Escolar Documentos
Profissional Documentos
Cultura Documentos
Estatística e Probabilidade - 2a Ed - Por Sônia Maria PDF
Estatística e Probabilidade - 2a Ed - Por Sônia Maria PDF
sumrio
Probabilidade e Estatstica
Sonia Maria Barros Barbosa Correa
2 Edio
voltar
sumrio
voltar
sumrio
PUCMINAS, 2003
Coordenao Acadmico-pedaggica
Stela Beatris Trres Arnold (coordenadora)
Agnela da Silva Giusta
ATENDIMENTO E INFORMAES:
Rosiane C. M. Oliveira
Simone Nogueira
Tlio Nogueira
Coordenao da rea de Televiso
Iara Cordeiro de Melo Franco (coordenadora)
FICHA CATALOGRFICA
Elaborada pela Biblioteca da
Pontifcia Universidade Catlica de Minas Gerais
Gerncia de Projetos
Eduardo Silva Ladeira
Secretaria
Eloisa A. T. Lott Carvalho (secretria)
Bibliografia
CDU: 519.2
Bibliotecria - Eunice dos Santos - CRB 6/1515
Impresso no Brasil
voltar
sumrio
voltar
sumrio
sumrio
Unidade 1 Natureza e Fundamentos do Mtodo Estatstico........................
07
07
08
09
12
15
22
28
28
29
31
32
34
34
37
37
40
44
voltar
sumrio
45
voltar
sumrio
48
4.1. Introduo.........................................................................
48
49
50
52
54
54
55
59
59
61
5.3 Curtose............................................................................
63
65
65
70
70
72
74
78
78
79
79
79
80
85
voltar
sumrio
voltar
sumrio
93
93
96
100
106
107
107
108
112
116
voltar
sumrio
voltar
sumrio
voltar
sumrio
voltar
sumrio
UNIDADE 1
Natureza e Fundamentos do Mtodo Estatstico
1.1.
1.2.
1.3.
1.4.
1.5.
1.6.
Introduo Estatstica
Importncia da Estatstica
Grandes reas da Estatstica
Fases do Mtodo Estatstico
Sries Estatsticas
Apresentao de dados Tabelas e Grficos:
Construo e Interpretao
Nesta unidade, sero abordados temas relacionados ao mtodo estatstico. Oferecer exemplos de tabelas e grficos que podem representar, de
forma sinttica, as informaes obtidas atravs de processos de pesquisa, so objetivos especficos desta unidade, que tem o propsito de:
Demonstrar a importncia da Estatstica na vida diria;
Mostrar como podemos utiliz-la de forma correta;
Ensinar como compor tabelas a partir de dados numricos;
Ensinar como representar dados numricos em grficos.
voltar
Probabilidade e Estatstica
sumrio
voltar
sumrio
possvel distinguir duas concepes para a palavra ESTATSTICA: no plural (estatsticas), indica qualquer coleo de dados numricos, reunidos com a finalidade de
fornecer informaes acerca de uma atividade qualquer. Assim, por exemplo, as
estatsticas demogrficas referem-se aos dados numricos sobre nascimentos,
falecimentos, matrimnios, desquites, etc. As estatsticas econmicas consistem
em dados numricos relacionados com emprego, produo, vendas e com outras
atividades ligadas aos vrios setores da vida econmica. No singular (Estatstica),
indica a atividade humana especializada ou um corpo de tcnicas, ou ainda uma
metodologia desenvolvida para a coleta, a classificao, a apresentao, a anlise e
a interpretao de dados quantitativos e a utilizao desses dados para a tomada
de decises.
voltar
Probabilidade e Estatstica
sumrio
voltar
sumrio
os fenmenos estudados
Parmetros: uma medida numrica que descreve uma caracterstica de uma populao.
Dados contnuos: resultam de um nmero infinito de valores possveis que podem ser associados a pontos em uma escala contnua de
tal maneira que no haja lacunas.
voltar
Probabilidade e Estatstica
sumrio
voltar
sumrio
Amostragem
o processo de escolha da amostra. a parte inicial de qualquer estudo estatstico.
Consiste na escolha criteriosa dos elementos a serem submetidos ao estudo. Geralmente, as pesquisas so realizadas atravs de estudo dos elementos que compem uma amostra, extrada da populao que se pretende analisar.
Exemplo 1.1. Pesquisas sobre tendncias de votao
Em pocas de eleio, comum a realizao de pesquisas com o objetivo de se conhecer as tendncias do eleitorado. Para que os resultados
sejam de fato representativos, toma-se o cuidado de se entrevistar um
conjunto de pessoas com caractersticas socioeconmicas, culturais, religiosas, etc. to prximas quanto possvel da populao qual os resultados da pesquisa sero estendidos. A escolha da amostra, a redao do
questionrio, a entrevista, a codificao dos dados e a apurao dos resultados so as etapas deste tipo de pesquisa.
Populao e amostra
O estudo de qualquer fenmeno, seja ele natural, social, econmico ou biolgico,
exige a coleta e a anlise de dados estatsticos. A coleta de dados , pois, a fase
inicial de qualquer pesquisa.
sobre os dados da amostra que se desenvolvem os estudos, visando a fazer inferncias sobre a populao.
Exemplo 1.2. Avaliao de um programa de ensino
Toma-se certo nmero de pares de turmas: a um conjunto de turmas
ensina-se um assunto por um novo mtodo e, ao outro, pelo mtodo
clssico. Aplica-se uma prova a ambos os grupos. As notas observadas
voltar
10
Probabilidade e Estatstica
sumrio
voltar
sumrio
nesses conjuntos de turmas constituem a nossa amostra. Se os resultados do novo mtodo forem melhores, iremos aplic-lo a todas as turmas, isto , populao. A partir da amostra, estabelecemos o que
conveniente para a populao, ou seja, fazemos uma inferncia sobre a
populao.
Exemplo 1.3. Renda mdia per capita em diversas regies do pas
Toma-se um conjunto de indivduos em cada regio, escolhidos ao acaso, e sobre esse grupo so feitos os estudos. Os indivduos assim escolhidos constituem a amostra e os resultados nela observados sero estendidos populao.
Estatstica Descritiva
a parte mais conhecida. Quem v o noticirio, na televiso ou nos jornais, sabe
quo freqente o uso de mdias, ndices e grficos nas notcias.
Exemplo 1.4. INPC (ndice Nacional de Preos ao Consumidor)
Sua construo envolve a sintetizao, em um nico nmero, dos aumentos dos produtos de uma cesta bsica.
Exemplo 1.5. Anurio Estatstico Brasileiro
O IBGE publica esse anurio apresentando, em vrias tabelas, os mais
diversos dados sobre o Brasil: educao, sade, transporte, economia,
cultura, etc. Embora simples, fceis de serem entendidas, as tabelas so
o produto de um processo demorado e extremamente dispendioso de
coleta e apurao de dados.
Exemplo 1.6. Anurio Estatstico da Embratur
A Embratur publica esse anurio apresentando, em vrias tabelas e grficos, os mais diversos dados sobre Turismo Interno e dados sobre entrada de turistas estrangeiros no Brasil.
voltar
11
Probabilidade e Estatstica
sumrio
voltar
sumrio
Probabilidade
O processo de generalizao, que caracterstico do mtodo indutivo, est associado a uma margem de incerteza. A existncia da incerteza deve-se ao fato de que a
concluso, que se pretende obter para o conjunto de todos os indivduos analisados
quanto a determinadas caractersticas comuns, baseia-se em uma parcela do total
das observaes. A medida da incerteza tratada mediante tcnicas e mtodos que
se fundamentam na Teoria da Probabilidade. Essa teoria procura quantificar a
incerteza existente em determinada situao.
seguintes:
Definio do problema
voltar
12
Probabilidade e Estatstica
sumrio
voltar
sumrio
Planejamento
Coleta de dados
Apurao dos dados
Apresentao dos dados
Anlise e Interpretao dos dados
Definio do problema
A primeira fase do trabalho consiste em uma definio ou formulao correta do
problema a ser estudado. Alm de considerar detidamente o problema objeto do
estudo, o analista dever examinar outros levantamentos realizados no mesmo
campo e que sejam anlogos, uma vez que parte da informao de que se necessita pode, muitas vezes, ser encontrada nesses ltimos.
Planejamento
O passo seguinte, aps a definio do problema, compreende a fase do planejamento, que consiste em se determinar o procedimento necessrio para se resolver
o problema e, em especial, como levantar informaes sobre o assunto, objeto do
estudo. preciso planejar o trabalho a ser realizado tendo em vista o objetivo que
se pretende atingir. nessa fase que ser escolhido o tipo de levantamento a ser
utilizado. Sob esse aspecto, pode haver dois tipos de levantamento:
Levantamento censitrio, quando a contagem for completa, abrangendo todo o
universo;
Levantamento por amostragem, quando a contagem for parcial.
Outros elementos importantes que devem ser tratados nesta mesma fase so:
Cronograma das atividades, atravs do qual so fixados os prazos para as vrias
fases;
Custos envolvidos;
Exame das informaes disponveis;
Delineamento da amostra, etc.
voltar
13
Probabilidade e Estatstica
sumrio
voltar
sumrio
voltar
14
Probabilidade e Estatstica
sumrio
voltar
sumrio
voltar
15
Probabilidade e Estatstica
sumrio
voltar
sumrio
voltar
16
Probabilidade e Estatstica
sumrio
voltar
sumrio
Sries Hetergradas - aquelas nas quais o fenmeno ou o fato apresenta graduaes ou subdivises. Embora fixo, o fenmeno varia em intensidade. A Distribuio de freqncias ou seriao uma srie hetergrada.
