Escolar Documentos
Profissional Documentos
Cultura Documentos
a
Autorizado Pelo Parecer nº. 1144/002 – CEE/RJ
INTRODUÇÃO À ESTATÍSTICA
Sumário
1 Apresentação.......................................................................................................................4
2 A Estatística.........................................................................................................................5
3 População e Amostra...........................................................................................................5
4 Estatística Descritiva e Indutiva ...........................................................................................6
5 Tipos de Variáveis ...............................................................................................................6
5.1 Exercícios: ....................................................................................................................7
6 Amostragem ........................................................................................................................7
6.1 Exercícios: ....................................................................................................................8
7 Técnicas de descrição gráfica..............................................................................................9
7.1 Tabelas.........................................................................................................................9
7.2 Gráficos ........................................................................................................................9
7.2.1 Diagramas .............................................................................................................9
7.2.2 Cartogramas........................................................................................................11
7.2.3 Pictogramas.........................................................................................................12
7.3 Exercícios...................................................................................................................12
8 Distribuição de frequência..................................................................................................13
8.1 Exemplo Resolvido: ....................................................................................................13
8.2 Exercícios: ..................................................................................................................15
9 Representação gráfica de uma distribuição .......................................................................17
9.1 Exercícios...................................................................................................................17
10 Medidas de posição .......................................................................................................18
10.1 Medidas de tendência central ....................................................................................18
10.1.1 Média Aritmética (x) .............................................................................................18
10.1.2 Moda (Mo) ...........................................................................................................19
10.1.3 Mediana (Md).......................................................................................................19
10.2 Exercícios...................................................................................................................20
10.3 Medidas Separatrizes .................................................................................................21
10.3.1 Quartis.................................................................................................................21
10.3.2 Percentis..............................................................................................................21
11 Medidas de Dispersão....................................................................................................23
11.1 Amplitude Total...........................................................................................................23
11.2 Variância.....................................................................................................................23
2
11.3 Desvio Padrão ............................................................................................................24
11.3.1 Propriedades: ......................................................................................................24
11.3.2 Exemplo resolvido:...............................................................................................25
11.4 Coeficiente de variação (CV) ......................................................................................25
11.5 Exercícios...................................................................................................................26
12 Noções de assimetria.....................................................................................................27
13 A distribuição Normal .....................................................................................................28
13.1 Propriedades: .............................................................................................................28
13.2 Exemplo Resolvido: ....................................................................................................28
14 Noções de Probabilidade ...............................................................................................30
14.1 Exemplos resolvidos:..................................................................................................31
14.2 Eventos complementares............................................................................................31
14.3 Eventos independentes...............................................................................................31
14.4 Eventos mutuamente exclusivos.................................................................................32
14.5 Exercícios Resolvidos:................................................................................................32
14.6 Exercícios: ..................................................................................................................33
15 Correlação e Regressão.................................................................................................34
15.1 Correlação ..................................................................................................................34
15.1.1 Características de r..............................................................................................36
15.1.2 Exemplo resolvido:...............................................................................................36
15.2 Regressão ..................................................................................................................37
15.2.1 Exemplo resolvido:...............................................................................................37
15.3 Exercícios...................................................................................................................38
16 Númerosíndices ............................................................................................................40
16.1 Exemplo:.....................................................................................................................40
16.2 Exercício resolvido:.....................................................................................................41
16.3 Índice Agregativo ........................................................................................................41
16.4 Exercícios: ..................................................................................................................42
17 Introdução aos testes de hipóteses e significância .........................................................43
17.1 Erros do Tipo I e II ......................................................................................................43
17.2 Nível de significância ..................................................................................................43
17.3 Tipos de testes ...........................................................................................................43
18 Literatura recomendada / Referências bibliográficas......................................................44
3
1 Apresentação
Olá!
Esta apostila é uma introdução a um dos mais importantes e vastos campos da matemática
aplicada: a Estatística.
Alguns tópicos básicos de matemática como funções, logaritmos e probabilidade são
essenciais para a compreensão da estatística. Sempre que achar necessário, feche esta
apostila e procure aprofundar a teoria em matemática! Esse é um esforço que compensa, pois
capacidade analítica é sem dúvida um dos diferenciais que as empresas procuram neste início
de século XXI.
Sempre que possível busque também na internet referências atualizadas sobre os assuntos
aqui tratados.
Bom estudo, e boa sorte!
Marco Fisbhen
4
2 A Estatística
Antes de começarmos a estudar Estatística, é importante que saibamos o que estamos
estudando.
A estatística, antes de mais nada, é um ramo da matemática aplicada. Seu objetivo é fornecer
métodos para coleta, organização, resumo, apresentação e análise dos dados, visando
obtenção de conclusões válidas e, finalmente, tomada de decisões.
Assim, a estatística serve de instrumento de apoio a vários outros campos do conhecimento; na
verdade, a todos os ramos do conhecimento em que dados experimentais são manipulados.
Podemos, apenas para citar alguns, falar da importância da estatística na Física, Química,
Medicina, Engenharia, Ciências Socias, e, é claro, na Administração de Empresas.
3 População e Amostra
Ao coletarmos dados sobre um grupo de objetos ou indivíduos, como por exemplo a cor dos
olhos ou o peso de estudantes de ensino médio ou até o número de peças defeituosas
produzidas em um dia, nem sempre poderemos observar todo o grupo, principalmente nos
casos em que tal grupo for muito grande ou até mesmo inacessível.
Desse modo, em vez de examinarmos todo o grupo ou conjunto, chamado de população,
levantaremos os dados apenas de uma parte desta população, chamada amostra.
De maneira mais formal, população (ou universo) é um conjunto de elementos com pelo
menos uma característica comum.
Os estudantes universitários, por exemplo, constituem uma população, pois no mínimo
apresentam uma característia em comum: são aqueles que estudam em universidades. Essa
característica em comum delimita de maneira inequívoca os elementos que pertencem à
população, e os que não pertencem.
No entanto, como já citei, muitas vezes não é conveniente, e muitas vezes é impossível
levantar os dados referentes a todos os elementos da população. Devemos portanto limitar
nossas observações à uma amostra. Formalizando a idéia, amostra é um subconjunto finito de
uma população.
É importante mencionar neste ponto que embora a amostra seja finita, a população pode ser
também finita ou infinita.
Para relembrar: conjunto finito é aquele que contêm um número limitado de elementos e
conjunto infinito é aquele que contêm um número ilimitado de elementos.
5
4 Estatística Descritiva e Indutiva
Os métodos da estatística que buscam somente descrever e analisar certo grupo de dados,
independentemente de serem dados extraídos de uma amostra ou de toda a população, são
chamados de métodos de estatística descritiva.
Por outro lado, se uma amostra é representativa de uma população, e tiramos conclusões a
respeito desta população com os dados extraídos da amostra, temos uma aplicação da
estatística indutiva. Raciocínio indutivo é aquele que parte do conhecimento de uma parte
para tirar conclusões sobre a realidade do todo. Assim, estatística indutiva é a parte da
estatística que tira conclusões sobre a população partindo do conhecimento da amostra.
