceira posio, nesse caso Med = 7.
No caso de n ser par, o procedimento semelhante, define-se a posio
da mediana e depois calcula-se a mdia aritmtica dos dois nmeros imediatamente inferior e superior do valor da posio da mediana. No exemplo da
empresa ABC, em que n = 40, teremos PMed = (40 +1)/2 = 41/2 = 20,5. A mediana
ser ento a mdia entre os valores que ocupam a vigsima e a vigsima primeira posies da varivel em considerao.
39
Anlise de dados
No nosso exemplo a idade mediana ser Med = 33, porque X20 = X21 = 33. O
salrio mediano ser Med = R$1.318,50, porque X20 = 1.307,00 e X21 = 1.330,00.
Freq.
Ponto mdio
Freq. acumulada
X < 1.000,00
11
500
11
17
1.500
28
2.500
34
3.500
38
X 4.000,00
4.500
40
Total
40
A moda
A moda o valor que ocorre com maior frequncia. Para o conjunto de
dados (2, 3, 3, 3, 4), a moda ser o valor 3. Quando um conjunto tem uma s
moda, ele chamado de unimodal. Se tiver duas modas, de bimodal, e polimodal se tiver trs modas, ou mais. Se o conjunto no tiver nenhuma moda
ser chamado de amodal.
40
Anlise de dados
Separatrizes
As separatrizes so medidas que dividem um rol em duas partes proporcionais a certos valores. A medida que separa os dados em duas partes
iguais, ou em 50% e 50% a mediana, como vimos a pouco.
Uma srie de trs medidas pode separar o rol em quatro partes iguais.
Elas so chamadas de quartis. O primeiro quartil (Q1) separa o rol em 25%
e 75%, o segundo quartil (Q2) a prpria mediana e o terceiro quartil (Q3)
divide o rol em 75% e 25%.
Da mesma forma que a mediana, para os quartis devemos inicialmente
calcular a sua posio para depois determinar o seu valor. A posio do quari ( n +1)
til de ordem i, com i = 1..., 3 dada por PQi =
.
4
No nosso exemplo, se desejamos verificar o valor dos quartis para os salrios, teremos PQ1 = (40 + 1)/4 = 10,25 e PQ13 = 3(40 +1 )/4 = 30,75, lembrando que o segundo quartil a prpria mediana. Ento, verificando no rol de
dados, teremos Q1 = R$987,50 e Q3 = R$2.584,50, uma vez que o dcimo salrio de R$975,00 e o dcimo primeiro de R$1.000,00 e que o trigsimo de
R$2.372,00 e o trigsimo primeiro de R$2.797,00. Esses so valores aproximados, mas podemos verificar que so aproximaes bastante razoveis.
Podemos tambem definir um conjunto de nove medidas que separam
o rol em 10 partes, chamadas de decis, e um conjunto de 99 medidas que
separam o rol em 100 partes, chamadas de percentis. Bastando, para isso,
determinar as posies de cada decil pela expresso i.(n + 1)/10 e de cada
percentil por i.(n + 1)/100. fcil verificar que o vigsimo quinto percentil,
por exemplo, o primeiro quartil.
Com base nas separatrizes, podemos construir duas representaes que
fazem parte tambm da chamada anlise exploratria de dados, que so: o
esquema de cinco nmeros e o diagrama de caixa ou Box-plot.
41
Anlise de dados
Med
Xmn
Q3
Xmx
+---+---+---+---+---+---+---+---+---+---+---+---+
0 1 2 3 4 5 6 7 8 9 10 11 12
Anlise de dados
Medidas de disperso
Essas medidas so teis para que possamos verificar o quanto os dados
se dispersam, ou, mais comumente, o quanto eles se dispersam em torno da
mdia. So medidas de variabilidade. Podemos dizer que dados com grande
variabilidade representam um conjunto heterogneo.
As trs principais medidas de variabilidade so (I) a varincia, (II) o desviopadro e (III) o coeficiente de variao.
A varincia
A varincia mede a variabilidade mdia dos desvios dos valores em torno
da mdia ao quadrado. Pode ser representada por VAR(X) ou 2. O quadrado
utilizado porque a mdia tem sempre a propriedade que a soma dos desvios
em torno de si igual a zero, ou seja, (X ) = 0. Dessa forma, a varincia
pode ser definida como:
2 =
(X )2
N
S =
2
(X X)2
n1
X2 nX2
n1
ou
X2 (nX)
S2 =
n1
43
Anlise de dados
(X X)2 . f
n1
.f
S2 =
(X . f )
n
n1
O desvio-padro
Como a unidade da varincia sempre ao quadrado, a forma de representar uma medida de disperso na mesma unidade dos dados calculando a raiz
quadrada da varincia. Essa medida chamada de desvio-padro e , como
veremos, uma das medidas mais importantes da Estatstica.
O coeficiente de variao
O desvio-padro tem vrias utilidades em Estatstica. Uma delas comparar a variabilidade entre dois conjuntos que tm a mesma mdia. Como o
desvio-padro no tem um significado fsico mais bem definido, o seu valor
ser grande ou pequeno dependendo da dimensionalidade dos dados.
Um desvio-padro pode ser irrisrio ou imenso dependendo da dimenso dos dados que estamos tratando. Existe, no entanto, uma possibilidade
de comparao da variabilidade entre dois conjuntos padronizando o valor
do desvio-padro pelo valor da mdia do conjunto de dados.
Ou seja, se igualarmos a mdia a 100 e fizermos uma regra de trs simples,
obteremos:
X
100
CV
Ento,
CV = S . 100%
X
44
Anlise de dados
Medidas de assimetria
Existem vrias medidas para verificar se os dados so simtricos em
torno de um valor central (a mdia) de um conjunto. A mais usual a apresentada abaixo:
A=
3 (mdia mediana)
S
Se A < 0, dizemos que os dados tm assimetria negativa, caso contrrio assimetria positiva. Se A = 0, o conjunto de dados simtrico. O aspecto grfico
de dados simtricos e assimtricos dado abaixo:
Mo Md X
assimetria positiva
X = Md = Mo
simtrico
Md Mo
assimetria negativa
45
Anlise de dados
Atividades de aplicao
1. Uma pesquisa realizada com fornecedores de uma determinada indstria tinha por objetivo atualizar alguns dados importantes para o controle financeiro e administrativo. As seguintes variveis foram observadas:
a) Nome da empresa
b) Idade da empresa
c) Faturamento anual
d) Nmero de funcionrios
e) Localizao (UF)
f) rea construda
Indique, para as variveis acima, qual o tipo de cada uma delas.
2. Indique a letra adequada coluna de acordo com as afirmativas abaixo:
a) Processo utilizado para selecionar elementos numa pesquisa
ou estudo.
b) Uma das formas de apresentao de dados.
c) Medida observada a partir de uma caracterstica da amostra.
d) Caracterstica observada em estudos ou pesquisas.
e) Medida observada a partir de uma caracterstica da populao.
((
Distribuio de frequncias.
((
Estatstica.
((
Amostragem.
((
Parmetro.
((
Varivel.
46
200430010011
211111100030
002001120200
000000000010
Anlise de dados
fi (n.o de funcionrios)
0 ---- 5
52
5 |--- 10
38
10|--- 15
17
15|--- 20
20|---| 50
Total
120
Determine:
a) A amplitude observada entre a 2.a e a 4.a classe.
b) O salrio mdio da 4.a classe de frequncias.
c) A frequncia acumulada da 3.a classe de frequncias.
d) Quantos funcionrios que recebe entre 5 e 15 salrios mnimos?
e) Quantos funcionrios que recebe pelo menos 10 salrios mnimos?
192,00
1
220,00
7
240,00
11
255,00
6
262,00
2
280,00
1
47
Anlise de dados
n. de vendedores
20 30
30 40
10
40 50
18
50 60
50
60 70
70
70 80
30
80 90
18
90 100
Total
200
Xi
31,5
32,5
fi
33,5
11
34,5
35,5
36,5
Determine:
a) A mdia da distribuio dos pesos das embalagens.
b) A mediana dos pesos.
c) A moda dos pesos.
d) A varincia dos dados.
48
Anlise de dados
American Express
10,95
11,90
9,80
9,80
Credicard Nac.
9,20
11,90
Credicard Intern.
9,04
Ourocard Intern.
8,50
9,50
10,50
Diners
10,70
BFB Gold
9,90
Bradesco Nac.
10,32
BFB Intern.
9,90
HSBC Gold
Bradesco Intern.
10,22
Sudameris Classic
10,20
Sudameris Gold
10,20
Bradesco Gold
9,53
5,90
Idade
Nmero de candidatos
18 20
18
20 22
12
22 26
10
26 30
30 36
49
Anlise de dados
b)
c)
d)
Gabarito
1.
a) Qualitativa nominal.
b) Quantitativa contnua.
c) Quantitativa contnua.
d) Quantitativa discreta.
e) Qualitativa nominal.
f) Quantitativa contnua.
2. b, c, a, e, d.
3.
a) Varivel quantitativa discreta, pois o nmero de faltas dado por
um valor inteiro.
50
Anlise de dados
b)
Diagrama de Bastes
30
Membros
25
20
15
10
5
0
Faltas
c)
Distribuio de frequncias
Nmero de faltas
28
12
Total
48
28 + 12 + 5
= 0,9375
48
51
Anlise de dados
e)
Distribuio das frequncias relativas
Nmero de faltas
0,583
0,250
0,104
0,042
0,021
Total
4.
a) A amplitude entre a 2. e a 4. classes varia entre 5 (limite inferior
da 2. classe) e 20 (limite superior da 4. classe), logo a Amplitude =
20 5 = 15.
b) O salrio mdio da 4. classe dado pela mdia entre 15 e 20, portanto, o valor 17,5.
c) A frequncia acumulada da 3. classe ser: 52 + 38 +1 7 = 107.
d) O nmero de funcionrios que recebem entre 5 e 15 salrios mnimos ser dado pela soma dos que ganham entre 5 e 10 mais os que
recebem entre 10 e 15 s.m., portanto, 38 + 17 = 55 funcionrios.
e) Pelo menos 10 s.m. o mesmo que no mnimo 10 s.m. Sendo assim, ser a soma das frequncias das classes a partir de 10 s.m. O
resultado ser 17 + 8 + 5 = 30. Outra forma de clculo seria subtrair
do total os que ganham menos de 10 s.m., ou seja, 120 90 = 30.
5.
a) Este um caso de mdia ponderada, sendo assim a frmula para a
resoluo :
52
X=
6.706
28
X = 239,50 .
Anlise de dados
(n + 1)
(28 + 1)
, logo a PMed =
= 14,5 , ento a mediana ser
2
2
a mdia entre os valores ordenados correspondentes s posies 14 e 15.
PMed =
6.
a) Calcula-se o ponto mdio das classes e obtm-se o resultado da
mdia por meio da expresso:
X=
Vendas (X)
TOTAL
Xf = 12 480 = 62, 4
f 200
Freq (f)
X.f
25
50
35
10
350
45
18
810
55
50
2 750
65
70
4 550
75
30
2 250
85
18
1 530
95
190
200
12 480
X = X.f rel X = 25.(0, 01) + 35.(0, 05) + ... + 95.(0, 01) = 62, 4
53
Anlise de dados
Vendas (X)
Freq (f)
X.f
F relativa
X. Freq rel
25
50
0,01
0,25
35
10
350
0,05
1,75
45
18
810
0,09
4,05
55
50
2 750
0,25
13,75
65
70
4 550
0,35
22,75
75
30
2 250
0,15
11,25
85
18
1 530
0,09
7,65
95
190
0,01
0,95
200
12 480
62,4
TOTAL
b) Como o desvio-padro a raiz quadrada da varincia, ento podemos calcular a varincia atravs da expresso:
S2 =
(x . f )2
n
n1
x2 . f
de x2 . f
X2
54
X2.f
625
1 250
1 225
12 250
2 025
36 450
3 025
151 250
4 225
295 750
5 625
168 750
7 225
130 050
9 025
18 050
813 800
Anlise de dados
(12 480)
200
S2 =
= 176,12 e dessa forma o resultado do
199
desvio-padro ser obtido por meio de:
813 800
7.
S = 176,12 = 13,27
= 1018
30
X = 33,93.
(n + 1) (30 + 1)
= 15,5, logo, a mediana ser a mdia entre os
=
2
2
valores de X na posio 15 e na posio 16. O resultado da mediana
33,5 + 33,5
= 33,5.
ser dado por Md =
2
c) A moda representada pelo valor de maior frequncia, e nesse
caso a Mo = 33,5.
(X . f )2
X2 . f
n
, em que
d) A varincia ser expressa por: S2 =
n1
obtemos os valores dos somatrios na tabela:
b) PMed =
Xi
Xi.fi
31,5
31,5
992,25
992,25
32,5
162,5
1 056,25
5 281,25
33,5
11
368,5
1 122,25
12 344,75
34,5
276,0
1 190,25
9 522,00
35,5
106,5
1 260,25
3 780,75
36,5
73,0
1 332,25
2 664,50
1 018,00
X2
X2.fi
34 585,50
55
Anlise de dados
Logo:
S2 =
34 585,5
29
8.
a) x =
(1 018)2
30
= 1,43
xi , em que
n i=1
1
187,96
x=
= 9,89.
(10,95 + 9,20 + 9,04 + ... + 10,50 + 5,90) =
19
19
(n + 1) (19 + 1)
= 10, em que o valor de X na posio
=
2
2
10 corresponde a uma mediana igual a 9,9.
dada por PMed =
X2
Taxas (X)
56
X2
10,95
119,9025
9,2
84,64
9,04
81,7216
10,7
114,49
10,32
106,5024
10,22
104,4484
9,53
90,8209
11,9
141,61
Anlise de dados
Taxas (X)
X2
11,9
141,61
8,5
72,25
9,9
98,01
9,9
98,01
10,2
104,04
10,2
104,04
9,8
96,04
9,8
96,04
9,5
90,25
10,5
110,25
5,9
34,81
187,96
1 889,486
(187,96)2
19
Temos: S2 =
18
ser dado pela 1, 67 = 1,29.
1 889,49
Para verificarmos se o grupo de dados homogneo, calculamos o coeficiente de variao (CV). Normalmente, grupos com
disperso relativa at 30% so considerados homogneos. O
S
clculo do coeficiente de variao dado por: CV = .100%
X
1,29
CV =
.100% = 13, 07%
9, 89
57
Anlise de dados
9. Utiliza-se o ponto mdio das classes como valor de X na classe (observe que as classes tm amplitudes diferentes) e atravs da expresso
xf
obtm-se a mdia das idades. Ento,
X=
f
X=
= 22,48
10. B
58
Probabilidades e
distribuies de probabilidades
Problema
A Companhia de Seguros ABC deseja acionar uma empresa de nibus
para indenizar a viva de um cliente, que foi morto em um acidente com um
dos nibus da empresa. Deseja, para isso, construir peas de evidncias que
demonstrem impercia do motorista e, portanto, culpabilidade da empresa.
Entre as peas de evidncias, a Companhia ABC pretende demonstrar que a
chance de quatro testemunhas que depuseram a favor do motorista morarem em casas do mesmo quarteiro dele e estarem no nibus no evento do
acidente muito pequena.
O acidente ocorreu no meio da tarde de um dia de semana. Um casal de
pessoas idosas desceu do nibus em um determinado ponto do itinerrio e
o homem foi atropelado pelo prprio nibus. A viva garantiu que o nibus
arrancou antes que o seu esposo tivesse alcanado a calada.
O motorista alegou que esse fato no ocorreu e apresentou em sua defesa
o depoimento de quatro testemunhas que teriam acompanhado o acidente
por estarem no nibus naquele momento.
O advogado da companhia de seguros tinha ouvido falar que as empresas de transporte coletivo s contratavam motoristas se os mesmos apresentassem juntamente com os documentos pessoais uma relao de pessoas
que deporiam a seu favor em caso de acidentes, uma vez que as empresas
estavam tendo um prejuzo muito grande com causas judiciais.
Diante das circunstncias, o advogado levantou o endereo das testemunhas e do motorista e constatou que todos moravam em um mesmo quarteiro do bairro para o qual o nibus se dirigia.
Como ento determinar a probabilidade de as testemunhas de fato no
serem forjadas? O advogado procurou um consultor estatstico e solicitou
a ele que determinasse essa probabilidade, mesmo que fosse de forma
aproximada.
Este material parte integrante do acervo do IESDE BRASIL S.A.,
mais informaes www.iesde.com.br
61
C6,2C20,2
C26,4
190 . 15
= 0,1906,
14 950
ento a probabilidade de se retirar duas bolas azuis em uma amostra sem
reposio de uma caixa com 26 bolas, sendo 20 brancas e 6 azuis, de 0,19
ou 19%.
Se o bairro em que mora o motorista e suas testemunhas for a caixa que
contm um nmero N de moradores, o nmero de habitantes do quarteiro
for N1, correspondentes ao nmero de bolas azuis na caixa e a lotao do
nibus for a amostra n, qual a probabilidade que dessa amostra n, n1 sejam
de moradores do quarteiro?
A expresso geral para o clculo dessa probabilidade :
P (X = n1) =
CN,n
C80,5C8880,35
C8960,40
= 0,00002
Conceitos fundamentais
A teoria de probabilidades foi desenvolvida para solucionar jogos de azar
durante o sculo XVII, mas somente no incio do sculo XX, graas ao matemtico russo A. Komolgorov, que formulou toda a teoria a partir de axiomas
bsicos, a teoria de probabilidades ganhou status prprio como um ramo
autnomo da matemtica. Existem vrias propostas de como medir a incerteza. Entre elas, a mais desenvolvida a da teoria de probabilidades. Mesmo
assim, h diferentes escolas que propem diferentes meios de acessar valores
de probabilidades. H, portanto, alguma controvrsia sobre os fundamentos
da teoria. Discutiremos trs enfoques conceituais diferentes, mas que, independentemente das diferentes definies, usam as mesmas regras matemticas como medidas objetivas de incerteza. Os trs enfoques so o da probabilidade clssica, o da frequncia relativa de ocorrncias e o da probabilidade
Este material parte integrante do acervo do IESDE BRASIL S.A.,
mais informaes www.iesde.com.br
63
subjetiva, que apesar do nome trata a probabilidade como uma medida objetiva, embora a forma de sua determinao seja subjetiva. Aqui a palavra
objetiva significa uma medida exata que se submete ao corpo axiomtico da
teoria de Komolgorov.
Esses trs enfoques foram apresentados porque sero usados indistintamente na soluo dos problemas colocados no livro. As diferenas possveis
decorrentes da diferena de enfoques sero discutidas toda vez que puderem causar algum tipo de dvida ou desconforto.
Iniciaremos com a apresentao de uma srie de definies bsicas que
ajudaro na construo de toda a teoria de probabilidades necessria para a
soluo dos problemas apresentados nos demais captulos.
Experimento aleatrio
Experimento aleatrio um experimento no qual sabe-se que resultados
podem ocorrer, mas no se sabe de antemo que resultado ocorrer. Pode-se,
no entanto, determinar a probabilidade associada a cada resultado. Por exemplo, no lance de um dado honesto sabe-se que os resultados possveis so 1, 2,
3, 4, 5 ou 6 na face superior, cada resultado com probabilidade 1/6.
Como determinar a probabilidade de sair um nmero par? Pela teoria
clssica de probabilidades verificamos que h seis resultados possveis. A probabilidade de sair um nmero par determinada pela razo entre o nmero
de casos favorveis e o nmero de casos possveis, ou seja, 3 casos favorveis
sobre 6 casos possveis, ento essa probabilidade de 3/6 ou .
Do ponto de vista frequentista, essa probabilidade pode ser calculada
com o lance de um dado 1 000 vezes, verificando-se quantas vezes saiu um
nmero par e dividindo-se esse valor por 1 000.
Tambm se pode determinar intuitivamente, atravs de probabilidade
subjetiva, que o resultado sair um nmero par no lance de um dado equivalente a sair cara no lance de uma moeda, e que, portanto, pela experincia
do tomador de decises, ele pode concluir que essa probabilidade seja .
Evento
Eventos so cada um dos resultados possveis de um experimento aleatrio. O evento de sair cara no lance de uma moeda chamado de evento
64
simples, porque estamos interessados em um resultado singular do experimento aleatrio. O evento sair um nmero par no lance de um dado um
evento composto, porque o resultado est associado a trs possveis eventos
simples.
Aos eventos no geral associa-se um conjunto, e a notao utilizada ser a
da teoria dos conjuntos, que estabelece denotar o conjunto com letras maisculas, e quando necessrio, os elementos do conjunto com letras minsculas. Ento o evento sair um nmero par pode ser representado pelo conjunto
A = {2, 4, 6}.
Tambm podemos pensar no caso da moeda, que o resultado do lance
pode ser 1 no caso de sucesso em sair uma cara e 0 no caso de fracasso em
sair uma coroa. Assim, se X o resultado do lance de uma moeda, X = 1 representa cara e X= 0 representa coroa.
Espao amostral
Podemos definir de forma simples o espao amostral como o conjunto
de todos os resultados possveis de um experimento aleatrio ou de outra
forma o conjunto de todos os eventos simples de um experimento aleatrio.
No geral, o espao amostral denominado por S (space, em ingls) ou pela
letra grega (mega).
No lance de um dado o espao amostral ser o conjunto S = {1, 2, 3, 4, 5,
6}. No lance de uma moeda o espao amostral ser S = {C, K}, em que C representa cara e K, coroa. Em muitos livros traduzidos encontramos o espao
amostral para esse experimento aleatrio como S = {H,T}. Aqui H representa
cara e T coroa, porque o jogo cara ou coroa em ingls chamado de head or
tail, cabea ou rabo.
Observe que o espao amostral o conjunto de todos os elementos, ou o
conjunto universo da teoria de conjuntos.
65
soma das faces superiores ser 15 um evento impossvel. Essa definio ser
til um pouco mais tarde quando tratarmos de probabilidades.
Eventos mutuamente exclusivos so aqueles cujos elementos no podem
pertencer a dois conjuntos ao mesmo tempo. Segue um exemplo de eventos
no mutuamente exclusivos com relao ao nmero que aparece na face
superior do lanamento de um dado. Seja o evento A sair um nmero par e
o evento B um nmero menor do que 4. Ento A e B no so mutuamente
exclusivos porque o evento 2 ocorre em ambos os conjuntos. A = {2, 4, 6} e
B = {1, 2, 3}.
Eventos complementares
Dois eventos so complementares quando os seus elementos pertencem
a eventos mutuamente exclusivos e a reunio de todos os elementos igual
ao espao amostral. Por exemplo, no lance de um dado o evento A = {1, 2}
complementar ao evento B = {3, 4, 5, 6}. Tambm o evento sair um nmero
par na face superior no lanamento de um dado complementar ao evento
sair um nmero mpar.
usual denotar o evento complementar de A como ou Ac.
Probabilidade
Probabilidade uma medida de incerteza que pode assumir valores entre
0 e 1. No existe probabilidade negativa nem maior do que 1. A probabilidade
de sair cara no lance de uma moeda igual a ou 0,5 e no 50%.
Embora probabilidade e percentagem sejam medidas de naturezas diferentes, no incomum que se utilize percentagem com o sentido de probabilidade. Quando isso no nos atrapalhar, utilizaremos indistintamente as
duas acepes.
A probabilidade de um evento A pode ser definida como o nmero de
elementos favorveis sobre o nmero de elementos possveis. O cardinal do
conjunto A, denotado por #A, representa o nmero de elementos favorveis
do evento A e o #S o nmero de elementos do espao amostral, ento:
P (A) = #A
#S
66
67
Axiomas de Kolmogorov
Seja A um evento e S o espao amostral de um experimento aleatrio, ento:
(I) 0 P(A) 1;
(II) P(S) = 1;
(III) P(A B) = P(A) + P(B) P(A B), se A e B no so eventos mutuamente
exclusivos.
O primeiro axioma define probabilidade como uma medida no negativa e no maior que a unidade. Ento, um nmero definido no intervalo
de 0 a 1 e no uma percentagem. Ela pode ser apresentada em forma de
frao 4/10, com o numerador sempre menor ou igual ao denominador,
ou em forma decimal 0,4. No teremos preferncia neste livro na forma
de apresentao final das probabilidades calculadas, mas sempre convm
fazer as operaes atravs de fraes para no haver acmulo de erros
devido a arredondamentos.
O segundo axioma informa que a probabilidade do espao amostral
sempre 1. O espao amostral pode ser tomado como o evento composto
certo. Por outro lado, o evento complementar a S o conjunto vazio, denotado por { } ou .
O terceiro axioma diz que a probabilidade da unio de dois eventos a
soma das probabilidades dos eventos menos a probabilidade de sua interseo. Se A e B so mutuamente exclusivos, ento A B = . Vejamos um
exemplo de eventos no mutuamente exclusivos.
No lance de um dado, seja A o evento sair um nmero par e B o evento
sair um nmero menor que 4. Ento, A = {2, 4, 6} e B = {1, 2, 3}, a unio dos
dois eventos A B = {1, 2, 3, 4, 6} e a interseo e A B = {2}. Ento P (A B)
= 1/2 + 1/2 1/6 = 5/6, uma vez que P (A) = 1/2; P (B) = 1/2 e P(A B) = 1/6.
Verifique que de fato o cardinal de A B #(A B) = 5.
necessrio fazer a subtrao porque caso contrrio o elemento 2 entraria duas vezes, enquanto na unio ele s entra uma vez, apesar de ser
elemento dos conjuntos A e B.
68
Regras de probabilidades
Algumas regras teis derivadas dos axiomas de probabilidades sero
apresentadas sem prova. Em um contexto formal elas poderiam ser apresentadas como teoremas com as devidas provas, mas esse no o interesse
neste texto.
Eventos complementares
Se A um evento e o seu evento complementar, ento P(A) + P() =
1, ou ainda P() = 1 P(A). Um caso particular ocorre para o caso do conjunto vazio, sabidamente complementar ao conjunto universo. P() = 1 P(S),
ento como P(S) = 1, P() = 0.
Regra da adio
Se A e B so eventos mutuamente excludentes, isto , A
P(A B) = P(A) + P(B), haja vista que P() = 0.
B = , ento
B
5
2
4
1
3
6
S
Regra da diferena
Se A e B so dois conjuntos quaisquer, podemos definir a diferena entre
os dois conjuntos, A\B como o conjunto de todos os elementos que pertencem a A e que no pertencem a B. Ento P(A\B) = P(A) P(A B).
Sejam os eventos A ={2, 4} e B { 2, 3, 5} e S = {1, 2, 3, 4, 5, 6}, ento P(A\B) = P(A)
P(A B) = 2/6 1/6 = 1/6. Verifique que A\B = {4} cujo cardinal #(A\B) = 1.
Este material parte integrante do acervo do IESDE BRASIL S.A.,
mais informaes www.iesde.com.br
69
A
4
B
5
Probabilidades conjunta,
marginal, condicional e independncia
Probabilidade conjunta
Em muitas aplicaes, estaremos interessados na probabilidade de ocorrncia conjunta de dois ou mais eventos. Considere uma pesquisa de mercado em que dois produtos, A e B, foram apresentados para uma amostra de 1
000 pessoas, 500 homens e 500 mulheres. Os resultados das preferncias so
apresentados na tabela a seguir:
Sexo
Prefere produto A
Prefere produto B
Total
Masculino (M)
200
300
500
Feminino (F)
100
400
500
Total
300
700
1 000
70
Prefere produto A
Prefere produto B
Total
Masculino (H)
0,2
0,3
0,5
Feminino (M)
0,1
0,4
0,5
Total
0,3
0,7
1,0
Probabilidade marginal
Adicionalmente s probabilidades conjuntas, possvel determinar as
probabilidades marginais com respeito ao sexo e preferncia por produto.
Essas probabilidades so chamadas de probabilidades marginais ou de probabilidades incondicionais. Por exemplo, a probabilidade marginal de que
um indivduo escolhido aleatoriamente seja homem de P(H) = 0,5 e a probabilidade que o produto A seja escolhido de P(A) = 0,3.
Observe que a probabilidade de que o produto A seja escolhido a soma
de duas probabilidades mutuamente excludentes: P[(A e H) ou (A e M)] = P(A
e H) + P(A e M) = 0,2 + 0,1 = 0,3.
Probabilidade condicional
Se estivermos interessados na probabilidade de ocorrncia de um evento
uma vez que outro evento j ocorreu, podemos definir probabilidades condicionais. Por exemplo, podemos estar interessados em saber qual a probabilidade de ocorrncia do evento preferncia pelo produto A dado que o
elemento sorteado foi um homem.
Definimos ento, P(A/H) como a probabilidade condicional e diz-se probabilidade de A dado H:
P(A/H) =
P(A H)
2
0,2
=
= 0,4
=
5
0,5
P(H)
P(H A)
2
0,2
=
= 0,67
=
3
0,3
P(A)
Independncia
Verificamos que a probabilidade de preferncia do produto A dado que
um homem foi sorteado igual a 0,4. Ento:
P(A/M) =
P(A M) 0,2
2
=
= 0,4
=
5
0,5
P(M)
71
Regra da multiplicao
Quando dois eventos so independentes, temos que P(C/D) = P(C). Observe tambm que
Se P(C/D) = P(C
D) = P(C/D) P(D).
Verifique que para o exemplo da pesquisa de mercado a seguir os eventos preferncia por um produto e sexo so independentes.
Sexo
Prefere produto A
Prefere produto B
Total
Masculino (H)
0,08
0,32
0,4
Feminino (M)
0,12
0,48
0,6
Total
0,20
0,80
1,0
Teorema de Bayes
O objetivo do teorema de Bayes o de fazer reviso de probabilidades
com base em novas peas de evidncia. Vamos apresentar o teorema a partir
de um exemplo prtico. A Companhia de Petrleo ABC deseja verificar qual
a probabilidade de haver petrleo no litoral paranaense, uma vez que foi
descoberto petrleo no litoral sul de So Paulo. Especialistas da Companhia
acreditam que devido s circunstncias geogrficas h uma probabilidade
de 70% de haver petrleo no Paran.
Contratam, ento, uma empresa de prospeco que realiza pesquisas
amostrais. Da experincia passada dessa empresa com a realizao desse
teste, ela garante uma sensibilidade do teste de 90%, isto , em 90% das
vezes em que ele fornece resultado positivo, de fato h petrleo. E garantem
tambm uma especificidade de 80%, ou seja, em 80% das vezes em que o
teste fornece resultado negativo, de fato no h petrleo. Com esses dados,
a empresa far uma reviso da probabilidade de haver petrleo, estimada
em 70% pelos tcnicos da Companhia ABC.
Para equacionar o problema, vamos chamar o evento ter petrleo de A,
de tal forma que A1 representar resultado positivo e A2 resultado negativo.
Assim, P(A1) = 0,7 e P(A2) = 0,3. Chamaremos essas probabilidades de probabilidades a priori.
O evento B representar o teste. Ento, se o teste fornece resultado positivo quando h petrleo em 90% das vezes, podemos representar essa probabilidade como P(B/A1) = 0,9. E se o teste fornece resultado negativo quando
no h petrleo em 80% das vezes, significa que em 20% fornece resultado
negativo quando h petrleo, portanto P(B/A2) = 0,20.
Da definio de probabilidade condicional, temos que se P(B/A1) =
P(A1 B) /P(A1) ento P(A1 B) = P(A1) P(B/A1).
Assim, P(A1
B) U (A2
B) = (0,3).(0,2) = 0,06.
B) + P(A2
B).
Por outro lado, P(A1/B) = P(A1 B)/ P(B). Logo, P(A1/B) = 0,63/0,69 = 0,90.
Ento, a probabilidade de haver petrleo no Paran, dado o resultado positivo do teste, de 91%. Assim, a probabilidade de 70% de haver petrleo foi
atualizada para 91%.
Este material parte integrante do acervo do IESDE BRASIL S.A.,
mais informaes www.iesde.com.br
73
Probabilidade
condicional
Probabilidade conjunta
Probabilidade a
posteriori
P(Ai)
P(x2/i)
P(i) P(x2/i)
P(i/x2)
A1 = tem petrleo
0,7
0,9
0,63
0,91
A2 = no tem petrleo
0,3
0,2
0,06
0,09
Total
1,0
0,69
1,0
Eventos Ai
Verifique que a distribuio conjunta dos eventos pode ser dada por:
Teste positivo
(B)
Teste negativo
(Bc)
Total
A1 = tem petrleo
0,63
0,07
0,7
A2 = no tem petrleo
0,06
0,24
0,3
Total
0,69
0,31
1,0
A1
Pela definio de probabilidade condicional, temos que P(A 1/B) =
P(A1 B)/P(B).
74
B) + P(A2
P(A1) P(B/A1)
P(B)
B) = P(A1)P(B/A1)+ P(A2)P(B/A2)
P(A1) P(B/A1)
P(A1) P(B/A1) + P(A2) P(B/A2)
P(Ai) P(B/Ai)
P(Ai) P(B/Ai)
75
Probabilidade de X P(X = x)
67
0,10
68
0,25
69
0,50
70
0,10
71
0,05
Probabilidades
0,5
0,4
0,3
0,2
0,1
0
76
Probabilidade de X
P(X = x)
Probabilidade acumulada
P(X x) = F(x)
67
0,10
0,10
68
0,25
0,35
69
0,50
0,85
70
0,10
0,95
71
0,05
1,00
Esperana e varincia
de uma varivel aleatria discreta
A esperana de uma varivel aleatria discreta, tambm chamada de expectncia ou valor esperado, a mdia aritmtica ponderada pelas probabilidades. Ela pode ser definida como:
= E(X) = X P(X = x)
Este material parte integrante do acervo do IESDE BRASIL S.A.,
mais informaes www.iesde.com.br
77
P(X = x)
X P(X = x)
67
0,10
6,70
4 489
448,90
68
0,25
17,00
4 624
1 156,00
69
0,50
34,50
4 761
2 380,50
70
0,10
7,00
4 900
490,00
71
0,05
3,55
5 041
252,05
Total
X2
X2 P(X = x)
68,75
4 727,45
E(X) = 68,75
VAR(X) = E(X2) [E(X)]2 = 4 727,45 (68,75)2 = 0,8875.
O valor mdio dos produtos em estoque de R$68,75 e sua varincia
igual a 0,8875.