Os dados estatsticos resultantes da coleta direta da fonte, sem outra manipulao
seno a contagem ou medida, o chamados dados absolutos. Dados Relativos so o
resultado de comparaes por quociente (razes) que se estabelecem entre dados
absolutos e tm por finalidade realar ou facilitar as comparaes entre quantidades.
1.5.1. Tipos de Sries Estatsticas Simples (ou de uma entrada)
As sries estatsticas diferenciam-se de acordo com a variao de um dos trs elementos: tempo, local e fenmeno.
voltar
17
Probabilidade e Estatstica
sumrio
voltar
sumrio
Srie Cronolgica
Tambm chamada de srie temporal, srie histrica, srie evolutiva ou marcha,
identifica-se pelo carter varivel do fator cronolgico. Assim, deve-se ter:
Elemento varivel: poca
Elementos Fixos: Local e Fenmeno
Exemplo:
Tabela 1.1 - Operadora WKX Venda de bilhetes areos
Mercado Interno 1995
Meses
de reais)
Janeiro
2300
Fevereiro
1800
Maro
2200
Abril
2210
Maio
2360
Junho
2600
Julho
2690
Agosto
3050
Setembro
3500
Outubro
3440
Novembro
3100
Dezembro
2760
TOTAL ANUAL
31510
voltar
18
Probabilidade e Estatstica
sumrio
voltar
sumrio
Srie Geogrfica
Tambm chamada de srie territorial, srie espacial ou srie de localizao, identifica-se pelo carter varivel do fator geogrfico. Assim, deve-se ter:
Elemento varivel: Local
Elementos Fixos: poca e Fenmeno Exemplo:
Tabela 1.2 Operadora WKX - Vendas por Unidade da Federao 1995
Unidades da Federao
Minas Gerais
4000
Paran
2230
6470
Rio de Janeiro
8300
So Paulo
10090
Outros
420
TOTAL BRASIL
31510
voltar
19
Probabilidade e Estatstica
sumrio
voltar
sumrio
Srie Especfica
Tambm chamada de srie categrica ou srie por categoria, identifica-se pelo carter varivel de fator especificativo. Assim, deve-se ter:
Elemento varivel: Fenmeno
Elementos Fixos: Local e poca
Exemplos:
Tabela 1.3. Operadora WKX Venda de bilhetes areos por Linha 1995
Linha do Produto
Linha A
6450
Linha B
9310
Linha C
15750
TODAS AS LINHAS
31510
Nmero de Empregados
At 80
41 326
De 80 a 119
123 236
De 120 a 159
428 904
De 160 a 199
324 437
De 200 a 399
787 304
De 400 a 599
266 002
De 600 a 799
102 375
De 800 a 999
56 170
1000 e mais
103 788
TOTAL
2 233 542
voltar
20
Probabilidade e Estatstica
sumrio
voltar
sumrio
Setor
1940
1950
1960
Primrio
8 968
10 255
12 163
Secundrio
1 414
2 347
2 962
Tercirio
3 620
4 516
7 525
Fonte: IPEA
Unidade de
Produo
Produo
1937
1938
1939
Acre
5 007
4 765
4 727
Amazonas
6 858
5 998
5 631
Par
4 945
4 223
4 500
Mato Grosso
1 327
1 285
1 235
333
539
337
Outros Estados
Fonte: Anurio Estatstico do Brasil IBGE - (Dados alterados para melhor compreenso)
voltar
21
Probabilidade e Estatstica
sumrio
voltar
sumrio
Podem existir, se bem que mais raramente, pela dificuldade de representao, sries compostas de trs ou mais entradas.
Observao:
Nem sempre uma tabela representa uma srie estatstica. Por vezes, os dados
reunidos no revelam uniformidade, sendo meramente um aglomerado de informaes gerais sobre determinado assunto, as quais, embora teis, no apresentam a consistncia necessria para se configurar uma srie estatstica.
Exemplo: Tabela com resumos de dados, mas que no representa uma
srie estatstica.
Tabela 1.8 Situao dos espetculos cinematogrficos no Brasil 1967
Especificao
Dados Numricos
Nmero de cinemas
2 488
1 722 348
3 933
voltar
22
Probabilidade e Estatstica
sumrio
voltar
sumrio
voltar
23
Probabilidade e Estatstica
sumrio
voltar
sumrio
vendas
400
300
200
100
0
1971 1972 1973 1974 1975 1976 1977
anos
Fonte: Dados Fictcios.
Grfico em Colunas
a representao de uma srie por meio de retngulos, dispostos verticalmente.
Exemplo:Populao Brasileira nas dcadas de 40 a 70.
Populao
100
80
60
Populao
40
20
0
1940
1950
1960
1970
voltar
24
Probabilidade e Estatstica
sumrio
voltar
sumrio
Grfico em Barras
semelhante ao grfico em colunas, porm, os retngulos so dispostos horizontalmente.
Exemplo:Populao Brasileira nas dcadas de 40 a 70
Populao do Brasil
1970
1960
Populao do
Brasil
1950
1940
0
20
40
60
80
100
Grfico em Setores
a representao grfica de uma srie estatstica em crculo, por meio de setores.
utilizado principalmente quando se pretende comparar cada valor da srie com o
total.
Exemplo:
Receita (em R$ 1.000.000,00) do Municpio X de 1975-77
Anos
1975
90
1976
120
1977
Total
Fonte: Departamento da Fazenda, Municpio X.
O total representado pelo crculo, que fica dividido em tantos setores quantas so
as partes. Os setores so tais que suas reas so respectivamente proporcionais
aos dados da srie.
voltar
25
Probabilidade e Estatstica
sumrio
voltar
sumrio
Obtemos cada setor por meio de uma regra de trs simples e direta, lembrando
que o total da srie corresponde a 360.
Total __________360
Parte___________ x
Para 1975:
360 -
360
90 -
Para 1976:
360 - 360
120 -
x = 90
Para 1977:
x = 120
360 - 360
150 -
x = 150
Receita do Municipio X
1975
1976
1977
Grfico Polar
o grfico ideal para representar sries temporais cclicas, isto , sries que apresentam em seu desenvolvimento determinada periodicidade, como, por exemplo, a
variao da precipitao pluviomtrica ao longo do ano, ou da temperatura ao longo do dia, o consumo de energia eltrica durante o ms ou o ano, etc.
voltar
26
Probabilidade e Estatstica
sumrio
voltar
sumrio
Exemplo:
Movimento Mensal de Compras de uma agencia em 1972
Meses
Valores (R$1.000,00)
Janeiro
12
Fevereiro
13
Maro
14
Abril
12
Maio
15
Junho
19
Julho
17
Agosto
18
Setembro
14
Outubro
16
Novembro
12
Dezembro
18
Dez
Nov
Jan
20
15
Fev
Mar
10
5
Out
Abr
Set
Mai
Ago
Jun
Jul
voltar
27
Probabilidade e Estatstica
sumrio
voltar
sumrio
UNIDADE 2
Amostragem
2.1.
2.2.
2.3.
2.4.
2.5.
2.6.
Importncia da Amostragem
Conceitos Fundamentais
Amostragem Aleatria Simples
Amostragem Aleatria Estratificada
Amostragem por Conglomerado
Amostragem Sistemtica
voltar
28
Probabilidade e Estatstica
sumrio
voltar
sumrio
Riscos - a margem de erro motivado pelo fato de investigarmos parcialmente (amostras) o universo (populao).
Para que possamos fazer inferncias vlidas sobre a populao a partir de uma amostra, preciso que essa seja representativa. Uma das formas de se conseguir
representatividade fazer com que o processo de escolha da amostra seja, de alguma forma, aleatrio. Alm disso, a aleatoriedade permite o clculo de estimativas
dos erros envolvidos no processo de inferncia.
Quanto extrao dos elementos, as amostras podem ser:
Com reposio - quando um elemento sorteado puder ser sorteado novamente;
Sem reposio - quando o elemento sorteado s puder figurar uma nica vez na
amostra.
Basicamente, existem dois mtodos para composio da amostra: probabilstico e
no probabilstico (intencional).
voltar
29
Probabilidade e Estatstica
sumrio
voltar
sumrio
Amostragem Acidental;
Amostragem Intencional;
voltar
30
Probabilidade e Estatstica
sumrio
voltar
sumrio
amostra usando a TNA, sorteamos uma linha e uma coluna qualquer para
comearmos a leitura. Por exemplo: escolho 3 linha 15 coluna o digito
encontrado 5. A leitura da tabela pode ser feita horizontalmente (da direita para a esquerda ou vice-versa), verticalmente (de cima para baixo ou vice-versa), diagonalmente (no sentido ascendente ou descendente). A opo, porm, deve ser feita antes de iniciado o processo.
Assim, em nossos exerccios, avaliaes e trabalhos, utilizaremos sempre a TNA
lendo na vertical,
voltar
31
Probabilidade e Estatstica
sumrio
voltar
sumrio
que ler trs colunas para conseguirmos valores entre 001 e 300. Se o nmero
sorteado superar o nmero de elementos rotulados, abandona-se o nmero sorteado, prosseguindo-se o processo. Considerando 9 linha e 5 coluna temos
como resposta : 124,056,094,143,014.
Outras tcnicas de amostragem so preferveis aleatria simples, pois levam
em considerao a composio da populao, facilitando o trabalho de seleo
de amostras e aumentando a preciso.
Exemplo:
Vamos obter uma amostra representativa de 8 itens para a pesquisa da
estatura de noventa alunos de uma escola. Utilize a TNA (3 linha e 8
Coluna).
Resoluo:
Numeramos os alunos de 01 a 90;
Iniciamos o processo de sorteio dos itens da amostra na TNA considerando as colunas 8 e 9, pois 90 so dois dgitos;
A amostra ser os alunos correspondentes aos nmeros: 46, 58, 16,
51, 88, 09, 89, 14.