É claro que o processo de indução não é exato, e a estatística indutiva está sujeita a erros. No
entando, os métodos de indução (ou inferência) estatística são capazes de definir até que
ponto, e com que probabilidade, estamos errando.
5 Tipos de Variáveis
Dentro de um estudo estatístico, precisamos definir quais características dos elementos
(população ou amostra) nos interessa estudar.
Essa característica pode ser, por exemplo, o peso ou a cor dos olhos de um certo número de
pessoas. Assim, “peso” e “cor dos olhos” são denominados variáveis, cujos resultados
dependerão dos elementos considerados. E fácil perceber que se tivermos n elementos (no
caso, n pessoas) em nosso estudo, teremos n valores para a variável peso.
Por convenção, definimos variável como o conjunto de resultados possíveis para um
fenômeno.
Dependendo do objetivo de nosso estudo, a característica (variável) em foco poderá ser:
a. Qualitativa – quando for expressa por tipos ou atributos: sexo (masculino ou feminino),
cor dos olhos (azuis, castanhos, etc.), qualidade de uma peça produzida (perfeita ou
defeituosa).
b. Quantitativa – quando for expressa em números. É importante notar que as variáveis
quantitativas podem ser subdivididas em discretas e contínuas.
Variável contínua é aquela que pode assumir qualquer valor entre dois limites. Por
outro lado, uma variável discreta só pode asumir valores pertencentes a um conjunto
enumerável.
Preste atenção nos exemplos:
b.1 Variáveis quantitativas discretas: número de alunos em uma turma, pontos obtidos
em uma jogada de dados, número de peças produzidas em um dia de trabalho;
b.2 Variáveis quantitativas contínuas: peso dos alunos em uma turma, diâmetros de
peças produzidas em um dia.
Ao observarmos os exemplos, podemos perceber que, de maneira geral, os valores das
variáveis discretas são obtidos por contagens, enquanto que os valores das variáveis
contínuas são obtidos por medições.
6
Por último, as variáveis são designadas por letras latinas. Em geral: x, y ou z.
5.1 Exercícios:
1) Estabeleça quais dos dados seguintes são discretos e quais são contínuos:
a) Número de ações vendidas na bolsa de valores
b) Temperaturas registradas a cada meia hora em um posto de meteorologia
c) Meiavida média das amostras de medicamentos
d) Diâmetros de 1000 parafusos produzidos por uma fábrica
e) Quantidade de pessoas no carnaval de olinda
Respostas: Discretos, Contínuos, Contínuos, Contínuos, Discretos.
2) Classifique as variáveis em qualitativas ou quantitativas (contínuas ou discretas):
a) Cor dos cabelos
b) Número de filhos
c) Comprimento de peças produzidas por certa máquina
Respostas: Qualitativa, Quantitativa discreta, Quantitativa contínua.
6 Amostragem
Você neste ponto já sabe que a estatística indutiva busca tirar conclusões sobre a população
baseado em resultados retirados das amostras. Porém o processo não é tão simples, porque
precisamos garantir que a amostras sejam representativas da população, ou seja, a amostra
deve ter as mesmas características básicas da população em relação à variável em estudo.
Numeramos a população de 1 a n e sorteamos por meio de qualquer dispositivo k números
desta sequência.
Podemos numerar alunos de 1 a 40 e colocar os números dentro de uma caixa e retirar um a
um, 10 números. A amostra aleatória simples terá, neste caso, 25% da população.
Se o número de elementos da mostra for muito grande, o sorteio pode ser inviável. Neste caso
podemos utilizar uma tabela de números aleatórios para realizar a amostragem. Procure na
internet uma tabela de números aleatórios. Se você tiver acesso à planilhas Excel, descubra
como gerar nelas as tabelas de números aleatórios.
Um outro tipo de amostragem probabilística é a amostragem sistemática, em que os
elementos da população já se acham ordenados e a retirada de elementos para composição da
7
amostra é feita periodicamente. Em uma linha de produção, se retirarmos um item a cada 10
produzidos para controle de qualidade, estaremos utilizando a abordagem sistemática.
Poderíamos utilizar o mesmo método para retirar uma amostra de uma população de
determinada rua. Se a rua contêm 500 prédios, e queremos que a amostra contenha 10% da
população (50 prédios), podemos escolher aleatoriamente o 1º prédio e ir “pulando” de 10 em
10 prédios até chegar ao 50º elemento.
Amostras nãoprobabilísticas são também empregadas em trabalhos de estatística por
simplicidade ou inviabilidade de fazermos amostras probabilísticas. Os casos mais importantes
são:
a) A inacessibilidade de toda a população (e neste caso seremos forçados a colher a
amostra somente na parte da população que está acessível);
b) Amostragem a esmo, em que o selecionador procura ser aleatório na amostragem, mas
não utiliza nenhum método confiável de sorteio;
c) Amostragens intencionais, em que o amostrador delibaradamente escolhe alguns
elementos para pertencer à amostra, julgandoos representativos;
d) Amostragens por voluntários, no caso de por exemplo aplicações experimentais de
novos medicamentos.
6.1 Exercícios:
1) Pesquise o peso dos seus colegas de classe (incluindo você), com uma amostra que
corresponda a 30% da população utilizando amostragem casual (ou aleatória) simples.
Não deixe de procurar na internet uma tabela de números aleatórios!
2) O diretor de uma escola, na qual estão matriculados 320 meninas e 280 meninos deseja
passar um questionário socioeconômico para uma amostra correspondente a 10% da
clientela. Qual é o número de elementos componentes da amostra?
Resposta: 64 meninas e 56 meninos.
3) Uma população encontrase dividida em 3 estratos, com tamanhos 40, 100 e 60.
Sabendose que 9 elementos foram retirados do 3º estrato em uma amostragem
estratificada, determine o número total de elementos da amostra.
Resposta: 30 elementos
8
7 Técnicas de descrição gráfica
Lembrando que um dos objetivos das estatística é a apresentação dos dados, é importante que
saibamos trabalhar com tabelas e gráficos.
7.1 Tabelas
Muitas vezes, para organizarmos melhor os dados, fazemos o uso de tabelas. De maneira
simplificada, uma tabela é um quadro resumindo o nosso conjunto de observações.
Toda tabela deve conter, resumidamente, como no exemplo a seguir: Título, Cabeçalho,
Células e Fonte
Título
Altura média dos estudantes do Ensino Médio de
Japaraíbe
Escola Altura (m) Cabeçalho
A 1.65
B 1.71
C 1.63 Células
D 1.67
E 1.7
F 1.69 Fonte
Média Geral 1.675
Fonte: Censo Escolar do Município de Japaraíbe, 2006
Obs: Se a tabela apresenta distribuição dos dados em função da época, do local ou de alguma
espécie (ou categoria), nós a denominamos Série Estatística, podendo ser classificada em
Série Histórica, Série Geográfica ou Série Específica.