78
Empresa Y
P(Y = y)
0,1
0,1
0,0
0,2
0,1
0,5
0,0
0,6
0,0
0,0
0,2
0,2
P(X = x)
0,2
0,6
0,2
1,0
P(Y = y)
0,2
0,6
0,2
P(Y = y)
1,0
Empresa X
P(X = x)
0,2
0,6
0,2
P(X = x)
1,0
P(X = x / Y = 1)
0,1/0,6 = 0,17
0,5/0,6 = 0,83
0,0
P(Y = y)
1,0
79
Covarincia e correlao
Definimos covarincia e correlao conforme segue:
Cov(X,Y) = E(X,Y) E(X)E(Y) e
Corr(X, Y) =
x, y
Cov(X, Y)
Var(X) Var(Y)
Distribuio uniforme
Algumas vezes, todos os valores possveis da varivel aleatria assumem
o mesmo valor. Tal distribuio de probabilidades chamada de distribuio
uniforme e tem a seguinte distribuio de probabilidades:
P(X = x) = f(x) = 1 , x = 0 ,..., N
N
X
=
E(X) =
N
Var(X) = 1 [( X2) (X)2 ] = 2
N
80
Exemplo:
Lance de um dado no viciado. A funo de probabilidade (ou funo
densidade de probabilidades) dada por:
1
P (X = x) =
6
E(X) = 3,5
VAR(X) = 2,92
Exemplo:
Um voo internacional est escalado para chegar ao Aeroporto Internacional de Cumbica em So Paulo s 7h30min da manh. Um estudo mostrou
que a hora real de chegada uniformemente distribuda por minutos no
intervalo de 7h05min s 8h40min. Seja X = 1 a chegada s 7h05min, X = 2 a
chegada s 7h06min, e assim por diante.
a) Escreva a expresso matemtica de f(x) = P(X = x).
b) Qual a probabilidade que o voo se atrase?
c) Qual a probabilidade que o voo chegue depois das 8h00?
d) Qual a probabilidade que o voo chegue s 8h00 ou depois das
8h00?
e) Qual probabilidade que o voo chegue antes das 7h30min?
Entre 7h05min e 8h40min existem 96 minutos, ento:
a) f(x) =1/96, x = 1, ... , 96.
b) A probabilidade que o voo se atrase a probabilidade que ele chegue
depois das 7h30min. Entre 7h31min e 8h40min existem 70 minutos,
ento:
70
P(7h31min X 8h40min) = P(7h30min < X 8h40min) =
= 0,729.
96
c) A probabilidade que o voo chegue depois das 8h00 e P(X > 8h00) = 40
96
= 0,417.
d) A probabilidade que o voo chegue s 8h00 ou depois das oito
P(X 8h00) = 41 = 0,427.
96
e) Entre 07h05min e 07h30min existem 25 minutos.
25
= 0,260.
96
81
Distribuio binomial
Na distribuio binomial h dois resultados possveis em cada experimento aleatrio. E uma das distribuies mais importantes por suas aplicaes na
rea de negcios e de cincias sociais. O processo que se utiliza da distribuio binomial conhecido como prova de Bernoulli ou processo de Bernoulli,
matemtico suo que pela primeira vez deu sentido ao uso da distribuio
binomial.
As seguintes suposies devem ser feitas para o uso da distribuio
binomial:
(I) em cada processo h dois possveis resultados mutuamente exclusivos,
que so chamados de sucesso ou fracasso;
(II) a probabilidade de sucesso, denotada por p, permanece constante durante todo o processo. A probabilidade de fracasso, denotada por q
igual a 1 p;
(III) cada passo do processo independente do anterior.
A distribuio binomial tem a seguinte distribuio de probabilidades:
P(X = x) = f(x) = Cn,x px qn-x
E(X) = n.p
VAR(X) = n.p.q
O exemplo clssico do uso da distribuio binomial o clculo da probabilidade de, por exemplo, sarem duas caras no lance de seis moedas hones1
tas. Nesta situao, n = 6, p = e X = 2. Ento:
2
2
4
P(X = 2) = C6,2 (1/2) .(1/2) = (15).(0,015625) = 0,2344
A tabela abaixo fornece toda a distribuio de probabilidades para o experimento acima:
X
P(X = x)
0,0156
0,0938
0,2344
0,3125
0,2344
0,0938
0,0156
E(X) = n.p = 6 . 1 = 3
2
V(X) = n.p.q = 6 . 1 . 1 = 1,5
2 2
82
C10,X (0,10)X
x=0
83
Distribuio multinomial
No caso da distribuio binomial havia dois possveis resultados para o
processo, sucesso ou fracasso. No caso da distribuio multinomial, podemos ter mais do que dois resultados possveis. A sua distribuio de probabilidades dada pela expresso:
P(X1 = x1, X2 = x2, ..., Xn = xn) = f(x) = [n!/x1!x2!...xn!] p1x1 p2x2 ...pnxn
E(Xi) = ni.pi
VAR(Xi) = ni.pi.qi
Exemplo:
A loja ABC est liquidando o seu estoque, distribuindo roupas de tamanhos diferentes em trs salas. Uma sala para manequim pequeno, outra para
mdio e outra para grande. Uma pessoa entra na sala de roupas mdias e
escolhe 10 peas. Por causa de um erro de classificao das peas, 15% delas
na sala de roupas mdias eram grandes, e 5% eram pequenas, as demais
eram de fato roupas de tamanho mdio.
a) Qual a probabilidade de que a pessoa que escolheu as peas na sala de
roupas de tamanho mdio, tenha pegado exatamente cinco roupas de tamanho mdio, uma de tamanho grande e quatro de tamanho pequeno?
b) Qual a probabilidade de ela ter pego sete roupas de tamanho mdio,
duas de tamanho grande e uma de tamanho pequeno?
Aplicando a expresso da distribuio multinomial, teremos:
a) f(5,1,4) = [10!/5!1!4!].(0,80)5.(0,15).(0,05)4 = 0,0004
b) f(7,2,1) = [10!/7!2!1!].(0,80)7.(0,15)2.(0,05) = 0,0849.
Distribuio hipergeomtrica
A distribuio binomial foi utilizada para amostragens de populaes finitas com reposio. Em muitas situaes prticas, as amostragens so realizadas sem reposio e, nesse caso, o modelo adequado o da distribuio
hipergeomtrica.
84
Suponha que temos bolas de duas cores em uma caixa com N bolas,
sendo que N1 so brancas e N N1 so azuis. Uma amostra de tamanho n
retirada da caixa e desejamos saber qual a probabilidade que x dessas bolas
sejam brancas.
A expresso para o clculo de x sucessos na amostra aleatria de tamanho n sem reposio dada por:
f(x) = P(X = x) =
CN, n
Distribuio de Poisson
A distribuio de Poisson tem uma grande aplicao em situaes como
demanda por produtos, nmero de telefonemas que chegam a uma central,
nmero de acidentes, nmeros de trfego de chegadas (como caminhes
em um terminal, avies em aeroportos, navios nos portos etc.) e nmero de
defeitos observados em linhas de produo.
Todas essas situaes tm dois pontos em comum:
(I) as ocorrncias podem ser descritas por uma varivel aleatria que
toma valores como 0, 1, 2 e assim por diante;
(II) existe um ndice do nmero de ocorrncias por intervalo de tempo ou
espao.
Algumas suposies so feitas para a utilizao dessa distribuio, que so:
(I) a probabilidade de exatamente uma ocorrncia acontecer em um subintervalo um nmero pequeno que constante em cada subintervalo;
(II) a probabilidade de duas ou mais ocorrncias em um subintervalo
to pequena que considerada igual a zero;
(III) o nmero de ocorrncias em um subintervalo no depende onde este
subintervalo est localizado;
85
(IV) o nmero de ocorrncias em um subintervalo no depende do nmero de ocorrncias em qualquer outro subintervalo.
A distribuio de Poisson pode ser descrita pela funo densidade de
probabilidade:
x
(0,4)0.e0,4
= 0,670.
0!
Para X = 1
P(X = 1) = f(1) =
(0,4)1.e0,4
= (0,4)(0,670) = 0,268.
1!
Para encontrar esses e outros valores de f(x), pode-se consultar diretamente a tabela C dos valores da funo de distribuio acumulada para a distribuio de Poisson.
c
F(c) = P(X c) =
x=0
f(x)
A distribuio de Poisson
como aproximao da distribuio binomial
Quando n muito grande, o uso da distribuio binomial pode tornar--se tedioso. Para evitar essa situao podemos tomar a distribuio
de Poisson como uma aproximao da distribuio binomial, quando n
muito grande e p muito pequeno.
86
(0,25)0 . e0,25
= 0,779
0!
Atividades de aplicao
1. Determine o complemento para cada um dos seguintes eventos:
87
a) nenhum.
b) exatamente 2.
c) pelo menos 1.
9. Num processo de fabricao de certo tipo de componentes, a taxa
de defeituosos de 6%. Esses componentes so acondicionados em
caixas com cinco unidades para a venda no mercado. A empresa fabricante paga uma multa de R$10 por caixa em que tenha algum componente defeituoso. Num lote de 5 000 caixas, qual o valor esperado
para pagamento de multas?
10. Certo departamento de uma empresa est dimensionado de forma a
poder atender, no perodo normal, at cinco pedidos de servios. Se
chegarem mais que cinco pedidos, o pessoal deve recorrer a horas extras para cumprir o atendimento. Sabendo-se que o nmero mdio de
pedidos que chegam diariamente de 4,2, calcular:
a) a probabilidade de ocorrncia de horas extras num dia qualquer.
b) sendo o custo dirio de horas extras de R$375,00, qual ser o custo
mdio mensal estimado com horas extras (considerar 22 dias)?
Gabarito
1.
a) O complemento ser {1,4,5,6}.
b) O complemento ser extrair uma carta de ouros ou de espadas ou
de paus.
c) O complemento ser retirar 10 ou mais defeituosos.
d) O complemento ser retirar no mximo quatro defeituosos (ou menos
de cinco).
2.
a) A:{(3,6)(4,5)(5,4)(6,3)}
B:{(4,1)(4,2)(4,3)(4,4)(4,5)(4,6)(5,1)(5,2)(5,3)(5,4)(5,5)(5,6)(6,1)(6,2)
(6,3)(6,4)(6,5)(6,6)}.
Este material parte integrante do acervo do IESDE BRASIL S.A.,
mais informaes www.iesde.com.br
89
Ac =
Os elementos de A
tos, logo:
Os elementos do complemento de A sero aqueles que no pertencem a A, mas pertencem aos demais conjuntos do espao amostral:
(1,1)(1,2)(1,3)(1,4)(1,5)(1,6)(2,1)(2,2)(2,3)(2,4)(2,5)(2,6)(3,1)(3,2)(3,3)(3,4)
(3,5)(4,1)(4,2)(4,3)(4,4)(4,6)(5,1)(5,2)(5,3)(5,5)(5,6)(6,1)(6,2)(6,4)(6,5)(6,6)
3.
a) No so mutuamente exclusivos, pois existe A
B = 0,15.
C 83 .C120
= 0, 049
a)
3
C 20
1
C 82 .C12
= 0,295
b)
3
C 20
c)
C 81 .C122
= 0, 463
3
C 20
5.
90
110
C 400
.C1100
200
C1500
0
200
1
199
2
198
C 400
.C1100
+ C 400
.C1100
+ C 400
.C1100
b) 1
200
C1500
a)
90
6.
a) Esse um caso de uma distribuio binomial, em que p = 0,80 e
n = 10, sendo assim:
120.(0,2097).(0,008) = 0,2013
91
b) P(X = 2) =
(2,32 . 2,3)
= 0,2652 ou 26,52%.
2!
c) P(X 1) = 1 P(X < 1) = 1 P(X = 0) P(X 1) = 1 0,1002 = 0,8998
ou 89,98%.
9. uma aplicao da distribuio binomial. Inicialmente, devemos obter a probabilidade de ocorrer algum componente defeituoso numa
caixa, ou seja:
Como a empresa paga R$10,00 por caixa com algum componente defeituoso e o lote contempla 5 000 caixas, ento a multa esperada ser
dada por:
1
=
+
+
+
+
0!
1!
2!
3!
4 !
92
Amostragem
Problema
A empresa ABC tem uma administrao participativa e decidiu que os
funcionrios devem eleger os chefes de seo. No almoxarifado, dois candidatos apresentam-se. Joo parece ter a preferncia de seus pares, mas
Pedro acredita que pode superar Joo se fizer uma boa campanha. Resolve ento fazer uma pesquisa de opinio para compreender quais so os
principais anseios de seus colegas e quer aproveitar a pesquisa para ver o
nvel de aceitao de seu nome. Como o nmero de empregados do almoxarifado muito grande, opta por fazer um levantamento atravs de um
processo de amostragem.
Para tanto, elabora um plano amostral e um questionrio para realizar o
seu levantamento. Faz parte de seu planejamento a determinao do tipo de
sorteio que realizar, a determinao do tamanho da amostra e a estratgia
do trabalho de campo.
Ele sabe que o tamanho da amostra depender fundamentalmente de duas
determinaes; a preciso do resultado e o erro amostral. Resolve, ento, que
deseja ter uma grande preciso que implique um desvio de mais ou menos 3%
com um nvel de confiana de 95%, ou seja, um erro amostral de 5%.
Assim, se ele tiver 40% das intenes de voto, saber, ento, com 95% de
confiana, que em uma eleio com todos os funcionrios, sua proporo de
votos estar entre 37% e 43%. Ou, de outra forma, a proporo de votos que
ele ter na populao estar dentro desse intervalo e, uma vez que a pesquisa foi feita por amostragem, esse intervalo ser construdo atravs de uma
amostra que poder ser representativa da populao ou no, e a chance que
esse sorteio retire uma amostra no representativa de 5%, porque o nvel
de confiana e o erro amostral representam probabilidades complementares, ou seja, a sua soma sempre 100%. Se o levantamento for realizado com
um erro amostral de 2%, ento o nvel de confiana ser de 98%.
Comumente os resultados de pesquisas como essa falam em margem de
erro de mais ou menos 2 ou 3%. O que se publica como margem de erro
Este material parte integrante do acervo do IESDE BRASIL S.A.,
mais informaes www.iesde.com.br
95
Amostragem
Conceitos fundamentais
Um levantamento amostral ou atravs de amostragem uma pesquisa realizada em parte de uma populao com o objetivo de calcular uma
medida na amostra que sirva de estimativa dessa medida na populao.
No exemplo acima, a proporo de votos de Pedro na amostra serve como
uma estimativa da proporo de seus votos na populao. Alm da proporo, outras medidas muito comuns realizadas na amostra como estimadores dos parmetros populacionais so a mdia e o desvio-padro.
Formalizando alguns conceitos:
96
Amostragem
Populao
Populao um conjunto de pessoas, animais, objetos ou coisas que tm
uma caracterstica em comum e que sejam objeto de investigao.
Exemplos:
populao de pessoas que habitam uma cidade;
populao de eleitores de uma cidade. Nesse caso, so consideradas
somente as pessoas cadastradas no tribunal regional eleitoral das
zonas eleitorais do municpio em questo. No importa se a pessoa de
fato reside na cidade ou no. Muitos eleitores de curitiba residem nas
cidades da regio metropolitana;
populao de empregados de uma empresa, ou de um setor de uma
empresa;
populao de cachorros de rua de uma cidade;
populao de refrigeradores produzidos por uma indstria no ano y;
populao das carteiras de uma escola.
As medidas observadas em uma populao so chamadas de parmetros.
No geral, so apresentadas por caracteres maisculos ou por letras gregas.
Tamanho da populao N.
Media da populao (letra grega mi).
Desvio-padro da populao (letra grega sigma).
Um levantamento realizado com todos os elementos de uma populao
chamado de censo. Os primeiros censos de que se tem notcia foram realizados na China. Mais tarde ficaram famosos os censos do Imprio Romano,
cujo objetivo era conhecer o tamanho de seu domnio. Um desses censos foi
realizado no ano do nascimento de Jesus Cristo. Os cristos acreditam que
esse censo foi realizado justamente para identificar a figura de uma criana
que mais tarde se tornaria o filho de Deus.
97
Amostragem
Amostra
Amostra um subconjunto de uma populao que pretende represent-la.
As medidas realizadas em uma amostra so chamadas de estatsticas.
Como elas pretendem estimar o valor da mesma medida na populao, os
seus valores calculados so chamados de estimativa. A expresso utilizada
para calcular a medida chamada de estimador.
98
Amostragem
No exemplo anterior, a proporo de votos de Pedro na populao um parmetro. A proporo de votos na amostra um estimador desse parmetro. O
seu valor, no caso em tela, 40% uma estimativa do valor do parmetro.
A mdia da amostra um estimador da mdia da populao, mas no o
nico estimador possvel. A mediana da amostra, por exemplo, pode ser um
estimador da mdia da populao. Ocorre que a mdia da amostra um estimador da mdia da populao que tem certas propriedades que a tornam
um estimador melhor do que a mediana amostral.
As medidas realizadas na amostra so representadas por letras minsculas ou atravs de caracteres especiais. Quando um estimador, tambm
podem ser representadas atravs da mesma letra do parmetro que desejam
estimar acrescentada de um acento circunflexo que chamado de chapu.
Tamanho da amostra n.
^
Mdia da amostra X,
.
Desvio-padro da amostra S, s, .
Tipos de amostragem
Quanto repetio de elementos da amostra
Uma amostra pode ser retirada da populao podendo os elementos
dessa populao aparecerem mais de uma vez na amostra, ou no. Se todos
os elementos da amostra so diferentes, ou seja, um mesmo elemento no
pode participar duas vezes da amostra, a amostragem dita ser amostra sem
reposio. Caso contrrio, a amostra dita ser com reposio.
No processo de sorteio da loteria federal, por exemplo, quando so sorteados seis nmeros de 0 a 9 para formar uma centena de milhar, a amostragem com reposio. Sorteia-se de um globo uma bola que representar a
unidade. Esse nmero verificado e colocado novamente no globo para o
sorteio da dezena e assim por diante at o sorteio da bola correspondente
centena de milhar. Na verdade, o sorteio feito com seis globos, o que equivale ao processo descrito acima. Ento esse sorteio com reposio.
No processo de sorteio da mega-sena, por outro lado, o processo sem
reposio, porque se sorteiam seis bolas de um globo que tem um total de
60 bolas numeradas.
Este material parte integrante do acervo do IESDE BRASIL S.A.,
mais informaes www.iesde.com.br
99
Amostragem
Quanto representatividade
Uma amostra pode ser probabilstica ou no probabilstica. Para efeito
de inferncia, isto , se o propsito o de estimar valores de parmetros
da populao, somente amostras probabilsticas conseguem ser teis. Ou
seja, s possvel fazer inferncias para a populao atravs de observaes da amostra se os elementos forem escolhidos atravs de algum processo de sorteio.
100
Amostragem
101
Amostragem
que o voto nos Estados Unidos no obrigatrio e que as eleies so realizadas de forma indireta atravs de delegados partidrios.
Amostragem de voluntrios
Nesse tipo de amostragem, os elementos da amostra so definidos pela
opo do prprio elemento em participar do processo. Ele muito comum
em publicaes de revistas ou jornais ou ento na opinio de usurios de
certos servios, como restaurantes, por exemplo.
Muitas revistas colocam em determinados nmeros encartes em que
o leitor deve opinar sobre a qualidade da revista e de certas sees especficas. O que ocorre no geral que a grande maioria das pessoas que
respondem ao questionrio, o fazem porque no esto satisfeitas com a
publicao ou pelo menos com parte dela. Essa sondagem pode ser til
para os editores da revista porque tero uma ideia do que podem melhorar,
mas no h como se fazer estimativas acerca do que a maioria dos leitores
pensa da publicao. O mesmo ocorre em restaurantes ou em conferncias
quando os comensais ou os participantes das conferncias so instados a
responderem questionrios.
Amostragem intencional
Aqui o pesquisador busca na populao uma parte dela que lhe interessa. Os participantes da amostra so escolhidos por terem alguma caracterstica que interessa ao pesquisador. Da mesma forma que os outros
processos no probabilsticos, nesse caso no h como se fazer inferncias
para toda a populao.
Uma pesquisa sobre qualidade de atendimento hospitalar pode ser realizada em um setor do hospital. Podem ser escolhidos para participarem
da amostra pacientes desse setor. Naturalmente os resultados obtidos dessa
forma no podem ser estendidos para todo o hospital.
Amostragem a esmo
Muitas vezes este processo confundido com uma amostragem aleatria.
A palavra aleatria vem de alea (de sorte do latim todos lembram de alea
102
Amostragem
jacta est, a sorte est lanada, de Jlio Csar ao invadir Roma). No contexto
da estatstica, a palavra aleatria est relacionada com processo de escolha
por sorteio. Em contextos especficos a palavra aleatria substituda pela
palavra estocstica.
Escolher a esmo, portanto, no processo cientfico de escolha de elementos da populao para participarem da amostra.
103
Amostragem
104
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
Amostragem
105
Amostragem
Amostragem
Como sabido, os homens so, de uma forma geral, mais altos do que as mulheres, e se fizermos um sorteio atravs de uma amostra aleatria simples,
poderemos correr o risco de termos na amostra 40% de mulheres ou mais, o
que nos levaria ao final a subestimar a altura mdia daquela populao.
Suponha que tal pesquisa seja realizada em uma populao com 60 pessoas e que uma amostra de tamanho 10 deva ser retirada de uma populao
com 12 mulheres e 48 homens.
Primeiramente, verifica-se a proporo de homens e mulheres na populao. A proporo de mulheres (pm) dada por:
Pm =
Nm
N
= 10 . 20% = 10 . (20/100) = 2
Ento, o nmero de homens ser de 8. De fato, 8 representa 80% da amostra, da mesma forma que 48 representa 80% de 60. Em uma tabela, teramos:
Sexo
Populao
Amostra
Homens
Nh
nh
Mulheres
Nm
nm
Total
107
Amostragem
Exemplo:
Deseja-se fazer uma estimativa do salrio mdio dos empregados de uma
empresa atravs de uma amostra de tamanho 10, em um sorteio sem reposio, utilizando a tabela de nmeros aleatrios a partir da linha 29 coluna 3,
correspondente a 29 de maro, dia do aniversrio de Curitiba.
A tabela a seguir corresponde diviso dos funcionrios segundo os seus
cargos na empresa:
Setor
Empregados
Tcnico
20
Administrativo
60
Operacional
120
Total
200
Supondo que os valores dos salrios dos tcnicos sejam maiores do que
o de pessoal administrativo, que por sua vez maior do que o dos empregados do setor de operaes, faz sentido fazer uma amostragem estratificada proporcional.
O primeiro passo determinar o nmero de funcionrios de cada setor
que ir compor a amostra de tamanho 10, respeitadas as propores de cada
setor na populao. Ento:
Setor
Populao
Amostra
Tcnico
20
(20/200) . 10 = 1
Administrativo
60
(60/200) . 10 = 3
Operacional
120
(120/200) . 10 = 6
Total
200
10
108
Amostragem
Setor
Amostra
Nmeros sorteados
Tcnico [1;20]
015
Administrativo [21;80]
Operacional [81;200]
181,173,174,138,117,176
Total
10
Amostra sistemtica
A amostra sistemtica utilizada quando a populao j se encontra organizada em alguma forma de arquivo.
Suponha que desejamos fazer uma reviso tipogrfica em um livro de
400 pginas atravs de uma amostra de tamanho 10. O processo consiste em
determinar o valor da frao amostral, que dada por:
f= N
n
O primeiro passo sortear o primeiro elemento da amostra atravs da
tabela de nmeros aleatrios. O segundo ser determinado pela soma do
primeiro nmero com a frao amostral. O terceiro o segundo mais a frao
amostral e assim por diante at completar o tamanho da amostra.
No exemplo dado, a frao amostral igual a 400/10 = 40. Vamos determinar a entrada pela linha 1 coluna 1, primeiro dia do ano, que corresponde
pgina 57.
A segunda pgina ser 57 + 40 = 97. A terceira, 137, e na sequncia as pginas 177, 217, 257, 297, 337, 377. A seguinte seria a pgina 417, mas ela supera o
nmero de pginas do livro. Subtramos ento 400 de 417 e a pgina sorteada
ser a de nmero 17. A prxima seria a pgina 57, mas que j foi sorteada, o
processo, ento, se completa com a determinao da dcima pgina, que a de
nmero 17. As pginas que sero verificadas so, ento, as de nmeros:
17, 57, 97, 137, 177, 217, 257, 297, 337 e 377.
Este material parte integrante do acervo do IESDE BRASIL S.A.,
mais informaes www.iesde.com.br
109
Amostragem
110
Amostragem
Tamanho da amostra
A determinao do tamanho da amostra uma das tarefas mais complexas em um processo de pesquisa e requer um trabalho bastante cuidadoso.
Vrios aspectos devem ser considerados no seu clculo e uma falcia deve
ser definitivamente abandonada, que a ideia de que se pode determinar
o tamanho da amostra atravs de uma determinao percentual em relao ao tamanho da populao. Por exemplo, tomar uma amostra de 5% da
populao ou de 10% da populao como representativa dela; esse procedimento s pode ter alguma validade se a partir dele forem determinados o
erro estatstico e o desvio dos valores dos parmetros obtidos.
De outra forma, vale dizer que uma amostra de 0,5% da populao pode
ser representativa dela e que uma amostra de 10% pode no ser, dependendo do tamanho da populao e da tcnica de amostragem utilizada.
Outra considerao fundamental na determinao do tamanho da amostra
o limite imposto pela quantidade de recursos disponveis para a realizao
111
Amostragem
A margem de erro
O que chamado de margem de erro ou erro mximo da estimativa
na verdade a diferena mxima provvel entre a medida do estimador
observado na amostra e o verdadeiro valor do parmetro da populao.
Trata-se, portanto, do desvio entre o valor calculado na amostra e o verdadeiro valor do parmetro da populao.
Na pesquisa amostral do exemplo da eleio do chefe do setor, se Pedro
tem 40% da inteno de votos, mais ou menos 3% esses 3% so o desvio do
valor central de 40% que a pesquisa se props a admitir com certa probabilidade de que a amostra selecionada no represente a populao, chamada
de erro estatstico.
Reforando, a margem de erro ou desvio tem natureza absolutamente
diferente do chamado erro estatstico. Enquanto o desvio uma percentagem, ou uma medida na unidade em que se est observando os valores (cm,
anos, m2 etc), o erro estatstico uma medida de probabilidade.
112
Amostragem
113
Amostragem
114
Amostragem
Matematicamente pode-se dizer que o desvio inversamente proporcional ao tamanho da amostra, lembrando, no entanto, que essa no uma
relao linear. Se d o desvio e n o tamanho da amostra, temos a relao:
d
O erro estatstico
O erro estatstico a probabilidade de sortear uma amostra que no seja
representativa da populao. Toda vez que se faz um sorteio o risco de que a
amostra no represente a populao est presente.
Para ilustrar essa ideia, suponha uma populao de tamanho quatro,
composta pelos elementos A, B, C e D, colocados assim em ordem crescente
de medida. Suponha que estes quatro elementos so pessoas em que A o
mais novo e D, o mais velho.
Quantas amostras de dois elementos so possveis de serem sorteadas?
Esse nmero pode ser calculado atravs da determinao da combinao
de quatro elementos dois a dois: C4,2 = 6.
As possveis combinaes so:
AB, AC, AD, BC, BD, CD
Qual a probabilidade de cada uma delas serem sorteadas? de 1 em
6, ou 1/6. As amostras derivadas das combinaes AB e CD parecem no representarem bem a populao. A primeira subestimaria a mdia de idade da
populao e a segunda a superestimaria. As melhores combinaes seriam
possivelmente AD e BC, mas tambm AC e BD poderiam trazer resultados
bastante razoveis.
Ento, qual seria a probabilidade de tomar-se uma amostra ruim, que
no representa a populao? Seriam 2/6, correspondentes s amostras AB e
CD. Essa probabilidade de 1/3 = 0,33. Ento, o nvel de confiana associado
a essa amostragem de 67% (100 33) e o erro estatstico de 0,33.
115
Amostragem
Um erro estatstico de 33% muito alto. claro que isso s uma simulao para ilustrar o significado de erro estatstico. Com uma populao to
pequena no faz qualquer sentido fazer um procedimento de amostragem.
No entanto, a informao que se tira dessa discusso a de que quanto
menor for o erro estatstico, maior dever ser o tamanho da amostra. Ou,
ainda, quanto maior for a confiana desejada, maior dever ser o tamanho
da amostra.
O erro estatstico est relacionado com o escore z da tabela da distribuio normal padro. Quanto menor o erro, maior ser z e, por consequncia,
maior ser o tamanho da amostra. Se o erro estatstico for designado por , o
nvel de confiana ser (1 )x 100%. Maior confiana implica maior tamanho
da amostra. Matematicamente, podemos estabelecer a seguinte relao:
(1 )
Que valor deve ser estabelecido para o erro estatstico? Essa determinao depende da gravidade de cometer-se tal erro. Em uma pesquisa de
verificao da qualidade de componentes de avio em uma fbrica, pode-se fazer uma inspeo de qualidade nas mesinhas de lanche do avio com
um erro estatstico mais dilatado do que de um componente de vedao da
janela. Nesse ltimo caso, o erro deve ser igual a zero e, portanto, a inspeo
deve ser realizada em todas as unidades. Nesse caso, a amostra dever ser do
tamanho da populao.
Em pesquisas eleitorais muito comum trabalhar-se com um erro de 5%
ou uma probabilidade de 1/20 de que a amostra no seja boa, o que representa uma probabilidade muito pequena. Para construir uma ideia intuitiva
por comparao, a probabilidade de acertar o nmero na face superior de
um dado de 1/6. Imagine um dado de 20 lados.
Mas ainda com um erro to pequeno, possvel tomar uma amostra ruim
ou no representativa da populao? possvel sim, mas muito raro. O pesquisador mais experiente percebe nas primeiras determinaes dos resultados da amostragem se a amostra pode ser ruim. Se em uma pesquisa eleitoral, a grande maioria dos entrevistados for muito jovem, ou se, por exemplo,
a amostra contemplou um nmero excessivamente grande de homens ou
de mulheres, por exemplo, em torno de 80%, deve-se desconfiar do processo amostral, haja vista que sabido que as mulheres so somente um pouco
mais do que 50% da populao.
116
Amostragem
A variabilidade
A variabilidade um componente importante na determinao do tamanho da amostra. Talvez o mais simples processo de amostragem seja o
de exame de sangue. Tira-se uma pequena amostra do sangue e determinaes completas sobre o tipo de sangue, o fator RH, a sade da pessoa, entre
outras verificaes, podem ser feitas. Isso porque o sangue uma substncia homognea e uma simples gota representa todo o volume de sangue
do corpo humano.
Por outro lado, populaes heterogneas exigiro maior nmero de elementos da amostra para que ela possa captar as diferenas entre esses componentes da populao.
A variabilidade pode ser medida atravs da varincia ou do desvio-padro, sua raiz quadrada. Matematicamente pode-se estabelecer uma relao
direta entre o tamanho da amostra e o desvio-padro, ou seja:
O problema aqui est em determinar um valor estimativo para o desvio-padro, porque uma vez que a pesquisa ainda no foi feita e precisaremos
dessa medida para o clculo do tamanho da amostra, enfrentamos um problema circular. Existem algumas solues de contorno para esse problema.
A primeira emprestar o resultado de uma pesquisa anterior semelhante
a que se est realizando. A segunda buscar uma estimativa para o desvio-padro atravs da realizao de uma amostra piloto. E a terceira obter essa
informao atravs de algum tipo de simulao. H varias possibilidades
para isso. Apresentaremos duas.
A primeira simulao consiste em considerar um intervalo onde aproximadamente 95% dos elementos da populao estariam concentrados. Esse
intervalo pode ser associado quantidade 1,96 da tabela normal padro.
Ento, o comprimento desse intervalo seria de aproximadamente 4 . Teramos a ento uma forma indireta de obter um valor aproximado para .
Uma outra simulao possvel quando se trata de obter uma estimativa
para o desvio-padro ou a varincia em uma pesquisa que envolve propores. Nesse caso, a varincia dada pelo produto de p por (1p). O maior
valor possvel para esse produto quando p for igual a 0,5. Observe, por
Este material parte integrante do acervo do IESDE BRASIL S.A.,
mais informaes www.iesde.com.br
117
Amostragem
exemplo, que se p for igual a 0,3, ento (1p) = 0,7 e o produto ser 0,21.
Assim, quando tomamos 0,5 . 0,5 = 0,25 obtemos maior valor possvel para a
varincia, garantindo ento que no mnimo o tamanho da amostra calculado
ter os valores de desvio e erro de amostragem estabelecidos a priori.
Essa simulao vale para o caso em que o confronto ocorre entre dois
candidatos, pois a se tem uma distribuio Bernoulli, cuja expresso da varincia dada pelo produto de p por (1p). Quando se tem um maior nmero
de candidatos, esse clculo pode ser aprimorado pela determinao da varincia mxima de uma distribuio multinomial. Mas essa aproximao pela
distribuio Bernoulli pode ser realizada se for feita a considerao de um candidato contra todos os demais. No geral, no h uma mudana muito grande
na determinao do tamanho da amostra ao se fazer essa considerao.
Amostragem
z.
d
= 400
A rigor para exatos 5% de erro estatstico o valor de z igual a 1,96, portanto, o tamanho da amostra poderia ser de 385 pessoas que as margens
estabelecidas estariam asseguradas.
Como havia sido afirmado anteriormente, a relao entre o tamanho da
amostra e o erro estatstico, a margem de erro e a variabilidade no so linearmente proporcionais. Pode-se verificar essa propriedade atravs de exemplos
em que a margem de erro ou o erro estatstico variem nas diferentes direes.
Exemplo:
Calcular o tamanho da amostra para margens de erro de 1%, 2%, 3%, 5%
e 10% e erros estatsticos de 1%, 5% e 10%.
Aplicando a expresso acima para esses dados e tendo os valores de z
correspondentes a 1%, 5% e 10%, respectivamente, 2,58, 1,96 e 1,64, obtemos os seguintes valores para o tamanho da amostra:
Margem
de erro
Erro estatstico
0,01
0,05
0,1
0,01
16641
9604
6724
0,02
4160
2401
1681
0,03
1849
1067
747
0,05
666
384
269
0,10
166
96
67
119
Amostragem
Custo da pesquisa
Supondo que a produo de cada entrevista seja em torno de R$10,00,
sendo j inseridos todo o trabalho de campo, seguros para os pesquisadores,
planejamento, anlise dos dados, impresso e impostos. Uma pesquisa com
384 eleitores, 5% de desvio e nvel de confiana de 95% custaria em torno
de R$3.840,00.
Em uma situao mais adequada, mudando somente a margem de erro
para 2% de desvio, o custo da pesquisa subiria para R$24.000,00. Mesmo
que se pudesse admitir um erro estatstico de 10%, ou seja, uma confiana
de 90%, o custo da pesquisa para um desvio de 2% seria de R$16.810,00.
De fato, o fator custo extremamente limitante da potencialidade da pesquisa. Mas essa discusso chama a ateno para que a leitura da pesquisa
seja feita sempre olhando o nvel de confiana e a margem de erro e no s
a estimativa pontual das percentagens.