2.4. Amostragem Aleatria Estratificada
Uma amostra estratificada obtida separando-se as unidades da populao em
grupos no superpostos chamados estratos, e selecionando-se independentemente
uma amostra aleatria simples de cada estrato. Existem dois tipos de amostragem
estratificada:
De igual tamanho;
Proporcional.
No primeiro tipo, sorteia-se igual nmero de elementos em cada estrato. Esse processo utilizado quando o nmero de elementos por estrato for aproximadamente
o mesmo.
voltar
32
Probabilidade e Estatstica
sumrio
voltar
sumrio
Na na
n
= na = .Na
N n
N
Exemplo:
Supondo, no exemplo anterior, que, dos noventa alunos, 54 sejam meninos e 36 sejam meninas, vamos obter uma amostra proporcional estratificada de 10%.
Resoluo:
So, portanto, dois estratos (sexo masculino e feminino) e queremos
uma amostra de 10% da populao;
Calcula-se o nmero de amostras de cada estrato.
Sexo
Populao
10%
Nmero de amostras
54
5,4
36
3,6
Total
90
9,0
Numeramos os alunos de 01 a 90, sendo que de 01 a 54 correspondem meninos e de 55 a 90, meninas. O prximo passo o mesmo do
exemplo anterior.
voltar
33
Probabilidade e Estatstica
sumrio
voltar
sumrio
voltar
34
Probabilidade e Estatstica
sumrio
voltar
sumrio
K=
N
n
0<b K
3 - Composio da Amostra:
1 item b
2 item b + K
3 item b + 2k
Exemplo:
1 Suponhamos uma rua contendo quinhentos prdios, dos quais desejamos obter uma amostra formada de vinte prdios. (TNA, 3Linha e 5
Coluna)
Soluo:
a)
b)
K=500/20, K=25
c)
d)
Composio da amostra
1 item 12
2 item 12 + 25 = 37
3 item 12 + 2*25 = 62
20 item 12 +19*25 = 487
voltar
35
Probabilidade e Estatstica
sumrio
voltar
sumrio
01
02
03
04
05
06
07
08
09
10
9486
3155
6136
7249
0071
1558
2204
7285
1735
2709
9821
9878
2824
9182
9871
4775
5318
8390
1248
0561
11
12
13
14
15
3522
6074
3359
6030
8669
16
17
18
19
20
21
22
23
24
25
13
17
21
6074
3359
6030
8669
6678
1699
8337
9134
9807
4397
1432
8244
4256
7423
0140
1652
3867
9863
1910
1135
0995
8952
3870
1768
9522
2555
6184
9486
3155
6136
0941
1432
8244
4256
7423
5569
0995
8952
3870
1768
5800
0157
0084
5725
8147
7249
0071
1558
2204
7285
9182
9871
4775
2318
8390
6678
1699
8337
9134
9807
4397
5569
0995
8952
3870
0140
1652
3867
9863
1910
1135
5800
0157
0084
5725
9522
2555
6184
9486
3155
6136
7249
0071
1558
2204
0995
4765
2018
9821
9878
2824
9182
9871
4775
5318
1735
2709
3522
6074
3359
6030
8669
6678
1699
8337
26
27
28
29
30
7425
8961
3298
2276
9557
3566
8175
6173
4898
8114
6151
0879
1741
2394
1576
4731
6945
3874
1098
9767
31
32
33
34
35
8650
2885
1841
4638
1320
1920
8101
8626
8030
7033
2533
1467
0344
0018
1218
36
37
38
39
40
1488
4353
7816
8600
1057
5803
4347
5817
9738
1550
6790
8565
9764
5415
8773
25
LINHA
0157 0071
0084 1558
5725 2204
8147 7285
0995 1735
4765 2709
2018 3522
9821 6074
9878 3359
2824 6030
29
33
37
41
45
49
9871
4775
5318
8390
1248
0561
0941
1432
8244
4256
6678
1699
8337
9134
9807
4397
5569
0995
8952
3870
0140
1652
3867
9863
1910
1135
5800
0157
0084
5725
9522
2555
6184
9486
3155
6136
7249
0071
1558
2204
0995
4765
2018
9821
9878
2824
9182
9871
4775
5318
1735
2709
3522
6074
3359
6030
8669
6678
1699
8337
8669
6678
1699
8337
9134
7423
0140
1652
3867
9863
1768
9522
2555
6184
9486
8147
0995
4765
2018
9821
7285
1735
2709
3522
6074
8390
1248
0561
0941
1432
9134
9807
4397
5569
0995
1248
0561
0941
1432
8244
4256
7423
0140
1652
3867
9807
4397
5569
0995
8952
3870
1768
9522
2555
6184
1910
1135
5800
0157
0084
5725
8147
0995
4765
2018
3155
6136
7249
0071
1558
2204
7285
1735
2709
3522
9878
2824
9182
9871
4775
5318
8390
1248
0568
0941
3359
6030
8669
6678
1699
8337
9134
9807
4397
5569
8244
4256
7423
0140
1652
3867
9863
1910
1135
5800
8952
3870
1768
9522
2555
6184
8486
3155
6136
7249
6489
8029
9321
4063
1486
2491
9119
3748
5393
7161
2765
5990
7507
0226
5606
8525
1063
0170
8144
6295
7849
9444
0568
4778
3503
1488
8320
9112
7471
5050
8833
1740
1275
1764
9549
2597
6131
0924
4939
2500
1333
9907
3054
8063
9666
7755
0080
4344
7760
5605
5324
7962
7446
9819
4206
3731
5999
0867
4276
2878
3414
9562
6157
0650
0230
2153
5819
8935
3516
1740
3815
1562
4413
5159
4553
0626
6793
2363
9236
8729
5718
2065
7187
3257
5827
8679
0239
8980
1694
7176
6801
8253
2488
7157
8703
9368
2231
8789
8426
3003
0465
8789
7387
7152
4302
4819
4231
2172
8705
4034
0065
2585
0896
5829
2478
7633
0157
1038
0164
1078
3950
2037
6047
8330
0429
2109
7835
9539
9152
7189
7027
1320
3510
6045
0778
5824
8999
1343
8129
3260
5057
9181
8098
2293
5969
voltar
36
Probabilidade e Estatstica
sumrio
voltar
sumrio
UNIDADE 3
Distribuio de Freqncia
3.1. Conceitos
3.2. Elementos de uma distribuio de freqncia: amplitude total,
limites de classe, amplitude do intervalo de classe, ponto
mdio da classe, freqncia absoluta, relativa e acumulada
3.3. Regras Gerais para a elaborao de uma distribuio
de freqncia
3.4. Grficos representativos de uma distribuio de freqncia:
histograma, polgono de freqncia e ogiva
voltar
37
Probabilidade e Estatstica
sumrio
voltar
sumrio
nmero de repeties dessa observao, ou seja, quantas vezes determinado fenmeno acontece.
Os dados podem ser classificados como:
1995
1996
1997
1998
voltar
38
Probabilidade e Estatstica
sumrio
voltar
sumrio
N de aparelhos
com defeitos
N de meses
06
11
09
08
08
05
01
Total
48
voltar
39
Probabilidade e Estatstica
sumrio
voltar
sumrio
Dados Tabelados agrupados em classes - os valores da varivel no aparecem individualmente, mas agrupados em classes.
Notas
N de alunos
0 |--- 20
020
20 |--- 40
065
40 |--- 60
230
60 |--- 80
160
80 |--- 100
025
Total
580
150
154
155
157
160
161
162
164
166
169
151
155
156
158
160
161
162
164
167
170
152
155
156
158
160
161
163
164
168
172
153
155
156
160
160
161
163
165
168
173
A = 173 150 = 23
voltar
40
Probabilidade e Estatstica
sumrio
voltar
3.2.2.
sumrio
Amplitude de um intervalo de classe (h) ou simplesmente intervalo de classe a medida do intervalo que define a classe.
h=A/K
Exemplo, considerando o exemplo anterior:
H = 23/ 6 = 3,83 h = 4
3.2.4.
voltar
41
Probabilidade e Estatstica
sumrio
voltar
sumrio
Classes
150 | 154
154 | 158
158 | 162
11
162 | 166
166 | 170
170 | 174
40
L2=158
l2 = 154
3.2.5.
xi =
linf + Lsup
2
x2 =
154 + 158
= 156 x 2 = 156
2
3.2.6. Freqncias
Freqncias simples ou absoluta da classe i (ni) - so os valores que realmente representam o nmero de dados de cada classe. A soma das freqncias
simples igual ao nmero total dos dados.
Exemplo: considerando a segunda classe do exemplo anterior, temos:
n2 = 9 .
voltar
42
Probabilidade e Estatstica
sumrio
voltar
sumrio
fi =
ni
n
Fi =
Ni
n
voltar
43
Probabilidade e Estatstica
sumrio
voltar
sumrio
K = 1 + 3,3 log n ou k = n
3. Determinar a amplitude do intervalo de classe;
h=
A
k
35
35
39
41
41
42
45
47
48
50
52
53
54
55
55
57
59
60
60
61
64
65
65
65
66
66
66
67
68
69
71
73
73
74
74
76
77
77
78
80
81
84
85
85
88
89
91
94
97
voltar
44
Probabilidade e Estatstica
sumrio
voltar
sumrio
Classes
Ni
fi
Fi
xj
30 | 40
0,08
0,08
35
40 | 50
10
0,12
0,20
45
50 | 60
18
0,16
0,36
55
60 | 70
13
31
0,26
0,62
65
70 | 80
40
0,18
0,80
75
80 | 90
47
0,14
0,94
85
90 |100
50
0,06
1,0
95
50
Histograma
ni
12
30
40
50
voltar
60
45
70
80
90
100
Probabilidade e Estatstica
sumrio
voltar
sumrio
ni
12
35
45
55
65
75
85
95
Ponto mdio
Polgono de freqncia acumulada traado marcando-se as freqncias acumuladas sobre perpendiculares ao eixo horizontal, levantadas nos pontos correspondentes aos limites superiores dos intervalos de classe.
