Você está na página 1de 95

Estatstica II

JAIR CROCE FILHO




2
SUMRIO


- CAPTULO I - Modelo Probabilstico
Pgina - 6


- CAPTULO II - Varivel Aleatria
Pgina - 8


- CAPTULO III - Distribuies Discretas de Probabilidade
Pgina - 11


- CAPTULO IV - Distribuies Contnuas de Probabilidade
Pgina - 20


- CAPTULO V - Testes de Hipteses Aplicveis Pesquisa
(Resumo) Pgina - 29


- CAPTULO V - Testes de Hipteses Aplicveis Pesquisa
(Material completo) Pgina 34


- CAPTULO VI - Teoria das Pequenas Amostras
Pgina - 47


- CAPTULO VII - Correlao e Regresso
Pgina - 56


- CAPTULO VIII - Sries Temporais
Pgina - 65


- CAPTULO IX - Nmeros ndices
Pgina - 68





3
NDICE

- CAPTULO I
MODELO POBABILSTICO 6

1.1. Modelos Determinsticos - 6
1.2. Modelos no Determinsticos - 6
1.3. Aplicaes - 7
1.4. Experimento Aleatrio - 7

- CAPTULO II
VARIVEL ALEATRIA 8

2.1. Conceito - 8
2.2. Varivel Aleatria Discreta Unidimensional - 8
2.3. Varivel Aleatria Contnua - 8
2.4. Distribuies de Probabilidades - 8
2.4.1. Distribuio Discreta - 9
2.4.2. Distribuio Contnua - 9
Exerccios - 10

- CAPTULO III
DISTRIBUIE DISCRETAS DE PROBABILIDADE 11

3.1.Distribuio Bernoulli - 11
3.1.1. Esperana Matemtica, Varincia e Desvio Padro da Distribuio Bernoulli - 12
3.2.Distribuio Binomial - 12
3.2.1. Esperana Matemtica, Varincia e Desvio Padro da Distribuio Binomial - 12
3.3.Distribuio Multinomial - 13
3.3.1. Esperana Matemtica, Varincia e Desvio Padro da Distribuio Multinomial - 13
3.4.Distribuio Geomtrica - 14
3.4.1. Esperana Matemtica, Varincia e Desvio Padro da Distribuio Geomtrica - 14
3.5.Distribuio de Pascal - 14
3.5.1. Esperana Matemtica, Varincia e Desvio Padro da Distribuio de Pascal - 15
3.6.Distribuio de Poisson - 15
3.6.1. Esperana Matemtica, Varincia e Desvio Padro da Distribuio Poisson - 16
Exerccios - 17

- CAPTULO IV
DISTRIBUIES CONTNUAS DE PROBABILIDADE 20

4.1.Distribuio Retangular ou Uniforme - 20
4.1.1. Esperana Matemtica, Varincia e Desvio Padro da Distribuio Uniforme - 20
4.2.Distribuio Normal - 21
4.2.1. Caractersticas (propriedades) da Curva Normal - 21
4.2.2. Clculo das Probabilidades - 22
4.2.3. Distribuio Normal Padronizada - 22
4.3.Distribuio Exponencial - 25
4.3.1. Esperana Matemtica, Varincia e Desvio Padro da Distribuio Binomial - 26



4
- CAPTULO V (Resumo)
TESTES DE HIPTESES APLICVEIS PESQUISA 29

Exerccios - 33

- CAPTULO V (Material completo)
TESTES DE HIPTESES APLICVEIS PESQUISA 34

5.1. Decises Estatsticas - 34
5.2. Hipteses Estatsticas. Hiptese Nulas - 34
5.3. Testes de Hipteses e Significncia - 34
5.4. Erro do Tipo I e II - 35
5.5. Nvel de Significncia - 35
5.6. Testes que Envolvem a Distribuio Normal - 35
5.7. Testes Unilaterais e Bilaterais - 36
5.8. Curvas Caractersticas de Operao. Potncia de um Teste - 41
5.9. Cartas de Controle - 51
Exerccios - 46

- CAPTULO VI
TEORIA DAS PEQUENAS AMOSTRAS 47

6.1. Distribuio t de Student - 47
6.2. Distribuio Qui-Quadrado - 51
Exerccios - 54

- CAPTULO VII
CORRELAO E REGRESSO 56

7.1. Relao entre Variveis - 56
7.2. Diagrama de Disperso - 56
7.3. Tipos de Correlao Atravs do Diagrama de Disperso - 56
7.3.1.Correlao Linear Positiva - 56
7.3.2. Correlao Linear Negativa - 57
7.3.3. Correlao Nula - 57
7.3.4. Correlao no Linear - 57
7.4. Coeficiente de Correlao Linear de Pearson - 57
7.5. Regresso Linear Simples - 59
7.5.1. Objetivo - 59
7.5.2. Equao da Reta - 59
7.5.3. Frmula para Calcular a e b - 59
7.6. Interpolao e Extrapolao - 60
7.7. Regresso Linear Mltipla - 61
Exerccios - 62

- CAPTULO VIII
SRIES TEMPORAIS 65

8.1. Introduo - 65
8.2. Movimentos Caractersticos - 65
8.3. Anlise das Sries Temporais - 66
8.4. Mdias Mveis - Alisamento das Sries Temporais - 66

5
- CAPTULO IX
NMEROS NDICES 68

9.1. Conceito e Objeto - 68
9.2. Conceito de Relativo - 68
9.3. ndices Relativos - 68
9.4. Tipos de Nmeros ndices - 68
9.4.1. Relativo Simples - 68
a) Relativo de Preos - 68
b) Relativo de Quantidades - 68
c) Valor Relativo - 69
d) Elos relativos - 70
e) Relativos em Cadeia - 70
9.4.2. Agregativos Simples - 70
a) Agregativo Simples ou ndice de Bradstreet - 71
b) Mdio-Aritmtico - 71
c) Mdio-Harmnico - 71
d) Mdio-Geomtrico - 72
e) Mediano - 72
- Notas e Concluses - 73
9.4.3. Agregativos Ponderados - 73
a) Mtodo ou Critrio de Laspeyres - 73
b) Mtodo ou Critrio de Paasche - 74
- Consideraes sobre os Critrios de Laspeyres e Paasche - 74
c) ndice ideal de Fisher - 75
d) Mtodo ou Critrio das Mdias Ponderadas de Relativos - 76
1) Mdia Aritmtica Ponderada de Relativos - 77
2) Mdia Geomtrica Ponderada de Relativos - 77
e) Mtodo ou Critrio de Sidgwick-Drobish - 77
f) Mtodo ou Critrio de Marshall-Edqeworth - 78
g) Mtodo ou Critrio das Mdias das Quantidades dos Anos Tpicos - 78
9.5. Testes, Provas e/ou Propriedades em Nmeros ndices - 78
1) Identidade - 79
2) Reverso (Inverso) no Tempo - 79
3) Reverso de Fatores - 80
4) Cclica ou Circular - 80
5) Cclica ou Circular Modificada - 80
9.6. Mudana de Base em Sries de Nmeros ndices - 81
9.6.1. Construo - 81
a) Base Fixa - 81
b) Base Mvel em Cadeia - 81
9.6.2. Vantagens e Desvantagens - 82
9.6.3. Exemplo Prtico - 82
9.7. Alguns ndices Especiais - 83
1) ICV ndice de Custo de Vida (ndice de Preos ao Consumidor) - 83
2) Deflator Implcito de Renda (Produto) - 83
3) IGP ndice Geral de Preos - 84
4) ndice Relao de Troca - 84
5) ndice da Capacidade de Importar - 84

- ANEXOS: * Anexo 1 Tabela Valores (Poisson) 85
* Anexo 2 Tabela Valores da Curva Normal 86
* Anexo 3 Tabela Valores t de Student 87
* Anexo 4 Tabela Valores Qui-Quadrado 88
* Anexo 5 Gramtica Grega Smbolos Utilizados na Estatstica 89
* Glossrio de Frmulas 90
* Bibliografia 95



6
CAPTULO 1

Modelo Probabilstico

1.1- Modelos Determinsticos

Qualquer afirmativa fatual pode ser classificada, quanto sua veracidade, em:
1) tautolgica se sempre verdadeira;
2) contraditria quando sempre falsa;
3) contingente (incerto) quando for algumas vezes verdadeira e outras falsa.

A verdade e a falsidade podem ser afirmadas sempre que o fenmeno em estudo est sujeito a
alguma lei que permita prever seus resultados a partir das informaes disponveis.

Exemplos:

1. um fio condutor de corrente eltrica partido pode ser unido se mergulhado em gua
com sal (sabe-se que ela condutora de eletricidade);
2. se aquecida at 100 C, a gua ferve (pois esse o seu ponto de ebulio);
3. uma chapa metlica sem tratamento adequado oxida (em razo da combinao do
oxignio do ar com o metal de que ela composta);
4. uma moeda lanada para o ar, com certa fora, cai de volta ao solo depois de certo
tempo (em razo da Lei da Gravitao Universal);
5. se meu salrio passar de determinada faixa, terei que me entender com o imposto de
renda;
6. se comprar a crdito, e no pagar as prestaes nos respectivos vencimentos, serei
importunado pelo credor, etc.

E veja que nem sempre as leis precisam ser assim complexas:

Exemplo:

Se for informado que determinada urna contm bolas pretas e brancas, no h como esperar que
em alguma extrao surja uma bola vermelha.

Os modelos que explicam as situaes acima exemplificadas so chamados de modelos
determinsticos. Em geral, so modelos cientficos resultantes de muitos anos (e at mesmo
sculos) de estudo apurado e contribuies de muitas geraes de grandes pensadores.


1.2- Modelos no Determinsticos (Probabilsticos)

Por outro lado, se o fenmeno no est sujeito a lei alguma (ou melhor, se as leis que o regem
ainda no so conhecidas), nada pode, em princpio, ser afirmado sobre ele. Nesses casos,
dizemos que ele est sujeito s leis do acaso e o nico modelo possvel para o seu estudo o
chamado modelo probabilstico. O modelo probabilstico aquele aplicvel aos fenmenos cujos
resultados exatos em cada experimento futuro so desconhecidos e imprevisveis. O estudo de
tais modelos o objetivo da teoria das probabilidades; sua aplicao s possvel nas situaes
onde h incerteza quanto a ocorrncia ou no dos eventos estudados.

Acima, fez-se referncia s leis do acaso, idia um tanto quanto paradoxal, se levarmos em
conta que lei, que pressupe regularidade, aparenta ser o oposto de acaso, que sinnimo de
irregularidade. Destaque-se que o paradoxo se resolve no claro entendimento de que o que se
busca identificar as possveis regularidades ou simetrias que os fenmenos possam apresentar
quando repetidos muitas vezes.
7
1.3- Aplicaes

A utilizao da teoria das probabilidades tem crescido com o tempo. De seus primeiros usos nos
jogos de azar, que ainda permanecem nos cassinos, loterias, corridas de cavalo etc., evoluiu at
uma ampla utilizao na sociedade em geral.

Exemplos:

1. os economistas s vezes a usam na previso da demanda por produtos a serem lanados
futuramente, na previso das safras agrcolas e na avaliao dos impactos dos aumentos
dos impostos sobre a inflao;
2. os professores avaliam as chances de determinados alunos serem aprovados ou no e,
com isso, estimam o percentual de reprovados no perodo ou ano, conforme o caso;
3. os mdicos determinam se (e quando) determinado doente dever estar recuperado;
4. os sindicatos estabelecem a chance de determinada categoria entrar em greve;
5. o governo determina at quando ser capaz de manter os preos congelados ou
tabelados, quando ocorrer uma paralisao de trabalhadores e quais as suas
implicaes.

Alm dos usos (possveis) acima relacionados, as probabilidades tambm nos ajudam no
desenvolvimento e avaliao de estratgias de ao.

Exemplos:

1. numa auto-estrada, freamos (ou aceleramos) o carro dependendo da visibilidade, do
nmero de carros ao nosso redor e do policiamento presente (ostensivo ou no);
2. de manh, samos de casa com roupas adequadas nossa expectativa de frio ou calor;
3. as decises sobre negcios ou aplicaes financeiras so rpidas quando as chances de
ganho ou perda so altas (especialmente, em termos de curto prazo);
4. os investimentos em pessoal e novos equipamentos so feitos se h razovel chance de
aumento da produtividade.

1.4- Experimento Aleatrio

O experimento aleatrio aquele que poder ser repetido sob as mesmas condies
indefinidamente. Tal experimento apresenta variaes de resultados, no sendo possvel afirmar
a priori qual ser sua determinao antes que o mesmo tenha sido realizado. possvel, porm,
descrever todos os possveis resultados as probabilidades.

Exemplos:

1. O lanamento de um dado constitui um experimento aleatrio, pois esse experimento
poder ser repetido quantas vezes desejarmos. Antes do lanamento, no poderemos
dizer qual ser o resultado, mas somos capazes de relatar os possveis resultados: sair
o nmero 1, 2, 3, 4, 5 ou 6;
2. o mesmo podemos dizer quando retiramos uma carta de baralho com 52 cartas e
observamos seu naipe.







8
CAPTULO 2

Varivel Aleatria

2.1- Conceito

Por varivel aleatria se entende uma lista de valores ou uma funo genrica que associa um
nmero conveniente aos eventos componentes do espao amostral de um dado experimento,
sejam eles qualitativos ou quantitativos.

Ex.: Dado o experimento lanamento de 3 moedas, determine a probabilidade de dar pelo
menos uma coroa.

X N. de Caras Eventos Caractersticos Freqncia
0 Nenhuma KKK 1/8
1 Uma CKK, KCK, KKC 3/8
2 Duas KCC, CKC, CCK 3/8
3 Trs CCC 1/8
C = Cara K = Coroa Espao Amostral 8/8


2.2- Varivel Aleatria Discreta Unidimensional

Como X pode assumir certos valores com dadas probabilidades, ele freqentemente
denominado varivel aleatria discreta, ou seja, transforma espao amostral no numrico em
espao amostral numrico.

O nmero de pontos do espao amostral de um dado experimento pode ser finito ou infinito. Se o
espao amostral finito, ento os eventos so enumerveis e a varivel a ele associada deve
permitir a contagem dos elementos nele contidos. Neste caso, a varivel aleatria dita
discreta ou enumervel.

Ex.: Nmero de jogadores de um time de futebol.
Nmero de torcedores no estdio.
Nmero de gols marcados na partida.

2.3- Varivel Aleatria Contnua

Como j foi dito, o nmero de pontos do espao amostral de um dado experimento pode ser
finito ou infinito. Se o espao amostral infinito, ento a contagem do seu nmero de elementos
no possvel por nenhum meio. Neste caso, a varivel aleatria dita contnua, indicando
que ela pode assumir qualquer valor dentro do seu intervalo de validade.

Ex.: - tempo de durao de um jogo;
- peso e velocidade da bola na hora do gol.

2.4- Distribuies de Probabilidades

Se associarmos a cada ponto do espao amostral a correspondente probabilidade de ocorrncia
do evento, obteremos a distribuio (ou espao) das probabilidades do experimento. Se, alm
disso, associarmos a esses mesmos pontos uma varivel aleatria indicadora, obteremos uma
distribuio que pode ser entendida como a distribuio das probabilidades das variveis
aleatrias associadas aos pontos do espao amostral.

9
A distribuio assim obtida ir mostrar como a probabilidade total se divide pelos diversos
resultados possveis do experimento. Ela poder ser totalmente definida tanto pelas frequncias
simples quanto pelas acumuladas. Essas distribuies de probabilidades so ditas discretas
quando a varivel discreta (contvel ou enumervel); se, por outro lado, a varivel aleatria
contnua, ento as distribuies a elas correspondentes so chamadas de Distribuies
Contnuas de Probabilidades.


2.4.1. Distribuio Discreta de Probabilidade
As distribuies de probabilidades recebem o adjetivo discretas ou descontnuas
quando a varivel aleatria envolvida enumervel ou contvel.

Ex.: nmero de peas defeituosas por lote; o de nascimentos por ano; o de pginas de um jornal;
o de nmero de ps de caf por alqueire plantado; etc..


2.4.2. Distribuio Contnua de Probabilidade
As distribuies de probabilidades so ditas contnuas quando a varivel aleatria
associada ao evento pode assumir qualquer valor dentro de certo intervalo.

Ex.: peso de uma pea; altura de um aluno; tempo de durao de uma sonata; a rea de uma
quadra de vlei; volume de refrigerante em um copo; etc..


Exerccios de aplicao:

01) No lanamento de um par de dados honestos onde X indique a soma dos pontos obtidos,
demonstre o espao amostral do conjunto.

Ento a distribuio de probabilidade dada pela seguinte tabela.


X 2 3 4 5 6 7 8 9 10 11 12
P(X)

P(X)





02) Em 900 lances de 2 dados, em quantos podemos esperar que dem a soma 5?





03) No lanamento de duas moedas a varivel aleatria X anota o nmero de caras obtidas.
Determine os valores de X e a funo de probabilidade associada.


X
P(X)



Funo de Probabilidade
10
EXERCCIOS

1) No lanamento de dois dados a varivel aleatria X anota, em mdulo, a diferena dos
pontos das faces superiores. Determine os valores de X e a funo de probabilidade
associada.










2) Uma carta retirada aleatoriamente de um baralho de 52 cartas.
A varivel aleatria X anota o nmero de damas obtidas nesta retirada.
Determine os valores de X e a funo de probabilidade associada.










3) Duas cartas so retiradas aleatoriamente, sem reposio, de um baralho comum de 52 cartas.
A varivel aleatria X anota o nmero de valetes obtidos.
Determine os valores de X e a funo de probabilidade associada.










4) A urna A contm 3 bolas brancas e duas bolas pretas. A urna B contm 5 bolas brancas e 1
bola preta. Uma bola retirada ao acaso de cada urna, a varivel aleatria X anota o nmero
de bolas brancas obtidas. Determine os valores de X e a funo da probabilidade associada.









11
CAPTULO 3

Distribuies Discretas de Probabilidade

3.1- Distribuio de Bernoulli - (James Bernoulli fim do sc. XVII)

a mais simples das distribuies de probabilidades para variveis aleatrias discretas e sua
importncia reside no fato de a mesma ser geratriz de outras distribuies mais complexas como
a distribuio binomial e a distribuio de Pascal que sero estudadas oportunamente neste
captulo.

um caso particular da distribuio binomial. Com ela possvel calcular as probabilidades
associadas a uma nica tentativa do experimento. Neste caso, s h duas possibilidades: fracasso
(a se atribui 0 varivel aleatria) ou sucesso (quando se atribui 1 varivel aleatria).

A frmula adequada a este tipo de distribuio :

x 1 x
) P 1 ( P ) x ( P

=


Ex.: Retira-se uma bola de uma urna contendo 30 bolas brancas e 20 verdes. Qual a
probabilidade dessa bola ser verde?

( )
5
2
5
2
1
5
2
P
1 1 1
) verde (
= =



OBSERVAO: O que esperana matemtica?

Se uma tabela de mortalidade diz que uma mulher de 50 anos de idade pode esperar viver mais
31 anos, isto no quer dizer que realmente esperemos que uma mulher de 50 anos viva at
completar 81 anos e morra no dia seguinte. Da mesma forma, se lemos que uma pessoa espera
comer 104,4 lbs. de carne e beber 39,6 gales de refrigerante por ano, ou que uma criana de 6 a
16 anos espera visitar um dentista 2,2 vezes por ano, bvio que a palavra espera no est
sendo empregada no sentido usual. Uma criana no pode ir ao dentista 2,2 vezes por ano, e seria
realmente surpreendente se encontrssemos algum que comesse 104,4 lbs. de carne e bebesse
39,6 gales de refrigerante em determinado ano. No que diz respeito s mulheres de 50 anos,
umas vivem mais 12 anos, outras vivem mais 20 anos, outras vivero mais 33 anos,... e a
esperana de vida de 31 anos ou mais deve ser interpretada como uma mdia ou, como
chamamos aqui, como uma esperana matemtica.

Originalmente, o conceito de esperana matemtica surgiu em relao aos jogos de azar e, em
sua forma mais simples, o produto da quantia que um jogador aposta pela respectiva
probabilidade de ganho.

Exemplos:
a) Qual a nossa esperana matemtica quando esperamos ganhar R$ 10,00 se e somente se
uma moeda equilibrada apresentar cara?
R.: 10,00 x 1/2 = 5,00

b) Qual a nossa esperana matemtica se compramos um dos 2.000 bilhetes de rifa de um
aparelho de TV avaliado em R$ 640,00?
R.: Como a probabilidade de ganhar o aparelho de TV 1/2000 = 0,0005, nossa
esperana matemtica 640,00 x 0,0005 = 0,32

Assim, do ponto de vista econmico, seria insensato pagar mais de R$ 0,32 pelo bilhete.

12
3.1.1- Esperana Matemtica, Varincia e Desvio Padro da Distribuio de Bernoulli

pq pq p
2
= = =


3.2- Distribuio Binomial

A distribuio Binomial constitui uma extenso da distribuio de Bernoulli, sendo aplicada em
problemas nos quais um experimento de Bernoulli realizado um nmero de vezes
preestabelecido. Cada uma destas realizaes denominada prova.

a distribuio adequada quando os pontos do espao amostral podem ser agrupados em duas
classes ou categorias mutuamente excludentes, s quais se atribuem os nomes genricos de
sucesso e fracasso, indistintamente. Outra forma de caracterizar a distribuio Binomial
dizer que ela a distribuio aplicvel quando o experimento atende s condies tpicas do
processo de amostragem de Bernoulli, que so as seguintes:

a) h n provas ou observaes idnticas (repetidas sempre nas mesmas condies);
b) o experimento constitudo de eventos independentes;
c) s h dois resultados possveis, que so mutuamente excludentes (um chamado sucesso e o
outro falha ou fracasso);
d) como os eventos so independentes e as provas repetidas sempre nas mesmas condies, as
probabilidades de ocorrncia dos resultados possveis constante em todas as tentativas.

A frmula de clculo da probabilidade de certo nmero x de sucessos em n provas de um
experimento sujeito distribuio binomial dada por:


q P C = P(x)
r n r r
n
-
. .
onde:
! ) r n ( ! r
! n
C
r
n

=
P = Probabilidade de sucesso
q = Probabilidade contrria ou insucesso

Ex.: Joga-se uma moeda seis vezes.
Qual a probabilidade de se obter exatamente duas vezes a face cara?


3.2.1- Esperana Matemtica, Varincia e Desvio Padro da Distribuio Binomial

npq npq np
2
= = =


Ex.: Considerando-se os dados do exemplo anterior, calcule a esperana matemtica, a varincia
e o desvio padro.

Exerccios de aplicao:

01) Joga-se um dado seis vezes.
Qual a probabilidade de se obter quatro vezes ou mais a face 2 ?

02) Uma moeda no viciada lanada 8 vezes. Encontre a probabilidade de sair pelo menos uma
cara. (FONSECA: 65)

03) Utilizando os dados dos exerccios acima, calcule a mdia, a varincia e o desvio padro para
cada situao.
13
3.3- Distribuio Multinomial (ou Polinomial)

A distribuio multinomial uma generalizao da binomial. Assim a distribuio adequada
quando o experimento tem dois ou mais resultados possveis mutuamente excludentes.

Suas hipteses caractersticas so:
a) as provas so repetidas sempre nas mesmas condies;
b) o experimento constitudo de eventos independentes;
c) o experimento tem vrios resultados possveis, mas todos mutuamente excludentes;
d) como os eventos so independentes e as provas repetidas sempre nas mesmas condies, as
probabilidades de ocorrncia dos resultados possveis constante em todas as tentativas.