No caso da pesquisa eleitoral discutida anteriormente, com a margem de
erro de 5% e nvel de confiana de 95%, justifica-se pelo acerto do instituto
em verificar que a eleio se resolveria no primeiro turno. Para os demais
candidatos, que no o vencedor Candidato A, a pesquisa no informa com
preciso as suas situaes.
Em datas mais prximas da eleio, quando o quadro pode tender a
uma aproximao dos demais candidatos, o instituto dever modificar
sua estratgia, melhorando a preciso e consequentemente o volume da
amostra, resultando fatalmente num aumento do custo da pesquisa.
H expresses estatsticas apropriadas que j embutem o custo da pesquisa no prprio clculo do tamanho da amostra, mas uma sofisticao
que pode ser contornada com um estudo comparativo como o que foi feito.
H livros de estatstica terica que apresentam essas circunstncias para o
caso de necessidade de aprofundamento da discusso.
Amostragem
quando as populaes so muito grandes. Os clculos realizados para Fortaleza ou para So Paulo indicaro que no haver mudana significativa no
clculo do tamanho das amostras. Para efeito de clculos estatsticos, essas
populaes so consideradas infinitas.
A estratgia de campo pode sim ser modificada e dependendo do tipo de
amostragem a ser realizada o tamanho da amostra pode mudar um pouco.
Essa forma de clculo do tamanho da amostra adequada para quando
se realiza uma amostra aleatria simples, muito embora as mudanas para
outros tipos de amostragem possam no modificar de forma importante
essa determinao, ao menos de estudos particulares sobre a variabilidade
interna de estratos ou de conglomerados. Porm, esse estudo est fora do
escopo do presente livro.
Para populaes finitas e sem reposio, necessrio que se proceda uma
correo. Ela chamada de correo para populaes finitas. A expresso do
desvio modificada para
d=
z.
n
Nn
N1
Nn
, a correo para a populao finita. Pode-se
N1
verificar que o clculo de n pode ento ser determinado por:
Esse ltimo fator,
n=
[N . 2 . z2]
[(N 1) . d2 + 2 . z2]
z.
d
n = n .
Nn
N1
121
Amostragem
Exemplo:
Calcular o tamanho da amostra para uma pesquisa com 95% de confiana
e margem de erro de 5% para uma populao de eleitores de (a) 5 000 e (b)
1 000 000:
O calculo de n para os dois casos ser de 384 eleitores. A correo para
uma populao de 5 000 eleitores ser de 0,9898 e o tamanho da amostra
corrigido ser de 380 eleitores. Para a populao de 1 000 000 a correo ser
de 0,999 e o novo clculo do tamanho da amostra ser de 383,62, ou aproximadamente 384 eleitores, no implicando, portanto, nenhuma modificao
no tamanho da amostra, uma vez que o fator de correo para populaes
infinitas praticamente igual unidade.
Atividades de aplicao
1. Foi encomendado um estudo para avaliao de uma instituio de
Ensino Superior. Para isso, aplicou-se um questionrio e foram obtidas
as respostas de 110 alunos.
Indique:
a) a varivel em estudo;
b) a populao em estudo;
c) a amostra escolhida.
122
Amostragem
b) um fabricante de automveis faz um estudo de mercado compreendendo testes de direo feitos por uma amostra de 30 homens
em quatro diferentes faixas etrias;
c) num processo de fabricao de certo componente de refrigeradores, o inspetor retira os 20 primeiros componentes fabricados e
os inspeciona.
4. Um jornal americano realizou uma pesquisa solicitando a resposta dos
leitores a esta questo: Voc apoia o desenvolvimento de armas atmicas que poderiam matar milhes de pessoas inocentes? Relata-se que 20
pessoas responderam pergunta, sendo 87% com no e 13% com sim.
5. Retirada uma amostra sistemtica de 35 elementos a partir de uma populao ordenada formada de 2 590 elementos, qual ou quais dos elementos a seguir seria escolhido para pertencer amostra, sabendo-se
que o elemento de ordem 1 546 (1 546.) a ela pertence?
123
Amostragem
33
38
34
34
34
31
36
35
32
37
35
34
30
37
36
33
34
34
32
39
35
33
33
34
31
32
36
33
29
36
34
35
34
33
31
35
35
35
37
32
34
34
36
35
34
33
32
38
34
33
33
32
34
35
37
35
35
30
35
34
36
36
33
34
33
32
31
37
35
34
39
40
40
42
39
38
40
40
40
40
40
41
45
41
40
39
41
41
40
42
39
40
41
40
40
42
39
39
38
40
a) Retire uma amostra aleatria simples de 10 dispositivos, sem reposio, utilizando a tabela de nmeros aleatrios (do livro) a partir
da interseo da quinta linha com a oitava coluna. A seguir, calcule
a resistncia eltrica mdia da amostra obtida.
b) Imagine que se pensasse em fazer uma amostragem estratificada.
Em sua opinio, seria isso razovel? Em caso afirmativo, indique
como voc procederia, ainda utilizando os nmeros aleatrios. Suponha que o total de dispositivos a examinar na amostra continue
sendo 10.
c) Considere agora que tivesse sido utilizada uma amostragem estratificada uniforme, num total ainda de 10 dispositivos examinados,
e que a mdia para o primeiro estrato foi 33,8 e para o segundo,
40,2. Em quanto voc estimaria a mdia da populao de 100 dispositivos?
d) Suponha agora que dos 70 dispositivos provenientes do fornecedor A tenha sido obtida uma amostra sistemtica de 10 dispositivos, sendo constante o perodo de retirada dos elementos para
a amostra e sendo conhecido que o segundo dispositivo a entrar
no almoxarifado (cujo valor da resistncia 38) pertencia a essa
amostra. Calcule a mdia para os valores observados.
124
Amostragem
Gabarito
1.
a) A avaliao da instituio.
b) Os alunos da instituio.
c) Os 110 alunos respondentes.
2. Como p = 0,6, N = 600, d = 0,07 e z = 1,96, ento como a populao
finita, temos:
2
3.
1, 96
z
n ' = p.(1 p ) n =
(0, 6)(0, 4) = 189 em que devemos
d
0, 07
aplicar o fator de correo para populaes finitas, de tal forma que:
( N n)
(600 189)
n = n '.
onde n = 189.
n 157.
(N 1)
(600 1)
a) Conglomerados.
b) Estratificada.
c) Convenincia.
4.
a) O texto da questo tendencioso e induz resposta negativa.
b) O tamanho da amostra pequeno (20 unidades).
c) Os entrevistados foram autosselecionados, ou seja, no houve
uma seleo aleatria por parte do jornal.
d) Como apenas 20 entrevistados responderam, os percentuais obrigatoriamente devem ser mltiplos de cinco. Logo, 87% e 13% no
so resultados possveis.
125
Amostragem
N
2.590
, ento f.a. =
= 74, isso significa
n
35
que os elementos da amostra foram retirados num intervalo de
74 unidades. Sendo assim, pertencer amostra o elemento Xi em
1 546 - X
=nmero inteiro (corresponde ao nmero de intervalos
74
de 74 unidades distante do valor 1 546). Logo, o nico elemento que
satisfaz essa condio o 1 028, conforme se observa no clculo:
que
1 546 -1 028
=7
74
Amostra
N1 = 80
n1 =12
N2 = 120
n2 =?
N3 = 60
n3 =?
N = 260
n =?
12
80
= 39,
= 0,3077, logo n1 = 0,3077 de n n =
0,3077
260
Ento: PropN1 =
ento:
120
= 0, 4615, logo n2 = 0,4615 de n n = (0,4615).39
como PropN2 =
260
= 18.
Portanto, n2 = 18 e n3 = 39 12 18 = 9.
7.
a) Nmeros selecionados: 46 21 28 15 31 36 35 56 88 65.
126
Resistncias: 33 35 33 36 34 35 31 35 41 33.
Resistncia mdia =
Amostragem
b) Sim, pois os valores das resistncias correspondentes ao fornecedor B tm uma diferena clara em relao aos do fornecedor A, no
entanto, o comportamento homogneo dentro de cada um dos
fornecedores. Sendo assim, podemos tratar como dois estratos.
Resistncias: : 33 35 33 36 34 35 31 41 39 39.
Resistncia mdia =
Resistncia mdia ( X ) =
Resistncias: 38 32 33 33 36 35 35 33 30 33.
Resistncia mdia =
38 + 32 + 33 + 33 + 36 + 35 + 35 + 33 + 30 + 33 338
=
= 33, 8.
10
10
127
Amostragem
128
Estimao
Problema
A Empresa ABC de Engenharia, Construes e Empreendimentos prima
pela qualidade de seus edifcios. Entre outros padres, estabeleceu que a
resistncia do concreto utilizado em suas construes nunca dever ser inferior a 200 Kgf/cm2. Todo o concreto a ser utilizado dever ento ser submetido a um teste de resistncia.
Ocorre que os testes de resistncia do concreto so testes destrutivos e,
portanto, a nica forma de realiz-los atravs de um processo amostral em
que pequenas partes do concreto so submetidas a testes de ruptura. Para
cada betoneira so retiradas 10 quantidades de concreto que formaro os
corpos de prova. A mdia da resistncia desses corpos de prova determinada e se supe que o resultado encontrado seja representativo da mdia de
todo o concreto.
Como esse processo envolve certo nvel de incerteza, no se pode garantir
de forma absoluta que o valor encontrado para a mdia de resistncia dos
corpos de prova seja igual ao valor da resistncia de toda a populao.
Dois procedimentos podem ser realizados a partir do resultado amostral.
O primeiro construir um intervalo em torno do valor da mdia amostral no
qual se possa afirmar, com certo nvel de confiana, que o verdadeiro valor
da mdia populacional pertena a esse intervalo. O segundo procedimento
o de testar se, com base na mdia amostral, o valor mnimo estabelecido de
resistncia do concreto pode ser aceito.
Ento, trs procedimentos de estimao foram estabelecidos. O primeiro
chamado de estimao pontual, em que o valor da mdia amostral uma
estimativa da mdia populacional; a partir dele constroem-se os outros dois
procedimentos, um de estimao por intervalo, ou construo de um intervalo de confiana, e o ltimo de testagem de hipteses estatsticas.
De acordo com um importante conceito terico da Estatstica, o Teorema Central do Limite, a distribuio de probabilidade amostral da mdia para
Este material parte integrante do acervo do IESDE BRASIL S.A.,
mais informaes www.iesde.com.br
129
Estimao
tamanhos adequados das amostras pode ser assumida como tendo distribuio normal, independentemente da forma da distribuio populacional.
A distribuio normal joga ento um papel central para a realizao de testes
de hipteses. Ela tem a mesma importncia na construo de intervalos de
confiana.
O estudo das distribuies amostrais antecede ento o estudo da
estimao.
Conceitos fundamentais
No geral, estamos interessados em verificar como uma varivel de uma determinada populao se comporta. Em um estudo de mercado sobre a aceitao de
um novo artigo alimentar, pode ser interessante conhecer variveis que caracterizem o estado nutricional da populao a quem o produto possa estar destinado. O peso da populao, por exemplo, pode ser uma dessas variveis.
A caracterizao do peso da populao pode ser feita atravs de uma
distribuio de frequncias que pode aproximar uma distribuio de probabilidades. Essa distribuio tem algumas caractersticas importantes, como o
valor da mdia, do desvio-padro e da forma da distribuio, alm de poder
ser discreta ou contnua. No captulo anterior, estudamos as distribuies
discretas. Neste captulo, estudaremos algumas distribuies contnuas de
grande utilidade para se fazer inferncia. Vamos nos restringir s distribuies contnuas mais importantes para o propsito de estimao contido
neste captulo: a distribuio normal e a distribuio t de Student.
Quando fazemos um processo de amostragem, verificamos em uma
nica amostra o valor de uma estatstica, a mdia do peso dos elementos
da amostra, por exemplo, e tentamos inferir algo sobre o parmetro da populao, nesse caso, a mdia da populao. Ento, a mdia da amostra um
estimador da mdia da populao.
Para fazermos isso, precisamos conhecer algumas propriedades tericas do estimador e a forma de fazer esse estudo atravs de simulaes
de vrias amostragens. Reforando o conceito: na prtica, s retiramos uma
amostra, mas para construir um corpo terico que nos auxilie a inferir sobre
o parmetro, construmos teoricamente vrias amostragens.
130
Estimao
Distribuio amostral
A distribuio amostral a distribuio de probabilidades de alguma estatstica de cada amostra. Assim, podemos determinar a distribuio amostral
das mdias, a distribuio amostral das propores e ainda a distribuio
amostral das varincias ou dos desvios-padres.
Mdia e varincia da
distribuio amostral das estimativas
Cada distribuio dessas tem uma mdia e uma varincia. A mdia da distribuio amostral das estimativas tambm conhecida como valor esperado da distribuio amostral das estimativas. O desvio-padro da distribuio
amostral das estimativas, que a raiz quadrada da varincia da distribuio
amostral das estimativas, conhecido como erro-padro das estimativas.
Essas estimativas podem ser os valores assumidos pelas mdias ou pelas
propores, por exemplo.
131
Estimao
Estatstica do teste
Os dados da amostra fornecero os valores das estimativas dos parmetros. A partir da determinao desses valores e utilizando-se a base terica
da distribuio amostral estabeleceremos uma estatstica para o teste. Verificaremos em que nvel de probabilidade poderemos rejeitar H0 ou no. Esse
procedimento ser explicado em detalhes mais adiante no captulo.
Estimao
A distribuio normal
Como vimos no tratamento de dados, quando construmos uma distribuio de frequncias a partir de observaes, podemos aproxim-la a uma
distribuio de probabilidades. Os dados podem levar a diferentes tipos de
distribuio, uma delas exerce um papel central na teoria e na prtica estatsticas. a distribuio normal.
f(x) =
1/2
1
.
2
,x
133
Estimao
+ 1
134
Estimao
+ 1
+ 2
P( X + 3 ) = 0,9987
f(x)
+ 3
135
Estimao
P( X + 4 ) = 0,9999
f(x)
+ 4
70
136
Estimao
60
80
70
80
60
137
Estimao
60
90
80
100
138
Estimao
Normal padro
Vimos que se soubermos quantos desvios-padres separam a mdia dos
valores para os quais desejamos determinar as probabilidades, basta saber a
rea associada ao nmero de desvios-padro. Isso equivale a trabalhar com
uma distribuio normal com mdia 0 e desvio-padro 1. Essa distribuio
chamada de distribuio normal padro e a representamos por Z ~ N(O,1),
em que z = (X )/.
A forma como foram determinadas as probabilidades fornecidas anteriormente, entre e a mdia mais um desvio-padro, entre e a mdia mais
dois, trs e quatro desvios-padres a forma usual no clculo de reas de
funes, que o clculo da integral da funo entre e + 1 da funo
normal padro para o primeiro caso. O mesmo vale para os demais casos. A
rea entre e + 2 foi determinada pelo clculo da integral definida da
funo f(x) da expresso da distribuio normal padro, tendo como limites
e + 2.
Ento, a probabilidade P(X 60) = P(X 1 ) = P( X 1 ) =
P( Z 1) e a integral definida de f(x) de e 1 fornecero o valor exato
dessa probabilidade. Est claro que esse clculo seria tedioso, alm de envolver um procedimento altamente complexo de clculo de integrais.
Aqui vale ressaltar uma caracterstica importantssima da distribuio
normal. Independentemente dos valores da mdia e do desvio-padro,
essas reas so sempre as mesmas. Queremos dizer com isso que para qualquer populao normal a rea entre e 1 ser sempre a mesma. Se
temos duas populaes normais, a primeira X com mdia 70 e desvio-padro
10 e a segunda Y com mdia 20 e desvio-padro 2, as probabilidades P(X 60)
e P(Y 18) sero iguais, porque ambas representam P(X 1 ) = P(Z 1).
Se a rea entre e 1 0,8413, rea correspondente funo de distribuio acumulada, ento a rea entre e ( + 1 ) ser 0,8413 0,5 = 0,3413.
f(x)
+ 1
139
Estimao
Funo de distribuio
acumulada da distribuio normal
Como vimos, a rea acumulada entre e um certo valor de Z pode
ser utilizada para calcularmos as probabilidades correspondentes. Ento, se
queremos P( 1 X + 2 ), devemos calcular P(X + 2 ) P(X
1 ). Essa diferena igual a P(Z 2) P(Z 1) = F(2) F(1).
f(x)
A tabela D representa as reas de uma distribuio normal padro acumulada. No exemplo anterior temos que F(2) F(1) = 0,9772 0,1587 = 0,8185.
Refazendo o exemplo do estudo nutricional, se a varivel considerada for
o peso da populao com mdia 70kg e desvio-padro 10kg, e se sortearmos
um elemento ao acaso dessa populao, poderemos calcular probabilidades
utilizando a tabela D, por exemplo:
Probabilidade de sortearmos uma pessoa com mais de 70kg:
P(X 70) = 1 P(X 70) = 1 P[(X )/ 70 )/ ] = 1 P[Z 70 70)/
10] = P(Z 0) = F(0) = 0,5.
f(x)
70
140
Estimao
60
80
70
80
60
141
Estimao
60
90
80
100
56,5
142
64,8
Estimao
143
Estimao
Observe que se o tamanho de cada amostra for 100 ao invs de 10, o erro
padro ter o seu valor diminudo, uma vez que o denominador da razo
X
que o caracteriza ficar aumentado. Isso ocorre porque amostras maiores
tendero a representar melhor a mdia da populao.
X .
ilimitadamente, em que
n
Duas observaes so importantes nesse momento:
(I) para distribuies que no so extremamente assimtricas, valores de
n aproximadamente iguais a 30 j garantem a normalidade;
(II) estamos falando da distribuio de X quando n uma grande amostra e no de X, a varivel aleatria original. Muitas variveis aleatrias,
como j foi afirmado, nunca tero distribuio normal por mais que
a amostra cresa. Veja, por exemplo, o caso da distribuio de renda,
que tem uma distribuio exponencial negativa. Por mais que tomemos uma amostra imensa, a distribuio da varivel aleatria renda
nunca ter uma distribuio normal.
144
Estimao
n
da mdia no primeiro caso ser maior do que no segundo e a rea abaixo de
um dado valor de X ser maior do que para uma distribuio mais concentrada, como o segundo caso. Logo, esperamos que a primeira probabilidade
seja maior do que a segunda. Vejamos:
a) P(X 1 850) = P((X ) / (1 850 1 900) / 200) = P(Z 50/200) =
P(Z 0,25) = 0,4013.
b) P(X 1 850) = P((X ) / (/ 25) (1 850 1 900) / (200/5) = P(Z
50/40) = P(Z 1,25) = 0,1056.
De fato, a nossa intuio estava correta.
Exemplo para populao no normal:
145
Estimao
P(X > 204) = 1 P(X 204) = 1 P(Z (204 200) / (15/ 36 )) = 1 P(Z
1,6) = 1 0,9452 = 0,0548
0,59
0,33
0,07
0,01
0,00
0,00
Ento, por exemplo, a probabilidade de que das cinco pessoas que entraram na sorveteria duas comprem sorvetes de 0,07, destacado na tabela
acima.
Essa mesma distribuio de probabilidades poderia ser apresentada pela
proporo de pessoas que compraram sorvetes. Verifique que duas em cinco
pessoas significa 40% das pessoas comprando sorvete, indicado por 0,40:
p
f(p)
0,20
0,40
0,60
0,80
1,00
0,59
0,33
0,07
0,01
0,00
0,00
Estimao
Para X = n . p
E(X) = E(n . p) = (1).(0,33) + (2).(0,07) + (3).(0,01) = 0,50
VAR(X) = VAR(n . p) = E(X2) (E(X))2 = (1)2.(0,33) + (2)2.(0,07) + (3)2.(0,01)
(0,5)2 = 0,67
Lembrando que E(X) = E(n . p) = n . p = (5).(0,1) = 0,5 e VAR(X) = VAR(n . p)
= n . p . q = 5 . (0,1).(0,9) = 0,67, conferindo com o resultado acima.
Para x = p
n
E(p) = (0,2).(0,33) + (0,4).(0,07) + (0,6).(0,01) = 0,10 = 10%
VAR(p) = (0,2)2.(0,3) + (0,4)2.(0,07) + (0,6)2.(0,01) (0,1)2 = 0,0168 = 1,68%
Podemos verificar tambm que E(p) = E x = 1 E(X) = 1/5(0,5) = 0,1 = p
n
n
p.q
e VAR(p) =
n
Podemos utilizar uma notao um pouco diferente que:
Varivel aleatria
Mdia
Desvio-padro
Nmero de ocorrncias np
np = n.p
np = n.p.q
Proporo de ocorrncias p
p=p
p =
p.q
n
(p p )
= pp
p
p.q
n
147
Estimao
Exemplo:
Segundo uma teoria que relaciona estoque e mercado, se em uma semana
o mercado como um todo declina, ento, na semana seguinte, 70% do estoque apresentar um crescimento de preo. Supondo que a teoria esteja
correta e que em uma determinada semana uma amostra aleatria dos estoques de 60 empresas foi observada, qual a probabilidade de 36 ou mais
deles apresentarem um crescimento de preo?
Considerando a proporo de sucessos soluo:
Pelos dados do problema: = p = 0,7, = p = p.q = (0,7).(0,3) =
n
60
0,05916, ento Z = (0,60 0,70)/0,05916 = 1,69. Na tabela da distribuio
normal verificamos que P (p 0,60) = P(Z 1,69) = 1 P(Z 1,69) = 1
0,0455 = 0,9545.
Considerando o nmero de sucessos soluo:
Pelos dados do problema: = n.p = (60).(0,7) e = = n.p.q =
60.(0,7).(0,3) = 3,55, ento Z = (36 42)/3,55 = 1,69. Na tabela da distribuio normal, verificamos que P(X 36) = P(Z 1,69) = 1 P(Z 1,69) =
1 0,0455 = 0,9545.
Estimao
ou mesmo atravs de um palpite. Mas qual desses estimadores o mais adequado? Qual deles rene melhores propriedades matemticas para o propsito de estimao?
Vamos verificar trs propriedades de um bom estimador, no vcio, consistncia e eficincia.
Estimador no viciado
Um estimador dito ser no viciado ou no tendencioso se E( ) = .
Vamos tomar uma simulao bem simples para mostrar sobre o que estamos falando. Seja uma populao com trs elementos, X1 = 2, X2 = 4 e X3 =
6. Essa populao com N = 3 tem como mdia E(X) = = 4 e com varincia
VAR(X) = 2 = 8/3.
Dessa populao podemos tomar as seguintes amostras com reposio
(2 = 9 amostras) e calcular os valores das mdias e das varincias de cada
uma dessas nove amostras, conforme mostrado na tabela a seguir:
3
Amostras
Mdias = X
Varincias = S2
(2,2)
(2,4)
(4,2)
(4,4)
(2,6)
(6,2)
(4,6)
(6,4)
(6,6)
N=9
X = E(X ) = 4
E(S2) = S2
Calculamos para a varivel X sua mdia, E(X) = 4 e VAR(X) 4/3. Para o clculo da VAR(X), utilizamos a frmula da varincia para a populao porque se
trata de uma populao de mdias. Dividimos, ento, a soma ao quadrado
dos desvios por N = 9.
Este material parte integrante do acervo do IESDE BRASIL S.A.,
mais informaes www.iesde.com.br
149
Estimao
2 4
Podemos verificar que E(X) = = 4 e que VAR(X) =
= . Usamos aqui
n 3
n = 2 porque o tamanho de cada amostra.
Calculamos para a varivel S2 cada varincia de uma amostra de tamanho
2. Dividimos, portanto, por n 1 , n = 2. S2 chamada de varincia amostral. A
mdia das nove medidas de S2 e a E(S2) = 8/3, valor igual ao de 2, a varincia
populacional.
Tiramos trs concluses dessa simulao:
(I) E(X) =
(II) VAR( X ) =
2
n
(III) E(S2) = 2
De (I) e de (III) conclumos que a mdia amostral X e que a varincia amostral S2 so estimadores no viciados para e para , respectivamente, em
que S2 dado por:
S2 =
1
( X X )2
(n 1)
1
( X X )2
150
Estimao
Intervalo de confiana
Como verificado no estudo de amostragem, a estimativa pontual de um
parmetro nem sempre suficiente. Como se trata de um processo que envolve amostragem, e incerteza, muitas vezes queremos estimar um valor do
parmetro adicionando a essa estimativa um intervalo para o qual tenhamos
um certo nvel de confiana que o parmetro possa pertencer.
No caso de estarmos estimando a proporo da preferncia entre dois produtos que competem no mercado, podemos concluir, atravs de um processo de amostragem, que a proporo da preferncia pelo produto A pode ser
maior do que a do produto B, mas que, no entanto, essa diferena possa ocorrer
somente devido a variaes daquela amostra particular que foi tomada. Nesse
caso, caracterizamos o fenmeno do empate tcnico ou empate estatstico.
Devemos construir, ento, em torno do valor estimado pontualmente um
intervalo de confiana.
Fornecemos a seguir as expresses para o clculo de intervalos de confiana para diversas situaes que ocorrem na prtica, sem entrar nas consideraes matemticas que levam construo destes intervalos.
P(X z . X X + z . X ) = 1
Em que o erro-padro X =
declarao.
e (1 ) o nvel de confiana da
151
Estimao
Exemplo:
Uma empresa fabricante de pneus deseja verificar, atravs de uma amostra de 100 pneus retirada de um grande lote, a vida mdia desse produto.
Sabe-se que o desvio-padro da populao de 3 000km. Para a amostra de
100 pneus, a vida til dos pneus foi verificada em 32 500km para rodar com
segurana.
Desejamos construir para todo o lote um intervalo de confiana de 95% no
sentido de que o verdadeiro valor da vida mdia possa estar nesse intervalo.
Para construir esse intervalo, que ter como limites X z. X , sabemos que
3 000
X = 32 500 e que X =
=
= 300 .
n
100
O valor de Z pode ser buscado na tabela D da distribuio normal padro.
Construiremos, ento, trs regies na curva normal, a primeira correspondendo probabilidade de 0,025, a segunda a 0,95 e a terceira tambm a
0,025. Buscando dentro da tabela da normal padro o valor 0,025, encontramos Z = 1,96. Como a curva simtrica, o valor de Z correspondendo a
0,975 ser Z = 1,96.
f(x)
1,96
95%
1,96
Estimao
Intervalo de confiana
para a mdia com desconhecido
Na maior parte das aplicaes prticas, o valor do desvio-padro no conhecido. A forma de se construir o intervalo de confiana da mdia feita atravs da
estimao do valor de . O desvio-padro populacional pode ser estimado pelo
valor do desvio-padro da amostra, S, que a raiz quadrada da varincia. J vimos
as boas propriedades da estatstica S2 como estimador de 2. Elas valem tambm
para S como estimador de .
X
Mas aqui surge um outro problema: vimos que
tem distribuio
n
normal padro e, por isso, quando conhecido, podemos utilizar a estatstica Z na determinao do intervalo de confiana.
At aqui nada sabemos sobre a distribuio de X .
S
X
n
S
Pode-se demonstrar teoricamente que a distribuio da estatstica
n
muito parecida com a distribuio normal e que chamada de distribuio t de Student que devida a um qumico e matemtico ingls chamado
Gosset que a desenvolveu trabalhando na cervejaria Guinness. Student era
o seu pseudnimo, porque a cervejaria no permitia que seus empregados
divulgassem qualquer tipo de estudo.
Quando a amostra for muito grande, os valores da distribuio t se aproximam muito da distribuio normal e, por isso, nessa situao, ser indiferente o uso de uma ou de outra. No caso de amostras menores, necessrio
calcular o valor de t que sempre referenciado pelos graus de liberdade do
erro-padro. No caso da mdia, trabalharemos sempre com n 1 graus de
liberdade. Ento, se a amostra tem tamanho 20, buscamos na tabela E da distribuio t o valor de t correspondente ao nvel de confiana do intervalo
(1 ) com os graus de liberdade correspondentes.
Este material parte integrante do acervo do IESDE BRASIL S.A.,
mais informaes www.iesde.com.br
153
Estimao
154
Estimao
z ou t S
O quadro seguinte apresenta os principais elementos para a construo
de intervalos de confiana:
Parmetro
Parmetro
Estimador
Erro-padro
Estatstica
Mdia
conhecido
s
n
Mdia desconhecido
S
n
tn-1
Proporo
pq
n
X1 X2
s12 s22
+
n
n
X1 X2
S12 S22
+
n
n
p1 p2
p1q1 p2q2
n + n
1
2
Diferena de
mdias com 1 e
2 conhecidos
Diferena de
mdias com 1
e 2 desconhecidos
Diferena de
propores
1 2
1 2
P1 P2
tn
1 + n2 2
Outros intervalos de confiana podem ser construdos como o intervalo de confiana para a varincia e para a razo de duas varincias, as distribuies de probabilidades associadas a esses intervalos so a distribuio
qui-quadrado e a distribuio F de Fisher-Snedecor, que pelo pouco uso no
contexto deste livro, no foram includas. Qualquer livro de estatstica intermediria traz esses intervalos para o caso de algum leitor necessitar.
155
Estimao
Testes de hipteses
Uma outra forma de se fazer inferncia sobre parmetros da populao
com base em dados da amostra atravs da escolha de uma entre duas possibilidades de ao, minimizando o risco na tomada de decises.
Estimao
H0 verdadeira
H0 falsa
No rejeitar H0
Deciso correta
Erro tipo II
Rejeitar H0
Erro tipo I
Deciso correta
O tamanho de cada tipo de erro dado pela sua probabilidade de ocorrncia. A probabilidade de se cometer o erro tipo I chamada de e a probabilidade de se cometer o erro tipo II chamada de .
Para o clculo do tamanho da amostra e para a tomada de decises, no
geral controla-se o erro tipo I por ser considerado o mais grave. Uma analogia pode ser feita em um julgamento. A hiptese nula a de que o ru
inocente. Pergunta-se: o que mais grave, rejeitar H0 quando H0 verdadeira,
que significa condenar um inocente, ou no rejeitar H0 quando ela falsa, que
significa absolver um culpado? Do ponto de vista tico parece ser mais grave
condenar um inocente.
O erro tipo I tambm chamado do erro do consumidor. Um laboratrio
testa um novo medicamento. Rejeitar H0 significa que esse medicamento
melhor do que o que est na praa. Se de fato ele no for, isto , H0 verdadeiro, o consumidor estar sendo prejudicado. O erro tipo II chamado de
erro do produtor, ele ocorre quando o novo medicamento melhor, deveria ser rejeitado o H0, mas, no entanto, os testes no permitem rejeitar H0,
ou seja, o fabricante ter prejuzo por no colocar um novo medicamento
melhor que o tradicional no mercado.
Procedimento de testagem
de hipteses para a mdia populacional
Vamos expor o procedimento de testagem de hipteses atravs de uma
aplicao.
Suponha que a renda mdia das famlias de certo municpio foi determinada atravs do Censo como sendo igual a R$2.000,00 para um particular
ano, e dois anos depois desejamos verificar se houve alguma mudana na
renda familiar atravs de um levantamento amostral.
Este material parte integrante do acervo do IESDE BRASIL S.A.,
mais informaes www.iesde.com.br
157
Estimao
No Brasil, as PNADs, Pesquisas Nacionais por Amostra de Domiclios, cumprem esse papel entre os Censos que so realizados a cada dez anos.
Devemos estabelecer as duas hipteses estatsticas. A hiptese nula de
que a renda mdia familiar continua sendo de R$2.000,00. A hiptese alternativa pode tomar uma de trs formas. Se no h qualquer informao adicional de que a renda mdia possa ter aumentado ou diminudo, toma-se
como alternativa a hiptese de que a renda mdia diferente de R$2.000,00.
Os dados diro se ela aumentou ou diminuiu e se esta mudana foi significativa ou se a diferena pode ter ocorrido por pequenas variaes do acaso.
Se algum novo empreendimento foi realizado no municpio, pode-se
supor que houve um aumento do nvel de emprego, gerando maior renda
mdia familiar. Ento a hiptese alternativa pode ser construda como: a
mdia maior do que R$2.000,00.
Por outro lado, se alguma indstria deixou a cidade ou se houve movimentos migratrios importantes, como a chegada de pessoas de municpios
mais pobres ou a sada de fora de trabalho para centros maiores, a hiptese
alternativa pode ser a de que a mdia menor do que R$2.000,00.
Vamos ficar inicialmente com a primeira possibilidade. Ento, o primeiro
passo o de estabelecer as hipteses estatsticas para um teste bilateral:
H0: = 2 000
H1: 2 000
Suponha ento que uma amostra de 25 famlias foi pesquisada e que a
mdia amostral da renda familiar foi calculada em R$2.200,00. Pergunta-se,
com base nesse dado e sabendo-se que o desvio-padro da renda familiar
foi determinado no censo como tendo o valor de R$500,00, se h uma diferena significativa da renda mdia familiar nesses dois anos.
X
Precisamos agora estabelecer a estatstica do teste. Sabemos que
n
tem distribuio normal padro, Z. Ento:
Z=
158
Estimao
Precisamos agora verificar qual a rea sob a curva normal padro entre
2 e 2, por ser este um teste bilateral.
P( 2 < Z 2) = F(2) F( 2) = 0,9772 0,0228 = 0,9544. Essa probabilidade est associada a um valor de = 1 0,9544 = 0,0456. Ela chamada de
p-valor.
Para a tomada de deciso, precisamos compreender o significado desse
p-valor. O p-valor a probabilidade de rejeitarmos H0 quando ele verdadeiro. Ou seja, dizemos que 2 000 quando de fato no . Nesse caso temos
uma probabilidade de 4,56% de estarmos errando se afirmarmos que a renda
mdia familiar mudou nesses dois anos.
Por outro lado, podemos dizer que temos uma confiana de 95,44% de
que houve mudana na renda mdia familiar do municpio. O que decidir?
Tradicionalmente, quando o p-valor for menor do que 5%, decidimos por
H1. Nessas circunstncias diramos que houve sim uma mudana na renda.
Esse padro de 5%, porm, no deve ser tomado de forma absoluta. A deciso deve depender das consequncias da gravidade da admisso da possibilidade de se estar cometendo um erro. Se as consequncias forem graves,
talvez o tomador de decises resolva ser mais rigoroso e s admitir H1 se o
p-valor for menor do que 0,01, por exemplo. Isto , ele deseja uma confiana
de no mnimo 99% para rejeitar H0.
Mas se as consequncias da tomada de deciso incorreta forem menos
traumticas, ele pode admitir tomar a deciso com 90% de confiana. Portanto, somente se o p-valor for maior do que 0,10 ele no admitir a hiptese alternativa.
Esse o procedimento-padro para testagem de hipteses estatsticas.