Polgono de Freqncia Acumulada
F
50
47
40
31
18
10
4
30
100
40
50
voltar
60
46
70
80
90
Probabilidade e Estatstica
sumrio
classes
voltar
Observao:
Uma
distribuio
sumrio
de
freqncia
sem
intervalos
de
classe
ni
12
voltar
47
Probabilidade e Estatstica
sumrio
xi
voltar
sumrio
UNIDADE 4
Medidas de Posio
4.1.
4.2.
4.3.
4.4.
4.5.
Introduo
Mdia aritmtica simples e ponderada e suas propriedades
Moda: Dados agrupados e no agrupados em classes
Mediana: Dados agrupados e no agrupados em classes
Mdia Geomtrica: Dados agrupados
e no agrupados em classes
4.6. Mdia Harmnica: Dados agrupados
e no agrupados em classes
4.7. Separatrizes: Quartis, Decis e Percentis
Nesta unidade, veremos as tendncias caractersticas de cada distribuio, destacando as medidas de posio central, que recebem tal denominao pelo fato de os dados observados tenderem, em geral, a se agrupar em torno dos valores centrais. So objetivos desta unidade:
4.1. Introduo
Nas sees anteriores, vimos a sintetizao dos dados sob a forma de tabelas, grficos e distribuies de freqncias. Agora, vamos destacar o clculo das medidas
que possibilitam localizar a maior concentrao de valores de uma dada distribuio, isto , se ela se localiza no incio, no meio ou no final, ou, ainda, se h uma
distribuio por igual. Tais medidas possibilitam comparaes de sries de dados
entre si pelo confronto desses nmeros.
No entanto, para ressaltar as tendncias caractersticas de cada distribuio, isoladamente, ou em confronto com outras, necessitamos introduzir os elementos tpicos da distribuio, que so:
Medidas de posio;
Medidas de assimetria;
Medidas de curtose.
voltar
48
Probabilidade e Estatstica
sumrio
voltar
sumrio
A mdia aritmtica;
A mediana;
A moda.
A mediana;
Os quartis;
Os decis;
Os percentis.
o quociente da diviso da soma dos valores da varivel pelo nmero deles. A mdia (aritmtica) , de modo geral, a mais importante de todas as medidas descritivas.
Dados no tabelados
n
x=
xi : valor observado
n : nmero total de observaes
xi
i =1
29
26
28
15
23
17
25
destes aparelhos?
Soluo:
X = 10 + 29 + 26 + 28 + 15 + 23 + 17 + 25 + 0 + 20 = 193
x = 193 = 19,3 ,
x=
n
10
voltar
49
Probabilidade e Estatstica
sumrio
voltar
sumrio
Dados Tabelados
x =
x n
i
i =1
Xi : valor observado
ni : n de observaes por classe
n : n de observaes totais
X =
x i ni
i =1
ni : n de observaes
10
11
12
13
Soluo: Mo= 9
Dados tabelados
Sem intervalo de Classe: O valor modal o valor que possuir maior freqncia.
Exemplo:
Classes
voltar
50
Probabilidade e Estatstica
sumrio
voltar
06
11
sumrio
09
08
08
05
01
48
Mo = linf + hMo
nmo nant
(nmo nant ) + (nmo n post )
onde constatamos:
Classe Modal: Classe de maior freqncia
n
mo:
M o = 3Md 2 X
onde constatamos:
Md = Mediana
X
= Mdia
voltar
51
Probabilidade e Estatstica
sumrio
voltar
sumrio
Classes
0|--- 1
1|--- 2
2|--- 3
3|--- 4
4|--- 5
ni
10
17
43
Para uma srie com nmero mpar de itens: a mediana corresponde ao valor
central.
EMd - elemento mediano: indica a posio da mediana.
n mpar
EMd = (n+1)/2
Md = X (E Md )
voltar
52
Probabilidade e Estatstica
sumrio
voltar
sumrio
Para uma srie com nmero par de itens: no h termo central nico, mas,
sim, dois termos centrais. A mediana ser dada por:
n par
EMd = n/2
Md =
X (E Md ) + X (E Md +1)
2
E MD =
n
2
Md = linf + hMd
Nant
nMd
onde temos:
linf: limite inferior da classe mediana.
hMo: intervalo de classe mediana.
nMd : freqncia simples absoluta na classe mediana.
Nant : freqncia acumulada absoluta anterior classe mediana.
Classe Mediana: classe onde est o elemento mediano.
voltar
53
Probabilidade e Estatstica
sumrio
voltar
sumrio
M G = N x1.x2 . x3 .....xn
Dados agrupados
M G = N x1n1 x2 n 2 x3 n3 ....xn n n
Com intervalo de classe
M G = N x1n1 x 2 n2 x 3 n3 ....x n nn
x i : ponto mdio
ni : n de observaes
Mh =
n
=
n1 n 2 n 3
nn
+
+
+ ........ +
x1 x 2
x3
xn
n
n
i =1
ni
xi
voltar
54
Probabilidade e Estatstica
sumrio
voltar
sumrio
i=1,2,3
Q1 = 1 quartil, valor situado de tal modo na srie que uma quarta parte (25%)
dos dados menor que ele e as trs quartas partes restantes (75%) so maiores.
3n
N ant
4
.h
Q3 = lQ3 +
nQ3
N ant
4
.h
Q1 = lQ1 +
nQ1
Onde temos:
linf : limite inferior da classe do quartil considerado
hQ: intervalo de classe do quartil considerado
i=1,2,3, , 9
DK = l DK
KN
N ( ant )
10
h
+
nDK
voltar
55
Probabilidade e Estatstica
sumrio
voltar
sumrio
i=1,2,3, , 99
PK = l PK
KN
N ( ant )
100
h
+
n PK
Exemplo:
1- Num acampamento infantil, foram obtidas as seguintes estaturas:
Estaturas
120|--- 128
128|---136
136|--- 144
144|--- 152
152|--- 160
frequencia
12
16
13
Calcule:
a) O 1 Quartil (Q1);
b) o 4 Decil (D4);
Soluo:
Primeiro vamos estruturar a tabela de distribuio de Freqncias, como estamos trabalhando com intervalos de classe , temos que calcular os pontos mdios de cada classe. Depois iremos utilizar as frmulas para cada item que queremos calcular.
voltar
56
Probabilidade e Estatstica
sumrio
voltar
sumrio
Estaturas (cm)
Xi (Ponto mdio)
120|--- 128
124
12
18
132
16
34
138
13
47
148
54
156
Total
54
a) Calculo de Q1,
Para calcular Q1, temos que primeiro identificar a classe que esta o valor, para
isto consideramos :
N 54
=
= 13,5 , que vamos neste momento arredondar para 14, pela frequencia
4
4
acumulada procuramos a classe que encontra o 14 elemento, que a 2 classe
com limites de 128 |--- 136.
Agora usamos a formula para calcular Q1
N ant
4
.h
Q1 = lQ1 +
nQ1
Onde:
linf : limite inferior da classe do quartil considerado = 128
hQ: intervalo de classe do quartil considerado = 8
nQ : freqncia simples absoluta do quartil considerado = 12
Nant : freqncia acumulada anterior classe do quartil considerado =6
Substituindo estes valores na expresso acima temos
Q1 = 128 +
(13,5 6) * 8 = 133
12
voltar
57
Probabilidade e Estatstica
sumrio
voltar
sumrio
b) Calculo de D4
Primeiro identificamos a classe que esta o valor;
KN 4 x54
=
= 21,6 = 27 , atravs da freqncia acumulada identificamos a clas10
10
se que encontra o 27 , que a 3 classe com limites de 136 |--- 144
Agora usamos a frmula
DK = l DK
KN
N ( ant )
10
h
+
nDK
onde:
lDK: limite inferior da Classe Dk = 136
N : tamanho da amostra = 54
h : amplitude da classe = 8
nDK: freqncia da classe = 16
N(ant): freqncia acumulada da classe anterior = 18
Substituindo estes valores na expresso acima temos:
D4 = 136 +
voltar
58
Probabilidade e Estatstica
sumrio
voltar
sumrio
UNIDADE 5
Medidas de Disperso
5.1. Disperso
5.2. Assimetria
5.3. Curtose
Amplitude (A)
Varincia (S2)
Desvio padro (S)
Relativa
voltar
59
Probabilidade e Estatstica
sumrio
voltar
sumrio
S =
2
( xi x)
Dados Agrupados
xi2 ni
xi ni
S2 =
n 1
n 1
i =1
n 1
Sendo a varincia calculada a partir dos quadrados dos desvios, ela um nmero
em unidade quadrada em relao varivel em questo, o que, sob o ponto de
vista prtico, um inconveniente; por isso, tem pouca utilidade na estatstica descritiva, mas extremamente importante na inferncia estatstica e em combinaes
de amostras.
voltar
60
Probabilidade e Estatstica
sumrio
voltar
sumrio
S = S2
CV =
S
x
15%
30%
5.2. Assimetria
Estas medidas referem-se forma da curva de uma distribuio de freqncia,
mais especificamente do polgono de freqncia ou do histograma.
Denomina-se assimetria o grau de afastamento de uma distribuio da unidade de
simetria.