7.2 Gráficos
A vantagem da apresentação gráfica é produzir uma rápida impressão visual.
Para sermos realmente úteis, nossas representações gráficas devem ser simples, claras e
devem expressar a verdade sobre o fenômeno estudado.
Os principais tipos de gráficos são os diagramas, os cartogramas e os pictogramas.
7.2.1 Diagramas
Diagramas são gráficos construídos, em geral, no plano cartesiano (x,y). O principal diagrama é
o gráfico em linha ou em curva, que você com certeza já estudou em suas aulas de
matemática.
9
Exemplo:
Utilizando nossa tabela de alturas média em função das escolas, temos:
Outro tipo importante de representação é o gráfico em colunas ou barras, em que utilizamos
retângulos verticais (colunas) ou horizontais (barras) para visualizar as séries.
Exemplos:
Finalmente, devemos conhecer o gráfico circular ou em setores, em que um círculo é dividido
com áreas proporcionais aos dados da série.
10
Cada setor é obtido por meio de regra de três simples, com o total da série valendo 360º
Exemplo:
7.2.2 Cartogramas
São empregados sobre uma carta geográfica, com os dados diretamente relacionados ao
recortes geográficos ou políticos.
Podemos representar dados em pontos (em número ou tamanho proporcional aos valores) ou
cores.
Exemplo:
11
7.2.3 Pictogramas
São, de maneira resumida, uma representação gráfica baseada em figuras.
Exemplo:
7.3 Exercícios
1) Procure exemplos de séries estatísticas em jornais e revistas e copieos, classificando
as séries.
2) Procure em jornais e revistas especializados dois exemplos de cada um dos gráficos
estudados.
3) Usando o gráfico em barras, represente a tabela:
Prod. de Veículos de Autopropulsão
1993
Tipo Quantidade
Automóveis 1.100.278
Comerciais Leves 224.387
Comerciais Pesados 66.771
Fonte: Anfavea
12
8 Distribuição de frequência
Para descrevermos gráficamente os dados coletados, nosso primeiro passo é a determinação
das frequências dos valores existentes da variável.
Definimos frequência simples (ou absoluta) como o número de vezes que um valor foi
observado, e podemos obter, a partir de dados brutos, uma tabela de distribuição de
frequências.
8.1 Exemplo Resolvido:
Imagine que tenhamos feito uma coleta de dados relativos à quantidade de irmãos de 10
alunos, compondo uma amostra de uma turma da escola A, e ordenamos os dados de modo
crescente (a tabela de dados ordenados chamase rol).
Em nosso exemplo, a frequência será o número de alunos relacionados a um determinado
valor da variável, ou seja, um determinado número de irmãos.
Temos acima a construção de uma tabela de distribuição de freqüência pontual, equivalente à
construção de uma tabela simples, em que listamos os diferentes valores observados da
variável, com suas freqüências absolutas, denotadas por fi, onde o índice i corresponde ao
número de linhas da tabela.
Olhando para a tabela, vemos que esta variável foi resumida em 5 linhas. Assim, i = 1,...,5, e
temos 5 valores para as freqüências absolutas. A freqüência absoluta da segunda linha, f2 = 4,
por exemplo, indica que quatro alunos têm um irmão, enquanto apenas um afirmou ter cinco
irmãos, ou seja, f5=1.
A soma de todas as freqüências absolutas deve ser igual ao número total de observações da
variável, neste caso, 15.
Temos, portanto, que:
Frequências relativas (fri) são o resultado da razão entre as frequências simples e a
frequência total:
13
fri = =
Logo, a frequência relativa da quarta linha em nosso exemplo é:
A frequência relativa da quinta linha é: , e assim por diante.
Evidentemente temos que:
F1 = f1,
E assim por diante.
Podemos desenhar uma nova tabela, mais completa, com as frequências relativas e
acumuladas:
Tabela Número de irmãos de alunos do curso de Estatística
Número de Frequência Frequência
Frequência
irmãos Relativa Acumulada
0 1 0.067 1
1 4 0.267 5
2 6 0.400 11
3 3 0.200 14
4 1 0.067 15
Total 15 1 15
Fonte: Autor
Você deve ter percebido que mencionei duas idéias ainda não definidas: classe e limite de
classe.
Se estivermos lidando com variáveis discretas e amostras com poucos elementos (como no
exemplo anterior), temos uma distribuição sem intervalos de classe.
Porém, se trabalhamos com variáveis contínuas, ou até mesmo com variáveis discretas, mas
com muitos elementos, trabalharemos com classes de frequência, que são simplesmente
intervalos de variação.
As classes serão representadas por i = 1, 2, 3, ..., k, onde k é o número total de classes.
14
Agora, precisamos de algumas outras definições:
Os limites de classe são os extremos de cada classe, e teremos um limite inferior (li) e um
limite superior (Li).
Além disso também definimos a amplitude (hi), obtida pela simples subtração dos limites
superior e inferior da classe: hi = Li li
Amplitude total da distribuição (AT) é a diferença entre o Limite superior máximo e o limite
inferior mínimo: AT = Lmax lmin
Por último, ponto médio de uma classe é a média aritmética entre os limites superior e inferior
da classe:
Xi =
i ≈ 1 + 3,3 . log n
Essa regra nos dá a seguinte tabela:
N I
3 – 5 3
6 – 11 4
12 – 22 5
23 – 46 6
47 – 90 7
91 – 181 8
182 – 362 9
… …
Definido o número de classes, precisamos determinar a amplitude do inervalo de classe:
8.2 Exercícios:
1) Complete a distribuição abaixo, determinando as frequências simples:
15
∑ = 34
2) Os resultados do lançamento de um dado 20 vezes foram:
6 5 6 3 4 3 5 2 4 1
4 5 6 1 3 1 2 4 1 5
Forme uma distribuição de frequência sem intervalos de classe.
3) Observe a distribuição de frequência
Xi 3 4 5 6 7 8
Fi 2 5 12 10 8 3
Determine:
a) As frequências relativas
b) As frequências acumuladas
c) As frequências relativas acumuladas
4) Complete os dados que faltam:
16
9 Representação gráfica de uma distribuição
Uma distribuição pode ser representada de diversas maneiras. As principais são o histograma
e o polígono de frequência.
O Histograma é traçado em um plano cartesiano (x,y), formado basicamente por uma série de
retângulos justapostos, em que os pontos médios das bases dos retângulos são na verdade os
pontos médios dos intervalos de classe e as larguras dos retângulos são as larguras dos
intervalos de classe
Polígono de frequência é um gráfico em linha, com as frequências das classes marcadas no
eixo y do plano cartesiano.
9.1 Exercícios
1) Construa o histograma relativo ao exercício 4 do item anterior
17
2)
10 Medidas de posição
Estudando as distribuições de frequência, percebemos que existem alguns elementos típicos
que precisam ser ressaltados.
O primeiro destes elementos é a posição de concentração dos valores.
Imagine a seguinte pergunta: Os dados estão mais concentrados no início, no meio ou no final
da distribuição?