Numa Distribuio Multinomial, a probabilidade de que os eventos x
1
, ... x
k
, cujas
probabilidades de ocorrncia so, respectivamente, p
1
, ... p
k
, ocorram n
1
, ... n
k
vezes, em n
tentativas, dado por:

k 1
n
k
n
1
k 1
p ... p
! n ... ! n
! n
) x ( P =


Onde: n = n
1
+ . . . + n
k
o nmero de tentativas ou repeties do experimento;
n
1
, . . . , n
k
o nmero / proporo / freqncia dos eventos x
1
, . . . x
k
;
p
1
, . . . , p
k
a probabilidade / proporo / freqncia dos eventos x
1
, . . . x
k
.


Ex.: Dadas as mquinas A, B, C e D, que produzem respectivamente 10%, 20%, 30% e 40% da
produo total de certa oficina, determine a probabilidade de um lote de 2 dzias de peas
aleatoriamente escolhidas terem sido produzidas do seguinte modo: 4 pela mquina A, 5
pela B, 7 pela C e 8 pela D.


8 5 4
40 , 0 30 , 0 20 , 0 10 , 0
8! 7! 5! ! 4
! 24
P = P (A = 4, B = 5, C = 7 e D = 8) = 0,49%


3.3.1- Esperana Matemtica, Varincia e Desvio Padro da Distribuio Multinomial

i i i i
2
i i 1
q np q np np = = =



Ex.: Considerando-se os dados do exemplo anterior, calcule a esperana matemtica, a varincia
e o desvio padro.


Exerccios de aplicao:

01) Se um dado honesto lanado 12 vezes, qual a probabilidade de serem obtidos os pontos 1,
2, 3, 4, 5 e 6, exatamente duas vezes cada um? (SPIEGEL: 190)

02) Um dado lanado 10 vezes. Qual a probabilidade de terem aparecido 2 vezes o nmero 2,
duas vezes o nmero 5, trs vezes o nmero 1 e uma vez os demais resultados?
(FONSECA:66)

03) Utilizando os dados dos exerccios acima, calcule a mdia, a varincia e o desvio padro para
cada situao.
14
3.4- Distribuio Geomtrica

Destinada ao clculo de probabilidades de situaes em que so feitas sucessivas tentativas
independentes de um mesmo experimento aleatrio at que aparea o 1 sucesso.

A probabilidade calculada atravs da seguinte expresso:

1 x
Pq ) x ( P

=


Onde: x = nmero de tentativas at o aparecimento do 1 sucesso;
P = probabilidade de sucesso;
q = 1 P a probabilidade de fracasso.


Ex.: Qual a probabilidade de que um dado deva ser lanado 15 vezes para que ocorra a
primeira face 6?

% 298 , 1
6
5
6
1
P
1 15
) 6 face (
= =



3.4.1- Esperana Matemtica, Varincia e Desvio Padro da Distribuio Geomtrica

p
q

p
q

p
1
2
2
= = =



Ex.: Considerando-se os dados do exemplo anterior, calcule a esperana matemtica, a varincia
e o desvio padro.

Exerccios de aplicao:

01) Uma mquina produz peas das quais 80% so consideradas perfeitas e 20% defeituosas.
Qual a probabilidade de a 5 pea ser a 1 a apresentar defeito? (APOSTILA UFJF)

02) A probabilidade de que haja alguma falha no lanamento de uma nave espacial 10%. Qual
a probabilidade de que para lanar a nave seja necessrio:
a) 2 tentativas?;
b) no mximo 3 tentativas? (APOSTILA JOS ANTONIO)

03) Considerando-se os dados do exemplo 02, calcule o nmero esperado de tentativas de
lanamento da nave espacial. Calcule tambm a varincia e o desvio padro do nmero de
tentativas de lanamento.


3.5- Distribuio de Pascal (ou Binomial Negativa)

o caso geral do modelo geomtrico. A distribuio de Pascal calcula as probabilidades nas
situaes em que seja necessrio certo nmero de repeties antes que ocorra um sucesso. O
sucesso est na ltima prova.

A probabilidade calculada atravs da seguinte expresso:

x n x ) 1 x (
) 1 n (
q P C P(x)

=

15
Ex.: Dada uma mquina que produz 20% de peas defeituosas, qual a probabilidade de a 8 pea
fabricada ser a 5 boa?

Sendo n = 8, x = 5, P = 0,80 e q = 0,20, temos:

9,18% 0,008 0,33 35 2 , 0 8 , 0 C 2 , 0 8 , 0 C ) 5 ( P
3 5 4
7
5 8 5 1 5
1 8
= = = =



3.5.1- Esperana Matemtica, Varincia e Desvio Padro da Distribuio de Pascal

p
nq

p
nq

p
n
2
2
= = =


Ex.: Considerando-se os dados do exemplo anterior, calcule a esperana matemtica, a varincia
e o desvio padro.

Exerccio de aplicao:

Uma mquina produz peas das quais 80% so consideradas perfeitas e 20% defeituosas. Qual a
probabilidade de a 8 pea fabricada ser a 3 defeituosa? (APOSTILA UFJF)

3.6- Distribuio de Poisson Simon Denis Poisson (1781-1840)

A distribuio de Poisson uma aproximao da distribuio binomial, quando o nmero de
provas n tende para o infinito e a probabilidade p do evento em uma prova tende para zero,
mantendo-se finito e no nulo o produto np (mdia da distribuio).

Na distribuio de Poisson se n um valor muito grande e p um valor muito pequeno, temos
o que se chama acontecimento raro. Como exemplo de acontecimento raro podemos citar: a
ocorrncia de gmeos, fenmenos meteorolgicos de rara apresentao, nmero dirio de
desastres de automvel numa cidade, nmero de objetos defeituosos que aparecem num processo
de fabricao, nmero de sementes de ervas daninhas no meio das sementes de uma planta, etc..

Na prtica diz-se que um acontecimento raro quando n 50 e p 0,1

Descreve a probabilidade de certo nmero de ocorrncias num dado intervalo, espao ou campo
contnuo (tempo, comprimento, rea, volume, peso, etc.). Determina, por exemplo, a
probabilidade da ocorrncia de certo nmero de chamadas telefnicas por minuto, de clientes por
hora, de acidentes por dia, de defeitos por m
2
de tecido, de ps de caf por alqueire e lactobacilos
por ml de leite. (Sempre a dupla n e p).

A distribuio de Poisson, alm da utilizao para o clculo aproximado da distribuio binomial
tem vasta aplicao em problemas de fila de espera; controle de qualidade; programao de
equipamentos; etc..

A frmula que calcula as probabilidades numa distribuio de Poisson :

! x
) t ( e
P(x)
x t -

=



Onde: x = nmero de ocorrncias;
e = 2,71828; a base dos logaritmos neperianos;
= taxa mdia de ocorrncias dos eventos por unidade de medida;
t = espao de medida ou nmero de intervalos ou unidades.


16
OBS.: Para facilitar, os valores de foram tabelados e se encontram no anexo1.

Ex.: Sabendo-se que os clientes chegam a uma loja Augusta razo de 6 por hora, determine a
probabilidade de, durante uma hora qualquer:


a-) no chegar nenhum cliente:

= 6 clientes por hora = 6/1; t = 1 hora; x = 0


% 25 , 0 002479 , 0
! 0
) 1 6 ( e
) 0 ( P
0 1) 6 (
= =

=




b-) chegar ao menos um cliente:

P(X 1) = 1 P(0) = 100 0,2479 = 99,75%


3.6.1- Esperana Matemtica, Varincia e Desvio Padro da Distribuio de Poisson

t t t
2
= = =



Exerccios de aplicao:

01) Em mdia h 2 chamadas por hora num certo telefone. Calcular a probabilidade de:
(FONSECA: 68)
a- nenhuma chamada em 90 minutos;
b- se receber no mximo 3 chamadas em 2 horas;

02) Suponha que haja em mdia 2 suicdios por ano numa populao de 50.000 habitantes. Em
uma cidade de 100.000 habitantes, encontre a probabilidade de que em um dado ano tenha
havido: (FONSECA: 71)
a- nenhum suicdio;
b- um suicdio;
c- dois suicdios;
d- dois ou mais suicdios.

03) Suponha 400 erros de impresso distribudos aleatoriamente em um livro de 500 pginas.
Encontre a probabilidade de que uma dada pgina contenha: (FONSECA: 71)
a- nenhum erro;
b- exatamente 2 erros.

04) Certo tipo de mquina apresenta em mdia 18 falhas a cada 60 horas de trabalho. Calcule a
mdia, a varincia e o desvio padro do nmero de falhas em 8 horas de trabalho desta
mquina. (APOSTILA JOS ANTNIO)

05) Num processo de fabricao de certo tipo de aparelho, ocorrem em mdia 1,6 defeitos por
aparelho. Se o fabricante paga uma indenizao de R$20,00 por aparelho com mais de 2
defeitos, qual o custo esperado desta indenizao na venda de 500 aparelhos? (APOSTILA
JOS ANTNIO)


17
EXERCCIOS

DISTRIBUIO BINOMIAL

1) Uma empresa produz 10% de peas defeituosas. As peas so embaladas em caixas que
contm 12 peas. Calcule a probabilidade de um cliente comprar uma caixa contendo:
a) nenhuma pea defeituosa;
b) uma pea defeituosa. (ERMES: 37)
R.: a) 28,24% b) 37,66%

2) Admitindo-se que os nascimentos de meninos e meninas sejam iguais calcular a
probabilidade de um casal com 6 filhos ter 4 filhos homens e 2 mulheres. (FONSECA: 68)
R.: 23,44%

3) Se 5% das lmpadas de certa marca so defeituosas, achar a probabilidade de que, numa
amostra de 100 lmpadas, escolhidas ao acaso, nenhuma apresente defeito. (FONSECA: 69)
R.: 0,95
100

4) Uma VAD X tem distribuio binomial com mdia igual a 3 e varincia igual a 2.
Calcule P(X = 2). (APOSTILA JOS ANTONIO)
R.: 23,41%

5) Uma empresa compra matrizes para grfica em pacotes contendo 5 matrizes. Sabe-se que
20% das matrizes compradas tm defeitos de fabricao que implicam na sua utilizao.
Calcule a probabilidade de: (APOSTILA JOS ANTONIO)
a) um pacote conter mais da metade das matrizes oxidadas;
b) pelo menos 2 pacotes de um grupo de 6 pacotes conterem uma matriz inutilizada.
R.: a) 5,79% b) 78,15%

6) Um produtor de sementes vende pacotes com 20 sementes cada. Os pacotes que
apresentarem mais de uma semente sem germinar so indenizadas. A probabilidade de uma
semente germinar 0,98. (APOSTILA JOS ANTONIO)
a) Qual a probabilidade de que um pacote no seja indenizado?;
b) se o produtor vende 1.000 pacotes, em quantos se espera indenizao?;
c) quando o pacote indenizado, o produtor tem um prejuzo de R$1,20, e se o pacote no
for indenizado, o produtor tem um lucro de R$2,50. Qual o lucro lquido esperado por
pacote?;
d) calcule a mdia, a varincia e o desvio padro do nmero de sementes por pacotes que
germinam.
R.: a) 94,01% b) 60 c) R$2,28 d) = 19,6;
2
= 0,39; = 0,63


DISTRIBUIO MULTINOMIAL

7) Uma caixa contm 5 bolas vermelhas, 4 brancas e 3 azuis. Uma bola escolhida ao acaso da
caixa, sua cor observada, e a bola ento recolocada. Determinar a probabilidade de, entre
6 bolas assim escolhidas, 3 serem vermelhas, 2 brancas e 1 azul. (SPIEGEL: 204)
R.: 12,06%

8) Sabem-se que as probabilidades referentes a declaraes de imposto de renda so as
seguintes:
- 0,6 de ser preenchida corretamente;
- 0,2 de conter erros favorveis ao contribuinte;
- 0,1 de conter erros favorveis ao fisco;
- 0,1 de conter erros favorveis ao contribuinte e ao fisco.
18
Em 10 declaraes selecionadas ao acaso, qual a probabilidade de 6 estarem corretas, 2 com
erros a favor do contribuinte, 1 com erro a favor do fisco e 1 com os 2 tipos de erro?
(APOSTILA UFJF)
R.: 4,7%

9) No estoque de certa loja existem refrigeradores das marcas A, B e C. Sabe-se que as
probabilidades de que sejam vendidos os refrigeradores das marcas A, B e C so 35%, 25% e
40%.
a) Se forem vendidos 20 refrigeradores qual a probabilidade de que sejam 6 da marca A, 9
da marca B e 5 da marca C?;
b) Admitindo-se que sejam vendidos 200 refrigeradores calcule a mdia e o desvio padro
do nmero de refrigerantes de cada marca. (APOSTILA JOS ANTONIO)
R.: a) 0,56% b) =
A
70; =
B
50; =
C
80; =
A
6,7; =
B
6,1; =
C
6,9;


DISTRIBUIO GEOMTRICA

10) Sabe-se que 20% das peas de um estoque so defeituosas. Um experimento consiste em
retirar peas, uma de cada vez, com reposio, at que se obtenha uma pea defeituosa.
a) Qual a probabilidade de que a pea defeituosa seja retirada na 3 tentativas?;
b) qual a probabilidade de serem necessrias mais de 3 tentativas para se retirar uma pea
defeituosa?;
c) calcule a mdia, a varincia e o desvio padro do nmero de retiradas at que se obtenha
uma pea defeituosa. (APOSTILA JOS ANTONIO)
R.: a) 12,8% b) 51,2% c) = 5 =
2
20 = 4,5

11) O custo operacional em cada tentativa de lanamento de um foguete R$100.000,00. Se
houver falha, ocorrer um custo extra de R$ 50.000,00, em virtude de consertos na
plataforma de lanamento. A probabilidade de um lanamento bem sucedido em cada
tentativa 0,8. (APOSTILA JOS ANTONIO)
a) Qual a probabilidade de serem necessrios mais de 3 tentativas para o lanamento do
foguete?;
b) qual o custo esperado do processo?
R.: a) 0,8% b) R$137.500,00


DISTRIBUIO DE PASCAL (Binomial negativa)

12) Uma empresa recebeu uma encomenda para fundir 3 peas complicadas. A probabilidade de
se conseguir um molde adequado 0,4, sendo o molde destrudo quando a pea retirada.
Para atender encomenda, qual a probabilidade de ser necessrio fundir:
a) exatamente 4 peas?;
b) no mximo 6 peas? (APOSTILA JOS ANTONIO)
R.: a) 11,52% b) 45,57%

13) Uma empresa recebe uma encomenda para produzir 5 unidades de certo artigo. A
probabilidade de se obter uma unidade sem defeitos 0,8. O custo de cada unidade
R$50,00 e se a unidade apresentar algum defeito ocorre um custo adicional de R$10,00.
a) Qual a probabilidade de que seja necessrio produzir pelo menos 8 unidades para atender
a encomenda?;
b) qual o preo a ser cobrado pelo servio para que se tenha um lucro esperado de
R$100,00? (APOSTILA JOS ANTONIO)
R.: a) 14,8% b) R$425,00

19
DISTRIBUIO DE POISSON

14) Se a probabilidade de um indivduo sofrer uma reao nociva, resultante da injeo de um
determinado soro, 0,001, determinar a probabilidade de, entre 2.000 indivduos:
a- exatamente 3 sofrerem aquela reao;
b- mais do que 2 sofrerem aquela reao.
R.: a) 18,0% b) 32,3%

OBS.: Demonstrar a resoluo do exerccio acima atravs da distribuio binomial.
(SPIEGEL: 203)

15) Uma mquina produz nove peas defeituosas a cada 1.000 peas produzidas. Calcule a
probabilidade de que em um lote que contm: (ERMES: 43)
a) 200 peas, sejam encontradas oito peas defeituosas;
b) 500 peas, no haja nenhuma pea defeituosas.
R.: a) 0,045% b) 1,11%

16) Supondo que o nmero de carros que chegam a uma fila do guich de um pedgio tem
distribuio de Poisson a uma taxa de trs por minuto, calcule a probabilidade de que
cheguem cinco carros nos prximos dois minutos. (ERMES: 44)
R.: 16,06%

17) Um tear produz um defeito a cada 200 m de tecido produzido. Se o nmero de defeitos
admite distribuio de Poisson, calcule a probabilidade de: (ERMES: 44)
a) uma pea com 20 m no apresentar defeitos;
b) um lote de 10 peas de 20 m cada, apresentar exatamente um defeito
R.: a) 90,48% b) 36,79%

18) Em certo tipo de tecido ocorrem em mdia 3 defeitos a cada 2 m
2
. Calcule a probabilidade
de que numa pea de 1,5 m
2
deste tecido ocorram: (APOSTILA JOS ANTONIO)
a) nenhum defeito;
b) menos de 4 defeitos;
c) pelo menos 3 defeitos.
R.: a) 10,54% b) 80,94% c) 39,07%

19) Certo tipo de equipamento eltrico consome 750 metros de fio. Sabe-se que o fio rompe em
mdia duas vezes a cada 1.000 metros. O lucro e a qualidade deste equipamento so
relacionados de acordo com o quadro a seguir

Qualidade N. de emendas Lucro
1 Nenhuma R$100,00
2 Uma ou duas R$60,00
3 Mais de duas R$40,00

Se a produo anual deste equipamento de 10.000 unidades, qual o lucro esperado em um
ano? (APOSTILA JOS ANTONIO)
R.: R$651.000,00








20
CAPTULO 4

Distribuies Contnuas de Probabilidade

4.1- Distribuio Exponencial

A distribuio exponencial a distribuio de probabilidade do intervalo t entre dois sucessos
consecutivos de uma lei de Poisson.

A distribuio exponencial a adequada ao estudo das probabilidades de ocorrncias de certos
intervalos ou espaos contnuos entre eventos. aplicvel a situaes como o tempo (ou
distncia) entre erros de operao de um equipamento, o tempo entre os gols num jogo de
futebol, entre a chegada de navios, trens, nibus, etc..









Uma v. a. X ter distribuio exponencial se sua funo de densidade de probabilidade for da
seguinte forma:

> >
=

x de valores outros para 0
0 , 0 x para e
) x ( f
x -



A determinao de probabilidades para a distribuio exponencial envolve o clculo de reas sob
curva de densidade, problema que exige recursos do clculo integral.

Pode-se mostrar que, se T tem distribuio exponencial com parmetro , ento:

t
t
e 1 ) t T ( P
e ) t T ( P


= <
= >


Onde: t = perodo de avaliao;
= 1 dividido pela mdia das ocorrncias.

Ex.: Se os clientes chegam a uma loja da Augusta razo de 6 por hora, qual a probabilidade de
que o primeiro cliente:

a-) s chegue 40 minutos depois de ela ter sido aberta?

= 6/60 = 1/10 = 0,1, ou seja, mdia de 1 cliente a cada 10 minutos.



P (T > 40) = e
0,1 . 40
= e
4
= 1,83%

b-) chegue no primeiro quarto de hora aps ela ter sido aberta?

P (T < 15) = 1 e
0,1 . 15
= 1 e
1,5
= 77,69%
f (x)







t

x
21
4.1.1- Esperana Matemtica, Varincia e Desvio Padro da Distribuio Exponencial

=
1

1

1
2
2
1

Ex.: Considerando-se os dados do exemplo anterior, calcule a esperana matemtica, a varincia
e o desvio padro.

Exerccios de aplicao:

01) Os defeitos de um tecido seguem a distribuio de Poisson com mdia de um defeito a cada
400 m. Qual a probabilidade de que um intervalo entre dois defeitos consecutivos seja:
(FONSECA: 84)
a) no mnimo de 1.000 m;
b) entre 800 e 1.000 m;
c) calcule a mdia e a varincia da distribuio.

02) Se as interrupes no suprimento de energia eltrica ocorrem segundo uma distribuio de
Poisson com a mdia de uma interrupo por ms (quatro semanas), qual a probabilidade de
que entre duas interrupes consecutivas haja um intervalo de: (FONSECA: 89)
a) menos de uma semana;
b) exatamente um ms;
c) mais de trs semanas;
d) entre 10 e 12 semanas.


4.2- Distribuio Retangular ou Uniforme

A distribuio uniforme adequada quando a varivel aleatria se distribui por igual dentro da
sua escala de possveis valores. Em outras palavras, ela deve ser adotada quando nada nos
indicar que um valor em particular prefervel, mais freqente ou mais provvel que outro
qualquer, fazendo supor que os eventos ocorrem de modo constante ou uniforme.

a mais simples das distribuies de probabilidades de varivel aleatria contnua, sendo
utilizada em condies bastante restritas.


< <
=
b x e a x para 0
b x a para
a - b
1
) x ( f










No grfico acima, sabendo-se com toda certeza que dado evento ocorre no intervalo [a, b], a
probabilidade de que ele ocorra no subintervalo [c, d] dada por:










100% do
Espao Amostral



a c d b
a b
1

22
AB
CD
) d x c ( P = < <


Onde: CD = d c indica a amplitude do intervalo onde espera-se encontrar a v.a..
AB = b a indica a amplitude do intervalo em que certamente se encontrar a v.a..

Ex.: Dado que o volume de refrigerante num copo enchido por uma mquina post-mix, varia
uniformemente entre 270 ml e 300 ml, pede-se a probabilidade de se obter um copo com
menos de 290 ml.

% 67 , 66
3
2
30
20
270 300
270 290
) 290 X 270 ( P = = =

= < <

4.2.1- Esperana Matemtica, Varincia e Desvio Padro da Distribuio Uniforme.

12
a b

12
) a b (

2
b a
2
2

=

=
+
=


Ex.: Considerando-se os dados do exemplo anterior, calcule a esperana matemtica, a varincia
e o desvio padro do volume de refrigerante num copo enchido por uma mquina post-mix.

Exerccios de aplicao:

01) Um ponto escolhido ao acaso no segmento de reta [0, 2]. Qual ser a probabilidade de que
o ponto esteja entre 1 e 3/2? (FONSECA: 73)

02) Um ponto escolhido ao acaso no segmento de reta [1, 4]. Qual ser a probabilidade de que
o ponto esteja entre: (FONSECA: 84)
a- 2 e 3;
b- 0,5 e 2,5;
c- seja exatamente o 2.

03) Calcule a mdia, a varincia e o desvio padro com os dados dos exerccios acima.


4.3- Distribuio Normal ou Curva Normal ou Distribuio de Gauss Carl Friedrich.
Gauss astrnomo (1777-1855)

A distribuio normal tem significativa importncia no estudo da distribuio das mdias e das
propores amostrais de grandes amostras.

A distribuio normal a mais importante das distribuies contnuas de probabilidade porque
um grande nmero de variveis aleatrias associadas a experimentos reais tem distribuies de
probabilidades que se aproximam da distribuio normal.

Tambm conhecida, como j foi dito, curva em forma de sino ou de montanha, tem sua
origem associada aos erros de mensurao normalmente observados pelos cientistas nas
medies efetivas das grandezas fsicas (como distncias, pesos, volumes, etc.).

sabido que, quando se efetuam repetidas mensuraes de determinada grandeza com um
aparelho equilibrado, no se chega ao mesmo resultado todas as vezes; obtm-se, ao contrrio,
um conjunto de valores que oscilam, de modo aproximadamente simtrico, em torno do
23
verdadeiro valor. Construindo-se o histograma desses valores e o correspondente polgono de
freqncia, obtm-se uma poligonal aproximadamente simtrica.