Em uma distribuio simtrica, tem-se igualdade dos valores da mdia, mediana
e moda.
voltar
61
Probabilidade e Estatstica
sumrio
voltar
sumrio
Simetria
X = Mo = Md
Mo < Md < X
Mo Md X
Em
uma
distribuio
assimtrica
negativa,
ou
assimetria
X < Md < Mo
X Md Mo
voltar
62
Probabilidade e Estatstica
sumrio
esquerda,
voltar
sumrio
Existem vrias frmulas para o clculo do coeficiente de assimetria. As mais utilizadas so:
1 Coeficiente de Pearson
AS =
x Mo
S
2 coeficiente de Pearson
AS =
Q1 + Q3 2Md
Q3 Q1
Q1 : valor do 1 Quartil
Q3 : valor do 3 Quartil
Md : valor da Mediana
Quando
AS = 0, diz-se que a distribuio simtrica.
5.3. Curtose
Curtose o grau de achatamento (ou afilamento) de uma distribuio em comparao com
uma distribuio padro (chamada curva normal). De acordo com o grau de curtose, classificamos trs tipos de curvas de freqncia:
Mesocrtica: uma curva bsica de referncia chamada curva padro ou curva normal;
voltar
63
Probabilidade e Estatstica
sumrio
voltar
sumrio
Platicrtica: uma curva mais achatada (ou mais aberta) que a curva normal;
Q3 Q1
K=
2(P90 P10 )
Q1 : valor do 1 Quartil
Q3 : valor do 3 Quartil
P10 : valor do percentil 10
P90 : valor do percentil 90
voltar
64
Probabilidade e Estatstica
sumrio
voltar
sumrio
UNIDADE 6
Probabilidade
6.1. Experimento aleatrio, espao amostral e eventos
6.2. Probabilidade: Definio clssica; Probabilidade e
freqncia relativa
6.3. Tipos de eventos
6.4. Axiomas de Probabilidade
6.5. Probabilidade condicional e independncia de eventos
Nesta unidade, vamos ver que a probabilidade expressa por meio de valores numricos as possibilidades da ocorrncia dos resultados de um
fenmeno. So objetivos desta unidade:
Definir e determinar os possveis espaos amostrais de determinados
fenmenos;
Determinar a probabilidade de ocorrncia de um determinado fenmeno.
Formar um conhecimento slido dos valores probabilsticos que sero
utilizados nas prximas unidades.
voltar
65
Probabilidade e Estatstica
sumrio
voltar
sumrio
voltar
66
Probabilidade e Estatstica
sumrio
voltar
sumrio
A probabilidade s tem sentido no contexto de um espao amostral, que o conjunto de todos os resultados possveis de um experimento. O termo experimento sugere a incerteza do resultado antes de fazermos as observaes. Os resultados de um experimento (ex: a ocorrncia de um raio, uma viagem etc.) chamamse eventos.
Evento Aleatrio (E)
qualquer subconjunto de um espao amostral. tambm o resultado obtido de
cada experimento aleatrio, que no previsvel.
Espao Amostral (S)
Espao amostral de um experimento aleatrio o conjunto de todos os possveis
resultados desse experimento.
Exemplos de Espaos Amostrais:
S = { c, r }
( composto de 2 eventos)
S = { 1, 2, 3, 4, 5, 6 }
( composto de 6 eventos)
( composto de 8 eventos)
voltar
67
Probabilidade e Estatstica
sumrio
voltar
sumrio
Exemplo:
Na extrao de uma s carta, os eventos a carta de copas e a carta
de ouros so mutuamente excludentes, porque uma carta no pode
ser ao mesmo tempo de copas e de ouros.
J os eventos a carta de copas e a carta uma figura no so mutuamente excludentes, porque algumas cartas de copas so tambm figuras.
Muitas vezes, til representar graficamente um espao amostral, porque isso torna mais fcil visualizar-lhe os elementos.
Os eventos A e A so complementares.
A
S
Os eventos A e B so mutuamente
S = { 1 , 2 , 3 .... n }
voltar
68
Probabilidade e Estatstica
sumrio
voltar
sumrio
A B = {1 () S / 1 A ou 1 B }
S
A B = {i S i A e i B }
Obs: Se A B = , A e B so eventos
mutuamente exclusivos
Ac = {i S i A}
AC
A
voltar
69
Probabilidade e Estatstica
sumrio
voltar
sumrio
P(S) = 1
P (A B)=P(A)+P(B)
Chamamos de probabilidade de um evento A (A S) o nmero real P(A), tal que:
P(A) =
voltar
70
Probabilidade e Estatstica
sumrio
voltar
sumrio
Eventos Equiprovveis
Quando se associa a cada ponto amostral a mesma probabilidade, o espao amostral chama-se equiprovvel ou uniforme. Os eventos Ei,i=1,2,3......n so equiprovveis quando P(Ei)=P(E2)=P(En)=P, isto , quando todos tm a mesma probabilidade de ocorrer: P=1/n.
Se os n pontos amostrais (eventos) so equiprovveis, a probabilidade de cada um
dos pontos amostrais 1/n .
r
1
P ( A) = r P ( A) =
n
n
Exemplo:
Retira-se uma carta de um baralho completo de 52 cartas. Qual a probabilidade de sair um rei ou uma carta de espadas?
Soluo:
P( A B) = P ( A) + P( B) P ( A B )
Eventos mutuamente exclusivos
Dois eventos A e B so denominados mutuamente exclusivos se eles no puderem
ocorrer simultaneamente, isto , A B = .
Evento impossvel
Exemplo:
E = Jogar um dado e observar o resultado. Sejam os eventos A= ocorrer
n par e B= ocorrer n mpar.
S = {1,2,3,4,5,6}
Ento, A e B so mutuamente exclusivos, pois a ocorrncia de um nmero par e mpar no pode ser verificada em decorrncia da mesma experincia.
voltar
71
Probabilidade e Estatstica
sumrio
voltar
sumrio
r
r!
Cr ,p = =
p p! (r p )!
Notao: O Smbolo fatorial ! denota o produto dos inteiros positivos em ordem
decrescente. Por exemplo, 6! = 6.5.4.3.2.1= 720. Por definio , 0! = 1.
voltar
72
Probabilidade e Estatstica
sumrio
voltar
sumrio
10 10.9.8.7!
C10,3 = =
= 120
3.2.7!
3
Podemos ter 120 comisses diferentes compostos com 3 pessoas.
Arranjos
Ar , p =
r!
(r p)!
Exemplo: Considerando um grupo de dez pessoas, quantas chapas diferentes podemos ter para uma eleio de presidente, tesoureiro e secretrio?
A10,3 =
10!
3628800 3628800
=
=
= 720
(10 3)!
7!
5040
voltar
73
Probabilidade e Estatstica
sumrio
voltar
sumrio
P( A B) =
P( A B)
P (B )
Isso significa que a probabilidade de A ocorrer, dado que B ocorreu, igual probabilidade de ocorrncia simultnea de A e B dividida pela probabilidade de ocorrncia de B. (Note-se que essa definio no se aplica quando P(B)=0, porque ento estaramos dividindo por zero).
Exemplo:
Dois dados so lanados. Consideremos os eventos
A={(x1,x2) / x1+x2=10} e B={(x1,x2) / x1 > x2},
onde x1 o resultado do dado 1 e x2 o resultado do dado 2. Avaliar
P(A); P(B); P(A/B) e P(B/A).
Soluo:
P(A)= 3/36 =1/12
P(B) =15/36 =5/12
P(A/B)=1/15
P(B/A)=1/3
Teorema do Produto
A probabilidade da ocorrncia simultnea de dois eventos, A e B, do mesmo espao amostral, igual ao produto da probabilidade de um deles pela probabilidade
condicional do outro, dado o primeiro.
voltar
74
Probabilidade e Estatstica
sumrio
voltar
P( A B) =
sumrio
P( A B)
P (B )
P (B A ) =
P( A B)
P ( A)
Independncia Estatstica
Um evento A considerado independente de um outro evento B se a probabilidade
de A igual probabilidade condicional de A dado B.
Exemplo: Em um lote de 12 peas, 4 so defeituosas, 2 peas so retiradas uma aps a outra, sem reposio. Qual a probabilidade de que
ambas sejam boas?
A={a 1 pea boa}
B={a 2 pea boa}
P(A B)= P(A). P(B/A)= 8/12.7/11=14/33
Isto , se P(A)=P(A/B) evidente que, se A independente de B, B
independente de A; P(B)=P(B/A). Se A e B so independentes, ento
temos que
P(A B)=P(A).P(B)
Regra de Bayes
Sejam A1, A2, A3,......An, n eventos mutuamente exclusivos tais que A1 A2 An =
S.
Sejam P(Ai) as probabilidades conhecidas dos vrios eventos e B um evento qualquer de S, tal que so conhecidas todas as probabilidades condicionais P(B/Ai).
P ( Ai / B) =
P( Ai ).P( B / Ai )
P ( A1 ).P ( B / A1 ) + P( A2 ).P( B / A2 ) + ...... + P( An ).P( B / An )
OBS: O Teorema de Bayes tambm chamado de Teorema da Probabilidade a Posteriori. Ele relaciona uma das parcelas da probabilidade total com a prpria probabilidade total.
voltar
75
Probabilidade e Estatstica
sumrio
voltar
sumrio
P( A B)
, devemos calcular P(A B).
