Você está na página 1de 10

Manual de Estatística Descritiva, Probabilidade e Inferência Estatística

Tabela 2.3 – Distribuição de frequências acumuladas

Variável

Frequência Absoluta (f i )

Frequência Absoluta Acumulada (F i )

Frequência Relativa % (f r )

Frequência Relativa Acumulada % (F r )

(Anos de

Serviço)

     

A frequência relativa é dada pela fórmula

f

r =

f

i

n

(I) e a Acumulada

F

r =

F

i

n

(II)

- Se n é tamanho da amostra, considera-se que a amostra é grande se pequena se n 30 ;

- Se k for o número de classes que pretendemos, então k = 5 se n 30

e

n > 30 e k = n
n > 30
e
k = n

se n > 30 ;

- Se λ é amplitude total, será obtido através da diferença entre o maior e o menor valores da amostra.

- Se c é o intervalo de cada classe, será obtido pela fórmula

λ

k

;

c =

f é a frequência absoluta; Média amostral

Média populacional

n

xi

X =

i

= 1

n

(V)

µ =

N

xi

i

=

1

N

(VI)

A fórmula (V), pode ser usada para dados da tabela 2.13 se considerarmos a venda por ano como sendo X i . Dados agrupados

Média amostral

n

xi

f

i

X

=

i

= 1

n

(VII)

Média populacional

µ =

N

xi

f

i

i

=

1

N

(VIII)

Média aritmética ponderada: a média aritmética ponderada do conjunto

x 1 , x 2 ,

,x

k , com pesos w 1 , w 2 ,

,w

k é calculada por X ap =

x w

1

1

+

x w

2

2

+

+

x w

k

k

w

1

+

w

2

+

+

w

k

 

.

a) Média geométrica: a média geométrica dos valores positivos x 1 , x 2 ,

calculada por

X

g

x 1

× x

2

×

× x

n

.

, calculada por X g x 1 × x 2 × × x n . =

= n

,x n , é

Média geométrica ponderada: a média geométrica ponderada do conjunto

Docente: Rodrigues Z. Fazenda

rzfazenda@gmail.com rzfazenda@tdm.co.mz

826051185

1

Manual de Estatística Descritiva, Probabilidade e Inferência Estatística

x 1 , x 2 ,

,x

k , com pesos w 1 , w 2 ,

,w

k , é calculada por X gp = wi

2 , ,w k , é calculada por X g p = ∑ w i x

x

1

 

w

1

. x

2

w

2

x

k

 

w

k

.

b) Média Harmônica: a média harmônica dos valores x 1 , x 2 ,

,x

n é calculada por

É o inverso da média aritmética dos inversos.

X h =

.

1

1

1

1

+

+

+

x

1

x

2

x

n

2

=

n

1

1

1

+

+

+

x

1

x

2

x

n

n

=

1

x

i

.

Média harmônica ponderada: a média harmônica ponderada do conjunto

x 1 , x 2 ,

,

x k , com pesos w 1 , w 2 ,

,w

w

i

k , é calculada por X hp =

w

i

x

i

.

Media Harmônica Ponderada : (para dados agrupados em tabelas de frequências)

X

.

hp

=

f i

f i

x

i

c) Média quadrática: a média quadrática dos valores positivos x 1 , x 2 ,

,x n , é

calculada por X q =

dos quadrados

x

1

2

2

+ +

x

2

+

x

n

2

n

=

x

n

i

2

. É a raiz quadrada da média aritmética

Média Quadrática Simples: (para dados não agrupados)

2 2 2 x + x + x 2 + 1 n X = q
2
2
2
x
+ x
+
x
2 +
1
n
X =
q
n

2 Docente: Rodrigues Z. Fazenda

rzfazenda@gmail.com rzfazenda@tdm.co.mz

826051185

Manual de Estatística Descritiva, Probabilidade e Inferência Estatística

Média Quadrática Ponderada: Quando os valores da variável estiverem dispostos em uma tabela de frequências, a média quadrática será determinada pela seguinte

expressão:

Mediana

2 ∑ x f i i X = qp ∑ f i N − ∑
2
x f
i
i
X =
qp
f
i
N
− ∑
f
1
2
Me
=
l
+
1
f
med

×

c

Onde

l 1 - limite inferior da classe mediana

N - ponto médio onde se localiza a respectiva frequência acumulada

2

f

1

- soma das frequências inferiores (anteriores) a classe mediana

c - intervalo de classe dado por

c =

f med

- frequência da classe mediana

Moda

Onde

M

o

=

l

1

+

d

1

d

1

+

d

2

× c

l 1 - limite inferior da classe modal

c - intervalo de classe dado por

c =

λ

k

λ

k

d 1 - Diferença entre as frequências da classe modal e a imediatamente inferior

d

2

- Diferença entre as frequências da classe modal e a imediatamente superior

Observação: Um dos casos não tratados na moda é o referente a intervalos de classes diferentes. Para este caso usa-se a fórmula de King, com a seguinte forma

f i + 1 c i + 1 m = + l × c i
f
i
+ 1
c i + 1
m
= +
l
× c
i
f
i
+ 1
i
− 1
+ f
c i + 1
c i − 1

i , com c i como intervalo da classe modal e f i freqüência absoluta da

classe modal. A classe modal é aquela com maior peso. O peso é obtido pela fórmula

f

i

.

 

c

i

Medida

Notação

Definição, propriedades

 
 

_

É

a soma dos produtos dos valores da variável e respectiva

Média

X

frequência, dividida pelo número de observações

 
   

É

o valor que ocupa a posição central da série de observações

Mediana

Me

de uma variável, dividindo o conjunto em duas partes iguais. 50% dos dados tomam valores menores ou iguais ao valor da mediana e os 50% restantes acima.

Docente: Rodrigues Z. Fazenda

rzfazenda@gmail.com rzfazenda@tdm.co.mz

826051185

3

Manual de Estatística Descritiva, Probabilidade e Inferência Estatística

Moda

Mo

È definida como valor que ocorre com mais frequência, dos valores observados

3. MEDIDAS DE POSIÇÃO

3.1 Quartís (Quantís)

Tabela 2.20 – Resumo de quartís para Box Plot

Estatísticas

Altura dos

Alunos

Q

1

1,675

Q

3

1,78

Q 3 – Q 1

0,105

1,5 *(Q 3 - Q 1 )

0,1575

3,0 *(Q 3 - Q 1 )

0,315

Outliers inferiores X i Q 1 -1,5 *(Q 3 - Q 1 )

1,5175

Valores extremos inferiores X i Q 1 - 3,0 *(Q 3 - Q 1 )

1,36

Outliers superiores X i Q 3 + 1,5 *(Q 3 - Q 1 )

**

Valores extremos superiores X i Q 3 + 3,0 *(Q 3 - Q 1 )

**

1º) Calcular a posição:

posição =

n

4

(seja n ímpar ou par)

2º) Pela F i identifica-se a classe que contém o Q 1

3º) Aplica-se a fórmula:

sendo

Q

i

=

L

Q

+

n

4

F

i

1 f

Q

1

× c

* L Q1 = limite inferior da classe do Q 1

* n = tamanho da amostra ou nº de elementos

* F i = frequência acum. anterior à classe do Q 1

* c = intervalo da classe do Q 1

* f Q1 = frequência simples da classe do Q 1

5. MEDIDAS DE DISPERSÃO

4 Docente: Rodrigues Z. Fazenda

rzfazenda@gmail.com rzfazenda@tdm.co.mz

826051185

Manual de Estatística Descritiva, Probabilidade e Inferência Estatística

5.1 Amplitude total ( λ )

Desvio médio

C v

=

DM

=

n

=

i

1

X

i

X

n

S

X

* 100

5.4 Amplitude Iinterquartil

I

Q

Variância

2

S =

= Q

3

n (

X

i

=

1

i

X

) 2

- Q

1

n

Desvio padrão 2 S = s
Desvio padrão
2
S = s

2. DEFINIÇÃO AXIOMÁTICA DE PROBABILIDADE

Se A i for um evento qualquer e S for espaço de resultados (conjunto universal), então:

a)

b)

P A

(

i

) 0

P ( S ) = 1

n

c) P A

i = 1

(

)

=

P

(

Ai

),

∩ =/

Ai

0

i

i

 

B )

C

=

A

c

B

c

C

=

A

c

B

c

 

n

=

n º de resultados favoráveis

N

 

n º de resultados possíveis

1. A = A

2.

3.