Para que possamos respondêla, precisamos conhecer as mais importantes medidas de
posição, que são as medidas de tendência central: a média, a mediana e a moda.
10.1 Medidas de tendência central
As medidas de tendência central são assim chamadas por indicarem um ponto em torno do
qual se concentram os dados. Este ponto tende a ser o centro da distribuição dos dados, ou o
“centro de gravidade” dos dados.
10.1.1 Média Aritmética (x)
Antes de mais nada, é importante que você saibda que ao lidarmos com um conjunto de dados,
podemos calcular diversos tipo de médias. Em nosso estudo focaremos a média mais
importante, a média aritmética, mas não deixe de estudar posteriormente a média geométrica,
a média harmônica e a média ponderada.
A média aritmética (x) é a soma de todos os valores observados da variável dividida pelo
número total de observações.
A média aritmética é a medida de tendência central mais utilizada para representar a massa de
dados.
Propriedades e observações sobre a média:
1. Depende de todos os dados coletados, sendo portanto afetada por valores extremos;
2. É única em um conjunto de dados e nem sempre tem existência real, ou seja, nem sempre é
igual a um determinado valor observado. É muito importante perceber que a média não
necessariamente é um dado da série de valores observados.
3. Por depender de todos os valores observados, qualquer modificação nos dados fará com
que a média fique alterada.
Isto quer dizer que somandose, subtraindose, multiplicandose ou dividindose uma constante
a cada valor observado, a média ficará acrescida, diminuída, multiplicada ou dividida deste
mesmo valor. Exemplificando: se somarmos o número 2 a todos os valores observados, a
média será acrescida do valor 2. Se multiplicarmos todos os dados por 3, a média será
automaticamente 3 vezes maior.
18
4. A soma dos desvios em relação à média é zero.
Σ (xi − x) = 0
A propriedade 4 é de extrema importância para a definição de variância, uma medida de
dispersão a ser definida posteriormente. Desvio em relação à média é a diferença entre cada
elemento de um conjunto de dados e a média aritmética.
10.1.2 Moda (Mo)
Moda é simplesmente o valor que mais se repete em uma sequência de dados.
Considere a seguinte série: 1, 3, 4, 4, 4, 6, 8, 32
Como o valor que aparece com maior frequência é o “4”, ele é o valor modal, ou simplesmente
a moda.
O uso da moda é mais indicado quando se deseja obter, rapidamente, uma medida de
tendência central. Um outro aspecto que favorece a utilização da moda é que seu valor não é
afetado pelos valores extremos do conjunto de dados analisado.
Uma série numérica pode ser:
Amodal: quando nenhum valor se repete;
Modal: quando um valor se repete;
Bimodal: quando dois valores se repetem;
Trimodal: quando três valores se repetem;
Polimodal: quando mais do que três valores se repetem.
10.1.3 Mediana (Md)
A mediana é o valor que ocupa a posição central da série de observações de uma variável,
dividindo o conjunto em duas partes iguais. Assim, 50% dos valores são maiores ou iguais ao
valor da mediana e 50% dos valores são menores ou iguais ao valor da mediana.
Formalizando, a mediana é o valor tal que separa o conjunto de dados em dois subconjuntos
de mesmo número de elementos.
19
Se a quantidade de dados for ímpar, a mediana é simplesmente o valor central, e se a
quantidade de dados for par a mediana será a média aritmética dos dois valores centrais.
Sendo n o número de elementos da série, o valor mediano será:
O termo , se n for ímpar;
A média aritmética dos termos e + 1, se n for par.
Vamos começar com uma série de 7 dados observados:
1, 5, 8, 9, 12, 17, 20
Como temos um número ímpar de dados, a mediana é o valor central, ou seja, o valor 9.
E se tivéssemos 8 valores observados?
1, 5, 8, 9, 12, 17, 20, 22
Nesse caso a mediana seria a média aritmética dos dois dados centrais. Como os dados
centrais são o 9 e o 12, a mediana seria .
Obs: Empregamos a mediana sempre que há valores extremos que afetam muito a média.
Veja a série de dados sobre o valor dos salários dos colaboradores em um escritório:
R$1.000,00, R$1.000,00, R$1.500,00, R$2.000,00, R$3.000,00
A mediana dos dados é R$1.500,00 (valor central) e a média é R$1.700,00
Imagine agora que um novo colaborador é contratado, com salário de R$10.000
Repare que a nova série é:
R$1.000,00, R$1.000,00, R$1.500,00, R$2.000,00, R$3.000,00, R$10.000,00
e o novo valor da mediana é R$1.750,00 e da média R$3.083,33
Reparou com um valor extremo altera muito a média, mas sem alterar muito a mediana?
Nesses casos a mediana é uma medida de tendência central mais “estável”.
10.2 Exercícios
1) Uma escola deseja verificar o aproveitamento de 6 de seus alunos da 5ª série. Calcule
a média, a mediana e a moda, e classifique a série conforme a moda.
Notas: 7,0 3,5 2,5 6,5 9,0 3,5
Respostas: Média = 5,3, Mediana = 5,0, Moda = 3,5. Série Modal.
2) Classifique as série de acordo com a característica modal, indicando os valores.
2.1) 12, 13, 13, 14, 15, 17, 17, 19
2.2) 56, 58, 60, 60, 60, 62, 65
20
2.3) 47, 45, 90, 90, 47, 90, 47, 45, 41, 45
10.3 Medidas Separatrizes
Existem outras medidas de posição (além das medidas de tendência central), e aqui
estudaremos mais duas delas: os quartis e os percentis.
10.3.1 Quartis
Já aprendemos que a mediana divide os dados coletados em dois grupos com o mesmo
número de elementos.
Os quartis dividem o conjunto de valores em, como o nome já diz, quatro subconjuntos de
mesmo número de elementos
Assim, temos três quartis:
a. O primeiro quartil (Q1) é o valor situado de modo tal que um quarto (25%) dos dados
são menores que ele, e o restante (75%) é maior que ele.
b. O segundo quartil (Q2) é evidentemente igual a mediana. Q2 = Md.
c. O terceiro quartil (Q3) é o valor situado de modo tal que três quartos (75%) dos dados
são menores que ele, e o restante (25%) é maior que ele.
Resumo:
10.3.2 Percentis
Percentis são os noventa e nove valores que dividem uma série de dados em 100 partes (ou
subconjuntos) com o mesmo número de elementos.
Indicamos o 1º percentil como P1, o 2º como P2 e assim por diante.
Resumo:
50% dos dados são menores ou
50o Percentil P50 = Q2 = Md p = 0,50 (n + 1)
iguais ao do 50o Percentil
21
95% dos dados são menores ou
95o Percentil P95 p = 0,95 (n + 1)
iguais ao do 95o Percentil
22
11 Medidas de Dispersão
As medidas de dispersão auxiliam as medidas de tendência central a descrever nosso conjunto
de dados observados adequadamente. Indicam se os dados estão, ou não, próximos uns dos
outros.