P( B)
logo, P(A/B) =
1/ 6 2
=
3/ 4 9
P(Ma/M) = 0,02
P(H) = 0,6
P(M) = 0,4
P(M/Ma)= ?
voltar
76
Probabilidade e Estatstica
sumrio
voltar
sumrio
P( M ) * P( Ma / M )
0,4 * 0,02
=
P( M ) * P( Ma / M ) + P ( H ) * P( Ma / H ) (0,4 * 0,02) + (0,6 * 0,05)
0,008
P ( M / Ma) =
= 0,21 = 21%
0,038
P ( M / Ma) =
P( B) * P( D / B)
P( A) * P ( D / A) + P( B) * P( D / B) + P(C ) * P ( D / C )
0,5 * 0,05
P( B / D) =
0,4 * 0,03 + 0,5 * 0,05 + 0,1 * 0,02
0,025
P( B / D) =
= 0,641 = 64,1%
0,039
P( B / D) =
voltar
77
Probabilidade e Estatstica
sumrio
voltar
sumrio
UNIDADE 7
Variveis Aleatrias
7.1.
7.2.
7.3.
7.4.
R
s
Varivel
Aleatria
X(s)
Exemplo:
E: lanamento de duas moedas;
X: n de caras obtidas nas duas moedas;
voltar
78
Probabilidade e Estatstica
sumrio
Simetr
voltar
sumrio
{(xi,p(xi), I=1,2,.n}
7.3. Funo de densidade de probabilidade
a funo que associa a cada valor assumido pela varivel aleatria a probabilidade do evento correspondente, isto :
voltar
79
Probabilidade e Estatstica
sumrio
voltar
sumrio
Varincia - VAR (x) a medida que d o grau de disperso (ou de concentrao) de probabilidade em torno da mdia. O fato de conhecermos a mdia de
uma distribuio de probabilidades j nos ajuda bastante, porm, precisamos de
uma medida que nos d o grau de disperso de probabilidade em torno dessa
mdia.
Desvio Padro DP(X) a raiz quadrada da varincia.
7.5. Distribuies discretas: Bernoulli, Binomial e Poisson
Uma funo X, definida sobre o espao amostral e assumindo valores num conjunto
enumervel de pontos do conjunto real, dita uma varivel aleatria discreta.
Uma varivel aleatria X do tipo discreto estar bem caracterizada se indicarmos os
possveis valores x1, x2, , xk que ela pode assumir e as respectivas probabilidades
p(x1), p(x2), , p(xk), ou seja, se conhecermos a sua funo de probabilidade (x;
p(x)), onde
p(x) = P(X = x)
Dada a v.a. discreta X, assumindo os valores x1, x2, , xk , chamamos esperana
matemtica de X ao valor:
E ( X ) = x p( x)
Chamamos varincia de X ao valor:
Var ( X ) = E ( X 2 ) [ E ( X )] 2
onde
E ( X 2 ) = x 2 p( x)
E de desvio padro de X a
DP( X ) = Var ( X )
voltar
80
Probabilidade e Estatstica
sumrio
voltar
sumrio
X x1 = 1 (sucesso)
x 2 = 0 (fracasso)
ou
P(X) p(x 1 ) = p
p(x 2 ) = 1 p = q
P ( x = 0) = q
P(x = 1 ) = p
Essas condies caracterizam um conjunto de Provas de Bernoulli ou um experimento de Bernoulli, e sua funo probabilidade dada por:
P ( X = x) = p x .q 1 x
Principais caractersticas
1
Mdia:
E ( X ) = xi P( xi ) = 0.q + 1. p = p
i =0
Varincia:
Var ( X ) = E ( X 2 ) [ E ( X )]2
1
E ( X 2 ) = xi2 P ( xi ) = 0 2 q + 12 p = p
i =0
Var ( X ) = p p 2 = p (1 p) = pq
voltar
81
Probabilidade e Estatstica
sumrio
voltar
sumrio
2. Distribuio Binomial
Uma varivel aleatria tem distribuio binomial quando o experimento ao qual
est relacionada apresenta apenas dois resultados (sucesso ou fracasso). Este modelo fundamenta-se nas seguintes hipteses:
P ( X = 1) = n. p.q n 1
p x q n x
n
P( X = x) = p x q n x
x
voltar
82
Expresso geral da
distribuio Binomial
Probabilidade e Estatstica
sumrio
e como
voltar
sumrio
Principais caractersticas:
Mdia: E ( X ) = n. p
dar 5 caras;
b)
c)
no mximo 2 caras.
Soluo:
a) x = sair cara, p=0,5 ( probabilidade do sucesso de X), q= 0,5 ( probabilidade do fracasso de X0, n = 8 ( nmero de repeties do evento).
P ( X = 5) =
8!
40320
.0,5 5.0,585 =
.0,58 = 0,21875 = 21,88%
5!(8 5)!
120.6
c) P(X2) = P(X=0)+ P(x=1) + P(X=2) , utilizando as frmulas dos itens anteriores calcula-se as probabilidades.
3. Distribuio de Poisson
Consideremos a probabilidade de ocorrncia de sucessos em um determinado intervalo. A probabilidade da ocorrncia de um sucesso no intervalo proporcional ao
intervalo. A probabilidade de mais de um sucesso nesse intervalo bastante pequena em relao probabilidade de um sucesso.
voltar
83
Probabilidade e Estatstica
sumrio
voltar
sumrio
P( X = k ) =
e .k
k!
onde a mdia.
Mdia: E ( X ) =
Varincia: Var ( X ) =
OBS: Muitas vezes, no uso da binomial, acontece que n muito grande e p muito
pequeno. Podemos, ento, fazer uma aproximao de binomial pela distribuio de
Poisson, da seguinte forma:
= np
Exemplo: Em mdia, so feitas 2 chamadas por hora para certo telefone. Calcular a probabilidade de se receber no mximo 3 chamadas em 2
horas e a probabilidade de nenhuma chamada em 90 minutos.
Soluo:
= 2 por hora, para 2 horas = 4
P(X3)= P(X=0)+P(X=1)+P(X=2)+P(X=3)
voltar
84
Probabilidade e Estatstica
sumrio
voltar
P(X3) =
sumrio
e .0 e .1 e .2 e .3
+
+
+
0!
1!
2!
3!
e 4 .4 0 e 4 .41 e 4 .4 2 e 4 .4 3
+
+
+
1
1
2
6
4
4
4
4
4
P(X3) = e + 4e + 8e + 10,666e = 23,66e = 0,4334 = 43,34%
P(X3) =
e 3 .30
= e 3 = 0,0498 = 4,98 %
1
P(a<X<b)
voltar
85
Probabilidade e Estatstica
sumrio
voltar
sumrio
Da relao entre a probabilidade e a rea sob a funo, a incluso, ou no, dos extremos a e b na expresso acima no afetar os resultados. Assim, iremos admitir
f ( x)dx = 1
caracterizar uma v.a. contnua.
Dada a v.a. contnua X, assumindo os valores no intervalo entre a e b, chamamos
valor mdio ou esperana matemtica de X ao valor
b
E ( X ) = x f ( x)dx
a
Var ( X ) = E ( X 2 ) [ E ( X )] 2
onde
b
E ( X 2 ) = x 2 f ( x)dx
a
e de desvio padro de X a
DP( X ) = Var ( X )
Se X uma v.a. contnua com f.d.p. f(x), definimos a sua funo de distribuio
acumulada F(x) como:
x
F ( x) = P ( X x) =
f (t )dt
voltar
86
Probabilidade e Estatstica
sumrio
voltar
sumrio
1 - Distribuio Normal
A distribuio normal a mais importante das distribuies de probabilidades. Conhecida como a curva em forma de sino, a distribuio normal tem sua origem
associada aos erros de mensurao. sabido que quando se efetuam repetidas
mensuraes de determinada grandeza com um aparelho equilibrado, no se chega
ao mesmo resultado todas as vezes; obtm-se, ao contrrio, um conjunto de valores que oscilam, de modo aproximadamente simtrico, em torno do verdadeiro valor. Construindo-se o histograma desses valores, obtm-se uma figura com forma
aproximadamente simtrica. Gauss deduziu matematicamente a distribuio normal
como distribuio de probabilidade dos erros de observao, denominando-a ento
lei normal dos erros.
Supunha-se inicialmente que todos os fenmenos da vida real devessem ajustar-se
a uma curva em forma de sino; em caso contrrio, suspeitava-se de alguma anormalidade no processo de coleta de dados. Da a designao de curva normal.
A observao cuidadosa subseqente mostrou, entretanto, que essa pretensa universalidade da curva, ou distribuio normal, no correspondia realidade. De fato,
no so poucos os exemplos de fenmenos da vida real representados por distribuies no normais, curvas assimtricas, por exemplo. Mesmo assim, a distribuio
normal desempenha papel preponderante na estatstica, e os processos de inferncia nela baseados tm larga aplicao.
A distribuio normal tem sua funo de densidade de probabilidade dada por
f(x) =
(x )2
exp
2 2
< x <
escrevemos: X N( , ).
A figura 2 ilustra uma curva normal tpica, com seus parmetros descritos graficamente.
voltar
87
Probabilidade e Estatstica
sumrio
voltar
sumrio
f(x)
: mdia
: desvio padro
B
A
voltar
88
Probabilidade e Estatstica
sumrio
voltar
sumrio
Como descrito anteriormente, a probabilidade de uma varivel assumir valores entre a e b igual rea sob a curva entre esses dois pontos. A determinao dessas
probabilidades realizada matematicamente atravs da integrao da funo de
densidade de probabilidade entre os pontos a e b de interesse. No caso da normal,
a integral no pode ser calculada exatamente e a probabilidade entre dois pontos
s pode ser obtida de forma aproximada, por mtodos numricos. Essa tarefa
facilitada atravs do uso da distribuio normal padro definida a seguir.
No caso da distribuio normal, algumas dessas reas - com os pontos a e b, funo da mdia e do desvio padro so bastante difundidas e esto representadas na figura 5:
99.73 %
95.46 %
68.26 %
-3
-2
+2
+3
Portanto, 68,26% dos valores populacionais caem entre os limites definidos como
mdia mais ou menos um desvio padro ( 1); 95,46% dos valores caem entre
voltar
89
Probabilidade e Estatstica
sumrio
voltar
sumrio
mdia mais ou menos dois desvios padro ( 2); e 99,73% dos valores caem
entre mdia mais ou menos trs desvios padro ( 3).