Inicialmente se supunha que todos os fenmenos da vida real devessem ajustar-se a uma curva
em forma de sino; em caso contrrio, suspeitava-se de alguma anormalidade no processo de
coleta de dados. Da a designao de curva normal.

A observao cuidadosa subseqente mostrou, entretanto, que essa pretensa universalidade da
curva, ou distribuio normal, no correspondia realidade. De fato, no so poucos os
exemplos de fenmenos da vida real representados por distribuies no-normais (curvas
assimtricas).

A distribuio normal desempenha, no obstante, papel preponderante na estatstica, e os
processos de inferncia nela baseados tm larga aplicao.

4.3.1- Caractersticas (propriedades) da Curva Normal
1) um modelo terico e tem forma de sino ou de montanha;
2) simtrica em relao ao ponto central (o de mxima freqncia);
3) dada a simetria da distribuio, 50% dos valores so inferiores mdia e 50%
superiores a ela;
4) unimodal, ou seja, no seu pico coincidem a mdia, a mediana e a moda;
5) por ser o padro de enviesamento e afilamento, tem-se que todos os momentos e
os coeficientes de assimetria so iguais a zero e o coeficiente de curtose igual a
0,263;
6) assinttica em relao ao eixo horizontal, ou seja, prolonga-se indefinidamente
para a esquerda e para a direita sem jamais toc-lo;
7) fica completamente especificada pela mdia e pelo desvio padro da varivel;
8) h uma curva normal para cada combinao de mdia e desvio padro;
9) qualquer distncia medida em desvios padro, acima ou abaixo da mdia, tem a
mesma rea sob a curva - ela simtrica. Com isto a rea sob a curva igual a 1.

4.3.2- Clculo das Probabilidades
As probabilidades associadas distribuio normal so dadas pela integral da sua
funo de densidade, dada a seguir:


= < < = dx
e
2
1
b) x P(a ou
2
e
) x ( f
2 2
Z
2
1
b
a
Z
2
1




Onde:


=
i
X
Z

Como se observa, calcular as reas (e as probabilidades) pela frmula acima no tarefa fcil.
Por essa razo, os principais valores foram previamente calculados e os resultados encontram-se
na Tabela de Distribuio Normal (ANEXO 2 Tabela Curva Normal, pgina 84).

4.3.3- Distribuio Normal Padronizada ou Normal Reduzida

A montagem da tabela de probabilidades associada distribuio normal s
possvel com uma padronizao. Isso porque na prtica h uma srie infinita de distribuies
normais, cada uma produzida por um par de valores (mdia e desvio-padro). A padronizao
feita adotando-se uma distribuio particular como referncia e transformando os valores reais
em relativos. A distribuio de referncia chamada de distribuio padronizada ou varivel
normal padronizada ou varivel normal reduzida ou escala Z ou escore Z mede o
24
afastamento das variveis em relao mdia, em nmero de desvios-padres aquela na qual a
mdia da distribuio igual a 0 e o desvio-padro da distribuio igual a 1.

O clculo do escore Z feito pela expresso:


=
i
X
Z
Frmula para Populao

S
X X
Z
i

=
Frmula para Amostra

Onde: nmero de desvios-padres, a contar da mdia;

valor qualquer da varivel aleatria;
mdia da distribuio;
desvio-padro da distribuio.


Ex.: 1) Determinar a rea sob a curva normal padronizada esquerda de 1,72.





2) Determinar a rea sob a curva normal padronizada abaixo de Z = 0,53.





Exerccios de aplicao:

1) Determinar a probabilidade da v.a. padronizada Z estar entre
o
Z = 0,70 e
1
Z = 1,35.





2) Determinar a probabilidade da v.a. padronizada Z estar entre
o
Z = 0,60 e
1
Z = 1,30




Z
Z
=
=
=
=
X
Z

Z
Z
25
3) Determinar a probabilidade de a v.a. reduzida Z tomar valores maiores do que 1,80.





4) Calcular, usando a tabela da distribuio normal padronizada, as seguintes probabilidades:
a) P (0 < Z < 1,34) b) P (-2,58 < Z < 0) c) P (Z > 1,54)


5) Determine os valores da varivel normal padronizada correspondente s seguintes
probabilidades:
a) P (Z < z) = 0,0901 b) P (Z > z) = 0,1401 c) P ( Z > z) = 0,0308


OBSERVAO: Os problemas da vida real no se apresentam j na forma reduzida; ao
contrrio, so formulados em termos de varivel normal original X, com
mdia e desvio padro . preciso ento, antes de passarmos sua
resoluo, transform-la na varivel normal reduzida, que o Escore
Padronizado Z, visto anteriormente.

Exemplo:
A taxa de hemoglobina no sangue de pessoas que gozam de boa sade segue uma
distribuio normal com mdia 12 e desvio padro 1.
Qual a probabilidade de se encontrar uma pessoa normal com taxa de hemoglobina:
a) Superior a 15?
b) Inferior a 10?
c) Entre 10 e 13?
d) Num grupo de 500 pessoas, em quantas devemos esperar as caractersticas acima?

Soluo: letra a) Padronizando 15 X = 3
1
12 15
Z =

=

P (X > 15) = P (Z > 3) = 0,5000 0,4987 = 0,0013 = 0,13%.


12 15

0 3


Exerccios de aplicao:

1) Suponha-se que a renda anual de So Paulo tenha uma mdia de R$5.000,00 com desvio
padro de R$1.500,00. Admitindo-se uma distribuio normal, que podemos dizer de uma
renda de R$7.000,00?



X
Z
26






Concluses:___________________________________________________________________
_____________________________________________________________________________
_____________________________________________________________________________
_____________________________________________________________________________


2) Sabendo-se que o dimetro de um rolamento que segue uma distribuio normal, tem mdia
igual a 100 mm e desvio padro igual a 5 mm, determine:

A) A porcentagem de dimetros abaixo de 98 mm.






B) A medida do dimetro, acima da qual, tem-se 10% de dimetros.






3) Uma distribuio normal tem mdia igual a 62,4. Determinar o desvio padro se 0,33 da rea
sob a curva esto direita de 79,2.







4) Certa mquina de empacotar arroz produz pacotes cujo peso tem distribuio normal com
desvio padro de 40 g. para quanto deve ser regulado o peso mdio dos pacotes para que
menos de 9,51% dos pacotes tenham menos de 4.972 g?


X
Z
X
Z
X
Z
X
Z
27
EXERCCIOS

DISTRIBUIO EXPONENCIAL

1) Se o tempo mdio entre um pedido e o atendimento em um restaurante uma v.a. com
distribuio exponencial com mdia 10 min, determine: (APOSTILA UFJF)
a) probabilidade de espera superior a 10 minutos;
b) probabilidade de espera inferior a 10 minutos;
c) probabilidade de espera inferior a 3 minutos.
R.: a) 36,8% b) 63,2% c) 25,9%

2) A durao de certa marca de condensador tem distribuio exponencial com mdia de 200
horas. Qual a proporo de condensadores que duram: (ZA)
a) menos de 100 horas;
b) mais de 500 horas;
c) entre 200 e 400 horas.
R.: a) 39,35% b) 8,21% c) 23,25%

3) Certa marca de lmpada tem distribuio aproximadamente exponencial, com vida mdia
de 1.000 horas. Determinar a percentagem das lmpadas que queimaro antes de 1.000
horas. (SOARES: 133)
R.: 63,2%

4) Um montanhista est perdido no flanco de uma montanha, fazendo sinal com sua lanterna
para atrair a ateno de uma patrulha de salvamento. Se o tempo, em horas, que a lanterna
capaz de emitir um feixe de luz visvel embaixo uma v. a. exponencial com parmetro
=1/6, qual a probabilidade de o sinal luminoso ser visto por ao menos 3 horas?
R.: 60,65%


DISTRIBUIO UNIFORME

5) Um entreposto comercializa diariamente entre 100 e 200 toneladas de um cereal, com
distribuio uniforme de probabilidades.
Sabendo-se que o ponto de equilbrio para esta operao corresponde a uma venda de 130
toneladas por dia, calcule a probabilidade de o comerciante realizar prejuzo em determinado
dia. (ERMES SILVA: 68)
R.: 30%

6) Uma VAC tem distribuio uniforme entre 2 e 7. Qual a mdia e o desvio padro desta
varivel? (APOSTILA JOS ANTONIO)
R.: = 4,5; = 1,44

7) Uma varivel aleatria x tem distribuio uniforme no intervalo [3,5]. (ERMES: 69)
a) Determine a funo de densidade de probabilidade associada;
b) construa o grfico desta funo.

8) Uma varivel aleatria x tem distribuio uniforme no intervalo [0,10]. Determine:
a) a mdia da distribuio;
b) o desvio padro. (ERMES: 69)
R.: a) 5 b) 2,89




28
DISTRIBUIO NORMAL

9) Calcular, usando a tabela da distribuio normal padronizada, as seguintes probabilidades:
a) P (0 < Z < 1,24) b) P (-2,63 < Z < 0) c) P (Z > 1,24) d) P (Z < -2,63)
e) P (Z < 1,24) f) P (-2,63 < Z < 1,24) g) P (Z > -2,63) h) P (1,24 < Z < 2,63)

R.: a) 39,25% b) 49,57% c) 10,75% d) 0,43%
e) 89,25% f) 88,82% g) 99,57% h) 10,32%


10) Determine os valores da varivel normal padronizada correspondente s seguintes
probabilidades:
a) P (Z < z) = 0,9922 b) P (Z > z) = 0,0764 c) P (Z > z) = 0,9099 d) P ( Z < z) = 0,95

R.: a) 2,42 b) 1,43 c) 1,34 d) 1,96


11) Um cereal ensacado automaticamente, sendo o peso mdio da saca igual a 50 kg com
desvio padro de 1,6 kg. Haver uma indenizao de R$5,00 para cada saca fornecida com
menos de 48 kg. Admitindo-se que o peso das sacas tem distribuio normal, responda aos
seguintes quesitos:
a) qual ser o custo mdio no caso de serem fornecidas 200 sacas?
b) para quanto se deve regular o peso mdio das sacas para que o custo de indenizao de
200 sacas caia para R$40,00?
c) como o administrador da produo acha desvantajoso para o custo total regular a
mquina para aumentar o peso mdio, ele pretende que a empresa adquira uma nova
mquina para aumentar o peso mdio, ele pretende que a empresa adquira uma nova
mquina que mantm o peso mdio da sacas em 50 kg. Qual deve ser o desvio padro
para que se pague indenizao apenas de 3% das sacas produzidas?
d) supondo que o custo do produto ensacado seja R$40,00 por saca, qual o custo esperado
de 500 sacas ao incluir as indenizaes, considerando-se a mquina antiga e a nova
mquina?

R.: a) R$105,60 b) 50,8 kg c) 1,06 kg d) antiga: R$10.264,00; nova R$20.075,00


12) Os fios eltricos produzidos por certa empresa so cortados automaticamente e vendidos em
rolos de 100 m. Devido aos erros da mquina, os comprimentos nos rolos se distribuem
normalmente com desvio padro igual a 1 m. O custo de cada metro de fio para a empresa
R$3,00 por metro. Para reduzir as reclamaes dos consumidores, estabeleceu-se que a
empresa pagar multa de R$ 21,00 para cada rolo que apresentar comprimento menor que 99
m. Sabendo-se que a mquina pode ser regulada para produzir rolos com comprimento
mdio de 100, 100,5 m ou 101 m e considerando-se o comprimento do fio uma VAC
normalmente distribuda, determine a regulagem mais econmica para a empresa.

R.: A regulagem da mquina para o comprimento mdio de 100,5 m a mais
econmica pois o custo total esperado R$302,90 enquanto os custos para as
regulagens do comprimento mdio para 100 e 101 m acarretam custos totais esperados
de R$303,33 e R$ 303,48, respectivamente.






29
CAPTULO 5 (RESUMO)

Testes de Hipteses Aplicveis Pesquisa




















































Fundamentos
do Teste de
Hipteses
Objetivos
Desenvolver mtodos de
testes de hipteses para
analisar diferenas;
Tomar decises
Metodologia de Teste de
Hipteses
Exemplo
O Gerente de produo est
preocupado em avaliar se o
processo est funcionando de
modo a assegurar que, na
mdia, a quantidade apropriada
de cereal (isto , 368 gramas)
est sendo colocada em cada
caixa.
Se o contedo mdio, no
processo como um todo,
de 368 gramas.
Nenhuma ao corretiva
necessria.
Metodologia de Teste de
Hipteses
Deciso
Deciso
Se o contedo mdio
no igual a 368
gramas.
Aes corretivas so
necessrias.
Metodologia de Teste de
Hipteses
POPULAO PARMETROS
AMOSTRAS ESTIMADORES
Metodologia de Teste de
Hipteses
Metodologia de Teste de Hipteses
O processo est sob controle,
isto , a mdia de contedo de
cereais igual a 368 gramas.
Hipteses formuladas pelo
Gerente de Produo:
A hiptese de que o parmetro
da populao seja igual
especificao da empresa
identificada como
Hiptese nula
H
0
: = 368 Hiptese nula
H
1
: 368 Hiptese alternativa
Metodologia de Teste de
Hipteses
A metodologia de teste de
hiptese projetada de modo
que nossa rejeio hiptese
nula se baseie em evidncia a
partir da amostra, e que nossa
hiptese alternativa seja bem
mais provvel de ser verdadeira.
Metodologia de Teste de
Hipteses
Aceitar a hiptese nula (H
0
) no
prova de que ela seja
verdadeira.
A deciso de aceitar H
0
, nos
leva a concluir que no existem
evidncias suficientes para
garantir a sua rejeio.
Metodologia de Teste de
Hipteses
30























































O Valor Crtico da Estatstica
do Teste
A quantidade de cereal por
caixa igual a 368 gramas?
Coletou uma amostra de
caixas, pesou cada caixa e
calculou a mdia aritmtica
da amostra.
Rejeita a
Hiptese H
0
Aceita a
Hiptese H
0
No
Sim
X est muito
distante de ?
O Valor Crtico da Estatstica
do Teste
Muito prximo?
Muito longe? ...
A metodologia de teste de
hipteses avalia tais
diferenas e nos possibilita
quantificar nosso processo
de tomada de deciso.
Regies de Rejeio e de
No-Rejeio
Regio de
Aceitao
Valor
Crtico
Regio de Rejeio Regio de Rejeio
Valor de
da hiptese nula
Valor
Crtico
31























































Nvel de Confiana
(1- )
Valor
Crtico
Nvel de significncia
/2
Nvel de significncia
/2
Valor de
da hiptese nula
Valor
Crtico
Regies de Rejeio e de
No-Rejeio
Riscos na Tomada de Deciso
Quando uma hiptese for
aceita quando deveria ser
rejeitada.
Quando uma hiptese for
rejeitada quando deveria ser
aceita.
Erro do tipo I ()
Erro do tipo II ()
Riscos na Tomada de Deciso
Poder do Teste
(1 - )
Erro do tipo I

Rejeitar H
0
Erro do tipo II

Confiana
(1 - )
Aceitar H
0
H
0
falso H
0
verdadeiro
Deciso
Estatstica
Situao Verdica
O teste Z de Hipteses para a
mdia populacional ( conhecido)
n
x
Z
teste


=
ESTATSTICA DE TESTE
=
=
=
=
n
x Mdia das amostras
Mdia da populao
Desvio Padro da populao
Nmero de elementos da amostra
ONDE:
32























































O teste Z de Hipteses para a
mdia populacional ( conhecido)
H
0
: = 368 Hiptese nula
H
1
: 368 Hiptese alternativa
Exerccio de Aplicao
Testar estas hipteses, sendo:
a) nvel de significncia de 5%;
b) amostra de tamanho 25;
c) mdia dessa amostra = 372,5;
d) (desvio padro) = 15;
Nvel de Confiana
(1- 0,05)=95%
Valor
Crtico
= -1,96
Nvel de significncia
/2=2,5%
Nvel de significncia
/2=2,5%
=368 Valor
Crtico
= 1,96
1,50
No rejeitar H No rejeitar H
0 0
O teste Z de Hipteses para a
mdia populacional ( conhecido)
1,5 =

=
25
15
368 5 , 372
Z
teste
33
EXERCCIOS





















































1 Exerccio
Suponha que o gerente de uma loja de
comrcio de tintas queira calcular a verdadeira
quantidade de tinta contida nas latas de um
galo, compradas de um fabricante
nacionalmente conhecido.
Sabe-se, pelas especificaes do fabricante,
que o desvio padro da quantidade de tinta
igual a 0,02 galo. Uma amostra aleatria de 50
latas selecionada, e a quantidade mdia de
tinta por lata de 1 galo igual a 0,995 galo.
Existem evidncias de que a quantidade mdia
seja diferente de 1,0 galo? (utilize = 0,01)
O gerente de controle de qualidade de uma
fbrica de lmpadas de filamento precisa
calcular a vida til mdia de uma grande
remessa de lmpadas.
Sabe-se que o desvio padro do processo
de 100 horas.
Uma amostra aleatria de 50 lmpadas
indicou uma vida til mdia da amostra igual
a 350 horas.
H evidncias de que a vida til mdia seja
diferente de 375 horas? (utilize = 0,05)
2 Exerccio
A diviso de inspeo do Departamento de
Pesos e Medidas de So Paulo est interessada
em calcular a real quantidade de refrigerante
que colocada em garrafas de 2 litros, no setor
de engarrafamento de uma grande empresa de
refrigerantes.
O setor de engarrafamento informou diviso
de inspeo que o desvio padro para garrafas
de 2 litros 0,05 litro.
Uma amostra aleatria de 100 garrafas de 2
litros, obtida deste setor de engarrafamento,
indica uma mdia da amostra de 1,99 litro.
H evidncias de que a quantidade mdia nas
garrafas seja diferente de 2,0 litros? (utilize =
0,05)
3 Exerccio
32
CAPTULO 5 (MATERIAL COMPLETO)

Testes de Hipteses Aplicveis Pesquisa


5.1- Decises estatsticas

Na prtica, somos chamados com muita freqncia a tomar decises acerca de populaes,
baseadas nas informaes das amostras. Essas decises so denominadas decises estatsticas.

Ex.:
Pode-se desejar decidir, com base em dados amostrais, se um novo soro realmente eficaz
na cura de uma doena, se um processo educacional melhor do que outro, se uma certa moeda
viciada etc..


5.2- Hipteses estatsticas. Hipteses nulas

Ao se tentar chegar s decises, conveniente a formulao de hipteses ou de conjecturas
acerca das populaes interessadas. Essas suposies, que podem ser ou no verdadeiras, so
denominadas hipteses estatsticas e, em geral, so afirmaes acerca das distribuies de
probabilidade das populaes.

Em alguns casos, formula-se uma hiptese estatstica com o nico propsito de rejeit-la ou
invalid-la.

Ex.:
Se se deseja decidir se uma moeda viciada, formula-se a hiptese de que ela no o seja,
isto p = 0,5, em que p a probabilidade de caras. De modo semelhante, se se deseja decidir se
um processo melhor do que outro, formula-se a hiptese de que no h diferena entre eles,
isto , que quaisquer diferenas observadas sejam devidas meramente a flutuaes das amostras
provenientes da mesma populao. Essas hipteses so denominadas hipteses nulas e
representamo-las por H
o
.

Qualquer hiptese que difira de uma prefixada denominada hiptese alternativa.

Ex.:
Se se admite que p = 0,5, so hipteses alternativas: p = 0,7, p 0,5 ou p > 0,5. Uma
hiptese alternativa da nula representada por H
1
.


5.3- Testes de hipteses e significncia

Admita uma hiptese particular como verdadeira, se se verificar que os resultados observados
em uma amostra aleatria diferem acentuadamente dos esperados para aquela hiptese, com base
na probabilidade simples mediante a utilizao da teoria da amostragem, poder-se- concluir que
as diferenas observadas so significativas e ficar inclinado a rejeitar a hiptese (ou, pelo menos,
a no aceit-la com base nas provas obtidas).

Ex.:
Se 20 lances de uma moeda apresentarem 16 caras, ficamos inclinadas a rejeitar a hiptese
de que a moeda honesta, embora seja concebvel que se esteja incorrendo em erro.

33
Os processos que habilitam a decidir se se aceitam ou rejeitam as hipteses, ou a determinar se
as amostras observadas diferem, de modo significativo, dos resultados esperados, so
denominados testes de hiptese ou de significncia, ou regras de deciso.


5.4- Erro do Tipo I e II

Se uma hiptese for rejeitada quando deveria ser aceita, diz-se que foi cometido um erro do Tipo
I. Se, por outro lado, for aceita uma hiptese que deveria ser rejeitada, diz-se que foi cometido
um erro do Tipo II. Em ambos os casos ocorreu uma deciso errada ou um erro de julgamento.

Para que quaisquer testes de hipteses ou regras de deciso sejam bons, eles devem ser
planejados de modo que os erros de deciso sejam reduzidos ao mnimo. Isso no tarefa
simples, porquanto para um dado tamanho de amostra, a tentativa de diminuir um certo tipo de
erro acompanhada, em geral, pelo acrscimo de outro tipo. Na prtica, um tipo de erro pode ser
mais importante do que outro, de modo que se deve procurar uma acomodao que favorea a
limitao do erro mais srio. O nico caminho para a reduo de ambos os tipos de erros consiste
em aumentar o tamanho da amostra, o que pode ou no ser possvel.


5.5- Nvel de significncia

Ao testar uma hiptese estabelecida, a probabilidade mxima com a qual estaremos dispostos a
correr o risco de um erro do Tipo I denominada de nvel de significncia do teste. Essa
probabilidade, representada freqentemente por , geralmente especificada antes da extrao
de quaisquer amostras, de modo que os resultados obtidos no influenciem a escolha.

Na prtica, usual a adio de um nvel de significncia 0,05, ou 0,01 (5% ou 1%), embora
possam ser usados outros valores.

Ex.:
Se escolhido um nvel de significncia 0,05 ou 5%, no planejamento de um teste de
hiptese, h ento cerca de 5 chances em 100, da hiptese ser rejeitada, quando deveria ser
aceita, isto , h uma confiana de cerca de 95% de que se tome uma deciso acertada. Nesses
casos, diz-se que a hiptese rejeitada no nvel de significncia 0,05, o que significa que a
probabilidade de erro seria de 0,05 ou 5%.


5.6- Testes que envolvem a Distribuio Normal

Para exemplificar as idias apresentadas, admita-se que, sob uma certa hiptese, a distribuio
amostral de uma estatstica S normal, com a mdia
S
e desvio padro
S
. Ento, a distribuio
da varivel reduzida (ou escore Z), dado por Z = (S
S
) /
S
a distribuio normal reduzida
(com mdia 0 e varincia 1) que esta representada abaixo.





Z = -1,96 Z = 1,96


Regio
Crtica
Regio
Crtica
0,95
0,025 0,025
0,4750 = 1,96
34
Como est indicado na figura, pode-se estar 95% confiante de que, se a hiptese for verdadeira, o
escore Z de uma estatstica amostral real, S, estar compreendido entre 1,96 e 1,96 (visto que a
rea subtendida pela curva normal, entre esses valores, 0,95, que dividido por 2 = 0,4750).