Observe os três conjuntos de dados:
X: 10, 10, 10
Y: 5, 10, 15
Z: 0, 10, 20
É fácil perceber que se calcularmos a média dos três conjuntos, encontraremos o mesmo valor:
10. Porém, é igualmente fácil perceber que o conjunto X é mais homogêneo, enquanto o
conjunto Z é o que tem maior diversificação.
Chamamos de dispersão ou variabilidade a maior ou menor diversificação de valores em
torno de um valor de tendência central. É necessário, portanto, ao menos uma medida de
tendência central e uma medida de dispersão para descrever um conjunto de dados.
De todas as medidas de dispersão, estudaremos a amplitude total, a variância, o desvio padrão
e o coeficiente de variação
11.1 Amplitude Total
A amplitude total é simplesmente a diferença entre o maior e o menor valor coletado. A
amplitude total é uma medida de dispersão que não leva em consideração os valores
intermediários, não dando nenhuma informação de como os dados estão distribuídos (ou
concentrados).
AT = xmáx − xmín
A amplitude total tem um claríssimo problema: só leva em consideração os valores extremos de
nosso conjunto de dados, sem contabilizar os valores intermediários.
É válido utilizarmos a amplitude total para comparamos temperaturas ao longo de um dia (ou
ano) ou como controle rápido de qualidade em uma linha de produção.
11.2 Variância
A variância é uma medida baseada nos desvios em torno da média aritmética.
Formalizando a idéia, na verdade a variância é a média aritmética dos quadrados dos desvios
(ou a média aritmética dos desvios ao quadrado). Representamos a variância por s 2 , e temos:
ou
23
Obs: Se nosso interesse for a inferência estatística (tirar conclusões sobre a população
partindo de uma amostra) e não simplesmente a descrição dos dados, convém utilizarmos n1
no lugar de n (no denominador).
Podemos portanto dizer que quanto maior a variância, mais heterogêneos são os dados, ou
seja, maior será a variação entre os valores. Por outro lado, quanto menor a variância, mais
homogêneos são os dados, ou seja, menor será a variação entre os valores.
11.3 Desvio Padrão
Uma vez que a variância é obtida por meio dos quadrados dos desvios, a sua unidade de
medida é o quadrado da unidade de medida dos dados. Assim, por motivos práticos, utilizamos
o desvio padrão, que é simplesmente a raiz quadrada da variância.
Observações:
1. Tanto o desvio padrão quanto a variância são medidas de dispersão, o uso de uma ou
outra medida dependerá da finalidade do estudo
2. A utilização da média aritmética torna o cálculo da variância (e do desvio padrão) pouco
práticos, pois com frequência a média é um número fracinário. É mais frequente
utilizarmos uma simplificação da fórmula:
3. No caso de dados agrupados, teremos que levar em consideração as frequências.
Assim, a equação será:
24
11.3.2 Exemplo resolvido:
Observe como montar a tabela para uma determinada distribuição de frequências e a utilização
da equação para dados agrupados
Estaturas
i (cm) fi xi fixi fixi 2
1 150 154 4 152 608 92416
2 154 158 9 156 1404 219024
3 158 162 11 160 1760 281600
4 162 166 8 164 1312 215168
5 166 170 5 168 840 141120
6 170 174 3 172 516 88752
∑ = ∑ =
∑ = 40 6.440 1.038.080
s = 5,567
11.4 Coeficiente de variação (CV)
O coeficiente de variação resolve dois problemas do desvio padrão:
1) O desvio padrão tem a mesma unidade dos dados coletados. Assim, se quisermos
comparar dados com unidades diferentes, o desvio padrão não é uma boa medida
2) O desvio padrão, como valor absoluto, não nos diz muita coisa, pois um desvio de 5
com média 500 é um desvio pequeno, mas um desvio de 5 com média 10 é um desvio
grande.
Ou seja, o valor absoluto do desvio padrão, no caso, 5, não nos diz nada.
O coeficiente de variação é calculado pela seguinte equação:
Sendo portanto uma grandeza admensional (sem unidades) e ponderada pelo seu valor médio.
25
11.5 Exercícios
1) Complete o esquema abaixo e calcule o desvio padrão para a seguinte sequência de
valores:
8 10 11 15 16 18
I xi xi 2
1 8 64
2 10 …
… … …
… … …
… … …
… … …
n = … ∑ = … ∑ = …
Resp: s = 3,559
2) Comprove as propriedades do desvio padrão somando 3 a cada número da série e
depois multiplicando cada número por 2.
3) Calcule a amplitude total e o desvio padrão da seguinte distribuição:
xi 2 3 4 5 6 7 8
fi 1 3 5 8 5 4 2
4) Para os dados de peso de 2 grupos de alunos, calcule a média e o desvio padrão
65 57 89 65 50 72 81
Resp: Média =68,428kg, Desvio = 13,464kg
80 78 67 56 90 101 66
Resp: Média = 76,857kg, Desvio = 15,366kg
26
12 Noções de assimetria
A natureza básica da assimetria é simples.
Se em uma distribuição em forma de sino (distribuição normal) temos x = Md = Mo, a curva é
considerada simétrica
Se Mo < Md < x, a curva é assimétrica positiva.
Se x < Md < Mo, a curva é assimétrica negativa.
Assim, calculando o valor da diferença (x – Mo), para valores nulos teremos uma curva
simétrica, para valores negativos teremos uma assimetria negativa (ou à esquerda) e para
valores positivos teremos uma assimetria positiva (ou à direita).
Podemos também fazer uso do coeficiente de assimetria de Pearson, que tem a vantagem de
ser admensional:
Se 0,15 < |As| < 1, a assimetria é considerada moderada. Se |As| > 1 a assimetria é
considerada forte.
27
13 A distribuição Normal
De todas as distribuições teóricas de variável aleatória contínua, uma das mais importantes é a
distribuição normal.
13.1 Propriedades:
1) A variável X pode assumir qualquer valor real
2) Graficamente, a distribuição tem a forma de um sino, simétrico em torno da média. A
curva recebe o nome de Curva de Gauss o Curva Normal
3) A área total sob a curva tem valor 1 e é a probabilidade da variável X assumir qualquer
valor real. Dada a simetria da vurva, a probabilidade vale 0,5 para cada lado da média
O cálculo da área (probabilidade) para cada ponto da curva exige matemática avançada,
portanto usaremos um conceito simples para contornar esta restrição, o conceito de
distribuição normal reduzida
A distribuição normal reduzida é uma distribuição normal com média 0 e desvio padrão 1. As
probabilidades associadas (ou áreas sob a curva) são encontradas em uma tabela, de modo
que não precisamos calculálas. A fórmula que usaremos é:
13.2 Exemplo Resolvido:
Imagine um grupo de trabalhadores com média salarial R$400,00 e desvio padrão R$50,00.
Qual a probabilidade de encontrarmos um trabalhador que tenha salário entre R$390,00 e
R$450,00?