159
Estimao
O nvel de significncia de t = 2 com 24 graus de liberdade aproximadamente 0,028. Esse valor pode ser determinado por interpolao ou atravs
da ajuda de uma planilha eletrnica para a funo distribuio t.
160
Estimao
Parmetro
Estimador
Erro-padro
Estatstica
Mdia conhecido
s
n
Mdia desconhecido
S
n
tn-1
Proporo
pq
n
Diferena de mdias
com 1 e 2 conhecidos
1 2
X1 X2
s12 s22
+
n
n
Diferena de mdias
com 1 e 2 desconhecidos
1 2
X 1 X2
S12 S22
+
n
n
tn1 + n2 2
Diferena de propores
P1 P2
p1 p2
p1q1 p2q2
+
n
n
161
Estimao
Para efeito de ilustrao, construiremos um exemplo de testagem de hipteses para a diferena entre duas mdias.
Exemplo:
Uma firma de consultoria foi contratada para verificar se os nveis salariais de
trabalhadores no qualificados de uma indstria eram diferentes com relao
ao sexo. Suponhamos que as mulheres tivessem uma mdia salarial menor que
a dos homens. Uma amostra estratificada proporcional por sexo foi retirada e os
dados resultantes do levantamento amostral seguem na tabela abaixo:
Salrio mdio
amostral
Sexo
Desvio-padro
amostral
Tamanho da amostra
Feminino
X 1 = R$590,00
S1 = R$8,00
n1= 10
Masculino
X 2 = R$600,00
Ss = R$9,00
n2 = 20
Hipteses estatsticas:
H0: 1 = 2
H1: 1 < 2
Essas hipteses podem ser reescritas como:
H0: 1 2 = 0
H1: 1 2 < 0
Estatstica do teste:
t=
( X1 X 2 ) ( 1 2 )
S12 S22
n + n
1
2
Clculo do p-valor:
t=
(590 600) (1 2 )
82 92
10 + 20
10
= 3, 09
3,233
p-valor = 0,0022
Concluso: com nvel de confiana de 99,8%, podemos concluir que de
fato o nvel salarial das mulheres da indstria pesquisada menor que o
nvel salarial dos homens.
162
Estimao
Atividades de aplicao
1. Seja Z ~ N(0,1), calcule:
a) P(0 < Z 1,2)
b) P(0,9 Z 0)
c) P(1,21 Z < 1,75)
d) P(Z > 0,75)
e) P(Z 1,35)
f) P(1,44 < Z < 0)
2. Determinar z0 tal que:
a) P(Z > z0) = 0,5
b) P(Z < z0) = 0,8645
c) P(z0 Z z0) = 0,90
3. Suponha que a renda de uma comunidade possa ser razoavelmente
aproximada por uma distribuio normal com mdia de R$1.500,00 e
desvio-padro de R$300,00.
a) Que porcentagem da populao ter renda superior a R$1.860,00?
b) Em uma amostra de 50 pessoas dessa comunidade, quantos podemos esperar com renda inferior a R$1.050,00?
4. Uma fbrica de automveis calcula que os motores de sua fabricao
tm durao com distribuio normal de mdia 150 000km e desvio-padro de 10 000km.
a) Qual a probabilidade que um automvel, escolhido aleatoriamente entre os fabricados pela empresa, tenha um motor que
dure entre 140 000 e 165 000km?
b) Se a fbrica substitui o motor que apresenta durao inferior
garantia, qual deve ser essa garantia para que a percentagem de
motores substitudos seja inferior a 0,2%?
163
Estimao
563323334
432743421
544334331
243424535
a) Os pesquisadores desejam saber o nmero mdio de pessoas que
residem em cada domiclio. Como eles podem utilizar as informaes obtidas para estimar esse valor? Determine a estimativa.
b) Qual o estimador utilizado e sua distribuio de amostragem?
c) Considerando que, pelo ltimo censo, o nmero mdio de pessoas
em cada domiclio 5 com varincia 12,96, determine:
I. P(X > 4)
II. P(X 6,5)
III. P(X = 2)
IV. P(3,5 < X 5)
164
Estimao
7. Em um estudo sobre a aplicao do tempo em servios, constatou-se que para uma amostra de 20 administradores selecionados aleatoriamente, o tempo gasto em mdia por dia de trabalho em servios
burocrticos de 2,4 horas com desvio-padro de 1,3 horas. Os dados
apresentam uma distribuio normal. Construa um intervalo de confiana de 95% para o tempo mdio gasto com servios burocrticos
para todos os administradores.
8. Uma amostra aleatria de 625 pessoas, selecionadas de uma populao de 6 500 pessoas, revelou que 440 delas preferiam o detergente de marca X. Atravs dessas informaes, construa um intervalo de
confiana de 90% para a proporo de pessoas na populao que preferem o detergente da marca ABC.
9. Sabe-se que o consumo mensal per capita de um determinado produto tem distribuio normal, com desvio-padro de 2kg. A diretoria
de uma empresa que fabrica esse produto resolveu que o retiraria da
linha de produo se a mdia de consumo per capita fosse menor que
8kg. Caso contrrio, continuaria a fabric-lo. Foi realizada uma pesquisa de mercado tomando-se uma amostra de 36 indivduos e verificou-se que Xi = 284kg, onde Xi representa o consumo mensal do i-simo
indivduo da amostra.
a) Com base nos resultados da amostra e com um risco de 5%, qual
deveria ser a deciso da diretoria?
b) Se a diretoria tivesse fixado = 0,10, a deciso seria a mesma? Justifique sua resposta.
10. Uma companhia de cigarros anuncia que o ndice mdio de nicotina
dos cigarros que fabrica apresenta no mximo 23mg por cigarro. Um
laboratrio realiza 6 anlises, obtendo as seguintes quantidades de
nicotina: 27, 24, 21, 25, 26, 22. Sabe-se que o ndice de nicotina se distribui normalmente. Pode-se aceitar, ao nvel de 10% de significncia,
a afirmao do fabricante?
165
Estimao
Gabarito
1.
a) P(0 < Z < 1,2) = P(Z < 1,2) P(Z < 0) = 0,8849 0,50 = 0,4849 ou
48,49%.
b) P(0,9 Z 0) = P(Z < 0) P(Z < 0,9) = 0,50 0,1841 = 0,3159 ou
31,59%.
c) P(1,21 Z < 1,75) = P (Z < 1,75) P(Z < 1,21) = 0,9599 0,8869 =
0,073 ou 7,3%.
d) P(Z > 0,75) = 1 P(Z < 0,75) = 1 0,2266 = 0,7734 ou 77,34%.
e) P(Z 1,35) = 0,9115 ou 91,15%
f) P(1,44 < Z < 0) = P(Z < 0) P(Z < 1,44) = 0,50 0,0749 = 0,4251
ou 42,51%.
2.
a) Na tabela D, encontramos o valor z0 = 0
b) A rea abaixo de z0 0,8645. Logo, a rea entre 0 e z0 ser de 0,8645
0,50 = 0,3645. Sendo assim, na tabela encontraremos z0 = 1,1.
c) A rea abaixo de z0 0,95. Logo, a rea entre 0 e z0 ser de 0,95
0,50 = 0,45. Sendo assim, na tabela encontraremos z0 = + 1,645.
3.
a) = 1.500 e = 300, ento, desejamos encontrar a P(X > 1.860).
300
P(X >1.860) = P(Z >1,2) ... P(Z >1,2) = 1 P(Z < 1,2) = 1 0,8849 =
0,1151 ou 11,51%.
166
P Z<
X
), em que P(X<1.050) =
1.0501.500
. Sendo assim, a
300
Estimao
5.
).
b) O estimador utilizado X com distribuio normal
n
c) Como 5 e 2 = 12,96, ento:
4 5
= 1, 67, logo, P(X > 4) =
I. P(X > 4) = 1 P(X < 4) z =
12, 96 / 36
P(z > 1,67) = 1 P(z 1,67) = 1 0,0475 = 0,9525 ou 95,25%.
6,5 5
= 2,5 , logo, P(X 6,5) = P(z 2,5)
12, 96 / 36
P(z 2,5) = 0,9938 ou 99,38%.
III. P(X = 2) = 0, pois numa distribuio contnua no possvel calcular a probabilidade no ponto exato.
3,5 5
e
IV. P(3,5 < X 5) = P(X 5) P(X < 3,5) z1 =
12, 96 / 36
55
z2 =
, ento
12, 96 / 36
z1 = 2,5 e z2 = 0. Dessa forma, P(3,5 < X 5) = P(2,5 < Z 0) =
P(Z 0) P(Z < 2,5) = 0,50 0,0062 = 0,4938 ou 49,38%.
167
Estimao
6.
a) n = 75; X = 8,2; S = 1,1. Como o tamanho da amostra maior que
30, utilizaremos a estatstica z para a construo do intervalo de
confiana com 1 = 0,90. O valor de z ser 1,645. Ento:
P( X z.S X X + z.S X ) = 1
P(8,2 (1, 645)
1,1
1,1
8,2 + (1, 645)
) = 0, 90
75
75
Com 90% de confiana podemos afirmar que os aparelhos de televiso dessa populao tm um tempo mdio para substituio
entre 7,99 anos e 8,41 anos.
168
Estimao
f 440
=
= 0,704 e
n 625
z = 1,645. O intervalo de confiana ser dado pela expresso:
P( p z . S p P p + z . S p ) = 1
Ou seja, com 90% de confiana podemos afirmar que, das pessoas dessa
populao, entre 67,6% e 73,2% preferem o detergente da marca ABC.
9.
a) = 5%, n = 36, X =
284
= 7, 89 e conhecido igual a 2.
36
Hipteses:
H0: = 8
H1: < 8
2
n
36
169
Estimao
10.
170
Dados:
27 + 24 + 21+ 25 + 26 + 22
= 24,17 e S =
6
Hipteses:
H0: 0 = 23
H1: 1 > 23
10%; Como n < 30 e desconhecido, ento utilizaremos a estatstica "t" de Student com cinco graus de liberdade e 90% de confiana
para um teste unilateral. Neste caso o valor de t ser 1,476.
X=
(145)2
6
= 2,32.
5
3531
X 0 , em que
S
n
Anlise de regresso
e de correlao
Problema
A inovao tecnolgica tem tido papel central na economia de pases desenvolvidos e de pases que tm crescido a taxas em torno de 10% nas ltimas
dcadas. O investimento em pesquisa e desenvolvimento (p&d) nas empresas
de base tecnolgica tem sido apontado como fator determinante do crescimento desses pases em consequncia tambm da melhoria dos resultados de
produo das empresas de setores estratgicos.
Uma pesquisa foi realizada com 15 empresas que oferecem produtos de
informtica para o mercado. Pretende-se verificar se o resultado da aplicao
de recursos em p&d em um determinado ano implicou em ganhos significativos de receita no ano seguinte.
A tabela a seguir apresenta as aplicaes em milhes de reais dessas empresas e os resultados das receitas no ano seguinte:
Empresa
Faturamento (2007)
em milhes de reais
221
15,0
83
8,5
147
12,0
69
6,5
41
4,5
26
2,0
35
0,5
40
1,5
125
14,0
97
9,0
173
Empresa
Faturamento (2007)
em milhes de reais
53
7,5
12
0,5
34
2,5
48
3,0
64
6,0
Conceitos fundamentais
A tarefa de fazer predies inerente a muitos dos aspectos do gerenciamento e do planejamento da produo de empresas com administrao
profissionalizada. Previses de vendas, compras, custos, produo, contratao de pessoal e aplicao de capital fazem parte dos fundamentos do
planejamento e controle atual das empresas.
Existe uma enormidade de tcnicas matemticas, estatsticas e economtricas para a realizao dessa tarefa de predio. Muitos modelos determinsticos e muitos modelos no determinsticos se propem a realizar essa tarefa.
Uma das ferramentas mais importantes para a construo de modelos que
envolvem certo grau de incerteza, inerente a levantamentos amostrais, o
174
Anlise de regresso
Consiste fundamentalmente em construir, a partir dos dados amostrais,
uma funo matemtica que relacione uma varivel independente a uma
outra varivel que dependa desta e que chamada de varivel dependente.
A forma geral adotada para descrever essa relao Y = f(X) + , em que X
a varivel independente, Y a varivel dependente e o erro estatstico. Essa
relao possui, portanto, uma componente determinstica f(X) e uma componente aleatria .
175
Erro estatstico
O termo definido como o erro estatstico ou resduo e a componente
aleatria do modelo. Ele precisa ser bem compreendido. Vale sempre lembrar que esses modelos so construdos atravs de observaes amostrais, e
sempre que se faz um levantamento de dados atravs de amostra os resultados obtidos estaro associados a certo grau de impreciso, que nos modelos estatsticos so considerados de natureza aleatria, ou seja, associados a
certa distribuio de probabilidades.
176
Os modelos de regresso tm, portanto, uma parte aleatria e outra determinstica. Na parte determinstica esto todas as variveis independentes
que explicam as variaes da varivel dependente. Esse modelo deve ser o
mais esbelto possvel, desde que possa explicar bem a relao entre as variveis independentes e a varivel dependente. Na componente aleatria
esto, alm das variaes devidas ao acaso, todas aquelas variveis que tm
importncia reduzida na explicao da varivel dependente.
Alguns pressupostos so impostos ao erro para que se possa construir o
modelo de regresso atravs dos critrios propostos de reduo de funes
do erro, conforme ser visto mais adiante no captulo.
Grfico de disperso
Os grficos de disperso apresentam os valores da varivel independente
no eixo (X) das abscissas e o valor da varivel dependente no eixo (Y) das ordenadas. O grfico a seguir o dos dados de investimento das 15 empresas
de informtica em planejamento e desenvolvimento em 2006 relacionados
com o faturamento de cada empresa no ano seguinte. Eles so muito teis
para uma impresso visual do relacionamento entre as variveis.
Grfico de disperso
Faturamento (y)
250
200
150
100
50
0
0
10
12
14
16
177
Reta de regresso
Para o caso de um modelo de regresso linear simples, o objetivo ser o de se
construir uma reta que passe pelo meio dos pontos amostrais atravs de uma
expresso determinada pelas estimativas de e de no modelo Y = + X + .
Essa reta ser chamada de reta de regresso e ter como sua expresso analtica a
forma = a + bX, em que o coeficiente linear a o estimador de , o coeficiente
angular b o estimador de e (y chapu), e ser o valor da estimativa do
verdadeiro valor de Y observado na amostra para cada um dos pontos de X. Um
exemplo da construo da reta de regresso dado na figura a seguinte.
O significado desses estimadores e a forma de encontr-los sero estudados em seguida neste captulo.
Reta de regresso
Faturamento (y)
250
200
150
100
50
0
0
10
12
14
16
Equao da reta
Uma reta representada atravs da funo Y = a + bX em que a e b so,
respectivamente, o coeficiente linear e o coeficiente angular da reta em questo.
Suponha que a reta em discusso seja dada pela expresso Y = 2 + X. Ento, o
coeficiente linear da reta o valor 2 e o coeficiente angular da reta o valor 1.
Vamos fazer um estudo dessa reta comeando por verificar os valores de Y para
diferentes valores de X. Ento, se Y = 2 + X, os valores a seguir so pontos da reta:
X
4
3
2
1
0
179
Com base nesses dados e no grfico, podemos analisar agora o significado do coeficiente linear e o significado do coeficiente angular.
O coeficiente linear a o ponto em que a reta corta o eixo Y. Isso ocorre
para o valor de X = 0. Valores negativos de a implicam que a reta cruza o
eixo Y abaixo da origem enquanto valores positivos de a implicam que a
reta corta o eixo Y acima da origem.
O coeficiente angular b a inclinao da reta, ou seja, o valor da tangente do ngulo formado pelo eixo X e a reta. Ele representa tambm a variao
da varivel Y para cada variao de um ponto de X. Se tomarmos um pequeno
tringulo de base unitria, verificaremos que a altura desse tringulo definido pela reta Y = 2 + X tambm ser unitrio. Tomando ento a razo entre o
cateto oposto e o cateto adjacente desse tringulo retngulo, verificaremos
que a tg = 1. Ou seja, a inclinao da reta igual a 1 e o ngulo correspondente ser de 45.
Valores positivos de b significam que a reta crescer na medida em que
X cresce, e valores negativos de b significam que a reta decrescer em Y
quando X cresce. Ou seja, no primeiro caso a relao entre X e Y de proporcionalidade direta, enquanto no segundo caso a relao entre as variveis
de proporcionalidade indireta.
180
yi
i
yi
x
Este material parte integrante do acervo do IESDE BRASIL S.A.,
mais informaes www.iesde.com.br
181
Como a reta de regresso uma reta mdia, de acordo com o que veremos adiante, a soma dos desvios em relao reta de regresso igual a
zero. Isto , i = 0.
O critrio dos mnimos quadrados ordinrios sugere que a determinao
da expresso da reta mdia se d pela minimizao da soma dos quadrados
dos erros. Ou seja, o critrio expresso em termos matemticos :
Min i2
Com esse procedimento, encontra-se a expresso da reta que passa mais
perto do conjunto dos pontos amostrais.
O processo de minimizar a funo (Y )2 = [Y (a + bX)]2 consiste
em encontrar as derivadas parciais desta funo em relao aos coeficientes
a e b e igualar cada expresso resultante a zero. fcil demonstrar que o
resultado dessas derivadas parciais ser o sistema de duas equaes e duas
incgnitas apresentado a seguir:
Y = n a + b X
XY = a X + b X2
Assim, podemos verificar nas equaes supracitadas que os valores de Y,
n, X, XY, e X2 podem ser calculados diretamente dos valores da amostra,
ficando por determinar os valores das incgnitas a e b, que so os valores
dos coeficientes da reta = a + bX, resolvendo assim o nosso problema.
O ltimo sistema de equaes citado pode ser rearranjado de forma a
facilitar o clculo de a e de b atravs das expresses:
a = Y bX
X Y
XY
n
b=
2
(X )
X 2
n
Determinao da equao
da reta para o problema dos gastos em p&d
A partir dos dados das 15 empresas, vamos determinar atravs do mtodo
de mnimos quadrados ordinrios a equao da reta que explica a relao
entre os gastos em planejamento e desenvolvimento (X) e o faturamento de
empresas de informtica (Y).
A tabela a seguir apresenta os clculos necessrios para a determinao
de a e de b:
Empresa
XY
X2
Y2
15,00
221,00
3 315,00
225,00
48 841,00
8,50
83,00
705,50
72,25
6 889,00
12,00
147,00
1 764,00
144,00
21 609,00
6,50
69,00
448,50
42,25
4 761,00
4,50
41,00
184,50
20,25
1 681,00
2,00
26,00
52,00
4,00
676,00
0,50
35,00
17,50
0,25
1 225,00
1,50
40,00
60,00
2,25
1 600,00
14,00
125,00
1 750,00
196,00
15 625,00
9,00
97,00
873,00
81,00
9 409,00
7,50
53,00
397,50
56,25
2 809,00
0,50
12,00
6,00
0,25
144,00
2,50
34,00
85,00
6,25
1 156,00
3,00
48,00
144,00
9,00
2 304,00
6,00
64,00
384,00
36,00
4 096,00
93,00
1 095,00
10 186,50
Total
183
Y = 1 095 = 73
n
X=
15
X = 93 = 6,2
n
15
a = 73 (6,2).b
O clculo de a se completar aps o clculo do valor de b, que dado por:
X Y
XY
n
b=
2
(X )
X 2
n
(93) . (1 095)
15
(93)2
895
15
10 186,5
b)
b = 10,67054
Retornando ao clculo de a, teremos:
a = 73 (6,2).(10,67054) = 6,842651
Portanto, a reta de regresso calculada ter a forma:
= 6,84 + 10,67 X
A partir da qual se podem fazer predies para o valor do faturamento em
relao a um dado valor de investimento em p&d, bastando para isso substituir X pelo valor da aplicao em pesquisa e desenvolvimento. Por exemplo,
se uma empresa fizer um investimento de R$2 milhes em p&d, dever ter
um faturamento de = 6,84 + 10,67 . (2) = 28,18, ou R$28.180.000,00. Observe
que a empresa F que fez um investimento de R$2 milhes teve um faturamento de R$26.000.000,00, bem prximo do esperado.
184
Essa diferena entre o valor de faturamento estimado para a firma F e o realmente realizado devida ao acaso. Distores maiores poderiam acontecer.
Mais na frente, construiremos intervalos de confiana para essas previses.
Do modelo ainda podemos concluir que se no houver investimento
em p&d, uma empresa do ramo deve ter um faturamento aproximado de
R$6,84 milhes, no caso de X = 0. E ainda, para cada R$1 milho aplicado
em pesquisa e desenvolvimento, o retorno esperado no faturamento de
R$10,67 milhes.
Pressupostos da anlise
de regresso linear (base terica do modelo)
Existem fundamentalmente duas razes para se estudar os pressupostos do modelo de regresso linear simples: (I) quando falamos em erro estatstico, reta mdia, mtodo dos mnimos quadrados ordinrios e outros
termos, que j foram apresentados anteriormente, necessrio que saibamos que h algumas restries no seu uso. O modelo de regresso um
modelo matemtico que objetiva descrever um fenmeno real atravs de
uma expresso matemtica. Naturalmente isso implica em uma simplificao da realidade e por isso fazemos restries para que essa simplificao
funcione matematicamente; (II) a verificao da bondade do ajustamento,
ou de outra forma, da fora de representao do modelo com relao ao
fenmeno que se est estudando implica, entre outros procedimentos, a
realizao de testes de hipteses estatsticas, que s podem ser realizados
se conhecermos a forma da distribuio dos erros e dos valores de Y.
185
A reta Y = + X passa ento pelos diversos valores das mdias das distribuies e os seus parmetros populacionais e devem ser estimados
atravs de dados amostrais.
As distribuies condicionais de probabilidades descrevem a variao de
Y para cada valor de X. A reta que liga os pontos das mdias das distribuies
Y.X a reta de regresso populacional que pode ser mais adequadamente
apresentada como E[Y/X] = + X.
187
Coeficiente de determinao
O clculo do coeficiente de determinao ou coeficiente de explicao ser
til para dizer o quanto da variao de Y pode ser explicado pela variao de
X.
Vamos verificar exatamente de que forma o coeficiente de determinao
(r2) pode auxiliar na tarefa de verificao da bondade do modelo. A interpretao ser feita em termos da variao na varivel dependente Y. A figura
que se segue, em que somente um ponto ser considerado, fornece uma
interpretao grfica da situao.
Y
Y
Y
YY
YY
YY
Y
188
A razo
, entre a variao explicada pela regresso e a variao
2
(Y Y )
total, a proporo da variao que explicada pelo modelo. Esse valor
conhecido como coeficiente de explicao ou coeficiente de determinao.
( Y)2
r2 = Variao explicada =
(Y Y)2
Variao total
Pode-se observar que r2 varia de zero at um.
Se no houver regresso, todos os pontos estimados estaro sobre a reta
Y e, portanto, a soma ( Y)2 ser igual a zero. Se o denominador for igual
189
a zero, significa que r2 tambm ser igual a zero. Neste caso, a variao total
ser igual somente variao no explicada. Ou, ainda, qualquer variao na
observao de Y ser devida ao acaso e, portanto, o modelo matemtico no
explicar nada. Esse o menor valor possvel para r2. O modelo explica zero
por cento da variao de Y.
Por outro lado, se todos os pontos de Y observados estiverem sobre a
reta, no h nenhuma variao devida ao acaso. Toda variao explicada
pelo modelo e nesse caso a variao explicada igual variao total e assim
r2 = 1. Ou seja, 100% da variao total devida regresso.
Uma forma simplificada de realizar esse clculo atravs da expresso:
a Y + b XY n (Y )2
r2 =
2
2
Y n (Y )
No nosso exemplo,
(6, 84).(1 095) + (10, 67).(10 186,5) - (15).(73)2 36 244,75
=
= 0, 845
r =
2
(122 825) - (15).(73)
42 890
Assim, conclumos que 84,5% da variao de Y (faturamento) explicada por X (gastos em p&d). Os outros 15,5% da variao do faturamento so
explicados por outras variveis, como investimento em propaganda, concorrncia de empresas estrangeiras etc. Podemos tambm afirmar que o
modelo de regresso construdo tem alto poder de explicao. Esta ltima
afirmao pode ser confirmada atravs da Anlise de Correlao e da testagem de hipteses que sero feitas na sequncia.
Quando a populao pequena, o coeficiente de determinao pode ser
afetado pelo tamanho da amostra. Nesse caso, sugere-se o clculo do coeficiente de determinao ajustado. Lembrar que uma regresso realizada somente com dois pontos amostrais ter sempre coeficiente de determinao
igual a 1.
A expresso para o clculo do coeficiente de determinao ajustado
dada a seguir:
190
(n(n
* *
1)1)
2 2
r 2r 2= =11
. 11r r
2
2
n
n
)
)
(
(
Coeficiente de correlao
O coeficiente de correlao uma medida da relao entre as variveis X e
Y. Ele varia entre os valores 1 e 1, passando pelo zero.
Se no existe correlao entre as variveis X e Y, o coeficiente de correlao ser igual a zero. Se a relao entre X e Y for perfeita, isto , se todos
os pontos amostrais estiverem sobre a reta de regresso, o coeficiente de
variao ter valor igual a 1, no caso de a correlao ser perfeita e positiva,
ou seja, se o crescimento de X implicar crescimento de Y e ser igual a 1
se a correlao perfeita for negativa, ou seja, o crescimento de X implica em
decrescimento de Y.
No caso da correlao igual a zero, no haver tendncia da reta, ela ser
paralela ao eixo X. O diagrama de disperso se constituir de uma nuvem
de pontos em torno da reta de regresso paralela ao eixo X, conforme o
seguinte grfico.
191
192
Fora da relao
r=0
No h correlao
Correlao fraca
Correlao moderada
Correlao forte
Fora da relao
r =1
Correlao perfeita
Correlao no linear
193
XY
r=
( X) . ( Y )
( X)
(X )
( Y)
(Y )
(1 r )
2
(n 2)
0, 919
(1 0, 845)
(15 2)
= 8, 42
Teste de hipteses
para o coeficiente angular da reta ()
Para que o modelo de regresso seja significativo, o ngulo entre a reta de
regresso e o eixo X tem que ser bem maior do que zero, ou, de outra forma, a
Este material parte integrante do acervo do IESDE BRASIL S.A.,
mais informaes www.iesde.com.br
195
sua tangente representada pelo coeficiente angular tem que ser bem maior
que zero. Vimos que quando a reta de regresso paralela ao eixo X no h
correlao entre as variveis independente e dependente, isto , a variao
dos valores de X no implica nenhuma ou pouca variao dos valores de Y.
Dessa forma, uma maneira de verificar se o modelo de regresso significativo atravs da verificao da seguinte hiptese estatstica:
H0: = 0
H1: 0
A estatstica associada a esse teste :
t=
(b )
Sb
Sb =
SY,X
(X X )
(Y Y )
SY,X =
n2
196
importante distinguir a diferena entre SY.X de SY e de SX. O SY.X diz respeito disperso dos dados em relao reta de regresso e, portanto, envolve as
duas variveis Y e X. A soma (Y )2, pode ser expressa como (Y (a + bX))2
uma vez que = a + bX.
J SY diz respeito disperso dos valores de Y em torno de sua mdia e sua
expresso :
(Y Y )
SY =
n 1
(X X )
SX =
n 1
(b )
Sb
SY,X
SSY,XY,X
= ==
SY,X
SSY,XY,X
.X
n(n(
) X) )
X XX
Xn(
(X((XXXX)X))
2 22
2 22
2 22
Onde,
Y 2 a Y b XY
SY,X =
n2
Este material parte integrante do acervo do IESDE BRASIL S.A.,
mais informaes www.iesde.com.br
197
XY
X2
Y2
15,00
221,00
3 315,00
225,00
48 841,00
8,50
83,00
705,50
72,25
6 889,00
12,00
147,00
1 764,00
144,00
21 609,00
6,50
69,00
448,50
42,25
4 761,00
4,50
41,00
184,50
20,25
1 681,00
2,00
26,00
52,00
4,00
676,00
0,50
35,00
17,50
0,25
1 225,00
1,50
40,00
60,00
2,25
1 600,00
14,00
125,00
1 750,00
196,00
15 625,00
9,00
97,00
873,00
81,00
9 409,00
7,50
53,00
397,50
56,25
2 809,00
0,50
12,00
6,00
0,25
144,00
2,50
34,00
85,00
6,25
1 156,00
3,00
48,00
144,00
9,00
2 304,00
6,00
64,00
384,00
36,00
4 096,00
93,00
1 095,00
10 186,50
Total
Y=
Y = 1 095 = 73
X=
15
X = 93 = 6,2
n
15
a = 6,842651
b = 10,67054
198
Assim,
122
122
122
122
825
825
825
825
(6,
(6,
(6,
842651).(1
(6,842651).(1
842651).(1
842651).(1
095)
095)
095)
095)
(10,
(10,
(10,
(10,
67054)(10
67054)(10
67054)(10
67054)(10
186,5)
186,5)
186,5)
. 186,5)
SY,X
SSY,X
SY,X
=
==
= ===510,53
510,53
510,53
510,53
= =22,59483
==22,59483
22,59483
22,59483
Y,X=
1515
15
15
2222
Sb =
t=
22,5949
895 15.(6,2)2
= 1,266
10, 67054
= 8, 427
1,266
(Y Y ) = (Y Y ) + (Y Y )
2
199
Graus de
liberdade
Modelo
Resduo
n2
Total
Soma de
quadrados
Y Y
Quadrados
mdios
2
(Y Y )
Q.M. Modelo
Q.M. Resduo
1
2
(Y Y )
2
Y Y
Estatstica F
n2
(Y Y )
n1
Graus de
liberdade
Soma de
quadrados
Quadrados
mdios
Modelo
36 253,16
36 253,16
Resduo
13
6 636,84
510,53
Total
14
42 890,00
Estatstica F
71,011
200
Intervalo de confiana da
estimativa da mdia populacional
Assumindo que a varivel dependente normalmente distribuda, podemos calcular os limites superior e inferior de um intervalo de confiana para a
mdia de Y atravs de:
Y tSY
SY
e t o valor da estatstica da distribuio t de Student
n
com n 1 graus de liberdade.
Em que SY =
201
(Y Y )
, conforme visto
n 1
anteriormente. Esse valor pode ser calculado mais facilmente atravs da
Y 2 n . (Y )2
.
expresso SY =
n 1
No exemplo das empresas de informtica, temos:
Ybarra = 73
SY =
12 2825 15.(73)2
= 55,34954
14
Em que SY =
SY 55,34954
=
= 14,29
15
n
T13g.l. = 2,160
O intervalo de confiana de 95% ser ento:
73 (2,160) . (15,3512) = 73 33,16
Os limites inferior e superior para a predio da mdia sero, respectivamente, 39,84 e 106,16. O valor mdio esperado de faturamento ser de R$73
milhes, podendo-se afirmar com 95% de confiana que esse valor no ser
inferior a R$39,84 milhes nem superior a R$106,16 milhes.
Se substituirmos em = 6,842651 + 10,67054X a reta de regresso X pelo
valor de sua mdia X, teremos = 6,842651 + (10,67054)(6,2) = 73. Esse fato
decorre da propriedade que a reta de regresso passa pelo ponto (X, Y).
Esses so os limites da previso mdia de faturamento para todas as empresas do setor.
Mas se um grupo de empresas investe em p&d um outro valor de X0, digamos R$2 milhes, ou se uma empresa investe em mdia esse valor, o intervalo de confiana para o seu faturamento ser dado por:
t S
Em que o erro-padro da estimativa S, ser dado por:
2
1
+ (X 0 X )
n
SY = SY,X .
( X X )2
202
SY = SY,X
2
1
+ (X 0 X )
n
X 2 n . ( X )2
Temos que:
SY = 22,59483.
2
1
+ (2 6,2)
15
= 5,328328
Intervalo de confiana
da estimativa de um valor individual de Y
Se estivermos interessados na estimativa de faturamento de uma nica
empresa que aplicou R$2 milhes em p&d, a forma de determinar o intervalo
de confiana muda um pouco. Na realidade, o que muda no procedimento
o clculo do erro-padro da estimativa, que ser dado por:
203
SY individual = SY,X
2
1
1+ + (X 0 X )
n
( X X )2
No nosso problema:
2
1
1+ + (2 6,2)
15
= 5, 4767
SY = 22,59483.
895 15.(6,2)2
Mais uma vez utilizando t13g.l. = 2,160, o intervalo de confiana de faturamento de uma empresa individual para um investimento de R$2 milhes
ter como limites inferior e superior os seguintes valores:
Limite inferior ser igual a 28,18 (2,160) . (5,4767) = 28,18 11,83 =
16,35, e o limite superior ser igual a 28,18 + (2,160) . (5,4767) = 28,18 +
11,83 = 40,01.
Observe que o intervalo de confiana para a estimativa do faturamento
de uma empresa individual muito mais extenso do que o intervalo para a
estimativa da mdia do investimento, isso porque para a mdia de investimento temos mais informao do que no caso de uma empresa individual.
O grfico a seguir ilustra as duas situaes.
y
y
mdia
uma empresa
Atividades de aplicao
1. Uma cadeia de supermercados financiou um estudo dos gastos com
mercadorias para famlias de quatro pessoas. A pesquisa se limitou a
famlias com renda entre R$10.000,00 e R$20.000,00. Obteve-se a seguinte equao:
Y = 400 + 0,10X
204
21,00
Seg
20,94
Ter
20,78
Qua
20,56
Qui
20,49
Sex
205
Companhia
Anncios
74
45
48
36
27
16
139
108
98
76
62
57
Carros vendidos
Vendas relativas
95
98
92
94
103
110
115
125
77
82
79
84
105
112
94
99
85
93
10
101
107
11
106
114
12
120
132
13
118
129
14
75
79
15
99
105
Gabarito
1.
a) P(0 < Z < 1,2) = P(Z < 1,2) P(Z < 0) = 0,8849 0,50 = 0,4849 ou
48,49%.
b) P(0,9 Z 0) = P(Z < 0) P(Z < 0,9) = 0,50 0,1841 = 0,3159 ou
31,59%.
c) P(1,21 Z < 1,75) = P (Z < 1,75) P(Z < 1,21) = 0,9599 0,8869 =
0,073 ou 7,3%.
d) P(Z > 0,75) = 1 P(Z < 0,75) = 1 0,2266 = 0,7734 ou 77,34%.
e) P(Z 1,35) = 0,9115 ou 91,15%
f) P(1,44 < Z < 0) = P(Z < 0) P(Z < 1,44) = 0,50 0,0749 = 0,4251
ou 42,51%.