Entretanto, se, ao escolher uma nica amostra aleatria, fosse verificado que o escore Z dessa
estatstica cai fora do intervalo de 1,96 e 1,96, concluir-se-ia que esse evento poderia ocorrer
com a probabilidade de apenas 0,05 (rea total sombreada na figura) se a hiptese estabelecida
fosse verdadeira. Dir-se-ia, ento, que esse escore Z difere de modo significativo do que seria
esperado daquela hiptese, e se estaria propenso a rejeit-la.

A rea total sombreada, de 0,05 ou 5%, o nvel de significncia do teste. Ela representa a
probabilidade de incorrer-se em erro na rejeio da hiptese, isto , a probabilidade de ser
cometido um erro do Tipo I. Por essa razo diz-se que a hiptese rejeitada no nvel de
significncia 0,05, ou que o escore Z da estatstica amostral dada significativo naquele nvel.

O conjunto dos escores Z, situados fora do intervalo de 1,96 a 1,96, constitui a denominada
regio crtica de rejeio da hiptese ou de regio de significncia. O conjunto dos escores Z,
compreendidos no intervalo de 1,96 a 1,96 poderia, ento, ser denominado regio de aceitao
da hiptese ou de regio de no-significncia.

Com base nas observaes apresentadas, pode ser formulada a seguinte regra de deciso, teste
de hipteses ou significncia.

(a) Rejeio da hiptese no nvel de significncia 0,05, quando o escore Z da estatstica S situar-
se fora do intervalo de 1,96 a 1,96 (isto , Z > 1,96 ou Z < 1,96). Isso eqivale a dizer que
a estatstica amostral observada significativa no nvel 0,05.
(b) Aceitao da hiptese (ou, se for desejado, no tomar nenhuma deciso) no caso contrrio.

Como o escore Z representa papel to importante nos testes de hipteses e na significncia, ele
tambm denominado teste estatstico.

Ex.:
Se for adotado o nvel 0,01 (1%), substituir-se-, em toda a explanao anterior, 1,96 por
2,58 (veja tabela de valores crticos de Z da pgina seguinte).

OBS.: Deve-se assinalar que poderiam ser utilizados outros nveis de significncia.


5.7- Testes unilaterais e bilaterais

Nos testes anteriores, manifestou-se interesse nos valores extremos da estatstica S, ou nos
escores Z correspondentes de ambos os lados da mdia, isto , em ambas as extremidades da
distribuio. Por esta razo, esses testes so denominados bilaterais ou dos dois lados.

Muitas vezes, entretanto, pode-se ter interesse apenas nos valores extremos de um nico lado da
mdia, isto , em uma extremidade da distribuio, como por exemplo, quando se est testando
a hiptese de um processo ser melhor do que o outro (o que diferente de testar se um processo
melhor ou pior do que outro). Esses testes so denominados unilaterais ou de um lado. Nesses
casos, a regio crtica est situada de um s lado da distribuio e sua rea igual ao nvel de
significncia.

A tabela da pgina seguinte, que nos d os valores crticos de Z para ambos os testes, unilateral e
bilateral, em vrios nveis de significncia, pode revelar-se til como referncia. Os valores
crticos de Z, para outros nveis de significncia, so determinados mediante o emprego das
tabelas das reas da curva normal.
35
ALGUNS VALORES CRTICOS DE Z

Nvel de Significncia 0,10 0,05 0,01 0,005 0,002
Valores crticos de z
para testes unilaterais
1,28
ou 1,28
1,645
ou 1,645
2,33
ou 2,33
2,575
ou 2,575
2,88
ou 2,88
Valores crticos de z
para testes bilaterais
1,645
e 1,645
1,96
e 1,96
2,575
e 2,575
2,81
e 2,81
3,08
e 3,08


Exerccios de aplicao:

01) Determinar a probabilidade de obter-se entre 40 e 60 caras, inclusive, em 100 lances de uma
moeda honesta.

Soluo:

De acordo com a distribuio binomial, a probabilidade desejada :

40 60 60
100
59 41 41
100
60 40 40
100
5 , 0 5 , 0 C ... 5 , 0 5 , 0 C 5 , 0 5 , 0 C ) 60 e 40 entre ( P + + + = (muito longo)

Como np = 100 . 0,5 e nq = 100 . 0,5 so ambos maiores do que 5, pode-se empregar, para o
clculo dessa soma, o ajustamento normal distribuio binomial.

A mdia, que igual a esperana matemtica e o desvio padro do nmero de caras, em 100
lances, so dados por:

5 5 , 0 5 , 0 100 npq e 50 5 , 0 100 np = = = = = =

Considerando-se a escala contnua, o intervalo entre 40 e 60 caras, inclusive, o mesmo que
entre 39,5 e 60,5 caras.

Calculando Z temos: 10 , 2
5
50 5 , 60
Z e 10 , 2
5
50 5 , 39 X
Z
i
=

= =


=

A probabilidade desejada igual a rea subtendida pela curva normal entre Z = 2,10 e Z = 2,10.
Portanto a resposta ser 0,4821 + 0,4821 = 0,9642 = 96,42%.


02) Para testar a hiptese de que uma moeda honesta, adotou-se a seguinte regra de deciso:

(1) aceitar a hiptese, se o nmero de caras, em uma nica amostra de 100 lances, estiver entre
40 e 60, inclusive;
(2) rejeit-la em caso contrrio.

Pede-se:
a- determinar a probabilidade de ser rejeitada a hiptese, quando ela for realmente correta;
b- interpretar graficamente a regra de deciso e o resultado do item a;
c- que concluses se poderiam tirar do fato de uma amostra de 100 lances apresentar 53 caras?
60 caras?
d- poder-se-ia estar errado nas concluses do item c? Explicar.


36
Soluo:

a- De acordo com o exerccio 01, a probabilidade de no se obter entre 40 e 60 caras, inclusive,
quando a moeda honesta, igual a 1 0,9642 = 0,0358. Ento, a probabilidade da hiptese
ser rejeitada quando ela correta igual a 0,0358 ou 3,58%.

b- A regra de deciso ilustrada pela figura abaixo, que mostra a distribuio de
probabilidades das caras em 100 lances de uma moeda honesta.


Z = -2,10 Z = 2,10
(39,5 caras) (60,5 caras)

Se uma nica amostra de 100 lances resultar num escore Z, compreendido entre 2,10 e 2,10,
aceitar-se- a hiptese; no caso contrrio, ela ser rejeitada e decidir-se- que a moeda viciada.

O erro cometido ao rejeitar a hiptese, quando deveria ser aceita, do Tipo I da regra de deciso
e a probabilidade de comet-lo igual a 0,0358, conforme o item (a), e representada pela rea
total sombreada da figura.

Se em uma nica amostra de 100 lances ocorrer um nmero de caras, cujo escore Z (ou
estatstica Z) caia na regio sombreada, dir-se- que o escore Z difere de maneira significativa do
que seria esperado se a hiptese fosse verdadeira. Por esta razo, a rea total sombreada (isto , a
probabilidade de um erro Tipo I) denominada nvel de significncia da regra de deciso e
igual a 0,0358, neste caso. Portanto, fala-se em rejeio da hiptese do nvel de significncia
0,0358 ou 3,58%.

c- De acordo com a regra de deciso, deve-se aceitar a hiptese da moeda ser honesta, em
ambos os casos. Pode-se argumentar que, se apenas mais uma cara fosse obtida, teramos
rejeitado a hiptese. Isso o que se tem de enfrentar, quando utilizada uma linha tnue de
diviso na tomada de decises.

d- Sim. Poder-se-ia aceitar a hiptese quando deveria ser rejeitada, e esse seria o caso, por
exemplo, se a probabilidade de caras fosse, realmente, de 0,7 em vez de 0,5. O erro
cometido ao aceitar a hiptese, quando deveria ser rejeitada, do Tipo II da deciso.

03) Planejar uma regra de deciso para testar a hiptese de uma moeda ser honesta, quando
considerada uma amostra de 64 lances e adotado o nvel de significncia:
a- 0,05;
b- 0,01.

Soluo:

a- Primeiro mtodo: se o nvel de significncia 0,05, cada rea sombreada da figura a seguir
de 0,025, por simetria. Ento, a rea entre 0 e Z
1
= 0,5000 0,0250 = 0,4750 e Z
1
= 1,96.

Ento, uma regra de deciso possvel ser:

1) Aceitar a hiptese de que a moeda honesta quando Z estiver compreendido entre 1,96 e
1,96.
2) Rejeit-la no caso contrrio.

Regio de
rejeio
Regio de
rejeio
Regio de
aceitao
37


Z = -1,96 Z = 1,96

OBS.: Os valores crticos 1,96 e 1,96, podem tambm ser retirados da Tabela de Valores da
Curva Normal, ANEXO 2.

Para exprimir essa regra de deciso em relao ao nmero de caras a serem obtidas em 64 lances
da moeda, note-se que a mdia e o desvio padro da distribuio das caras so dadas por:

4 5 , 0 5 , 0 64 npq e 32 5 , 0 64 np = = = = = = , para a hiptese de que a moeda honesta.

Ento, 84 , 39
4
32 X
1,96 e 16 , 24
4
32 X
96 , 1
X
Z
i i i
=

= =


= .

Portanto, a regra de deciso torna-se:
(1) Aceitar a hiptese de que a moeda honesta, quando o nmero de caras estiver
compreendido entre 24,16 e 39,84, isto , entre 25 e 39, inclusive.
(2) Rejeit-la, no caso contrrio.


Segundo mtodo: Com a probabilidade de 0,95, o nmero de caras estar situado entre
+ 1,96 e 96 , 1 , isto , npq 1,96 np e npq 96 , 1 np + , ou entre
32 1,96.(4) = 24,16 e 32 + 1,96.(4) = 39,84, o que conduz regra de
deciso anterior.

b- Se o nvel de significncia 0,01, cada rea sombreada da figura anterior 0,005. Ento, a
rea entre 0 e Z
1
= 0,5000 0,0050 = 0,4950 e Z
1
= 2,575.

Adotando-se o processo do segundo mtodo, para o item (a), v-se que, na probabilidade de
0,99, o nmero de caras estar situado entre + 2,575 e 575 , 2 , isto , 32 2,575.(4) =
21,70 e 32 + 2,575.(4) = 42,30.

Em conseqncia, a regra de deciso torna-se:
(1) Aceitar a hiptese se a quantidade de caras estiver compreendido entre 22 e 42, inclusive.
(2) Rejeit-la, no caso contrrio.


04) Em uma experincia sobre a Percepo Extra-Sensorial (PES) um indivduo (sujeito), em
uma sala, solicitado a declarar a cor vermelha ou preta de uma carta escolhida, de um
baralho bem embaralhado de 50 cartas, por outro indivduo colocado em outro sala.
O sujeito desconhece quantas cartas vermelhas ou pretas h no baralho. Se o sujeito
identifica corretamente 32 cartas, determinar se os resultados so significativos, nos nveis
de significncia:
a- 0,05;
b- 0,01.

Soluo:

Se p a probabilidade do sujeito declarar corretamente a cor de uma carta, deve-se decidir,
ento, entre as duas hipteses seguintes:
0,025 0,025
38
H
o
: p = 0,5 o sujeito est simplesmente adivinhando, isto , os resultados so devidos ao
acaso.

H
1
: p > 0,5 o sujeito tem faculdades de PES.

Escolhe-se um teste unilateral, visto que no h interesse na aptido de obter escores
extremamente baixos mas, ao contrrio, na de obter escores altos.

Se a hiptese H
o
for verdadeira, a mdia e o desvio padro do nmero de cartas corretamente
identificadas so dados por:

. 54 , 3 5 , 12 5 , 0 5 , 0 50 npq e 25 5 , 0 50 np = = = = = = =

(a) Para um teste unilateral no nvel de significncia 0,05, deve-se escolher Z
1
, na figura abaixo,
de modo que a rea sombreada da regio crtica dos escores altos seja 0,05. Ento, a rea entre
0 e Z
1
= 0,4500 e Z
1
= 1,645.

Portanto, a regra de deciso ou teste de significncia ser:

(1) se o escore Z observado for maior do que 1,645, os resultados sero significativos no nvel
0,05, e o indivduo tem faculdades de PES;
(2) se o escore Z for menor do que 1,645, os resultados so devidos ao acaso, isto , no sero
significativos no nvel 0,05.


Z
1
= 1,645

Como 32, em unidades reduzidas, igual a 98 , 1
54 , 3
25 32 X
Z
i
=


= , superior a 1,645, a
deciso (1) vlida, isto , conclui-se que, no nvel 0,05, o indivduo tem faculdades de PES.

(b) Se o nvel de significncia 0,01, ento a rea entre 0 e Z = 0,4900 e Z
1
= 2,33. Como 32, em
unidades reduzidas, 1,98, inferior a 2,33, conclui-se que os resultados no so significativos
no nvel 0,01.

OBS.: - Alguns estatsticos adotam a seguinte terminologia:
1) Altamente Significativos resultados significativos no nvel 0,01;
2) Provavelmente Significativos significativos no nvel 0,05, mas no no 0,01;
3) No-significativos resultados significativos em nveis superiores a 0,05.

- De acordo com esta terminologia, concluir-se-ia que os resultados da experincia so
provavelmente significativos, de modo que se justificam investigaes ulteriores do
fenmeno.

- Como os nveis de significncia servem de guia para a tomada de decises, alguns
estatsticos citam as probabilidades reais pertinentes.
Por exemplo, no problema anterior, como Pr (Z 1,98) = 0,0239, os estatsticos diriam
que, baseados na experincia, as probabilidades de incidir em erro, ao concluir-se que o
indivduo tem faculdades de PES , aproximadamente de 3 em 100.
A probabilidade citada neste caso, 0,0239, , s vezes, denominada nvel de
significncia experimental ou descritiva.
0,4500
Regio
Crtica
39
05) O fabricante de uma droga medicinal reivindicou que ela era 80% eficaz em curar uma
alergia, em um perodo de 8 horas. Em uma amostra de 200 pessoas que tinham alergia, a
droga, em 8 horas, curou 150 pessoas. Determinar se a pretenso do fabricante legtima no
nvel de significncia de 0,01.


Soluo:

Seja p a probabilidade de obter-se a cura da alergia, mediante o uso da droga. Ento, deve-se
decidir entre duas hipteses:

H
o
: p = 0,8 a pretenso correta.

H
1
: p < 0,8 ela falsa.

Escolhe-se um teste unilateral, porque no h interesse em determinar se a proporo de pessoas
curadas pela droga muito baixa.


Z = -2,33

Como o nvel de significncia considerado 0,01, isto , se a rea sombreada da figura acima
0,01, ento Z = 2,33. Toma-se a regra de deciso:

(1) A pretenso no ser legtima quando Z for inferior a 2,33 e, nesse caso, rejeita-se H
o
;
(2) No caso contrrio, a pretenso ser legtima e, ento, aceita-se H
o
.

Se H
o
verdadeira, . 66 , 5 32 2 , 0 8 , 0 200 npq e 160 8 , 0 200 np = = = = = = =

Isso posto, 150, em unidades reduzidas = (150 160) / 5,66 = 1,77, que maior do que 2,33.
Portanto, de acordo com a regra de deciso, conclui-se que a pretenso legtima e que os
resultados da amostra so altamente significativos.


5.8- Curvas caractersticas de operao. Potncia de um teste

Viu-se como o erro de Tipo I pode ser adequadamente limitado, mediante a escolha do nvel de
significncia. possvel evitar inteiramente o risco de erros do Tipo II, simplesmente pelo fato
de no comet-los, o que importa em nunca aceitar as hipteses. Em muitos casos prticos,
entretanto, isto no pode ser feito. Nesses casos, empregam-se freqentemente as curvas
caractersticas de operao ou curvas CO, que so grficos que indicam as probabilidades de
erros do Tipo II, sob vrias hipteses. Elas proporcionam indicaes de como testes bem
aplicados podem possibilitar a reduo ao mnimo de erros do Tipo II, isto , elas indicam a
potncia do teste, para evitar que sejam tomadas decises erradas. So teis no planejamento de
experincias por amostragem. Por exemplo: que tamanhos de amostras devem ser usados.


Exerccios de aplicao:

06) Com referncia ao exerccio 02, qual a probabilidade de aceitao da hiptese da moeda
ser honesta, quando a probabilidade real de caras for p = 0,7?

0,4900
40
Soluo:

A hiptese H
o
de que a moeda honesta, isto p = 0,5, aceita quando o nmero de caras em
100 lances est compreendido entre 39,5 e 60,5. A probabilidade de rejeio de H
o
, quando
deveria ser aceita (isto , a probabilidade de ser cometido um erro do Tipo I) representada pela
rea total da regio sombreada subentendida pela curva normal esquerda da figura a seguir.









Como foi calculada no exerccio 02 (a), essa rea , que representa o nvel de significncia do
teste de H
o
igual a 0,0358.

Se a probabilidade de caras for de p = 0,7, ento a distribuio das caras nos 100 lances ser
representada pela curva normal direita da figura acima. Nesse diagrama, evidente que a
probabilidade de aceitao de H
o
, quando p for realmente igual a 0,7 (isto , a probabilidade de
ser cometido um erro do Tipo II), dada pela rea hachurada da figura. Para calcular essa rea,
observe-se que a distribuio, no caso da hiptese p = 0,7, tem a mdia e o desvio padro dados
por:

. 58 , 4 3 , 0 7 , 0 100 npq e 70 7 , 0 100 np = = = = = =

60,5 em unidades reduzidas = (60,5 70) / 4,58 = 2,07

39,5 em unidades reduzidas = (39,5 70) / 4,58 = 6,66


Ento = (rea subentendida pela curva normal entre Z = 6,66 e Z = 2,07) = 0,0192


Em conseqncia, de acordo com a regra de deciso estabelecida, h uma probabilidade muito
pequena de ser aceita a hiptese da moeda ser honesta, quando p for realmente igual a 0,7.

Note-se que, neste problema, estabeleceu-se a regra de deciso e, de acordo com ela, foram
calculados e . Na prtica, duas outras possibilidades podem surgir:

(1) Optar por um valor de (como 0,05 ou 0,01), chegar a uma regra de deciso e depois
calcular o valor de .
(2) Optar por valores de e de e depois chegar a uma regra de deciso.


07) Resolver o exerccio anterior para:
a- p = 0,6;
b- p = 0,8;
c- p = 0,9;
d- p = 0,4



p=0,5 p=0,7
60,5 39,5
/2
/2

Z
41
Soluo:

a- Se p = 0,6, a distribuio das caras tem a mdia e o desvio padro dados por:

. 90 , 4 24 4 , 0 6 , 0 100 npq e 60 6 , 0 100 np = = = = = = =
60,5 em unidades reduzidas = (60,5 60) / 4,90 = 0,10
39,5 em unidades reduzidas = (39,5 60) / 4,90 = 4,18

Ento, = (rea subentendida pela curva normal entre Z = 4,18 e Z = 0,10) = 0,5398

Por conseguinte, de acordo com a regra de deciso estabelecida, h uma grande possibilidade
de ser aceita a hiptese da moeda ser honesta, quando p = 0,6.


b- Se p = 0,8, ento . 4 16 2 , 0 8 , 0 100 npq e 80 8 , 0 100 np = = = = = = =

60,5 em unidades reduzidas = (60,5 80) / 4 = 4,88
39,5 em unidades reduzidas = (39,5 80) / 4 = 10,12

Ento, = (rea subentendida pela curva normal entre Z = 10,12 e Z = 4,88) = 0,0000.


c- Da comparao com b, ou por meio de clculo, verifica-se que, para p = 0,9, = 0 para todas
as finalidades prticas.


d- Por simetria, para p = 0,4, obtm-se os mesmos valores de que para p = 0,6, isto ,
= 0,5398


08) Representar graficamente os resultados dos exerccios 06 e 07, mediante a construo de um
grfico de:
a- em funo de p;
b- (1 ) em funo de p.
Interpretar os grficos obtidos.


Soluo:

O quadro abaixo apresenta os valores de correspondentes aos dados de p, obtidos nos
exerccios 06 e 07.

p 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9
0,0000 0,0000 0,0192 0,5398 0,9642 0,5398 0,0192 0,0000 0,0000

Note-se que representa a probabilidade de aceitao da hiptese p = 0,5, quando p realmente
uma valor diferente desse. Entretanto, se realmente certo que p = 0,5, pode-se interpretar
como a probabilidade de aceitao de p = 0,5, quando ele deveria ser aceito. Essa probabilidade
igual a 1 0,0358 = 0,9642 e foi anotado no quadro acima.

a- O grfico de em funo de p, representado no grfico a seguir (a), denominado curva
caracterstica de operao, ou curva CO da regra de deciso ou do teste de hiptese.

42
A distncia do ponto mximo da curva CO linha = 1 igual a = 0,0358, e o nvel de
significncia do teste.













Em geral, quanto mais agudo for o pique da curva CO, mais adequada ser a regra de deciso
para a rejeio de hipteses que no so vlidas.


b- O grfico de (1 ) em funo de p, representado na figura acima (b), denominado curva de
potncia da regra de deciso ou do teste da hiptese. Essa curva obtida simplesmente,
mediante a inverso da CO, de modo que, na realidade, os dois grficos so equivalentes.

A quantidade (1 ) denominada funo de potncia, porque indica a capacidade, ou potncia
de um teste, de rejeitar hipteses falsas, isto , que deveriam ser refugadas. A quantidade
tambm denominada funo caracterstica de operao de um teste.


5.9- Cartas de controle

Na prtica, muitas vezes importante saber quando um processo se modifica consideravelmente,
de maneira que devem ser tomadas algumas medidas para remediar a situao. Esses problemas
surgem, por exemplo, no controle de qualidade, em que se deve, muitas vezes rapidamente
decidir se as variaes observadas so devidas simplesmente a flutuaes ocasionais ou a
variaes reais do processo de fabricao, resultantes da avaria de elementos da mquina, erros
de empregados etc.. As cartas de controle proporcionam um mtodo simples e til para tratar
desses problemas.

Exerccios de aplicao:

09) Construiu-se uma mquina para produzir mancais de esfera que tm o dimetro mdio de
0,574 polegada e o desvio padro de 0,008 polegada. Para determinar se a mquina est
funcionando adequadamente, retirada uma amostra de 6 mancais a cada 2 horas, por
exemplo, e calculado o dimetro mdio da amostra.
a- Planejar uma regra de deciso, por meio da qual se poder ter suficiente certeza de que a
qualidade dos produtos est de acordo com as normas exigidas.
b- Mostrar como pode ser representada graficamente a regra de deciso do item a.

Soluo:

a- Com um grau de confiana de 99,73%, pode-se dizer que a mdia amostral X deve estar
compreendida no intervalo entre ( ) ( )
X X X X
3 e 3 + , ou entre
( ) ( ) n / 3 e n / 3 + . Como = 0,574, = 0,008 e n = 6, segue-se que para aquele
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,0 3,0 5,0 7,0 9,0
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,0 3,0 5,0 7,0 9,0
p

0,2 0,4 0,6 0,8 1,0
= 0,0358
(a)
p

0,2 0,4 0,6 0,8 1,0


(b)
= 0,0358
43
grau de confiana, a mdia amostral deve estar compreendida entre (0,574 0,024 / 6 ) e
(0,574 + 0,024 / 6 ), ou entre 0,564 e 0,584 polegada. Portanto, a regra de deciso ser a
seguinte:

(1) Se a mdia amostral cair no intervalo entre 0,564 e 0,584 polegada, admitir-se- que a
mquina est em funcionamento normal.
(2) No caso contrrio, concluir-se- que seu funcionamento irregular e ser preciso
pesquisar a causa.


b- Pode ser mantido um registro das mdias amostrais por meio de uma carta como a
representada na figura abaixo, denominada carta de controle de qualidade. Cada vez que for
calculada uma mdia amostral, ela ser representada por um ponto particular. Enquanto eles
carem entre o limite inferior, 0,564 polegada, e o superior, 0,584 polegada, o processo est
sob controle. Quando um ponto for para fora desses limites de controle (como ocorreu com a
terceira amostra tomada na quinta-feira), h a possibilidade de haver alguma coisa errada, o
que justifica uma investigao.