Passoapasso:
1) A distribuição original (X) tem média R$400,00 e desvio R$50,00
2) Podemos então encontrar os valores de Z correspondentes a X = R$390,00 e X =
R$450,00
Z1 = (390 – 400)/50 = 0,2
Z2 = (450 – 400)/50 = 1,0
Assim, podemos dizer que a probabilidade do salário (X) ficar entre R$390,00 e R$450,00 é a
mesma de termos Z entre 0,2 e +1,0.
Observando a tabela de distribuição normal de Z (peça ajuda de seu profesor para ler a tabela!
Tabelas de probabilidade para Z (0,1) podem ser facilmente encontradas na internet), temos
28
0,0793 para ±0,2 (não há diferença entre 0,2 e +0,2, uma vez que a curva é simétrica) e
0,3413 para 1,0.
Como a distribuição Z tem média 0, temos 0 0,2 à esquerda do zero e o +1,0 à direita do zero.
P (390 < X < 450) = P (0,2 < Z < 0) + P (0 < Z < 1,0) = 0,0793 + 0,3413 = 0,4206.
Ou seja, temos que em média 42% dos trabalhadores ganham entre R$390,00 e R$450,00.
Obs: Para ler a tabela de distribuição normal Z, procure os dois primeiros algarismos na
primeira coluna e depois o último algarismo na primeira linha. Para achar o 1,00 é fácil. Basta
acharmos o 1,0 na primeira coluna e depois o 0,00 na primeira linha. Ficamos com 0,3413. Se
quisermos achar Z = 1,55, temos que achar o 1,5 na primeira coluna e depois o 0,05 na
primeira linha. Ficamos com 0,4395. Por último, se quisermos achar Z = 3,38, procuraremos o
3,3 na primeira coluna e o 0,08 na primeira linha. Acharemos o valor 0,4996.
29
14 Noções de Probabilidade
Você já deve ter percebido que para compreendermos bem a estatística precisamos de uma
boa noção de probabilidade, certo?
Vamos agora fazer uma curta revisão dos principais conceitos desta importante parte da
matemática.
O primeiro conceito é o de experimento aleatório, que é aquele que, mesmo repetido sob as
mesmas condições, apresenta resultado imprevisível.
Por exemplo, se jogarmos uma moeda não viciada para cima sempre sob as mesmas
condições, não temos como prever se encontraremos como resposta “cara” ou “coroa”. O
mesmo podemos dizer sobre um dado não viciado. Nunca saberemos se encontraremos como
resposta “1”, “2”, “3”, “4”, “5” ou “6”.
Com esses dois exemplos, você já tem automaticamente condições de entender o que o
espaço amostral de um experimento. É simplesmente o conjunto de resultados possíveis,
representado por S.
Para os nossos exemplos, teremos:
Lançamento da moeda: S = {Cara, Coroa}
Lançamento do dado: S = {1, 2, 3, 4, 5, 6}
Antes de começarmos a calcular probabilidades, temos mais um conceito, o evento, que é
qualquer subconjunto do espaço amostral S, e é sempre definido por uma sentença.
Vamos a alguns exemplos de eventos para o experimento de lançar um dado:
“Obter um número par na face superior”
“Obter um número maior que 3 na face superior”
“Obter o número 4 na face superior”
Agora, com estes conceitos revisados, podemos começar a calcular probabilidades.
De maneira simplificada, a probabilidade é calculada pela quantidade de casos favoráveis
dividido pelo número total de casos, ou pelo número total de possibilidades.
De maneira mais formal, chamamos de probabilidade de um evento A o número real P(A), de
modo que:
30
Onde n (A) é o número de elementoa de A (o evento) e n (S) é o número de elementos de S (o
espaço amostral).
14.1 Exemplos resolvidos:
1) Em um lançamento de uma moeda, qual a probabilidade de obter “cara”?
A = {Cara} , n (A) = 1
S = {Cara, Coroa}, n (S) = 2
P(A) = 1 / 2 = 0,5
O resultado nos mostra que em uma moeda não viciada, a probabilidade de obtermos “cara” é
0,5 ou 50%.
2) Em um lançamento de um dado, qual a probabilidade de obter um número par?
A = {2,4,6} , n (A) = 3
S = {1,2,3,4,5,6}, n (S) = 6
P(A) = 3 / 6 = 0,5
Temos então 50% de chance de obtermos um número par.
Pelo que vimos até agora, podemos afirmar que:
a. A probabilidade de um evento certo é igual a 1
b. A probabilidade de um evento impossível é igual a 0
c. A probabilidade de um evento A qualquer é um número real P(A) tal que 0 ≤ P(A) ≤ 1
Para finalizarmos nossa curta revisão de probabilidade, é importante que você lembre de mais
três conceitos: eventos complementares, eventos independentes e eventos mutuamente
exclusivos.
14.2 Eventos complementares
Eventos complementares são aqueles cujas probabilidades somam 1. Sendo p a probabilidade
de um evento e q a probabilidade de outro evento, eles são complementares se p + q = 1.
Logo p = 1 q
Qual a utilidade deste conceito? Simples. Se a probabilidade de obter 2 no lançamento de um
dado é 1/6, a probabilidade de não tirar 2 ( ou seja, tirar qualquer outro número ) é:
1 – 1/6 = 5/6
14.3 Eventos independentes
Dois eventos são independentes se a realização (ou nãorealização) de um dos eventos não
afeta a probabilidade de realização do outro.
31
Se lançarmos por exemplo dois dados, o valor que obtivermos no 1º não afeta em nada o valor
que obteremos no 2º, de modo que a probabilidade de que eles se realizem simultâneamente
é o produto das probabilidades individuais.
p = p1 . p2
14.4 Eventos mutuamente exclusivos
Como o nome já implica, eventos mutuamente exclusivos são aqueles em que a realização do
primeiro exclui a realização do segundo.
Voltando ao caso clássico do lançamento de uma moeda, o evento “cara” automaticamente
exclui o evento “coroa”, uma vez que tiramos cara ou coroa. As duas faces não podem ser
obtidas no mesmo lançamento.
Assim, a probabilidade de que um OU outro evento se realize é a soma das probabilidades.
p = p1 + p2
A probabilidade de tirarmos cara OU coroa é 0,5 + 0,5 = 1
A probabilidade de tirarmos 2 OU 4 no lançamento de um dado é 1/6 + 1/6 = 2/6 = 1/3.
14.5 Exercícios Resolvidos:
1) Qual a probabilidade de obtermos um rei de espadas ao retirarmos uma carta de um
baralho de 52 cartas?
Resposta: p = 1/52
2) Qual a probabilidade de obtermos um rei de qualquer naipe ao retirarmos uma carta de
um baralho de 52 cartas?
Resposta: p = 4/52 = 1/13
3) De dois baralhos de 52 cartas, qual a probabilidade de retirarmos um rei de cada
baralho? Resposta: como os dois eventos são independentes, temos p = p1 . p2
4) De um baralho de 52 cartas retiramse duas cartas sem reposição. Qual a probabilidade
da primeira ser o rei de espadas e a segunda o rei de paus?