Este material parte integrante do acervo do IESDE BRASIL S.A.,
mais informaes www.iesde.com.br
207
2.
a) Na tabela D, encontramos o valor z0 = 0
b) A rea abaixo de z0 0,8645. Logo, a rea entre 0 e z0 ser de 0,8645
0,50 = 0,3645. Sendo assim, na tabela encontraremos z0 = 1,1.
c) A rea abaixo de z0 0,95. Logo, a rea entre 0 e z0 ser de 0,95
0,50 = 0,45. Sendo assim, na tabela encontraremos z0 = + 1,645.
3.
a) = 1.500 e = 300, ento, desejamos encontrar a P(X > 1.860).
300
P(X >1.860) = P(Z >1,2) ... P(Z >1,2) = 1 P(Z < 1,2) = 1 0,8849 =
0,1151 ou 11,51%.
P Z<
X
), em que P(X<1.050) =
1.0501.500
. Sendo assim, a
300
P(X < 1.050) = P(Z< 1,5) = 0,067. O nmero esperado de pessoas
com renda inferior a R$1.050,00 ser de 50 x 0,067 = 3,35, ou seja,
trs pessoas.
208
5.
a) Baseado no resultado obtido atravs da mdia amostral, essa estimativa ter como valor 3,44.
2
b) O estimador utilizado X com distribuio normal ( ).
n
2
c) Como 5 e = 12,96, ento:
4 5
= 1, 67, logo, P(X > 4) =
I. P(X > 4) = 1 P(X < 4) z =
12, 96 / 36
P(z > 1,67) = 1 P(z 1,67) = 1 0,0475 = 0,9525 ou 95,25%.
6,5 5
= 2,5 , logo, P(X 6,5) = P(z 2,5)
12, 96 / 36
P(z 2,5) = 0,9938 ou 99,38%.
III. P(X = 2) = 0, pois numa distribuio contnua no possvel calcular a probabilidade no ponto exato.
3,5 5
e
IV. P(3,5 < X 5) = P(X 5) P(X < 3,5) z1 =
12, 96 / 36
55
z2 =
, ento
12, 96 / 36
z1 = 2,5 e z2 = 0. Dessa forma, P(3,5 < X 5) = P(2,5 < Z 0) =
P(Z 0) P(Z < 2,5) = 0,50 0,0062 = 0,4938 ou 49,38%.
6.
a) n = 75; X = 8,2; S = 1,1. Como o tamanho da amostra maior que
30, utilizaremos a estatstica z para a construo do intervalo de
confiana com 1 = 0,90. O valor de z ser 1,645. Ento:
P( X z.S X X + z.S X ) = 1
P(8,2 (1, 645)
1,1
1,1
8,2 + (1, 645)
) = 0, 90
75
75
Com 90% de confiana podemos afirmar que os aparelhos de televiso dessa populao tm um tempo mdio para substituio
entre 7,99 anos e 8,41 anos.
Este material parte integrante do acervo do IESDE BRASIL S.A.,
mais informaes www.iesde.com.br
209
P( p z . S p P p + z . S p ) = 1
210
Ou seja, com 90% de confiana podemos afirmar que, das pessoas dessa
populao, entre 67,6% e 73,2% preferem o detergente da marca ABC.
9.
a) = 5%, n = 36, X =
284
= 7, 89 e conhecido igual a 2.
36
Hipteses:
H0: = 8
H1: < 8
2
n
36
Dados:
27 + 24 + 21+ 25 + 26 + 22
= 24,17 e S =
6
Hipteses:
H0: 0 = 23
H1: 1 > 23
10%; Como n < 30 e desconhecido, ento utilizaremos a estatstica "t" de Student com cinco graus de liberdade e 90% de confiana
para um teste unilateral. Neste caso o valor de t ser 1,476.
X=
(145)2
6
= 2,32.
5
3531
211
Teoria da deciso
Problema
A empresa ABC est fabricando um novo equipamento que deseja disponibilizar para o mercado. sabido que o investimento em propaganda pode
trazer um grande retorno se a vendagem do produto for alta. No entanto, o
investimento tem um custo elevado e se a quantidade vendida do produto
no for alta, esse investimento em propaganda pode trazer prejuzo para a
empresa. A questo colocada para a diretoria se ela deve ou no proceder
ao investimento em propaganda.
Duas aes, ento, so possveis de serem tomadas. A primeira no investir em propaganda e a segunda realizar o investimento. Uma pesquisa
extensiva foi realizada e os cenrios que foram apresentados para a diretoria
representavam trs possibilidades de venda (forte, moderada e fraca). Os resultados financeiros podiam variar como segue.
No caso de investimento em propaganda, se as vendas do novo produto forem fortes, o retorno financeiro pode chegar a R$90.000,00 por ms. Se
as vendas forem moderadas, o retorno pode chegar a R$30.000,00 e se as
vendas forem fracas a empresa, pode ter um prejuzo de R$4.000,00. Na hiptese de no se fazer o investimento em propaganda, os retornos esperados
para as trs situaes de venda sero R$60.000,00, R$10.000,00 e R$2.000,00,
dependendo de as vendas serem fortes, moderadas ou fracas.
Diante desse quadro de possibilidades, qual a ao que a diretoria deve
tomar de forma a potencializar as suas possibilidades de lucro?
A tabela abaixo resume as situaes de retorno expostas:
A1 = Investir em
propaganda (R$)
A2 = No investir
em propaganda (R$)
1 = venda forte
90
60
2 = venda moderada
30
10
3 = venda fraca
-4
Eventos
213
Teoria da deciso
Conceitos fundamentais
A tomada de deciso gerencial tem crescido em complexidade e os instrumentos da Teoria de Deciso Estatstica tm se tornado um importante
modelo para se fazer escolhas racionais entre aes alternativas quando a
informao incompleta e sob ambiente de incerteza. O problema de deciso sob estudo pode ser representado por um modelo que compreende
cinco elementos.
O tomador de deciso
o agente a quem cabe a responsabilidade por tomar as decises. O tomador de decises pode ser um indivduo, uma corporao, uma agncia
governamental e assim por diante.
Aes
A deciso envolve uma seleo entre duas ou mais alternativas de aes.
O problema escolher a melhor entre essas aes alternativas. Algumas
vezes o tomador de decises deve escolher a melhor das estratgias disponveis, em que cada estratgia uma regra de deciso que indica qual ao
deve ser tomada em resposta a um tipo especfico de informao amostral
ou experimental.
214
Teoria da deciso
Eventos
Os eventos esto fora do controle do tomador de decises, que no
sabe ao certo qual evento de fato ocorrer. Os eventos se constituem de
um conjunto de resultados mutuamente exclusivos, isto , um e somente
um deles ocorrer. Os eventos tambm so chamados de estados da natureza ou simplesmente resultados.
Ganho
a medida do resultado da opo por uma ao especfica. Os ganhos so
apresentados em tabelas de ganhos ou matrizes de ganho, que apresentam as
consequncias de cada ao selecionada e cada evento que possa ocorrer.
Incerteza
A falta de definio de qual evento ou estado da natureza ir ocorrer
definido como incerteza. Essa incerteza ser indicada em termos de probabilidades associadas aos eventos. Uma das caractersticas da Teoria Estatstica de Deciso o assinalamento de probabilidades para a ocorrncia
desses eventos. Entre os tipos de probabilidades utilizadas est a probabilidade subjetiva.
A tabela de ganhos expressa em termos genricos. Assumimos que
existem n aes alternativas A1, A2 ... An e m possveis eventos ou estados
da natureza denotados por 1, 2 ... m. Os resultados de ganhos possveis so
denotados pela letra u com os indicadores respectivos de aes e eventos.
A letra u est sendo usada por sua associao com utilidade, conforme
ser mais bem explicado adiante. A matriz a seguir resume as relaes acima
descritas:
Aes
Eventos
A1
A2
...
An
u11
u12
...
u1n
u21
u22
...
u2n
...
...
...
...
...
um1
um2
...
umn
215
Teoria da deciso
Como essas utilidades podem ser determinadas ser assunto para este
captulo. Em sntese, a utilidade de se selecionar ao A2 e ter o resultado
do evento 1 denotada por u12 e assim por diante. A utilidade uij se refere
ao j e o evento i.
Se de antemo for sabido com certeza que o evento que ir ocorrer o
3, ento basta ao tomador de decises olhar ao longo da linha correspondente qual a maior utilidade e assim definir que ao deve ser tomada. No
entanto, no mundo real, uma vez que o estado da natureza no de domnio
do tomador de decises, ele no sabe com certeza qual especfico evento ir
ocorrer. A escolha da melhor ao a ser tomada em face de um ambiente de
incerteza o problema central da tomada de deciso.
Critrios de escolha
utilizando distribuio a priori
Muitos diferentes critrios existem para selecionar a melhor ao. O critrio mais imediato conhecido como o critrio maximin de ganho. Outros trs
critrios simples tambm so bastante utilizados, so normalmente conhecidos como: ganho esperado sob incerteza, perda esperada de oportunidade e
critrio minimax da perda de oportunidade.
A2 = No investir
em propaganda (R$)
1 = venda forte
90
60
2 = venda moderada
30
10
3 = venda fraca
Eventos
216
Teoria da deciso
217
Teoria da deciso
Voltando ao problema do investimento em propaganda. Nesse caso, a maximizao consiste em selecionar a ao que produza o maior ganho esperado.
Vamos assumir que a diretoria da empresa ABC tome o seguinte procedimento de assinalamento de probabilidades para cada um dos eventos. Com
base em uma extensiva pesquisa da experincia passada com produtos semelhantes e de acordo com a opinio de especialistas, a diretoria conclui que as
vendas podem ser moderadas (evento 2) em uma razo de 50 para 50. E mais,
concluem que um pouco menos provvel que as vendas aumentem com
investimento em propaganda (evento 1) do que as vendas sejam pequenas
(evento 3). Com base nessa perspectiva, a diretoria estabelece a seguinte distribuio de probabilidades subjetivas para os eventos em questo:
Evento
Probabilidade
1 = venda forte
0,2
2 = venda moderada
0,5
3 = venda fraca
0,3
Total
Evento
Ao 1: investir em
propaganda
Ao 2: no investir em
propaganda
Probabilidade
Resultado
Resultado
ponderado
Probabilidade
Resultado
Resultado
ponderado
0,2
90
18,0
0,2
60
12,0
0,5
30
15,0
0,5
10
50,
0,3
1,2
0,3
0,6
Total
1,0
31,8
1,0
17,6
Teoria da deciso
Verifica-se dos clculos realizados que a diretoria pode esperar um resultado de R$31.800,00 de retorno de vendas se investir em propaganda e de
R$17.600,00 caso no invista em propaganda. Para maximizar o ganho esperado, a diretoria deveria selecionar a ao A1 e investir em propaganda.
Tabela de perda de
oportunidades (R$)
Evento
A1
A2
A1
A2
1 = venda forte
90
60
30
2 = venda moderada
30
10
20
3 = venda fraca
Pode-se calcular agora as perdas de oportunidades esperadas, levandose em conta a distribuio de probabilidades subjetivas estimadas de maneira
anloga ao que foi feito com o ganho esperado sob incerteza. O objetivo
ser o de escolher aquela ao com menor perda de oportunidade esperada.
As seguintes quantidades podem ento ser definidas POE(A1) e POE(A2)
como perda de oportunidade esperada para a ao de investir em propaganda e a perda de oportunidade esperada ao no se investir em propaganda:
Este material parte integrante do acervo do IESDE BRASIL S.A.,
mais informaes www.iesde.com.br
219
Teoria da deciso
Ao : investir em propaganda
Evento
Ao 2: no investir em propaganda
Probabilidade
Resultado
Resultado
ponderado
Probabilidade
Resultado
Resultado
ponderado
0,2
0,0
0,2
30
6,0
0,5
0,0
0,5
20
10,0
0,3
1,8
0,3
0,0
Total
1,0
1,8
1,0
16,0
Teoria da deciso
Probabilidades
Ganhos
ponderados
1 = venda forte
90
0,2
18,0
2 = venda moderada
30
0,5
15,0
0,3
0,6
Evento
3 = venda fraca
33,6
221
Teoria da deciso
1
2
A1
R$90,00
R$30,00
R$4,00
A2
2
2
R$60,00
R$10,00
R$2,00
222
Teoria da deciso
R$31,8
A1
R$31,8
(0,2)
(0,5)
(0,3)
R$90,00
R$30,00
R$4,00
A2
R$23,0
(0,2)
(0,5)
R$60,00
R$10,00
(0,3)
2
R$2,00
Estabelecimento
de distribuies de probabilidades
Estabelecer as probabilidades de ocorrncia de cada estado da natureza
(eventos) uma tarefa fundamental para o equacionamento do esquema de
tomada de decises. At agora, o estabelecimento dessas probabilidades foi
realizado de forma subjetiva e simples. Se houver uma forma mais cientfica
de estabelecimento da distribuio de probabilidades dos possveis eventos,
o problema da tomada de decises pode ser mais bem equacionado.
Se a varivel aleatria que representa os estados da natureza for discreta e houver somente um nmero pequeno de resultados possveis, ento
o tomador de decises provavelmente ser capaz de assinalar diretamente
probabilidades para cada possvel resultado. No entanto, se a varivel aleatria tiver um nmero grande de valores possveis, o tomador de decises
ter que tratar a varivel aleatria como contnua e necessitar construir uma
funo de distribuio acumulada trabalhando com um nmero de intervalos selecionados da varivel aleatria.
223
Teoria da deciso
Teoria da deciso
1
0,9
Probabilidade
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
0
100
200
300
400
500
600
Vendas
225
Teoria da deciso
1
0,9
Probabilidades
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
0
100
200
300
400
500
600
Vendas
Assinalamento de probabilidades
usando dados do passado
Se existe uma grande quantidade de dados do passado, o tomador de decises pode us-los para estabelecer a distribuio de probabilidades atravs do uso das frequncias relativas dos dados. No entanto, se a quantidade
de dados for pequena, um procedimento deve ser realizado tomando a distribuio de frequncias destes dados para a construo de uma distribuio
de frequncias acumulada atravs de aproximaes.
226
Teoria da deciso
Vamos ilustrar a construo de uma distribuio cumulativa de probabilidades atravs de um exemplo simples. Certa loja vende, entre outros, um
produto A. Acompanhando a venda desse produto nos ltimos 20 meses,
observamos que em um determinado ms foram vendidos 33 unidades. Em
outros dois meses foram vendidos 38. Fazendo observaes dessa ordem,
pudemos construir a seguinte distribuio de frequncias que relaciona o
nmero de produtos vendidos com a quantidade de meses em que esse
nmero foi alcanado. Um possvel resultado o que segue:
Nmero de
produtos
vendidos
Nmero de meses em
que os produtos vendidos alcanaram a venda
Nmero de
produtos
vendidos
Frequncia relativa
do nmero de
produtos vendidos
33
33
1/20 = 0,05
34
35
35
4/20 = 0,20
36
36
5/20 = 0,25
37
38
38
2/20 = 0,10
39
39
3/20 = 0,15
40
41
41
1/20 = 0,05
42
42
2/20 = 0,10
43
43
2/20 = 0,10
Podemos, com base nos dados acima, construir a distribuio de frequncias acumuladas para o nmero de produtos vendidos:
Nmero de
produtos vendidos
33
34
Frequncia relativa
acumulada
0,05
0,05
35
0,20
0,25
36
0,25
0,50
227
Teoria da deciso
Nmero de
produtos vendidos
Frequncia relativa
acumulada
37
0,50
38
0,10
0,60
39
0,15
0,75
40
0,75
41
0,05
0,80
42
0,10
0,90
43
0,10
1,00
Considerando que a frequncia relativa uma aproximao de probabilidades e que, portanto, a frequncia relativa acumulada uma aproximao
da probabilidade acumulada, podemos construir o seguinte grfico da distribuio de frequncias relativas acumuladas, que representam as probabilidades de vender at certo nmero de produtos. Observando a tabela anterior ou o prximo grfico, podemos verificar que a probabilidade de vender
at 36 produtos em um determinado ms de 50%.
Distribuio de probabilidade cumulativa
1
0,9
Probabilidade
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
30
35
40
45
50
Teoria da deciso
Tomada de decises
baseada na utilidade esperada
At agora as anlises de tomada de deciso tiveram por critrio a escolha
da ao tima como aquela que resultaria em maior ganho mdio a longo
prazo se a mesma deciso tivesse que ser tomada repetidamente sob idnticas condies. No entanto, algumas decises pessoais e nos negcios so
tomadas frente a um nico conjunto de condies. Em algumas dessas ocasies no seria realstico pensar em termos de muitas repeties da mesma
situao de deciso.
Sendo assim, til ter um aparato para lidar com tomada de deciso em
tempo nico. A Teoria da Utilidade fornece tal aparato e tambm um mtodo
lgico para tomada de decises repetitivas. Para ilustrar a ideia, vamos supor
trs situaes com duas aes alternativas para cada uma delas. Na primeira
(A) se contrapem duas decises que tm como consequncia para a ao A1
receber R$0 com certeza e, para a ao A2, receber R$0,60 com probabilidade
e perder R$0,40 com probabilidade . Na segunda situao, B1 implica
ganhar R$0,00 com certeza e B2, receber R$60.000,00 com probabilidade
e perder R$40.000,00 com probabilidade . A terceira situao, C1 implica
receber R$1 milho com certeza contra C2, que implica receber R$2 milhes
com probabilidade e receber R$0,00 com probabilidade .
O clculo do ganho esperado para a deciso colocada em A de R$0,10
[(1/2).(0,6)+(1/2).(0,4)]. Isso significa que a longo prazo o resultado dever
ser positivo. Ocorre, no entanto, que se a deciso tem que ser tomada para
somente uma realizao, a perda pode ser de R$0,40. A firma talvez possa
correr esse risco. Mas na situao B, o valor do ganho esperado a longo prazo
seria de R$10.000,00, o que levaria o tomador de decises a optar pelo risco,
ou seja, escolher a ao B2. Como a situao pontual, a firma pode perder
R$40.000,00. Ficando invibializado o tomador de decises pode optar por
no correr o risco e optar por ganho certo de R$0,00.
No caso da situao C, mesmo pensando a longo prazo, o valor do ganho
esperado seria R$1.050.000,00 se a opo fosse por C2, contra um ganho certo
de R$1.000.000,00 pela ao C1. Nesse caso, no resta muita dvida que, apesar
de a ao C2 poder resultar num ganho de R$2,1 milhes, a melhor ao seria
mesmo tomar a ao C1, com ganho certo de R$1 milho.
Fica claro que grandes e pequenas corporaes podem tomar diferentes
atitudes diante do risco. A questo que o tomador de decises deve responEste material parte integrante do acervo do IESDE BRASIL S.A.,
mais informaes www.iesde.com.br
229
Teoria da deciso
Probabilidades a posteriori
As probabilidades a posteriori so calculadas com base em duas informaes, as probabilidades a priori e a informao obtida atravs da observao
de um conjunto de dados. O meio de fazer essa atualizao o Teorema de
Bayes. Se uma nova atualizao for necessria, a atual probabilidade a posteriori ser utilizada como probabilidade a priori no novo contexto em que
uma nova tomada amostral seja realizada.
O propsito de incorporar mais evidncia atravs de processos amostrais
o de reduzir o custo esperado da incerteza.
Se o custo esperado da incerteza (ou de outra forma, o custo esperado da
perda de oportunidade) for elevado, ento o acrscimo de nova informao
atravs de um processo de amostragem pode se tornar desejvel. O mtodo
geral para se incorporar nova informao, ou nova evidncia amostral, pode
230
Teoria da deciso
ser ilustrado pelo uso de dois tipos de informao amostral: (I) atravs da
especificao da confiabilidade da informao amostral; e (II) atravs da especificao do tamanho da amostra.
A1 = investir em
propaganda (R$)
A2 = no investir em
propaganda (R$)
1 = venda forte
90
60
2 = venda moderada
30
10
3 = venda fraca
-4
Com base em avaliaes subjetivas, a diretoria estabelece a seguinte distribuio de probabilidades para os eventos em questo:
Evento
Probabilidade
1 = venda forte
0,2
2 = venda moderada
0,5
3 = venda fraca
0,3
Total
1,0
231
Teoria da deciso
232
Teoria da deciso
Probabilidade
a priori
Probabilidade
condicional
Probabilidade
conjunta
Probabilidade
a posteriori
Eventos i
P(i)
P(x2/i)
P(i) P(x2/i)
P(i/x2)
1 = venda forte
0,2
0,2
0,04
0,0755
2 = venda
moderada
0,5
0,8
0,40
0,7547
3 = venda fraca
0,3
0,3
0,09
0,1698
Total
1,0
0,53
1,0000
P (1)P(x2 / 1)
P (i)P(x2 / i)
Na tabela, multiplicar cada probabilidade a priori P(i) pela sua correspondente probabilidade condicional P(x2/i), obtendo-se assim as probabilidades conjuntas, cuja soma P(i) P(x2/i). Para calcular as probabilidades a
posteriori associadas a cada um dos eventos i, basta dividir a probabilidade
conjunta de cada evento pela soma das probabilidades conjuntas. Essa
uma forma confortvel de calcular as probabilidades a posteriori atravs do
uso do Teorema de Bayes.
Fica bem ilustrativo a diminuio do espao amostral com a correspondente probabilidade de 0,53 e quanto dessa probabilidade ser destinada a cada
um dos eventos. Equivale, portanto, a considerar 0,53 como a totalidade (1,0)
e verificar quanto disso corresponde a cada um dos eventos.
Assim, com uma indicao amostral de vendas moderadas, a probabilidade a priori de 0,5 do evento vendas moderadas foi revisado e cresceu para
aproximados 0,75. Da mesma forma, as probabilidades 0,2 e 0,3, correspondentes aos eventos venda fraca e venda forte, foram revisados e declinaram
para 0,07 e 0,17.
233
Teoria da deciso
Essas probabilidades revisadas podem ser agora utilizadas para os clculos do ganho esperado a posteriori e da perda esperada de oportunidade a
posteriori ou custo esperado da incerteza. Ento, os resultados obtidos foram
de R$28.756,80 de ganho esperado para a ao A1 (investir em propaganda)
e R$12.416,60 para A2 (no investir em propaganda) e o custo esperado da
incerteza diminuiu de R$1.800,00 para R$1.018,80.
Tabela 1 Ganho esperado a posteriori
Ao 1: investir em propaganda
Evento
Probabilidade
Resultado
0,0755
90
0,7547
0,1698
Total
1,0000
Ao 2: no investir em propaganda
Resultado
ponderado
Probabilidade
Resultado
6,795
0,0755
60
4,53
30
22,641
0,7547
10
7,547
-4
-0,6792
0,1698
0,3396
28.756,80
1,0000
Resultado
ponderado
12.416,60
Resultado
0,0755
0,7547
0,1698
Total
1,0000
Evento
Ao 2: no investir em propaganda
Resultado
ponderado
Probabilidade
Resultado
0,0755
30
2,265
0,7547
20
15,094
1,0188
0,1698
1,0188
1,0000
Resultado
ponderado
17,3590
234
Teoria da deciso
R$28.756,60
A1
R$28.756,60
)
755
(0,0
(0,7547)
(0,1
698
)
R$90,00
R$30,00
R$4,00
A2
R$12.416,60
)
755
(0,0
(0,7547)
(0,1
698
)
R$60,00
R$10,00
R$2,00
Como o ganho esperado sob A1 maior que o ganho esperado sob A2,
a melhor das duas aes continua sendo a de investir em propaganda. Observe, no entanto, que essa deciso poderia ter sido modificada aps o assinalamento da distribuio de probabilidades a posteriori, com a incluso de
novas evidncias devido ao processo de busca de dados na amostragem.
A amostragem indicada anteriormente indicou vendas moderadas, mas
se ela tivesse indicado vendas fracas ou vendas fortes, o mesmo procedimento poderia ser realizado para o clculo dos novos valores de ganhos esperados e de custos da incerteza.
O custo da incerteza teve uma diminuio de R$1.800,00 para R$1.088,00.
Esse custo significa o quanto o tomador de decises estaria disposto a pagar
para ter a informao perfeita. Se esse valor tivesse crescido ao invs de diminudo, como foi o caso, significaria que a evidncia amostral no resultou
em diminuio da dvida de que ao tomar e que a nova situao no traria
maior segurana na deciso.
Anlise a posteriori:
uma ilustrao da aceitao da amostragem
Como uma segunda ilustrao da anlise a posteriori, vamos considerar
o problema da aceitao da amostragem de um produto manufaturado.
Vamos assumir que a empresa ABC inspeciona artigos de componentes de
235
Teoria da deciso
Ao A1
Ao A2
Proporo de defeituosas
Rejeitar o lote
Aceitar o lote
0,10
R$30,00
R$0,00
0,20
R$0,00
R$15,00
0,30
R$0,00
R$20,00
Seria mais realstico tomar eventos com propores de defeituosas variando de 0%, 1% at 100%, ou mesmo considerar esta como uma varivel
contnua. Para efeito de simplificao de apresentao do mtodo, sero
consideradas somente essas trs possibilidades.
Com essas informaes e com base no resultado de uma amostra de, digamos, 10 elementos de uma nova entrega, em que ser verificado o nmero de
peas defeituosas entre essas 10, a empresa decidir se aceita ou no o lote.
A empresa pode usar as frequncias relativas (50%, 30% e 20%) como distribuio a priori e determinar a perda esperada de oportunidade para cada
uma das duas aes possveis:
236
Teoria da deciso
Evento
p
Ao A1 - rejeitar o lote
P0(p)
Perda de
oportunidade
0,10
0,50
0,20
0,30
Total
Ao A2 - aceitar o lote
Perda
ponderada
P0(p)
30
15,00
0,50
0,00
0,30
0,00
0,30
15
4,50
0,20
0,00
0,20
20
4,00
R$15,00
1,00
1,00
Perda de
oportunidade
Perda
ponderada
R$8,50
237
Teoria da deciso
Probabilidade
a priori
Probabilidade
condicional
Probabilidade
conjunta
Probabilidade
a posteriori
P0(p)
P(X=3/n=10,p)
P(p) P(X=3/n=10,p)
P1(p)
0,10
0,5
0,0574
0,02870
0,20147
0,20
0,3
0,2013
0,06039
0,42394
0,30
0,2
0,2668
0,05336
0,37459
0,14245
1,00000
Eventos p
Total
1,0
As perdas esperadas de oportunidade podem agora ser recalculadas utilizando essas probabilidades a posteriori. O novo clculo das perdas esperadas de oportunidade apresentado na tabela a seguir:
Evento
P
Perda de
oportunidade
0,10
0,20147
30,00
0,20
0,42394
0,30
0,37459
Total
1,00000
Perda
ponderada
P1(p)
Perda de
oportunidade
Perda
ponderada
6,04
0,20147
0,00
0,00
0,00
0,00
0,42394
15,00
6,36
0,00
0,00
0,37459
20,00
7,49
R$6,04
1,00000
R$13,85
Teoria da deciso
Probabilidade
a priori
Probabilidade
condicional
Probabilidade conjunta
Probabilidade
a posteriori
P0(p)
P(X=30/n=100,p)
P(p) P(X=30/n=100,p)
P1(p)
0,10
0,5
0,000000018
0,000000009
0,00000005
0,20
0,3
0,005189
0,0015567
0,082
0,30
0,2
0,086784
0,0173568
0,918
0,018913509
1,000
Eventos
p
Total
1,0
Atividades de aplicao
As informaes a seguir devem ser utilizadas para a resoluo dos exerccios de 1 a 5. Um investidor tem R$50.000,00 e deve decidir entre trs portflios preparados por um especialista. Os portflios so caracterizados como de
alto risco, mdio risco e baixo risco, e os retornos dependem da situao econmica. Assumindo que somente duas situaes econmicas sejam consideradas (crescimento e recesso), a probabilidade de recesso de 30%. Dada
a seguinte matriz de resultados (dada em centenas de reais), qual portflio o
investidor deveria escolher?
Estados da natureza
Crescimento
Recesso
Portflio
Risco alto
Risco mdio
Risco baixo
10
-15
-2
1. Qual dos trs portflios deve ser escolhido se o critrio utilizado for
o maximim?
2. Para o problema em questo, qual a crtica ao uso desse critrio?
Este material parte integrante do acervo do IESDE BRASIL S.A.,
mais informaes www.iesde.com.br
239
Teoria da deciso
3. Para o critrio ganho esperado sob incerteza, qual a deciso a ser tomada?
4. Calcule as perdas de oportunidade esperada para cada portflio.
5. Faa a representao atravs do diagrama de deciso para o critrio
minimax.
6. Construa a distribuio de probabilidades acumulada atravs da utilizao de dados de vendas do passado com relao aos nmeros de
pedidos e ao nmero de semanas em que eles foram feitos, conforme
tabela a seguir:
Nmero de
equipamentos
vendidos
Nmero de semanas
que o nmero de
ordens foi recebido
Nmero de
equipamentos
vendidos
Nmero de semanas
em que o nmero de
ordens foi recebido
21
32
22
33
23
34
24
35
25
36
26
37
27
38
28
39
29
40
30
41
31
42
240
Teoria da deciso
P0(p)
0,05
0,30
0,10
0,40
0,15
0,20
0,20
0,10
P0()
0,80
P(X/)
P0() P(X/)
P1(/X)
0,60
P(X/)
P1(/X)
0,50
0,25
0,50
0,75
Gabarito
1. No critrio maximim, o tomador de deciso assume que uma vez que
uma ao seja escolhida a natureza escolher o estado da natureza
que minimize o rendimento sob a pior perspectiva.
Estados da
natureza
Crescimento
Recesso
Risco alto
Portflio
risco mdio
Risco baixo
10
15
241
Teoria da deciso
Probabilidade
1 = crescimento
0,7
2 = recesso
0,3
Total
Risco
alto
Resultado
ponderado
Risco
mdio
Resultado
ponderado
Risco
pequeno
Resultado
ponderado
0,7
10
70
2,8
1,4
0,3
15
45
0,6
0,3
Evento
242
Teoria da deciso
Evento
Prob.
Total
Risco
alto
1,0
Resultado
ponderado
Risco
mdio
35
Resultado
esperado
Risco
pequeno
Resultado
ponderado
2,2
R$35.000,00
Resultado
ponderado
1,7
R$2.200,00
R$1.700,00
Evento
Perda de oportunidade
A1
A2
A3
A1
A2
A3
10
15
16
A partir da determinao das perdas de oportunidade, podemos calcular agora as perdas de oportunidade esperada para cada ao.
Prob.
Risco
alto
Resultado
ponderado
Risco
mdio
Resultado
ponderado
Risco
pequeno
Resultado
ponderado
0,7
4,2
5,6
0,3
16
4,8
1,8
Total
1,0
Evento
Resultado
Esperado
4,8
R$4.800,00
6,0
R$6.000,00
5,6
R$5.600,00
243
Teoria da deciso
244
Nmero de
equipamentos
vendidos
Nmero de semanas
em que o nmero de
ordens foi recebido
Nmero de
equipamentos
vendidos
Nmero de semanas
em que o nmero de
ordens foi recebido
21
32
22
33
23
34
24
35
25
36
26
37
27
38
28
39
Teoria da deciso
Nmero de
equipamentos
vendidos
Nmero de semanas
em que o nmero de
ordens foi recebido
Nmero de
equipamentos
vendidos
Nmero de semanas
em que o nmero de
ordens foi recebido
29
40
30
41
31
42
Nmero de
equipamentos vendidos
Frequncia de
ocorrncias
Frequncia relativa
de ocorrncias
21
0,05
24
0,10
25
0,10
26
0,15
27
0,15
28
0,05
31
0,05
32
0,05
33
0,05
34
0,05
37
0,05
38
0,05
39
0,05
42
0,05
Nmero de
equipamentos
vendidos
Nmero de semanas
em que o nmero de
ordens foi recebido
Nmero de
equipamentos
vendidos
Nmero de semanas
em que o nmero de
ordens foi recebido
21
0,05
32
0,70
22
0,05
33
0,75
245
Teoria da deciso
Nmero de
equipamentos
vendidos
Nmero de semanas
em que o nmero de
ordens foi recebido
Nmero de
equipamentos
vendidos
Nmero de semanas
em que o nmero de
ordens foi recebido
23
0,05
34
0,80
24
0,15
35
0,80
25
0,25
36
0,80
26
0,40
37
0,85
27
0,55
38
0,90
28
0,60
39
0,95
29
0,60
40
0,95
30
0,60
41
0,95
31
0,65
42
1,00
1
0,9
Probabilidade
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
7. Preenchendo os vazios:
Estados da
natureza
P0()
P(X/)
P0() P(X/)
P1(/X)
1 = Casas tero
preos aumentados no prximo
ano
0,80
0,32/0,44 = 0,73
246
Teoria da deciso
Estados da
natureza
P0()
P(X/)
P0() P(X/)
P1(/X)
1 = Casas tero
preos iguais ou
diminudos no prximo ano
0,60
0,12/0,44 = 0,27
1,00
1,00
Total
P0() probabilidades a priori dos estados da natureza. A probabilidade a priori de que as casas tero seus preos aumentados no prximo
ano de 80%. E de no terem seus preos aumentados de 20%.
P1(/X) probabilidades a posteriori dos estados da natureza. So chamadas de probabilidades revisadas com base em observaes amostrais.
8. Encontrar os valores de a e de b.
Estados da natureza
P0()
P0()
P0() P0()
P1(/X)
0,50
0,5 a
0,25
0,50
0,5 b
0,75
Total
0,5a + 0,5b
Sabemos que:
0,5a
0,5a + 0,5b = 0,25
0,5b
= 0,75
0,5a + 0,5b
247
Problema
A empresa ABC do ramo de informtica. Um dos carros-chefe da empresa um novo modem que est tendo muita aceitao no mercado. Os
diretores desejam fazer previses de vendas para os prximos meses com
base nos dados de venda dos ltimos 24 meses.
A tabela abaixo apresenta o resultado das vendas:
Tabela 1 nmero de modems vendidos
Ms
Vendas (R$)
48
53
46
51
47
50
49
55
55
10
51
11
54
12
52
13
51
14
55
15
47
16
51
17
53
249
Ms
Vendas (R$)
18
56
19
52
20
50
21
50
22
48
23
51
24
53
Conceitos fundamentais
A anlise de sries temporal clssica essencialmente um mtodo que
busca quebrar uma srie em distintos componentes que representam os
efeitos de fatores explanatrios. Esses componentes so: (I) tendncia; (II)
flutuaes cclicas; (III) variaes sazonais; e (IV) movimentos irregulares.
Srie temporal
Uma srie temporal um conjunto de observaes de uma varivel quantitativa coletada no tempo. A srie pode ser determinada em qualquer intervalo de tempo, hora, dia, semana, ms, trimestre ou ano, dependendo do
250
Grfico de linhas
Como verificado no captulo de anlise de dados, o grfico adequado
para a apresentao dos dados de uma srie temporal um grfico de
linhas. Para o exemplo da venda dos modems, o grfico correspondente
o apresentado a seguir:
Grfico de linhas
58
56
54
52
50
48
46
44
42
40
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
251
Tendncia
A tendncia se refere a movimentos crescentes ou decrescentes de uma
srie temporal em um longo perodo de tempo.