Mdia
Amostral (cm)
Segunda-feira Tera-feira Quarta-feira Quinta-feira Sexta-feira
































Os limites de controle especificados so denominados limites de confiana de 99,73% ou,
abreviadamente, os limites de 3. Entretanto, podem ser tambm determinados outros limites de
confiana, como os de 68% ou 95%. A escolha, em cada caso, depende de circunstncias
particulares.


















0,574
0,584
0,564
44
EXERCCIOS

1) Determinar a probabilidade de obter-se entre 40 e 60 caras, exclusive, em 100 lances de uma
moeda honesta.

2) Para testar a hiptese de que uma moeda honesta, adotou-se a seguinte regra de deciso:
(1) aceitar a hiptese, se o nmero de caras, em uma nica amostra de 100 lances, estiver
entre 40 e 60, exclusive;
(2) rejeit-la em caso contrrio.

Pede-se:
a- determinar a probabilidade de ser rejeitada a hiptese, quando ela for realmente correta;
b- interpretar graficamente a regra de deciso e o resultado do item a;
c- que concluses se poderiam tirar do fato de uma amostra de 100 lances apresentar 53
caras? 60 caras?
d- poder-se-ia estar errado nas concluses do item c? Explicar.

3) Planejar uma regra de deciso para testar a hiptese de uma moeda ser honesta, quando
considerada uma amostra de 36 lances e adotado o nvel de significncia:
a- 0,06;
b- 0,03.

4) Em uma experincia sobre a Percepo Extra-Sensorial (PES) um indivduo (sujeito), em
uma sala, solicitado a declarar a cor vermelha ou preta de uma carta escolhida, de um
baralho bem embaralhado de 50 cartas, por outro indivduo colocado em outro sala.
O sujeito desconhece quantas cartas vermelhas ou pretas h no baralho. Se o sujeito
identifica corretamente 30 cartas, determinar se os resultados so significativos, nos nveis
de significncia:
a- 0,06;
b- 0,02.

5) O fabricante de uma droga medicinal reivindicou que ela era 85% eficaz em curar uma
alergia, em um perodo de 10 horas. Em uma amostra de 300 pessoas que tinham alergia, a
droga, em 10 horas, curou 250 pessoas. Determinar se a pretenso do fabricante legtima
no nvel de significncia de 0,05
.
6) Com referncia ao exerccio 02, qual a probabilidade de aceitao da hiptese da moeda
ser honesta, quando a probabilidade real de caras for p = 0,55 e p = 0,42?

7) Construiu-se uma mquina para produzir mancais de esfera que tm o dimetro mdio de
0,555 polegada e o desvio padro de 0,006 polegada. Para determinar se a mquina est
funcionando adequadamente, retirada uma amostra de 5 mancais a cada 1 horas, por
exemplo, e calculado o dimetro mdio da amostra.
a- Planejar uma regra de deciso, por meio da qual se poder ter suficiente certeza de que a
qualidade dos produtos est de acordo com as normas exigidas.
b- Mostrar como pode ser representada graficamente a regra de deciso do item a.









45
CAPTULO 6

Teoria das Pequenas Amostras

Em captulos anteriores lanou-se mo, freqentemente, do fato de, para amostras de tamanho
N > 30, denominadas grandes amostras, as distribuies amostrais de muitas estatsticas serem
aproximadamente normais, tornando-se a aproximao melhor com o crescimento de N, de
modo que devem ser introduzidas as modificaes convenientes.

O estudo das distribuies amostrais de estatsticas de pequenas amostras denominado teoria
das pequenas amostras. Entretanto, o nome mais apropriado seria teoria exata de amostragem,
visto que os resultados obtidos so vlidos tanto para as grandes como para as pequenas
amostras. A seguir, as duas principais distribuies de pequenas amostras:

6.1- Distribuio t de Student

Trata-se de um modelo de distribuio contnua que se assemelha distribuio normal padro.
utilizada para inferncias estatsticas, particularmente, como j foi dito, quando se tem
amostras com tamanhos inferiores a 30 elementos.

OBS.: O nome t de Student, tem origem no seu descobridor, William Gosset (1876 - 1937), que
era empregado da cervejaria Guinness e precisava de uma distribuio que pudesse ser
utilizada com pequenas amostras. Como a cervejaria irlandesa para a qual ele trabalhava
no permitia a publicao de resultados de pesquisa, Gosset publicou-os com o
pseudnimo de Student, durante a primeira parte do sculo XX.


n
S
X
t

=



A tabela de valores de Student (ANEXO 3 pgina 85), relaciona valores da distribuio t
juntamente com reas denotadas por .

Obtm-se valores de
2
t

na tabela, localizando o nmero adequado de graus de liberdade


(v = letra grega ni) na coluna a esquerda e percorrendo a linha correspondente at atingir o
nmero diretamente abaixo do valor aplicvel (bilateral) de .

O nmero de graus de liberdade para um conjunto de dados corresponde ao nmero de valores
que podem variar aps terem sido impostas certas restries a todos os valores. Por exemplo, se
10 estudantes tm em um teste notas com mdia 80, podemos atribuir valores arbitrrios a 9
delas, mas a dcima fica determinada univocamente. A soma das 10 notas deve ser 800, de modo
que a dcima nota deve ser igual a 800 menos a soma das 9 primeiras. Como as 9 primeiras notas
podem ser escolhidas arbitrariamente, dizemos que h nove graus de liberdade.

Para as aplicaes da distribuio, o nmero de graus de liberdade simplesmente o tamanho da
amostra menos 1. Graus de liberdade = n 1.

Ex.: O grfico da distribuio de Student t, com 9 graus de liberdade, est representado na
figura abaixo. (SPIEGEL: 289)


46


-t
1
t
1

Determinar os valores de t
1
para os quais:
a) a rea sombreada direita = 0,05;
b) a rea sombreada total = 0,05;
c) a rea no-sombreada total (ou em branco) = 0,99;
d) a rea sombreada esquerda = 0,01;
e) a rea esquerda de t
1
= 0,90.

Soluo:

a) Se a rea sombreada direita 0,05, ento a rea esquerda de t
1
(1 0,05) = 0,95 e
t
1
representa o percentil 95, t
0,95.


Reportando-se tabela do anexo 3, percorre-se a coluna encabeada por v para baixo
at encontrar a casa 9. Segue-se, ento, para a direita at encontrar a coluna
encabeada por t
0,95.
O resultado, 1,83, o valor desejado de t.

b) Se a rea total sombreada 0,05, ento, por simetria, a sombreada direita 0,025
(0,05 / 2). Portanto, a rea esquerda de t
1
(1 0,025) = 0,975, e t
1
representa o
percentil 97,5%. Na tabela do anexo 3, encontra-se 2,26 para o valor desejado de t.

c) Resolva R.: 3,25

d) Resolva R.: 2,82

e) Resolva R.: 1,38

Aplicao: Um ensaio das tenses de ruptura de 6 cabos produzidos por uma companhia
mostrou a tenso mdia de ruptura de 7.750 kg e o desvio padro de 145 kg, ao
passo que o fabricante declara que aquela tenso mdia de 8.000 kg.
Descubra se verdadeira a declarao do fabricante, nos nveis de significncia:
a) 0,05
b) 0,01 (SPIEGEL: 291)

Soluo:

Deve-se primeiro decidir entre as hipteses:

H
0
: = 8.000 kg, e a declarao do fabricante justificada.

H
1
: < 8.000 kg, ela no o , de modo que um teste unilateral necessrio.

Para a hiptese H
0
tem-se:

n
S
X
t

=
6
145
000 . 8 750 . 7
t

= t = 4,22

X
47
a) Para um teste unilateral, no nvel de significncia 0,05, adota-se a regra de deciso:

(1) Aceitar H
0
, quando t superior a t
0,95
, o qual, para 6 1 = 5 graus de liberdade, significa
t > 2,02.

(2) Caso contrrio, rejeitar H
0
.

Como t = 4,22, rejeita-se H
0
.

b) Para um teste unilateral, no nvel de significncia 0,01, adota-se, novamente a regra de
deciso:

(1) Aceitar H
0
, quando t for superior a t
0,99
, o qual, para 5 graus de liberdade, significa
t > 3,36.

(2) Caso contrrio, rejeitar H
0
.

Como t = 4,22, rejeita-se H
0
.

CONCLUSO: extremamente improvvel que a declarao do fabricante seja justificada.


Podemos agora determinar valores da margem de erro E ao estimar quando se aplica uma
distribuio t. Pode-se utilizar essa margem de erro para construir intervalos de confiana.


MARGEM DE ERRO para estimativa de
(Com base em uma amostra pequena (n 30) e desconhecido)

n
S
t E
2
=


INTERVALO DE CONFIANA para estimativa de
(Com base em uma amostra pequena (n 30) e desconhecido)


E X E X + < <



Ex.: Com um teste destrutivo, obviamente, as amostras so destrudas nesse processo. O teste de
coliso de carros um exemplo muito dispendioso de teste destrutivo. Se voc fosse o
responsvel por tais testes de coliso, dificilmente convenceria seu chefe da necessidade de
fazer colidir e destruir mais de 30 carros, a fim de poder utilizar uma Distribuio Normal.

Suponha que tenhamos feito teste de coliso em 12 carros esporte Dodge Viper (preo de
venda + ou $60.000) sob uma diversidade de condies que simulam colises tpicas. A
anlise dos 12 carros danificados resulta em custos de conserto que parecem ter distribuio
em forma de sino com mdia = $26.227 e desvio padro = $15.873.

Determine a estimativa intervalar de 95% de .
48
Soluo:

Passaremos construo de um intervalo de 95% de confiana utilizando a distribuio t,
porque so verificadas as condies seguintes:

1) a amostra pequena (n 30);
2) o desvio padro populacional ( ) desconhecido e;
3) a populao parece ter distribuio normal, porque os dados amostrais tm distribuio em
forma de sino.

Comeamos determinando o valor da margem de erro conforme a seguir. Note que o valor
crtico
2
t

= 2,20 obtido na tabela da Distribuio t na interseo da coluna rotulada 0,975


(100% 95% de confiana = 5% 5% / 2 = 2,5% = 0,025 1 0,025) com a linha
correspondente a 11 graus de liberdade (n 1 = 11).

71 , 080 . 10
12
873 . 15
20 , 2
n
S
t E
2
= = =

6789

Podemos agora construir a estimativa intervalar de 95% para utilizando E = 10.080,71 e mdia
igual a 26.227, fazendo:
E X E X + < <

71 , 080 . 10 227 . 26 71 , 080 . 10 227 . 26 + < <

71 , 307 . 36 $ 29 , 146 . 16 $ < <

Com base nos resultados apresentados, temos 95% de confiana de que os limites $16.146 e
$36.307 efetivamente contm o valor da mdia populacional . Esses custos de conserto
parecem ser bastante elevados. Na verdade, o Dodge Viper o carro mais caro para consertar
aps uma coliso.

Esta informao de grande importncia para companhias que aceitam seguro de Dodge Vipers
contra coliso.

Exerccios de aplicao:

01) Determinar os valores crticos de t para os quais a rea da extremidade direita da distribuio
t 0,05, quando o nmero de graus de liberdade v for igual a: (SPIEGEL:290)
a) 16 b) 27 c) 200

02) Ache o valor crtico
2
t

que corresponde ao grau de confiana e ao tamanho n da amostra


de dados: (TRIOLA: 155)
a) 99%; n = 10 b) 95%; n = 16 c) 98%; n = 21 d) 90% n = 8

03) Dados o grau de confiana e os elementos amostrais, determine: (TRIOLA: 155)
a) a margem de erro e;
b) o intervalo de confiana para a mdia populacional .
Em ambos os casos, admita que a populao tenha distribuio normal.
a) alturas de mulheres: 95% de confiana; n = 10; mdia = 63,4 in.; S = 2,4 in.
b) mdias de notas: 99% de confiana; n = 15; mdia = 2,76; S = 0,88
c) notas de testes: 90% de confiana; n = 16; mdia = 77,6; S = 14,2
d) salrios: 98% de confiana; n = 19; mdia = $23.228; S = $8.779
49
6.2- Distribuio Qui-Quadrado( )
2


Em uma populao distribuda normalmente com varincia
2
, escolhemos aleatoriamente
amostras independentes de tamanho n e calculamos a varincia amostral S
2
para cada amostra.
A estatstica amostral tem uma distribuio chamada distribuio Qui-quadrado.


2
2
2
S ) 1 n (

=


Onde: n = tamanho da amostra S
2
= Varincia amostral
2
= Varincia populacional


Propriedades da Distribuio da Estatstica Qui-Quadrado

1. A distribuio qui-quadrado no simtrica, ao contrrio das distribuies normal e t de
Student. (Na medida em que o nmero de graus de liberdade aumenta, a distribuio vai se
tornando menos assimtrica).

2. Os valores de qui-quadrado podem ser zero ou positivos; nunca negativos.

3. H uma distribuio qui-quadrado diferente para cada nmero de graus de liberdade.

4. medida que o nmero de graus de liberdade aumenta, a distribuio qui-quadrado tende para
uma distribuio normal.


Ex.: Determine os valores crticos de
2
que definem regies crticas contendo uma rea de
0,025 em cada cauda. Suponha que o tamanho da amostra seja 10, de modo que o nmero de
graus de liberdade ser 9, ou seja, 10 1.


Soluo:

Veja a figura abaixo e consulte a tabela do qui-quadrado (Anexo 4). Obtm-se o valor crtico
direita (
2
= 19,0) diretamente, localizando 9 na coluna graus de liberdade esquerda e
0,975 (1 0,025) na parte superior. O valor crtico
2
= 2,70 esquerda mais uma vez
corresponde a 9 na coluna de graus de liberdade e 0,025 (1 0,975) na parte superior, porque os
valores no topo so sempre reas direita do valor crtico. Verifique na figura abaixo, que a
rea total direita de
2
= 2,70 0,975.





2
= 2,70
2

2
= 19,0
(gl = 9)



0,025
Para obter este
valor crtico,
localize 9 na coluna
esquerda (graus
de liberdade) e
0,025 na linha
superior. A rea
total direita deste
valor crtico 0,975,
que obtemos sub-
traindo 0,025 de 1.
fi
X
O
0,025
Para obter este
valor crtico,
localize 9 na coluna
esquerda (graus
de liberdade) e
0,975 na linha
superior. A rea
direita deste valor
crtico 0,025, que
obtemos subtraindo
0,975 de 1.
50

INTERVALO DE CONFIANA
(ou Estimativa Intervalar) para a Varincia Populacional
2


2
E
2
2
2
D
2
S ) 1 n ( S ) 1 n (

< <




Ex.: Uma confeitaria fabrica sonhos que so embalados em pacotes com a indicao de que h
12 sonhos pesando um total de 42 oz. Se a variao de peso entre os sonhos muito grande,
algumas caixas tero peso a menos (prejudicando o consumidor) e outras tero peso a mais
(diminuindo o lucro da confeitaria). O Supervisor de Controle de Qualidade constatou que
esses problemas podem ser evitados se os sonhos tiverem um peso mdio de 3,50 oz e um
desvio-padro de 0,06 oz ou menos. Selecionam-se aleatoriamente, na linha de produo, 12
sonhos, que so pesados, dando os resultados a seguir.

Construa dois intervalos de confiana de 95%, um para
2
e outro para e, determinar se
o supervisor de controle est com problemas.

3,58 3,50 3,68 3,61 3,40 3,39 3,43 3,52 3,66 3,50 3,36 3,42


Soluo:

Com base nos dados amostrais, a mdia = 3,504 parece satisfatria, pois est muito prxima do
valor desejado de 3,50 oz. Os valores dados acusam um desvio-padro = 0,109, superior ao valor
desejado de 0,06 oz ou menos.

Passemos construo do intervalo de confiana para
2
.

Com uma amostra de 12 valores, temos 11 graus de liberdade. Com um grau de confiana de
95%, dividimos = 0,05 igualmente entre as duas caudas da distribuio
2
e localizamos os
valores 0,975 e 0,025 na linha superior. Os valores crticos de
2
so 82 , 3
2
E
= e 9 , 21
2
D
= .

Com esses valores crticos, o desvio-padro amostral S = 0,109 e o tamanho 12 da amostra,
construmos como segue o intervalo de 95% de confiana.


82 , 3
(0,109) ) 1 12 (
9 , 21
) 109 , 0 ( ) 1 12 (
2
2
2

< <




Esta expresso se reduz a 0,006 <
2
< 0,034. Tomando a raiz quadrada de cada membro, vem
0,077 < < 0,184. Com base no intervalo de confiana de 95%, parece que o desvio-padro
superior ao valor desejado de 0,06 oz; surge assim um problema para o Supervisor de Controle
de Qualidade, que deve tomar providncias corretivas para que os pesos dos sonhos sejam mais
consistentes.




51
Exerccios de aplicao:

01) Ache os valores crticos
2
D
2
E
e que correspondem ao grau de confiana e ao tamanho da
amostra de dados: (TRIOLA: 165)
a) 95%; n = 26 b) 99%; n = 17 c) 90%; n = 60 d) 95% n = 50


02) O grfico da distribuio de qui-quadrado com 5 graus de liberdade est representado na
figura da pgina seguinte. Determinar os valores crticos de
2
, para os quais: (SPIEGEL:
293)
a) a rea sombreada direita = 0,05;
b) a rea total sombreada = 0,05;
c) a rea sombreada esquerda = 0,10;
d) a rea sombreada direita = 0,01.









03) Determinar os valores medianos de
2
correspondentes aos graus de liberdade:
a) 9 b) 28 c) 40 (SPIEGEL: 295)



OBS.: interessante notar que os valores medianos so aproximadamente muito iguais aos
nmeros de graus de liberdade.

De fato, para v > 10, os valores medianos so iguais a (v 0,7), como se pode verificar na
tabela.















X
2
O 2
1

2
2

52
EXERCCIOS

DISTRIBUIO t DE STUDENT

1) Os coeficientes de confiana de 95% (bilateral), para a distribuio normal, so dados por
1,96. Quais sero os coeficientes correspondentes para a distribuio t, quando:
(SPIGEL: 290)
a) v = 9 b) v = 20 c) v = 30 d) v = 60
R.: a) 2,26 b) 2,09 c) 2,04 d) 2,00

2) Uma amostra constituda de 12 medidas de tenso de ruptura de um fio de algodo
apresentou a mdia de 7,38 kg e o desvio padro de 1,24 kg. Determinar os limites de
confiana, para a tenso de ruptura real, de: (SPIEGEL: 299)
a) 95%; b) 99%.
R.: a) 7,38 + ou 0,79 kg b) 7,38 + ou 1,11 kg

3) Registraram-se os valores 0,28; 0,30; 0,27; 0,33 e 0,31 segundos, obtidos em cindo
medies do tempo de reao de um indivduo a certo estmulo. Determinar os limites de
confiana, para o tempo real de reao, de: (SPIEGEL: 300)
a) 95%; b) 99%;
R.: a) 0,298 + ou 0,030 b) 0,298 + ou 0,049

4) As especificaes para a produo de certa liga exige 23,2% de cobre. Uma amostra,
constante de 10 anlises do produto, apresentou o teor mdio de cobre de 23,5% e o desvio
padro de 0,24%. Pode-se concluir, que o produto satisfaz s especificaes exigidas, nos
nveis de significncia: (SPIEGEL: 300)
a) 0,01?; b) 0,05?.
R.: Um teste bilateral, em ambos os nveis, indica que o produto no satisfaz s
especificaes exigidas


DISTRIBUIO QUI-QUADRADO


5) Use o grau de confiana e os dados amostrais indicados para achar o intervalo de confiana
para o desvio-padro populacional . Em cada caso, admita que a populao tenha
distribuio normal. (TRIOLA: 165)
a) alturas de mulheres: 95% de confiana; n = 10; mdia = 63,4 in.; S = 2,4 in.
b) mdias de notas: 99% de confiana; n = 15; mdia = 2,76; S = 0,88
c) notas de testes: 90% de confiana; n = 16; mdia = 77,6; S = 14,2
d) salrios: 98% de confiana; n = 19; mdia = $23.228; S = $8.779
R.: a) 1,7 in. < < 4,4in. b) 0,6 < < 1,6
c) 11,0 < < 20,4 d) $6.313,81 < < 14.067.67

6) Os valores, abaixo relacionados, so tempos de espera (em minutos) de clientes de um
grande banco, onde os clientes entram em uma fila nica que atendida por trs guichs.
Construa um intervalo de 95% de confiana para o desvio-padro populacional .
(TRIOLA: 166)

6,5 6,6 6,7 6,8 7,1 7,3 7,4 7,7 7,7 7,7

R.: Mdia = 7,15 S = 0,47667832 0,33min < < 0,87 min



53
7) O desvio-padro das alturas de 16 estudantes do sexo masculino, escolhidos aleatoriamente
em uma escola de 1.000 estudantes desse sexo, 2,4 cm. Determinar os limites de confiana
de: (a) 95%; e (b) 99%, do desvio-padro para todos os estudantes do sexo masculino da
escola. (SPIEGEL: 295)
R.: a) Entre 1,83 e 3,84 cm b) Entre 1,68 e 4,49 cm

8) Considere uma distribuio qui-quadrado com parmetro 18. Encontre: (FONSECA: 91)
a) a mediana;
b) o 1 quartil;
c) o 90 percentil
R.: a) 17,3 b) 13,7 c) 26,0












































54
CAPTULO 7

Correlao e Regresso

7.1- Relao entre Variveis

Freqentemente procura-se verificar se existe relao entre duas ou mais variveis. O peso pode
estar relacionado com a idade das pessoas; o consumo das famlias pode estar relacionado com
sua renda; as vendas de uma empresa e os gastos promocionais podem relacionar-se, bem com a
demanda de um determinado produto e seu preo. A verificao da existncia e do grau de
relao entre variveis objeto do estudo da correlao.

Uma vez caracterizada, procura-se descrever uma relao sob forma matemtica, atravs de uma
funo. A estimao dos parmetros dessa funo matemtica o objeto da regresso


7.2- Diagrama de Disperso

um grfico no qual cada ponto plotado representa um par ordenado de valores para as variveis
dependente e independente.

Exemplo:

NMERO NOTAS
DO ALUNO (X)MATEMTICA (Y)ESTATSTICA
1 5 6
3 8 9
6 7 8
8 10 10
11 6 5
15 7 7
21 9 8
28 3 4
35 8 6
47 2 2


7.3- Tipos de Correlao Atravs do Diagrama de Disperso

7.3.1- Correlao Linear Positiva: Quando as variveis X e Y crescem no mesmo sentido.
0
1
2
3
4
5
6
7
8
9
10
0 1 2 3 4 5 6 7 8 9 10
Matemtica
Estatstica
Reta Imagem
}
Desvios
55
Exemplo:







7.3.2- Correlao Linear Negativa: Quando as variveis X e Y crescem em sentido con-
trrio.

Exemplo:







7.3.3- Correlao Nula: Quando uma varivel cresce e a outra varia ao acaso

Exemplo:








7.3.4- Correlao No Linear: Quando os pontos das variveis se distribuem em torno de
uma curva.