Resposta: mais uma vez como os eventos são independentes, temos p = p1 . p2. É
importante notar que como no ato de retirada da segunda carta, restam somente 51
cartas no baralho.
5) Dois dados são lançados conjuntamente. Determine a probabilidade da soma ser 11 ou
maior.
Resposta: A soma deverá ser 11 ou 12.
Para a soma 11 temos as possibilidades (5,6) ou (6,5), de modo que a probabilidade é
2/36.
Para a soma 12 só temos a possibilidade (6,6), de modo que a probabilidade é 1/36
Como queremos que a soma seja 11 ou 12 e os eventos são mutuamente exclusivos,
temos
32
14.6 Exercícios:
1) Um número inteiro entre 3 e 11 será escolhido ao acaso.
a. Qual a probabilidade de que este número seja ímpar?
b. Qual a probabilidade de que este número seja par?
c. Qual a probabilidade de que este número seja par e divisível por 4?
2) Dois dados são lançados simultâneamente. Determine a probabilidade de:
a. A soma ser 10;
b. A soma ser maior que 10;
c. O primeiro resultado ser maior que o segundo.
3) Uma moeda é lançada 3 vezes. Calcule a probabilidade de:
a. Obtermos 3 coroas;
b. Obtermos 2 coroas e 1 cara;
c. Obtermos pelo menos 1 cara;
d. Obtermos no máximo 1 cara.
33
15 Correlação e Regressão
A correlação e a regressão são técnicas bem relacionadas envolvendo estimação de
parâmetros. Até agora, analisamos e descrevemos a distribuição de valores de uma variável de
cada vez.
Agora, ao analisarmos as observações de duas ou mais variáveis conjuntamente, temos um
novo problema: as relações que podem existir entre as variáveis estudadas. Assim,
analisaremos dados amostrais para saber como duas ou mais variáveis estão relacionadas
entre si.
Quando consideramos variáveis como peso e altura, é fácil notar que há um relacionamento
entre as grandezas. Intuitivamente percebemos que, na média, quando maior a altura, maior o
peso.
Uma vez caracterizada a correlação, a regressão é o instrumento que dá uma equação que
descreve o relacionamento em termos matemáticos.
15.1 Correlação
Considere uma amostra aleatória de 10 dos 45 alunos de uma turma de e suas notas em
matemática e estatística:
Repare como existe um forte relacionamento entre as notas. Existe uma tendência forte no
sentido de que quanto maior a nota em matemática, maior também a nota em estatística.
Colocando em um gráfico em que o eixo x é o aluno e o eixo y é a nota, fica fácil perceber esse
relacionamento:
34
Um outro instrumento bem importante é o diagrama de dispersão, em que o eixo x e o eixo y
são representados pelas notas em matemática e estatística, respectivamente:
Os pontos obtidos claramente tem uma correlação linear, ou seja, tem como “imagem” uma
reta.
Como temos neste caso uma reta ascendente, a correlação é chamada correlação linear
positiva. Se os pontos tivessem como “imagem” uma reta descendente, teríamos uma
35
correlação linear negativa. Se os pontos tivessem como “imagem” uma curva (e não uma
reta) teríamos uma correlação não linear.
O grau de intensidade da correlação é medido pelo coeficiente de correlação. O coeficiente
de correlação de Pearson é dado por:
, onde n é o número de observações
Lembre que existem vários tipos de correlação: Pearson; Spearman; parcial; múltipla, etc.
Estudaremos somente a primeira.
15.1.1 Características de r
1) O valor de r varia de –1,00 a +1,00;
2) Um relacionamento positivo (r é +) indica uma correlação positiva entre duas variáveis. Os
valores altos (baixos) de uma das variáveis, correspondem valores altos (baixos) da outra;
3) Um relacionamento negativo (r é ) indica uma correlação negativa entre duas variáveis. Os
valores altos (baixos) de uma das variáveis, correspondem valores baixos (altos) da outra;
Logicamente se r = +1 temos uma correlação perfeita e positiva, se r = 1 temos uma
correlação perfeita e negativa e se r = 0 não temos correlação ou a relação é não linear.
Obs: se 0,3 ≤ |r| ≤ 0,6 temos uma correlação fraca, e se 0 ≤|r| ≤ 0,3 a correlação é muito fraca e
na prática não podemos afirmar nada sobre a relação entre as variáveis.
15.1.2 Exemplo resolvido:
Vamos calcular o coeficiente de correlação relativo à tabela de notas de matemática e
estatística.
A melhor maneira é associar à tabela os valores de xy, x 2 e y 2 .
Nota em Matemática Nota em Estatística
Aluno (x) (y) xy x 2 y 2
1 5 6 30 25 36
4 7.5 8 60 56.25 64
7 6.5 6 39 42.25 36
13 8 9 72 64 81
15 9.5 10 95 90.25 100
22 3 4 12 9 16
26 5.5 5 27.5 30.25 25
31 9 10 90 81 100
33 7 7.5 52.5 49 56.25
40 2 2.5 5 4 6.25
∑ 63 68 483 451 520.5
36
Lembrando que n = 10 temos:
O que indica uma correlação linear positiva forte entre as variáveis, ou seja, quem estuda mais
matemática, sabe mais estatística. Lembrese disso!
15.2 Regressão
Após a análise de correlação, temos indicação de forte relacionamento entre duas variáveis.
Agora o problema é determinar uma função matemática que exprima este relacionamento.
Esse é o problema da regressão, ou seja, descrever a relação entre duas variáveis de acordo
com um modelo matemático.
Assim, se uma variável explica o comportamento da outra, temos uma variável dependente e
outra independente. Admitindo que a forma da linha de regressão seja uma reta, temos X como
variável independente, Y como variável dependente (aquela sobre a qual queremos fazer uma
estimativa) e queremos obter uma função definida por:
Y = aX + b (função de 1º grau, que você com certeza já estudou em matemática)
Para calcular os parâmetros a e b, usaremos as seguintes equações:
b = y – ax
onde n é o número de observações, x é a média dos valores xi e y é a média do valores yi .
Uma observação importante: como estamos utilizando uma amostra para obtermos os valores
dos parâmetros, a equação que encontraremos é uma estimativa da “verdadeira” função que
relaciona nossas variáveis.
15.2.1 Exemplo resolvido:
Vamos mais uma vez utilizar as notas de matemática e estatística e completar a tabela.
Nota em Matemática Nota em Estatística
Aluno (x) (y) xy x 2
1 5 6 30 25
4 7.5 8 60 56.25
7 6.5 6 39 42.25
13 8 9 72 64
15 9.5 10 95 90.25
22 3 4 12 9
37
26 5.5 5 27.5 30.25
31 9 10 90 81
33 7 7.5 52.5 49
40 2 2.5 5 4
∑ 63 68 483 451
Sabendo que n = 10, temos:
Nossa equação final portanto é:
Yestimado = 1,009242 X + 0,44177
Podemos finalmente fazer uma interpolação, ou seja, estimar valores de Y de acordo com um
dado X.