( A

(

A B )

P ( A ) =

.

n!= n × ( n 1) × ( n 2) × ( n 3) ×

× 3× 2 ×1

Casos Especiais 0! = 1

1! = 1

Permutaçao

P =

5

5!

=

5

×

4

× ×

3

2

× =

1

120

Permutações com elementos repetidos

(

P

n

k t s

,

,

,

)

=

n !

k t s

!

!

!

3.4 Arranjos simples

A

n

k

=

n !

(

n K

)!

. Lê-se: Arranjos de n, k a k. É fácil perceber que

A

n

n

=

n !

(

n

n

)!

=

n ! P

=

n

Docente: Rodrigues Z. Fazenda

rzfazenda@gmail.com rzfazenda@tdm.co.mz

826051185

5

Manual de Estatística Descritiva, Probabilidade e Inferência Estatística

3.5 Combinações simples

C

n

k

=

n !

!(

k n

k

)!

,

que

se lê, combinação de n,

k

a

k.

conhecida como sendo Número binomial e indicado por:

A fórmula de combinações é mais

(

n

k

) =

n !

!(

k n

k

)!

e que será usado nas

Distribuições de Probabilidade teóricas discretas (Binomial e Hipergeométrica)

4. Algumas considerações sobre leis, axiomas e teoremas:

Se A e B, são dois eventos quaisquer de S, teremos:

1)

2)

P

0 P ( A) 1

(

A

i

) 0

3)

4)

5)

6)

7)

n

i = 1

P A =

i

(

)

1

P ( A B )

= P ( A) + P ( B ), se A B = 0/ , i.e, A e B são mutuamente exclusivos

P ( A B )

=

P ( A)

+

P ( B ) P ( A B ), se A B 0/ , i.e, A e B não são mutuamente exclusivos

P ( A B )

=

P ( A) P ( B ) A e B são

independentes

P ( A B ) = P ( A) P ( B / A) ou P ( A B ) = P ( B ) P ( A / B ) A e B são dependentes

8)

P A B =

( /

)

P A

(

B

)

P ( B )

9)

10)

11)

P ( S ) = 1 P (0/ ) = 0

P ( A ) = 1 P ( A)

A ocorre depois de B ter ocorrido

, define Probabilidade condicional

P ( A

B C ) = P ( A)× P ( B )× P (C )

Regra Geral da Multiplicação numa Probabilidade Condicional

P ( A B ) = P ( A) × P ( B / A)

7. PROBABILIDADE TOTAL P C = P A P C A + P A P C A + + P A P C A .

(

)

(

1

)

(

/

1

)

(

2

)

(

/

2

)

(

n

)

(

/

n

)

8. TEOREMA DE BAYES

P A B

i

(

/

) =

P A P B A

i

(

)

(

/

i

)

P A P B A

1

(

)

(

/

1

)

+

P A P B A

2

(

)

(

/

2

)

+

+

P A P B A

n

(

)

(

/

n

)

=

P A P B A

i

(

)

(

/

i

)

n

i = 1

P A P B A

i

(

)

(

/

i

)

6 Docente: Rodrigues Z. Fazenda

rzfazenda@gmail.com rzfazenda@tdm.co.mz

826051185

Manual de Estatística Descritiva, Probabilidade e Inferência Estatística

VARIÁVEIS ALEATÓRIA, FUNÇÕES DE DISTRIBUIÇÃO E DISTRIBUIÇÕES TEÓRICAS DE PROBABILIDADE

2 VARIÁVEL ALEATÓRIA DISCRETA (VAD)

µ

= E ( X ) =

[ X . P ( X )]

Se as variáveis aleatórias X e Y são independentes, então E[ X × Y ] = E[ X ]× E[Y ]

O

inverso (recíproca) não é

verdadeiro em

geral: E[ X × Y ] = E[ X ]× E[Y ] não implica que X e

Y

sejam independentes.

σ

2

=

[(

X µ P X

)

2

(

)]

O desvio padrão é:

2
2

σ= σ

3. DISTRIBUIÇÕES DE PROBABILIDADE TEÓRICAS DISCRETAS

3.1 A Distribuição Binomial

A Distribuição Binomial tem as seguintes características:

Consideremos um experimento que apresenta somente dois resultados possíveis que são categorias mutuamente exclusivas: sucesso e fracasso (ocorre ou não ocorre). Referindo-se a uma dicotomia

a) O experimento é repetido várias vezes. b) A probabilidade de sucesso permanece constante para cada tentativa (consequentemente, a probabilidade de falha também permanece constante). c) As tentativas são independentes, significando que o resultado de uma tentativa não afecta o resultado de qualquer outra tentativa. Se for o caso de tirar algo de uma urna, a independência é garantida por retirada com reposição.