Exemplo:









7.4- Coeficiente de Correlao Linear de Pearson

O estudo da correlao tem por objetivo medir e avaliar o grau de relao existente entre duas
variveis aleatrias. Assim, por exemplo, podemos medir se a relao entre o nmero de filhos
de uma famlia e sua renda forte, fraca ou nula.

A correlao linear procura medir a relao entre as variveis X e Y atravs da disposio dos
pontos (X, Y) em torno de uma reta.

Este coeficiente deve indicar o grau de intensidade da correlao entre as duas variveis e, ainda,
o sentido dessa correlao (positiva ou negativa).

X
Y
X
Y
X
Y
X
Y
X
Y
X
Y
56
( ) ( )
( ) | | ( ) | |

y y n x x n
y x xy n
= r
2
2
2
2




Variao de r



FORTE FRACA FRACA FORTE
CORRELAO CORRELAO CORRELAO CORRELAO
NEGATIVA NEGATIVA POSITIVA POSITIVA





Portanto, o campo de variao do Coeficiente r situa-se entre 1 e + 1

1 r 1 +


Sua interpretao depender do valor numrico e do sinal.

Exemplo:

NMERO DO NOTAS
ALUNO (X) MATEMTICA (Y) ESTATSTICA

01 5 6

03 8 9

06 7 8

08 10 10

11 6 5

15 7 7

21 9 8

28 3 4

35 8 6

47 2 2

65 65


Exerccio: Com base nos dados da tabela abaixo calcule r:

CARREGAMENTO DISTNCIA TEMPO DE EN-
AMOSTRADO EM KM (X) TREGA-DIAS (Y)
1 825 3,5

2 215 1,0

3 1.070 4,0

4 550 2,0

5 480 1,0

6 920 3,0

7 1.350 4,5

8 325 1,5

9 670 3,0

10 1.215 5,0

7.620 28,5


CORRELAO
PERFEITAMENTE
NEGATIVA
NO H COR-
RELAO OU
NO LINEAR

CORRELAO
PERFEITAMENTE
POSITIVA
-1
-0,5
0 0,5
1
57

Observao: Correlao no implica em causa e efeito.

Exemplo: Quando aumenta o nmero de internaes por desidratao, aumenta tambm o
nmero de refrigerantes vendidos.
No posso concluir, portanto, que os refrigerantes causam desidratao.


7.5- Regresso Linear Simples (Ajustamento da Reta)

Sempre que desejarmos estudar determinada varivel em funo de outra, deveremos fazer uma
anlise de regresso.

A varivel sobre a qual desejamos fazer uma estimativa, recebe o nome de varivel dependente
(Y), e a outra recebe o nome de varivel independente (X)

7.5.1- Objetivo: Descrever atravs de um modelo matemtico a relao existente entre
duas variveis partindo de n observaes das mesmas.

7.5.2- Equao da Reta (Y em funo de X = equao que ajusta a reta)

bx + a =



onde:

= valor estimado da varivel dependente (Y)



a = Coeficiente linear.
a altura onde a reta corta o eixo Y

b = Coeficiente angular.
D a inclinao da reta












7.5.3- Frmulas para Calcular a e b (Mtodo dos mnimos quadrados para ajustar
uma linha de regresso.)


x n x
y x n xy
= b
2 2


e
x b - y = a


onde: n = nmero de observaes
X
X
n
=


Y
Y
n
=


0
Y
X
{
a
b
bx a

+ =
58

Exemplo:
FACULDADE DE MIRANDPOLIS - 2 SRIE - FLORIANPOLIS - 200X
NMERO DO NOTAS
ALUNO (X) MATEMTICA (Y) ESTATSTICA

01 5 6

03 8 9

06 7 8

08 10 10

11 6 5

15 7 7

21 9 8

28 3 4

35 8 6

47 2 2

65 65


7.6- Interpolao e Extrapolao

Voltando tabela anterior, vemos que 4 no figura entre as notas de matemtica, entretanto,
podemos estimar a nota correspondente em estatstica fazendo X = 4 na equao.

= a + bx

Assim:

= 0,91 + 0,86.(4)

= 4,35

O mesmo acontece com a nota 1. Repetindo o processo teremos:

= a + bx

Assim:

= 0,91 + 0,86 (1)


= 1,77

Como 4 pertence ao intervalo { 2 ; 10 }, dizemos que foi feita uma interpolao, e como 1 no
pertence a este intervalo, dizemos que foi feita uma extrapolao.


OBSERVAO: Uma norma fundamental no uso de equaes de regresso a de nunca
extrapolar, exceto quando consideraes tericas ou experimentais
demonstrem a possibilidade de extrapolao. Portanto, evite estimar valores
de Y fora do intervalo estudado de X.

Exerccio: Com base nos dados da pgina seguinte calcule:

a) O coeficiente de correlao linear de Pearson e interprete o resultado

b) A regresso linear simples atravs da equao da reta

c) Atravs da equao de regresso estime a quantidade de componentes que sero
rejeitados para um funcionrio com 5 semanas de experincia

d) Faa o grfico com a linha de regresso.
59
SEMANAS DE EXPERINCIA E NMERO DE COMPONENTES REJEITADOS
PARA 12 TRABALHADORES ALEATORIAMENTE SELECIONADOS

TRABALHADOR AMOSTRADO
1 2 3 4 5 6 7 8 9 10 11 12
SEMANAS DE EXPERINCIA (X)
7 9 6 10 8 12 10 4 6 11 7 8
QTDE PEAS REJEITADAS (Y)
26 20 28 34 23 36 30 26 38 22 32 25

TRABALHADOR SEMANAS EX- QTDE PEAS
AMOSTRADO PERINCIA(X) REJEITADAS(Y)
1 7 26

2 9 20

3 6 28

4 10 34

5 8 23

6 12 36

7 10 30

8 4 26

9 6 38

10 11 22

11 7 32

12 8 25

98 340



7.7- Regresso Linear Mltipla

Vamos, agora, considerar o caso em que a varivel dependente (Y) seja funo de duas variveis:
X
1
e X
2
. Teremos, ento, o seguinte modelo de regresso:

2 2 1 1
x b x b a Y

+ + =


Esta equao, denominada de estimador, a forma geral de regresso, denominada de linear
mltipla.

Na regresso linear simples, em que Y = f(x), tnhamos duas equaes, chamadas normais para
a determinao dos coeficientes a e b da funo estimadora.

Na regresso linear mltipla, como temos Y = f(x
n
), ou seja: n variveis x para a formao do
estimador, teremos (n + 1) equaes normais. No caso presente, teremos (2 + 1) = 3 equaes
normais, atravs das quais determinaremos os coeficientes a, b
1
e b
2
:

2
2 2 2 1 1 2 2
2 1 2
2
1 1 1 1
2 2 1 1
x b x x b x a yx
x x b x b x a yx
x b x b na y
+ + =
+ + =
+ + =


Exemplo: Vamos estimar o plano de regresso, considerando as seguintes variveis:

Vendas. . . . . . . . . . . . . . (y) 6 7 15 18 20 23
Gastos com TV. . . . . . . . . (x
1
) 3 4 8 8 10 11
Gastos com Jornal. . . . . . .(x
2
) 1 2 3 5 8 6

60
Elaboraremos a tabela auxiliar de clculos:

y x
1
x
2
Yx
1
yx
2
x
1
x
2
x
1
2
x
2
2
6 3 1 18 6 3 9 1
7 4 2 28 14 8 16 4
15 8 3 120 45 24 64 9
18 8 5 144 90 40 64 25
20 10 8 200 160 80 100 64
23 11 6 253 138 66 121 36
89 44 25
763 453 221 374 139

Substituindo os valores respectivos no sistema de equaes:







Aplicando o clculo matricial, teremos:

1) Matriz dos coeficientes:

(
(
(

221 25 139 221 25


374 44 221 374 44
44 6 25 44 6




2) Matriz para encontrar-se o valor de a:

(
(
(

221 453 139 221 453


374 763 221 374 763
44 89 25 44 89


-0,72 a
2216
1606 -

a
a =

=



3) Matriz para encontrar-se o valor de b
1
:

(
(
(

453 25 139 453 25


763 44 221 763 44
89 6 25 89 6


2,03 b
2216
4490

b
b
1
1
1
=

=



89 = 6a + 44b
1
+ 25b
2

763 = 44a + 374b
1
+ 221b
2
453 = 25a + 221b
1
+ 139b
2

= 311916 + 243100 + 243100
233750 293046 269104 =
= 798116 795900 = 2216 =
= 4626754 + 4404972 + 4215575
4235550 4346849 4666508 =
= 13247301 13248907 = 1606 a =
= 636342 + 491725 + 498300
476875 600678 544324 =
= 1626367 1621877 = 4490
1
b =
61
4) Matriz para encontrar-se o valor de b
2
:

(
(
(

221 25 453 221 25


374 44 763 374 44
44 6 89 44 6



0,17 b
2216
372

b
b
2
2
2
=

=


Como estimador da forma
2 2 1 1
x b x b a y + + = , vem que:


2 1
x 17 , 0 x 03 , 2 72 , 0 y + + =


claro que, para simplificar, tomamos um exemplo a apenas 3 variveis, includa a varivel
dependente y. Todas as concluses podem ser iguais para n variveis.


Se o modelo tiver x
1,
x
2
, x
3
e x
4
, teremos que calcular a, b
1
, b
2
, b
3
e b
4
e, para tanto,
teremos um sistemas com 5 equaes para calcularmos as 5 incgnitas.






























= 1016532 + 839300 + 865436
832150 1011738 877008 =
= 2721268 2720896 = 372
2
b =
62
EXERCCIO

Com base nos dados da tabela abaixo, pede-se:

a-) determinar a equao de regresso de mnimos quadrados de y para x
1
e x
2
;

b-) determinar o valor de y

para x
1
= 5,4 e x
2
= 0,9.


Y

6,4 7,1 5,3 6,7 5,5 5,8 7,7 5,7 5,6 6,8
x
1
5,7 5,9 4,9 6,2 5,1 5,0 5,5 4,8 5,2 5,7
x
2
0,8 1,0 0,6 1,1 0,8 0,7 1,0 0,9 1,0 0,9


y x
1
x
2


6,4 5,7 0,8
7,1 5,9 1,0
5,3 4,9 0,6
6,7 6,2 1,1
5,5 5,1 0,8
5,8 5,0 0,7
7,7 5,5 1,0
5,7 4,8 0,9
5,6 5,2 1,0
6,8 5,7 0,9
75,3 64,3 10,6



























63
CAPTULO 8

Sries Temporais

8.1- Introduo

Uma srie temporal um conjunto de observaes tomadas em tempos determinados,
comumente em intervalos iguais.

Ex.: Produo total anual de ao no Brasil, durante um certo nmero de anos;
valor dirio de fechamento de uma determinada ao na Bolsa de Valores;
temperaturas horrias anunciadas pelo servio meteorolgico;
total mensal de vendas de uma loja de departamentos.

Matematicamente, uma srie temporal definida pelos valores Y
1
, Y
2
... de uma varivel Y
(temperatura, valor de fechamento de uma ao, etc.), nos tempos t
1
, t
2
.... Portanto, Y uma
funo de t simbolizada por Y = F(t).

Portanto, uma srie de dados estatsticos denominada temporal, cronolgica ou histrica,
quando o elemento tempo varia, permanecendo fixos os elementos fato e seu local de
ocorrncia.

8.2- Movimentos Caractersticos

interessante imaginar que o grfico de uma srie temporal, como representado abaixo,
descrito por um ponto que se move com o decorrer do tempo, de alguma forma anlogo
trajetria de uma partcula material que se desloca sob a influncia de foras fsicas. Entretanto,
o movimento pode ser provocado, em vez de foras fsicas, por uma combinao de foras
econmicas, sociolgicas, psicolgicas e outras.

Experincias realizadas com vrios exemplos de sries temporais revelaram certos movimentos
ou variaes caractersticas, alguns dos quais, ou todos, esto presentes em graus diversos. A
anlise desses movimentos de grande valor, especialmente quando se trata de prever
movimentos futuros. Em conseqncia, no deve constituir surpresa o fato de muitas indstrias e
setores governamentais estarem profundamente interessados nesse importante assunto.




















1870 1880 1890 1900 1910 1920 1930 1940 1950 1960
100

90

80

70

60

50

40

30

20

10
Anos
N. de Cabeas
Rebanho animal dos
EUA 1870-1960
64
8.3- Anlise de Sries Temporais

Os objetivos da anlise das sries temporais, em primeiro lugar, so o de descrever seu
comportamento no passado e, em seguida, analisar tal comportamento. A anlise foi
desenvolvida principalmente, como resultado de investigaes sobre a natureza e a causa das
flutuaes da atividade econmica, ao que se chamou de ciclos econmicos. Um grande
nmero de sries temporais revela flutuaes cclicas e, portanto, a relao entre essas sries
deve ser investigada.

Para examinar qualquer srie temporal, essencial que se construa, em primeiro lugar, o seu
grfico, objetivando obter-se uma viso geral do seu comportamento.

Classificam-se em quatro tipos principais os movimentos caractersticos das sries temporais,
so eles:

Y Y Y









Ex.: (a) Movimentos seculares ou de longo prazo ( T )
Qualquer movimento de longo prazo. Indica a direo geral segundo a qual parece que
o grfico se desenvolve.

(b) Movimentos ou variaes cclicas ( C )
Ciclos de negcios, que representam intervalos de prosperidade, recesso, depresso e
recuperao (nas atividades econmicas cclicos, aps 01 ano).

(c) Movimentos ou variaes estacionais, sazonais ( S )
Eventos peridicos que ocorrem anualmente sbito aumento das vendas de uma loja,
antes do Natal. (Semanal, quinzenal, mensal, bimensal, etc. < de 1 ano).

(d) Movimentos irregulares ou aleatrios ( I )
so os que se referem aos deslocamentos eventuais das sries temporais, provocados
por eventos tais como greves, secas, enchentes, epidemias, etc.

8.4- Mdias Mveis Alisamento das Sries Temporais

Define-se uma mdia mvel de ordem N, a que obtida pela seqncia das mdias aritmticas.

Ex.: Dados os nmeros 2, 6, 1, 5, 3, 7 e 2, uma mdia mvel de ordem 3 ser dada pela
seqncia:

2 + 6 + 1, 6 + 1 + 5, 1 + 5 + 3, 5 + 3 + 7, 3 + 7 + 2, isto 3, 4, 3, 5, 4.
3 3 3 3 3

comum localizar-se cada nmero da mdia mvel em sua posio apropriada em relao aos
dados originais. Assim, para o exemplo, escrever-se-ia:


t
(a) Tendncia a Longo
Prazo ou Movimentos
Seculares ( T )
t
(b) Tendncia a Longo
Prazo e Movimento
Cclico ( C )
t
(c) Tendncia a Longo Prazo,
Movimentos Cclicos e
Estacionais, Sazonais ( S )
65
Dados originais 2 6 1 5 3 7 2
Mdias Mveis - 3 4 3 5 4 -

As mdias mveis tm a propriedade principal de tenderem a reduzir o total da variao que se
apresenta em um conjunto de dados. No caso das sries temporais, essa propriedade
freqentemente usada para eliminar flutuaes indesejveis regularizando as sries. Este
processo denominado alisamento das sries temporais.

Exerccios:

1) A que movimento caracterstico de uma srie temporal est principalmente associada cada
uma das seguintes ocorrncias? (SPIEGEL: 434)

(a) Um incndio em uma fbrica, atrasando a produo em 3 semanas.

(b) Uma era de prosperidade.

(c) Uma venda posterior pscoa, em uma loja de departamentos.

(d) A necessidade de aumentar a produo de trigo devido ao acrscimo constante da
populao.

(e) Nmero mensal de cm da precipitao da chuva, em uma cidade, durante um perodo de 5
anos.

2) Para os dados da tabela abaixo, construir uma: (SPIEGEL: 434)
a- mdia mvel de 5 anos;
b- mdia mvel de 4 anos;
c- mdia mvel centrada de 4 anos.

Anos 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999
Varivel 50,0 36,5 43,0 44,5 38,9 38,1 32,6 38,7 41,7 41,1 33,8

Soluo da letra a:

Anos Dados Total mvel de 5 anos Mdia mvel de 5 anos
1989 50,0 - -
1990 36,5 - -
1991 43,0 212,9 42,6
1992 44,5 201,0 40,2
1993 38,9 197,1 39,4
1994 38,1 192,8 39,6
1995 32,6 190,0 38,0
1996 38,7 192,2 38,4
1997 41,7 187,9 37,6
1998 41,1 - -
1999 33,8 - -

O primeiro total mvel, 212,9, da coluna 3 a soma da 1 at 5 casa da coluna 2. O segundo,
201, a soma da 2 at a 6 casa da coluna 2 e etc..

Dividindo-se cada total mvel por 5, obtm-se a mdia mvel desejada.

Calcule as letras b e c.
66
CAPTULO 9

Nmeros ndices

9.1- Conceito e Objeto

Nmero ndice um conceito que nos permite comparar o nvel geral de magnitude de um grupo
de variveis distintas, porm interrelacionadas, em duas ou mais situaes. Logo, vem a ser a
designao dada a um nmero, destinado a representar as diferenas de uma varivel, ou de um
grupo de variveis relacionadas entre si.

Os Nmeros ndices podem ser usados para vrios propsitos tais como para medir as variaes
de preos de bens de consumo, a quantidade fsica de mercadorias produzidas ou vendidas; ou
podem relacionar-se a conceitos tais como produtividade, eficincia, inteligncia, etc..

9.2- Conceito de Relativo

Quando queremos analisar a variao no preo ou na quantidade ou no valor de um s bem,
basta representar um s valor em termos percentuais, obtendo o que denominamos relativo de
preo de quantidade ou de valor.

9.3- ndices Relativos

a relao entre o preo de uma nica utilidade, em um perodo determinado, e o de outro
perodo, denominado bsico ou de referncia.

9.4- Tipos de Nmeros ndices

9.4.1- Relativos Simples:
So aqueles calculados atravs de uma regra de trs.
Representando por 0 o perodo base e por n o perodo atual, temos:

a) Relativo de Preos
100
p
p
I
o
n
p
=


b) Relativo de Quantidades
100
q
q
I
o
n
q
=

onde:
p
o
= preo no perodo base
p
n
= preo no perodo considerado (aquele para o qual se deseja o ndice)
q
o
= quantidade no perodo base
q
n
= quantidade no perodo considerado (aquele para o qual se deseja o ndice)


Exemplo: 1) O preo de certo produto, em 1998, foi de R$ 12,00 e, em 2000, de R$ 13,80.
Tomando-se como base o ano de 1998, calcular o preo relativo de 2000.

115 100
00 , 12
80 , 13
I
98 / 00
= =

Logo: em 2000 houve um aumento de 15% no preo do produto, em relao ao seu preo em
1998.

67
2) Uma empresa produziu 45 ton de ao em 1998 e 68 ton em 1999. Qual a quantidade
relativa em 1999.
151 100
45
68
I
98 / 99
= =

Logo: em 1999 a empresa aumentou sua produo em 51%, relativamente a 1998.

Observao:
Como a base 100 (o ano escolhido, ou o perodo, ou a poca), torna-se evidente
que os nmeros ndices acima de 100 so acrscimos havido em relao base. Aqueles abaixo
de 100, so diminuies, atravs da diferena, isto : se um nmero ndice deu 93%, isto
significa que houve uma reduo de 7% em relao base.

Exerccio: Uma concessionria de veculos deseja acompanhar o desempenho de um de seus
vendedores, recentemente contratado, estabelecendo um controle semanal das
unidades vendidas. Os dados do primeiro ms encontram na tabela abaixo. Pede-se:
(TOLEDO: 314)

a-) construir um ndice de quantidade (relativo), tomando a primeira semana como
base;
b-) construir um ndice de quantidade, com base nas vendas da quarta semana;
c-) admitindo que a mdia semanal de vendas dos vendedores da concessionria
seja 12 unidades, determinar os valores de um ndice de venda com base nessa
mdia;
d-) se voc fosse o vendedor e, recebesse comisso pelo desempenho, medido pelo
ndice de quantidade, qual dos ndices escolheria para receber suas comisses.

RELATIVOS DE VALOR
Venda Mdia
SEMANA
N. de Veculos
Vendidos Venda
1 Semana
Venda
4 Semana 12 Unidades
1 6
2 9
3 9
4 15

c) Valor Relativo:
se p o preo de uma utilidade durante um perodo e q a quantidade ou volume
produzido, vendido, etc., durante este perodo, p . q denominado de valor total.

Exemplo: Se 1.000 peas de automveis so vendidas a R$30,00 cada uma, o valor total ser de
30 x 1000 = 30.000.

Se p
o
e q
o
representam, respectivamente, o preo e a quantidade de uma utilidade durante um
perodo ou ano-base e p
n
e q
n
representam, respectivamente, o preo e a quantidade num
perodo ou ano considerado, os valores totais sero dados por v
o
e v
n
, respectivamente, e
definidos por:

Relativa Quantidade x Relativo Preo
q p
q p
v
v
relativo Valor
o o
n n
o
n
= = =


Exemplo: Uma indstria espera que suas vendas de peas de automveis aumentem em 60% no
prximo ano. De quanto dever ser aumentado o preo de venda, para que a venda
bruta duplique?
68
Temos: valor relativo = preo relativo x quantidade relativa
ou: preo relativo x 160 = 200%

Ento: preo relativo 200/160 = 125

Logo: os preos de venda devem ser aumentados de 125 100 = 25%

PROVA: Supondo que tivssemos vendido 100 peas a R$1,00 cada, teramos uma receita de
R$100,00.
Atendendo ao exerccio, teremos que vender 160 peas, obtendo uma receita de
R$200,00.
Pela resposta (aumentar o preo em 25%), nosso novo preo R$1,25.
Multiplicando R$1,25 por 160 peas, chegamos ao pedido que dobrar a venda bruta
(R$200,00).

d) Elos relativos:
consideremos a seqncia de preos relativos do tipo:
, I ... , I , I , I , I
1) - (n pn / 3 / 4 p 2 / 3 p 1 / 2 p 0 / 1 p
em que tais relativos sejam considerados em intervalos
sucessivos de tempo. A isto se denomina de elos relativos pois que cada relativo tem
sua base no perodo imediatamente anterior.

Exemplo: Suponha-se que certa utilidade apresentou os seguintes preos, no perodo de 1997 a
2000: $80, $120, $150 e $180, respectivamente.
Pede-se os elos relativos de preos.
I
p98/97
= (120/80) x 100 = 150 aumentou 50% (1998 em relao a 1997)
I
p99/98
= (150/120) x 100 = 125 1999 aumentou 25% relativamente a 1998
I
p00/99
= (180/150) x 100 = 120 2000 cresceu 20% em relao a 1999

e) Relativos em Cadeia:
consideremos a seguinte seqncia de elos relativos de preos:
. I ... , I , I , I , I
1) - (n pn / 3 / 4 p 2 / 3 p 1 / 2 p 0 / 1 p
Se desejarmos saber qual o incremento ocorrido no
entre os anos sucessivos, mas entre, por exemplo, o ltimo ano com base no primeiro,
isto I
pn/o
, multiplicam-se, entre si, os elos relativos:
I
pn/0
= I
p1/0
. I
p2/1
. I
p3/2
. I
p4/3
. ... . I
pn / (n-1)


Exemplo: Um I
q
mostrou, relativamente aos perodos imediatamente anteriores, os seguintes
resultados:
1997 = 130; 1998 = 125; 1999 = 140 e 2000 = 150

Pede-se o incremento havido em 2000, com base em 1996.