Antes que uma tendncia de uma particular srie possa ser determinada,
geralmente necessrio submeter os dados a algum tratamento preliminar, como, por exemplo, verificar a quantidade em relao a uma populao
determinada durante o perodo em que os dados foram coletados. Dessa
forma, caracteriza-se a quantidade per capita.
O grfico a seguir apresenta uma srie com tendncia crescente. Observe
que a linha de tendncia faz um ngulo significativamente maior que zero
com o eixo X.
1650
1500
1350
1200
1050
1
13
17
20
252
120
110
100
90
80
1
2 3
4 5
6 7
9 10 11 12 13 14 15 16
(Y )2
n
253
Ciclo
Flutuaes cclicas ou movimentos cclicos so movimentos de crescimento ou decrescimento recorrentes em torno dos nveis de tendncia.
Sazonalidade
Variaes sazonais so ciclos que se completam dentro de um perodo de
calendrio regular, repetindo esse padro bsico ao longo de toda a srie. Os
maiores fatores que produzem esses padres repetidos ocorrem em sries
anuais que obedecem a variaes sazonais devido ao clima e aos costumes.
Todos os anos, no perodo que antecede o inverno, h um crescimento
da venda de roupas para o frio. Tambm h todo ano um crescimento de
vendas em datas como o Dia das Mes, Dia dos Pais, Dia das Crianas e no
perodo do Natal.
Movimentos irregulares
Movimentos irregulares so flutuaes nas sries temporais que tm durao curta, tm natureza errtica e no seguem nenhuma regularidade recorrente ou outro padro discernvel.
254
255
Ano
Tempo
Vendas (R$)
1993
2.484
1994
2.767
1995
2.088
1996
3.611
1997
4.216
1998
4.665
1999
5.275
2000
5.616
2001
6.165
2002
10
6.720
2003
11
7.400
2004
12
7.975
2005
13
8.800
2006
14
9.520
2007
15
10.450
tY = at + bt 2
Usualmente, quando uma equao de regresso utilizada para sries
temporais, os valores dos tempos so transformados para valores com
poucos dgitos. Ento, o ano 1993 ser transformado para 1, o de 1994 para 2
e assim por diante. Poderamos tambm transformar os dados fazendo o ano
central igual a 0, os anteriores 1, 2 ... e os posteriores 1, 2... Utilizaremos a
primeira opo. Dessa forma, o sistema de equaes normais ser:
88 752 = 15a + 120b
8 666 864 = 120a + 1 240b
256
10
15
20
Projeo no tempo
Projees na reta determinada podem ser obtidas se substituirmos t na
reta por valores apropriados. Por exemplo, a projeo para vendas de computador para o ano de 2008, por exemplo, pode ser realizada assumindo o
valor t = 16 na reta de tendncia. Ento, os valores das vendas seriam = 1
435,43 + 560,17 t = 1 435,43 + 560,17 . (16) = 10 398,2, ou simplesmente 10
398 computadores.
Essas estimativas podem ser feitas para mais um ou dois perodos, e ainda
assim h um alto grau de incerteza. Se predies para mais tempo forem
desejadas, estimativas de outros fatores teriam que ser acrescentados estimativa da tendncia.
Flutuaes cclicas
Como foi indicado previamente, quando uma srie temporal consistir de
dados anuais, ela poder conter tendncia, ciclo e elementos irregulares. As
Este material parte integrante do acervo do IESDE BRASIL S.A.,
mais informaes www.iesde.com.br
257
variaes sazonais estaro ausentes, uma vez que elas ocorrem dentro de
um ano. Ento, desvios dos dados anuais em relao reta de tendncia so
atribuveis somente a fatores cclicos e irregulares.
Os desvios em relao tendncia so mais facilmente observados dividindo o valor dos dados originais pelos valores correspondentes na linha de
tendncia para o mesmo perodo. Por conveno, o resultado da diviso do
dado original pelo valor na linha de tendncia multiplicado por 100 para
expressar os resultados como percentuais de tendncia.
Assim, se o dado original exatamente igual ao valor estimado, a percentagem de tendncia ser igual a 100. Se o dado original maior do que
o valor estimado, o valor da percentagem de tendncia ser maior que 100,
caso contrrio ser menor.
A expresso para a percentagem de tendncia ento dada por:
Percentagem de tendncia = (Y/).100
Quando convertidos percentagem de tendncia, os dados contm somente os movimentos cclicos e irregulares, uma vez que a diviso pela tendncia elimina aquele fator. O modelo multiplicativo para a anlise fornece a
lgica desse procedimento. Isto , os dados originais so vistos como representando os efeitos combinados de tendncia, ciclo e fatores irregulares.
Em smbolos, T, C e I representam tendncia, ciclo e fatores irregulares,
respectivamente. Dividindo a srie temporal original pelos resultados obtidos dos valores da tendncia, produzem:
T.C.I
T
= C.I
As percentagens de tendncia da srie de vendas de computador mostrada no incio desta seo est apresentada na tabela e no grfico a seguir:
Tempo
258
Vendas (R$)
Yest.
%Tend.
2.484
1 995,6
124,5
2.767
2 555,8
108,3
3.088
3 115,9
99,1
Tempo
Vendas (R$)
Yest.
%Tend.
3.611
3 676,1
98,2
4.216
4 236,3
99,5
4.665
4 796,5
97,3
5.275
5 356,6
98,5
5.616
5 916,8
94,9
6.165
6 477,0
95,2
10
6.720
7 037,1
95,5
11
7.400
7 597,3
97,4
12
7.975
8 157,5
97,8
13
8.800
8 717,7
100,9
14
9.520
9 277,8
102,6
15
10.450
9 838,0
106,2
Percentagem de tendncia
130
125
120
115
110
105
100
95
90
1
2 3
5 6
7 8
Tempo
9 10 11 12 13 14 15
259
Ms
260
Vendas (R$)
p/ mdia mveis
p/ mdia mveis
2 meses
4 meses
48
53
46
50,5
51
49,5
47
48,5
49,5
50
49
49,25
49
48,5
48,5
55
49,5
49,25
55
52
50,25
10
51
55
52,25
11
54
53
52,5
12
52
52,5
53,75
13
51
53
53
14
55
51,5
52
Ms
Vendas (R$)
p/ mdia mveis
p/ mdia mveis
2 meses
4 meses
15
47
53
53
16
51
51
51,25
17
53
49
51
18
56
52
51,50
19
52
54,5
51,75
20
50
54
53
21
50
51
52,75
22
48
50
52
23
51
49
50
24
53
49,5
49,75
EMQ
9,55
9,35
Srie 1
Srie 2
Srie 3
50
48
46
44
1
11
13
15
17
19
21
23
Os grficos mostram que os valores preditos tendem a ser menos volteis, ou mais suaves, do que os dados reais. Isso ocorre porque o mtodo
de mdias mveis retira os picos e os vales. Esse mtodo ento conhecido
como mtodo de suavizao ou alisamento. Quanto maior for o valor de k,
maior ser a suavizao, como pode ser observado no grfico anterior.
Este material parte integrante do acervo do IESDE BRASIL S.A.,
mais informaes www.iesde.com.br
261
Podemos verificar a acurcia relativa das duas funes de previso atravs da comparao entre os erros mdios quadrticos. Os valores dos erros
mdios quadrticos para k = 2 e k = 4 so determinados pela expresso do
EMQ e so dados na tabela. O EMQ(k = 2) = 9,55 e EMQ(k = 4) = 9,35. O modelo
com quatro mdias um pouco melhor do que o modelo com duas mdias.
(Y24 + Y23)
2
(53 + 51)
2
= 52
26 =
(Y25 + Y24)
2
No entanto, no sabemos o valor real de Y25. Temos que substituir Y25 por
25 na equao passada, assim:
26 =
Ano
Trimestre
2003
942
2003
II
1355,4
2003
III
1168,8
2003
IV
1248,3
2004
998,5
2004
II
1470
2004
III
1297,1
2004
IV
1311,2
2005
1113,5
2005
II
1565,2
2005
III
1410,9
2005
IV
1484
2006
1152,4
2006
II
1653,5
2006
III
1442,6
2006
IV
1535,8
2007
1267,1
2007
II
1678,7
2007
III
1527
2007
IV
1625,3
263
Vendas de televiso
1 750
1 500
1 250
1 000
750
1
11
13
15
17
19
264
Vendas
(em milhares
de reais)
Ano
Trimestre
Total 1
2003
942
2003
II
1.355,4
2003
III
1.168,8
4.714,5
2003
IV
1.248,3
4.771
2004
998,5
4.885,6
2004
II
1.470
5.013,9
2004
III
1.297,1
5.076,8
2004
IV
1.311,2
5.191,8
2005
1.113,5
5.287
2005
II
1.565,2
5.400,8
2005
III
1.410,9
5.573,6
2005
IV
1.484
5.612,5
Vendas
(em milhares
de reais)
Ano
Trimestre
Total 1
2006
1.152,4
5.700,8
2006
II
1.653,5
5.732,5
2006
III
1.442,6
5.784,3
2006
IV
1.535,8
5.899
2007
1.267,1
5.924,2
2007
II
1.678,7
6.008,6
2007
III
1.527
6.098,1
2007
IV
1.625,3
Ano
Trimestre
Total 1
Total 2
2003
942
2003
II
1.355,4
2003
III
1.168,8
4.714,5
9.485,5
2003
IV
1.248,3
4.771
9.656,6
2004
998,5
4.885,6
9.899,5
2004
II
1.470
5.013,9
10.090,7
2004
III
1.297,1
5.076,8
10.268,6
2004
IV
1.311,2
5.191,8
10.478,8
2005
1.113,5
5.287
10.687,8
2005
II
1.565,2
5.400,8
10.974,4
265
Vendas
(em milhares
de reais)
Ano
Trimestre
Total 1
Total 2
2005
III
1.410,9
5.573,6
11.186,1
2005
IV
1.484
5.612,5
11.313,3
2006
1.152,4
5.700,8
11.433,3
2006
II
1.653,5
5.732,5
11.516,8
2006
III
1.442,6
5.784,3
11.683,3
2006
IV
1.535,8
5.899
11.823,2
2007
1.267,1
5.924,2
11.932,8
2007
II
1.678,7
6.008,6
12.106,7
2007
III
1.527
6.098,1
2007
IV
1.625,3
266
Vendas
(em milhares
de reais)
Ano
Trimestre
Total 1
Total 2
2003
942
2003
II
1.355,4
2003
III
1.168,8
4.714,5
9.485,5
1.185,69
2003
IV
1.248,3
4.771
9.656,6
1.207,08
2004
998,5
4.885,6
9.899,5
1.237,44
2004
II
1.470
5.013,9
10.090,7
1.261,34
2004
III
1.297,1
5.076,8
10268,6
1.283,58
2004
IV
1.311,2
5.191,8
10.478,8
1.309,85
2005
1.113,5
5.287
10.687,8
1.335,98
2005
II
1.565,2
5.400,8
10.974,4
1.371,8
2005
III
1.410,9
5.573,6
11.186,1
1.398,26
Mdia mvel
Vendas
(em milhares
de reais)
Ano
Trimestre
Total 1
Total 2
Mdia mvel
2005
IV
1.484,00
5.612,50
11.313,30
1.414,16
2006
1.152,40
5.700,80
11.433,30
1.429,16
2006
II
1.653,50
5.732,50
11.516,80
1.439,60
2006
III
1.442,60
5.784,30
11.683,30
1.460,41
2006
IV
1.535,80
5.899,00
11.823,20
1.477,90
2007
1.267,10
5.924,20
11.932,80
1.491,60
2007
II
1.678,70
6.008,60
12.106,70
1.513,34
2007
III
1.527,00
6.098,10
2007
IV
1.625,30
11
13
15
17
19
Observe que essa srie de mdias mveis no igual reta que se obteria
se utilizssemos o mtodo de mnimos quadrados, procedimento que resulta
na reta de regresso ou tendncia. A tabela que se segue apresenta os dois resultados para efeito de comparao. Pode-se observar que os valores so bem
prximos.
Ano
Trimestre
Mdia mvel
Regresso
2003
III
1.185,69
1.181,3
2003
IV
1.207,08
1.205,4
2004
1.237,44
1.229,6
267
Ano
Trimestre
Mdia mvel
Regresso
2004
II
1.261,34
1.253,7
2004
III
1.283,58
1.277,9
2004
IV
1.309,85
1.302,0
2005
1.335,98
1.326,1
2005
II
1.371,80
1.350,3
2005
III
1.398,26
1.374,4
2005
IV
1.414,16
1.398,6
2006
1.429,16
1.422,7
2006
II
1.439,60
1.446,9
2006
III
1.460,41
1.471,0
2006
IV
1.477,90
1.495,2
2007
1.491,60
1.519,3
2007
II
1.513,34
1.543,5
til verificar algumas informaes reveladas no grfico dos dados originais e os dados das mdias mveis. Os dados originais foram estabelecidos
trimestralmente e contm todos os componentes dos movimentos de tendncia, ciclo, sazonal e movimentos irregulares.
Embora o perodo nesse exemplo seja um pouco curto para que a
tendncia seja revelada, podemos observar que as vendas de televiso
tendem a crescer durante todo o perodo. Movimentos irregulares esto
presentes. A mdia mvel, que passa suavemente entre os dados, segue
uma tendncia crescente. Se as flutuaes cclicas esto claramente indicadas, podemos ser capazes de observar como as mdias mveis as
descrevem bem.
Retirada da sazonalidade
A percentagem da mdia mvel dada pela razo entre os dados originais
e os das mdias mveis multiplicada por 100, como de costume.
268
Ano
Vendas
Trimestre (em milhares
de reais)
Mdia mvel
Percentagem
m. mveis
2003
942
2003
II
1.355,4
2003
III
1.168,8
1.185,69
98,60
2003
IV
1.248,3
1.207,08
103,40
2004
998,5
1.237,44
80,70
2004
II
1.470
1.261,34
116,50
2004
III
1.297,1
1.283,58
101,10
2004
IV
1.311,2
1.309,85
100,10
2005
1.113,5
1.335,98
83,30
2005
II
1.565,2
1.371,80
114,10
2005
III
1.410,9
1.398,26
100,90
2005
IV
1.484
1.414,16
104,90
2006
1.152,4
1.429,16
80,60
2006
II
1.653,5
1.439,60
114,90
2006
III
1.442,6
1.460,41
98,80
2006
IV
1.535,8
1.477,90
103,90
2007
1.267,1
1.491,60
84,90
2007
II
1.678,7
1.513,34
110,90
2007
III
1.527
2007
IV
1.625,3
269
2 3
9 10 11 12 13 14 15 16
O prximo passo no procedimento remover o efeito dos movimentos irregulares. Isso conseguido atravs do clculo de mdias das percentagens
das mdias mveis para o mesmo trimestre. Isto , calculamos as mdias de
todos os primeiros trimestres e depois de todos os segundos trimestres, e
assim por diante.
270
Ano
Trimestre
Percentagem m. mveis
2003
2003
II
2003
III
98,60
2003
IV
103,40
2004
80,70
2004
II
116,50
2004
III
101,10
2004
IV
100,10
2005
83,30
2005
II
114,10
2005
III
100,90
2005
IV
104,90
2006
80,60
2006
II
114,90
Ano
Trimestre
Percentagem m. mveis
2006
III
98,80
2006
IV
103,90
2007
84,90
2007
II
110,90
2007
III
2007
IV
Trimestre I
Trimestre II
Trimestre III
Trimestre IV
2003
98,60
103,40
2004
80,70
116,50
101,10
100,10
2005
83,10
114,10
100,90
104,90
2006
80,60
114,90
98,80
103,90
2007
84,90
110,90
82,02
114,48
99,84
103,67
Mdia
Quando dividimos o valor dos dados originais de valor de venda pelas percentagens mdias das mdias mveis por trimestre e multiplicamos por 100,
encontramos os valores estimados para trimestre, retirando a sazonalidade.
Ento, para o primeiro valor de vendas R$942 milhes pelo ndice sazonal de
82,02 e multiplicando-se esse resultado por 100, obtemos o valor de R$1.148,53
milhes. O mesmo procedimento realizado para todos os outros trimestres:
Ano
Vendas
Trimestre (em milhares
de reais)
ndice de
sazonalidade
Valores sem
sazonalidade
2003
942
82,02
1.148,50
2003
II
1.355,4
114,48
1.183,96
2003
III
1.168,8
99,84
1.170,67
2003
IV
1.248,3
103,67
1.204,11
2004
998,5
82,02
1.217,39
271
Ano
Vendas
Trimestre (em milhares
de reais)
ndice de
sazonalidade
Valores sem
sazonalidade
2004
II
1.470
114,48
1.284,07
2004
III
1.297,1
99,84
1.299,18
2004
IV
1.311,2
103,67
1.264,78
2005
1.113,5
82,02
1.357,60
2005
II
1.565,2
114,48
1.367,23
2005
III
1.410,9
99,84
1.413,16
2005
IV
1.484
103,67
1.431,47
2006
1.152,4
82,02
1.405,02
2006
II
1.653,5
114,48
1.444,36
2006
III
1.442,6
99,84
1.444,91
2006
IV
1.535,8
103,67
1.481,43
2007
1.267,1
82,02
1.544,87
2007
II
1.678,7
114,48
1.466,37
2007
III
1.527
99,84
1.529,45
2007
IV
1.625,3
103,67
1.567,76
13
17
273
Atividades de aplicao
A tabela a seguir mostra os resultados da produo de um componente eletrnico em uma fbrica. Os dados serviro para a resoluo dos
exerccios de 1 a 4.
Ano
Ano
1994
1 286,40
2001
1 547,50
1995
1 324,40
2002
1 585,50
1996
1 368,70
2003
1 625,20
1997
1 426,90
2004
1 684,30
1998
1 478,60
2005
1 738,10
1999
1 511,10
2006
1 801,10
2000
1 533,40
2007
1 855,40
274
As despesas em novas instalaes e equipamentos das indstrias manufatureiras no perodo de 1987 a 2006, em milhes de reais, so apresentadas na tabela a seguir. Faa as anlises propostas nos exerccios
de 5 a 7 acompanhadas dos respectivos grficos:
Ano
Despesas
Ano
Despesas
1987
11,44
1997
22,45
1988
14,97
1998
26,99
1989
15,96
1999
28,51
1990
11,44
2000
28,37
1991
12,08
2001
31,68
1992
14,48
2002
31,95
Ano
Despesas
Ano
Despesas
1993
13,68
2003
29,99
1994
14,68
2004
31,35
1995
15,69
2005
38,01
1996
18,58
2006
46,10
Ms
Vendas
Janeiro
545,00
Fevereiro
Ano
2006
Ms
Vendas
Janeiro
666,00
528,40
Fevereiro
716,10
Maro
594,40
Maro
765,20
Abril
627,20
Abril
736,90
Maio
684,40
Maio
798,00
Junho
738,40
Junho
761,60
Julho
464,30
Julho
393,60
Agosto
254,00
Agosto
371,00
Setembro
454,20
Setembro
808,80
Outubro
365,40
Outubro
841,70
Novembro
341,10
Novembro
827,40
Dezembro
570,60
Dezembro
666,20
275
Ano
Ms
2005
Vendas
Janeiro
678,10
Fevereiro
Ano
2007
Ms
Vendas
Janeiro
859,80
719,00
Fevereiro
815,50
Maro
815,90
Maro
882,80
Abril
736,60
Abril
786,60
Maio
716,70
Maio
880,10
Junho
761,30
Junho
873,30
Julho
468,00
Julho
677,50
Agosto
457,60
Agosto
415,70
Setembro
712,00
Setembro
666,10
Outubro
758,60
Outubro
887,20
Novembro
736,60
Novembro
827,10
Dezembro
593,20
Dezembro
745
Gabarito
1. Com o quadro a seguir, possvel determinar o sistema de equaes
normais da anlise de regresso:
Y = na + bX
XY = aX + bX2
Y = na
XY = bX2
X
276
XY
X2
Yest
13
1 286,4
16 723,2
169
1 287,08
11
1 324,4
14 568,4
121
1 328,26
X2
Yest
1 368,7
12 318,3
81
1 369,44
1 426,9
9 988,3
49
1 410,62
1 478,6
7 393,0
25
1 451,80
1 511,1
4 533,3
1 492,99
1 533,4
-1 533,4
1 534,17
1 547,5
1 547,5
1 575,35
1 585,5
4 756,5
1 616,53
1 625,2
8 126,0
25
1 657,71
1 684,3
11 790,1
49
1 698,89
1 738,1
15 642,9
81
1 740,07
11
1 801,1
19 812,1
121
1 781,25
13
1 855,4
24 120,2
169
1 822,43
21 766,6
18 737,4
910
Dessa forma:
a=
b=
XY
Y
n
XY
X2
Assim,
a=
21 766, 6
= 1 554,76
14
b=
18 737, 4
= 20,59
910
= a + bX = 1557,76 + 20,59X.
277
1900
1800
Vendas
1700
1600
1500
1400
1300
1200
6
7
Tempo
10 11
12 13
14
1900
1800
Vendas
1700
1600
1500
1400
1300
1200
Tempo
10
15
278
Para X = 15,
Para X = 17,
Yest
(Y/Yest)100
1 286,4
1 287,08
99,95
1 324,4
1 328,26
99,71
1 368,7
1 369,44
99,95
1 426,9
1 410,62
101,15
1 478,6
1 451,80
101,85
1 511,1
1 492,99
101,21
1 533,4
1 534,17
99,95
1 547,5
1 575,35
98,23
1 585,5
1 616,53
98,08
1 625,2
1 657,71
98,04
1 684,3
1 698,89
99,14
1 738,1
1 740,07
99,89
1 801,1
1 781,25
101,11
1 855,4
1 822,43
101,81
279
Percentagem de tendncia
110,00
108,00
% tendncia
106,00
104,00
102,00
100,00
98,00
96,00
94,00
92,00
90,00
0
10
15
Tempo
280
Ano
Despesas
k=2
1987
11,44
1988
14,97
1989
15,96
13,21
1990
11,44
15,47
1991
12,08
13,70
1992
14,48
11,76
1993
13,68
13,28
1994
14,68
14,08
1995
15,69
14,18
1996
18,58
15,19
1997
22,45
17,14
1998
26,99
20,52
1999
28,51
24,72
2000
28,37
27,75
Ano
Despesas
k=2
2001
31,68
28,44
2002
31,95
30,03
2003
29,99
31,82
2004
31,35
30,97
2005
38,01
30,67
2006
46,10
34,68
50
45
Despesas
40
35
30
25
Srie 1
Srie 2
20
15
10
5
0
9
11
Tempo
13
15
17
19
A previso para 2007 feita como a mdia entre os anos 2005 e 2006,
ento:
Y +Y
38, 01+ 46,10
Y2007 = 2005 2006 =
= 42, 06
2
2
A previso para 2008 feita como a mdia entre os anos 2006 e 2007.
Como o valor para 2007 no conhecido, utiliza-se o valor calculado
da estimativa 2007 = 42,06:
Y + Y
46,10 + 42, 06
Y2008 = 2006 2007 =
= 44, 08
2
2
281
282
Ano
Despesas
k=4
1987
11,44
1988
14,97
1989
15,96
1990
11,44
1991
12,08
13,45
1992
14,48
13,61
1993
13,68
13,49
1994
14,68
12,92
1995
15,69
13,73
1996
18,58
14,63
1997
22,45
15,66
1998
26,99
17,85
1999
28,51
20,93
2000
28,37
24,13
2001
31,68
26,58
2002
31,95
28,89
2003
29,99
30,13
2004
31,35
30,50
2005
38,01
31,24
2006
46,10
32,83
50
Despesas
40
30
Despesas
k=4
20
10
0
11
13
Tempo
15
17
19
A previso para 2007 feita como a mdia entre os anos 2003, 2004,
2005 e 2006, ento:
Y +Y +Y +Y
29, 99 + 31,35 + 38, 01+ 46,10
Y2007 = 2003 2004 2005 2006 =
= 36,36
4
4
A previso para 2008 feita como a mdia entre os anos 2004, 2005,
2006 e 2007. Como o valor para 2007 no conhecido, utiliza-se o valor calculado da estimativa 2007 = 36,36.
Y + Y + Y + Y
31,35 + 38, 01+ 46,10 + 36,36
Y2008 = 2004 2005 2006 2007 =
= 37, 96
4
4
Despesas
k=2
k=4
EMQ k = 2 EMQ k = 4
1987
11,44
1988
14,97
1989
15,96
13,21
7,5900
1990
11,44
15,47
16,2006
283
Ano
Despesas
k=2
k=4
EMQ k = 2 EMQ k = 4
1991
12,08
13,70
13,45
2,6244
1,8838
1992
14,48
11,76
13,61
7,3984
0,7526
1993
13,68
13,28
13,49
0,1600
0,0361
1994
14,68
14,08
12,92
0,3600
3,0976
1995
15,69
14,18
13,73
2,2801
3,8416
1996
18,58
15,19
14,63
11,5260
15,5828
1997
22,45
17,14
15,66
28,2492
46,1381
1998
26,99
20,52
17,85
41,9256
83,5396
1999
28,51
24,72
20,93
14,3641
57,4943
2000
28,37
27,75
24,13
0,3844
17,9564
2001
31,68
28,44
26,58
10,4976
26,0100
2002
31,95
30,03
28,89
3,7056
9,3789
2003
29,99
31,82
30,13
3,3306
0,0189
2004
31,35
30,97
30,50
0,1444
0,7268
2005
38,01
30,67
31,24
53,8756
45,7991
2006
46,10
34,68
32,83
130,4164
176,2256
EMQ =
19
30,53
Como o EMQ para mdia mvel com dois valores menor do que para
quatro, o mtodo mais adequado para duas mdias.