Para construir uma distribuição binomial, é assumir que:

n

é o número de tentativas

r

é o número de sucessos observados

p

é a probabilidade de sucesso em cada tentativa

q

é a probabilidade de (insucesso) falha em cada tentativa, em que q = 1 p

A

distribuição de probabilidade para uma distribuição discreta binomial é dada por

P X

(

=

r

)

=

C

r

n

×

p

r

×

q

n

r

=

n !

r

!

×

(

n

r

)!

×

p

r

×

q

n

r

A Média e Variância de uma Distribuição Binomial

A média é dada por: µ = np

A variância é dada por:

σ

2

(1

= np p

)

Para o exemplo anterior:

Docente: Rodrigues Z. Fazenda

rzfazenda@gmail.com rzfazenda@tdm.co.mz

826051185

7

Manual de Estatística Descritiva, Probabilidade e Inferência Estatística

p = 0,05 e n = 6

µ

σ 2 =

=

np

=

6

×

0,05

=

np p = ×

(1

)

6

0,3

0,05

×

0,95

=

0,285

3.2. Distribuição HipergeométrIca

A probabilidade procurada

para X=k casos favoráveis será

esperança matemática ou média populacional será

fórmula seguinte

σ

2

nk   − k   −

1

N

n

= 

N

N

N

1

µ

= E ( X ) =

P X

(

= k ) =

k

C C

M

n k

N M

C

n

N

,

a sua

kn

N

, a variância é dada pela

3.3 DistribuiÇÃo Multinomial ou Polinomial

P

k

1

(

X

1

=

k X

,

1

2

k

+ +

2

k

3

+

=

k X

,

2

+

k

k

=

3

=

n

k

3

,

,

X

k

=

k

k

)

=

E ( X ) = np

i

n ! k

×

p

1

1

i

k

1

×

k

2

k

×

k Var ( X ) = n × p × q

×

3

×

×

k

i

p

i

k

2

2

×

p

k

3

3

×

×

p

k

k

k

,

onde

3.4 Distribuição Geométrica

P X

(

=

k

)

=

q

k

1

×

p

(

E X

) = µ =

1

 

p

3.5 Distribuição de pascal

P X

(

k

)

= =

C

k

r

1

1

×

p

r

×

q

k r

, onde k = r, r+1,

Var X =

(

)

q

2

 

p

E ( X ) =

r

Var X =

(

)

q

rq

2

p

3.6. Distribuição de Poisson

P X =

(

)

e λ ×

k

λ

k

!

, onde k = o, 1, 2, 3,

,

n,

Poisson com parâmetro λ f 0 , simbolicamente

,

X

diremos que X tem uma distribuição de

~

P

o

(λ)

E ( X ) = λ

Var ( X ) = λ

E X

(

) =

x p

1

1

+

x p

2

2

+

+

x p

K

K

=

K

i = 1

8 Docente: Rodrigues Z. Fazenda

x p

i

i

rzfazenda@gmail.com rzfazenda@tdm.co.mz

826051185

Manual de Estatística Descritiva, Probabilidade e Inferência Estatística

+∞ +∞ k 2 2 2 E ( x = ) µ( ) x =
+∞
+∞
k
2
2
2
E
(
x =
)
µ( )
x =
x f x dx
(
)
σ
=
( x − ) f ( x ) dx
µ
e desvio
σ= σ
−∞
−∞
2
2
(
X −
µ
)
(
X −
µ
)
+∞
+∞
1
1
2
2
f
(
X
) =
e
2
σ
2
σ
.
E [ X
]
=
Xf ( X ) dx
=
X
e
dx
=
µ
2
2
2
πσ
2
πσ
−∞
−∞
2
(
X −
µ
)
+∞
+∞
1
2
2
2
e
V [ X
]
=
(
X
E [ X
])
f ( X ) dx
=
(
X
µ
)
e
2
σ 2 dx
=
σ
2
2
πσ
−∞
−∞
n
2
(
X
− X
)
σ
i
2
−µ
s
σ
σ =
X
= ∑
Z
= X
s
i = 1
V X ) =
(
X
s X =
σ
n
n
n − 1
n
A.2 Amostragem Sistemática
2
σ
[
1
+
ρ (
n −
1)
]
2
N
σ
V
(
)
X s
n
k
=
V X
(
)
=
[1
+
ρ
(
n −
1)]
.
=
= +
1
ρ
(
n
1)
2
n
n
V X
(
)
σ