I
q00/96
= I
q97/96
. I
q98/97
. I
q99/98
. I
q00/99
I
q00/96
= 1,30 . 1,25 . 1,40 . 1,50
I
q00/96
= 3,4125 = 341,25 portanto, 341,25 100,00 = 241,25

Logo: houve um aumento da quantidade, em 2000, de 241,25% relativamente a
1996.

9.4.2- Agregativos Simples:
a) Agregativo Simples ou ndice de Bradstreet
b) Mdio-artmtico Simples ou ndice de Sauerbeck
c) Mdio-harmnico Simples
d) Mdio Geomtrico Simples
e) Mediano
69
Nota: a tabela abaixo servir de base para o clculo dos ndices acima especificados e os
Agregativos Ponderados, a seguir.

Ano Base = 1999 Ano Considerado = 2000
MERCADORIAS
Preo = p
o
Quantidade = q
o
Preo = p
n
Quantidade = q
n
Anos Tpicos
Quantidade
A 1,50 30 2,00 20 25
B 2,00 20 1,50 20 25
C 1,30 10 1,50 20 10
4,80 60 5,00 60 60

a) Agregativo Simples ou ndice de Bradstreet:
definido pela soma das mercadorias referentes a uma poca determinada, medindo-se as
alteraes gerais de preos, comparando-se os resultados obtidos para as diferentes pocas.
Sua frmula dada por:

100
p
p
I
0
n
p

=
e
100
q
q
I
0
n
q

=


Exemplo: Com os dados da tabela, fazendo 1999 = 100%, temos:
I
p
= 5,00/4,80 = 1,042 . 100 = 104,2

Concluso: os preos das mercadorias A, B e C, em 2000 foram maiores em 4,2%,
relativamente aos preos destas mesmas mercadorias em 1999.

b) Mdio-Aritmtico:
Consiste na reduo de cada preo cotado forma de um relativo, referido ao preo da mesma
mercadoria, em certa poca, tomando-se depois a mdia aritmtica desses nmeros relativos.
O critrio ou mtodo de calculo tambm chamado de ndice de Sauerbeck e sua frmula
dada por:

N
p
p
I
o
n
p

|
|
.
|

\
|
=
e
N
q
q
I
o
n
q

|
|
.
|

\
|
=


Onde: N = nmero de relativos (ou nmero de observaes ou nmero de itens)

1999 2000
MERCADORIAS
p
o
Relativo = p
o /
p
o
p
n
Relativo = p
n /
p
o
A 1,50 100 2,00 133,3
B 2,00 100 1,50 75,0
C 1,30 100 1,50 115,4
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - 323,7

Ento: I
p
= 323,7 / 3 = 107,9.

Concluso: houve um acrscimo de 7,9%

c) Mdio-Harmnico:
a mdia harmnica de um conjunto de valores x
1
, x
2
, ... , x
n
o recproco da mdia aritmtica
dos recprocos desses valores. Assim, o recproco de x
1
1/x
1
e, assim, sucessivamente. Ento:
a mdia harmnica do conjunto :
70

|
|
.
|

\
|
=
1
x
1
N
H


Os termos focalizados no presente caso so preos relativos, da forma p
n
/p
o
. Logo, para o
mtodo, a frmula dada por:

|
|
.
|

\
|
=
n
o
p
p
p
N
I
e

|
|
.
|

\
|
=
n
o
q
q
q
N
I


Exemplo: Com os dados da tabela, temos:

1999 2000
MERCADORIAS
Relativo

Recproco do
Relativo

Relativo

Recproco do Relativo

A 100 0,01 = (1/100) 133,3 0,0075 = 1(133,3)
B 100 0,01 75,0 0,0133
C 100 0,01 115,4 0,0087
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 0,0295

Ento: I
p
= 3 / 0,0295 = 101,7. Portanto, houve um acrscimo de 1,70%.

d) Mdio-Geomtrico:
um processo muito utilizado e sua frmula dada por:

N
o
n
p
p
p
I
|
|
.
|

\
|
=


Torna-se evidente que, em casos de formulaes deste tipo, o emprego de logaritmos vem
simplificar os clculos; neste caso, teramos:

N
p
p
log
I log
o
n
p

|
|
.
|

\
|
=


Exemplo: com os dados da tabela, temos:

1999 2000
MERCADORIAS
Relativo

log do Relativo

Relativo

log do Relativo

A 100 2,00000 133,3 2,12483
B 100 2,00000 75,0 1,87506
C 100 2,00000 115,4 2,06221
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - 6,06210


Ento: log I
p
= 6,06210 / 3 = 2,02070
ant log I
p
= ant log 2,02070, portanto, I
p
= 104,88, da, ocorreu um acrscimo de 4,88%.

e) Mediano:
observemos os relativos, para o ano de 2000 (relativos de preos), que foram os seguintes:
10
2,02070
71
133,3; 75,0 e 115,4. Com tais nmeros, podemos organizar o seguinte rol crescente:

75,0 < 115,4 < 133,3

onde o valor mediano 115,4. Este valor mediano o nmero ndice de preos para 2000,
significando aumento de l5,4% nos preos das mercadorias A, B e C, relativamente a 1999.

Notas e Concluses:
Na construo dos cinco nmeros ndices, observa-se que no houve um critrio lgico de
ponderao (pesos) . Todos eles so designados, por isto, como mdias no-ponderadas - o
que, portanto, leva a uma falsa idia da realidade.

O primeiro ndice focalizado (agregativo simples) um ndice de forte ponderao, muito
embora os pesos no sejam muito lgicos. Nos outros quatro tipos, os pesos so as diferentes
quantidades que podiam ser adquiridas por um preo fixo de 100.

Quanto aos demais nmeros ndices, observa-se que as mdias aritmtica, harmnica e
geomtrica, apresentam, entre si, uma relao constante. Exceto quanto ao ano-base, a mdia
harmnica sempre menor do que a mdia geomtrica e esta, por sua vez, sempre menor do
que a mdia aritmtica - sendo que o valor dessas diferenas cresce na medida em que a
disperso dos preos torna-se maior.

Logo, nenhum desses nmeros ndices perfeito, de vez que os pesos no medem, de modo
lgico, a importncia das diversas mercadorias includas nos referidos nmeros ndices.

9.4.3- Agregativos Ponderados

Na construo de nmeros ndices, representativos das variaes de preos e/ou quantidades, os
pesos a serem utilizados devem ser lgicos e devem refletir, ainda, com veracidade, a
importncia relativa das mercadorias levadas em considerao.

No sendo considerado o problema da ponderao, no se poder evitar a presena, reconhecida
ou no, de pesos ilgicos e desordenados. Os pesos usados na construo de nmeros ndices,
podero ser os preos e/ou as quantidades ou os valores totais, segundo o tipo, ou critrio, ou
mtodo de ndice escolhido.

Os mtodos e/ou critrios de clculo de nmeros ndices agregativos ponderados so os
seguintes:
a) de Laspeyres
b) de Paasche
c) ndice Ideal de Fisher
d) das mdias ponderadas de relativos
1) mdia aritmtica ponderada de relativos
2) mdia geomtrica ponderada de relativos
e) de Sidgwick-Drobisch
f) de Marshall-Edgeworth
g) das mdias das quantidades dos anos tpicos

a) Mtodo ou Critrio de Laspeyres:
para o ndice ponderado de preos, usam-se como pesos as quantidades do ano-base:

) q p (
) q p (
I
o o
o n
p

=


Para o ndice ponderado de quantidades, usam-se como pesos os preos do ano-base:
72
) p q (
) p q (
I
o o
o n
q

=


Exemplo: dada a tabela abaixo, calcular o I
p
e o I
q
, para 2000, relativamente a 1999, por
Laspeyres.

1999 2000 CLCULOS
MERCADORIAS
Preo p
o
Qtde q
o


Preo p
n
Qtde q
n


p
o
q
o
p
n
q
o
q
n
p
o
A 1,50 30 2,00 20 45 60 30
B 2,00 20 1,50 20 40 30 40
C 1,30 10 1,50 20 13 15 26
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98 105 96

10 , 107
98
105
I
p
= = 00 , 97
98
96
I
q
= =

Os preos dos produtos A, B e C, em 2000, aumentaram de 7,l% relativamente aos preos destes
produtos em 1999. Quanto s quantidades de 2000, estas diminuram de 3%, em relao quelas
de 1999.

b) Mtodo ou Critrio de Paasche:
para o ndice ponderado de preos, usam-se como pesos as quantidades do ano considerado
(aquele para o qual se deseja o ndice):

) q p (
) q p (
I
n o
n n
p

=


Para o ndice ponderado de quantidades, usam-se como pesos os preos do ano considerado:

) p q (
) p q (
I
n o
n n
q

=


Exemplo: com os dados da tabela, calcular I
p
e I
q
, para 2000, com base em 1999, por Paasche.

1999 2000 CLCULOS
MERCADORIAS
Preo p
o
Qtde q
o


Preo p
n
Qtde q
n


p
o
q
n
p
n
q
n
q
o
p
n
A 1,50 30 2,00 20 30 30 60
B 2,00 20 1,50 20 40 40 30
C 1,30 10 1,50 20 26 30 15
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96 100 105

20 , 104
96
100
I
p
= = 00 , 95
105
100
I
q
= =

Os preos dos produtos A, B e C, em 2000, aumentaram de 4,2% em relao aos preos destes
produtos em 1999, ao passo que quantidades diminuram 5%.

Consideraes sobre os critrios de Laspeyres e Paasche

1) Os ndices obtidos pelos mtodos de Laspeyres e Paasche, ainda que visando medir a
mesma variao, levam-nos a resultados diferentes, tendo em vista serem diferentes os
critrios de ponderao. Assim o ndice de Laspeyres uma mdia aritmtica ponderada de
relativos de preos, sendo a ponderao feita com base na participao relativa (percentual)
73
de cada bem no valor dos bens, considerados na poca-base. O ndice de Paasche
calculado atravs de uma mdia harmnica dos relativos de preos, sendo o peso de cada
bem considerado como sua participao relativa no valor dos bens na poca atual.

2) Os resultados de cada um dos ndices, de Laspeyres e de Paasche, so, em geral, diferentes,
quando aplicados aos mesmos dados (veja exemplos anteriores). Os resultados seriam iguais
se os preos ou as quantidades de todos os bens que compem o ndice variassem na mesma
proporo. Porm, na prtica, nenhum desses elementos varia na mesma proporo e, assim,
a relao entre os dois ndices ir depender da correlao entre as suas variaes. Logo,
supondo que as variaes dos preos e das quantidades, no tempo, resultassem de mudanas
das condies de oferta, esperar-se-ia uma correlao negativa entre essas variveis.
Havendo uma elevao no nvel geral de preos, os bens cujos preos tivessem sido
elevados mais do que a mdia tenderiam a ter q
n
relativamente menor do que q
o

pesando, consequentemente, menos no ndice de Paasche do que no de Laspeyres.

3) Os ndices de Laspeyres e Paasche so iguais quando no houver correlao linear entre os
relativos de preos e de quantidades; ou quando todos os preos ou todas as quantidades se
alterarem na mesma proporo - inexistindo, consequentemente, disperso de variao dos
preos ou das quantidades.

49) A discrepncia relativa entre os ndices de Laspeyres e Paasche ser maior, quanto maior for
o grau de correlao entre as variaes de preos e de quantidades; ou, quando a disperso
dos dois grupos de variaes for alta. Na prtica, se os perodos comparados no forem
muito distanciados, esses ndices so muito prximos.

c) ndice Ideal de Fisher:
normalmente existe uma discrepncia - denominada, comumente, de erro - entre a medida
que se pretende obter, atravs dos nmeros ndices, e aquela que realmente se obtm. Tais
discrepncias, ou erros so, basicamente, trs:
1) erro de frmula;
2) erro de amostragem e;
3) erro de homogeneidade.

Na prtica, a medida do erro de frmula igual diferena entre os ndices de Laspeyres e
Paasche.

Logo, existem dificuldades a serem sanadas e, para isto, retificam-se as frmulas, mediante
um processo cruzado, que consiste em se tomar a mdia geomtrica dos erros em sentidos
opostos.

Fisher realizou vrias experincias com todas as frmulas possveis (chamadas de testes),
encontrando apenas 13, em que as provas ou testes foram satisfeitos. Dentre elas, escolheu
uma como sendo ideal, tanto do ponto de vista da exatido como da simplicidade de clculo.

O ndice ideal de Fisher expresso por uma frmula que consiste na mdia geomtrica dos
critrios de Laspeyres e Paasche:

( )
( )
( )
( )
n o
n n
o o
o n
p
q p
q p
q p
q p
I

=


NOTA: para o de quantidades, basta que se faam as modificaes na simbologia.

Exemplo: com os dados da tabela e, com base em 1999, calcular o ndice de preos para 2000,
pelo mtodo ideal de Fisher.
74
Substituindo na frmula acima, os valores j encontrados anteriormente, para os
nmeros ndices, calculados pelos critrios de Laspeyres e Paasche, obtemos:

64 , 105 20 , 104 10 , 107 I
p
= =

Logo: os preos das mercadorias A, B e C, em 2000, cresceram 5,64% relativamente
aos preos destas mesmas mercadorias, em 1999.

d) Mtodo ou Critrio das Mdias Ponderadas de Relativos:
para este tipo de clculo, multiplica-se cada relativo pelo peso correspondente e divide-se a
soma dos produtos pela soma dos pesos.

Nos casos anteriormente vistos, os pesos usados foram as quantidades, pois preos x
quantidades resultam em agregados expressos em unidades monetrias. Porm, as
quantidades no servem para ponderar relativos de preos; estes devero ser ponderados por
valores, a fim de possibilitar a comparao dos produtos resultantes. Isto por que os valores se
exprimem por uma unidade comum, que a monetria, ao passo que as quantidades podem ser
expressas em unidades as mais diversas.

Fisher sugere os quatro processos seguintes, como fatores de ponderao:

1) de tendncia ascensional: a- p
n
q
o
: preo do ano considerado x quantidade do ano-base

b- p
n
q
n
: preo do ano considerado x quantidade do ano
considerado.

2) de tendncia descensional: c- p
o
q
o
: preo do ano-base x quantidade do ano-base

d- p
o
q
n
: preo do ano-base x quantidade do ano considerado.

Os ndices ponderados pelo tipo a devem exceder aos que tiverem como fator de ponderao
o tipo c. Ponderando-se o relativo de um dado produto com o fator do tipo a, teremos:
o n
o
n
q p
p
p

Utilizando o sistema c, teremos:
o o
o
n
q p
p
p


Se p
n
> p
o
, isto quer dizer que p
n
/ p
o
> 100: o peso indicado no tipo a ser maior do que o
fornecido pelo tipo c. Logo, os relativos superiores a 100 acham-se mais fortemente
ponderados pelo sistema a do que pelo c.

Porm, se ocorrer que p
n
< p
o
, o fator de ponderao do sistema a ser menor do que o do
sistema c. Todos os relativos menores do que 100 so mais fracamente ponderados pelo tipo
a, do que pelo c.

Portanto, o efeito de todos os aumentos de preos exagerado para mais e o de todas as baixas
de preos exagerado para menos quando se usa o tipo a, fornecendo sempre um resultado
lquido superior ao do tipo c.

Analogamente, podem-se comparar os tipos b e d obtendo-se os mesmos resultados.

No que se refere aos tipos b e c - embora entre eles no haja uma relao necessria - os
ndices ponderados pelo tipo b excedero, em geral, aos que o tiverem sido pelo tipo c.
75
1) Mdia aritmtica ponderada de relativos:
A mdia aritmtica de relativos, ponderada com os valores do ano base, eqivale ao ndice
agregativo ponderado com as quantidades do ano base. Se ponderada com o produto dos
preos do ano base pelas quantidades do ano considerado, eqivale ao ndice agregativo
ponderado com as quantidades do ano considerado.

Sua frmula a seguinte:
( )

|
|
.
|

\
|

=
o o
o o
o
n
q p
q p
p
p
I

Exemplo:

MERCADORIAS
Relativo de
1999
Peso p
o
q
o
Relativo de
1999 x peso
Relativo de
2000 = p
n
/ p
o
Relativo de
2000 x peso
A 100 45 4500 133,3 5.998,5
B 100 40 4000 75,0 3.000,0
C 100 13 1300 115,4 1.500,2
- 98 - - 10.498,7

1 , 107
98
7 , 498 . 10
I
p
= =

2) Mdia Geomtrica Ponderada de Relativos:
O processo seria o mesmo da mdia geomtrica simples, se no se tivesse que multiplicar
o log de cada relativo pelo respectivo peso e, dividir a soma destes logs ponderados
pela soma dos pesos - resultando, dai, o log do ndice procurado. Fazendo:

p
o
q
o
= Q
i
teremos:

i
i
Q
Q
o
n
p
p
I

|
|
.
|

\
|
=
ou

=
i
o
n
i
Q
p
p
log Q
I log

Exemplo:

MERCADORIAS
Relativo de
1999
Peso p
o
q
o
= Q
i
Relativo de
2000 = p
n
/ p
o

log p
n
/ p
o
Q
i
. log p
n
/ p
o
A 100 45 133,3 2,12483 95,61735
B 100 40 75,0 1,87506 75,00240
C 100 13 115,4 2,06221 26,80873
- 98 - - 197,42848

103,41 que I, de log anti o ser resultado o 0145763 , 2
98
42848 , 197
I log = =

e) Mtodo ou Critrio de Sidgwick-Drobish:
o mtodo consiste na extrao de uma mdia simples entre os critrios de Laspeyres e
Paasche, sendo sua frmula a seguinte:

( )
( )
( )
( )
2
q p
q p
q p
q p
I
n o
n n
o o
o n

=

76
Exemplo: com os dados da tabela e j tendo calculado os valores de Laspeyres e Paasche,
substituindo-os na frmula, vem:

65 , 105
2
20 , 104 10 , 107
I =
+
=

f) Mtodo ou Critrio de Marshall-Edqeworth:
Fisher considerou esta frmula como a mais prtica e compreensiva, por apresentar as
seguintes caractersticas: exatido, rapidez, mnimo de disperso e simplicidade. Com o
emprego dessa frmula, os resultados diferem, comumente, em menos de 1/4% dos que so
obtidos com o emprego da frmula ideal de Fisher. Sua f6rmula dada por:

( )
( ) +
+
=
n o o
n o n
q q p
q q p
I

Exemplo:

1999 2000 CLCULOS MERCA-
DORIAS Preo p
o
Qtde q
o
Preo p
n
Qtde q
n
q
o
+ q
n
p
o
(q
o
+ q
n
) p
n
(q
o
+ q
n
)
A 1,50 30 2,00 20 50 75 100
B 2,00 20 1,50 20 40 80 60
C 1,30 10 1,50 20 30 39 45
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . - 194 205

7 , 105
194
205
I = =

g) Mtodo ou Critrio das Mdias das Quantidades dos Anos Tpicos:
As frmulas de Laspeyres e Paasche envolvem fatores de ponderao que variam quando as
pocas a serem comparadas mudarem. Os pesos do ndice de Paasche mudaro quando
mudarem as pocas atuais; os do ndice de Laspeyres, quando mudarem as pocas bsicas.
Dessa forma, esses dois ndices so considerados como ndices com ponderaes variveis, em
contraposio com os ndices agregativos com ponderao constante (fixa), sendo a frmula
do ndice de preos dada por:

=
) q p (
) q p (
I
t o
t n
p
Exemplo:

1999 2000 CLCULOS MERCA-
DORIAS Preo p
o
Qtde q
n
Preo p
n
Qtde q
n
Qtde dos Anos Tpicos
q
t
p
o
q
t
p
n
q
t

A 1,50 30 2,00 20 25 37,50 50,00
B 2,00 20 1,50 20 25 50,00 37,50
C 1,30 10 1,50 20 10 13,00 15,00
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100,50 102,50

00 , 102
50 , 100
50 , 102
I = =

8.5- Testes, Provas e/ou Propriedades em Nmeros ndices

Quando tratamos do ndice ideal de Fisher, fizemos meno a testes em nmeros ndices. No
existe um ndice considerado perfeito, ou uma frmula universalmente aceita para quantificar, de
77
modo inequvoco e exato, as variaes de preos e de quantidades, especialmente quando os
ndices se referem no a um, mas a um conjunto de bens. A literatura fornece uma variedade de
mtodos de clculo de ndice. A escolha do mtodo ser facilitada se houver algum critrio que
possibilite salientar as vantagens e as limitaes de cada um deles.

Irving Fisher desenvolveu alguns testes ou critrios matemticos muito teis para comparar as
vrias frmulas propostas de nmeros ndices.

Tais testes (propriedades) so em nmero de cinco e tm a finalidade de indicar-nos se o tipo de
nmero ndice empregado em um certo clculo, o melhor, ou o mais compatvel. evidente
que aquele critrio cujo ndice responder a todas as provas, ser o melhor e, portanto, o que
dever ser utilizado.

Ressalva-se, entretanto, que, na maioria das vezes, apenas o ndice ideal de Fisher, o critrio de
Sidgwick-Drobish e o mtodo de Marshall-Edgeworth satisfazem aos dois testes mais
importantes, que so os de reverso no tempo e reverso de fatores.

Os testes so os seguintes:

1) Identidade
O preo e/ou a quantidade relativo(a) deve ser igual a unidade quando a poca dada (n)
coincidir com a poca bsica (0). Por essa razo, quando se pretende identificar determinada
data como bsica costuma-se igual-la a 100.

Exemplo: Suponhamos que um ndice de preos calculado para o ano de 1999 tenha dado 200.
Aplicando a propriedade:

% 100 00 , 1
200
200
I
I
99 p
99 p
= = =

2) Reverso (Inverso) do Tempo
Permutando-se dois perodos, os preos e/ou as quantidades relativos(as) correspondentes
sero recprocos, ou seja o inverso um do outro. Poucos ndices satisfazem a essa condio.

1 I I
I
1
I
n / po o / pn
n / po
o / pn
= =

(n/o = ano considerado/ano-base; o/n = ano-base/ano considerado)

1) Exemplo: Comprovar a propriedade de inverso do tempo usando os dados do exemplo da
concessionria de veculos. (p. 45)

Os valores dos relativos necessrios para a comprovao do teste so os seguintes:
50 , 2
6
15
q
q
q
1
4
4 , 1
= = =
40 , 0
15
6
q
q
q
4
1
1 , 4
= = =

Portanto q
1,4
x q
4,1
= 2,50 x 0,40 = 1,00
Os relativos satisfazem ao teste de inverso de tempo

2) Exemplo: Suponhamos que tenhamos os seguintes ndices de preos: I
p99
= 110 e I
p00
= 120
Aplicando a propriedade, vem:
78
1
120
110
110
120

120
110
1
110
120
= =

3) Reverso de Fatores
Se, com um certo nmero de mercadorias, construir-se um ndice de preos e um ndice de
quantidade, de se esperar que: o seu produto seja igual a razo dos valores, ou seja:

( )
( )

= =
0
n
0 0
n n
q p
v
v
q p
q p
I I

Exemplo: Suponha-se que um certo mtodo de clculo de nmero ndice tenha apresentado os
seguintes resultados:
I
p
= 105,64; I
q
= 96,60; 00 , 100 v
n
= e 00 , 98 v
o
=

Um outro mtodo aplicado apresentou os seguintes resultados:
I
p
= 104,17; I
q
= 95,24; 00 , 102 v
n
= e 00 , 99 v
o
=

Verificar qual dos dois critrios aplicados o melhor.