A distribuio normal padro
A distribuio normal particular com mdia 0 e desvio padro 1 chamada de distribuio normal padro e costuma ser denotada por Z.
2
Z=
X
-3
-2
+2
+3
X-
-3
-2
-1
Z
1
voltar
90
Probabilidade e Estatstica
sumrio
voltar
sumrio
Soluo:
200 210
5
A figura 7 mostra a transformao realizada e a rea desejada.
P(X<200)
180
190
200
210
220
230
240
-2
P(Z<-2)
-6
-4
Para clculo dessa probabilidade, utilizamos a tabela de distribuio normal padronizada ( que esta no apndice do livro indicado na bibliografia bsica). Observe que
a tabela traz apenas a P(Z<z) para z no negativo (z 0). As propriedades que se
seguem podem ser deduzidas a partir da simetria da densidade em relao mdia
0, e so teis na obteno de outras reas no tabuladas.
P(Z>z) = 1 - P(Z<z)
P(Z<-z) = P(Z>z)
P(Z>-z) = P(Z<z)
voltar
91
Probabilidade e Estatstica
sumrio
voltar
sumrio
1 - P(Z < z)
-z
voltar
92
Probabilidade e Estatstica
sumrio
voltar
sumrio
UNIDADE 8
Inferncia Estatstica
8.1. Populao e amostra; Estatsticas e parmetros;
Distribuies amostrais
8.2. Estimao
8.3. Testes de Hipteses
voltar
93
Probabilidade e Estatstica
sumrio
Simetr
voltar
sumrio
Um dos principais objetivos da maioria dos estudos, anlises ou pesquisas estatsticas fazer generalizaes seguras - com base em amostras em relao s populaes das quais se extraram as amostras.
Definies
Parmetro: a medida usada para escrever uma caracterstica numrica populacional. Genericamente representado por . A mdia (), a varincia (2) e o coeficiente de correlao () so alguns exemplos de parmetros populacionais.
Estimador: tambm denominado estatstica de um parmetro populacional. uma
caracterstica numrica determinada na amostra, uma funo de seus elementos.
Genericamente, representado por . A mdia amostral (x) e a varincia amostral
(s2) so alguns dos exemplos de estimadores.
POPULAO
PARMETROS:
AMOSTRAS
ESTIMADORES:
Distribuio Amostral
Considere todas as possveis amostras de tamanho n que podem ser extradas de
determinada populao. Se para cada uma delas se calcular um valor do estimador,
tem-se uma distribuio amostral desse estimador. Como o estimador uma varivel aleatria, pode-se determinar suas caractersticas, isto , encontrar sua mdia,
varincia, desvio-padro.
As distribuies amostrais so fundamentais para o processo de inferncia estatstica.
Distribuio amostral da Mdia
Sabe-se que x' =
x
n
O estimador x uma varivel aleatria; portanto, busca-se conhecer sua distribuio de probabilidade.
voltar
94
Probabilidade e Estatstica
sumrio
voltar
sumrio
E (x) = (x) =
Assim, provado que a mdia das mdias amostrais igual mdia populacional.
Teorema 2 Se a populao infinita, ou se a amostragem com reposio, ento
a varincia da distribuio amostral das mdias, denotada por 2(x), dada por:
VAR ( x ' ) =
2
x'
( x' ) =
2
2 N n
x' =
n N 1
N n
N 1
2
n
Esses quatro teoremas provam que a mdia amostral (x) tem distribuio normal
com mdia igual mdia da populao () e varincia dada por
2 N n
x' N ;
n
2 N n
x' N ;
n
N
ou
voltar
95
Probabilidade e Estatstica
sumrio
para popula-
Ou, ainda:
voltar
sumrio
xi
Zi =
Zi =
ou
xi
N n
N 1
Exemplo:
Temos uma populao de 5000 alunos de uma faculdade. Sabemos que
a altura mdia dos alunos de 175 cm e o desvio padro, de 5 cm. Retiramos uma amostra sem reposio, de tamanho n = 100. Qual o valor
do desvio padro amostral?
Soluo:
X : N (175 ,
Ento
x =
25 cm)
= 175cm
= 5cm
()
x = E x = 175
N n
5 5000 25
=
= 0,4988
N 1 10 5000 1
8.2. Estimao
H dois tipos fundamentais de estimao: por ponto e por intervalo.
Estimao pontual
O problema da estimao pontual surge quando estamos interessados em alguma
caracterstica numrica de uma distribuio desconhecida (ex: mdia, varincia) e
desejamos calcular, a partir de observaes, um nmero que inferimos que seja
uma aproximao da caracterstica numrica em questo.
Para ilustrar alguns dos problemas com os quais nos deparamos quando estimamos
a mdia de uma populao com base em dados amostrais, vamos recorrer a um
voltar
96
Probabilidade e Estatstica
sumrio
voltar
sumrio
13
18
19
17
21
29
22
16
28
21
15
26
23
24
20
17
17
21
32
18
25
22
16
10
20
22
19
14
30
22
12
24
28
11
A mdia desta amostra x = 19,9 minutos. Na ausncia de qualquer outra informao, podemos tomar esta cifra como uma estimativa de , o verdadeiro tempo
mdio que um adulto leva para montar o rob.
Esse tipo de estimativa chamada estimativa pontual, pois consiste de um nico
nmero, ou um nico ponto na escala dos nmeros reais. Embora se trate da forma
mais comum de expressar estimativas, ela deixa margem para no poucas questes. Por exemplo, no nos diz em quantas informaes a estimativa se baseia,
nem tampouco nos informa sobre o tamanho possvel do erro.
Estimao por intervalo
A estimao por pontos de um parmetro no possui uma medida do possvel erro
cometido na estimao, da surge a idia de construir os intervalos de confiana,
que so baseados na distribuio amostral do estimador pontual.
Uma maneira de expressar a preciso da estimao estabelecer limites que, com
certa probabilidade, incluam o verdadeiro valor do parmetro da populao. Esses
limites so chamados limites de confiana: determinam um intervalo de confiana, no qual dever estar o verdadeiro valor do parmetro. Logo, a estimao por
intervalo consiste na fixao de dois valores tais que (1 - ) seja a probabilidade de
que o intervalo, por eles determinado, contenha o verdadeiro valor do parmetro.
voltar
97
Probabilidade e Estatstica
sumrio
voltar
sumrio
x' N ;
n
2
x' N ;
n
N n
Z =
x'
n
Fixando-se um nvel de confiana 1 - , tem-se:
Ou seja:
P Z Z Z = 1
2
2
voltar
98
Probabilidade e Estatstica
sumrio
voltar
sumrio
x'
P Z
Z
=1
2
2
P x' Z
x '+ Z
=1
2 n
2 n
Como poder ser verificado, a aplicao da frmula extremamente simples. Fixase o valor de 1 - , ou (1 - )100= %, e observa-se na tabela de distribuio normal padro o valor das abscissas que deixam /2 em cada uma das caudas. Com
os valores de x (mdia amostral), =desvio padro da populao, que neste caso
conhecido, e n (tamanho da amostra), constri-se o intervalo.
Para o caso de populaes finitas, usa-se a seguinte frmula:
P x ' Z
2 n
N n
x '+ Z
N 1
2 n
N n
=1
N 1
Exemplo:
A durao da vida de uma pea de equipamento tal que =5 horas.
Foram amostradas 100 dessas peas, obtendo-se a mdia de 500 horas.
Deseja-se construir um intervalo de confiana para a verdadeira durao
mdia da pea com um nvel de 95%.
Soluo:
= 5 ; n = 100 x=500
voltar
(1 - )100=95%
99
Probabilidade e Estatstica
sumrio
voltar
sumrio
2,5%
2,5%
95%
-1,96
1,96
P x' Z
x '+ Z
=1
2 n
2 n
5
5
P 500 1,96
500 + 1,96
= 95%
100
100
voltar
100
Probabilidade e Estatstica
sumrio
voltar
sumrio
b)
c)
O ao produzido pelo processo A mais duro que o ao produzido pelo processo B:A > B;
d)
e)
f)
g)
h)
H 0 : = 1,65m
para testes unilaterais direita (d origem a um teste unilateral direita)
H1 : > 1,65m
H 0 : = 1,65m
para testes unilaterais esquerda (d origem a um teste unicaudal esquerda)
H1 : < 1,65m
voltar
101
Probabilidade e Estatstica
sumrio
voltar
sumrio
Usa-se para cada tipo de teste uma varivel cuja distribuio amostral do estimador dos parmetros seja a mais concentrada em torno do verdadeiro valor do
parmetro;
Calcula-se com o valor do parmetro 0, dado por H0, o valor crtico, valor observado na amostra ou valor calculado (Vcalc);
Fixa-se duas regies: uma de no rejeio de H0 (RNR) e uma de rejeio de H0
ou crtica (RC) para o valor calculado, ao nvel de risco dado;
Se o valor observado (Vcalc) Regio de No Rejeio, a deciso a de no rejeitar H0;
Se Vcalc Regio Crtica, a deciso a de rejeitar H0.
Devemos observar que quando se fixa , determinamos para os testes bilaterais,
por exemplo, valores crticos (tabelados), V, tais que:
P(|Vcalc|< V)=1 - RNR
P(|Vcalc| V)= RC
H 0 : = 45
H1 : 45
Soluo: Como o teste para mdia de populaes normais com varincia conhecida, usaremos a varivel Z: N(0,1) como critrio.