n

A.3 Amostra Estratificada

n n = N . i i N s s P ( x − z
n
n
=
N
.
i
i
N
s
s
P (
x
z
<µ< +
x
z
n n
2
zs 
n = 
X µ
s s ) = 1−α x − z <µ< + x z n n
s
s
) = 1−α x − z
<µ< +
x
z
n n

Interpretando os resultados

.

ε= z

s

n
n
s s P ( x − t < µ < x + t ) =
s
s
P (
x
− t
<
µ < x + t
)
= −α
1
n − 1
n
− 1
s s x − t < µ < x + t . n − 1
s
s
x − t
< µ
< x + t
.
n − 1
n −1

A = 2 z

s

n
n

II Intervalo de confiança para uma proporção populacional

p (1 − p ) p (1 − p ) P p ( - Z
p (1
− p
)
p (1
− p
)
P p
(
- Z
< p
< + Z
p
) = 1 −α
n
n

Docente: Rodrigues Z. Fazenda

rzfazenda@gmail.com rzfazenda@tdm.co.mz

826051185

9

Manual de Estatística Descritiva, Probabilidade e Inferência Estatística

ε =

Z

p (1 − p ) n
p (1
p )
n

, a amplitude

A

= 2Z

p (1 − p ) n
p
(1
− p
)
n

e o tamanho da amostra

 Zp − p (1 )  n =     p −
 Zp − p
(1
) 
n = 
p − p

2

.

1- Intervalo de confiança para uma variância se a média é conhecida

n n n n ∑ ( X − µ ) 2 ∑ ( X −
n
n
n
n
(
X
µ )
2 ∑
(
X −
µ )
2
(
X ∑
µ
)
2
(
µ )
2
X −
i
i
i
i
i = 1
2
i = 1
i = 1
2
i = 1
P (
<
σ
<
) = 1 −
α
<
σ
<
2
2
2
2
χ
χ
χ
χ α
α
α
α
1 −
1
2
2
2
2
2
2
2
2
( n − 1) s
(
n
− 1)
s
(
n
− 1)
s
σ 1)
2 n − s
(
P (
<
σ 2 <
) = 1 −
α
<
<
2
2
2
2
χ
χ
χ α
χ α
α
α
1 −
1 −
2 2
2
2
2
2
2
2
1
1
(
n
1)
S
+
(
n
1)
S
1
1
(
n
1)
S
+
(
n
1)
S
1
1
2
2
1
1
2
2
 
P X
X
t
(
+
)
µ µ
X
X
+
t
(
+
)
= 1 −α
1
2
1
2
1
2
n
n
n
+ n − 2
n
n
n
+ n − 2
1
2
1
2
1
2
1
2
 
*
*
)
X
−µ
p
p
p
p
(
p
p
)
= (
A
B
A
B
z =
z =
Z cal
s
p
(1−
p
)
*
*
*
*
p q
p q
A A
B B
+
n
n
n
A n
B

I. Teste de Independência

χ 2

amostra

=

(

observado esperado

)

esperado

2

O Teste exacto de Fisher

p =

T cal

 A C  B D  +  +     
A C  B D 
+
 +
A
B
 
(
A B
+
)!*(
C D
+
)!*(
A C
+
)!*(
B D
+
)!
=
 N 
N A B C D
!*
!*
!*
!*
!
 
A B
+
  
(
)
− X −
(
µ µ
)
X 1
2
1
2
=
( )(
2
)
2
1
n
1
S
+
n
1
S
  1
1
1
2
2
+
 
n
n
n
+ n − 2
1
2
1
2
σ σ P x Z ( − < µ < x Z + n n
σ
σ
P x Z
(
<
µ <
x Z
+
n
n

10 Docente: Rodrigues Z. Fazenda

rzfazenda@gmail.com rzfazenda@tdm.co.mz

826051185

) = 1

α