A nota de estatística correspondente a 4,0 em matemática (X) é:
Yestimado = 1,009242 . 4 + 0,44177 = 4,478
15.3 Exercícios
1) Complete a tabela de cálculo e encontre o coeficiente de correlação linear para as
seguintes variáveis:
38
2) Complete a tabela de cálculo e defina a reta de ajustamento aos dados:
3) A partir da tabela abaixo:
xi 1 2 3 4 5 6
yi 70 50 40 30 20 10
a. Calcule o coeficiente de correlação
b. Determine os parâmetros para ajuste da reta
c. Estime Y para X = 0
d. Estime Y para X = 5,5
39
16 Númerosíndices
Númerosíndices são usados para indicar variações relativas em quantidades, preços, ou
valores de um artigo, durante um período de tempo ou em diferentes espaços.
Como exemplo de utilização, temos a medição de perda do poder aquisitivo da população ao
longo de um ano, ou o acompanhamento da inflação.
O mais importante aqui é perceber que em muitas situações empregaremos números relativos,
em vez de números absolutos, para facilitar comparações.
16.1 Exemplo:
Temos a seguir uma tabela com quantiades e preços para um determinado item de acordo com
os meses do ano.
Preço
Meses Quantidade (Kg) (R$/Kg) Valor total
Jan 2 6 12
Fev 2.5 7.2 18
Mar 3 7.8 23.4
Abr 2.6 9 23.4
Agora, podemos calcular como evoluiram a quantidade comprada, o preço por Kg e o valor
total pago tendo como base o mês de janeiro. A idéia é simplesmente chamarmos nossa base
de 1 e calcularmos a razão entre os valores das variáveis no mês x e os valores das variáveis
no mês base.
Preço
Meses Quantidade (Kg) (R$/Kg) Valor total
Jan 1 1 1
Fev 1.25 1.2 1.5
Mar 1.5 1.3 1.95
Abr 1.3 1.5 1.95
Desse modo, podemos perceber que a quantidade comprada em abril é 30% maior que a
quantidade comprada em janeiro, e o preço em fevereiro foi 20% maior que o preço de janeiro.
Repare que todos os valores são relativos ao valores base de janeiro, ou seja, dividimos a
quantidade, preço e valor total de cada mês pelas quantidades, preços e valores totais de
janeiro.
Formalizando um pouco mais, representaremos por 0 a época base, e por t a época atual, de
modo que teremos:
P0 – preço na época base
Pt – preço na época atual
40
Q0 – quantidade na época base
Qt – quantidade na época atual
V0 – valor na época base
Vt – valor na época atual
Atribuindo o valor 100 à época base, teremos as seguintes equações (baseadas em regra de
três simples) para calcularmos os relativos:
(relativo de preço)
(relativo de quantidade)
(relativo de valor)
16.2 Exercício resolvido:
Sabendo que o preço de determinado produto era R$50 em 2004 e R$60 em 2005, calcule o
relativo de preço em 2005, tomando como base o ano de 2004.
O aumento de preço foi de 120 – 100 = 20%
16.3 Índice Agregativo
O que estudamos até agora é a caracterização da evolução de preço, quantidade ou valor total
pago para apenas um produto. Porém, para estudar variações de preços no mercado,
precisamos de um índice que caracterize a variação de preços de um conjunto de bens
(agregado). Assim, precisamos de um índice agregativo.
Existem algumas possibilidades de cálculo de índices agregativos. Aqui veremos apenas o
índice de Laspeyres. Lembrando que 0 é a época base e t a época atual, temos:
Obs: Muitos índices são utilizados em nossa vida cotidiana. Pesquise na internet alguns dos
mais importantes como o Índice de custo de vida, o Índice de Preços ao Consumidor (IPC) e o
Índice Geral de Preços (IGP).
41
16.4 Exercícios:
1) Dada a tabela abaixo, calcule os índices, tomando 1991 como ano base:
2) Observando a tabela abaixo, calcule o índice ponderado de preços de acordo com a
fórmula de Laspeyres.
1993 1994
BENS
p q p q
A 20 4 28 3
B 40 3 56 3
C 15 8 30 12
42
17 Introdução aos testes de hipóteses e significância
Em situações cotidianas, precisamos com alguma frequência tomar decisões sobre populações
com base apenas em amostras. Assim, é conveniente a determinação de hipóteses ou
suposições, que podem ou não ser verdadeiras.
Imagine que queremos descobrir se uma moeda é viciada. Temos por hipótese que ela não o
é. Assim formulamos p = 0,5, em que p é a probabilidade de obtermos “cara” em um
lançamento. Essa é nossa hipótese H0 (moeda não viciada) e p ≠ 0,5 é nosso H1 (moeda
viciada).
Os processos que nos levam a definir se as hipóteses são ou não são válidas, ou seja, se os
resultados das amostras diferem de modo significativo ou não dos resultados esperados, são
chamados testes de hipóteses. É importante lembrar que em um teste de hipótese nosso foco é
aceitar ou rejeitar nossa hipótese nula, ou seja, aceitar ou rejeitar H0
17.1 Erros do Tipo I e II
Se uma hipótese é rejeitada quando deveria ter sido aceita, temos um erro do tipo I. Se uma
hipótese é aceita quando deveria ter sido rejeitada, temos um erro do tipo II.
É claro que deveremos sempre atuar no sentido de diminuir ambos, mas na prática a tentativa
de diminuir um tipo de erro leva ao aumento na chance de erro do outro tipo. O caminho para
redução dos dois tipo de erro é o aumento do tamanho da amostra, o que nem sempre é
possível.
17.2 Nível de significância
Ao realizarmos os testes de hipóteses, chamamos de nível de significância (α) a probabilidade
máxima que estamos sujeitos a correr para o erro do tipo I. Os níveis tradicionais são 0,01 (1%)
ou 0,05 (5%).
17.3 Tipos de testes
Os principais tipo de testes são os que envolvem a distribuição normal e são testes de médias
e proporções de populações com base em amostras.
Podemos testar se as médias (ou proporções) de determinada população estão de acordo com
nossas hipóteses. Um exemplo seria testar se a média de notas de uma turma de 100 alunos
de estatística está dentro de uma meta estipulada. O teste seria feito com uma amostra de, por
exemplo, 10% dos alunos.
Também são comuns testes de diferenças nas médias e nas proporções, para comparações de
duas populações diferentes. Podemos, utilizando estes métodos, saber, com um nivel de
43
significância determinado, se duas turmas tem mesmo rendimento (mesma média), com base
em amostras.
Não deixe de procurar na internet e na literatura recomendada mais referências aos testes de
hipóteses. Eles são de grande importância para uma compreensão mais aprofundada da
estatística.
18 Literatura recomendada / Referências bibliográficas
Nível Básico:
Crespo, Antonio Arnot. Estatística Fácil. 17ª Edição. Saraiva, 2002.
Pereira, Paulo Henrique. Noções de Estatística. Papirus, 2004.
Nível aprofundado:
Costa Neto, Pedro Luiz de Oliveira. Estatística. 2ª Edição. Blucher, 2002.
44