2=36
x=43
n=16
voltar
102
Probabilidade e Estatstica
sumrio
voltar
Z=
sumrio
x ' H 0
'
x' =
Z=Z5%=1,64
E a Regio de Rejeio (RC) dada por
P ( Z Z ) = P ( Z 1,64) = 0,10
Como Zcalc=-1,33
Temos que Zcalc RNR
Logo, a deciso no rejeitarmos H0, isto , a mdia de 45, com 10% de risco de
no rejeitarmos uma hiptese falsa.
voltar
103
Probabilidade e Estatstica
sumrio
voltar
sumrio
H 0 : = 26
H1 : < 26
RNR= (-1,64; +)
RC = (- ; -1,64]
Zcalc RNR
No se rejeita H0, isto , ao nvel de 5% podemos concluir que a afirmao do fabricante falsa.
H 0 : = 206
H1 : > 206
voltar
104
Probabilidade e Estatstica
sumrio
voltar
sumrio
RNR=(- ; 1,28)
RC = [1,28; +)
Zcalc RC
Como Zcalc > Z, rejeita-se H0, isto , ao nvel de 10% o fabricante pode concluir
que a resistncia mdia de suas lajotas aumentou.
Erros de Deciso
Tipos de Erro H dois tipos possveis de erro ao testar uma hiptese estatstica.
Pode-se rejeitar uma hiptese quando ela , de fato, verdadeira, ou aceitar uma
hiptese quando ela , de fato, falsa. A rejeio de uma hiptese verdadeira
chamada erro tipo I. A aceitaao de uma hiptese falsa constitui um erro tipo II.
As probabilidades desses dois tipos de erros so designadas, respectivamente, por
e .
A probabilidade do erro tipo I denomidada nvel de significncia do teste.
Resumindo:
Realidade
H0 verdadeira
H0 falsa
Aceitar H0
Erro tipo II ()
Rejeitar H0
Erro tipo I ()
Deciso Correta (1 - )
Deciso
Observe que o erro tipo I s poder ser cometido se se rejeitar H0; e o erro do tipo
II, quando se aceitar H0.
O objetivo, obviamente, reduzir ao mnimo as probabilidades dos dois tipos de
erros. Infelizmente, essa uma tarefa difcil porque, para uma amostra de determinado tamanho, a probabilidade de se incorrer em um erro tipo II aumenta medida que diminui a probabilidade do erro I. E vice-versa. A reduo simultnea dos
erros poder ser alcanada pelo aumento do tamanho da amostra.
voltar
105
Probabilidade e Estatstica
sumrio
voltar
sumrio
UNIDADE 9
Correlao e Regresso Linear
9.1. Diagrama de disperso
Simetr
Em muitas situaes, torna-se interessante e til estabelecer uma relao entre duas ou mais variveis. A matemtica estabelece vrios tipos
de relaes entre variveis, por exemplo, as relaes funcionais e as
correlaes.
Relaes Funcionais
So relaes matemticas expressas por sentenas matemticas, cujos exemplos
apresentamos a seguir:
rea do retngulo (A=a.b) a relao entre os lados do retngulo;
Densidade de massa (dm= m/v) a relao entre a massa e o volume de um
corpo;
Permetro de uma circunferncia (C=2R) a relao entre o comprimento da
circunferncia e o valor do raio.
Relaes Estatsticas e Correlaes
So relaes estabelecidas aps uma pesquisa. Com base nos resultados da pesquisa, so feitas comparaes que eventualmente podem conduzir (ou no) ligao entre as variveis.
Exemplo: relao entre a idade e a estatura de uma criana, ou a relao entre a classe social de uma pessoa e o nmero de viagens por ela
realizado.
voltar
106
Probabilidade e Estatstica
sumrio
voltar
sumrio
No estudo estatstico, a relao entre duas ou mais variveis denomina-se correlao. A utilidade e importncia das correlaes entre duas variveis podem conduzir
descoberta de novos mtodos, cujas estimativas so vitais em tomadas de decises.
100
18
90
16
80
14
70
12
60
10
50
40
30
20
10
Correlao Linear
Correlao Curvilnea
voltar
107
Probabilidade e Estatstica
sumrio
voltar
sumrio
25
100
90
80
20
70
60
15
50
40
10
30
20
10
0
0
0
8,5
18
16
14
7,5
12
10
6,5
8
6
5,5
0
0
10
12
14
No h correlao
voltar
108
Probabilidade e Estatstica
sumrio
voltar
sumrio
r=
[n x
n xi yi ( xi )( yi )
2
i
][
( xi ) * n yi2 ( yi )
2
Temos
r = o coeficiente de Pearson
n = o nmero de observaes
xi = varivel independente
yi =varivel dependente
O valor do coeficiente de correlao r tem a variao entre +1 e 1, ou seja, est
limitado entre os valores do Intervalo[-1,+1].
r = +1 (correlao positiva entre as variveis);
r = - 1 (correlao perfeita negativa entre as variveis);
r = 0 (no h correlao entre as variveis ou, ainda, a correlao no linear,
caso exista).
Quanto mais prximo o valor de r estiver do valor 1, mais forte a correlao linear.
Quanto mais prximo o valor de r estiver do valor 0, mais fraca a correlao linear.
Em geral, multiplica-se o valor de r por 100; dessa forma, o resultado passa a ser
expresso em porcentagem. Na prtica, estabelecem-se critrios para verificar os
diversos nveis do fraco ao forte, chegando at o perfeito:
0<|r|<0,3 : a correlao fraca e fica difcil estabelecer relao entre as variveis. Em porcentagem: 0<|r|< 30%;
0,3 |r|< 0,6 : a correlao fraca, porm, podemos considerar a existncia de
relativa correlao entre as variveis. Em porcentagem: 30% |r| <60%;
voltar
109
Probabilidade e Estatstica
sumrio
voltar
sumrio
0,6 |r| <1 : a correlao de mdia para forte; a relao entre as variveis
significativa, o que permite coerncia com poucos conflitos na obteno das concluses. Em porcentagem: 60% |r| 100%.
Exemplo:
Uma pesquisa pretende verificar se h correlao significativa entre o
peso total do lixo descartado, por dia, numa empresa com o peso do
papel contido nesse lixo.
Hotel
H1
Peso
total
H2
H3
H4
H5
H6
H7
H8
H9
H10
49,14
8,76
7,54 8,47
9,55
11,43
papel
14
Peso do papel
12
10
8
6
4
2
0
10
20
30
40
50
60
voltar
110
Probabilidade e Estatstica
sumrio
70
voltar
sumrio
r=
[n x
n xi yi ( xi )( yi )
2
i
][
( xi ) * n yi2 ( yi )
2
xi yi
xi 2
yi 2
H1
10,47
2,43
25,44
109,62
5,90
H2
19,85
5,12
101,63
394,02
26,21
H3
21,25
6,88
146,20
451,56
47,33
H4
24,36
6,22
151,52
593,41
38,69
H5
27,38
8,84
242,04
749,66
78,15
H6
28,09
8,76
246,07
789,05
76,74
H7
33,61
7,54
253,42
1129,63
56,85
H8
35,73
8,47
302,63
1276,63
71,74
H9
38,33
9,55
366,05
1469,19
91,20
H10
49,14
11,43
561,67
2414,74
130,64
288,21
75,24
2396,68
9377,52
623,47
r=
r=
r=
[n x
n xi yi ( xi )( yi )
2
i
][
( xi ) * n yi2 ( yi )
2
23966 ,8 21684 ,9
2281,83
2281,83
=
=
= 0,9206
[93775 ,2 83065 ] * [6234 ,7 - 5661,1]
10 * 710,21 * 573,59 2478 ,57
voltar
111
Probabilidade e Estatstica
sumrio
voltar
r = 0,921
sumrio
ou
r = 92,1%
Observamos, assim: 0,6 r 1 . Esse resultado indica que h uma forte correlao
entre as variveis ou, ainda, que a correlao entre as duas variveis bastante
significativa. Nesse caso, podemos concluir haver coerncia na afirmao de que
existe correlao entre o peso total do lixo descartado e o peso do papel contido
nesse lixo.
a=
n xi yi xi * yi
b = y ax
n xi2 ( xi ) 2
voltar
112
Probabilidade e Estatstica
sumrio
voltar
sumrio
Sendo:
n = nmero de observaes dos dados amostrais
yi
n
xi
n
Exemplo:
Determine a equao da reta de regresso do exemplo anterior, que trata de uma pesquisa entre o peso total do lixo descartado por dia com o
peso do papel contido nesse lixo.
Para a obteno da equao da reta de regresso, elabora-se inicialmente uma tabela contendo nas colunas as variveis dependentes (yi), as independentes (xi) e os
produtos xiyi e xi2.
Clculo do parmetro a da equao da reta:
a=
n xi yi xi * yi
n
xi2
( xi )
a=
2281,83
= 0,213
10710,2
y=
75,24
= 7,52
10
x=
288,21
= 28,82
10
voltar
113
Probabilidade e Estatstica
sumrio
voltar
sumrio
Para o traado de uma reta, basta que se conhea dois de seus pontos. Assim, com
base na equao da reta acima, pode-se estabelecer dois pontos para X e Y.
Para X = 0, temos Y = 1,38
Para X = 50, temos Y = 12,03
De acordo com os pontos P1(0;1,38) e P2(50;12,03), pode-se traar a reta de regresso.
14
y = 0,2131x + 1,3836
12
10
8
6
4
2
0
0
10
20
30
40
50
60
voltar
114
Probabilidade e Estatstica
sumrio
voltar
sumrio
voltar
115
Probabilidade e Estatstica
sumrio
voltar
sumrio
Referncias Bibliogrficas
voltar
116
Probabilidade e Estatstica
sumrio