284
Ano
2004
2005
2006
Ms
Vendas
Total 1
Total 2
Mdia mvel
Janeiro
545,00
Fevereiro
528,40
Maro
594,40
Abril
627,20
Maio
684,40
Junho
738,40
Julho
464,30
Agosto
254,00
Setembro
454,20
Outubro
365,40
Novembro
341,10
6 167,40
12 467,90
519,50
Dezembro
570,60
6 300,50
12 791,60
532,98
Janeiro
678,10
6 491,10
13 203,70
550,15
Fevereiro
719,00
6 712,60
13 534,60
563,94
Maro
815,90
6 822,00
13 676,30
569,85
Abril
736,60
6 854,30
13 731,50
572,15
Maio
716,70
6 877,20
13 758,10
573,25
Junho
761,30
6 880,90
13 965,40
581,89
Julho
468,00
7 084,50
14 426,80
601,12
Agosto
457,60
7 342,30
15 077,80
628,24
Setembro
712,00
7 735,50
15 866,50
661,10
Outubro
758,60
8 131,00
16 284,60
678,53
Novembro
736,60
8 153,60
16 295,10
678,96
Dezembro
593,20
8 141,50
16 280,10
678,34
Janeiro
666,00
8 138,60
16 226,50
676,10
Fevereiro
716,10
8 087,90
16 176,10
674,00
Maro
765,20
8 088,20
16 257,70
677,40
Abril
736,90
8 169,50
16 339,30
680,80
285
Ano
2007
286
Ms
Vendas
Total 1
Total 2
Mdia mvel
Maio
798,00
8 169,80
16 265,20
677,72
Junho
761,60
8 095,40
16 104,20
671,01
Julho
393,60
8 008,80
16 114,40
671,43
Agosto
371,00
8 105,60
16 294,30
678,93
Setembro
808,80
8 188,70
16 468,20
686,18
Outubro
841,70
8 279,50
16 632,00
693,00
Novembro
827,40
8 352,50
16 898,80
704,12
Dezembro
666,20
8 546,30
17 192,00
716,33
Janeiro
859,80
8 645,70
17 409,00
725,38
Fevereiro
815,50
8 763,30
17 576,30
732,35
Maro
882,80
8 813,00
17 708,10
737,84
Abril
786,60
8 895,10
17 901,90
745,91
Maio
880,10
9 006,80
18 297,50
762,40
Junho
873,30
9 290,70
18 626,10
776,09
Julho
677,50
9 335,40
18 528,10
772,00
Agosto
415,70
9 192,70
18 430,90
767,95
Setembro
666,10
9 238,20
18 476,10
769,84
Outubro
887,20
9 237,90
18 554,60
773,11
Novembro
827,10
9 316,70
Dezembro
745,00
1000,00
900,00
Vendas
800,00
700,00
Srie 1
Srie 2
600,00
500,00
400,00
300,00
10
13
16
19 22
Tempo
25
28
31
34
287
288
Anexos
0,05
0,1
0,15
0,2
0,25
0,3
0,35
0,4
0,45
0,5
0,9025
0,8100
0,7225
0,6400
0,5625
0,4900
0,4245
0,3600
0,3025
0,2500
0,9975
0,9900
0,9775
0,9600
0,9375
0,9100
0,8775
0,8400
0,7975
0,7500
0,8574
0,7290
0,6141
0,5120
0,4219
0,3430
0,2746
0,2160
0,1664
0,1250
0,9928
0,9720
0,9393
0,8960
0,8438
0,7840
0,7183
0,6480
0,5748
0,5000
0,9999
0,9990
0,9966
0,9920
0,9844
0,9730
0,9571
0,9360
0,9089
0,8750
0,8145
0,6561
0,5220
0,4096
0,3164
0,2401
0,1785
0,1296
0,0915
0,0625
0,9860
0,9477
0,8905
0,8192
0,7383
0,6517
0,5630
0,4752
0,3910
0,3125
0,9995
0,9963
0,9880
0,9728
0,9492
0,9163
0,8735
0,8208
0,7585
0,6875
1,0000
0,9999
0,9995
0,9984
0,9961
0,9919
0,9850
0,9744
0,9590
0,9375
0,7738
0,5905
0,4437
0,3277
0,2373
0,1681
0,1160
0,0778
0,0503
0,0313
0,9774
0,9185
0,8352
0,7373
0,6328
0,5282
0,4284
0,3370
0,2562
0,1875
0,9988
0,9914
0,9734
0,9421
0,8965
0,8369
0,7648
0,6826
0,5931
0,5000
1,0000
0,9995
0,9978
0,9933
0,9844
0,9692
0,9460
0,9130
0,8688
0,8125
1,0000
1,0000
0,9999
0,9997
0,9990
0,9976
0,9947
0,9898
0,9815
0,9688
0,7351
0,5314
0,3771
0,2621
0,1780
0,1176
0,0754
0,0467
0,0277
0,0156
0,9672
0,8857
0,7765
0,6554
0,5339
0,4202
0,3191
0,2333
0,1636
0,1094
0,9978
0,9842
0,9527
0,9011
0,8306
0,7443
0,6471
0,5443
0,4415
0,3438
0,9999
0,9987
0,9941
0,9830
0,9624
0,9295
0,8826
0,8208
0,7447
0,6563
1,0000
0,9999
0,9996
0,9984
0,9954
0,9891
0,9777
0,9590
0,9308
0,8906
1,0000
1,0000
1,0000
0,9999
0,9998
0,9993
0,9982
0,9959
0,9917
0,9844
289
Anexos
0,05
0,1
0,15
0,2
0,25
0,3
0,35
0,4
0,45
0,5
0,6983
0,4783
0,3206
0,2097
0,1335
0,0824
0,0490
0,0280
0,0152
0,0078
0,9556
0,8503
0,7166
0,5767
0,4449
0,3294
0,2338
0,1586
0,1024
0,0625
0,9962
0,9743
0,9262
0,8520
0,7564
0,6471
0,5323
0,4199
0,3164
0,2266
0,9998
0,9973
0,9879
0,9667
0,9294
0,8740
0,8002
0,7102
0,6083
0,5000
1,0000
0,9998
0,9988
0,9953
0,9871
0,9712
0,9444
0,9037
0,8471
0,7734
1,0000
1,0000
0,9999
0,9996
0,9987
0,9962
0,9910
0,9812
0,9643
0,9375
1,0000
1,0000
1,0000
1,0000
0,9999
0,9998
0,9994
0,9984
0,9963
0,9922
0,6634
0,4305
0,2725
0,1678
0,1001
0,0576
0,0319
0,0168
0,0084
0,0039
0,9428
0,8131
0,6572
0,5033
0,3671
0,2553
0,1691
0,1064
0,0632
0,0352
0,9942
0,9619
0,8948
0,7969
0,6785
0,5518
0,4278
0,3154
0,2201
0,1445
0,9996
0,9950
0,9786
0,9437
0,8862
0,8059
0,7064
0,5941
0,4770
0,3633
1,0000
0,9996
0,9971
0,9896
0,9727
0,9420
0,8939
0,8263
0,7396
0,6367
1,0000
1,0000
0,9998
0,9988
0,9958
0,9887
0,9747
0,9502
0,9115
0,8555
1,0000
1,0000
1,0000
0,9999
0,9996
0,9987
0,9964
0,9915
0,9819
0,9648
1,0000
1,0000
1,0000
1,0000
1,0000
0,9999
0,9998
0,9993
0,9983
0,9961
0,6302
0,3874
0,2316
0,1342
0,0751
0,0404
0,0207
0,0101
0,0046
0,0020
0,9288
0,7748
0,5995
0,4362
0,3003
0,1960
0,1211
0,0705
0,0385
0,0195
0,9916
0,9470
0,8591
0,7382
0,6007
0,4628
0,3373
0,2318
0,1495
0,0898
0,9994
0,9917
0,9661
0,9144
0,8343
0,7297
0,6089
0,4826
0,3614
0,2539
1,0000
0,9991
0,9944
0,9804
0,9511
0,9012
0,8283
0,7334
0,6214
0,5000
1,0000
0,9999
0,9994
0,9969
0,9900
0,9747
0,9464
0,9006
0,8342
0,7461
1,0000
1,0000
1,0000
0,9997
0,9987
0,9957
0,9888
0,9750
0,9502
0,9102
1,0000
1,0000
1,0000
1,0000
0,9999
0,9996
0,9986
0,9962
0,9909
0,9805
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
0,9999
0,9997
0,9992
0,9980
0,5987
0,3487
0,1969
0,1074
0,0563
0,0282
0,0135
0,0060
0,0025
0,0010
0,9139
0,7361
0,5443
0,3758
0,2440
0,1493
0,0860
0,0464
0,0233
0,0107
0,9885
0,9298
0,8202
0,6778
0,5256
0,3828
0,2616
0,1673
0,0996
0,0547
0,9990
0,9872
0,9500
0,8791
0,7759
0,6496
0,5138
0,3823
0,2660
0,1719
10
290
Anexos
11
12
0,05
0,1
0,15
0,2
0,25
0,3
0,35
0,4
0,45
0,5
0,9999
0,9984
0,9901
0,9672
0,9219
0,8497
0,7515
0,6331
0,5044
0,3770
1,0000
0,9999
0,9986
0,9936
0,9803
0,9527
0,9051
0,8338
0,7384
0,6230
1,0000
1,0000
0,9999
0,9991
0,9965
0,9894
0,9740
0,9452
0,8980
0,8281
1,0000
1,0000
1,0000
0,9999
0,9996
0,9984
0,9952
0,9877
0,9726
0,9453
1,0000
1,0000
1,0000
1,0000
1,0000
0,9999
0,9995
0,9983
0,9955
0,9893
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
0,9999
0,9997
0,9990
0,5688
0,3138
0,1673
0,0859
0,0422
0,0198
0,0088
0,0036
0,0014
0,0005
0,8981
0,6974
0,4922
0,3221
0,1971
0,1130
0,0606
0,0302
0,0139
0,0059
0,9848
0,9104
0,7788
0,6174
0,4552
0,3127
0,2001
0,1189
0,0652
0,0327
0,9984
0,9815
0,9306
0,8389
0,7133
0,5696
0,4256
0,2963
0,1911
0,1133
0,9999
0,9972
0,9841
0,9496
0,8854
0,7897
0,6683
0,5328
0,3971
0,2744
1,0000
0,9997
0,9973
0,9883
0,9657
0,9218
0,8513
0,7535
0,6331
0,5000
1,0000
1,0000
0,9997
0,9980
0,9924
0,9784
0,9499
0,9006
0,8262
0,7256
1,0000
1,0000
1,0000
0,9998
0,9988
0,9957
0,9878
0,9707
0,9390
0,8867
1,0000
1,0000
1,0000
1,0000
0,9999
0,9994
0,9980
0,9941
0,9852
0,9673
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
0,9998
0,9993
0,9978
0,9941
10 1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
0,9998
0,9995
0,5404
0,2824
0,1422
0,0687
0,0317
0,0138
0,0057
0,0022
0,0008
0,0002
0,8816
0,6590
0,4435
0,2749
0,1584
0,0850
0,0424
0,0196
0,0083
0,0032
0,9804
0,8891
0,7358
0,5583
0,3907
0,2528
0,1513
0,0834
0,0421
0,0193
0,9978
0,9744
0,9078
0,7946
0,6488
0,4925
0,3467
0,2253
0,1345
0,0730
0,9998
0,9957
0,9761
0,9274
0,8424
0,7237
0,5833
0,4382
0,3044
0,1938
1,0000
0,9995
0,9954
0,9806
0,9456
0,8822
0,7873
0,6652
0,5269
0,3872
1,0000
0,9999
0,9993
0,9961
0,9857
0,9614
0,9154
0,8418
0,7393
0,6128
1,0000
1,0000
0,9999
0,9994
0,9972
0,9905
0,9745
0,9427
0,8883
0,8062
1,0000
1,0000
1,0000
0,9999
0,9996
0,9983
0,9944
0,9847
0,9644
0,9270
1,0000
1,0000
1,0000
1,0000
1,0000
0,9998
0,9992
0,9972
0,9921
0,9807
10 1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
0,9999
0,9997
0,9989
0,9968
291
Anexos
13
14
292
0,05
0,1
0,15
0,2
0,25
0,3
0,35
0,4
0,45
0,5
11 1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
0,9999
0,9998
0,5133
0,2542
0,1209
0,0550
0,0238
0,0097
0,0037
0,0013
0,0004
0,0001
0,8646
0,6213
0,3983
0,2336
0,1267
0,0637
0,0296
0,0126
0,0049
0,0017
0,9755
0,8661
0,6920
0,5017
0,3326
0,2025
0,1132
0,0579
0,0269
0,0112
0,9969
0,9658
0,8820
0,7473
0,5843
0,4206
0,2783
0,1686
0,0929
0,0461
0,9997
0,9935
0,9658
0,9009
0,7940
0,6543
0,5005
0,3530
0,2279
0,1334
1,0000
0,9991
0,9925
0,9700
0,9198
0,8346
0,7159
0,5744
0,4268
0,2905
1,0000
0,9999
0,9987
0,9930
0,9757
0,9376
0,8705
0,7712
0,6437
0,5000
1,0000
1,0000
0,9998
0,9988
0,9944
0,9818
0,9538
0,9023
0,8212
0,7095
1,0000
1,0000
1,0000
0,9998
0,9990
0,9960
0,9874
0,9679
0,9302
0,8666
1,0000
1,0000
1,0000
1,0000
0,9999
0,9993
0,9975
0,9922
0,9797
0,9539
10 1,0000
1,0000
1,0000
1,0000
1,0000
0,9999
0,9997
0,9987
0,9959
0,9888
11 1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
0,9999
0,9995
0,9983
12 1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
0,9999
0,4877
0,2288
0,1028
0,0440
0,0178
0,0068
0,0024
0,0008
0,0002
0,0001
0,8470
0,5846
0,3567
0,1979
0,1010
0,0475
0,0205
0,0081
0,0029
0,0009
0,9699
0,8416
0,6479
0,4481
0,2811
0,1608
0,0839
0,0398
0,0170
0,0065
0,9958
0,9559
0,8535
0,6982
0,5213
0,3552
0,2205
0,1243
0,0632
0,0287
0,9996
0,9908
0,9533
0,8702
0,7415
0,5842
0,4227
0,2793
0,1672
0,0898
1,0000
0,9985
0,9885
0,9561
0,8883
0,7805
0,6405
0,4859
0,3373
0,2120
1,0000
0,9998
0,9978
0,9884
0,9617
0,9067
0,8164
0,6925
0,5461
0,3953
1,0000
1,0000
0,9997
0,9976
0,9897
0,9685
0,9247
0,8499
0,7414
0,6047
1,0000
1,0000
1,0000
0,9996
0,9978
0,9917
0,9757
0,9417
0,8811
0,7880
1,0000
1,0000
1,0000
1,0000
0,9997
0,9983
0,9940
0,9825
0,9574
0,9102
10 1,0000
1,0000
1,0000
1,0000
1,0000
0,9998
0,9989
0,9961
0,9886
0,9713
11 1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
0,9999
0,9994
0,9978
0,9935
12 1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
0,9999
0,9997
0,9991
13 1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
0,9999
Anexos
0,05
0,1
0,15
0,2
0,25
0,3
0,35
0,4
0,45
0,5
15
0,4633
0,2059
0,0874
0,0352
0,0134
0,0047
0,0016
0,0005
0,0001
0,0000
0,8290
0,5490
0,3186
0,1671
0,0802
0,0353
0,0142
0,0052
0,0017
0,0005
0,9638
0,8159
0,6042
0,3980
0,2361
0,1268
0,0617
0,0271
0,0107
0,0037
0,9945
0,9444
0,8227
0,6482
0,4613
0,2969
0,1727
0,0905
0,0424
0,0176
0,9994
0,9873
0,9383
0,8358
0,6865
0,5155
0,3519
0,2173
0,1204
0,0592
0,9999
0,9978
0,9832
0,9389
0,8516
0,7216
0,5643
0,4032
0,2608
0,1509
1,0000
0,9997
0,9964
0,9819
0,9434
0,8689
0,7548
0,6098
0,4522
0,3036
1,0000
1,0000
0,9994
0,9958
0,9827
0,9500
0,8868
0,7869
0,6535
0,5000
1,0000
1,0000
0,9999
0,9992
0,9958
0,9848
0,9578
0,9050
0,8182
0,6964
1,0000
1,0000
1,0000
0,9999
0,9992
0,9963
0,9876
0,9662
0,9231
0,8491
10 1,0000
1,0000
1,0000
1,0000
0,9999
0,9993
0,9972
0,9907
0,9745
0,9408
11 1,0000
1,0000
1,0000
1,0000
1,0000
0,9999
0,9995
0,9981
0,9937
0,9824
12 1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
0,9999
0,9997
0,9989
0,9963
13 1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
0,9999
0,9995
14 1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
0,4401
0,1853
0,0743
0,0281
0,0100
0,0033
0,0010
0,0003
0,0001
0,0000
0,8108
0,5147
0,2839
0,1407
0,0635
0,0261
0,0098
0,0033
0,0010
0,0003
0,9571
0,7892
0,5614
0,3518
0,1971
0,0994
0,0451
0,0183
0,0066
0,0021
0,9930
0,9316
0,7899
0,5981
0,4050
0,2459
0,1339
0,0651
0,0281
0,0106
0,9991
0,9830
0,9209
0,7982
0,6302
0,4499
0,2892
0,1666
0,0853
0,0384
0,9999
0,9967
0,9765
0,9183
0,8103
0,6598
0,4900
0,3288
0,1976
0,1051
1,0000
0,9995
0,9944
0,9733
0,9204
0,8247
0,6881
0,5272
0,3660
0,2272
1,0000
0,9999
0,9989
0,9930
0,9729
0,9256
0,8406
0,7161
0,5629
0,4018
1,0000
1,0000
0,9998
0,9985
0,9925
0,9743
0,9329
0,8577
0,7441
0,5982
1,0000
1,0000
1,0000
0,9998
0,9984
0,9929
0,9771
0,9417
0,8759
0,7728
10 1,0000
1,0000
1,0000
1,0000
0,9997
0,9984
0,9938
0,9809
0,9514
0,8949
11 1,0000
1,0000
1,0000
1,0000
1,0000
0,9997
0,9987
0,9951
0,9851
0,9616
12 1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
0,9998
0,9991
0,9965
0,9894
16
293
Anexos
17
18
294
0,05
0,1
0,15
0,2
0,25
0,3
0,35
0,4
0,45
0,5
13 1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
0,9999
0,9994
0,9979
14 1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
0,9999
0,9997
15 1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
0,4181
0,1668
0,0631
0,0225
0,0075
0,0023
0,0007
0,0002
0,0000
0,0000
0,7922
0,4818
0,2525
0,1182
0,0501
0,0193
0,0067
0,0021
0,0006
0,0001
0,9497
0,7618
0,5198
0,3096
0,1637
0,0774
0,0327
0,0123
0,0041
0,0012
0,9912
0,9174
0,7556
0,5489
0,3530
0,2019
0,1028
0,0464
0,0184
0,0064
0,9988
0,9779
0,9013
0,7582
0,5739
0,3887
0,2348
0,1260
0,0596
0,0245
0,9999
0,9953
0,9681
0,8943
0,7653
0,5968
0,4197
0,2639
0,1471
0,0717
1,0000
0,9992
0,9917
0,9623
0,8929
0,7752
0,6188
0,4478
0,2902
0,1662
1,0000
0,9999
0,9983
0,9891
0,9598
0,8954
0,7872
0,6405
0,4743
0,3145
1,0000
1,0000
0,9997
0,9974
0,9876
0,9597
0,9006
0,8011
0,6626
0,5000
1,0000
1,0000
1,0000
0,9995
0,9969
0,9873
0,9617
0,9081
0,8166
0,6855
10 1,0000
1,0000
1,0000
0,9999
0,9994
0,9968
0,9880
0,9652
0,9174
0,8338
11 1,0000
1,0000
1,0000
1,0000
0,9999
0,9993
0,9970
0,9894
0,9699
0,9283
12 1,0000
1,0000
1,0000
1,0000
1,0000
0,9999
0,9994
0,9975
0,9914
0,9755
13 1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
0,9999
0,9995
0,9981
0,9936
14 1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
0,9999
0,9997
0,9988
15 1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
0,9999
16 1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
0,3972
0,1501
0,0536
0,0180
0,0056
0,0016
0,0004
0,0001
0,0000
0,0000
0,7735
0,4503
0,2241
0,0991
0,0395
0,0142
0,0046
0,0013
0,0003
0,0001
0,9419
0,7338
0,4797
0,2713
0,1353
0,0600
0,0236
0,0082
0,0025
0,0007
0,9891
0,9018
0,7202
0,5010
0,3057
0,1646
0,0783
0,0328
0,0120
0,0038
0,9985
0,9718
0,8794
0,7164
0,5187
0,3327
0,1886
0,0942
0,0411
0,0154
0,9998
0,9936
0,9581
0,8671
0,7175
0,5344
0,3550
0,2088
0,1077
0,0481
1,0000
0,9988
0,9882
0,9487
0,8610
0,7217
0,5491
0,3743
0,2258
0,1189
1,0000
0,9998
0,9973
0,9837
0,9431
0,8593
0,7283
0,5634
0,3915
0,2403
1,0000
1,0000
0,9995
0,9957
0,9807
0,9404
0,8609
0,7368
0,5778
0,4073
Anexos
19
0,05
0,1
0,15
0,2
0,25
0,3
0,35
0,4
0,45
0,5
1,0000
1,0000
0,9999
0,9991
0,9946
0,9790
0,9403
0,8653
0,7473
0,5927
10 1,0000
1,0000
1,0000
0,9998
0,9988
0,9939
0,9788
0,9424
0,8720
0,7597
11 1,0000
1,0000
1,0000
1,0000
0,9998
0,9986
0,9938
0,9797
0,9463
0,8811
12 1,0000
1,0000
1,0000
1,0000
1,0000
0,9997
0,9986
0,9942
0,9817
0,9519
13 1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
0,9997
0,9987
0,9951
0,9846
14 1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
0,9998
0,9990
0,9962
15 1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
0,9999
0,9993
16 1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
0,9999
17 1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
0,3774
0,1351
0,0456
0,0144
0,0042
0,0011
0,0003
0,0001
0,0000
0,0000
0,7547
0,4203
0,1985
0,0829
0,0310
0,0104
0,0031
0,0008
0,0002
0,0000
0,9335
0,7054
0,4413
0,2369
0,1113
0,0462
0,0170
0,0055
0,0015
0,0004
0,9868
0,8850
0,6841
0,4551
0,2631
0,1332
0,0591
0,0230
0,0077
0,0022
0,9980
0,9648
0,8556
0,6733
0,4654
0,2822
0,1500
0,0696
0,0280
0,0096
0,9998
0,9914
0,9463
0,8369
0,6678
0,4739
0,2968
0,1629
0,0777
0,0318
1,0000
0,9983
0,9837
0,9324
0,8251
0,6655
0,4812
0,3081
0,1727
0,0835
1,0000
0,9997
0,9959
0,9767
0,9225
0,8180
0,6656
0,4878
0,3169
0,1796
1,0000
1,0000
0,9992
0,9933
0,9713
0,9161
0,8145
0,6675
0,4940
0,3238
1,0000
1,0000
0,9999
0,9984
0,9911
0,9674
0,9125
0,8139
0,6710
0,5000
10 1,0000
1,0000
1,0000
0,9997
0,9977
0,9895
0,9653
0,9115
0,8159
0,6762
11 1,0000
1,0000
1,0000
1,0000
0,9995
0,9972
0,9886
0,9648
0,9129
0,8204
12 1,0000
1,0000
1,0000
1,0000
0,9999
0,9994
0,9969
0,9884
0,9658
0,9165
13 1,0000
1,0000
1,0000
1,0000
1,0000
0,9999
0,9993
0,9969
0,9891
0,9682
14 1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
0,9999
0,9994
0,9972
0,9904
15 1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
0,9999
0,9995
0,9978
16 1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
0,9999
0,9996
17 1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
18 1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
295
Anexos
0,05
0,1
0,15
0,2
0,25
0,3
0,35
0,4
0,45
0,5
20
0,3585
0,1216
0,0388
0,0115
0,0032
0,0008
0,0002
0,0000
0,0000
0,0000
0,7358
0,3917
0,1756
0,0692
0,0243
0,0076
0,0021
0,0005
0,0001
0,0000
0,9245
0,6769
0,4049
0,2061
0,0913
0,0355
0,0121
0,0036
0,0009
0,0002
0,9841
0,8670
0,6477
0,4114
0,2252
0,1071
0,0444
0,0160
0,0049
0,0013
0,9974
0,9568
0,8298
0,6296
0,4148
0,2375
0,1182
0,0510
0,0189
0,0059
0,9997
0,9887
0,9327
0,8042
0,6172
0,4164
0,2454
0,1256
0,0553
0,0207
1,0000
0,9976
0,9781
0,9133
0,7858
0,6080
0,4166
0,2500
0,1299
0,0577
1,0000
0,9996
0,9941
0,9679
0,8982
0,7723
0,6010
0,4159
0,2520
0,1316
1,0000
0,9999
0,9987
0,9900
0,9591
0,8867
0,7624
0,5956
0,4143
0,2517
1,0000
1,0000
0,9998
0,9974
0,9861
0,9520
0,8782
0,7553
0,5914
0,4119
10 1,0000
1,0000
1,0000
0,9994
0,9961
0,9829
0,9468
0,8725
0,7507
0,5881
11 1,0000
1,0000
1,0000
0,9999
0,9991
0,9949
0,9804
0,9435
0,8692
0,7483
12 1,0000
1,0000
1,0000
1,0000
0,9998
0,9987
0,9940
0,9790
0,9420
0,8684
13 1,0000
1,0000
1,0000
1,0000
1,0000
0,9997
0,9985
0,9935
0,9786
0,9423
14 1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
0,9997
0,9984
0,9936
0,9793
15 1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
0,9997
0,9985
0,9941
16 1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
0,9997
0,9987
17 1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
0,9998
18 1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
19 1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
0,05
0,10
0,15
0,20
0,25
0,30
0,35
0,40
0,45
0,50
0,9500
0,9000
0,8500
0,8000
0,7500
0,7000
0,6500
0,6000
0,5500
0,5000
0,0500
0,1000
0,1500
0,2000
0,2500
0,3000
0,3500
0,4000
0,4500
0,5000
296
Anexos
0,05
0,10
0,15
0,20
0,25
0,30
0,35
0,40
0,45
0,50
0,9025
0,8100
0,7225
0,6400
0,5625
0,4900
0,4225
0,3600
0,3025
0,2500
0,0950
0,1800
0,2550
0,3200
0,3750
0,4200
0,4550
0,4800
0,4950
0,5000
0,0025
0,0100
0,0225
0,0400
0,0625
0,0900
0,1225
0,1600
0,2025
0,2500
0,8574
0,7290
0,6141
0,5120
0,4219
0,3430
0,2746
0,2160
0,1664
0,1250
0,1354
0,2430
0,3251
0,3840
0,4219
0,4410
0,4436
0,4320
0,4084
0,3750
0,0071
0,0270
0,0574
0,0960
0,1406
0,1890
0,2389
0,2880
0,3341
0,3750
0,0001
0,0010
0,0034
0,0080
0,0156
0,0270
0,0429
0,0640
0,0911
0,1250
0,8145
0,6561
0,5220
0,4096
0,3164
0,2401
0,1785
0,1296
0,0915
0,0625
0,1715
0,2916
0,3685
0,4096
0,4219
0,4116
0,3845
0,3456
0,2995
0,2500
0,0135
0,0486
0,0975
0,1536
0,2109
0,2646
0,3105
0,3456
0,3675
0,3750
0,0005
0,0036
0,0115
0,0256
0,0469
0,0756
0,1115
0,1536
0,2005
0,2500
0,0000
0,0001
0,0005
0,0016
0,0039
0,0081
0,0150
0,0256
0,0410
0,0625
0,7738
0,5905
0,4437
0,3277
0,2373
0,1681
0,1160
0,0778
0,0503
0,0313
0,2036
0,3281
0,3915
0,4096
0,3955
0,3602
0,3124
0,2592
0,2059
0,1563
0,0214
0,0729
0,1382
0,2048
0,2637
0,3087
0,3364
0,3456
0,3369
0,3125
0,0011
0,0081
0,0244
0,0512
0,0879
0,1323
0,1811
0,2304
0,2757
0,3125
0,0000
0,0005
0,0022
0,0064
0,0146
0,0284
0,0488
0,0768
0,1128
0,1563
0,0000
0,0000
0,0001
0,0003
0,0010
0,0024
0,0053
0,0102
0,0185
0,0313
0,7351
0,5314
0,3771
0,2621
0,1780
0,1176
0,0754
0,0467
0,0277
0,0156
0,2321
0,3543
0,3993
0,3932
0,3560
0,3025
0,2437
0,1866
0,1359
0,0938
0,0305
0,0984
0,1762
0,2458
0,2966
0,3241
0,3280
0,3110
0,2780
0,2344
0,0021
0,0146
0,0415
0,0819
0,1318
0,1852
0,2355
0,2765
0,3032
0,3125
0,0001
0,0012
0,0055
0,0154
0,0330
0,0595
0,0951
0,1382
0,1861
0,2344
0,0000
0,0001
0,0004
0,0015
0,0044
0,0102
0,0205
0,0369
0,0609
0,0938
0,0000
0,0000
0,0000
0,0001
0,0002
0,0007
0,0018
0,0041
0,0083
0,0156
0,6983
0,4783
0,3206
0,2097
0,1335
0,0824
0,0490
0,0280
0,0152
0,0078
0,2573
0,3720
0,3960
0,3670
0,3115
0,2471
0,1848
0,1306
0,0872
0,0547
297
Anexos
10
298
0,05
0,10
0,15
0,20
0,25
0,30
0,35
0,40
0,45
0,50
0,0406
0,1240
0,2097
0,2753
0,3115
0,3177
0,2985
0,2613
0,2140
0,1641
0,0036
0,0230
0,0617
0,1147
0,1730
0,2269
0,2679
0,2903
0,2918
0,2734
0,0002
0,0026
0,0109
0,0287
0,0577
0,0972
0,1442
0,1935
0,2388
0,2734
0,0000
0,0002
0,0012
0,0043
0,0115
0,0250
0,0466
0,0774
0,1172
0,1641
0,0000
0,0000
0,0001
0,0004
0,0013
0,0036
0,0084
0,0172
0,0320
0,0547
0,0000
0,0000
0,0000
0,0000
0,0001
0,0002
0,0006
0,0016
0,0037
0,0078
0,6634
0,4305
0,2725
0,1678
0,1001
0,0576
0,0319
0,0168
0,0084
0,0039
0,2793
0,3826
0,3847
0,3355
0,2670
0,1977
0,1373
0,0896
0,0548
0,0313
0,0515
0,1488
0,2376
0,2936
0,3115
0,2965
0,2587
0,2090
0,1569
0,1094
0,0054
0,0331
0,0839
0,1468
0,2076
0,2541
0,2786
0,2787
0,2568
0,2188
0,0004
0,0046
0,0185
0,0459
0,0865
0,1361
0,1875
0,2322
0,2627
0,2734
0,0000
0,0004
0,0026
0,0092
0,0231
0,0467
0,0808
0,1239
0,1719
0,2188
0,0000
0,0000
0,0002
0,0011
0,0038
0,0100
0,0217
0,0413
0,0703
0,1094
0,0000
0,0000
0,0000
0,0001
0,0004
0,0012
0,0033
0,0079
0,0164
0,0313
0,0000
0,0000
0,0000
0,0000
0,0000
0,0001
0,0002
0,0007
0,0017
0,0039
0,6302
0,3874
0,2316
0,1342
0,0751
0,0404
0,0207
0,0101
0,0046
0,0020
0,2985
0,3874
0,3679
0,3020
0,2253
0,1556
0,1004
0,0605
0,0339
0,0176
0,0629
0,1722
0,2597
0,3020
0,3003
0,2668
0,2162
0,1612
0,1110
0,0703
0,0077
0,0446
0,1069
0,1762
0,2336
0,2668
0,2716
0,2508
0,2119
0,1641
0,0006
0,0074
0,0283
0,0661
0,1168
0,1715
0,2194
0,2508
0,2600
0,2461
0,0000
0,0008
0,0050
0,0165
0,0389
0,0735
0,1181
0,1672
0,2128
0,2461
0,0000
0,0001
0,0006
0,0028
0,0087
0,0210
0,0424
0,0743
0,1160
0,1641
0,0000
0,0000
0,0000
0,0003
0,0012
0,0039
0,0098
0,0212
0,0407
0,0703
0,0000
0,0000
0,0000
0,0000
0,0001
0,0004
0,0013
0,0035
0,0083
0,0176
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0001
0,0003
0,0008
0,0020
0,5987
0,3487
0,1969
0,1074
0,0563
0,0282
0,0135
0,0060
0,0025
0,0010
0,3151
0,3874
0,3474
0,2684
0,1877
0,1211
0,0725
0,0403
0,0207
0,0098
0,0746
0,1937
0,2759
0,3020
0,2816
0,2335
0,1757
0,1209
0,0763
0,0439
Anexos
11
12
0,05
0,10
0,15
0,20
0,25
0,30
0,35
0,40
0,45
0,50
0,0105
0,0574
0,1298
0,2013
0,2503
0,2668
0,2522
0,2150
0,1665
0,1172
0,0010
0,0112
0,0401
0,0881
0,1460
0,2001
0,2377
0,2508
0,2384
0,2051
0,0001
0,0015
0,0085
0,0264
0,0584
0,1029
0,1536
0,2007
0,2340
0,2461
0,0000
0,0001
0,0012
0,0055
0,0162
0,0368
0,0689
0,1115
0,1596
0,2051
0,0000
0,0000
0,0001
0,0008
0,0031
0,0090
0,0212
0,0425
0,0746
0,1172
0,0000
0,0000
0,0000
0,0001
0,0004
0,0014
0,0043
0,0106
0,0229
0,0439
0,0000
0,0000
0,0000
0,0000
0,0000
0,0001
0,0005
0,0016
0,0042
0,0098
10 0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0001
0,0003
0,0010
0,5688
0,3138
0,1673
0,0859
0,0422
0,0198
0,0088
0,0036
0,0014
0,0005
0,3293
0,3835
0,3248
0,2362
0,1549
0,0932
0,0518
0,0266
0,0125
0,0054
0,0867
0,2131
0,2866
0,2953
0,2581
0,1998
0,1395
0,0887
0,0513
0,0269
0,0137
0,0710
0,1517
0,2215
0,2581
0,2568
0,2254
0,1774
0,1259
0,0806
0,0014
0,0158
0,0536
0,1107
0,1721
0,2201
0,2428
0,2365
0,2060
0,1611
0,0001
0,0025
0,0132
0,0388
0,0803
0,1321
0,1830
0,2207
0,2360
0,2256
0,0000
0,0003
0,0023
0,0097
0,0268
0,0566
0,0985
0,1471
0,1931
0,2256
0,0000
0,0000
0,0003
0,0017
0,0064
0,0173
0,0379
0,0701
0,1128
0,1611
0,0000
0,0000
0,0000
0,0002
0,0011
0,0037
0,0102
0,0234
0,0462
0,0806
0,0000
0,0000
0,0000
0,0000
0,0001
0,0005
0,0018
0,0052
0,0126
0,0269
10 0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0002
0,0007
0,0021
0,0054
0,5404
0,2824
0,1422
0,0687
0,0317
0,0138
0,0057
0,0022
0,0008
0,0002
0,3413
0,3766
0,3012
0,2062
0,1267
0,0712
0,0368
0,0174
0,0075
0,0029
0,0988
0,2301
0,2924
0,2835
0,2323
0,1678
0,1088
0,0639
0,0339
0,0161
0,0173
0,0852
0,1720
0,2362
0,2581
0,2397
0,1954
0,1419
0,0923
0,0537
0,0021
0,0213
0,0683
0,1329
0,1936
0,2311
0,2367
0,2128
0,1700
0,1208
0,0002
0,0038
0,0193
0,0532
0,1032
0,1585
0,2039
0,2270
0,2225
0,1934
0,0000
0,0005
0,0040
0,0155
0,0401
0,0792
0,1281
0,1766
0,2124
0,2256
0,0000
0,0000
0,0006
0,0033
0,0115
0,0291
0,0591
0,1009
0,1489
0,1934
0,0000
0,0000
0,0001
0,0005
0,0024
0,0078
0,0199
0,0420
0,0762
0,1208
299
Anexos
13
14
300
0,05
0,10
0,15
0,20
0,25
0,30
0,35
0,40
0,45
0,50
0,0000
0,0000
0,0000
0,0001
0,0004
0,0015
0,0048
0,0125
0,0277
0,0537
10 0,0000
0,0000
0,0000
0,0000
0,0000
0,0002
0,0008
0,0025
0,0068
0,0161
11 0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0001
0,0003
0,0010
0,0029
12 0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0001
0,0002
0,5133
0,2542
0,1209
0,0550
0,0238
0,0097
0,0037
0,0013
0,0004
0,0001
0,3512
0,3672
0,2774
0,1787
0,1029
0,0540
0,0259
0,0113
0,0045
0,0016
0,1109
0,2448
0,2937
0,2680
0,2059
0,1388
0,0836
0,0453
0,0220
0,0095
0,0214
0,0997
0,1900
0,2457
0,2517
0,2181
0,1651
0,1107
0,0660
0,0349
0,0028
0,0277
0,0838
0,1535
0,2097
0,2337
0,2222
0,1845
0,1350
0,0873
0,0003
0,0055
0,0266
0,0691
0,1258
0,1803
0,2154
0,2214
0,1989
0,1571
0,0000
0,0008
0,0063
0,0230
0,0559
0,1030
0,1546
0,1968
0,2169
0,2095
0,0000
0,0001
0,0011
0,0058
0,0186
0,0442
0,0833
0,1312
0,1775
0,2095
0,0000
0,0000
0,0001
0,0011
0,0047
0,0142
0,0336
0,0656
0,1089
0,1571
0,0000
0,0000
0,0000
0,0001
0,0009
0,0034
0,0101
0,0243
0,0495
0,0873
10 0,0000
0,0000
0,0000
0,0000
0,0001
0,0006
0,0022
0,0065
0,0162
0,0349
11 0,0000
0,0000
0,0000
0,0000
0,0000
0,0001
0,0003
0,0012
0,0036
0,0095
12 0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0001
0,0005
0,0016
13 0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0001
0,4877
0,2288
0,1028
0,0440
0,0178
0,0068
0,0024
0,0008
0,0002
0,0001
0,3593
0,3559
0,2539
0,1539
0,0832
0,0407
0,0181
0,0073
0,0027
0,0009
0,1229
0,2570
0,2912
0,2501
0,1802
0,1134
0,0634
0,0317
0,0141
0,0056
0,0259
0,1142
0,2056
0,2501
0,2402
0,1943
0,1366
0,0845
0,0462
0,0222
0,0037
0,0349
0,0998
0,1720
0,2202
0,2290
0,2022
0,1549
0,1040
0,0611
0,0004
0,0078
0,0352
0,0860
0,1468
0,1963
0,2178
0,2066
0,1701
0,1222
0,0000
0,0013
0,0093
0,0322
0,0734
0,1262
0,1759
0,2066
0,2088
0,1833
0,0000
0,0002
0,0019