Como se tomam os ndices em razo de valores, significa que eles sero tomados
divididos por 100. Ento:

1,0564 . 0,9660 = 100 / 98 1,0204 = 1,0204, portanto, h compatibilidade.

1,0417 . 0,9524 = 102 / 99 0,9921 1,0303, portanto, h incompatibilidade.

Logo, o primeiro mtodo de c1cu1o de nmero ndice o melhor.

4) Cclica ou Circular
O produto dos elos relativos de preos e quantidades, igual unidade - isto e:

1 I I I
c / pa b / pc a / pb
=

Exemplo: Suponhamos que tenhamos os seguintes ndices de preos:

I
p97
= 110; I
p98
= 120; I
p99
= 150; I
p00
= 200

Aplicando a propriedade, vem:

I
p98/97
. I
p99/98
. I
p00/99
. I
p97/00
= 1
110
110
200
110
150
200
120
150
110
120
= =

5) Cclica ou Circular Modificada

a / pd c / pd b / pc a / pb
I I I I =

Exemplo: com parte dos dados acima, teremos:

I
p98/97
. I
p99/98
= I
p99/97
, portanto, 364 , 1 364 , 1
110
150
110
150
110
150
120
150
110
120
= = =

79
9.6- Mudana de Base em Sries de Nmeros ndices

9.6.1- Construo

H necessidade, muitas vezes, de se construir sries de nmeros ndices. Porm, a
escolha da poca base, a partir da qual os nmeros ndices so construdos, podem gerar dvidas.

Dois aspectos importantes devem ser considerados para a construo de sries de
nmeros ndices: a seleo ou escolha da poca base e, a possibilidade de sua mudana, sem
implicar em erro ou na independncia do ndice em relao base.

A escolha da base de um nmero ndice deve recair no perodo para o qual a
atividade econmica no se acha sob a influncia de variaes estruturais de momento (variaes
ocasionais), sejam relativas a uma situao expansionista ou a uma retracionista. Logo, a base
deve ser escolhida naqueles perodos em que as condies econmicas sejam normais.

Alem disso, pode surgir um outro problema ao se fixar o perodo base: quanto maior
for o lapso de tempo decorrido entre a poca de comparao e a bsica, maior ser o perigo de
que a importncia relativa dos itens se tenha alterado e que, portanto, o sistema de ponderao
tenha perdido sua validade.

Dois so os critrios ou mtodos:

a) Base Fixa:

Ao se construir uma serie de ndices e se comparar perodos afastados, ou, eventualmente,
mudar a base, a fixao desta importante de vez que os ndices geralmente usados no
respondem ao teste circular (pgina anterior). No ndice de Laspeyres, por exemplo, quando se
fixa a base comparativa, est se fixando, tambm, a base de ponderao.

Se o nmero ndice fosse independente de sua base, esta poderia deslocar-se sem erro.
Todavia, no caso de o ndice depender da base, o nico procedimento para desloc-la ser por
meio dos dados originais; isto por que, para que o mtodo seja correto do ponto de vista
matemtico, a propriedade circular (ou cclica) deve ser satisfeita.

Os ndices no ponderados, os agregativos com ponderao constante e a mdia geomtrica de
relativos so os que respondem ao teste circular.

b) Base Mvel em Cadeia:

Nesse critrio ou mtodo, a base seria modificada, de perodo a perodo. O mtodo consiste
em:

1) construir os ndices:
I
1/0
, I
2/1
, I
3/2
, ... , I
n/(n-1)


2) construir um ndice em cadeia, a fim de se fixar determinado perodo como bsico:
I
1/0
= I
1/0

I
2/0
= I
1/0
. I
2/1

I
3/0
= I
1/0
. I
2/1
. I
3/2


Os ndices construdos em cadeia s coincidem com os de base fixa quando a frmula usada
responder ao teste circular, tal como acontece com a mdia geomtrica e a mdia aritmtica de
ponderao constante.

80
9.6.2- Vantagens e Desvantagens


MTODO

VANTAGENS DESVANTAGENS
Base Fixa Clculos mais simples.

Possibilidade de erros de frmula
e homogeneidade em sries
longas.

Base Mvel
Fornece medida mais correta da variao de
preos, e/ou quantidades, de perodo a perodo,
permitindo introduzir novos bens, eliminando
outros de menor importncia.

Maior volume de clculo, sendo
que as frmulas geralmente
utilizadas no satisfazem ao teste
circular.


9.6.3- Exemplo Prtico

A tabela abaixo apresenta o ndice geral de exportao por tipo de bens (ndice de
Quantum), do Brasil, de 1993 a 2000 com o ano de 1993 tomado como bsico (dados fictcios):

A N O S 1993 1994 1995 1996 1997 1998 1999 2000
ndices 100 106 134 155 158 174 176 177

Pede-se obter um novo ndice, adotando como base:
1) o ano de 1996
2) o perodo de 1995 a 1997

Soluo do 1 item:

Dividir-se- cada ndice da tabela original por 155, que o ndice correspondente ao novo ano-
base, exprimindo-se o resultado em percentual. A tabela abaixo apresenta os resultados das
divises j multiplicadas por 100, que so os novos ndices de quantum, com base em 1996:

A N O S ndice de Quantum
1993 64,52
1994 68,39
1995 86,45
1996 100,00
1997 101,94
1998 112,26
1999 113,55
2000 114,19

Soluo do 2 item:

Dividir-se- cada ndice da tabela original pelo ndice mdio do perodo 1995/97, isto e:

149
3
447
3
158 155 134
= =
+ +


A tabela abaixo apresenta o resultado das divises j multip1icadas por 100, que so os novos
ndices de quantum com base no perodo 1995/1997:
81
A N O S ndice de Quantum
1993 67,11
1994 71,14
1995 89,93
1996 104,03
1997 106,04
1998 116,78
1999 118,12
2000 118,79

Note-se que o ndice mdio do novo perodo base, de 1995/97, e:

ser. deveria como , 100
3
00 , 300
3
04 , 106 03 , 104 93 , 89
= =
+ +


9.7- Alguns ndices Especiais

1) ICV ndice do Custo de Vida (ndice de Preos ao Consumidor)
um nmero ndice, cujo objetivo o medir o efeito das variaes de preos sobre as
despesas normais de uma unidade consumidora padro.
uma ponderao de subndices homogneos. Assim, o aumento percentual no preo
de determinado bem, no redundar num mesmo aumento percentual do custo de vida. Tal
aumento dever ser ponderado por um fator dentro do seu respectivo subndice e esse subtem,
por sua vez, o ser pelo seu peso dentro do ICV. Simbolicamente, o acrscimo no custo de vida,
proveniente de um acrscimo no preo do bem i, dado por:

j
i
j
i
0
i
n
k w
p
p

ICV
ICV

(


Onde:

j
i
j
i
n
i
o
k
w
p
p


2) Deflator implcito da Renda (Produto)
Considerando que:
Q = ndice que descreve o comportamento da produo fsica de bens e servios finais
de uma economia - entre dois ou mais perodos de tempo (ndice de quantum);
V = ndice de valor desses mesmos bens e servios.

O deflator (D) implcito da renda dado por:

100
Q
V
D =


Onde: Q = ndice de quantidade de Laspeyres
D = ndice de preos de Paasche

j que: valor relativo total =
( )
( )

0 o
n n
q p
q p

= preo, no ano base, de i bens

= preo, no ano atual, de i bens

= ndice de alimentao, ponderado pelos bens que o compem
= pesos dos subndices dos bens
82
O deflator implcito da renda procura refletir o comportamento dos preos de todos os bens e
servios produzidos em uma economia, entre dois ou mais perodos. Ser utilizado como deflator
sempre que se procurar eliminar, de uma srie, aquelas variaes associadas ao nvel geral de
preos.

3) IGP ndice Geral de Preos
o ndice que indica a evoluo dos preos durante determinado perodo. No caso do
Brasil, ele encontrado na coluna 2 da revista Conjuntura Econmica, publicada pela
Fundao Getlio Vargas, constituindo um indicador da taxa de desvalorizao monetria. Na
construo deste ndice, so considerados os seguintes itens, cada qual com o peso respectivo:

a) preo no atacado 0,60
b) custo de vida = 0,30
c) custo de construo = 0,10

Sua utilidade est, tambm, no possibilitar o deflacionamento ou o inflacionamento de dados,
para ajust-los realidade econmica.

4) ndice Relao de Troca
Seu objetivo o de descrever o comportamento dos preos de exportao relativamente
aos preos de importao, entre dois ou mais perodos. Sendo:

R = ndice relao de troca
P
x
= preo das exportaes
P
m
= preo das importaes

O ndice dado pela frmula:

m
x
P
P
R =


5) ndice da Capacidade de Importar
Este ndice - tambm denominado de de poder de compra das exportaes - descreve
a variao do volume das importaes que um pas pode realizar, tendo como base as
exportaes efetuadas, entre dois ou mais perodos.
Seja:
Q
x
= ndice de quantum das exportaes
Q
m
= ndice de quanturn das importaes
C = ndice da capacidade de importar

Teremos:
m
x
x
m
x
x
P
V
Q
P
P
Q R C = = =











83





Valores de
t
e

quando t menor do que 1 e varia de 1 a 10


0 1 2 3 4 5 6 7 8 9
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0000
0,9048
0,8187
0,7408
0,6703
0,6065
0,5488
0,4966
0,4493
0,4066
0,9900
0,8958
0,8106
0,7334
0,6636
0,6005
0,5434
0,4916
0,4449
0,4025
0,9802
0,8869
0,8025
0,7261
0,6570
0,5945
0,5379
0,4868
0,4404
0,3985
0,9704
0,8781
0,7945
0,7189
0,6505
0,5886
0,5326
0,4819
0,4360
0,3946
0,9608
0,8694
0,7866
0,7118
0,6440
0,5827
0,5273
0,4771
0,4317
0,3906
0,9512
0,8607
0,7788
0,7047
0,6376
0,5770
0,5220
0,4724
0,4274
0,3867
0,9418
0,8521
0,7711
0,6977
0,6313
0,5712
0,5169
0,4677
0,4232
0,3829
0,9324
0,8437
0,7634
0,6907
0,6250
0,5655
0,5117
0,4630
0,4190
0,3791
0,9231
0,8353
0,7558
0,6839
0,6188
0,5599
0,5066
0,4584
0,4148
0,3753
0,9139
0,8270
0,7483
0,6771
0,6126
0,5513
0,5016
0,4538
0,4107
0,3716


1 2 3 4 5 6 7 8 9 10

e

0,36788 0,13534 0,04979 0,01832 0,006738 0,002479 0,000912 0,000335 0,000123 0,000045


OBS.: Note-se que para ter
t
e

para valores de t no dados nesta
tabela, deve-se usar as leis dos expoentes.


Ex.: e
-2,52
= (e
-2,00
) . (e
-0,52
) = (0,13534) . (0,5945) = 0,0805.



ANEXO 1 Tabela Valores (Poisson)
84






REA SUBENTENDIDA PELA CURVA NORMAL REDUZIDA DE 0 A Z


0 Z

Z 0 1 2 3 4 5 6 7 8 9
0,0 0,0000 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359
0,1 0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0754
0,2 0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141
0,3 0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406 0,1443 0,1480 0,1517
0,4 0,1554 0,1591 0,1628 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879

0,5 0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224
0,6 0,2258 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2518 0,2549
0,7 0,2580 0,2612 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 0,2852
0,8 0,2881 0,2910 0,2939 0,2967 0,2996 0,3023 0,3051 0,3078 0,3106 0,3133
0,9 0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315 0,3340 0,3365 0,3389

1,0 0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621
1,1 0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770 0,3790 0,3810 0,3830
1,2 0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997 0,4015
1,3 0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131 0,4147 0,4162 0,4177
1,4 0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279 0,4292 0,4306 0,4319

1,5 0,4332 0,4345 0,4357 0,4370 0,4382 0,4394 0,4406 0,4418 0,4429 0,4441
1,6 0,4452 0,4463 0,4474 0,4484 0,4495 0,4505 0,4515 0,4525 0,4535 0,4545
1,7 0,4554 0,4564 0,4573 0,4582 0,4591 0,4599 0,4608 0,4616 0,4625 0,4633
1,8 0,4641 0,4649 0,4656 0,4664 0,4671 0,4678 0,4686 0,4693 0,4699 0,4706
1,9 0,4713 0,4719 0,4726 0,4732 0,4738 0,4744 0,4750 0,4756 0,4761 0,4767

2,0 0,4772 0,4778 0,4783 0,4788 0,4793 0,4798 0,4803 0,4808 0,4812 0,4817
2,1 0,4821 0,4826 0,4830 0,4834 0,4838 0,4842 0,4846 0,4850 0,4854 0,4857
2,2 0,4861 0,4864 0,4868 0,4871 0,4875 0,4878 0,4881 0,4884 0,4887 0,4890
2,3 0,4893 0,4896 0,4898 0,4901 0,4904 0,4906 0,4909 0,4911 0,4913 0,4916
2,4 0,4918 0,4920 0,4922 0,4925 0,4927 0,4929 0,4931 0,4932 0,4934 0,4936

2,5 0,4938 0,4940 0,4941 0,4943 0,4945 0,4946 0,4948 0,4949 0,4951 0,4952
2,6 0,4953 0,4955 0,4956 0,4957 0,4959 0,4960 0,4961 0,4962 0,4963 0,4964
2,7 0,4965 0,4966 0,4967 0,4968 0,4969 0,4970 0,4971 0,4972 0,4973 0,4974
2,8 0,4974 0,4975 0,4976 0,4977 0,4977 0,4978 0,4979 0,4979 0,4980 0,4981
2,9 0,4981 0,4982 0,4982 0,4983 0,4984 0,4984 0,4985 0,4985 0,4986 0,4986

3,0 0,4987 0,4987 0,4987 0,4988 0,4988 0,4989 0,4989 0,4989 0,4990 0,4990
3,1 0,4990 0,4991 0,4991 0,4991 0,4992 0,4992 0,4992 0,4992 0,4993 0,4993
3,2 0,4993 0,4993 0,4994 0,4994 0,4994 0,4994 0,4994 0,4995 0,4995 0,4995
3,3 0,4995 0,4995 0,4995 0,4996 0,4996 0,4996 0,4996 0,4996 0,4996 0,4997
3,4 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4998

3,5 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998
3,6 0,4998 0,4998 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,7 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,8 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,9 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000

ANEXO 2 Tabela Valores Curva Normal
85










ANEXO 3 Tabela Valores t de Student

p
86




ANEXO 4 Tabela Valores Qui-Quadrado

p
87
























































ALFABETO (
1
) - O Alfabeto grego consta de 24 (vinte e
quatro) letras:
SMBOLOS UTILIZADOS NA ESTATSTICA
(
1
) A palavra Alfabeto deriva das 2 (duas) primeiras letras gregas:
alfa e beta.
ANEXO 5 Gramtica Grega
88


GLOSSRIO DE FRMULAS

ESTATSTICA

01 DISTRIBUIO DISCRETA DE PROBABILIDADE BINOMIAL

q P C = P(x)
r n r r
n
-
. .

02 DISTRIBUIO MULTINOMIAL

k 1
n
k
n
1
k 1
p p
! n ! n
! n
) x ( P K
L
=

03 DISTRIBUIO DE BERNOULLI

x 1 x
) P 1 ( P ) x ( P

=

04 DISTRIBUIO GEOMTRICA
1 x
Pq ) x ( P

=

05 DISTRIBUIO DE PASCAL

x n x ) 1 x (
) 1 n (
q P C P(x)

=

06 DISTRIBUIO DE POISSON
! x
) t ( e
P(x)
x t -

=


07 DISTRIBUIO NORMAL PADRONIZADA

S
X X
Z
i

=

08 DISTRIBUIO EXPONENCIAL
t -
t -
e 1 t) P(T
e t) P(T

= <
= >

09 DISTRIBUIO t DE STUDENT
n
S
X
t

=

89
10 MARGEM DE ERRO (t de Student)
n
S
t E
2
=

(Com base em uma amostra pequena (n 30) e desconhecido)
11 INTERVALO DE CONFIANA
E X E X + < <

(Com base em uma amostra pequena (n 30) e desconhecido)
12 DISTRIBUIO QUI-QUADRADO
2
2
2
S ) 1 n (

=

13 INTERVALO DE CONFIANA (ou Estimativa Intervalar) para a Varincia
Populacional
2

2
E
2
2
2
D
2
S ) 1 n ( S ) 1 n (

< <


14 COEFICIENTE DE CORRELAO LINEAR DE KARL PEARSON

( ) ( )
( ) | | ( ) | |

y y n x x n
y x xy n
= r
2
2
2
2



15 REGRESSO LINEAR SIMPLES EQUAO DA RETA (Y em funo de X)

bx + a =


16 FRMULAS PARA CALCULAR a e b (Mtodo dos mnimos quadrados)


x n x
y x n xy
= b
2 2


e
x b - y = a

17 REGRESSO LINEAR MLTIPLA

2 2 1 1
x b x b a Y

+ + =

18 EQUAES NORMAIS PARA A FORMAO DO ESTIMADOR (n + 1)

2
2 2 2 1 1 2 2
2 1 2
2
1 1 1 1
2 2 1 1
x b x x b x a yx
x x b x b x a yx
x b x b na y
+ + =
+ + =
+ + =

19 RELATIVO DE PREOS
100
p
p
I
o
n
p
=

90
20 RELATIVO DE QUANTIDADES
100
q
q
I
o
n
q
=

21 VALOR RELATIVO
o o
n n
o
n
q p
q p
v
v
r V = =

22 AGREGATIVO SIMPLES OU NDICE DE BRADSTREET

100
p
p
I
0
n
p

=
e
100
q
q
I
0
n
q

=

23 MDIO-ARITMTICO
N
p
p
I
o
n
p

|
|
.
|

\
|
=
e
N
q
q
I
o
n
q

|
|
.
|

\
|
=

24 MDIO-HARMNICO

|
|
.
|

\
|
=
1
x
1
N
H

25 MDIO-HARMNICO PARA PREOS RELATIVOS

|
|
.
|

\
|
=
n
o
p
p
p
N
I
e

|
|
.
|

\
|
=
n
o
q
q
q
N
I

26 MDIO-GEOMTRICO
N
o
n
p
p
p
I
|
|
.
|

\
|
=
e
N
p
p
log
I log
o
n
p

|
|
.
|

\
|
=

27 MTODO OU CRITRIO DE LASPEYRES Para Preos

) q p (
) q p (
I
o o
o n
p

=


91
28 MTODO OU CRITRIO DE LASPEYRES Para Quantidades

) p q (
) p q (
I
o o
o n
q

=

29 MTODO OU CRITRIO DE PAASCHE Para Preos

) q p (
) q p (
I
n o
n n
p

=

30 - MTODO OU CRITRIO DE PAASCHE Para Quantidades

) p q (
) p q (
I
n o
n n
q

=

31 NDICE IDEAL DE FISHER
( )
( )
( )
( )
n o
n n
o o
o n
p
q p
q p
q p
q p
I

=

32 MDIA ARITMTICA PONDERADA DE RELATIVOS

( )

|
|
.
|

\
|

=
o o
o o
o
n
q p
q p
p
p
I

33 MDIA GEOMTRICA PONDERADA DE RELATIVOS

i
i
Q
Q
o
n
p
p
I

|
|
.
|

\
|
=
ou

=
i
o
n
i
Q
p
p
log Q
I log

34 MTODO OU CRITRIO DE SIDGWICK-DROBISH

( )
( )
( )
( )
2
q p
q p
q p
q p
I
n o
n n
o o
o n

=

35 MTODO OU CRITRIO DE MARSHALL-EDQEWORTH

( )
( ) +
+
=
n o o
n o n
q q p
q q p
I

92
36 MTODO OU CRITRIO DAS MDIAS DAS QUANTIDADES DOS ANOS
TPICOS

=
) q p (
) q p (
I
t o
t n
p

37 TESTES E PROVAS DE AVALIAO DE ADEQUAO DA FRMULA DE UM
NDICE
2) Reverso (Inverso) do Tempo

1 I I
I
1
I
n / po o / pn
n / po
o / pn
= =
3) Reverso de Fatores

( )
( )

= =
0
n
0 0
n n
q p
v
v
q p
q p
I I
4) Cclica ou Circular

1 I I I
c / pa b / pc a / pb
=
5) Cclica ou Circular Modificada

a / pd c / pd b / pc a / pb
I I I I =
38 ALGUNS NDICES ESPECIAIS
1) ICV ndice do Custo de Vida (ndice de Preos ao Consumidor)

j
i
j
i
0
i
n
k w
p
p

ICV
ICV

(


2) Deflator implcito da Renda (Produto)

100
Q
V
D =

4) ndice Relao de Troca

m
x
P
P
R =

5) ndice da Capacidade de Importar

m
x
x
m
x
x
P
V
Q
P
P
Q R C = = =


93

BIBLIOGRAFIA


BUSSAB, Wilton O.; MORETTIN, Pedro A.. Estatstica bsica mtodos quantitativos. 4. ed.
So Paulo: Saraiva, 1999.

CRESPO, Antnio Arnot. Estatstica fcil. 17. ed. So Paulo: Saraiva, 1999.

DOWNING, Douglas; CLARK, Jeffrey. Estatstica aplicada. So Paulo: Saraiva, 1998.

FONSECA, Jairo Simon da; MARTINS, Gilberto de Andrade. Curso de estatstica. 6. ed. So
Paulo: Atlas, 1996.

FONSECA, Jairo Simon da; MARTINS, Gilberto de Andrade; TOLEDO, Geraldo de Andrade.
Estatstica aplicada. 2. ed. So Paulo: Atlas, 1985.

HOFFMANN, Rodolfo. Estatstica para economistas. 3. ed. So Paulo: Pioneira, 1998.

KASMIER, Leonardo J.. Estatstica aplicada a economia e administrao. So Paulo:
McGraw-Hill, 1982.

LOPES, Paulo Afonso. Probabilidades e estatstica. Rio de Janeiro: Reichmann & Affonso
Editores, 1999.

MARTINS, Gilberto de Andrade; DONAIRE, Denis. Princpios de estatstica. 4. ed. So Paulo:
Atlas, 1979.

MILONE, Giuseppe; ANGELINI, Flvio. Estatstica geral. So Paulo: Atlas, 1993.

SILVA, Elio Medeiros da et al. Estatstica (Vol. 1, 2 e 3). So Paulo: Atlas, 1995.

SPIEGEL, Murray Ralph. Estatstica. 3. ed. So Paulo: Makron Books, 1993. (Coleo
Schaum)

SPIEGEL, Murray Ralph. Probabilidade e estatstica. So Paulo: McGraw-Hill, 1978.
(Coleo Schaum)

SPINELLI, Walter; SOUZA, Maria Helena S. de. Introduo estatstica. 3. ed. So Paulo:
tica, 1997.

TOLEDO, Geraldo Luciano; OVALLE, Ivo Izidoro. Estatstica bsica. 2. ed. So Paulo: Atlas,
1995.

TRIOLA, Mrio F. Introduo estatstica. Rio de Janeiro: LTC Livros Tcnicos e Cientficos
Editora, 1999.

VIEIRA, Sonia. Princpios de estatstica. So Paulo: Pioneira, 1999.