0,0092
0,0280
0,0618
0,1082
0,1574
0,1952
0,2095
0,0000
0,0000
0,0003
0,0020
0,0082
0,0232
0,0510
0,0918
0,1398
0,1833
0,0000
0,0000
0,0000
0,0003
0,0018
0,0066
0,0183
0,0408
0,0762
0,1222
Anexos
15
16
0,05
0,10
0,15
0,20
0,25
0,30
0,35
0,40
0,45
0,50
10 0,0000
0,0000
0,0000
0,0000
0,0003
0,0014
0,0049
0,0136
0,0312
0,0611
11 0,0000
0,0000
0,0000
0,0000
0,0000
0,0002
0,0010
0,0033
0,0093
0,0222
12 0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0001
0,0005
0,0019
0,0056
13 0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0001
0,0002
0,0009
14 0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0001
0,4633
0,2059
0,0874
0,0352
0,0134
0,0047
0,0016
0,0005
0,0001
0,0000
0,3658
0,3432
0,2312
0,1319
0,0668
0,0305
0,0126
0,0047
0,0016
0,0005
0,1348
0,2669
0,2856
0,2309
0,1559
0,0916
0,0476
0,0219
0,0090
0,0032
0,0307
0,1285
0,2184
0,2501
0,2252
0,1700
0,1110
0,0634
0,0318
0,0139
0,0049
0,0428
0,1156
0,1876
0,2252
0,2186
0,1792
0,1268
0,0780
0,0417
0,0006
0,0105
0,0449
0,1032
0,1651
0,2061
0,2123
0,1859
0,1404
0,0916
0,0000
0,0019
0,0132
0,0430
0,0917
0,1472
0,1906
0,2066
0,1914
0,1527
0,0000
0,0003
0,0030
0,0138
0,0393
0,0811
0,1319
0,1771
0,2013
0,1964
0,0000
0,0000
0,0005
0,0035
0,0131
0,0348
0,0710
0,1181
0,1647
0,1964
0,0000
0,0000
0,0001
0,0007
0,0034
0,0116
0,0298
0,0612
0,1048
0,1527
10 0,0000
0,0000
0,0000
0,0001
0,0007
0,0030
0,0096
0,0245
0,0515
0,0916
11 0,0000
0,0000
0,0000
0,0000
0,0001
0,0006
0,0024
0,0074
0,0191
0,0417
12 0,0000
0,0000
0,0000
0,0000
0,0000
0,0001
0,0004
0,0016
0,0052
0,0139
13 0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0001
0,0003
0,0010
0,0032
14 0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0001
0,0005
15 0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,4401
0,1853
0,0743
0,0281
0,0100
0,0033
0,0010
0,0003
0,0001
0,0000
0,3706
0,3294
0,2097
0,1126
0,0535
0,0228
0,0087
0,0030
0,0009
0,0002
0,1463
0,2745
0,2775
0,2111
0,1336
0,0732
0,0353
0,0150
0,0056
0,0018
0,0359
0,1423
0,2285
0,2463
0,2079
0,1465
0,0888
0,0468
0,0215
0,0085
0,0061
0,0514
0,1311
0,2001
0,2252
0,2040
0,1553
0,1014
0,0572
0,0278
0,0008
0,0137
0,0555
0,1201
0,1802
0,2099
0,2008
0,1623
0,1123
0,0667
0,0001
0,0028
0,0180
0,0550
0,1101
0,1649
0,1982
0,1983
0,1684
0,1222
301
Anexos
17
302
0,05
0,10
0,15
0,20
0,25
0,30
0,35
0,40
0,45
0,50
0,0000
0,0004
0,0045
0,0197
0,0524
0,1010
0,1524
0,1889
0,1969
0,1746
0,0000
0,0001
0,0009
0,0055
0,0197
0,0487
0,0923
0,1417
0,1812
0,1964
0,0000
0,0000
0,0001
0,0012
0,0058
0,0185
0,0442
0,0840
0,1318
0,1746
10 0,0000
0,0000
0,0000
0,0002
0,0014
0,0056
0,0167
0,0392
0,0755
0,1222
11 0,0000
0,0000
0,0000
0,0000
0,0002
0,0013
0,0049
0,0142
0,0337
0,0667
12 0,0000
0,0000
0,0000
0,0000
0,0000
0,0002
0,0011
0,0040
0,0115
0,0278
13 0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0002
0,0008
0,0029
0,0085
14 0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0001
0,0005
0,0018
15 0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0001
0,0002
16 0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,4181
0,1668
0,0631
0,0225
0,0075
0,0023
0,0007
0,0002
0,0000
0,0000
0,3741
0,3150
0,1893
0,0957
0,0426
0,0169
0,0060
0,0019
0,0005
0,0001
0,1575
0,2800
0,2673
0,1914
0,1136
0,0581
0,0260
0,0102
0,0035
0,0010
0,0415
0,1556
0,2359
0,2393
0,1893
0,1245
0,0701
0,0341
0,0144
0,0052
0,0076
0,0605
0,1457
0,2093
0,2209
0,1868
0,1320
0,0796
0,0411
0,0182
0,0010
0,0175
0,0668
0,1361
0,1914
0,2081
0,1849
0,1379
0,0875
0,0472
0,0001
0,0039
0,0236
0,0680
0,1276
0,1784
0,1991
0,1839
0,1432
0,0944
0,0000
0,0007
0,0065
0,0267
0,0668
0,1201
0,1685
0,1927
0,1841
0,1484
0,0000
0,0001
0,0014
0,0084
0,0279
0,0644
0,1134
0,1606
0,1883
0,1855
0,0000
0,0000
0,0003
0,0021
0,0093
0,0276
0,0611
0,1070
0,1540
0,1855
10 0,0000
0,0000
0,0000
0,0004
0,0025
0,0095
0,0263
0,0571
0,1008
0,1484
11 0,0000
0,0000
0,0000
0,0001
0,0005
0,0026
0,0090
0,0242
0,0525
0,0944
12 0,0000
0,0000
0,0000
0,0000
0,0001
0,0006
0,0024
0,0081
0,0215
0,0472
13 0,0000
0,0000
0,0000
0,0000
0,0000
0,0001
0,0005
0,0021
0,0068
0,0182
14 0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0001
0,0004
0,0016
0,0052
15 0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0001
0,0003
0,0010
16 0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0001
17 0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
Anexos
0,05
0,10
0,15
0,20
0,25
0,30
0,35
0,40
0,45
0,50
18
0,3972
0,1501
0,0536
0,0180
0,0056
0,0016
0,0004
0,0001
0,0000
0,0000
0,3763
0,3002
0,1704
0,0811
0,0338
0,0126
0,0042
0,0012
0,0003
0,0001
0,1683
0,2835
0,2556
0,1723
0,0958
0,0458
0,0190
0,0069
0,0022
0,0006
0,0473
0,1680
0,2406
0,2297
0,1704
0,1046
0,0547
0,0246
0,0095
0,0031
0,0093
0,0700
0,1592
0,2153
0,2130
0,1681
0,1104
0,0614
0,0291
0,0117
0,0014
0,0218
0,0787
0,1507
0,1988
0,2017
0,1664
0,1146
0,0666
0,0327
0,0002
0,0052
0,0301
0,0816
0,1436
0,1873
0,1941
0,1655
0,1181
0,0708
0,0000
0,0010
0,0091
0,0350
0,0820
0,1376
0,1792
0,1892
0,1657
0,1214
0,0000
0,0002
0,0022
0,0120
0,0376
0,0811
0,1327
0,1734
0,1864
0,1669
0,0000
0,0000
0,0004
0,0033
0,0139
0,0386
0,0794
0,1284
0,1694
0,1855
10 0,0000
0,0000
0,0001
0,0008
0,0042
0,0149
0,0385
0,0771
0,1248
0,1669
11 0,0000
0,0000
0,0000
0,0001
0,0010
0,0046
0,0151
0,0374
0,0742
0,1214
12 0,0000
0,0000
0,0000
0,0000
0,0002
0,0012
0,0047
0,0145
0,0354
0,0708
13 0,0000
0,0000
0,0000
0,0000
0,0000
0,0002
0,0012
0,0045
0,0134
0,0327
14 0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0002
0,0011
0,0039
0,0117
15 0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0002
0,0009
0,0031
16 0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0001
0,0006
17 0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0001
18 0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,3774
0,1351
0,0456
0,0144
0,0042
0,0011
0,0003
0,0001
0,0000
0,0000
0,3774
0,2852
0,1529
0,0685
0,0268
0,0093
0,0029
0,0008
0,0002
0,0000
0,1787
0,2852
0,2428
0,1540
0,0803
0,0358
0,0138
0,0046
0,0013
0,0003
0,0533
0,1796
0,2428
0,2182
0,1517
0,0869
0,0422
0,0175
0,0062
0,0018
0,0112
0,0798
0,1714
0,2182
0,2023
0,1491
0,0909
0,0467
0,0203
0,0074
0,0018
0,0266
0,0907
0,1636
0,2023
0,1916
0,1468
0,0933
0,0497
0,0222
0,0002
0,0069
0,0374
0,0955
0,1574
0,1916
0,1844
0,1451
0,0949
0,0518
0,0000
0,0014
0,0122
0,0443
0,0974
0,1525
0,1844
0,1797
0,1443
0,0961
0,0000
0,0002
0,0032
0,0166
0,0487
0,0981
0,1489
0,1797
0,1771
0,1442
19
303
Anexos
20
304
0,05
0,10
0,15
0,20
0,25
0,30
0,35
0,40
0,45
0,50
0,0000
0,0000
0,0007
0,0051
0,0198
0,0514
0,0980
0,1464
0,1771
0,1762
10 0,0000
0,0000
0,0001
0,0013
0,0066
0,0220
0,0528
0,0976
0,1449
0,1762
11 0,0000
0,0000
0,0000
0,0003
0,0018
0,0077
0,0233
0,0532
0,0970
0,1442
12 0,0000
0,0000
0,0000
0,0000
0,0004
0,0022
0,0083
0,0237
0,0529
0,0961
13 0,0000
0,0000
0,0000
0,0000
0,0001
0,0005
0,0024
0,0085
0,0233
0,0518
14 0,0000
0,0000
0,0000
0,0000
0,0000
0,0001
0,0006
0,0024
0,0082
0,0222
15 0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0001
0,0005
0,0022
0,0074
16 0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0001
0,0005
0,0018
17 0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0001
0,0003
18 0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
19 0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,3585
0,1216
0,0388
0,0115
0,0032
0,0008
0,0002
0,0000
0,0000
0,0000
0,3774
0,2702
0,1368
0,0576
0,0211
0,0068
0,0020
0,0005
0,0001
0,0000
0,1887
0,2852
0,2293
0,1369
0,0669
0,0278
0,0100
0,0031
0,0008
0,0002
0,0596
0,1901
0,2428
0,2054
0,1339
0,0716
0,0323
0,0123
0,0040
0,0011
0,0133
0,0898
0,1821
0,2182
0,1897
0,1304
0,0738
0,0350
0,0139
0,0046
0,0022
0,0319
0,1028
0,1746
0,2023
0,1789
0,1272
0,0746
0,0365
0,0148
0,0003
0,0089
0,0454
0,1091
0,1686
0,1916
0,1712
0,1244
0,0746
0,0370
0,0000
0,0020
0,0160
0,0545
0,1124
0,1643
0,1844
0,1659
0,1221
0,0739
0,0000
0,0004
0,0046
0,0222
0,0609
0,1144
0,1614
0,1797
0,1623
0,1201
0,0000
0,0001
0,0011
0,0074
0,0271
0,0654
0,1158
0,1597
0,1771
0,1602
10 0,0000
0,0000
0,0002
0,0020
0,0099
0,0308
0,0686
0,1171
0,1593
0,1762
11 0,0000
0,0000
0,0000
0,0005
0,0030
0,0120
0,0336
0,0710
0,1185
0,1602
12 0,0000
0,0000
0,0000
0,0001
0,0008
0,0039
0,0136
0,0355
0,0727
0,1201
13 0,0000
0,0000
0,0000
0,0000
0,0002
0,0010
0,0045
0,0146
0,0366
0,0739
14 0,0000
0,0000
0,0000
0,0000
0,0000
0,0002
0,0012
0,0049
0,0150
0,0370
15 0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0003
0,0013
0,0049
0,0148
16 0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0003
0,0013
0,0046
Anexos
0,05
0,10
0,15
0,20
0,25
0,30
0,35
0,40
0,45
0,50
17 0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0002
0,0011
18 0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0002
19 0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
20 0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,02
0,980
1,000
0,04
0,961
0,999
1,000
0,06
0,942
0,998
1,000
0,08
0,923
0,997
1,000
0,10
0,905
0,995
1,000
0,15
0,861
0,990
0,999
1,000
0,20
0,819
0,982
0,999
1,000
0,25
0,779
0,974
0,998
1,000
0,30
0,741
0,963
0,996
1,000
0,35
0,705
0,951
0,994
1,000
0,40
0,670
0,938
0,992
0,999
1,000
0,45
0,638
0,925
0,989
0,999
1,000
0,50
0,607
0,910
0,986
0,998
1,000
0,55
0,577
0,894
0,982
0,998
1,000
0,60
0,549
0,878
0,977
0,997
1,000
0,65
0,522
0,861
0,972
0,996
0,999
1,000
0,70
0,497
0,844
0,966
0,994
0,999
1,000
0,75
0,472
0,827
0,959
0,993
0,999
1,000
0,80
0,449
0,809
0,953
0,991
0,999
1,000
0,85
0,427
0,791
0,945
0,989
0,998
1,000
305
Anexos
0,90
0,407
0,772
0,937
0,987
0,998
1,000
0,95
0,387
0,754
0,929
0,984
0,997
1,000
1,00
0,368
0,736
0,920
0,981
0,996
0,999
1,000
1,10
0,333
0,699
0,900
0,974
0,995
0,999
1,000
1,20
0,301
0,663
0,879
0,966
0,992
0,998
1,000
1,30
0,273
0,627
0,857
0,957
0,989
0,998
1,000
1,40
0,247
0,592
0,833
0,946
0,986
0,997
0,999
1,000
1,50
0,223
0,558
0,809
0,934
0,981
0,996
0,999
1,000
1,60
0,202
0,525
0,783
0,921
0,976
0,994
0,999
1,000
1,70
0,183
0,493
0,757
0,907
0,970
0,992
0,998
1,000
1,80
0,165
0,463
0,731
0,891
0,964
0,990
0,997
0,999
1,000
1,90
0,150
0,434
0,704
0,875
0,956
0,987
0,997
0,999
1,000
2,00
0,135
0,406
0,677
0,857
0,947
0,983
0,995
0,999
1,000
2,20
0,111
0,355
0,623
0,819
0,928
0,975
0,993
0,998
1,000
2,40
0,091
0,308
0,570
0,779
0,904
0,964
0,988
0,997
0,999
1,000
2,60
0,074
0,267
0,518
0,736
0,877
0,951
0,983
0,995
0,999
1,000
2,80
0,061
0,231
0,469
0,692
0,848
0,935
0,976
0,992
0,998
0,999
3,00
0,050
0,199
0,423
0,647
0,815
0,916
0,966
0,988
0,996
0,999
3,20
0,041
0,171
0,380
0,603
0,781
0,895
0,955
0,983
0,994
0,998
3,40
0,033
0,147
0,340
0,558
0,744
0,871
0,942
0,977
0,992
0,997
3,60
0,027
0,126
0,303
0,515
0,706
0,844
0,927
0,969
0,988
0,996
3,80
0,022
0,107
0,269
0,473
0,668
0,816
0,909
0,960
0,984
0,994
4,00
0,018
0,092
0,238
0,433
0,629
0,785
0,889
0,949
0,979
0,992
4,20
0,015
0,078
0,210
0,395
0,590
0,753
0,867
0,936
0,972
0,989
4,40
0,012
0,066
0,185
0,359
0,551
0,720
0,844
0,921
0,964
0,985
4,60
0,010
0,056
0,163
0,326
0,513
0,686
0,818
0,905
0,955
0,980
4,80
0,008
0,048
0,143
0,294
0,476
0,651
0,791
0,887
0,944
0,975
306
Anexos
5,00
0,007
0,040
0,125
0,265
0,440
0,616
0,762
0,867
0,932
0,968
5,20
0,006
0,034
0,109
0,238
0,406
0,581
0,732
0,845
0,918
0,960
5,40
0,005
0,029
0,095
0,213
0,373
0,546
0,702
0,822
0,903
0,951
5,60
0,004
0,024
0,082
0,191
0,342
0,512
0,670
0,797
0,886
0,941
5,80
0,003
0,021
0,072
0,170
0,313
0,478
0,638
0,771
0,867
0,929
6,00
0,002
0,017
0,062
0,151
0,285
0,446
0,606
0,744
0,847
0,916
6,20
0,002
0,015
0,054
0,134
0,259
0,414
0,574
0,716
0,826
0,902
6,40
0,002
0,012
0,046
0,119
0,235
0,384
0,542
0,687
0,803
0,886
6,60
0,001
0,010
0,040
0,105
0,213
0,355
0,511
0,658
0,780
0,869
6,80
0,001
0,009
0,034
0,093
0,192
0,327
0,480
0,628
0,755
0,850
7,00
0,001
0,007
0,030
0,082
0,173
0,301
0,450
0,599
0,729
0,830
7,20
0,001
0,006
0,025
0,072
0,156
0,276
0,420
0,569
0,703
0,810
7,40
0,001
0,005
0,022
0,063
0,140
0,253
0,392
0,539
0,676
0,788
7,60
0,001
0,004
0,019
0,055
0,125
0,231
0,365
0,510
0,648
0,765
7,80
0,000
0,004
0,016
0,048
0,112
0,210
0,338
0,481
0,620
0,741
8,00
0,000
0,003
0,014
0,042
0,100
0,191
0,313
0,453
0,593
0,717
8,50
0,000
0,002
0,009
0,030
0,074
0,150
0,256
0,386
0,523
0,653
9,00
0,000
0,001
0,006
0,021
0,055
0,116
0,207
0,324
0,456
0,587
9,50
0,000
0,001
0,004
0,015
0,040
0,089
0,165
0,269
0,392
0,522
10,00
0,000
0,000
0,003
0,010
0,029
0,067
0,130
0,220
0,333
0,458
10,50
0,000
0,000
0,002
0,007
0,021
0,050
0,102
0,179
0,279
0,397
11,00
0,000
0,000
0,001
0,005
0,015
0,038
0,079
0,143
0,232
0,341
11,50
0,000
0,000
0,001
0,003
0,011
0,028
0,060
0,114
0,191
0,289
12,00
0,000
0,000
0,001
0,002
0,008
0,020
0,046
0,090
0,155
0,242
12,50
0,000
0,000
0,000
0,002
0,005
0,015
0,035
0,070
0,125
0,201
13,00
0,000
0,000
0,000
0,001
0,004
0,011
0,026
0,054
0,100
0,166
13,50
0,000
0,000
0,000
0,001
0,003
0,008
0,019
0,041
0,079
0,135
307
Anexos
14,00
0,000
0,000
0,000
0,000
0,002
0,006
0,014
0,032
0,062
0,109
14,50
0,000
0,000
0,000
0,000
0,001
0,004
0,010
0,024
0,048
0,088
15,00
0,000
0,000
0,000
0,000
0,001
0,003
0,008
0,018
0,037
0,070
16,00
0,000
0,000
0,000
0,000
0,000
0,001
0,004
0,010
0,022
0,043
17,00
0,000
0,000
0,000
0,000
0,000
0,001
0,002
0,005
0,013
0,026
18,00
0,000
0,000
0,000
0,000
0,000
0,000
0,001
0,003
0,007
0,015
19,00
0,000
0,000
0,000
0,000
0,000
0,000
0,001
0,002
0,004
0,009
20,00
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,001
0,002
0,005
21,00
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,001
0,003
22,00
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,001
0,002
23,00
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,001
24,00
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
25,00
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
10
11
12
13
14
15
16
17
18
19
2,8
1,060
1,049
3,2
1,039
3,4
1,031
1,064
3,6
1,023
1,051
3,8
1,017
1,039
1,061
1,010
1,028
1,047
4,2
1,004
1,019
1,034
4,4
0,997
1,010
1,022
1,034
4,6
0,991
1,001
1,011
1,021
4,8
0,983
0,991
1,000
1,008
0,975
0,982
0,988
0,995
1,002
5,2
0,966
0,971
0,977
0,982
0,988
308
Anexos
10
11
12
13
14
15
16
17
18
5,4
0,956
0,960
0,965
0,969
0,974
5,6
0,945
0,948
0,952
0,956
0,959
0,963
5,8
0,932
0,935
0,938
0,941
0,944
0,947
0,919
0,921
0,924
0,926
0,928
0,931
0,933
6,2
0,904
0,906
0,908
0,910
0,912
0,914
0,916
6,4
0,887
0,889
0,891
0,892
0,894
0,896
0,897
6,6
0,870
0,871
0,873
0,874
0,875
0,877
0,878
0,880
6,8
0,851
0,852
0,854
0,855
0,856
0,857
0,858
0,859
0,831
0,832
0,833
0,834
0,835
0,836
0,837
0,838
7,2
0,810
0,811
0,812
0,813
0,813
0,814
0,815
0,816
7,4
0,788
0,789
0,790
0,790
0,791
0,791
0,792
0,793
0,793
7,6
0,765
0,766
0,766
0,767
0,767
0,768
0,768
0,769
0,769
7,8
0,742
0,742
0,742
0,743
0,743
0,744
0,744
0,744
0,745
0,717
0,717
0,718
0,718
0,718
0,719
0,719
0,719
0,720
0,720
8,5
0,653
0,653
0,654
0,654
0,654
0,654
0,654
0,655
0,655
0,655
0,588
0,588
0,588
0,588
0,588
0,588
0,588
0,588
0,589
0,589
9,5
0,522
0,522
0,522
0,522
0,522
0,522
0,522
0,522
0,522
0,523
10
0,458
0,458
0,458
0,458
0,458
0,458
0,458
0,458
0,458
0,458
10,5
0,397
0,397
0,397
0,397
0,397
0,397
0,397
0,397
0,397
0,397
11
0,341
0,341
0,341
0,341
0,341
0,341
0,341
0,341
0,341
0,341
11,5
0,289
0,289
0,289
0,289
0,289
0,289
0,289
0,289
0,289
0,289
12
0,242
0,242
0,242
0,242
0,242
0,242
0,242
0,242
0,242
0,242
12,5
0,201
0,201
0,201
0,201
0,201
0,201
0,201
0,201
0,201
0,201
13
0,166
0,166
0,166
0,166
0,166
0,166
0,166
0,166
0,166
0,166
13,5
0,135
0,135
0,135
0,135
0,135
0,135
0,135
0,135
0,135
0,135
14
0,109
0,109
0,109
0,109
0,109
0,109
0,109
0,109
0,109
0,109
14,5
0,088
0,088
0,088
0,088
0,088
0,088
0,088
0,088
0,088
0,088
15
0,070
0,070
0,070
0,070
0,070
0,070
0,070
0,070
0,070
0,070
19
309
Anexos
10
11
12
13
14
15
16
17
18
19
16
0,043
0,043
0,043
0,043
0,043
0,043
0,043
0,043
0,043
0,043
17
0,026
0,026
0,026
0,026
0,026
0,026
0,026
0,026
0,026
0,026
18
0,015
0,015
0,015
0,015
0,015
0,015
0,015
0,015
0,015
0,015
19
0,009
0,009
0,009
0,009
0,009
0,009
0,009
0,009
0,009
0,009
20
0,005
0,005
0,005
0,005
0,005
0,005
0,005
0,005
0,005
0,005
21
0,003
0,003
0,003
0,003
0,003
0,003
0,003
0,003
0,003
0,003
22
0,002
0,002
0,002
0,002
0,002
0,002
0,002
0,002
0,002
0,002
23
0,001
0,001
0,001
0,001
0,001
0,001
0,001
0,001
0,001
0,001
24
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
25
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
20
21
22
23
24
25
26
27
28
29
8,5
0,655
0,589
9,5
0,523
0,523
10
0,458
0,458
0,459
10,5
0,397
0,397
0,397
0,398
11
0,341
0,341
0,341
0,341
11,5
0,289
0,289
0,289
0,289
0,289
12
0,242
0,242
0,242
0,242
0,242
0,242
12,5
0,201
0,201
0,201
0,201
0,201
0,201
0,201
13
0,166
0,166
0,166
0,166
0,166
0,166
0,166
13,5
0,135
0,135
0,135
0,135
0,135
0,135
0,135
0,135
14
0,109
0,109
0,109
0,109
0,109
0,109
0,109
0,109
0,109
14,5
0,088
0,088
0,088
0,088
0,088
0,088
0,088
0,088
0,088
0,088
15
0,070
0,070
0,070
0,070
0,070
0,070
0,070
0,070
0,070
0,070
16
0,043
0,043
0,043
0,043
0,043
0,043
0,043
0,043
0,043
0,043
310
Anexos
17
0,026
0,026
0,026
0,026
0,026
0,026
0,026
0,026
0,026
0,026
18
0,015
0,015
0,015
0,015
0,015
0,015
0,015
0,015
0,015
0,015
19
0,009
0,009
0,009
0,009
0,009
0,009
0,009
0,009
0,009
0,009
20
0,005
0,005
0,005
0,005
0,005
0,005
0,005
0,005
0,005
0,005
21
0,003
0,003
0,003
0,003
0,003
0,003
0,003
0,003
0,003
0,003
22
0,002
0,002
0,002
0,002
0,002
0,002
0,002
0,002
0,002
0,002
23
0,001
0,001
0,001
0,001
0,001
0,001
0,001
0,001
0,001
0,001
24
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
25
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
30
31
32
33
34
35
36
37
38
39
15
0,070
16
0,043
0,043
17
0,026
0,026
0,026
18
0,015
0,015
0,015
0,015
0,015
19
0,009
0,009
0,009
0,009
0,009
0,009
20
0,005
0,005
0,005
0,005
0,005
0,005
0,005
0,005
21
0,003
0,003
0,003
0,003
0,003
0,003
0,003
0,003
0,003
22
0,002
0,002
0,002
0,002
0,002
0,002
0,002
0,002
0,002
0,002
23
0,001
0,001
0,001
0,001
0,001
0,001
0,001
0,001
0,001
0,001
24
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
25
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
40
41
42
23
0,001
0,001
24
0,000
0,000
0,000
25
0,000
0,000
0,000
43
0,000
311
Anexos
0,01
0,02
0,03
0,04
0,05
0,06
0,07
0,08
0,09
4,0 0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
3,9 0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
3,8 0,0001
0,0001
0,0001
0,0001
0,0001
0,0001
0,0001
0,0001
0,0001
0,0001
3,7 0,0001
0,0001
0,0001
0,0001
0,0001
0,0001
0,0001
0,0001
0,0001
0,0001
3,6 0,0002
0,0002
0,0001
0,0001
0,0001
0,0001
0,0001
0,0001
0,0001
0,0001
3,5 0,0002
0,0002
0,0002
0,0002
0,0002
0,0002
0,0002
0,0002
0,0002
0,0002
3,4 0,0003
0,0003
0,0003
0,0003
0,0003
0,0003
0,0003
0,0003
0,0003
0,0002
3,3 0,0005
0,0005
0,0005
0,0004
0,0004
0,0004
0,0004
0,0004
0,0004
0,0003
3,2 0,0007
0,0007
0,0006
0,0006
0,0006
0,0006
0,0006
0,0005
0,0005
0,0005
3,1 0,0010
0,0009
0,0009
0,0009
0,0008
0,0008
0,0008
0,0008
0,0007
0,0007
3,0 0,0013
0,0013
0,0013
0,0012
0,0012
0,0011
0,0011
0,0011
0,0010
0,0010
2,9 0,0019
0,0018
0,0018
0,0017
0,0016
0,0016
0,0015
0,0015
0,0014
0,0014
2,8 0,0026
0,0025
0,0024
0,0023
0,0023
0,0022
0,0021
0,0021
0,0020
0,0019
2,7 0,0035
0,0034
0,0033
0,0032
0,0031
0,0030
0,0029
0,0028
0,0027
0,0026
2,6 0,0047
0,0045
0,0044
0,0043
0,0041
0,0040
0,0039
0,0038
0,0037
0,0036
2,5 0,0062
0,0060
0,0059
0,0057
0,0055
0,0054
0,0052
0,0051
0,0049
0,0048
2,4 0,0082
0,0080
0,0078
0,0075
0,0073
0,0071
0,0069
0,0068
0,0066
0,0064
2,3 0,0107
0,0104
0,0102
0,0099
0,0096
0,0094
0,0091
0,0089
0,0087
0,0084
2,2 0,0139
0,0136
0,0132
0,0129
0,0125
0,0122
0,0119
0,0116
0,0113
0,0110
2,1 0,0179
0,0174
0,0170
0,0166
0,0162
0,0158
0,0154
0,0150
0,0146
0,0143
2,0 0,0228
0,0222
0,0217
0,0212
0,0207
0,0202
0,0197
0,0192
0,0188
0,0183
1,9 0,0287
0,0281
0,0274
0,0268
0,0262
0,0256
0,0250
0,0244
0,0239
0,0233
1,8 0,0359
0,0351
0,0344
0,0336
0,0329
0,0322
0,0314
0,0307
0,0301
0,0294
1,7 0,0446
0,0436
0,0427
0,0418
0,0409
0,0401
0,0392
0,0384
0,0375
0,0367
1,6 0,0548
0,0537
0,0526
0,0516
0,0505
0,0495
0,0485
0,0475
0,0465
0,0455
1,5 0,0668
0,0655
0,0643
0,0630
0,0618
0,0606
0,0594
0,0582
0,0571
0,0559
312
Anexos
0,00
0,01
0,02
0,03
0,04
0,05
0,06
0,07
0,08
0,09
1,4 0,0808
0,0793
0,0778
0,0764
0,0749
0,0735
0,0721
0,0708
0,0694
0,0681
1,3 0,0968
0,0951
0,0934
0,0918
0,0901
0,0885
0,0869
0,0853
0,0838
0,0823
1,2 0,1151
0,1131
0,1112
0,1093
0,1075
0,1056
0,1038
0,1020
0,1003
0,0985
1,1 0,1357
0,1335
0,1314
0,1292
0,1271
0,1251
0,1230
0,1210
0,1190
0,1170
1,0 0,1587
0,1562
0,1539
0,1515
0,1492
0,1469
0,1446
0,1423
0,1401
0,1379
0,9 0,1841
0,1814
0,1788
0,1762
0,1736
0,1711
0,1685
0,1660
0,1635
0,1611
0,8 0,2119
0,2090
0,2061
0,2033
0,2005
0,1977
0,1949
0,1922
0,1894
0,1867
0,7 0,2420
0,2389
0,2358
0,2327
0,2296
0,2266
0,2236
0,2206
0,2177
0,2148
0,6 0,2743
0,2709
0,2676
0,2643
0,2611
0,2578
0,2546
0,2514
0,2483
0,2451
0,5 0,3085
0,3050
0,3015
0,2981
0,2946
0,2912
0,2877
0,2843
0,2810
0,2776
0,4 0,3446
0,3409
0,3372
0,3336
0,3300
0,3264
0,3228
0,3192
0,3156
0,3121
0,3 0,3821
0,3783
0,3745
0,3707
0,3669
0,3632
0,3594
0,3557
0,3520
0,3483
0,2 0,4207
0,4168
0,4129
0,4090
0,4052
0,4013
0,3974
0,3936
0,3897
0,3859
0,1 0,4602
0,4562
0,4522
0,4483
0,4443
0,4404
0,4364
0,4325
0,4286
0,4247
0,0
0,5000
0,4960
0,4920
0,4880
0,4840
0,4801
0,4761
0,4721
0,4681
0,4641
0,0
0,5000
0,5040
0,5080 0,5120
0,5160
0,5199
0,5239
0,5279
0,5319
0,5359
0,1
0,5398
0,5438
0,5478 0,5517
0,5557
0,5596
0,5636
0,5675
0,5714
0,5753
0,2
0,5793
0,5832
0,5871 0,5910
0,5948
0,5987
0,6026
0,6064
0,6103
0,6141
0,3
0,6179
0,6217
0,6255 0,6293
0,6331
0,6368
0,6406
0,6443
0,6480
0,6517
0,4
0,6554
0,6591
0,6628 0,6664
0,6700
0,6736
0,6772
0,6808
0,6844
0,6879
0,5
0,6915
0,6950
0,6985 0,7019
0,7054
0,7088
0,7123
0,7157
0,7190
0,7224
0,6
0,7257
0,7291
0,7324 0,7357
0,7389
0,7422
0,7454
0,7486
0,7517
0,7549
0,7
0,7580
0,7611
0,7642 0,7673
0,7704
0,7734
0,7764
0,7794
0,7823
0,7852
0,8
0,7881
0,7910
0,7939 0,7967
0,7995
0,8023
0,8051
0,8078
0,8106
0,8133
0,9
0,8159
0,8186
0,8212
0,8264
0,8289
0,8315
0,8340
0,8365
0,8389
0,8238
313
Anexos
0,00
0,01
0,02
0,03
0,04
0,05
0,06
0,07
0,08
0,09
1,0
0,8413
0,8438
0,8461
0,8485
0,8508
0,8531
0,8554
0,8577
0,8599
0,8621
1,1
0,8643
0,8665
0,8686
0,8708
0,8729
0,8749
0,8770
0,8790
0,8810
0,8830
1,2
0,8849
0,8869
0,8888
0,8907
0,8925
0,8944
0,8962
0,8980
0,8997
0,9015
1,3
0,9032
0,9049
0,9066
0,9082
0,9099
0,9115
0,9131
0,9147
0,9162
0,9177
1,4
0,9192
0,9207
0,9222
0,9236
0,9251
0,9265
0,9279
0,9292
0,9306
0,9319
1,5
0,9332
0,9345
0,9357
0,9370
0,9382
0,9394
0,9406
0,9418
0,9429
0,9441
1,6
0,9452
0,9463
0,9474
0,9484
0,9495
0,9505
0,9515
0,9525
0,9535
0,9545
1,7
0,9554
0,9564
0,9573
0,9582
0,9591
0,9599
0,9608
0,9616
0,9625
0,9633
1,8
0,9641
0,9649
0,9656
0,9664
0,9671
0,9678
0,9686
0,9693
0,9699
0,9706
1,9
0,9713
0,9719
0,9726
0,9732
0,9738
0,9744
0,9750
0,9756
0,9761
0,9767
2,0
0,9772
0,9778
0,9783
0,9788
0,9793
0,9798
0,9803
0,9808
0,9812
0,9817
2,1
0,9821
0,9826
0,9830
0,9834
0,9838
0,9842
0,9846
0,9850
0,9854
0,9857
2,2
0,9861
0,9864
0,9868
0,9871
0,9875
0,9878
0,9881
0,9884
0,9887
0,9890
2,3
0,9893
0,9896
0,9898
0,9901
0,9904
0,9906
0,9909
0,9911
0,9913
0,9916
2,4
0,9918
0,9920
0,9922
0,9925
0,9927
0,9929
0,9931
0,9932
0,9934
0,9936
2,5
0,9938
0,9940
0,9941
0,9943
0,9945
0,9946
0,9948
0,9949
0,9951
0,9952
2,6
0,9953
0,9955
0,9956
0,9957
0,9959
0,9960
0,9961
0,9962
0,9963
0,9964
2,7
0,9965
0,9966
0,9967
0,9968
0,9969
0,9970
0,9971
0,9972
0,9973
0,9974
2,8
0,9974
0,9975
0,9976
0,9977
0,9977
0,9978
0,9979
0,9979
0,9980
0,9981
2,9
0,9981
0,9982
0,9982
0,9983
0,9984
0,9984
0,9985
0,9985
0,9986
0,9986
3,0
0,9987
0,9987
0,9987
0,9988
0,9988
0,9989
0,9989
0,9989
0,9990
0,9990
3,1
0,9990
0,9991
0,9991
0,9991
0,9992
0,9992
0,9992
0,9992
0,9993
0,9993
3,2
0,9993
0,9993
0,9994
0,9994
0,9994
0,9994
0,9994
0,9995
0,9995
0,9995
3,3
0,9995
0,9995
0,9995
0,9996
0,9996
0,9996
0,9996
0,9996
0,9996
0,9997
3,4
0,9997
0,9997
0,9997
0,9997
0,9997
0,9997
0,9997
0,9997
0,9997
0,9998
3,5
0,9998
0,9998
0,9998
0,9998
0,9998
0,9998
0,9998
0,9998
0,9998
0,9998
3,6
0,9998
0,9998
0,9999
0,9999
0,9999
0,9999
0,9999
0,9999
0,9999
0,9999
3,7
0,9999
0,9999
0,9999
0,9999
0,9999
0,9999
0,9999
0,9999
0,9999
0,9999
314
Anexos
0,00
0,01
0,02
0,03
0,04
0,05
0,06
0,07
0,08
0,09
3,8
0,9999
0,9999
0,9999
0,9999
0,9999
0,9999
0,9999
0,9999
0,9999
0,9999
3,9
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
4,0
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
0,05
0,02
0,01
6,314
12,706
31,821
63,656
2,920
4,303
6,965
9,925
2,353
3,182
4,541
5,841
2,132
2,776
3,747
4,604
2,015
2,571
3,365
4,032
1,943
2,447
3,143
3,707
1,895
2,365
2,998
3,499
1,860
2,306
2,896
3,355
1,833
2,262
2,821
3,250
10
1,812
2,228
2,764
3,169
11
1,796
2,201
2,718
3,106
12
1,782
2,179
2,681
3,055
13
1,771
2,160
2,650
3,012
14
1,761
2,145
2,624
2,977
15
1,753
2,131
2,602
2,947
16
1,746
2,120
2,583
2,921
17
1,740
2,110
2,567
2,898
18
1,734
2,101
2,552
2,878
19
1,729
2,093
2,539
2,861
315
Anexos
bicaudal
0,1
0,05
0,02
0,01
20
1,725
2,086
2,528
2,845
21
1,721
2,080
2,518
2,831
22
1,717
2,074
2,508
2,819
23
1,714
2,069
2,500
2,807
24
1,711
2,064
2,492
2,797
25
1,708
2,060
2,485
2,787
26
1,706
2,056
2,479
2,779
27
1,703
2,052
2,473
2,771
28
1,701
2,048
2,467
2,763
29
1,699
2,045
2,462
2,756
30
1,697
2,042
2,457
2,750
40
1,684
2,021
2,423
2,704
60
1,671
2,000
2,390
2,660
120
1,658
1,980
2,358
2,617
1,645
1,960
2,326
2,576
0,050
0,025
0,010
0,005
Distribuio normal
Unicaudal
316
Referncias
319
TO
D
OS
QU
APL
ICA ANTI
TAT
DO
IVO
SA
S
NEG
C
IOS
TO
D
OS
QU
APL
ICA ANTI
TAT
DO
IVO
SA
S
NEG
C
IOS